> Mejora Continua de Procesos > Servicio al Cliente > Genesys Cloud CX > Plantilla de Datos

Su Plantilla de Datos de Servicio al Cliente

Genesys Cloud CX

Atributos de Servicio al Cliente (20) Actividades de Servicio al Cliente (13) Guías de Extracción (3)

Su Plantilla de Datos de Servicio al Cliente

Esta plantilla proporciona una hoja de ruta clara para recopilar los datos esenciales necesarios para analizar y optimizar su proceso de servicio al cliente. Esquematiza atributos recomendados, actividades clave a rastrear y orientación práctica sobre cómo extraer esta información de sus sistemas de origen. Utilícela para construir un registro de eventos robusto para sus iniciativas de Process Mining.

Atributos recomendados para recopilar
Actividades clave para el seguimiento
Guía de Extracción

¿Nuevo en registros de eventos? Aprenda cómo crear un registro de eventos para Process Mining.

Descargar Plantilla

Atributos de Servicio al Cliente

Estos son los campos de datos recomendados para incluir en su registro de eventos para un análisis integral del servicio al cliente.

5 Requerido 6 Recomendado 9 Opcional

	Nombre	Descripción
	Hora de Inicio EventTime	El timestamp que indica cuándo comenzó una actividad o un evento.
Descripción Este atributo proporciona la fecha y hora precisas en que ocurrió cada actividad. Es esencial para secuenciar eventos correctamente y para todo análisis basado en el tiempo. La Hora de Inicio se utiliza para construir el flujo del proceso en orden cronológico y es la base para calcular duraciones, tiempos de espera y tiempos de ciclo entre diferentes actividades. Las marcas de tiempo precisas son críticas para un análisis de proceso y un monitoreo del rendimiento fiables. Por qué es importante Esta marca de tiempo ordena todas las actividades cronológicamente, haciendo posible analizar flujos de proceso, duraciones y cuellos de botella con precisión. Dónde obtener Encontrado en registros de eventos o detalles de interacción en Genesys Cloud CX, a menudo asociado con cada evento registrado del sistema o del usuario. Ejemplos 2024-05-21T10:00:15Z2024-05-21T10:02:30Z2024-05-21T10:15:00Z
	Nombre de la Actividad ActivityName	El nombre del evento o tarea específica que ocurrió en un punto en el tiempo dentro del ciclo de vida de la solicitud de servicio.
Descripción Este atributo describe un paso específico o un cambio de estado dentro del proceso de servicio al cliente. Cada actividad representa un evento distinto, como 'Agente Aceptó Interacción' o 'Código de Cierre Asignado'. Analizar la secuencia y frecuencia de estas actividades es fundamental para el Process Mining. Ayuda a visualizar flujos de proceso, identificar desviaciones y localizar cuellos de botella o pasos ineficientes. Por qué es importante Las actividades forman la columna vertebral del mapa de procesos, permitiendo la visualización y el análisis del flujo de proceso real frente al flujo diseñado. Dónde obtener Esto se deriva típicamente mapeando eventos del sistema, estados de agentes o entradas específicas del registro de auditoría en Genesys Cloud CX a nombres de actividad estandarizados. Ejemplos Interacción IniciadaAgente Aceptó InteracciónTrabajo Post-Llamada FinalizadoSolicitud de Servicio Reabierta
	Solicitud de Servicio ServiceRequest	El identificador principal para una interacción de servicio al cliente, que vincula todas las actividades relacionadas.
Descripción La Solicitud de Servicio, a menudo referida como Ticket o Caso, sirve como identificador principal para una única consulta o problema del cliente. Agrupa todos los eventos relacionados, desde el contacto inicial hasta la resolución final, en una única instancia de proceso. Analizar por Solicitud de Servicio permite una vista completa, de principio a fin, del recorrido del cliente y del proceso de gestión interno. Es la base para calcular métricas clave como el tiempo total de resolución y la tasa de resolución en el primer contacto. Por qué es importante Este es el ID de Caso esencial que conecta todos los pasos del proceso, permitiendo un análisis holístico de cada interacción del cliente de principio a fin. Dónde obtener Este es el identificador de caso conceptual. En Genesys, esto a menudo corresponde al ID de Conversación, pero puede ser un identificador personalizado dependiendo de la implementación. Ejemplos SR-20240521-00123SR-20240521-00124SR-20240522-00001
	Source System SourceSystem	El sistema del cual se extrajo la data.
Descripción Este atributo identifica el sistema de origen para los datos del evento, que en este caso es Genesys Cloud CX. En entornos con múltiples sistemas integrados, este campo es crucial para la trazabilidad de los datos, la resolución de problemas y la comprensión del contexto de los datos. Ayuda a asegurar que el análisis se base en la fuente de datos correcta y permite filtrar o segmentar datos cuando múltiples sistemas contribuyen a una única vista del proceso. Por qué es importante Identifica el origen de los datos, lo cual es crucial para la gobernanza de datos, la validación y al fusionar datos de múltiples sistemas. Dónde obtener Este es típicamente un valor estático añadido durante el proceso de extracción y transformación de datos para etiquetar el origen de los registros. Ejemplos Genesys Cloud CXGenesysCloudCX_US1Genesys
	Última actualización de datos LastDataUpdate	La marca de tiempo de la actualización de datos más reciente.
Descripción Este atributo indica la última vez que el conjunto de datos fue actualizado desde el sistema de origen. Proporciona contexto sobre la actualidad de los datos que se están analizando, lo cual es crítico para tomar decisiones de negocio oportunas y relevantes. Los dashboards y los informes deben mostrar esta información de manera prominente para que los usuarios sean conscientes de la vigencia de los datos y puedan evaluar la validez de los insights. Por qué es importante Indica la frescura de los datos, asegurando que los análisis y las decisiones se basen en información actualizada. Dónde obtener Este valor se genera y se estampa en el conjunto de datos en el momento de la extracción de datos o la carga en la herramienta de Process Mining. Ejemplos 2024-05-23T04:00:00Z2024-05-24T04:00:00Z
	Canal de Comunicación MediaType	El canal de comunicación utilizado para la interacción, como voz, chat o correo electrónico.
Descripción Este atributo especifica el medio a través del cual el cliente y el agente se comunicaron. Los canales comunes incluyen voz, chat, correo electrónico y redes sociales. Analizar el rendimiento por canal, como se hace en el dashboard de 'Rendimiento del Canal de Comunicación', ayuda a las empresas a comprender los volúmenes específicos del canal, los tiempos de resolución y la satisfacción del cliente. Esta información es crítica para optimizar la estrategia de canal y la asignación de recursos. Por qué es importante Segmentar el proceso por canal de comunicación es crucial para comprender el rendimiento específico del canal, el comportamiento del cliente y las necesidades de recursos. Dónde obtener Un campo estándar dentro de los registros de detalle de conversación de Genesys Cloud CX. Ejemplos voicechatcorreo electrónicomessage
	Código de Cierre WrapUpCode	Un código asignado por un agente al final de una interacción para categorizar su resultado o tema.
Descripción El Código de Cierre (Wrap-Up Code) es una etiqueta seleccionada por un agente para clasificar la naturaleza o resolución de una interacción con el cliente. Estos códigos proporcionan datos estructurados sobre por qué los clientes se ponen en contacto con el soporte. Analizar los Códigos de Cierre ayuda a identificar tipos de problemas comunes, rastrear los resultados de la resolución y medir la frecuencia de solicitudes específicas. Estos datos son valiosos para el análisis de causa raíz y la comprensión de los patrones de demanda de servicio. Por qué es importante Categoriza el resultado de una interacción, proporcionando datos estructurados para analizar problemas comunes, la efectividad de la resolución y las razones de contacto. Dónde obtener Disponible en los registros de detalle de conversación de Genesys Cloud CX, específicamente en los detalles de sesión para los participantes agentes. Ejemplos Restablecimiento de ContraseñaDisputa de Facturación ResueltaSolicitud de Información de ProductoEscalado a Nivel 2
	Hora de Finalización EventEndTime	La marca de tiempo que indica cuándo finalizó una actividad o evento.
Descripción Este atributo registra el momento preciso en que concluye una actividad. Combinado con la Hora de Inicio, permite el cálculo exacto de la duración de cada actividad individual. Analizar las duraciones de las actividades es clave para identificar qué pasos en el proceso consumen más tiempo, ayudando a localizar ineficiencias y oportunidades de optimización. Por ejemplo, puede resaltar tiempos largos de 'Interacción en Espera' o duraciones extendidas de 'Trabajo Posterior a la Llamada'. Por qué es importante Permite el cálculo preciso de las duraciones de las actividades individuales, lo cual es esencial para identificar pasos que consumen mucho tiempo y cuellos de botella de rendimiento. Dónde obtener Encontrado en registros de eventos o detalles de interacción en Genesys Cloud CX. También puede derivarse del tiempo de inicio del evento subsiguiente. Ejemplos 2024-05-21T10:02:30Z2024-05-21T10:15:00Z2024-05-21T10:18:45Z
	ID de Agente AgentId	El identificador único para el agente que manejó la interacción o actividad.
Descripción El ID de Agente es una clave única para cada representante de servicio al cliente. Este atributo es esencial para cualquier análisis relacionado con el rendimiento del agente, la distribución de la carga de trabajo y la eficiencia. Permite filtrar el mapa de procesos para ver cómo agentes o equipos específicos manejan las solicitudes, comparando sus métricas de rendimiento como el tiempo de resolución, la tasa de reprocesamiento y la adhesión a los procedimientos estándar. Este es un pilar fundamental para el dashboard de 'Rendimiento y Eficiencia del Agente'. Por qué es importante Este atributo conecta las actividades del proceso con empleados específicos, permitiendo el análisis del rendimiento individual, la carga de trabajo y la eficiencia del equipo. Dónde obtener Disponible en los registros de detalle de conversación de Genesys Cloud CX, asociado al usuario que manejó un segmento específico de la interacción. Ejemplos a1b2c3d4-e5f6-7890-1234-567890abcdeff0e9d8c7-b6a5-4321-fedc-ba0987654321
	Nombre de la Cola QueueName	El nombre de la cola a la que se enrutó la interacción.
Descripción Este atributo identifica la cola específica en la que una interacción esperó antes de ser asignada a un agente. Analizar los datos por Nombre de Cola es esencial para el dashboard 'Detección de Cuellos de Botella en la Cola de Servicio'. Ayuda a los gerentes a comprender la distribución de la carga de trabajo entre diferentes grupos de habilidades o líneas de servicio, medir los tiempos de espera por cola e identificar las colas que están consistentemente con poco personal o sobrecargadas. Esta información es clave para optimizar la asignación de recursos y mejorar los tiempos de espera del cliente. Por qué es importante Ayuda a identificar cuellos de botella y analizar la distribución de la carga de trabajo mostrando dónde las solicitudes de servicio están esperando asignación. Dónde obtener Disponible en los registros de detalle de conversación de Genesys Cloud CX. Cada interacción puede pasar por una o más colas. Ejemplos Soporte Nivel 1 - VozConsultas de Facturación - ChatSoporte Técnico - Correo Electrónico
	Nombre del Agente AgentName	El nombre completo del agente que manejó la interacción o actividad.
Descripción El Nombre del Agente proporciona un identificador legible para el representante de servicio, correspondiente al ID de Agente. Este atributo hace que los dashboards y los informes sean más intuitivos para gerentes y líderes de equipo. Se utiliza ampliamente en análisis centrados en el agente para revisar el rendimiento, identificar necesidades de capacitación y asegurar una distribución equitativa de la carga de trabajo sin necesidad de hacer referencias cruzadas con los ID del sistema. Por qué es importante Proporciona un nombre amigable para el agente, lo que facilita el análisis del rendimiento y la comunicación de hallazgos sin usar identificadores técnicos. Dónde obtener Obtenido del servicio de Usuarios o Directorio en Genesys Cloud CX, buscando el AgentId. Ejemplos John SmithJane DoePeter Jones
	¿Se reabrió? IsReopened	Un indicador que señala si una solicitud de servicio resuelta fue reabierta posteriormente.
Descripción Este atributo booleano marca las solicitudes de servicio que fueron establecidas en un estado resuelto o cerrado pero que luego volvieron a activarse. Los casos reabiertos a menudo indican que la solución inicial no fue efectiva o completa, lo que lleva a la insatisfacción del cliente y a trabajo adicional. Este atributo alimenta el dashboard 'Tendencias de Reapertura de Solicitudes de Servicio' y el KPI 'Tasa de Reapertura de Solicitudes de Servicio'. Analizar estos casos ayuda a identificar las causas raíz de las resoluciones ineficaces. Por qué es importante Destaca fallas en el proceso de resolución, señalando problemas con la calidad de la solución y llevando a retrabajo y una mala experiencia del cliente. Dónde obtener Campo calculado, derivado de la detección de una actividad que reactiva el caso después de que haya ocurrido una actividad de 'Solicitud de Servicio Resuelta'. Ejemplos truefalse
	Cumple con el SLA IsSlaCompliant	Un indicador que señala si la solicitud de servicio se resolvió dentro de su tiempo objetivo de SLA.
Descripción Este atributo booleano indica si una solicitud de servicio cumplió con su tiempo objetivo de resolución. Se calcula comparando el 'ServiceResolutionTime' con el 'SlaTargetResolutionTime'. Este indicador simplifica el análisis y la visualización para el dashboard 'Resumen de Cumplimiento de SLA' y es la base para calcular el KPI 'Tasa de Cumplimiento de SLA'. Permite un filtrado y segmentación rápidos de casos conformes versus no conformes para identificar patrones comunes en los incumplimientos de SLA. Por qué es importante Simplifica el análisis del rendimiento del SLA al marcar claramente cada caso como cumplido o incumplido, permitiendo el análisis de la causa raíz de las fallas. Dónde obtener Campo calculado: Verdadero si ServiceResolutionTime <= SlaTargetResolutionTime, de lo contrario Falso. Ejemplos truefalse
	Es Resolución en el Primer Contacto IsFirstContactResolution	Un indicador que señala si la solicitud de servicio se resolvió en una sola interacción.
Descripción Este atributo booleano identifica los casos que se resolvieron durante la primera interacción, sin requerir ningún seguimiento por parte del cliente o transferencias internas. Un valor 'verdadero' significa una resolución ideal y eficiente. Este atributo es la base para el KPI 'Tasa de Resolución en el Primer Contacto' y su dashboard correspondiente. Analizar las características de los casos que no se resuelven en el primer contacto puede revelar oportunidades para la capacitación de agentes, mejoras en la base de conocimientos o cambios en el proceso. Por qué es importante Mide directamente la eficiencia y la satisfacción del cliente, ya que resolver los problemas en el primer intento es un factor clave para una experiencia de servicio positiva. Dónde obtener Campo calculado, derivado del análisis de la secuencia de eventos para un caso. Un caso es FCR si se resuelve sin ciertas actividades intermedias como transferencias o reaperturas. Ejemplos truefalse
	ID de Conversación ConversationId	El identificador único asignado por Genesys a una conversación completa.
Descripción El ID de Conversación es la clave técnica principal en Genesys Cloud CX que agrupa todas las interacciones, segmentos y participantes relacionados para una única conversación con el cliente. Si bien la 'Solicitud de Servicio' conceptual se utiliza como el ID de Caso, el ID de Conversación es la clave subyacente utilizada para recuperar todos los datos relacionados de las API de Genesys. Es esencial para la extracción de datos, la unión de diferentes conjuntos de datos y para la validación técnica de los datos del proceso. Por qué es importante Esta es la clave técnica principal en Genesys, esencial para la extracción de datos, la resolución de problemas y la vinculación con el sistema de origen. Dónde obtener Este es un campo principal en todos los análisis y las API de conversación de Genesys Cloud CX. Ejemplos d8a7c6b5-e4f3-2109-8765-fedcba098765c7b6a5d4-f3e2-1098-7654-edcbaf987654
	Puntuación CSAT CustomerSatisfactionScore	La puntuación de satisfacción proporcionada por el cliente en una encuesta post-interacción.
Descripción La Puntuación de Satisfacción del Cliente, o CSAT, es una medida directa de la percepción del cliente sobre el servicio recibido. Se suele recopilar a través de una encuesta enviada después de que se cierra la interacción. Analizar las puntuaciones CSAT junto con los datos del proceso puede revelar cómo las variaciones del proceso, los tiempos de resolución o agentes específicos impactan la satisfacción del cliente. Esta es una métrica de resultado clave para evaluar el éxito general del proceso. Por qué es importante Mide directamente la felicidad del cliente, permitiendo el análisis de correlación entre el rendimiento del proceso y los resultados del cliente. Dónde obtener Estos datos suelen provenir del módulo de Gestión de Calidad de Genesys Cloud CX o de una herramienta de encuestas de terceros integrada con Genesys. Ejemplos 5413
	Tiempo de Procesamiento Duration	El tiempo tomado para completar una sola actividad, medido en segundos.
Descripción Este atributo cuantifica la duración de un paso de proceso individual, calculado como la diferencia entre su Hora de Fin y Hora de Inicio. Analizar el tiempo de procesamiento ayuda a identificar qué actividades son las que consumen más tiempo. Esta información es vital para los dashboards de rendimiento, como el dashboard de 'Rendimiento y Eficiencia del Agente', para evaluar la eficiencia del agente y encontrar oportunidades de capacitación o mejoras de procesos. Por qué es importante Cuantifica el tiempo dedicado a cada actividad, ayudando a identificar ineficiencias y a medir el rendimiento a un nivel granular. Dónde obtener Campo calculado: EventEndTime - EventTime. Algunas APIs de Genesys pueden proporcionar campos de duración directamente para ciertos segmentos. Ejemplos 12075045
	Tiempo de Resolución de Servicio ServiceResolutionTime	El tiempo total transcurrido desde el inicio de la primera interacción con el cliente hasta la resolución final.
Descripción Esta métrica mide la duración total de una solicitud de servicio, desde el momento en que el cliente inicia el contacto hasta que el problema se marca como resuelto. Es un indicador clave de rendimiento para la eficiencia general del proceso y la experiencia del cliente. Este atributo calculado es el enfoque principal del dashboard 'Tiempo de Resolución de Solicitudes de Servicio' y el KPI 'Tiempo Promedio de Resolución de Servicio'. Analizar su distribución ayuda a identificar casos de larga duración y retrasos sistémicos. Por qué es importante Este es un KPI crítico para medir la eficiencia general del proceso y su impacto en la experiencia del cliente. Dónde obtener Campo calculado: Marca de tiempo de la actividad de resolución final menos la marca de tiempo de la primera actividad de contacto con el cliente. Ejemplos 90010800172800
	Tiempo Objetivo de Resolución de SLA SlaTargetResolutionTime	El tiempo objetivo acordado contractualmente para resolver la solicitud de servicio.
Descripción Este atributo define el tiempo máximo permitido para que una solicitud de servicio sea resuelta, de acuerdo con el Acuerdo de Nivel de Servicio (SLA). Sirve como el punto de referencia contra el cual se miden los tiempos de resolución reales. Estos datos son esenciales para el dashboard 'Resumen de Cumplimiento de SLA' y el KPI 'Tasa de Cumplimiento de SLA', permitiendo a la organización monitorear su rendimiento frente a los compromisos del cliente e identificar posibles incumplimientos antes de que sucedan. Por qué es importante Proporciona el punto de referencia para medir el cumplimiento de SLA, un indicador crítico del rendimiento del servicio y la obligación contractual. Dónde obtener Esto puede almacenarse como un atributo personalizado en la conversación o derivarse basándose en reglas que involucran la cola, el tipo de cliente o el tipo de solicitud. Ejemplos 86400144003600
	Tipo de Solicitud de Servicio ServiceRequestType	La clasificación de la solicitud de servicio, como 'Consulta', 'Queja' o 'Problema Técnico'.
Descripción Este atributo categoriza la solicitud de servicio basándose en su naturaleza o propósito. Permite segmentar el análisis para entender cómo se manejan los diferentes tipos de solicitudes. Por ejemplo, el flujo del proceso y el tiempo de resolución para una 'Queja' pueden diferir significativamente de una 'Consulta General'. Esta dimensión es vital para dashboards como 'Análisis de Escalada Interna' para ver si ciertos tipos de solicitudes se escalan con mayor frecuencia. Por qué es importante Permite la segmentación de procesos para comparar cómo se manejan los diferentes tipos de solicitudes e identificar cuellos de botella o ineficiencias específicas de cada tipo. Dónde obtener Esta información podría capturarse mediante una selección de IVR, la elección de un cliente en un formulario web o asignada por un agente. En Genesys, puede almacenarse como un atributo de participante o un código de cierre. Ejemplos Consulta de FacturaciónSoporte TécnicoGestión de CuentasQueja de Producto

Requerido Recomendado Opcional

Actividades de Servicio al Cliente

Estos son los pasos clave del proceso y los hitos a capturar en su registro de eventos para un descubrimiento preciso de procesos.

5 Recomendado 8 Opcional

	Actividad	Descripción
	Agente Aceptó Interacción	Marca el punto en el que un agente acepta la interacción ofrecida y se conecta con el cliente. Este es un hito clave donde comienza la gestión directa de la solicitud de servicio.
Por qué es importante Esta actividad es crucial para medir la Resolución en el Primer Contacto y el tiempo de gestión del agente. Significa el inicio del trabajo del agente en la solicitud. Dónde obtener Disponible en los registros de detalle de conversación. Se marca cuando el estado del participante agente cambia a 'conectado', con una marca de tiempo asociada. Capturar Registrado cuando el estado de un participante agente cambia a 'conectado'. Tipo de evento explicit
	Código de Cierre Asignado	Un agente asigna un código de cierre predefinido, o código de disposición, a la interacción. Esto categoriza explícitamente el resultado de la solicitud de servicio, como 'Resuelto' o 'Escalado'.
Por qué es importante Los códigos de cierre son una fuente principal para determinar el resultado comercial de una solicitud. Son vitales para calcular las tasas de resolución y segmentar casos para el análisis. Dónde obtener Este es un evento explícito que se encuentra en los registros de detalles de la conversación, típicamente dentro de los datos de sesión del participante agente. Se registran el código de cierre y la marca de tiempo. Capturar Registrado cuando un agente selecciona un código de cierre para la interacción. Tipo de evento explicit
	Interacción Desconectada	Esta actividad significa el final de la conversación, cuando todos los participantes se han desconectado. Esto a menudo sirve como el cierre técnico de la interacción de la solicitud de servicio.
Por qué es importante Este es un evento final definitivo para la interacción misma. Es crucial para calcular la duración total de la interacción y a menudo se utiliza como un proxy para el cierre de la solicitud. Dónde obtener Esto se captura de los registros de detalles de la conversación. Corresponde a la hora de finalización del objeto de conversación, que se encuentra típicamente en la marca de tiempo de fin de conversación. Capturar Registrado cuando todos los participantes se han desconectado y la conversación termina. Tipo de evento explicit
	Interacción Iniciada	Esta actividad marca el comienzo de una interacción de servicio al cliente, como una llamada entrante, chat o correo electrónico. Genesys Cloud CX registra explícitamente este evento cuando se crea un nuevo objeto de conversación en el sistema.
Por qué es importante Este es el evento de inicio principal para el proceso de solicitud de servicio. Es esencial para calcular el tiempo total de resolución y comprender los patrones de demanda de clientes entrantes. Dónde obtener Este evento se captura de los registros de detalles de la conversación. Corresponde a la hora de inicio del objeto de conversación en sí, que se encuentra típicamente en la marca de tiempo de inicio de conversación. Capturar Registrado cuando se inicia una nueva conversación en el sistema. Tipo de evento explicit
	Interacción Transferida	Representa la transferencia de una interacción por parte de un agente a otra cola o a otro agente. Puede ser una transferencia ciega, donde el agente se desconecta inmediatamente, o una transferencia con consulta, donde habla primero con el destinatario.
Por qué es importante Esta actividad es esencial para el KPI de Tasa de Escalada Interna. Las altas tasas de transferencia pueden indicar necesidades de capacitación, enrutamiento incorrecto o complejidad del proceso. Dónde obtener Esto se identifica en los registros de detalles de la conversación cuando se añade un nuevo participante ACD o agente a la conversación después de la participación inicial del agente, a menudo iniciado por un evento de 'transferencia'. Capturar Identificado por un evento de transferencia en los datos de sesión del participante. Tipo de evento explicit
	Conversación Enrutada a Cola	Representa el momento en que una nueva interacción se coloca en una cola específica para esperar a un agente disponible. Este es un evento explícito registrado por el motor de enrutamiento de Genesys (ACD).
Por qué es importante Rastrear esta actividad es crítico para medir los tiempos de espera en cola e identificar cuellos de botella en el proceso de enrutamiento. Las altas duraciones entre esta y la asignación de agentes indican problemas de personal o de lógica de enrutamiento. Dónde obtener Capturado de los registros de detalle de conversación, buscando específicamente el 'propósito' y el 'estado' del participante ACD dentro de la conversación. El 'enterTime' para la cola en el array de métricas indica este evento. Capturar Registrado cuando el motor de enrutamiento ACD coloca una conversación en una cola. Tipo de evento explicit
	Encuesta de Satisfacción del Cliente Enviada	Esta actividad ocurre cuando se envía una encuesta de satisfacción del cliente (CSAT) después del cierre de una interacción. Esto a menudo se activa automáticamente por el sistema basándose en reglas predefinidas.
Por qué es importante Esta actividad es necesaria para medir el KPI de Puntualidad en la Entrega de Encuestas CSAT. Asegurar la entrega oportuna de las encuestas ayuda a capturar feedback preciso mientras la experiencia está fresca en la mente del cliente. Dónde obtener Esta información suele estar disponible a partir de datos de encuestas o gestión de calidad dentro de Genesys Cloud CX, que se pueden vincular de nuevo al ID de conversación original. Capturar Registrado por el módulo de encuestas cuando se envía una encuesta para una conversación específica. Tipo de evento explicit
	Espera Retirada de Interacción	Ocurre cuando un agente saca a un cliente de la espera y reanuda la conversación. Este evento marca el fin de un período de retención y se registra como un cambio de estado.
Por qué es importante Combinada con 'Interacción en Espera', esta actividad permite el cálculo preciso del tiempo total de espera, un componente clave del tiempo de gestión general y la experiencia del cliente. Dónde obtener Derivado de los datos de sesión del participante agente cuando su estado cambia de 'en espera' a 'conectado'. Capturar Registrado cuando el estado de un participante agente cambia de 'en espera' a 'conectado'. Tipo de evento explicit
	Interacción Ofrecida al Agente	Este evento ocurre cuando el sistema ofrece una interacción a un agente específico. El estado del agente cambia a 'alertando' mientras el sistema espera que acepte o rechace la conversación.
Por qué es importante Esta actividad ayuda a analizar la capacidad de respuesta del agente y la efectividad del algoritmo de enrutamiento. Los retrasos después de este punto pueden indicar que los agentes no están aceptando el trabajo con prontitud. Dónde obtener Encontrado en los registros de detalle de conversación dentro de los datos del participante para el agente. La sesión del participante mostrará una métrica con un estado de 'alerta' y una marca de tiempo correspondiente. Capturar Registrado cuando el motor de enrutamiento alerta a un agente de una nueva interacción. Tipo de evento explicit
	Interacción Puesta en Espera	Esta actividad se registra cuando un agente pone a un cliente en espera durante una interacción. Este es un cambio de estado explícito para el participante agente dentro de la conversación.
Por qué es importante Analizar la frecuencia y duración de las esperas puede revelar ineficiencias en el proceso, como agentes que necesitan buscar información o consultar con otros con frecuencia. Dónde obtener Capturado de los datos de sesión del participante agente en los registros de detalle de conversación. El estado cambia a 'en espera' y se registra una marca de tiempo. Capturar Registrado cuando el estado de un participante agente cambia a 'en espera'. Tipo de evento explicit
	Solicitud de Servicio Reabierta	Representa una situación en la que un cliente contacta al centro de servicio nuevamente por el mismo problema poco después de haber sido considerado resuelto. Este no es un evento explícito, sino que se calcula con base en la lógica de negocio.
Por qué es importante Rastrear las solicitudes reabiertas es clave para medir la Tasa de Reapertura de Solicitudes de Servicio. Indica que la resolución inicial no fue efectiva, impactando la satisfacción del cliente y la eficiencia operativa. Dónde obtener Esta actividad se infiere identificando un nuevo evento de 'Interacción Iniciada' para el mismo cliente (ID de Cliente) y problema relacionado (p. ej., Tipo de Solicitud de Servicio) dentro de una ventana de tiempo predefinida después de que una interacción anterior fuera resuelta. Capturar Calculado al vincular una nueva interacción a una recientemente cerrada para el mismo cliente y problema. Tipo de evento calculated
	Trabajo Post-Llamada Finalizado	Esto marca el final del período de trabajo posterior a la llamada para un agente. En este punto, el agente vuelve a estar disponible para manejar otra interacción.
Por qué es importante Esta actividad, combinada con 'Trabajo Posterior a la Llamada Iniciado', proporciona la duración precisa de la fase de cierre, ayudando a analizar la productividad del agente y la sobrecarga del proceso. Dónde obtener Esto se infiere cuando el estado del agente cambia de 'acw' a un estado disponible, como 'inactivo'. Se utiliza la marca de tiempo de este cambio de estado. Capturar Inferido del cambio de estado del agente de 'acw' a un estado disponible. Tipo de evento inferred
	Trabajo Post-Llamada Iniciado	Esta actividad marca el comienzo del período de trabajo posterior a la llamada (ACW). El agente se ha desconectado del cliente, pero ahora está en un estado dedicado para completar tareas como registrar notas o actualizar sistemas.
Por qué es importante Medir la duración del ACW (Tiempo de Trabajo Posterior a la Llamada) es crucial para entender la eficiencia del agente y el tiempo total de gestión. Un ACW extendido puede ser señal de procesos posinteracción ineficientes. Dónde obtener Capturado de los datos de sesión del participante agente. Se registra cuando el estado del agente cambia a 'acw' después de que el participante cliente se desconecta. Capturar Registrado cuando el estado de un participante agente cambia a 'acw'. Tipo de evento explicit

Recomendado Opcional

Guías de Extracción

Cómo obtener sus datos de Genesys Cloud CX

Pasos

Navegar al Espacio de trabajo de Análisis: Inicie sesión en Genesys Cloud CX. Vaya al menú y seleccione Admin, luego, bajo Análisis, elija Espacio de trabajo.
Crear una Nueva Vista: Haga clic en el icono más para añadir una nueva pestaña y seleccione "Crear una nueva vista". Elija "Interacciones" como tipo de vista. Esto abrirá el editor de vistas de interacción.
Definir el Rango de Fechas: En el panel de filtros a la izquierda, configure el intervalo de fecha y hora deseado para los datos que desea extraer. Se recomienda comenzar con un rango de fechas más pequeño, como una semana, para probar el proceso.
Seleccionar Columnas para la Exportación: Este es el paso más crítico para la preparación de datos. Haga clic en el botón "Columnas". De los campos disponibles, seleccione y añada las siguientes columnas a su vista. Estos campos contienen los datos necesarios para construir el registro de eventos:
- ID de Conversación
- Inicio de Conversación
- Fin de Conversación
- Tipo de Medio
- Participantes (Este es un campo complejo que contiene datos anidados de agente, cola y cliente)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Encuestas
Aplicar Filtros Adicionales: Utilice el panel de filtros para acotar los datos si es necesario. Puede filtrar por Tipo de Medio (por ejemplo, voz, chat), Cola, Dirección (entrante/saliente) u otras propiedades de conversación para centrarse en el proceso de solicitud de servicio específico.
Guardar y Ejecutar la Vista: Guarde la vista con un nombre descriptivo, por ejemplo, "Exportación de Solicitudes de Servicio de Process Mining". La vista cargará entonces los datos que coincidan con sus criterios.
Iniciar la Exportación: Una vez que los datos se hayan cargado en su vista, haga clic en el botón "Exportar", generalmente representado por un icono de descarga. Seleccione "Exportar como CSV" o "Exportar como JSON". CSV suele ser más fácil para el procesamiento inicial.
Descargar el Archivo Exportado: La tarea de exportación se ejecutará en segundo plano. Puede monitorear su progreso navegando a Rendimiento > Mis Exportaciones. Una vez completado, descargue el archivo a su sistema local.
Transformar los Datos Crudos: El archivo exportado tiene una fila por conversación, con datos de participantes y segmentos anidados dentro de una sola columna. Debe ejecutar un script de transformación, como el script de Python proporcionado en la sección Consulta, para desanidar estos datos. Este script analizará la exportación en bruto y creará un nuevo archivo donde cada fila representa una sola actividad, como "Interacción Aceptada por el Agente" o "Interacción en Espera".
Implementar Lógica Personalizada: Como parte de la transformación, implemente cualquier lógica específica de negocio. Por ejemplo, la actividad "Solicitud de Servicio Reabierta" debe calcularse analizando interacciones posteriores del mismo cliente dentro de un plazo definido.
Finalizar el Registro de eventos: El script de transformación debe generar un archivo CSV con columnas que coincidan con el formato requerido para ProcessMind, incluyendo ServiceRequest, ActivityName, EventTime y otros atributos. Asegúrese de que todas las marcas de tiempo estén en un formato consistente.
Cargar a ProcessMind: El archivo CSV final y transformado ya está listo para ser cargado en su herramienta de process mining.

Configuración

Permisos: Su rol de usuario de Genesys Cloud CX debe tener el permiso Analytics > Conversation > View para acceder al Espacio de trabajo de Análisis y crear vistas de interacción.
Rango de fechas: Para la extracción inicial, utilice un período representativo de 3 a 6 meses. Para centros de contacto de muy alto volumen, se recomienda exportar los datos en bloques más pequeños, como semanal o mensual, para evitar exceder los límites del sistema y gestionar el tamaño de los archivos.
Filtros clave:
- Tipo de medio: Filtre por los canales relevantes para su proceso de servicio al cliente, como voz, chat o correo electrónico.
- Cola: Si el proceso es gestionado por equipos específicos, filtre por los ID de Cola relevantes para asegurar que solo está extrayendo datos para el proceso deseado.
- Dirección: Normalmente, querrá filtrar por interacciones entrantes para capturar solicitudes de servicio iniciadas por el cliente.
Columnas a exportar: La columna Participantes es esencial ya que contiene la línea de tiempo detallada de los eventos para agentes y colas. Sin esta columna, no podrá extraer actividades individuales. Asegúrese de incluir también ID de conversación, Inicio de conversación y Fin de conversación.
Consideraciones de rendimiento: Exportar un gran número de columnas o un rango de fechas muy extenso puede hacer que la tarea de exportación tarde mucho tiempo. Si la tarea falla o excede el tiempo de espera, reduzca el rango de fechas e inténtelo de nuevo. Genesys Cloud tiene un límite de aproximadamente 1 millón de conversaciones por tarea de exportación.

a Consulta de ejemplo config

import pandas as pd
import json
from datetime import datetime, timezone

# This script transforms a Genesys Cloud Conversation Detail Export into a process mining event log.
# It assumes the raw data is in a CSV file named 'genesys_export.csv'.

def transform_genesys_export(file_path):
    # Load the raw export file
    try:
        df = pd.read_csv(file_path)
    except FileNotFoundError:
        print(f"Error: The file {file_path} was not found.")
        return None

    event_log = []
    source_system = 'Genesys Cloud CX'
    last_data_update = datetime.now(timezone.utc).isoformat()

    # Rename columns for easier access
    df.rename(columns={
        'Conversation ID': 'conversationId',
        'Conversation Start': 'conversationStart',
        'Conversation End': 'conversationEnd',
        'Media Type': 'mediaType'
    }, inplace=True)

    for index, row in df.iterrows():
        service_request_id = row['conversationId']
        media_type = row['mediaType']
        
        # Activity: Interaction Started
        event_log.append({
            'ServiceRequest': service_request_id,
            'ActivityName': 'Interaction Started',
            'EventTime': row['conversationStart'],
            'EventEndTime': None,
            'AgentId': None, 'AgentName': None, 'QueueName': None, 'WrapUpCode': None,
            'MediaType': media_type, 'SourceSystem': source_system, 'LastDataUpdate': last_data_update
        })

        # The 'Participants' column contains a JSON string that needs to be parsed
        participants = json.loads(row['Participants'])

        for p in participants:
            participant_id = p.get('participantId')
            user_id = p.get('userId')
            queue_name = p.get('queueName')
            purpose = p.get('purpose')

            for s in p.get('sessions', []):
                wrap_up_code = s.get('wrapUpCode')
                for seg in s.get('segments', []):
                    seg_start = seg.get('segmentStart')
                    seg_end = seg.get('segmentEnd')
                    seg_type = seg.get('segmentType')

                    activity_name = None
                    if purpose == 'acd' and seg_type == 'interact':
                        activity_name = 'Conversation Routed to Queue'
                    elif purpose == 'agent' and seg_type == 'alert':
                        activity_name = 'Agent Offered Interaction'
                    elif purpose == 'agent' and seg_type == 'interacting':
                        activity_name = 'Agent Accepted Interaction'
                    elif purpose == 'agent' and seg_type == 'hold':
                        activity_name = 'Hold Placed on Interaction'
                        # Also create the Hold Removed event
                        event_log.append({
                            'ServiceRequest': service_request_id,
                            'ActivityName': 'Hold Removed from Interaction',
                            'EventTime': seg_end,
                            'EventEndTime': None,
                            'AgentId': user_id, 'AgentName': '[Configure based on your system]', 'QueueName': queue_name, 'WrapUpCode': None,
                            'MediaType': media_type, 'SourceSystem': source_system, 'LastDataUpdate': last_data_update
                        })
                    elif purpose == 'agent' and seg_type == 'acw':
                        activity_name = 'After-Call Work Started'
                        # Also create ACW Ended and Wrap-Up Assigned events
                        if wrap_up_code:
                            event_log.append({
                                'ServiceRequest': service_request_id,
                                'ActivityName': 'Wrap-Up Code Assigned',
                                'EventTime': seg_end, # Assume code assigned at end of ACW
                                'EventEndTime': None,
                                'AgentId': user_id, 'AgentName': '[Configure based on your system]', 'QueueName': queue_name, 'WrapUpCode': wrap_up_code,
                                'MediaType': media_type, 'SourceSystem': source_system, 'LastDataUpdate': last_data_update
                            })
                        event_log.append({
                            'ServiceRequest': service_request_id,
                            'ActivityName': 'After-Call Work Ended',
                            'EventTime': seg_end,
                            'EventEndTime': None,
                            'AgentId': user_id, 'AgentName': '[Configure based on your system]', 'QueueName': queue_name, 'WrapUpCode': wrap_up_code,
                            'MediaType': media_type, 'SourceSystem': source_system, 'LastDataUpdate': last_data_update
                        })
                    
                    if seg.get('disconnectType') == 'transfer':
                        activity_name = 'Interaction Transferred'

                    if activity_name:
                        event_log.append({
                            'ServiceRequest': service_request_id,
                            'ActivityName': activity_name,
                            'EventTime': seg_start,
                            'EventEndTime': seg_end,
                            'AgentId': user_id, 'AgentName': '[Configure based on your system]', 'QueueName': queue_name, 'WrapUpCode': None,
                            'MediaType': media_type, 'SourceSystem': source_system, 'LastDataUpdate': last_data_update
                        })
        
        # Activity: Interaction Disconnected
        event_log.append({
            'ServiceRequest': service_request_id,
            'ActivityName': 'Interaction Disconnected',
            'EventTime': row['conversationEnd'],
            'EventEndTime': None,
            'AgentId': None, 'AgentName': None, 'QueueName': None, 'WrapUpCode': None,
            'MediaType': media_type, 'SourceSystem': source_system, 'LastDataUpdate': last_data_update
        })

        # Activity: Customer Satisfaction Survey Sent (from surveys column)
        if pd.notna(row.get('Surveys')):
            surveys = json.loads(row['Surveys'])
            for survey in surveys:
                if survey.get('surveyStatus') == 'Sent':
                    # Survey sent time is not always directly available, using conversation end as an approximation
                    event_log.append({
                        'ServiceRequest': service_request_id,
                        'ActivityName': 'Customer Satisfaction Survey Sent',
                        'EventTime': survey.get('surveySentDate', row['conversationEnd']),
                        'EventEndTime': None,
                        'AgentId': None, 'AgentName': None, 'QueueName': None, 'WrapUpCode': None,
                        'MediaType': media_type, 'SourceSystem': source_system, 'LastDataUpdate': last_data_update
                    })

    # NOTE: 'Service Request Re-Opened' requires custom cross-conversation logic.
    # This logic would need to be implemented here, analyzing the entire dataset
    # to find subsequent interactions from the same customer within a specific timeframe.

    final_df = pd.DataFrame(event_log)
    # Sort by case and event time to create a chronological log
    final_df.sort_values(by=['ServiceRequest', 'EventTime'], inplace=True)
    
    return final_df

if __name__ == '__main__':
    # Specify the path to your downloaded Genesys export CSV file
    input_file = 'genesys_export.csv'
    output_file = 'genesys_event_log.csv'
    
    event_log_df = transform_genesys_export(input_file)
    
    if event_log_df is not None:
        event_log_df.to_csv(output_file, index=False)
        print(f"Transformation complete. Event log saved to {output_file}")

Pasos

Prerrequisitos y Configuración: Asegúrese de tener Python 3.8+ instalado junto con las bibliotecas pandas y purecloud-platform-client-v2. Puede instalarlas usando pip: pip install pandas purecloud-platform-client-v2.
Crear Cliente OAuth de Genesys Cloud: Inicie sesión en su cuenta de administrador de Genesys Cloud CX. Navegue a Integraciones > OAuth y cree un nuevo cliente con el tipo de concesión 'Client Credentials'. Asigne un rol que incluya el permiso analytics:conversationDetail:view.
Configurar Credenciales del Script: Guarde el ID de Cliente y el Secreto de Cliente del paso anterior. En el script de Python proporcionado a continuación, reemplace los valores de marcador de posición para CLIENT_ID, CLIENT_SECRET y GENESYS_CLOUD_REGION con sus credenciales específicas.
Definir el Intervalo de Extracción: Localice la variable query_body en el script. Modifique el valor de interval para especificar el rango de fecha y hora de los datos que desea extraer. Se recomienda comenzar con un rango pequeño, como un solo día, para pruebas.
Ejecutar el Script de Python: Ejecute el script desde su terminal usando python your_script_name.py. El script se autenticará con la API de Genesys Cloud, enviará una tarea de análisis asíncrona e imprimirá el ID de la tarea.
Monitorear la Ejecución de la Tarea: El script sondeará automáticamente la API cada 15 segundos para verificar el estado de la tarea. Verá actualizaciones de estado impresas en la consola. Este paso puede tardar varios minutos o más, dependiendo del volumen de datos solicitados.
Procesar y Transformar Datos: Una vez que la tarea esté completa, el script descargará los datos JSON resultantes. Luego itera a través de cada registro de conversación, analizando los datos de participantes, sesiones y segmentos para identificar y estructurar las actividades y atributos clave.
Manejar Eventos Calculados: El script incluye un paso de post-procesamiento para identificar eventos de 'Solicitud de Servicio Reabierta'. Esta lógica, que puede personalizar, verifica nuevas interacciones del mismo cliente dentro de una ventana de tiempo especificada después de que una interacción anterior fue resuelta.
Generar el Registro de eventos: Los datos transformados se compilan en un DataFrame de pandas, que refleja la estructura de un registro de eventos de process mining.
Exportar el Archivo CSV Final: El script guarda el DataFrame final como un archivo CSV llamado genesys_event_log.csv. Este archivo está formateado para ser cargado directamente en la plataforma ProcessMind.

Configuración

Credenciales de API: Se requiere un ID de Cliente OAuth y un Secreto de Cliente para la autenticación. Estos deben crearse dentro de la interfaz de administración de Genesys Cloud CX.
Permisos de API: El rol de cliente OAuth asociado debe tener el permiso analytics:conversationDetail:view para acceder a los datos de conversación necesarios.
Intervalo de extracción: El parámetro interval en el cuerpo de la consulta de la API controla el rango de fechas de la extracción. Para entornos grandes, la mejor práctica es ejecutar la extracción en lotes más pequeños y secuenciales (por ejemplo, una semana a la vez) para evitar tiempos de espera de la API y gestionar el uso de la memoria.
Filtros de datos: El cuerpo de la consulta de la API puede modificarse para incluir conversationFilters, segmentFilters o evaluationFilters para limitar el alcance de la extracción. Por ejemplo, podría filtrar por un queueId o mediaType específicos para dirigirse a una parte particular del proceso de servicio al cliente.
Lógica de reapertura: La ventana de tiempo para identificar un evento de 'Solicitud de Servicio Reabierta' es configurable dentro del script. El valor predeterminado es de 72 horas, pero debe ajustarse para que coincida con las reglas de negocio de su organización.
Entorno: Es necesario un entorno Python local con el SDK y las bibliotecas requeridas para ejecutar el script. No se necesita acceso directo al servidor o la base de datos de Genesys Cloud CX.

a Consulta de ejemplo python

import PureCloudPlatformClientV2
import pandas as pd
import requests
import json
import time
import os
from datetime import datetime, timedelta

class=class="hl-string">"hl-comment"># --- Configuration ---
class=class="hl-string">"hl-comment"># Replace with your Genesys Cloud credentials and region
CLIENT_ID = class="hl-string">"[Your_Client_Id]"
CLIENT_SECRET = class="hl-string">"[Your_Client_Secret]"
GENESYS_CLOUD_REGION = class="hl-string">"[Your_Genesys_Cloud_Region]" class=class="hl-string">"hl-comment"># e.g., mypurecloud.com, mypurecloud.de

class=class="hl-string">"hl-comment"># Set the API environment
PureCloudPlatformClientV2.configuration.host = fclass="hl-string">'https://api.{GENESYS_CLOUD_REGION}'

class=class="hl-string">"hl-comment"># --- Authentication ---
api_client = PureCloudPlatformClientV2.api_client.ApiClient().get_client_credentials_token(CLIENT_ID, CLIENT_SECRET)
analytics_api = PureCloudPlatformClientV2.AnalyticsApi(api_client)


def parse_conversation(conv_detail):
    class="hl-string">"""Parses a single conversation detail object into multiple event log rows."""
    events = []
    conversation_id = conv_detail.get(class="hl-string">'conversationId')
    source_system = class="hl-string">'Genesys Cloud CX'
    last_data_update = datetime.utcnow().isoformat() + class="hl-string">'Z'

    class=class="hl-string">"hl-comment"># Event: Interaction Started
    events.append({
        class="hl-string">'ServiceRequest': conversation_id,
        class="hl-string">'ActivityName': class="hl-string">'Interaction Started',
        class="hl-string">'EventTime': conv_detail.get(class="hl-string">'conversationStart'),
        class="hl-string">'EventEndTime': None,
        class="hl-string">'AgentId': None, class="hl-string">'AgentName': None, class="hl-string">'QueueName': None, class="hl-string">'WrapUpCode': None,
        class="hl-string">'MediaType': next((p.get(class="hl-string">'sessions')[0].get(class="hl-string">'mediaType') for p in conv_detail.get(class="hl-string">'participants', []) if p.get(class="hl-string">'purpose') == class="hl-string">'customer'), None),
        class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
    })

    for p in conv_detail.get(class="hl-string">'participants', []):
        agent_id = p.get(class="hl-string">'userId')
        agent_name = p.get(class="hl-string">'participantName')

        for s in p.get(class="hl-string">'sessions', []):
            media_type = s.get(class="hl-string">'mediaType')

            for seg in s.get(class="hl-string">'segments', []):
                seg_start = seg.get(class="hl-string">'segmentStart')
                seg_end = seg.get(class="hl-string">'segmentEnd')

                if seg.get(class="hl-string">'segmentType') == class="hl-string">'alert':
                    events.append({
                        class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Agent Offered Interaction', class="hl-string">'EventTime': seg_start, class="hl-string">'EventEndTime': seg_end,
                        class="hl-string">'AgentId': agent_id, class="hl-string">'AgentName': agent_name, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': None, class="hl-string">'MediaType': media_type,
                        class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                    })

                if seg.get(class="hl-string">'segmentType') == class="hl-string">'interact' and p.get(class="hl-string">'purpose') == class="hl-string">'agent':
                    events.append({
                        class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Agent Accepted Interaction', class="hl-string">'EventTime': seg_start, class="hl-string">'EventEndTime': seg_end,
                        class="hl-string">'AgentId': agent_id, class="hl-string">'AgentName': agent_name, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': None, class="hl-string">'MediaType': media_type,
                        class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                    })

                if seg.get(class="hl-string">'segmentType') == class="hl-string">'hold':
                    events.append({
                        class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Hold Placed on Interaction', class="hl-string">'EventTime': seg_start, class="hl-string">'EventEndTime': None,
                        class="hl-string">'AgentId': agent_id, class="hl-string">'AgentName': agent_name, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': None, class="hl-string">'MediaType': media_type,
                        class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                    })
                    if seg_end:
                        events.append({
                            class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Hold Removed from Interaction', class="hl-string">'EventTime': seg_end, class="hl-string">'EventEndTime': None,
                            class="hl-string">'AgentId': agent_id, class="hl-string">'AgentName': agent_name, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': None, class="hl-string">'MediaType': media_type,
                            class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                        })

                if seg.get(class="hl-string">'segmentType') == class="hl-string">'acw':
                    events.append({
                        class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'After-Call Work Started', class="hl-string">'EventTime': seg_start, class="hl-string">'EventEndTime': seg_end,
                        class="hl-string">'AgentId': agent_id, class="hl-string">'AgentName': agent_name, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': p.get(class="hl-string">'wrapUp', {}).get(class="hl-string">'code'), class="hl-string">'MediaType': media_type,
                        class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                    })
                    if seg_end:
                         events.append({
                            class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'After-Call Work Ended', class="hl-string">'EventTime': seg_end, class="hl-string">'EventEndTime': None,
                            class="hl-string">'AgentId': agent_id, class="hl-string">'AgentName': agent_name, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': p.get(class="hl-string">'wrapUp', {}).get(class="hl-string">'code'), class="hl-string">'MediaType': media_type,
                            class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                        })
                
                if seg.get(class="hl-string">'segmentType') == class="hl-string">'transmitting' and seg.get(class="hl-string">'disconnectType') == class="hl-string">'transfer':
                    events.append({
                        class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Interaction Transferred', class="hl-string">'EventTime': seg_start, class="hl-string">'EventEndTime': None,
                        class="hl-string">'AgentId': agent_id, class="hl-string">'AgentName': agent_name, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': None, class="hl-string">'MediaType': media_type,
                        class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                    })
            
            if s.get(class="hl-string">'flow', {}).get(class="hl-string">'outcomeValue') == class="hl-string">'SURVEY_OFFERED':
                events.append({
                    class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Customer Satisfaction Survey Sent', class="hl-string">'EventTime': s.get(class="hl-string">'flow', {}).get(class="hl-string">'flowEnd'), class="hl-string">'EventEndTime': None,
                    class="hl-string">'AgentId': None, class="hl-string">'AgentName': None, class="hl-string">'QueueName': None, class="hl-string">'WrapUpCode': None, class="hl-string">'MediaType': media_type,
                    class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                })

        if p.get(class="hl-string">'purpose') == class="hl-string">'acd':
             for s in p.get(class="hl-string">'sessions', []):
                for seg in s.get(class="hl-string">'segments', []):
                    if seg.get(class="hl-string">'segmentType') == class="hl-string">'interact':
                         events.append({
                            class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Conversation Routed to Queue', class="hl-string">'EventTime': seg.get(class="hl-string">'segmentStart'), class="hl-string">'EventEndTime': seg.get(class="hl-string">'segmentEnd'),
                            class="hl-string">'AgentId': None, class="hl-string">'AgentName': None, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': None, class="hl-string">'MediaType': s.get(class="hl-string">'mediaType'),
                            class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                        })

        if p.get(class="hl-string">'wrapUp'):
            events.append({
                class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Wrap-Up Code Assigned', class="hl-string">'EventTime': p[class="hl-string">'wrapUp'].get(class="hl-string">'wrapUpEnd'), class="hl-string">'EventEndTime': None,
                class="hl-string">'AgentId': agent_id, class="hl-string">'AgentName': agent_name, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': p[class="hl-string">'wrapUp'].get(class="hl-string">'code'), class="hl-string">'MediaType': s.get(class="hl-string">'mediaType'),
                class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
            })

    class=class="hl-string">"hl-comment"># Event: Interaction Disconnected
    events.append({
        class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Interaction Disconnected', class="hl-string">'EventTime': conv_detail.get(class="hl-string">'conversationEnd'), class="hl-string">'EventEndTime': None,
        class="hl-string">'AgentId': None, class="hl-string">'AgentName': None, class="hl-string">'QueueName': None, class="hl-string">'WrapUpCode': None,
        class="hl-string">'MediaType': next((p.get(class="hl-string">'sessions')[0].get(class="hl-string">'mediaType') for p in conv_detail.get(class="hl-string">'participants', []) if p.get(class="hl-string">'purpose') == class="hl-string">'customer'), None),
        class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
    })
    
    return events


def main():
    class=class="hl-string">"hl-comment"># --- Define Analytics Query ---
    class=class="hl-string">"hl-comment"># Define your time interval here. Format: YYYY-MM-DDTHH:MM:SS.sssZ/YYYY-MM-DDTHH:MM:SS.sssZ
    interval = class="hl-string">"2023-10-01T00:00:00.000Z/2023-10-02T00:00:00.000Z"
    
    query_body = {
        class="hl-string">"interval": interval,
        class="hl-string">"paging": {
            class="hl-string">"pageSize": 100,
            class="hl-string">"pageNumber": 1
        }
    }

    class=class="hl-string">"hl-comment"># --- Submit and Monitor Job ---
    try:
        print(fclass="hl-string">"Submitting analytics job for interval: {interval}")
        api_response = analytics_api.post_analytics_conversations_details_jobs(query_body)
        job_id = api_response.job_id
        print(fclass="hl-string">"Job submitted successfully. Job ID: {job_id}")

        while True:
            job_status = analytics_api.get_analytics_conversations_details_job(job_id)
            print(fclass="hl-string">"Job status: {job_status.state}. Progress: {job_status.percent_complete}%")
            if job_status.state == class="hl-string">'FULFILLED':
                print(class="hl-string">"Job completed successfully.")
                break
            elif job_status.state in [class="hl-string">'FAILED', class="hl-string">'CANCELLED']:
                print(fclass="hl-string">"Job failed or was cancelled. State: {job_status.state}, Error: {job_status.error}")
                return
            time.sleep(15)

        class=class="hl-string">"hl-comment"># --- Fetch and Process Results ---
        all_events = []
        results_response = analytics_api.get_analytics_conversations_details_job_results(job_id)
        
        if not results_response.conversations:
            print(class="hl-string">"No conversations found for the given interval.")
            return
            
        print(fclass="hl-string">"Processing {len(results_response.conversations)} conversations...")
        for conv in results_response.conversations:
            all_events.extend(parse_conversation(conv))

        df = pd.DataFrame(all_events)
        df[class="hl-string">'EventTime'] = pd.to_datetime(df[class="hl-string">'EventTime'], errors=class="hl-string">'coerce')
        df = df.dropna(subset=[class="hl-string">'EventTime'])
        df = df.sort_values(by=[class="hl-string">'ServiceRequest', class="hl-string">'EventTime']).reset_index(drop=True)

        class=class="hl-string">"hl-comment"># --- Post-Processing for class="hl-string">'Service Request Re-Opened' ---
        class=class="hl-string">"hl-comment"># This logic is an example. Adjust the window and criteria to fit your business rules.
        print(class="hl-string">"Applying post-processing for 'Re-Opened' events...")
        reopen_events = []
        df_resolved = df[df[class="hl-string">'WrapUpCode'].str.contains(class="hl-string">'Resolved', na=False)].copy()
        df_resolved = df_resolved.sort_values(class="hl-string">'EventTime').drop_duplicates(class="hl-string">'ServiceRequest', keep=class="hl-string">'last')
        reopen_window = timedelta(hours=72)

        for index, row in df_resolved.iterrows():
            customer_id = next((p.get(class="hl-string">'participantName') for c in results_response.conversations if c.get(class="hl-string">'conversationId') == row[class="hl-string">'ServiceRequest'] for p in c.get(class="hl-string">'participants', []) if p.get(class="hl-string">'purpose') == class="hl-string">'customer'), None)
            if not customer_id: continue
            
            resolved_time = row[class="hl-string">'EventTime']
            future_interactions = df[(df[class="hl-string">'EventTime'] > resolved_time) & (df[class="hl-string">'EventTime'] <= resolved_time + reopen_window)]
            
            for _, future_row in future_interactions.iterrows():
                future_customer_id = next((p.get(class="hl-string">'participantName') for c in results_response.conversations if c.get(class="hl-string">'conversationId') == future_row[class="hl-string">'ServiceRequest'] for p in c.get(class="hl-string">'participants', []) if p.get(class="hl-string">'purpose') == class="hl-string">'customer'), None)
                if customer_id == future_customer_id and future_row[class="hl-string">'ActivityName'] == class="hl-string">'Interaction Started':
                    reopen_events.append({
                        class="hl-string">'ServiceRequest': row[class="hl-string">'ServiceRequest'], class="hl-string">'ActivityName': class="hl-string">'Service Request Re-Opened', class="hl-string">'EventTime': future_row[class="hl-string">'EventTime'],
                        class="hl-string">'SourceSystem': class="hl-string">'Genesys Cloud CX', class="hl-string">'LastDataUpdate': datetime.utcnow().isoformat() + class="hl-string">'Z'
                    })
                    break

        if reopen_events:
            df_reopen = pd.DataFrame(reopen_events)
            df = pd.concat([df, df_reopen], ignore_index=True)
            df = df.sort_values(by=[class="hl-string">'ServiceRequest', class="hl-string">'EventTime']).reset_index(drop=True)
        
        class=class="hl-string">"hl-comment"># --- Save to CSV ---
        output_filename = class="hl-string">'genesys_event_log.csv'
        df.to_csv(output_filename, index=False, date_format=class="hl-string">'%Y-%m-%dT%H:%M:%S.%fZ')
        print(fclass="hl-string">"Extraction complete. Event log saved to {output_filename}")

    except PureCloudPlatformClientV2.ApiException as e:
        print(fclass="hl-string">"Error calling Genesys Cloud API: {e}")
    except Exception as e:
        print(fclass="hl-string">"An unexpected error occurred: {e}")

if __name__ == class="hl-string">'__main__':
    main()

Pasos

Navegar al Espacio de trabajo de Análisis: Inicie sesión en Genesys Cloud CX. Vaya al menú y seleccione Admin, luego, bajo Análisis, elija Espacio de trabajo.
Crear una Nueva Vista: Haga clic en el icono más para añadir una nueva pestaña y seleccione "Crear una nueva vista". Elija "Interacciones" como tipo de vista. Esto abrirá el editor de vistas de interacción.
Definir el Rango de Fechas: En el panel de filtros a la izquierda, configure el intervalo de fecha y hora deseado para los datos que desea extraer. Se recomienda comenzar con un rango de fechas más pequeño, como una semana, para probar el proceso.
Seleccionar Columnas para la Exportación: Este es el paso más crítico para la preparación de datos. Haga clic en el botón "Columnas". De los campos disponibles, seleccione y añada las siguientes columnas a su vista. Estos campos contienen los datos necesarios para construir el registro de eventos:
- ID de Conversación
- Inicio de Conversación
- Fin de Conversación
- Tipo de Medio
- Participantes (Este es un campo complejo que contiene datos anidados de agente, cola y cliente)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Encuestas
Aplicar Filtros Adicionales: Utilice el panel de filtros para acotar los datos si es necesario. Puede filtrar por Tipo de Medio (por ejemplo, voz, chat), Cola, Dirección (entrante/saliente) u otras propiedades de conversación para centrarse en el proceso de solicitud de servicio específico.
Guardar y Ejecutar la Vista: Guarde la vista con un nombre descriptivo, por ejemplo, "Exportación de Solicitudes de Servicio de Process Mining". La vista cargará entonces los datos que coincidan con sus criterios.
Iniciar la Exportación: Una vez que los datos se hayan cargado en su vista, haga clic en el botón "Exportar", generalmente representado por un icono de descarga. Seleccione "Exportar como CSV" o "Exportar como JSON". CSV suele ser más fácil para el procesamiento inicial.
Descargar el Archivo Exportado: La tarea de exportación se ejecutará en segundo plano. Puede monitorear su progreso navegando a Rendimiento > Mis Exportaciones. Una vez completado, descargue el archivo a su sistema local.
Transformar los Datos Crudos: El archivo exportado tiene una fila por conversación, con datos de participantes y segmentos anidados dentro de una sola columna. Debe ejecutar un script de transformación, como el script de Python proporcionado en la sección Consulta, para desanidar estos datos. Este script analizará la exportación en bruto y creará un nuevo archivo donde cada fila representa una sola actividad, como "Interacción Aceptada por el Agente" o "Interacción en Espera".
Implementar Lógica Personalizada: Como parte de la transformación, implemente cualquier lógica específica de negocio. Por ejemplo, la actividad "Solicitud de Servicio Reabierta" debe calcularse analizando interacciones posteriores del mismo cliente dentro de un plazo definido.
Finalizar el Registro de eventos: El script de transformación debe generar un archivo CSV con columnas que coincidan con el formato requerido para ProcessMind, incluyendo ServiceRequest, ActivityName, EventTime y otros atributos. Asegúrese de que todas las marcas de tiempo estén en un formato consistente.
Cargar a ProcessMind: El archivo CSV final y transformado ya está listo para ser cargado en su herramienta de process mining.

Configuración

Permisos: Su rol de usuario de Genesys Cloud CX debe tener el permiso Analytics > Conversation > View para acceder al Espacio de trabajo de Análisis y crear vistas de interacción.
Rango de fechas: Para la extracción inicial, utilice un período representativo de 3 a 6 meses. Para centros de contacto de muy alto volumen, se recomienda exportar los datos en bloques más pequeños, como semanal o mensual, para evitar exceder los límites del sistema y gestionar el tamaño de los archivos.
Filtros clave:
- Tipo de medio: Filtre por los canales relevantes para su proceso de servicio al cliente, como voz, chat o correo electrónico.
- Cola: Si el proceso es gestionado por equipos específicos, filtre por los ID de Cola relevantes para asegurar que solo está extrayendo datos para el proceso deseado.
- Dirección: Normalmente, querrá filtrar por interacciones entrantes para capturar solicitudes de servicio iniciadas por el cliente.
Columnas a exportar: La columna Participantes es esencial ya que contiene la línea de tiempo detallada de los eventos para agentes y colas. Sin esta columna, no podrá extraer actividades individuales. Asegúrese de incluir también ID de conversación, Inicio de conversación y Fin de conversación.
Consideraciones de rendimiento: Exportar un gran número de columnas o un rango de fechas muy extenso puede hacer que la tarea de exportación tarde mucho tiempo. Si la tarea falla o excede el tiempo de espera, reduzca el rango de fechas e inténtelo de nuevo. Genesys Cloud tiene un límite de aproximadamente 1 millón de conversaciones por tarea de exportación.

a Consulta de ejemplo config

import pandas as pd
import json
from datetime import datetime, timezone

# This script transforms a Genesys Cloud Conversation Detail Export into a process mining event log.
# It assumes the raw data is in a CSV file named 'genesys_export.csv'.

def transform_genesys_export(file_path):
    # Load the raw export file
    try:
        df = pd.read_csv(file_path)
    except FileNotFoundError:
        print(f"Error: The file {file_path} was not found.")
        return None

    event_log = []
    source_system = 'Genesys Cloud CX'
    last_data_update = datetime.now(timezone.utc).isoformat()

    # Rename columns for easier access
    df.rename(columns={
        'Conversation ID': 'conversationId',
        'Conversation Start': 'conversationStart',
        'Conversation End': 'conversationEnd',
        'Media Type': 'mediaType'
    }, inplace=True)

    for index, row in df.iterrows():
        service_request_id = row['conversationId']
        media_type = row['mediaType']
        
        # Activity: Interaction Started
        event_log.append({
            'ServiceRequest': service_request_id,
            'ActivityName': 'Interaction Started',
            'EventTime': row['conversationStart'],
            'EventEndTime': None,
            'AgentId': None, 'AgentName': None, 'QueueName': None, 'WrapUpCode': None,
            'MediaType': media_type, 'SourceSystem': source_system, 'LastDataUpdate': last_data_update
        })

        # The 'Participants' column contains a JSON string that needs to be parsed
        participants = json.loads(row['Participants'])

        for p in participants:
            participant_id = p.get('participantId')
            user_id = p.get('userId')
            queue_name = p.get('queueName')
            purpose = p.get('purpose')

            for s in p.get('sessions', []):
                wrap_up_code = s.get('wrapUpCode')
                for seg in s.get('segments', []):
                    seg_start = seg.get('segmentStart')
                    seg_end = seg.get('segmentEnd')
                    seg_type = seg.get('segmentType')

                    activity_name = None
                    if purpose == 'acd' and seg_type == 'interact':
                        activity_name = 'Conversation Routed to Queue'
                    elif purpose == 'agent' and seg_type == 'alert':
                        activity_name = 'Agent Offered Interaction'
                    elif purpose == 'agent' and seg_type == 'interacting':
                        activity_name = 'Agent Accepted Interaction'
                    elif purpose == 'agent' and seg_type == 'hold':
                        activity_name = 'Hold Placed on Interaction'
                        # Also create the Hold Removed event
                        event_log.append({
                            'ServiceRequest': service_request_id,
                            'ActivityName': 'Hold Removed from Interaction',
                            'EventTime': seg_end,
                            'EventEndTime': None,
                            'AgentId': user_id, 'AgentName': '[Configure based on your system]', 'QueueName': queue_name, 'WrapUpCode': None,
                            'MediaType': media_type, 'SourceSystem': source_system, 'LastDataUpdate': last_data_update
                        })
                    elif purpose == 'agent' and seg_type == 'acw':
                        activity_name = 'After-Call Work Started'
                        # Also create ACW Ended and Wrap-Up Assigned events
                        if wrap_up_code:
                            event_log.append({
                                'ServiceRequest': service_request_id,
                                'ActivityName': 'Wrap-Up Code Assigned',
                                'EventTime': seg_end, # Assume code assigned at end of ACW
                                'EventEndTime': None,
                                'AgentId': user_id, 'AgentName': '[Configure based on your system]', 'QueueName': queue_name, 'WrapUpCode': wrap_up_code,
                                'MediaType': media_type, 'SourceSystem': source_system, 'LastDataUpdate': last_data_update
                            })
                        event_log.append({
                            'ServiceRequest': service_request_id,
                            'ActivityName': 'After-Call Work Ended',
                            'EventTime': seg_end,
                            'EventEndTime': None,
                            'AgentId': user_id, 'AgentName': '[Configure based on your system]', 'QueueName': queue_name, 'WrapUpCode': wrap_up_code,
                            'MediaType': media_type, 'SourceSystem': source_system, 'LastDataUpdate': last_data_update
                        })
                    
                    if seg.get('disconnectType') == 'transfer':
                        activity_name = 'Interaction Transferred'

                    if activity_name:
                        event_log.append({
                            'ServiceRequest': service_request_id,
                            'ActivityName': activity_name,
                            'EventTime': seg_start,
                            'EventEndTime': seg_end,
                            'AgentId': user_id, 'AgentName': '[Configure based on your system]', 'QueueName': queue_name, 'WrapUpCode': None,
                            'MediaType': media_type, 'SourceSystem': source_system, 'LastDataUpdate': last_data_update
                        })
        
        # Activity: Interaction Disconnected
        event_log.append({
            'ServiceRequest': service_request_id,
            'ActivityName': 'Interaction Disconnected',
            'EventTime': row['conversationEnd'],
            'EventEndTime': None,
            'AgentId': None, 'AgentName': None, 'QueueName': None, 'WrapUpCode': None,
            'MediaType': media_type, 'SourceSystem': source_system, 'LastDataUpdate': last_data_update
        })

        # Activity: Customer Satisfaction Survey Sent (from surveys column)
        if pd.notna(row.get('Surveys')):
            surveys = json.loads(row['Surveys'])
            for survey in surveys:
                if survey.get('surveyStatus') == 'Sent':
                    # Survey sent time is not always directly available, using conversation end as an approximation
                    event_log.append({
                        'ServiceRequest': service_request_id,
                        'ActivityName': 'Customer Satisfaction Survey Sent',
                        'EventTime': survey.get('surveySentDate', row['conversationEnd']),
                        'EventEndTime': None,
                        'AgentId': None, 'AgentName': None, 'QueueName': None, 'WrapUpCode': None,
                        'MediaType': media_type, 'SourceSystem': source_system, 'LastDataUpdate': last_data_update
                    })

    # NOTE: 'Service Request Re-Opened' requires custom cross-conversation logic.
    # This logic would need to be implemented here, analyzing the entire dataset
    # to find subsequent interactions from the same customer within a specific timeframe.

    final_df = pd.DataFrame(event_log)
    # Sort by case and event time to create a chronological log
    final_df.sort_values(by=['ServiceRequest', 'EventTime'], inplace=True)
    
    return final_df

if __name__ == '__main__':
    # Specify the path to your downloaded Genesys export CSV file
    input_file = 'genesys_export.csv'
    output_file = 'genesys_event_log.csv'
    
    event_log_df = transform_genesys_export(input_file)
    
    if event_log_df is not None:
        event_log_df.to_csv(output_file, index=False)
        print(f"Transformation complete. Event log saved to {output_file}")

Su Plantilla de Datos de Servicio al Cliente

Su Plantilla de Datos de Servicio al Cliente

Atributos de Servicio al Cliente

Actividades de Servicio al Cliente

Guías de Extracción

Exportación de Detalles de Conversación de Analítica de Genesys Cloud

Pasos

Configuración

a Consulta de ejemplo config

Script de Python utilizando la API de la Plataforma Genesys Cloud

Pasos

Configuración

a Consulta de ejemplo python

Transmisión de Eventos vía Integración AWS EventBridge

Pasos

Configuración

a Consulta de ejemplo config

¿Listo para comenzar?

¡Elimine Contactos Repetidos: Impulse el Servicio al Cliente Hoy!

Su Plantilla de Datos de Servicio al Cliente

Su Plantilla de Datos de Servicio al Cliente

Atributos de Servicio al Cliente

Actividades de Servicio al Cliente

Guías de Extracción

Exportación de Detalles de Conversación de Analítica de Genesys Cloud

Pasos

Configuración

a Consulta de ejemplo config

Script de Python utilizando la API de la Plataforma Genesys Cloud

Pasos

Configuración

a Consulta de ejemplo python

Transmisión de Eventos vía Integración AWS EventBridge

Pasos

Configuración

a Consulta de ejemplo config

Valoramos su privacidad

¿Listo para comenzar?

¡Elimine Contactos Repetidos: Impulse el Servicio al Cliente Hoy!