> Mejora continua de procesos > Atención al cliente > Genesys Cloud CX > Template de datos

Su Template de datos de atención al cliente

Genesys Cloud CX

Atributos de atención al cliente (19) Actividades de atención al cliente (13) Guías de extracción (3)

Su Template de datos de atención al cliente

Esta plantilla proporciona una hoja de ruta clara para recopilar los datos esenciales necesarios para analizar y optimizar su proceso de atención al cliente. Incluye los atributos recomendados, las actividades clave que debe seguir y orientación práctica para extraer esta información de sus sistemas de origen. Utilícela para crear un registro de eventos sólido para sus iniciativas de Process Mining.

Atributos recomendados que debe recopilar
Actividades clave que debe seguir
Guía de extracción

¿Es nuevo en los registros de eventos? Aprenda a crear un registro de eventos de Process Mining.

Descargar Template

Atributos de atención al cliente

Estos son los campos de datos recomendados para incluir en su registro de eventos y realizar un análisis exhaustivo de la atención al cliente.

5 Obligatorio 6 Recomendado 8 Opcional

	Nombre	Descripción
	Hora de inicio EventTime	La marca de tiempo que indica cuándo comenzó una actividad o un evento.
Descripción Este atributo proporciona la fecha y hora exactas en que se produjo cada actividad. Es esencial para ordenar correctamente los eventos y para todos los análisis basados en el tiempo. La hora de inicio se utiliza para construir el flujo del proceso en orden cronológico y sirve de base para calcular las duraciones, los tiempos de espera y los tiempos de ciclo entre distintas actividades. Las marcas de tiempo precisas son fundamentales para realizar análisis fiables y supervisar el rendimiento. Por qué es importante Esta marca de tiempo ordena cronológicamente todas las actividades y permite analizar con precisión los flujos del proceso, las duraciones y los cuellos de botella. Dónde obtenerlo Se encuentra en los registros de eventos o en los detalles de las interacciones de Genesys Cloud CX, normalmente asociada a 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 la tarea específicos que se produjeron en un momento determinado 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 «Interacción aceptada por el agente» o «Código de cierre asignado». Analizar la secuencia y la frecuencia de estas actividades es fundamental para el Process Mining. Ayuda a visualizar los flujos del proceso, identificar desviaciones y localizar cuellos de botella o pasos ineficientes. Por qué es importante Las actividades constituyen la base del mapa de procesos y permiten visualizar y analizar el flujo real del proceso en comparación con el flujo diseñado. Dónde obtenerlo Normalmente se obtiene asignando nombres de actividades estandarizados a eventos del sistema, estados de los agentes o entradas específicas del registro de auditoría en Genesys Cloud CX. Ejemplos Interacción iniciadaInteracción aceptada por el agenteFin del trabajo posterior a la llamadaSolicitud de servicio reabierta
	Solicitud de servicio ServiceRequest	El identificador principal de una interacción de servicio al cliente, que vincula todas las actividades relacionadas.
Descripción La solicitud de servicio, a menudo denominada Ticket o Case, actúa como identificador principal de una consulta o problema individual de un cliente. Agrupa todos los eventos relacionados, desde el contacto inicial hasta la resolución final, en una única instancia del proceso. Analizar por solicitud de servicio permite obtener una visión 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 Case esencial que conecta todos los pasos del proceso y permite analizar de forma integral cada interacción con el cliente, desde el inicio hasta el final. Dónde obtenerlo Este es el identificador conceptual del caso. En Genesys, suele corresponder al ID de conversación, aunque puede ser un identificador personalizado según la implementación. Ejemplos SR-20240521-00123SR-20240521-00124SR-20240522-00001
	Sistema de origen SourceSystem	El sistema del que se extrajeron los datos.
Descripción Este atributo identifica el sistema de origen de los datos de eventos, que en este caso es Genesys Cloud CX. En entornos con varios sistemas integrados, este campo es fundamental para conocer el linaje de los datos, solucionar problemas y comprender su contexto. Ayuda a garantizar que el análisis se base en la fuente de datos correcta y permite filtrar o segmentar los datos cuando varios sistemas contribuyen a una única vista del proceso. Por qué es importante Identifica el origen de los datos, algo fundamental para la gobernanza y validación de datos y para combinar datos procedentes de varios sistemas. Dónde obtenerlo Normalmente es un valor estático que se añade durante el proceso de extracción y transformación de datos para indicar el origen de los registros. Ejemplos Genesys Cloud CXGenesysCloudCX_US1Genesys
	Última actualización de datos LastDataUpdate	La marca de tiempo de la actualización más reciente de los datos.
Descripción Este atributo indica la última vez que se actualizaron los datos desde el sistema de origen. Proporciona contexto sobre la actualidad de los datos analizados, algo fundamental para tomar decisiones empresariales oportunas y pertinentes. Los Dashboards y los informes deben mostrar esta información de forma destacada para que las personas usuarias conozcan la vigencia de los datos y puedan evaluar la validez de las conclusiones. Por qué es importante Indica la actualidad de los datos y garantiza que los análisis y las decisiones se basen en información actualizada. Dónde obtenerlo Este valor se genera y se añade al conjunto de datos en el momento de extraerlos o cargarlos en la herramienta de Process Mining. Ejemplos 2024-05-23T04:00:00Z2024-05-24T04:00:00Z
	Canal de comunicación MediaType	Canal de comunicación utilizado para la interacción, como voz, chat o correo electrónico.
Descripción Este atributo especifica el medio por el que se comunicaron el cliente y el agente. Entre los canales habituales se incluyen voz, chat, correo electrónico y redes sociales. Analizar el rendimiento por canal, como se hace en el Dashboard «Rendimiento por canal de comunicación», ayuda a las empresas a comprender los volúmenes, los tiempos de resolución y la satisfacción del cliente específicos de cada canal. Esta información es fundamental para optimizar la estrategia de canales y la asignación de recursos. Por qué es importante Segmentar el proceso por canal de comunicación es fundamental para comprender el rendimiento específico de cada canal, el comportamiento de los clientes y las necesidades de recursos. Dónde obtenerlo Campo estándar de los registros detallados de conversaciones de Genesys Cloud CX. Ejemplos vozchatcorreo electrónicomensaje
	Código de cierre WrapUpCode	Código que un agente asigna al finalizar una interacción para categorizar su resultado o tema.
Descripción El código de cierre es una etiqueta que un agente selecciona para clasificar la naturaleza o resolución de una interacción con un cliente. Estos códigos proporcionan datos estructurados sobre los motivos por los que los clientes contactan con soporte. Analizar los códigos de cierre ayuda a identificar los tipos de problemas más frecuentes, hacer seguimiento de los resultados de resolución y medir la frecuencia de solicitudes específicas. Estos datos son valiosos para el análisis de causas raíz y para comprender los patrones de demanda del servicio. Por qué es importante Categoriza el resultado de una interacción y proporciona datos estructurados para analizar problemas frecuentes, la eficacia de las resoluciones y los motivos de contacto. Dónde obtenerlo Disponible en los registros detallados de conversaciones de Genesys Cloud CX, concretamente en los detalles de sesión de los participantes que son agentes. Ejemplos Restablecimiento de contraseñaDisputa de facturación resueltaSolicitud de información sobre el productoEscalado al nivel 2
	Hora de finalización EventEndTime	La marca de tiempo que indica cuándo terminó una actividad o un evento.
Descripción Este atributo registra el momento exacto en que concluye una actividad. Junto con la hora de inicio, permite calcular con precisión la duración de cada actividad individual. Analizar las duraciones de las actividades es clave para identificar qué pasos del proceso consumen más tiempo y localizar ineficiencias y oportunidades de optimización. Por ejemplo, puede poner de manifiesto tiempos prolongados de «Interacción puesta en espera» o duraciones excesivas del «Trabajo posterior a la llamada». Por qué es importante Permite calcular con precisión la duración de cada actividad, algo esencial para identificar los pasos que consumen más tiempo y los cuellos de botella de rendimiento. Dónde obtenerlo Se encuentra en los registros de eventos o en los detalles de las interacciones de Genesys Cloud CX. También puede derivarse de la hora de inicio del evento posterior. Ejemplos 2024-05-21T10:02:30Z2024-05-21T10:15:00Z2024-05-21T10:18:45Z
	ID del agente AgentId	El identificador único del agente que gestionó la interacción o la actividad.
Descripción El ID del agente es una clave única para cada representante de servicio al cliente. Este atributo es esencial para cualquier análisis relacionado con el rendimiento de los agentes, la distribución de la carga de trabajo y la eficiencia. Permite filtrar el mapa de procesos para ver cómo agentes o equipos concretos gestionan las solicitudes y comparar métricas de rendimiento, como el tiempo de resolución, la tasa de retrabajo y el cumplimiento de los procedimientos estándar. Es un elemento fundamental del panel «Rendimiento y eficiencia de los agentes». Por qué es importante Este atributo vincula las actividades del proceso con empleados concretos y permite analizar el rendimiento individual, la carga de trabajo y la eficiencia del equipo. Dónde obtenerlo Está disponible en los registros detallados de las conversaciones de Genesys Cloud CX y asociado al usuario que gestionó 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 asignarse a un agente. Analizar los datos por nombre de cola es esencial para el Dashboard «Detección de cuellos de botella en las colas de servicio». Ayuda a los responsables a comprender cómo se distribuye la carga de trabajo entre distintos grupos de habilidades o líneas de servicio, medir los tiempos de espera por cola e identificar las colas que sufren falta de personal o sobrecarga de forma constante. Esta información es clave para optimizar la asignación de recursos y reducir los tiempos de espera de los clientes. Por qué es importante Ayuda a identificar cuellos de botella y analizar la distribución de la carga de trabajo al mostrar dónde esperan las solicitudes de servicio para ser asignadas. Dónde obtenerlo Disponible en los registros detallados de conversaciones de Genesys Cloud CX. Cada interacción puede pasar por una o varias colas. Ejemplos Soporte de nivel 1 - VozConsultas de facturación - ChatSoporte técnico - Correo electrónico
	Nombre del agente AgentName	El nombre completo del agente que gestionó la interacción o la actividad.
Descripción El nombre del agente proporciona un identificador legible para la persona representante del servicio y corresponde al ID del agente. Este atributo hace que los Dashboards y los informes sean más intuitivos para responsables y líderes de equipo. Se utiliza ampliamente en análisis centrados en agentes para revisar el rendimiento, identificar necesidades de formación y garantizar una distribución justa de la carga de trabajo sin tener que consultar referencias cruzadas con los ID del sistema. Por qué es importante Proporciona un nombre fácil de identificar para el agente, lo que facilita analizar el rendimiento y comunicar los hallazgos sin utilizar ID técnicos. Dónde obtenerlo Se obtiene del servicio de usuarios o del directorio de Genesys Cloud CX mediante una consulta del AgentId. Ejemplos John SmithJane DoePeter Jones
	¿Cumple el SLA? IsSlaCompliant	Indicador que señala si la solicitud de servicio se resolvió dentro del tiempo objetivo del SLA.
Descripción Este atributo booleano indica si una solicitud de servicio cumplió su objetivo de tiempo de resolución. Se calcula comparando «ServiceResolutionTime» con «SlaTargetResolutionTime». Este indicador simplifica el análisis y la visualización del Dashboard «Resumen del cumplimiento del SLA» y sirve de base para calcular el KPI «Tasa de cumplimiento del SLA». Permite filtrar y segmentar rápidamente los casos que cumplen el SLA y los que no, para identificar patrones habituales en los incumplimientos. Por qué es importante Simplifica el análisis del rendimiento del SLA al señalar claramente si cada caso cumple el objetivo o lo incumple, lo que permite analizar las causas raíz de los fallos. Dónde obtenerlo Campo calculado: True si ServiceResolutionTime <= SlaTargetResolutionTime; de lo contrario, False. Ejemplos truefalse
	¿Se reabrió? IsReopened	Indicador que señala si una solicitud de servicio resuelta se reabrió posteriormente.
Descripción Este atributo booleano identifica las solicitudes de servicio que pasaron a un estado resuelto o cerrado, pero volvieron a estar activas posteriormente. Los casos reabiertos suelen indicar que la solución inicial no fue eficaz o completa, lo que genera insatisfacción del cliente y 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 Pone de relieve los fallos del proceso de resolución, señala problemas en la calidad de las soluciones y ayuda a detectar las causas del retrabajo y de una mala experiencia del cliente. Dónde obtenerlo Campo calculado, derivado de la detección de una actividad que reactiva el caso después de que se haya producido una actividad «Solicitud de servicio resuelta». Ejemplos truefalse
	¿Se resolvió en el primer contacto? IsFirstContactResolution	Indicador que señala si la solicitud de servicio se resolvió en una sola interacción.
Descripción Este atributo booleano identifica los casos resueltos durante la primera interacción, sin requerir seguimiento por parte del cliente ni transferencias internas. Un valor «true» indica una resolución ideal y eficiente. Este atributo sirve de 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 de formación para 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 de una experiencia de servicio positiva. Dónde obtenerlo Campo calculado, derivado del análisis de la secuencia de eventos de un caso. Un caso cumple la resolución en el primer contacto si se resuelve sin determinadas actividades intermedias, como transferencias o reaperturas. Ejemplos truefalse
	ID de conversación ConversationId	Identificador único que Genesys asigna a una conversación completa.
Descripción El ID de conversación es la clave técnica principal de Genesys Cloud CX que agrupa todas las interacciones, segmentos y participantes relacionados con una conversación individual del cliente. Aunque el concepto de «solicitud de servicio» se utiliza como ID de caso, el ID de conversación es la clave subyacente para recuperar todos los datos relacionados mediante las API de Genesys. Es esencial para extraer datos, unir distintos conjuntos de datos y validar técnicamente los datos del proceso. Por qué es importante Es la clave técnica principal de Genesys, esencial para extraer datos, solucionar problemas y enlazar la información con el sistema de origen. Dónde obtenerlo Es un campo principal en todas las API de análisis y conversaciones de Genesys Cloud CX. Ejemplos d8a7c6b5-e4f3-2109-8765-fedcba098765c7b6a5d4-f3e2-1098-7654-edcbaf987654
	Puntuación CSAT CustomerSatisfactionScore	Puntuación de satisfacción que el cliente proporciona en una encuesta posterior a la interacción.
Descripción La puntuación de satisfacción del cliente, o CSAT, mide directamente la percepción que el cliente tiene del servicio recibido. Normalmente se recopila mediante una encuesta enviada después de cerrar la interacción. Analizar las puntuaciones CSAT junto con los datos del proceso puede revelar cómo las variaciones del proceso, los tiempos de resolución o determinados agentes afectan a la satisfacción del cliente. Es una métrica de resultado clave para evaluar el éxito general del proceso. Por qué es importante Mide directamente la satisfacción del cliente y permite analizar la correlación entre el rendimiento del proceso y los resultados para el cliente. Dónde obtenerlo Estos datos suelen proceder del módulo Quality Management de Genesys Cloud CX o de una herramienta de encuestas de terceros integrada con Genesys. Ejemplos 5413
	Tiempo de resolución del servicio ServiceResolutionTime	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 la eficiencia general del proceso y de la experiencia del cliente. Este atributo calculado es el foco principal del Dashboard «Tiempo de resolución de solicitudes de servicio» y del KPI «Tiempo medio de resolución del servicio». Analizar su distribución ayuda a identificar casos de larga duración y retrasos sistémicos. Por qué es importante Es un KPI fundamental para medir la eficiencia general del proceso y su impacto en la experiencia del cliente. Dónde obtenerlo 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 del SLA SlaTargetResolutionTime	Tiempo objetivo acordado contractualmente para resolver la solicitud de servicio.
Descripción Este atributo define el tiempo máximo permitido para resolver una solicitud de servicio, de acuerdo con el Acuerdo de Nivel de Servicio (SLA). Sirve como referencia para medir los tiempos de resolución reales. Estos datos son esenciales para el Dashboard «Resumen del cumplimiento del SLA» y el KPI «Tasa de cumplimiento del SLA», ya que permiten a la organización supervisar su rendimiento frente a los compromisos con los clientes e identificar posibles incumplimientos antes de que se produzcan. Por qué es importante Proporciona la referencia para medir el cumplimiento del SLA, un indicador fundamental del rendimiento del servicio y de las obligaciones contractuales. Dónde obtenerlo Puede almacenarse como atributo personalizado de la conversación o derivarse a partir de reglas relacionadas con la cola, el tipo de cliente o el tipo de solicitud. Ejemplos 86400144003600
	Tipo de solicitud de servicio ServiceRequestType	Clasificación de la solicitud de servicio, como «Consulta», «Queja» o «Problema técnico».
Descripción Este atributo categoriza la solicitud de servicio según su naturaleza o finalidad. Permite segmentar el análisis para comprender cómo se gestionan los distintos tipos de solicitudes. Por ejemplo, el flujo del proceso y el tiempo de resolución de una «Queja» pueden diferir considerablemente de los de una «Consulta general». Esta dimensión es esencial para Dashboards como «Análisis de escalaciones internas», ya que permite comprobar si determinados tipos de solicitudes se escalan con mayor frecuencia. Por qué es importante Permite segmentar el proceso para comparar cómo se gestionan los distintos tipos de solicitudes e identificar cuellos de botella o ineficiencias específicos de cada tipo. Dónde obtenerlo Esta información puede capturarse mediante una selección en un IVR, la opción elegida por el cliente en un formulario web o la asignación realizada por un agente. En Genesys, puede almacenarse como atributo del participante o código de cierre. Ejemplos Consulta de facturaciónSoporte técnicoGestión de cuentasQueja sobre el producto

Obligatorio Recomendado Opcional

Actividades de atención al cliente

Estos son los pasos clave y los hitos del proceso que debe capturar en su registro de eventos para descubrir el proceso con precisión.

5 Recomendado 8 Opcional

	Actividad	Descripción
	Código de cierre asignado	Un agente asigna a la interacción un código de cierre predefinido o un código de disposición. Esto clasifica explícitamente el resultado de la solicitud de servicio, como «Resuelta» o «Escalada».
Por qué es importante Los códigos de cierre son una fuente principal para determinar el resultado empresarial de una solicitud. Son fundamentales para calcular las tasas de resolución y segmentar los casos para su análisis. Dónde obtenerlo Este es un evento explícito que se encuentra en los registros detallados de la conversación, normalmente dentro de los datos de sesión del participante agente. Se registran el código wrapUp y la marca de tiempo. Recopilar Se registra cuando un agente selecciona un código de cierre para la interacción. Tipo de evento explicit
	Interacción aceptada por el agente	Marca el momento en que un agente acepta la interacción ofrecida y se conecta con el cliente. Es un hito clave, ya que aquí comienza la gestión directa de la solicitud de servicio.
Por qué es importante Esta actividad es fundamental para medir la resolución en el primer contacto y el tiempo de gestión del agente. Señala el inicio del trabajo del agente en la solicitud. Dónde obtenerlo Está disponible en los registros detallados de la conversación. Se identifica cuando el estado del participante agente cambia a «connected», con la marca de tiempo correspondiente. Recopilar Se registra cuando el estado del participante agente cambia a «connected». Tipo de evento explicit
	Interacción desconectada	Esta actividad indica el final de la conversación, cuando todos los participantes se han desconectado. A menudo sirve como cierre técnico de la interacción de la solicitud de servicio.
Por qué es importante Este es el evento de finalización definitivo de la interacción. Es fundamental para calcular la duración total de la interacción y suele utilizarse como aproximación al cierre de la solicitud. Dónde obtenerlo Se captura en los registros detallados de la conversación. Corresponde a la hora de finalización del objeto de conversación, que normalmente se encuentra en la marca de tiempo conversationEnd. Recopilar Se registra cuando todos los participantes se desconectan y finaliza la conversación. Tipo de evento explicit
	Interacción iniciada	Esta actividad marca el inicio de una interacción de servicio al cliente, como una llamada entrante, un chat o un 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 del proceso de solicitud de servicio. Es esencial para calcular el tiempo total de resolución y comprender los patrones de demanda entrante de los clientes. Dónde obtenerlo Este evento se captura en los registros detallados de la conversación. Corresponde a la hora de inicio del propio objeto de conversación, que normalmente se encuentra en la marca de tiempo conversationStart. Recopilar Se registra cuando se inicia una nueva conversación en el sistema. Tipo de evento explicit
	Interacción transferida	Representa el momento en que un agente transfiere una interacción a otra cola o a otro agente. Puede tratarse de una transferencia directa, en la que el agente se desconecta de inmediato, o de una transferencia con consulta, en la que primero habla con la persona receptora.
Por qué es importante Esta actividad es esencial para el KPI de tasa de escalaciones internas. Una tasa elevada de transferencias puede indicar necesidades de capacitación, un enrutamiento incorrecto o una excesiva complejidad del proceso. Dónde obtenerlo Se identifica en los registros detallados de la conversación cuando se añade un nuevo participante ACD o agente después de la intervención del agente inicial, normalmente a partir de un evento «transfer». Recopilar Se identifica mediante un evento de transferencia en los datos de sesión del participante. Tipo de evento explicit
	Conversación enviada a la cola	Representa el momento en que una nueva interacción se coloca en una cola específica para esperar a que haya un agente disponible. Es un evento explícito que registra el motor de enrutamiento de Genesys (ACD).
Por qué es importante El seguimiento de esta actividad es fundamental para medir los tiempos de espera en cola e identificar cuellos de botella en el proceso de enrutamiento. Las duraciones prolongadas entre este evento y la asignación del agente indican problemas de dotación de personal o de lógica de enrutamiento. Dónde obtenerlo Se captura en los registros detallados de la conversación, concretamente mediante los campos «purpose» y «state» del participante ACD dentro de la conversación. El campo «enterTime» de la cola en la matriz de métricas indica este evento. Recopilar Se registra cuando el motor de enrutamiento ACD coloca una conversación en una cola. Tipo de evento explicit
	Encuesta de satisfacción del cliente enviada	Esta actividad se produce cuando se envía una encuesta de satisfacción del cliente (CSAT) después del cierre de una interacción. A menudo, el sistema la activa automáticamente según reglas predefinidas.
Por qué es importante Esta actividad es necesaria para medir el KPI de puntualidad en el envío de encuestas CSAT. Enviar la encuesta a tiempo ayuda a recopilar comentarios precisos mientras la experiencia aún está presente en la memoria del cliente. Dónde obtenerlo Esta información suele estar disponible en los datos de encuestas o de gestión de calidad de Genesys Cloud CX, que pueden vincularse con el ID de la conversación original. Recopilar El módulo de encuestas lo registra cuando se envía una encuesta para una conversación específica. Tipo de evento explicit
	Fin del trabajo posterior a la llamada	Marca el final del periodo de trabajo posterior a la llamada de un agente. En este momento, el agente queda disponible para gestionar otra interacción.
Por qué es importante Esta actividad, combinada con «Inicio del trabajo posterior a la llamada», proporciona la duración exacta de la fase de cierre y ayuda a analizar la productividad del agente y la carga operativa del proceso. Dónde obtenerlo Se infiere cuando el estado del agente cambia de «acw» a un estado disponible, como «idle». Se utiliza la marca de tiempo de este cambio de estado. Recopilar Se infiere a partir del cambio de estado del agente de «acw» a un estado disponible. Tipo de evento inferred
	Inicio del trabajo posterior a la llamada	Esta actividad marca el inicio del periodo de trabajo posterior a la llamada (ACW). El agente se ha desconectado del cliente, pero pasa a un estado específico para completar tareas como registrar notas o actualizar sistemas.
Por qué es importante Medir la duración del ACW es importante para comprender la eficiencia del agente y el tiempo total de gestión. Un ACW prolongado puede indicar ineficiencias en los procesos posteriores a la interacción. Dónde obtenerlo Se captura en 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. Recopilar Se registra cuando el estado del participante agente cambia a «acw». Tipo de evento explicit
	Interacción ofrecida al agente	Este evento se produce cuando el sistema ofrece una interacción a un agente específico. El estado del agente cambia a «alerting» mientras el sistema espera a que acepte o rechace la conversación.
Por qué es importante Esta actividad ayuda a analizar la capacidad de respuesta de los agentes y la eficacia del algoritmo de enrutamiento. Los retrasos posteriores a este punto pueden indicar que los agentes no aceptan el trabajo con rapidez. Dónde obtenerlo Se encuentra en los registros detallados de la conversación, dentro de los datos del participante correspondiente al agente. La sesión del participante mostrará una métrica con el estado «alerting» y una marca de tiempo asociada. Recopilar Se registra cuando el motor de enrutamiento alerta a un agente sobre 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. Es un cambio de estado explícito del participante agente dentro de la conversación.
Por qué es importante Analizar la frecuencia y la duración de las esperas puede revelar ineficiencias del proceso, como la necesidad frecuente de que los agentes busquen información o consulten con otras personas. Dónde obtenerlo Se captura en los datos de sesión del participante agente dentro de los registros detallados de la conversación. El estado cambia a «held» y se registra una marca de tiempo. Recopilar Se registra cuando el estado del participante agente cambia a «held». Tipo de evento explicit
	Interacción retirada de la espera	Se produce cuando un agente retira al cliente de la espera y reanuda la conversación. Este evento marca el final del periodo de espera y se registra como un cambio de estado.
Por qué es importante Junto con «Interacción puesta en espera», esta actividad permite calcular con precisión el tiempo total de espera, un componente clave del tiempo total de gestión y de la experiencia del cliente. Dónde obtenerlo Se obtiene de los datos de sesión del participante agente cuando su estado cambia de «held» a «connected». Recopilar Se registra cuando el estado del participante agente cambia de «held» a «connected». Tipo de evento explicit
	Solicitud de servicio reabierta	Representa una situación en la que un cliente vuelve a ponerse en contacto con el centro de servicio por el mismo problema poco después de que se considerara resuelto. No es un evento explícito, sino que se calcula según la lógica empresarial.
Por qué es importante El seguimiento de las solicitudes reabiertas es clave para medir la tasa de reapertura de solicitudes de servicio. Indica que la resolución inicial no fue eficaz, lo que afecta a la satisfacción del cliente y a la eficiencia operativa. Dónde obtenerlo Esta actividad se infiere al identificar un nuevo evento «Interacción iniciada» para el mismo cliente (ID de cliente) y un problema relacionado, como el tipo de solicitud de servicio, dentro de un periodo predefinido posterior a la resolución de una interacción anterior. Recopilar Se calcula vinculando una nueva interacción con otra cerrada recientemente para el mismo cliente y problema. Tipo de evento calculated

Recomendado Opcional

Guías de extracción

Cómo obtener sus datos de Genesys Cloud CX

Pasos

Acceda al espacio de trabajo de Analytics: Inicie sesión en Genesys Cloud CX. Abra el menú y seleccione Admin. A continuación, en Analytics, elija Workspace.
Cree una vista nueva: Haga clic en el icono de suma para añadir una pestaña y seleccione "Create a new view". Elija "Interactions" como tipo de vista. Se abrirá el editor de vistas de interacciones.
Defina el intervalo de fechas: En el panel de filtros de la izquierda, establezca el intervalo de fechas y horas de los datos que desea extraer. Se recomienda comenzar con un intervalo reducido, por ejemplo, una semana, para probar el proceso.
Seleccione las columnas para la exportación: Este es el paso más importante para preparar los datos. Haga clic en el botón "Columns". En los campos disponibles, seleccione y añada a la vista las siguientes columnas. Estos campos contienen los datos necesarios para crear el registro de eventos:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (es un campo complejo que contiene datos anidados de agentes, colas y clientes)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Aplique filtros adicionales: Utilice el panel de filtros para acotar los datos si es necesario. Puede filtrar por Media Type (por ejemplo, voz o chat), Queue, Direction (entrante o saliente) u otras propiedades de la conversación para centrarse en el proceso específico de solicitud de servicio.
Guarde y ejecute la vista: Guarde la vista con un nombre descriptivo, por ejemplo, "Process Mining Service Request Export". La vista cargará los datos que coincidan con sus criterios.
Inicie la exportación: Cuando los datos se hayan cargado en la vista, haga clic en el botón "Export", que suele estar representado por un icono de descarga. Seleccione "Export as CSV" o "Export as JSON". CSV suele ser más práctico para el procesamiento inicial.
Descargue el archivo exportado: El trabajo de exportación se ejecutará en segundo plano. Puede supervisar su progreso desde Performance > My Exports. Cuando finalice, descargue el archivo en su sistema local.
Transforme los datos sin procesar: El archivo exportado contiene una fila por conversación, con los datos de participantes y segmentos anidados en una sola columna. Debe ejecutar un script de transformación, como el script de Python incluido en la sección Query, para desanidar estos datos. El script analizará la exportación sin procesar y creará un archivo nuevo en el que cada fila represente una actividad, como "Agent Accepted Interaction" o "Hold Placed on Interaction".
Implemente la lógica personalizada: Como parte de la transformación, implemente la lógica específica de su negocio. Por ejemplo, la actividad "Service Request Re-Opened" debe calcularse mediante el análisis de interacciones posteriores del mismo cliente dentro de un periodo definido.
Finalice el registro de eventos: El script de transformación debe generar un archivo CSV con columnas que coincidan con el formato requerido por ProcessMind, incluidas ServiceRequest, ActivityName, EventTime y otros atributos. Asegúrese de que todas las marcas de tiempo utilicen un formato coherente.
Cargue los datos en ProcessMind: El archivo CSV final y transformado ya está listo para cargarse en su herramienta de Process Mining.

Configuración

Permisos: El rol de usuario de Genesys Cloud CX debe tener el permiso Analytics > Conversation > View para acceder al espacio de trabajo de Analytics y crear vistas de interacciones.
Intervalo de fechas: Para la extracción inicial, utilice un periodo representativo de 3 a 6 meses. En centros de contacto con un volumen muy elevado, se recomienda exportar los datos en bloques más pequeños, por ejemplo, semanales o mensuales, para evitar alcanzar los límites del sistema y gestionar el tamaño de los archivos.
Filtros principales:
- Media Type: Filtre los canales relevantes para su proceso de atención al cliente, como voice, chat o email.
- Cola: Si el proceso lo gestionan equipos concretos, filtre por los ID de Cola correspondientes para asegurarse de extraer únicamente los datos del proceso deseado.
- Direction: Normalmente, querrá filtrar las interacciones inbound para capturar las solicitudes de servicio iniciadas por los clientes.
Columnas de exportación: La columna Participants es esencial porque contiene la cronología detallada de los eventos de agentes y colas. Sin esta columna, no podrá extraer actividades individuales. Asegúrese de incluir también Conversation ID, Conversation Start y Conversation End.
Consideraciones de rendimiento: Exportar un gran número de columnas o un intervalo de fechas muy amplio puede hacer que el trabajo de exportación tarde bastante. Si el trabajo falla o se agota el tiempo de espera, reduzca el intervalo de fechas e inténtelo de nuevo. Genesys Cloud tiene un límite aproximado de 1.000.000 de conversaciones por trabajo de exportación.

a Consulta de ejemplo python

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

class=class="hl-string">"hl-comment"># This script transforms a Genesys Cloud Conversation Detail Export into a process mining event log.
class=class="hl-string">"hl-comment"># It assumes the raw data is in a CSV file named class="hl-string">'genesys_export.csv'.

def transform_genesys_export(file_path):
    class=class="hl-string">"hl-comment"># Load the raw export file
    try:
        df = pd.read_csv(file_path)
    except FileNotFoundError:
        print(fclass="hl-string">"Error: The file {file_path} was not found.")
        return None

    event_log = []
    source_system = class="hl-string">'Genesys Cloud CX'
    last_data_update = datetime.now(timezone.utc).isoformat()

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

    for index, row in df.iterrows():
        service_request_id = row[class="hl-string">'conversationId']
        media_type = row[class="hl-string">'mediaType']
        
        class=class="hl-string">"hl-comment"># Activity: Interaction Started
        event_log.append({
            class="hl-string">'ServiceRequest': service_request_id,
            class="hl-string">'ActivityName': class="hl-string">'Interaction Started',
            class="hl-string">'EventTime': row[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': media_type, class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
        })

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

        for p in participants:
            participant_id = p.get(class="hl-string">'participantId')
            user_id = p.get(class="hl-string">'userId')
            queue_name = p.get(class="hl-string">'queueName')
            purpose = p.get(class="hl-string">'purpose')

            for s in p.get(class="hl-string">'sessions', []):
                wrap_up_code = s.get(class="hl-string">'wrapUpCode')
                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')
                    seg_type = seg.get(class="hl-string">'segmentType')

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

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

        class=class="hl-string">"hl-comment"># Activity: Customer Satisfaction Survey Sent (from surveys column)
        if pd.notna(row.get(class="hl-string">'Surveys')):
            surveys = json.loads(row[class="hl-string">'Surveys'])
            for survey in surveys:
                if survey.get(class="hl-string">'surveyStatus') == class="hl-string">'Sent':
                    class=class="hl-string">"hl-comment"># Survey sent time is not always directly available, using conversation end as an approximation
                    event_log.append({
                        class="hl-string">'ServiceRequest': service_request_id,
                        class="hl-string">'ActivityName': class="hl-string">'Customer Satisfaction Survey Sent',
                        class="hl-string">'EventTime': survey.get(class="hl-string">'surveySentDate', row[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': media_type, class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                    })

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

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

if __name__ == class="hl-string">'__main__':
    class=class="hl-string">"hl-comment"># Specify the path to your downloaded Genesys export CSV file
    input_file = class="hl-string">'genesys_export.csv'
    output_file = class="hl-string">'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(fclass="hl-string">"Transformation complete. Event log saved to {output_file}")

Pasos

Requisitos previos y configuración: Asegúrese de tener instalado Python 3.8 o una versión posterior, junto con las bibliotecas pandas y purecloud-platform-client-v2. Puede instalarlas con pip: pip install pandas purecloud-platform-client-v2.
Cree un cliente OAuth de Genesys Cloud: Inicie sesión en su cuenta de administrador de Genesys Cloud CX. Vaya a Integrations > OAuth y cree un cliente nuevo con el tipo de concesión 'Client Credentials'. Asigne un rol que incluya el permiso analytics:conversationDetail:view.
Configure las credenciales del script: Guarde el Client ID y el Client Secret del paso anterior. En el script de Python que aparece a continuación, sustituya los valores de marcador de posición de CLIENT_ID, CLIENT_SECRET y GENESYS_CLOUD_REGION por sus credenciales específicas.
Defina el intervalo de extracción: Localice la variable query_body en el script. Modifique el valor de interval para especificar el intervalo de fechas y horas de los datos que desea extraer. Se recomienda comenzar con un intervalo corto, como un solo día, para realizar pruebas.
Ejecute el script de Python: Ejecute el script desde el terminal con python your_script_name.py. El script se autenticará con la API de Genesys Cloud, enviará un trabajo de Analytics asíncrono e imprimirá el ID del trabajo.
Supervise la ejecución del trabajo: El script consultará automáticamente la API cada 15 segundos para comprobar el estado del trabajo. Verá las actualizaciones de estado en la consola. Este paso puede tardar varios minutos o más, según el volumen de datos solicitado.
Procese y transforme los datos: Cuando finalice el trabajo, el script descargará los datos JSON resultantes. Después, recorrerá cada registro de conversación y analizará los datos de participantes, sesiones y segmentos para identificar y estructurar las actividades y los atributos clave.
Gestione los eventos calculados: El script incluye un paso de posprocesamiento para identificar eventos 'Service Request Re-Opened'. Esta lógica, que puede personalizar, busca nuevas interacciones del mismo cliente dentro de un intervalo de tiempo determinado después de que se haya resuelto una interacción anterior.
Genere el registro de eventos: Los datos transformados se compilan en un DataFrame de pandas que reproduce la estructura de un registro de eventos de Process Mining.
Exporte el archivo CSV final: El script guarda el DataFrame final como un archivo CSV denominado genesys_event_log.csv. Este archivo está preparado para cargarse directamente en la plataforma ProcessMind.

Configuración

Credenciales de la API: Se necesitan un Client ID y un Client Secret de OAuth para la autenticación. Debe crearlos en la interfaz de administración de Genesys Cloud CX.
Permisos de la API: El rol asociado al cliente OAuth debe incluir el permiso analytics:conversationDetail:view para acceder a los datos de conversación necesarios.
Intervalo de extracción: El parámetro interval del cuerpo de la consulta de la API controla el intervalo de fechas de la extracción. En entornos grandes, se recomienda ejecutar la extracción en lotes más pequeños y secuenciales, por ejemplo, una semana cada vez, para evitar tiempos de espera de la API y gestionar el uso de memoria.
Filtros de datos: Puede modificar el cuerpo de la consulta de la API para incluir conversationFilters, segmentFilters o evaluationFilters y acotar el alcance de la extracción. Por ejemplo, puede filtrar por un queueId o mediaType específicos para centrarse en una parte concreta del proceso de servicio al cliente.
Lógica de reapertura: El intervalo de tiempo para identificar un evento 'Service Request Re-Opened' se puede configurar en el script. El valor predeterminado es de 72 horas, pero debe ajustarlo a las reglas de negocio de su organización.
Entorno: Para ejecutar el script, necesita un entorno local de Python con el SDK y las bibliotecas requeridas. No es necesario acceder directamente al servidor ni a 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

Confirme que su organización de Genesys Cloud CX dispone de la capacidad de integración necesaria con EventBridge, los permisos de administrador correspondientes, acceso a los eventos de conversación y una cuenta de AWS con permiso para recibir eventos. Confirme con la persona responsable del sistema la Región de AWS de destino, el bus de eventos de EventBridge y los filtros de organización, división, cola o medio.
En Genesys Cloud CX, configure la integración con AWS EventBridge según la interfaz de administración vigente de Genesys Cloud y la documentación de integración de su organización. Seleccione la cuenta de AWS, la Región, el bus de eventos y las categorías de eventos de conversación necesarias para supervisar en detalle el ciclo de vida de las interacciones. Como las etiquetas de menú y los esquemas de eventos disponibles pueden variar según la organización y la versión, utilice [Configure based on your system] para cualquier ruta o ajuste específico de su organización.
Configure AWS EventBridge para recibir los eventos de Genesys Cloud en el bus de eventos seleccionado. Aplique permisos de mínimo privilegio, cifrado, retención, supervisión y un destino de mensajes no entregados cuando sea compatible. Cree una regla que reenvíe los eventos necesarios al consumidor utilizado por su lago de datos, almacén de datos, procesador de flujos o zona de aterrizaje de almacenamiento de objetos.
Capture las cargas útiles sin procesar de EventBridge sin modificar sus marcas de tiempo ni identificadores originales. Almacene la carga útil, la marca de tiempo de ingesta, el tipo de evento, el origen, el tipo de detalle y los metadatos de entrega en [Your raw event storage]. Conserve la carga útil original para poder volver a validar las asignaciones cuando cambien los esquemas de Genesys Cloud.
Cree en Python un paso de normalización que lea las cargas útiles sin procesar, identifique el identificador de conversación, los detalles de participantes y sesiones, la información de colas, la información de agentes, el tipo de medio, los datos de cierre y las marcas de tiempo de los eventos, y genere una fila normalizada por cada actividad explícita. Utilice las rutas de campos reales de las muestras de eventos recibidas en su organización. No infiera actividades que no estén representadas por un evento o una transición de estado explícitos.
Asigne los cambios explícitos de estado de conversación y participantes de Genesys Cloud a los valores requeridos de ActivityName. Genere Interaction Started cuando esté presente el evento de creación de la conversación, Conversation Routed to Queue cuando esté presente el evento de enrutamiento, Agent Offered Interaction cuando el estado del agente sea alerting, Agent Accepted Interaction cuando el agente acepte o se conecte, Hold Placed on Interaction y Hold Removed from Interaction para las transiciones de espera correspondientes, Interaction Transferred para un evento de transferencia explícito, After-Call Work Started y After-Call Work Ended para las transiciones ACW explícitas, Wrap-Up Code Assigned cuando exista una asignación de código de cierre e Interaction Disconnected cuando se desconecte la conversación o la sesión final del participante correspondiente.
Gestione por separado Service Request Re-Opened y Customer Satisfaction Survey Sent. Los eventos de conversación de EventBridge no proporcionan necesariamente ninguna de estas actividades como evento directo de conversación. Si su organización cuenta con una fuente explícita de eventos de encuestas, inclúyala únicamente cuando reciba dicho evento. Calcule Service Request Re-Opened solo en un proceso independiente y documentado basado en reglas de negocio, y añada después la fila resultante al registro de eventos. ProcessMind no calcula ni infiere esta actividad.
Complete ServiceRequest con el identificador estable de la solicitud de servicio o de la conversación seleccionado en su asignación de negocio. Complete ActivityName con exactamente una etiqueta de actividad obligatoria, EventTime con la marca de tiempo de inicio de la actividad, EventEndTime cuando esté disponible, SourceSystem con Genesys Cloud CX y AWS EventBridge, y LastDataUpdate con la marca de tiempo de actualización de la extracción. Complete los atributos opcionales cuando estén disponibles; de lo contrario, déjelos como NULL.
Elimine duplicados mediante el identificador del evento del proveedor cuando esté disponible o mediante una clave compuesta documentada que contenga ServiceRequest, ActivityName, EventTime, el identificador del participante o agente y el identificador del evento de origen. Tenga en cuenta los reintentos de EventBridge y la entrega desordenada. No elimine actividades repetidas distintas, como esperas, transferencias u ofertas legítimas.
Valide el resultado normalizado comparándolo con los recuentos de las cargas útiles sin procesar, las marcas de tiempo de los eventos, los identificadores de conversación, los datos de colas y agentes y la lista completa de actividades. Exporte un archivo plano o cargue una tabla que contenga las columnas obligatorias ServiceRequest, ActivityName, EventTime, SourceSystem y LastDataUpdate, además de las columnas recomendadas cuando estén disponibles. Asegúrese de que las marcas de tiempo utilicen una zona horaria y un formato coherentes y aceptados por ProcessMind. Después, cargue el registro de eventos como entrada del proceso de solicitudes de servicio.

Configuración

Integración y destino: Configure la integración de Genesys Cloud CX con AWS EventBridge para la cuenta de AWS, la Región y el bus de eventos de destino. Utilice [Configure based on your system] para los ajustes de integración específicos de la organización que no estén definidos en las muestras de eventos disponibles.
Alcance de los eventos: Suscríbase a los eventos detallados de conversación, participantes, sesiones, enrutamiento, estados, transferencias, desconexiones, cierre y ACW disponibles en su organización de Genesys Cloud. Confirme los tipos de eventos y las rutas de carga exactos mediante una interacción de prueba controlada antes de la implementación en producción.
Identificador del caso: Utilice para ServiceRequest el identificador estable de la conversación o de la solicitud de servicio seleccionado en su asignación de negocio. Si existe un identificador independiente de solicitud de servicio en otro sistema, mantenga una referencia cruzada documentada entre ese identificador y el identificador de conversación de Genesys Cloud.
Intervalo de fechas: Comience con un historial de 3 a 6 meses para el análisis del proceso. Para operar casi en tiempo real, utilice un intervalo corto de comprobación o un punto de control de transmisión y conserve una capa de aterrizaje sin procesar que permita repetir la reproducción. Utilice un intervalo de solapamiento al recuperarse de interrupciones y elimine después los duplicados mediante el identificador del evento del proveedor.
Filtros: Aplique únicamente filtros específicos de la organización que estén confirmados, como división, cola, tipo de medio, unidad de negocio o fecha de interacción. No aplique filtros de Company Code ni Document Type, salvo que esos conceptos procedan de una fuente integrada y estén asignados explícitamente en su entorno.
Gestión de marcas de tiempo: Conserve la marca de tiempo del evento de origen para EventTime. Almacene por separado la hora de ingesta o actualización para LastDataUpdate. Normalice todas las marcas de tiempo a una zona horaria documentada, preferiblemente UTC, y conserve el desplazamiento original cuando sea necesario para la auditoría.
Atributos opcionales: AgentId y AgentName pueden obtenerse de los datos de participantes o usuarios; QueueName, de los datos de enrutamiento; WrapUpCode, de los datos de cierre; MediaType, del canal de la conversación o sesión; y EventEndTime, de una transición final explícita o de la duración de origen.
Rendimiento: Particione los datos sin procesar y normalizados por fecha del evento y, cuando sea compatible, por organización o división. Procese los datos de forma incremental mediante un punto de control de EventBridge. Agrupe las escrituras en el almacén de datos o lago de datos, supervise el retraso y evite volver a analizar todo el historial.
Fiabilidad: Configure la gestión de reintentos, el procesamiento de mensajes no entregados, los procedimientos de reproducción, la detección de duplicados y la supervisión de fallos de entrega, cambios de esquema y retrasos de eventos.
Requisitos previos: Necesita permisos de administrador o de integración de Genesys Cloud, permisos de AWS EventBridge, acceso al bus de eventos seleccionado y al almacenamiento posterior, autorización para leer los detalles de las conversaciones y las funciones o licencias de Genesys Cloud que requiera la integración de eventos de su organización. Confirme los requisitos de retención y privacidad antes de almacenar datos de conversaciones.

a Consulta de ejemplo python

import json
import os
from datetime import datetime, timezone
from typing import Any, Dict, Iterable, List, Optional

import boto3


SOURCE_SYSTEM = class="hl-string">"Genesys Cloud CX via AWS EventBridge"
ACTIVITY_NAMES = {
    class="hl-string">"interaction_started": class="hl-string">"Interaction Started",
    class="hl-string">"conversation_routed_to_queue": class="hl-string">"Conversation Routed to Queue",
    class="hl-string">"agent_offered_interaction": class="hl-string">"Agent Offered Interaction",
    class="hl-string">"agent_accepted_interaction": class="hl-string">"Agent Accepted Interaction",
    class="hl-string">"hold_placed_on_interaction": class="hl-string">"Hold Placed on Interaction",
    class="hl-string">"hold_removed_from_interaction": class="hl-string">"Hold Removed from Interaction",
    class="hl-string">"interaction_transferred": class="hl-string">"Interaction Transferred",
    class="hl-string">"after_call_work_started": class="hl-string">"After-Call Work Started",
    class="hl-string">"wrap_up_code_assigned": class="hl-string">"Wrap-Up Code Assigned",
    class="hl-string">"after_call_work_ended": class="hl-string">"After-Call Work Ended",
    class="hl-string">"interaction_disconnected": class="hl-string">"Interaction Disconnected",
    class="hl-string">"service_request_re_opened": class="hl-string">"Service Request Re-Opened",
    class="hl-string">"customer_satisfaction_survey_sent": class="hl-string">"Customer Satisfaction Survey Sent",
}


def first_value(data: Dict[str, Any], paths: Iterable[str]) -> Optional[Any]:
    for path in paths:
        value: Any = data
        found = True
        for part in path.split(class="hl-string">"."):
            if isinstance(value, dict) and part in value:
                value = value[part]
            else:
                found = False
                break
        if found and value not in (None, class="hl-string">""):
            return value
    return None


def parse_time(value: Any) -> Optional[str]:
    if value is None:
        return None
    if isinstance(value, (int, float)):
        return datetime.fromtimestamp(value / 1000 if value > 100000000000 else value, tz=timezone.utc).isoformat()
    text = str(value).strip()
    if not text:
        return None
    return text


def event_detail(event: Dict[str, Any]) -> Dict[str, Any]:
    detail = event.get(class="hl-string">"detail")
    if isinstance(detail, dict):
        return detail
    if isinstance(detail, str):
        try:
            parsed = json.loads(detail)
            return parsed if isinstance(parsed, dict) else {}
        except json.JSONDecodeError:
            return {}
    return {}


def event_type(event: Dict[str, Any], detail: Dict[str, Any]) -> str:
    value = first_value(detail, [
        class="hl-string">"eventType", class="hl-string">"type", class="hl-string">"event.type", class="hl-string">"topicName", class="hl-string">"name", class="hl-string">"state", class="hl-string">"participant.state", class="hl-string">"session.state"
    ])
    return str(value or event.get(class="hl-string">"detail-type") or event.get(class="hl-string">"source") or class="hl-string">"").lower().replace(class="hl-string">"_", class="hl-string">" ")


def base_row(detail: Dict[str, Any], activity: str, event: Dict[str, Any], refresh_time: str) -> Dict[str, Any]:
    service_request = first_value(detail, [
        class="hl-string">"conversationId", class="hl-string">"conversation.id", class="hl-string">"conversation.conversationId", class="hl-string">"serviceRequest", class="hl-string">"serviceRequestId", class="hl-string">"caseId"
    ])
    event_time = parse_time(first_value(detail, [
        class="hl-string">"eventTime", class="hl-string">"timestamp", class="hl-string">"event.timestamp", class="hl-string">"conversation.startTime", class="hl-string">"participant.startTime", class="hl-string">"session.startTime", class="hl-string">"startTime"
    ]))
    event_end_time = parse_time(first_value(detail, [
        class="hl-string">"eventEndTime", class="hl-string">"endTime", class="hl-string">"event.endTime", class="hl-string">"conversation.endTime", class="hl-string">"participant.endTime", class="hl-string">"session.endTime"
    ]))
    agent_id = first_value(detail, [class="hl-string">"agentId", class="hl-string">"userId", class="hl-string">"agent.id", class="hl-string">"user.id", class="hl-string">"participant.userId", class="hl-string">"participant.user.id"])
    agent_name = first_value(detail, [class="hl-string">"agentName", class="hl-string">"userName", class="hl-string">"agent.name", class="hl-string">"user.name", class="hl-string">"participant.userName", class="hl-string">"participant.user.name"])
    queue_name = first_value(detail, [class="hl-string">"queueName", class="hl-string">"queue.name", class="hl-string">"routing.queueName", class="hl-string">"participant.queueName"])
    wrap_up_code = first_value(detail, [class="hl-string">"wrapUpCode", class="hl-string">"wrapupCode", class="hl-string">"wrapUp.code", class="hl-string">"wrapup.code", class="hl-string">"dispositionCode"])
    media_type = first_value(detail, [class="hl-string">"mediaType", class="hl-string">"media", class="hl-string">"channel", class="hl-string">"conversation.mediaType", class="hl-string">"session.mediaType"])
    return {
        class="hl-string">"ServiceRequest": service_request,
        class="hl-string">"ActivityName": activity,
        class="hl-string">"EventTime": event_time,
        class="hl-string">"EventEndTime": event_end_time,
        class="hl-string">"SourceSystem": SOURCE_SYSTEM,
        class="hl-string">"LastDataUpdate": refresh_time,
        class="hl-string">"AgentId": agent_id,
        class="hl-string">"AgentName": agent_name,
        class="hl-string">"QueueName": queue_name,
        class="hl-string">"WrapUpCode": wrap_up_code,
        class="hl-string">"MediaType": media_type,
        class="hl-string">"SourceEventId": event.get(class="hl-string">"id") or first_value(detail, [class="hl-string">"eventId", class="hl-string">"id"]),
    }


def classify(detail: Dict[str, Any], event: Dict[str, Any]) -> List[str]:
    text = event_type(event, detail)
    values = [str(first_value(detail, paths) or class="hl-string">"").lower() for paths in [
        [class="hl-string">"eventType", class="hl-string">"type"], [class="hl-string">"state"], [class="hl-string">"participant.state"], [class="hl-string">"session.state"], [class="hl-string">"event.name"], [class="hl-string">"event.type"]
    ]]
    text = class="hl-string">" ".join([text] + values)
    activities: List[str] = []
    if any(token in text for token in [class="hl-string">"conversation created", class="hl-string">"interaction started", class="hl-string">"conversation started", class="hl-string">"conversation.created"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"interaction_started"])
    if any(token in text for token in [class="hl-string">"routed", class="hl-string">"route to queue", class="hl-string">"queue joined", class="hl-string">"acd queue"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"conversation_routed_to_queue"])
    if any(token in text for token in [class="hl-string">"alerting", class="hl-string">"offered", class="hl-string">"agent offered"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"agent_offered_interaction"])
    if any(token in text for token in [class="hl-string">"connected", class="hl-string">"accepted", class="hl-string">"agent accepted", class="hl-string">"interacting"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"agent_accepted_interaction"])
    if any(token in text for token in [class="hl-string">"hold", class="hl-string">"held"]) and not any(token in text for token in [class="hl-string">"resume", class="hl-string">"unhold", class="hl-string">"off hold"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"hold_placed_on_interaction"])
    if any(token in text for token in [class="hl-string">"resume", class="hl-string">"unhold", class="hl-string">"off hold", class="hl-string">"hold removed"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"hold_removed_from_interaction"])
    if any(token in text for token in [class="hl-string">"transfer", class="hl-string">"transferred"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"interaction_transferred"])
    if any(token in text for token in [class="hl-string">"acw start", class="hl-string">"after call work started", class="hl-string">"wrapup start", class="hl-string">"wrap-up start"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"after_call_work_started"])
    if any(token in text for token in [class="hl-string">"wrap-up code", class="hl-string">"wrap up code", class="hl-string">"wrapup code", class="hl-string">"disposition"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"wrap_up_code_assigned"])
    if any(token in text for token in [class="hl-string">"acw end", class="hl-string">"after call work ended", class="hl-string">"wrapup end", class="hl-string">"wrap-up end"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"after_call_work_ended"])
    if any(token in text for token in [class="hl-string">"disconnected", class="hl-string">"disconnect", class="hl-string">"conversation ended", class="hl-string">"conversation completed"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"interaction_disconnected"])
    if any(token in text for token in [class="hl-string">"re-opened", class="hl-string">"reopened", class="hl-string">"service request reopened"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"service_request_re_opened"])
    if any(token in text for token in [class="hl-string">"csat sent", class="hl-string">"customer satisfaction survey sent", class="hl-string">"survey sent"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"customer_satisfaction_survey_sent"])
    return list(dict.fromkeys(activities))


def normalize_event(event: Dict[str, Any], refresh_time: str) -> List[Dict[str, Any]]:
    detail = event_detail(event)
    rows: List[Dict[str, Any]] = []
    for activity in classify(detail, event):
        rows.append(base_row(detail, activity, event, refresh_time))
    return rows


def extract_events(event_bus_name: str, start_time: datetime, end_time: datetime) -> List[Dict[str, Any]]:
    client = boto3.client(class="hl-string">"events", region_name=os.environ.get(class="hl-string">"AWS_REGION", class="hl-string">"[Your AWS Region]"))
    rows: List[Dict[str, Any]] = []
    next_token: Optional[str] = None
    refresh_time = datetime.now(timezone.utc).isoformat()
    while True:
        request: Dict[str, Any] = {
            class="hl-string">"EventBusName": event_bus_name,
            class="hl-string">"StartTime": start_time,
            class="hl-string">"EndTime": end_time,
            class="hl-string">"Limit": 100,
        }
        if next_token:
            request[class="hl-string">"NextToken"] = next_token
        response = client.list_events(**request)
        for event in response.get(class="hl-string">"Events", []):
            rows.extend(normalize_event(event, refresh_time))
        next_token = response.get(class="hl-string">"NextToken")
        if not next_token:
            break
    return rows


def append_reopened_and_survey_rows(rows: List[Dict[str, Any]], explicit_business_events: Iterable[Dict[str, Any]]) -> None:
    refresh_time = datetime.now(timezone.utc).isoformat()
    for event in explicit_business_events:
        detail = event_detail(event)
        for activity in [
            ACTIVITY_NAMES[class="hl-string">"service_request_re_opened"],
            ACTIVITY_NAMES[class="hl-string">"customer_satisfaction_survey_sent"],
        ]:
            if activity in classify(detail, event):
                rows.append(base_row(detail, activity, event, refresh_time))


def deduplicate(rows: List[Dict[str, Any]]) -> List[Dict[str, Any]]:
    result: List[Dict[str, Any]] = []
    seen = set()
    for row in rows:
        key = (
            row.get(class="hl-string">"SourceEventId"), row.get(class="hl-string">"ServiceRequest"), row.get(class="hl-string">"ActivityName"),
            row.get(class="hl-string">"EventTime"), row.get(class="hl-string">"AgentId"), row.get(class="hl-string">"QueueName")
        )
        if key in seen:
            continue
        seen.add(key)
        result.append(row)
    return result


if __name__ == class="hl-string">"__main__":
    event_bus_name = os.environ.get(class="hl-string">"EVENT_BUS_NAME", class="hl-string">"[Your EventBridge event bus]")
    start_time = datetime.fromisoformat(os.environ.get(class="hl-string">"START_TIME", class="hl-string">"[Start date and time in ISO 8601 format]").replace(class="hl-string">"Z", class="hl-string">"+00:00"))
    end_time = datetime.fromisoformat(os.environ.get(class="hl-string">"END_TIME", class="hl-string">"[End date and time in ISO 8601 format]").replace(class="hl-string">"Z", class="hl-string">"+00:00"))
    normalized_rows = extract_events(event_bus_name, start_time, end_time)
    normalized_rows = deduplicate(normalized_rows)
    output_columns = [
        class="hl-string">"ServiceRequest", class="hl-string">"ActivityName", class="hl-string">"EventTime", class="hl-string">"EventEndTime", class="hl-string">"SourceSystem",
        class="hl-string">"LastDataUpdate", class="hl-string">"AgentId", class="hl-string">"AgentName", class="hl-string">"QueueName", class="hl-string">"WrapUpCode", class="hl-string">"MediaType", class="hl-string">"SourceEventId"
    ]
    output_path = os.environ.get(class="hl-string">"OUTPUT_PATH", class="hl-string">"[Your output file path]")
    import csv
    with open(output_path, class="hl-string">"w", newline=class="hl-string">"", encoding=class="hl-string">"utf-8") as output_file:
        writer = csv.DictWriter(output_file, fieldnames=output_columns)
        writer.writeheader()
        writer.writerows(normalized_rows)

¿Listo para empezar?

Descubra todo el potencial de sus operaciones de atención al cliente. Si sigue esta plantilla, estará más cerca de descubrir información útil y mejorar la eficiencia.

Volver a la guía de mejora Descargar Template

¡Ponga fin a los contactos repetidos y mejore su servicio al cliente hoy mismo!

Mejore el CSAT y alcance un 80 % de resolución en el primer contacto con facilidad.

Iniciar la prueba gratuita

No necesita tarjeta de crédito. Active su prueba en cuestión de minutos.

Su Template de datos de atención al cliente

Su Template de datos de atención al cliente

Atributos de atención al cliente

Actividades de atención al cliente

Guías de extracción

Exportación del detalle de conversaciones de Genesys Cloud Analytics

Pasos

Configuración

a Consulta de ejemplo python

Script de Python mediante la API de Genesys Cloud Platform

Pasos

Configuración

a Consulta de ejemplo python

Transmisión de eventos mediante la integración con AWS EventBridge

Pasos

Configuración

a Consulta de ejemplo python

¿Listo para empezar?

¡Ponga fin a los contactos repetidos y mejore su servicio al cliente hoy mismo!

Su Template de datos de atención al cliente

Su Template de datos de atención al cliente

Atributos de atención al cliente

Actividades de atención al cliente

Guías de extracción

Exportación del detalle de conversaciones de Genesys Cloud Analytics

Pasos

Configuración

a Consulta de ejemplo python

Script de Python mediante la API de Genesys Cloud Platform

Pasos

Configuración

a Consulta de ejemplo python

Transmisión de eventos mediante la integración con AWS EventBridge

Pasos

Configuración

a Consulta de ejemplo python

¿Listo para empezar?

¡Ponga fin a los contactos repetidos y mejore su servicio al cliente hoy mismo!

Valoramos su privacidad