> Mejora continua de procesos > Servicio 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

Este Template ofrece una guía clara para recopilar los datos esenciales que necesita para analizar y optimizar el proceso de atención al cliente. Incluye los atributos recomendados, las actividades clave que conviene registrar y pautas prácticas para extraer esta información de sus sistemas de origen. Utilícelo para crear un Registro de eventos sólido para sus iniciativas de Process Mining.

Atributos recomendados para recopilar
Actividades clave que conviene registrar
Pautas para la extracción

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

Descargar Template

Atributos de atención al cliente

Estos son los campos de datos recomendados para incluir en el Registro de eventos y realizar un análisis completo de la atención al cliente.

5 Obligatorio 6 Recomendado 8 Opcional

	Nombre	Descripción
	Hora de inicio EventTime	Marca de tiempo que indica cuándo comenzó una actividad o un evento.
Descripción Este atributo indica la fecha y hora exactas de cada actividad. Es esencial para ordenar correctamente los eventos y realizar cualquier análisis basado en el tiempo. La hora de inicio permite construir el flujo del proceso en orden cronológico y sirve de base para calcular la duración, los tiempos de espera y los tiempos de ciclo entre actividades. Las marcas de tiempo precisas son fundamentales para analizar los procesos y supervisar el rendimiento de forma fiable. Por qué es importante Esta marca de tiempo ordena cronológicamente todas las actividades y permite analizar con precisión los flujos, las duraciones y los cuellos de botella del proceso. Dónde obtenerlo Se encuentra en los registros de eventos o en los detalles de las interacciones de Genesys Cloud CX y suele estar asociada a cada evento registrado por el sistema o por un usuario. Ejemplos 2024-05-21T10:00:15Z2024-05-21T10:02:30Z2024-05-21T10:15:00Z
	Nombre de la actividad ActivityName	Nombre del evento o la tarea específica que tuvo lugar 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 en el proceso de atención al cliente. Cada actividad representa un evento concreto, como 'Interacción aceptada por un agente' o 'Código de cierre asignado'. Analizar la secuencia y la frecuencia de estas actividades es fundamental para Process Mining. Permite visualizar los flujos del proceso, identificar desviaciones y detectar cuellos de botella o pasos ineficientes. Por qué es importante Las actividades son la base del mapa de procesos y permiten visualizar y analizar el flujo real frente al flujo diseñado. Dónde obtenerlo Por lo general, se obtiene al asignar nombres de actividad estandarizados a eventos del sistema, estados de los agentes o entradas específicas del registro de auditoría de Genesys Cloud CX. Ejemplos Interacción iniciadaInteracción aceptada por un agenteFin del trabajo posterior a la llamadaSolicitud de servicio reabierta
	Solicitud de servicio ServiceRequest	Identificador principal de una interacción de atención al cliente que vincula todas las actividades relacionadas.
Descripción La solicitud de servicio, también llamada ticket o caso, es el identificador principal de una consulta o problema 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 del recorrido del cliente y del proceso interno de atención. 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 del caso esencial que conecta todos los pasos del proceso y permite analizar de forma integral cada interacción con el cliente, de principio a fin. 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	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 la procedencia de los datos, resolver 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 misma vista del proceso. Por qué es importante Identifica el origen de los datos, algo fundamental para la gobernanza, la validación y la combinación de datos de varios sistemas. Dónde obtenerlo Por lo general, se trata de un valor estático que se añade durante la extracción y transformación de los datos para indicar el origen de los registros. Ejemplos Genesys Cloud CXGenesysCloudCX_US1Genesys
	Última actualización de los datos LastDataUpdate	Marca de tiempo de la actualización más reciente de los datos.
Descripción Este atributo indica cuándo se actualizó por última vez el conjunto de datos desde el sistema de origen. Aporta contexto sobre la actualidad de los datos analizados, un aspecto 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 sepan qué tan recientes son los datos y puedan valorar la validez de las conclusiones. Por qué es importante Indica la actualidad de los datos y permite basar los análisis y las decisiones en información actualizada. Dónde obtenerlo Este valor se genera y se añade al conjunto de datos al 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 en 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 encuentran la voz, el chat, el correo electrónico y las redes sociales. Analizar el rendimiento por canal, como en el Dashboard «Rendimiento por canal de comunicación», ayuda a comprender el volumen, los tiempos de resolución y la satisfacción del cliente 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 asigna un agente al finalizar una interacción para clasificar su resultado o tema.
Descripción El código de cierre es una etiqueta que selecciona un agente para clasificar el motivo o el resultado de una interacción con un cliente. Estos códigos aportan datos estructurados sobre las razones por las que los clientes contactan con soporte. Analizarlos ayuda a identificar los tipos de problemas más frecuentes, hacer un seguimiento de los resultados de resolución y medir la frecuencia de solicitudes específicas. Estos datos son útiles para analizar las causas raíz y comprender los patrones de demanda del servicio. Por qué es importante Clasifica el resultado de una interacción y aporta datos estructurados para analizar los 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, en concreto, en los detalles de sesión de las personas participantes que son agentes. Ejemplos Restablecimiento de contraseñaDisputa de facturación resueltaSolicitud de información sobre productosDerivado al nivel 2
	Hora de finalización EventEndTime	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 Hora de inicio, permite calcular con precisión la duración de cada actividad. Analizar estas duraciones es clave para identificar qué pasos del proceso consumen más tiempo y detectar ineficiencias y oportunidades de mejora. Por ejemplo, puede revelar tiempos prolongados en «Retención de la interacción» o en el «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 más tiempo consumen y los cuellos de botella del rendimiento. Dónde obtenerlo Se encuentra en los registros de eventos o en los detalles de la interacción de Genesys Cloud CX. También puede obtenerse a partir de la hora de inicio del evento siguiente. Ejemplos 2024-05-21T10:02:30Z2024-05-21T10:15:00Z2024-05-21T10:18:45Z
	ID del agente AgentId	Identificador único del agente que atendió la interacción o realizó la actividad.
Descripción El ID del agente es una clave única para cada representante de atención al cliente. Este atributo es esencial para analizar el rendimiento de los agentes, la distribución de la carga de trabajo y la eficiencia. Permite filtrar el mapa de procesos para ver cómo atienden las solicitudes determinados agentes o equipos 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 Dashboard «Rendimiento y eficiencia de los agentes». Por qué es importante Este atributo vincula las actividades del proceso con personas empleadas concretas y permite analizar el rendimiento individual, la carga de trabajo y la eficiencia del equipo. Dónde obtenerlo Disponible en los registros detallados de conversaciones de Genesys Cloud CX, asociado a la persona usuaria que atendió un segmento específico de la interacción. Ejemplos a1b2c3d4-e5f6-7890-1234-567890abcdeff0e9d8c7-b6a5-4321-fedc-ba0987654321
	Nombre de la cola QueueName	Nombre de la cola a la que se dirigió la interacción.
Descripción Este atributo identifica la cola en la que esperó una interacción 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 atención». Ayuda a comprender cómo se distribuye la carga de trabajo entre distintos grupos de habilidades o líneas de servicio, medir los tiempos de espera de cada cola e identificar las que suelen tener poco personal o estar sobrecargadas. 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 a que se les asigne un agente. 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	Nombre completo del agente que atendió la interacción o realizó la actividad.
Descripción El nombre del agente ofrece un identificador legible para la persona representante de atención y corresponde al ID del agente. Este atributo facilita la consulta de Dashboards e informes para responsables y líderes de equipo. Se utiliza ampliamente en análisis centrados en los agentes para revisar el rendimiento, detectar necesidades de formación y distribuir la carga de trabajo de forma equitativa, sin tener que consultar los ID del sistema. Por qué es importante Proporciona un nombre fácil de reconocer para el agente y facilita el análisis del rendimiento y la comunicación de resultados sin recurrir a ID técnicos. Dónde obtenerlo Se obtiene del servicio Users o Directory de Genesys Cloud CX mediante la consulta de 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 el tiempo objetivo de resolución. Se calcula comparando «ServiceResolutionTime» con «SlaTargetResolutionTime». El indicador simplifica el análisis y la visualización en el 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 lo incumplen, para identificar patrones habituales en los incumplimientos. Por qué es importante Simplifica el análisis del rendimiento del SLA al indicar claramente si cada caso cumple el objetivo o lo incumple, lo que facilita el análisis de las causas raíz de los fallos. Dónde obtenerlo Campo calculado: True si ServiceResolutionTime <= SlaTargetResolutionTime; de lo contrario, False. 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 y agrupa todas las interacciones, los segmentos y las personas participantes relacionados con una conversación de un cliente. Aunque se utiliza el concepto de «solicitud de servicio» como ID del caso, el ID de conversación es la clave subyacente para recuperar todos los datos relacionados de las API de Genesys. Es esencial para extraer datos, combinar 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, resolver problemas y vincular 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 proporciona el cliente en una encuesta posterior a la interacción.
Descripción La puntuación de satisfacción del cliente, o CSAT, mide directamente la percepción del cliente sobre el servicio recibido. Por lo general, se recopila mediante una encuesta que se envía al cerrar la interacción. Analizar las puntuaciones CSAT junto con los datos del proceso puede revelar cómo influyen en la satisfacción del cliente las variaciones del proceso, los tiempos de resolución o determinados agentes. Es una métrica clave para evaluar el éxito general del proceso. Por qué es importante Mide directamente la satisfacción del cliente y permite analizar la relación 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
	Reabierto IsReopened	Indicador que señala si una solicitud de servicio resuelta se volvió a abrir posteriormente.
Descripción Este atributo booleano identifica las solicitudes de servicio que pasaron a un estado resuelto o cerrado y después volvieron a estar activas. Los casos reabiertos suelen indicar que la solución inicial no fue eficaz o estaba incompleta, lo que puede generar insatisfacción 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 manifiesto fallos en el proceso de resolución y señala problemas en la calidad de las soluciones que generan retrabajo y una mala experiencia para el cliente. Dónde obtenerlo Campo calculado que detecta una actividad que reactiva el caso después de que se haya producido una actividad «Solicitud de servicio resuelta». Ejemplos truefalse
	Resuelto 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 necesidad de que el cliente vuelva a contactar ni de transferir el caso internamente. El valor «true» indica una resolución eficiente e ideal. 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 para mejorar la formación de los agentes, la base de conocimientos o los procesos. Por qué es importante Mide directamente la eficiencia y la satisfacción del cliente, ya que resolver los problemas al primer intento es clave para ofrecer una experiencia de servicio positiva. Dónde obtenerlo Campo calculado a partir del análisis de la secuencia de eventos de un caso. Un caso se considera resuelto en el primer contacto (FCR) si se resuelve sin ciertas actividades intermedias, como transferencias o reaperturas. Ejemplos truefalse
	Tiempo de resolución del servicio ServiceResolutionTime	Tiempo total transcurrido desde la primera interacción con el cliente hasta la resolución final.
Descripción Esta métrica mide la duración total de una solicitud de servicio, desde que el cliente se pone en contacto hasta que el problema se marca como resuelto. Es un indicador clave del rendimiento y permite evaluar la eficiencia general del proceso y 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 prolongados y demoras sistemáticas. 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 por contrato para resolver la solicitud de servicio.
Descripción Este atributo define el tiempo máximo permitido para resolver una solicitud de servicio según el acuerdo de nivel de servicio (SLA). Sirve como referencia para medir los tiempos reales de resolución. Estos datos son esenciales para el Dashboard «Resumen del cumplimiento del SLA» y el KPI «Tasa de cumplimiento del SLA», ya que permiten supervisar el 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 clave del rendimiento del servicio y de las obligaciones contractuales. Dónde obtenerlo Puede almacenarse como atributo personalizado de la conversación o calcularse según 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», «Reclamación» o «Problema técnico».
Descripción Este atributo clasifica 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 «Reclamación» pueden diferir considerablemente de los de una «Consulta general». Esta dimensión es esencial en Dashboards como «Análisis de derivaciones internas», que permiten comprobar si ciertos tipos de solicitudes se derivan con más 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 recopilarse mediante una selección en el IVR, la opción elegida por el cliente en un formulario web o la clasificación de un agente. En Genesys, puede almacenarse como atributo de participante o código de cierre. Ejemplos Consulta de facturaciónSoporte técnicoGestión de cuentasReclamación sobre un producto

Obligatorio Recomendado Opcional

Actividades de atención al cliente

Estos son los pasos y los hitos clave del proceso que conviene registrar en el 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, también llamado código de disposición. Este código clasifica explícitamente el resultado de la solicitud de servicio, por ejemplo, 'Resuelta' o 'Escalada'.
Por qué es importante Los códigos de cierre son una fuente principal para determinar el resultado de una solicitud. Son fundamentales para calcular las tasas de resolución y segmentar los casos para su análisis. Dónde obtenerlo Este evento explícito aparece en los registros detallados de la conversación, normalmente en los datos de sesión del participante agente. Se registran el código wrapUp y la marca de tiempo. Capturar Se registra cuando un agente selecciona un código de cierre para la interacción. Tipo de evento explicit
	Interacción aceptada por un agente	Marca el momento en que un agente acepta la interacción ofrecida y se conecta con el cliente. Es un hito clave, ya que comienza la atención 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 atención del agente. Marca 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' y se registra la marca de tiempo correspondiente. Capturar Se registra cuando el estado de un 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 marca el cierre técnico de la interacción de solicitud de servicio.
Por qué es importante Este es el evento de fin definitivo de la interacción. Es fundamental para calcular su duración total y suele utilizarse como aproximación al cierre de la solicitud. Dónde obtenerlo Se obtiene de los registros detallados de la conversación. Corresponde a la hora de finalización del objeto de conversación y suele encontrarse en la marca de tiempo conversationEnd. Capturar 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 atención 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 obtiene de los registros detallados de la conversación. Corresponde a la hora de inicio del objeto de conversación y suele encontrarse en la marca de tiempo conversationStart. Capturar Se registra cuando se inicia una nueva conversación en el sistema. Tipo de evento explicit
	Interacción transferida	Indica que un agente transfiere una interacción a otra cola o a otro agente. Puede ser una transferencia directa, en la que el agente se desconecta de inmediato, o una transferencia con consulta previa al destinatario.
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 formación, un enrutamiento incorrecto o procesos complejos. 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, a menudo a raíz de un evento 'transfer'. Capturar Se identifica mediante un evento de transferencia en los datos de sesión del participante. Tipo de evento explicit
	Conversación enviada a una cola	Indica el momento en que una nueva interacción se envía a una cola específica para esperar a que haya un agente disponible. El motor de enrutamiento (ACD) de Genesys registra este evento explícitamente.
Por qué es importante El seguimiento de esta actividad es fundamental para medir los tiempos de espera en las colas e identificar cuellos de botella en el proceso de enrutamiento. Una duración elevada entre este evento y la asignación del agente puede indicar problemas de dotación de personal o de lógica de enrutamiento. Dónde obtenerlo Se obtiene de los registros detallados de la conversación, en concreto de los campos 'purpose' y 'state' del participante ACD en la conversación. La marca 'enterTime' de la cola en la matriz de métricas indica este evento. Capturar Se registra cuando el motor de enrutamiento ACD envía una conversación a 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 de cerrar 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 las encuestas a tiempo ayuda a obtener retroalimentación precisa mientras el cliente aún recuerda la experiencia. Dónde obtenerlo Esta información suele estar disponible en los datos de encuestas o de gestión de calidad de Genesys Cloud CX y puede vincularse con el ID de la conversación original. Capturar El módulo de encuestas lo registra cuando envía una encuesta para una conversación específica. Tipo de evento explicit
	Fin del trabajo posterior a la llamada	Marca el final del período de trabajo posterior a la llamada de un agente. En ese momento, el agente queda disponible para atender otra interacción.
Por qué es importante Esta actividad, junto con 'Inicio del trabajo posterior a la llamada', permite calcular con precisión la duración de la fase de cierre y analizar la productividad de los agentes y los costes operativos 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 ese cambio de estado. Capturar Se infiere cuando el estado del agente cambia de 'acw' a un estado disponible. Tipo de evento inferred
	Inicio del trabajo posterior a la llamada	Esta actividad marca el inicio del período de trabajo posterior a la llamada (ACW). El agente ya se ha desconectado del cliente y 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 de los agentes y el tiempo total de atención. Un ACW prolongado puede indicar que los procesos posteriores a la interacción son ineficientes. Dónde obtenerlo Se obtiene de los datos de sesión del participante agente. Se registra cuando el estado del agente cambia a 'acw' después de que el participante cliente se desconecta. Capturar Se registra cuando el estado de un participante agente cambia a 'acw'. Tipo de evento explicit
	Interacción ofrecida a un 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 permite analizar la capacidad de respuesta de los agentes y la eficacia del algoritmo de enrutamiento. Los retrasos posteriores 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 correspondientes al agente. La sesión del participante muestra una métrica con el estado 'alerting' y la marca de tiempo correspondiente. Capturar Se registra cuando el motor de enrutamiento alerta a un agente de una nueva interacción. Tipo de evento explicit
	Interacción puesta en espera	Esta actividad se registra cuando un agente pone al cliente en espera durante una interacción. Es un cambio de estado explícito del participante agente en la conversación.
Por qué es importante Analizar la frecuencia y la duración de las esperas puede revelar ineficiencias en el proceso, como que los agentes tengan que buscar información o consultar con otras personas con frecuencia. Dónde obtenerlo Se obtiene de los datos de sesión del participante agente en los registros detallados de la conversación. El estado cambia a 'held' y se registra una marca de tiempo. Capturar Se registra cuando el estado de un participante agente cambia a 'held'. Tipo de evento explicit
	Interacción reanudada tras la espera	Se produce cuando un agente retoma la conversación después de poner al cliente en espera. Este evento marca el final del período 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 atención 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'. Capturar Se registra cuando el estado de un participante agente cambia de 'held' a 'connected'. Tipo de evento explicit
	Solicitud de servicio reabierta	Se produce cuando 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 de negocio.
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' del mismo cliente (Customer ID) y relacionado con el mismo problema (por ejemplo, el tipo de solicitud de servicio) dentro de un período predefinido después de resolver una interacción anterior. Capturar Se calcula vinculando una nueva interacción con otra cerrada recientemente para el mismo cliente y el mismo problema. Tipo de evento calculated

Recomendado Opcional

Guías de extracción

Cómo obtener sus datos de Genesys Cloud CX

Pasos

Abra el espacio de trabajo de Analytics: Inicie sesión en Genesys Cloud CX. Abra el menú y seleccione Admin; luego, en Analytics, elija Workspace.
Cree una vista nueva: Haga clic en el icono más para agregar 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 corto, por ejemplo, una semana, para probar el proceso.
Seleccione las columnas que desea exportar: Este es el paso más importante para preparar los datos. Haga clic en el botón "Columns". Entre los campos disponibles, seleccione y agregue a la vista las siguientes columnas, que contienen los datos necesarios para crear el Registro de eventos:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (Este campo complejo contiene datos anidados de agentes, colas y clientes)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Aplique filtros adicionales: Use el panel de filtros para acotar los datos si es necesario. Puede filtrar por tipo de medio (por ejemplo, voz o chat), cola, dirección (entrante o saliente) u otras propiedades de la conversación para centrarse en el proceso de solicitud de servicio que le interesa.
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 los criterios definidos.
Inicie la exportación: Cuando se carguen los datos, haga clic en el botón "Export", que suele mostrarse con 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: La exportación se ejecutará en segundo plano. Puede consultar su estado en Performance > My Exports. Cuando termine, descargue el archivo en su equipo.
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 con una fila por actividad, como "Agent Accepted Interaction" o "Hold Placed on Interaction".
Implemente la lógica personalizada: Durante la transformación, aplique la lógica específica de su negocio. Por ejemplo, la actividad "Service Request Re-Opened" debe calcularse analizando las interacciones posteriores del mismo cliente dentro de un período 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, como ServiceRequest, ActivityName, EventTime y otros atributos. Compruebe que todas las marcas de tiempo tengan un formato uniforme.
Cargue los datos en ProcessMind: El archivo CSV transformado ya está listo para cargarse en su herramienta de Process Mining.

Configuración

Permisos: El rol de usuario de Genesys Cloud CX debe incluir el permiso Analytics > Conversation > View para acceder a Analytics Workspace y crear vistas de interacciones.
Intervalo de fechas: Para la extracción inicial, use un periodo representativo de 3 a 6 meses. En los centros de contacto con un volumen muy alto, se recomienda exportar los datos en bloques más pequeños, por ejemplo, por semana o por mes, para evitar los límites del sistema y controlar el tamaño de los archivos.
Filtros principales:
- Media Type: Filtre los canales pertinentes para su proceso de atención al cliente, como voice, chat o email.
- Cola: Si el proceso está a cargo de equipos específicos, filtre por los ID de cola correspondientes para extraer únicamente los datos del proceso deseado.
- Direction: Normalmente, conviene filtrar las interacciones inbound para incluir 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 ella, no podrá extraer actividades individuales. Asegúrese de incluir también Conversation ID, Conversation Start y Conversation End.
Consideraciones de rendimiento: Exportar muchas columnas o abarcar un intervalo de fechas muy amplio puede hacer que el trabajo de exportación tarde bastante. Si falla o se agota el tiempo de espera, reduzca el intervalo de fechas e inténtelo de nuevo. Genesys Cloud limita cada trabajo de exportación a aproximadamente un millón de conversaciones.

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 la cuenta de administrador de Genesys Cloud CX. Vaya a Integrations > OAuth y cree un cliente nuevo con el tipo de concesión 'Client Credentials'. Asígnele 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 se incluye a continuación, sustituya los valores de ejemplo de CLIENT_ID, CLIENT_SECRET y GENESYS_CLOUD_REGION por sus credenciales.
Defina el intervalo de extracción: Busque la variable query_body en el script. Modifique el valor de interval para indicar el intervalo de fechas y horas de los datos que desea extraer. Para probarlo, se recomienda comenzar con un período corto, como un solo día.
Ejecute el script de Python: Ejecute el script desde la terminal con python your_script_name.py. El script se autenticará con la API de Genesys Cloud, enviará una tarea de Analytics asíncrona y mostrará el ID de la tarea.
Supervise la ejecución de la tarea: El script consultará automáticamente la API cada 15 segundos para comprobar el estado de la tarea. En la consola aparecerán actualizaciones de estado. Según el volumen de datos solicitado, este paso puede tardar varios minutos o más.
Procese y transforme los datos: Cuando termine la tarea, 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 los eventos 'Service Request Re-Opened'. Puede personalizar esta lógica, que busca nuevas interacciones del mismo cliente dentro de un período determinado después de resolver una interacción anterior.
Genere el Registro de eventos: Los datos transformados se compilan en un DataFrame de pandas con la estructura de un Registro de eventos de Process Mining.
Exporte el archivo CSV final: El script guarda el DataFrame final en un archivo CSV llamado genesys_event_log.csv, con el formato necesario para cargarlo directamente en ProcessMind.

Configuración

Credenciales de 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 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 API controla el intervalo de fechas de la extracción. En entornos grandes, se recomienda extraer los datos en lotes secuenciales más pequeños, por ejemplo, una semana a la vez, para evitar tiempos de espera de la API y controlar el uso de memoria.
Filtros de datos: Puede modificar el cuerpo de la consulta de API para incluir conversationFilters, segmentFilters o evaluationFilters y acotar la extracción. Por ejemplo, puede filtrar por queueId o mediaType específicos para centrarse en una parte concreta del proceso de atención al cliente.
Lógica de reapertura: Puede configurar en el script el período para identificar un evento 'Service Request Re-Opened'. 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 hace falta acceder directamente al servidor ni a la base de datos de Genesys Cloud CX.

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 cuenta con la integración de EventBridge necesaria, los permisos de administrador adecuados y acceso a los eventos de conversación, y que dispone de una cuenta de AWS autorizada para recibirlos. Confirme con la persona responsable de sus sistemas la región de AWS de destino, el bus de eventos de EventBridge y los filtros de organización, división, cola o tipo de medio.
En Genesys Cloud CX, configure la integración con AWS EventBridge según la interfaz de administración actual 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, use [Configure based on your system] para las rutas o los ajustes específicos de su organización.
Configure AWS EventBridge para recibir los eventos de Genesys Cloud en el bus seleccionado. Aplique permisos de mínimo privilegio, cifrado, retención y supervisión, y configure un destino de mensajes fallidos cuando sea posible. Cree una regla que reenvíe los eventos necesarios al consumidor que utilice su lago de datos, almacén de datos, procesador de flujos o zona de almacenamiento de objetos.
Capture las cargas útiles sin procesar de EventBridge sin modificar sus marcas de tiempo ni identificadores originales. Guarde 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 e identifique el identificador de conversación, los datos de participantes y sesiones, la información de colas y agentes, el tipo de medio, los datos de cierre y las marcas de tiempo de los eventos. Después, genere una fila normalizada por cada actividad explícita. Use las rutas de campo reales de las muestras de eventos recibidas en su organización. No infiera actividades que no estén representadas por un evento explícito o un cambio de estado.
Asigne los cambios explícitos de estado de conversaciones y participantes de Genesys Cloud a los valores requeridos de ActivityName. Genere Interaction Started cuando exista el evento de creación de la conversación; Conversation Routed to Queue cuando exista el evento de enrutamiento; Agent Offered Interaction cuando el estado del agente sea de alerta; 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 cuando haya un evento explícito de transferencia; After-Call Work Started y After-Call Work Ended para las transiciones explícitas de ACW; Wrap-Up Code Assigned cuando exista una asignación de código de cierre; e Interaction Disconnected cuando se desconecte la conversación o la sesión final pertinente del participante.
Gestione por separado Service Request Re-Opened y Customer Satisfaction Survey Sent. Los eventos de conversación de EventBridge no siempre incluyen estas actividades como eventos directos. Si su organización cuenta con una fuente explícita de eventos de encuestas, inclúyala solo cuando reciba el evento correspondiente. Calcule Service Request Re-Opened únicamente mediante un proceso independiente y documentado basado en reglas de negocio; luego, agregue la fila resultante al Registro de eventos. ProcessMind no calcula ni infiere esta actividad.
Asigne a ServiceRequest el identificador estable de solicitud de servicio o conversación definido en la asignación de su negocio. En ActivityName, incluya exactamente una etiqueta de actividad requerida; en EventTime, la marca de tiempo de inicio de la actividad; en EventEndTime, el dato correspondiente cuando esté disponible; en SourceSystem, Genesys Cloud CX y AWS EventBridge; y en LastDataUpdate, la marca de tiempo de actualización de la extracción. Complete los atributos opcionales cuando haya datos y, de lo contrario, déjelos en NULL.
Elimine los eventos duplicados mediante el identificador de evento del proveedor, si está disponible, o una clave compuesta documentada que incluya ServiceRequest, ActivityName, EventTime, el identificador del participante o agente y el identificador del evento de origen. Tenga en cuenta los reintentos de EventBridge y los eventos que llegan fuera de orden. No elimine actividades repetidas legítimas, como varias esperas, transferencias u ofertas.
Valide los datos normalizados con los recuentos de cargas útiles sin procesar, las marcas de tiempo, los identificadores de conversación, los datos de colas y agentes y la lista completa de actividades. Exporte un archivo plano o cargue una tabla con las columnas obligatorias ServiceRequest, ActivityName, EventTime, SourceSystem y LastDataUpdate, además de las columnas recomendadas que estén disponibles. Asegúrese de que las marcas de tiempo tengan una zona horaria y un formato uniformes que ProcessMind acepte; luego, 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, la región y el bus de eventos de AWS de destino. Use [Configure based on your system] para los ajustes de integración específicos de su 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, cambios de estado, transferencias, desconexiones, cierre y ACW disponibles en su organización de Genesys Cloud. Antes de implementarlos en producción, confirme los tipos de eventos exactos y las rutas de las cargas útiles mediante una interacción de prueba controlada.
Identificador del caso: Use en ServiceRequest el identificador estable de conversación o solicitud de servicio definido en la asignación de su negocio. Si otro sistema cuenta con un identificador de solicitud de servicio independiente, mantenga una referencia cruzada documentada entre ese identificador y el de la conversación de Genesys Cloud.
Intervalo de fechas: Para analizar el proceso, comience con entre 3 y 6 meses de datos históricos. Para operar casi en tiempo real, use un intervalo breve de consulta o de puntos de control de la transmisión y conserve una capa de datos sin procesar que permita reproducir los eventos. Al recuperar datos tras una interrupción, use un período de solapamiento 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 provengan 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 en EventTime. Guarde por separado la hora de ingesta o actualización en LastDataUpdate. Normalice todas las marcas de tiempo a una zona horaria documentada, preferiblemente UTC, y conserve el desplazamiento original cuando sea necesario para auditorías.
Atributos opcionales: Puede completar AgentId y AgentName con los datos de participantes o usuarios; QueueName, con los datos de enrutamiento; WrapUpCode, con los datos de cierre; MediaType, con el canal de la conversación o sesión; y EventEndTime, con una transición de fin explícita o la duración de origen.
Rendimiento: Particione los datos sin procesar y normalizados por fecha del evento y, cuando sea posible, 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 los retrasos y evite volver a analizar todo el historial.
Fiabilidad: Configure la gestión de reintentos, el procesamiento de mensajes fallidos, los procedimientos de reproducción, la detección de duplicados y la supervisión de fallos de entrega, cambios de esquema y retrasos en los eventos.
Requisitos previos: Necesita permisos de administrador o de integración de Genesys Cloud, permisos para 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 privacidad y retención antes de almacenar datos de conversaciones.

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)

¿Todo listo para comenzar?

Aproveche al máximo las operaciones de atención al cliente. Siga este Template para descubrir información útil y mejorar la eficiencia.

Volver a la guía de mejora

Descargar Template

Ponga fin a los contactos repetidos: ¡mejore hoy mismo el servicio al cliente!

Mejore la satisfacción del cliente (CSAT) y alcance fácilmente una resolución en el primer contacto del 80 %.

Iniciar la prueba gratuita

No se requiere 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 de detalles de conversaciones de Genesys Cloud Analytics

Pasos

Configuración

Consulta de ejemplo python

Script de Python con la API de Genesys Cloud Platform

Pasos

Configuración

Consulta de ejemplo python

Transmisión de eventos mediante la integración con AWS EventBridge

Pasos

Configuración

Consulta de ejemplo python

¿Todo listo para comenzar?

Ponga fin a los contactos repetidos: ¡mejore hoy mismo el servicio al cliente!