> Amélioration Continue des Processusus > Service client > Genesys Cloud CX > Template de données

Votre modèle de données pour le service client

Genesys Cloud CX

`Attributes` du service client (19) `Activités (Activities)` du service client (13) Guides d'extraction (3)

Votre modèle de données pour le service client

Ce modèle fournit les étapes nécessaires à la collecte des `données` essentielles nécessaires à l'analyse et à l'optimisation de votre processus de service client. Il décrit les `attributs` recommandés, les `activités` clés à suivre et des conseils pratiques sur l'extraction de ces informations de vos systèmes sources. Utilisez-le pour générer un journal d'événements fiable pour vos initiatives de `Process Mining`.

Attributs recommandés à collecter
Activités clés à suivre
Guide d'extraction

Vous découvrez les journaux d'événements ? Apprenez comment créer un journal d'événements Process Mining.

Télécharger le modèle

`Attributes` du service client

Ce sont les champs de données recommandés à inclure dans votre `journal d'événements` pour une analyse complète du service client.

5 Obligatoire 6 Recommandé 8 Facultatif

	Nom	Descriptionn
	Demande de service ServiceRequest	L'identifiant primaire d'une interaction de service client, reliant toutes les `activités` connexes.
Descriptionn La demande de service, souvent appelée `Ticket` ou `Case`, sert d'identifiant principal pour une seule demande ou un seul problème client. Elle regroupe tous les `events` connexes, du contact initial à la résolution finale, en une seule instance de processus. L'analyse par demande de service permet une vision globale et complet du parcours client et du processus de traitement interne. C'est la base pour calculer des métriques clés comme le temps de résolution total et le taux de résolution au premier contact. Pourquoi est-ce important ? : C'est l'ID de `Case` essentiel qui connecte toutes les étapes du processus, permettant une analyse globale de chaque interaction client du début à la fin. Source des données : C'est l'identifiant de `case` conceptuel. Dans Genesys, cela correspond souvent à l'ID de conversation, mais peut être un identifiant personnalisé selon l'implémentation. Exemples SR-20240521-00123SR-20240521-00124SR-20240522-00001
	Heure de début EventTime	L'horodatage indiquant le début d'une activité ou d'un événement.
Descriptionn Cet `attribut` fournit la date et l'heure précises auxquelles chaque `activité` s'est produite. Il est indispensable pour séquencer correctement les `events` et pour toutes les analyses temporelles. L'heure de début est utilisée pour construire le `flow` du processus dans l'ordre chronologique et constitue la base pour calculer les durées, les temps d'attente et les temps de cycle entre différentes `activités`. Des `horodatages` précis sont essentiels pour une analyse fiable des processus et un suivi des performances. Pourquoi est-ce important ? : Ce `horodatage` ordonne toutes les `activités` chronologiquement, permettant l'analyse précise des `flows` de processus, des durées et des `points de blocage`. Source des données : Trouvé dans les journaux d'événements ou les détails d'interaction dans Genesys Cloud CX, souvent associé à chaque événement système ou utilisateur enregistré. Exemples 2024-05-21T10:00:15Z2024-05-21T10:02:30Z2024-05-21T10:15:00Z
	Nom de l'activité ActivityName	Le nom de l'`event` ou de la tâche spécifique qui s'est produit(e) à un moment donné du cycle de vie de la demande de service.
Descriptionn Cet `attribut` décrit une étape spécifique ou un changement d'état au sein du processus de service client. Chaque `activité` représente un `event` distinct, tel que 'Interaction acceptée par l'agent' ou '`Wrap-Up Code` attribué'. L'analyse de la séquence et de la fréquence de ces `activités` est clée pour le `Process Mining`. Elle aide à visualiser les `flows` de processus, à identifier les écarts et à localiser les `points de blocage` ou les étapes inefficaces. Pourquoi est-ce important ? : Les activités constituent la pivot de la cartographie des processus, pour visualiser et l'analyse du flux de processus réel par rapport au flux conçu. Source des données : Ceci est généralement dérivé en mappant les `events` système, les états d'agent ou les entrées spécifiques du journal d'audit dans Genesys Cloud CX à des noms d'`activité` standardisés. Exemples Interaction débutéeAgent a Accepté l'InteractionTravail Post-Appel TerminéDemande de service rouverte
	Dernière mise à jour des données LastDataUpdate	Le `horodatage` de la dernière actualisation des `données`.
Descriptionn Cet `attribut` indique la dernière fois que le jeu de données a été mis à jour à partir du système source. Il fournit un contexte sur la fraîcheur des `données` analysées, ce qui est indispensable pour prendre des décisions stratégiques au bon moment et pertinentes. Les `dashboards` et les rapports devraient afficher cette information clairement afin que les utilisateurs soient conscients de l'actualité des `données` et puissent évaluer la validité des `insights`. Pourquoi est-ce important ? : Indique la la réactualisation des données, garantissant que les analyses et les décisions sont basées sur des informations à jour. Source des données : Cette valeur est générée et estampillée sur le jeu de données au moment de l'extraction ou du chargement des `données` dans l'outil de `Process Mining`. Exemples 2024-05-23T04:00:00Z2024-05-24T04:00:00Z
	Système source SourceSystem	Le système d'où les données ont été extraites.
Descriptionn Cet `attribut` identifie le système d'origine pour les `données` d'`event`, qui dans ce `case` est Genesys Cloud CX. Dans les environnements avec plusieurs systèmes intégrés, ce champ est impératif pour la lignée des `données`, le dépannage et la compréhension du contexte des `données`. Il aide à garantir que l'analyse est basée sur la bonne source de données et permet de filtrer ou de segmenter les `données` lorsque plusieurs systèmes contribuent à une seule vue de processus. Pourquoi est-ce important ? : Identifie l'origine des données, ce qui est impératif pour la gouvernance des données, la validation et la fusion des données provenant de plusieurs systèmes. Source des données : C'est typiquement une valeur statique ajoutée pendant le processus d'extraction et de transformation des `données` pour étiqueter l'origine des enregistrements. Exemples Genesys Cloud CXGenesysCloudCX_US1Genesys
	`Wrap-Up Code` WrapUpCode	Un code attribué par un agent à la fin d'une interaction pour en catégoriser le résultat ou le sujet.
Descriptionn Le `Wrap-Up Code` est une étiquette sélectionnée par un agent pour classer la nature ou la résolution d'une interaction client. Ces codes fournissent des `données` structurées sur les raisons pour lesquelles les clients contactent le support. L'analyse des `Wrap-Up Codes` aide à identifier les types de problèmes courants, à suivre les résultats de résolution et à mesurer la fréquence des demandes spécifiques. Ces `données` sont précieuses pour l'analyse des causes profondes et la compréhension des modèles de demande de service. Pourquoi est-ce important ? : Catégorise le résultat d'une interaction, fournissant des données structurées pour l'analyse des problèmes courants, de l'efficacité de la résolution et des motifs de contact. Source des données : Disponible dans les enregistrements de détails de conversation de Genesys Cloud CX, spécifiquement dans les détails de session pour les participants agents. Exemples Réinitialisation du mot de passeLitige de Facturation RésoluDemande d'informations sur le produitEscaladé au niveau 2
	Canal de communication MediaType	Le canal de communication utilisé pour l'interaction, tel que la voix, le `chat` ou l'`email`.
Descriptionn Cet `attribut` spécifie le médium par lequel le client et l'agent ont communiqué. Les canaux courants incluent la voix, le `chat` ou l'`email` et les médias sociaux. L'analyse des performances par canal, comme effectué dans le `tableau de bord` 'Performance des Canaux de Communication', aide les entreprises à comprendre les volumes, les temps de résolution et la satisfaction client spécifiques à chaque canal. Cet `insight` est impératif pour optimiser la stratégie de canal et l'allocation des ressources. Pourquoi est-ce important ? : Segmenter le processus par canal de communication est impératif pour comprendre la performance spécifique au canal, le comportement du client et les besoins en ressources. Source des données : Un champ standard dans les enregistrements de détails de conversation de Genesys Cloud CX. Exemples voixchatemailmessage
	Heure de fin EventEndTime	Le `horodatage` indiquant la fin d'une `activité` ou d'un `event`.
Descriptionn Cet `attribut` enregistre le moment précis où une `activité` se termine. Associé à l'Heure de Début, il permet le calcul exact de la durée de chaque `activité` individuelle. L'analyse des durées d'`activité` est indispensablele pour identifier les étapes du processus qui prennent le plus de temps, aidant à localiser les inefficacités et les opportunités d'optimisation. Par exemple, cela peut mettre en évidence de longs temps de 'Mise en attente de l'interaction' ou des durées prolongées de 'Travail post-appel'. Pourquoi est-ce important ? : Permet le calcul précis des durées d'activités individuelles, ce qui est indispensable pour identifier les étapes chronophages et les points de blocage de performance. Source des données : Trouvé dans les journaux d'événements ou les détails d'interaction dans Genesys Cloud CX. Il peut également être dérivé de l'heure de début de l'événement suivant. Exemples 2024-05-21T10:02:30Z2024-05-21T10:15:00Z2024-05-21T10:18:45Z
	ID de l'Agent AgentId	L'identifiant unique de l'agent qui a géré l'interaction ou l'activité.
Descriptionn L'ID de l'agent est une clé unique pour chaque représentant du service client. Cet `attribut` est indispensable pour toute analyse liée à la performance de l'agent, à la distribution de la charge de travail et à l'efficacité. Il permet de filtrer la cartographie des processus pour voir comment des agents ou des équipes spécifiques traitent les demandes, en comparant leurs métriques de performance comme le temps de résolution, le taux de reprise et l'adhérence aux procédures standards. C'est une élément central pour le `tableau de bord` 'Performance & Efficacité de l'Agent'. Pourquoi est-ce important ? : Cet `attribut` connecte les `activités` de processus à des employés spécifiques, permettant l'analyse de la performance individuelle, de la charge de travail et de l'efficacité de l'équipe. Source des données : Disponible dans les enregistrements de détails de conversation de Genesys Cloud CX, associé à l'utilisateur qui a traité un segment spécifique de l'interaction. Exemples a1b2c3d4-e5f6-7890-1, 2, 3, 4-567890abcdeff0e9d8c7-b6a5-4321-fedc-ba0987654321
	Nom de l'agent AgentName	Le nom complet de l'agent qui a géré l'interaction ou l'activité.
Descriptionn Le nom de l'agent fournit un identifiant lisible pour le représentant de service, correspondant à l'ID de l'agent. Cet `attribut` rend les `dashboards` et les rapports plus intuitifs pour les managers et les chefs d'équipe. Il est largement utilisé dans les analyses centrées sur l'agent pour examiner les performances, identifier les besoins en formation et assurer une répartition équitable de la charge de travail sans avoir à croiser les ID système. Pourquoi est-ce important ? : Fournit un nom convivial pour l'agent, facilitant l'analyse des performances et la communication des résultats sans utiliser d'identifiants techniques. Source des données : Récupéré du service Utilisateurs ou Annuaire dans Genesys Cloud CX en recherchant l'AgentId. Exemples John SmithJane DoePeter Jones
	Nom de la file d'attente QueueName	Le nom de la file d'attente vers laquelle l'interaction a été acheminée.
Descriptionn Cet `attribut` identifie la file d'attente spécifique dans laquelle une interaction a patienté avant d'être attribuée à un agent. L'analyse des `données` par Nom de File d'attente est indispensablele pour le `tableau de bord` 'Détection des `points de blocage` dans les files d'attente de service'. Elle aide les managers à comprendre la distribution de la charge de travail entre différents groupes de compétences ou lignes de service, à mesurer les temps d'attente par file d'attente et à identifier les files d'attente qui sont constamment en sous-effectif ou surchargées. Cette information est indispensablele pour améliorer l'allocation des ressources et améliorer les temps d'attente des clients. Pourquoi est-ce important ? : Aide à identifier les points de blocage et à analyser la répartition de la charge de travail en montrant où les demandes de service sont en attente d'attribution. Source des données : Disponible dans les enregistrements de détails de conversation de Genesys Cloud CX. Chaque interaction peut passer par une ou plusieurs files d'attente. Exemples Support de niveau 1 - VoixDemandes de Facturation - ChatSupport technique - Email
	Est conforme aux SLA IsSlaCompliant	Un indicateur signalant si la demande de service a été résolue dans le délai cible SLA.
Descriptionn Cet `attribut` booléen indique si une demande de service a atteint son objectif de temps de résolution. Il est calculé en comparant le 'ServiceResolutionTime' au 'SlaTargetResolutionTime'. Ce drapeau simplifie l'analyse et la visualisation pour le `tableau de bord` 'Aperçu de la `Conformité` SLA' et est la base pour calculer le KPI 'Taux de `Conformité` SLA'. Il permet un filtrage et une segmentation rapides des `cases` `conformes` ou non `conformes` pour identifier les modèles courants de violations de SLA. Pourquoi est-ce important ? : Simplifie l'analyse des performances SLA en signalant clairement chaque `case` comme `conforme` ou violé, permettant l'analyse des causes profondes des défaillances. Source des données : Champ calculé : Vrai si ServiceResolutionTime <= SlaTargetResolutionTime, sinon Faux. Exemples truefaux
	Est-ce une Résolution au Premier Contact IsFirstContactResolution	Un indicateur signalant si la demande de service a été résolue en une seule interaction.
Descriptionn Cet `attribut` booléen identifie les `cases` qui ont été résolus lors de la première interaction, sans nécessiter de suivi du client ou de transferts internes. Une valeur 'true' signifie une résolution idéale et efficace. Cet `attribut` est la base du KPI 'Taux de résolution au premier contact' et de son `tableau de bord` correspondant. L'analyse des caractéristiques des `cases` qui ne sont pas résolus au premier contact peut révéler des opportunités de formation des agents, d'améliorations de la base de connaissances ou de changements de processus. Pourquoi est-ce important ? : Mesure directement l'efficacité et la satisfaction client, car la résolution des problèmes dès la première tentative est un facteur clé d'une expérience de service positive. Source des données : Champ calculé, dérivé en analysant la séquence d'événements pour un cas. Un cas est considéré comme FCR s'il est résolu sans certaines activités intermédiaires comme les transferts ou les réouvertures. Exemples truefaux
	ID de Conversation ConversationId	L'identifiant unique attribué par Genesys à une conversation entière.
Descriptionn L'ID de conversation est la clé technique primaire dans Genesys Cloud CX qui regroupe toutes les interactions, segments et participants liés à une seule conversation client. Bien que la 'Demande de service' conceptuelle soit utilisée comme `Case` ID, l'ID de conversation est la clé sous-jacente utilisée pour récupérer toutes les `données` associées à partir des API Genesys. Il est indispensable pour l'extraction de données, la jonction de différents ensembles de données et pour la validation technique des `données` de processus. Pourquoi est-ce important ? : C'est la clé technique primaire dans Genesys, essentielle pour l'extraction de données, le dépannage et le lien vers le système source. Source des données : C'est un champ primaire dans toutes les analyses Genesys Cloud CX et les API de conversation. Exemples d8a7c6b5-e4f3-2109-8765-fedcba098765c7b6a5d4-f3e2-1098-7654-edcbaf987654
	Incident rouvert IsReopened	Un indicateur signalant si une demande de service résolue a été ultérieurement rouverte.
Descriptionn Cet `attribut` booléen signale les demandes de service qui ont été définies comme résolues ou clôturées mais qui sont ensuite redevenues actives. Les `cases` rouverts indiquent souvent que la solution initiale n'était pas efficace ou complète, entraînant une insatisfaction client et un travail supplémentaire. Cet `attribut` alimente le `tableau de bord` 'Tendances de réouverture des demandes de service' et le KPI 'Taux de réouverture des demandes de service'. L'analyse de ces `cases` aide à identifier les causes profondes des résolutions inefficaces. Pourquoi est-ce important ? : Met en évidence les échecs dans le processus de résolution, signalant des problèmes de qualité des solutions et entraînant des retouches et une mauvaise expérience client. Source des données : Champ calculé, dérivé en détectant une activité qui réactive le cas après qu'une activité de 'Demande de Service Résolue' ait eu lieu. Exemples truefaux
	Score CSAT CustomerSatisfactionScore	Le score de satisfaction fourni par le client dans un sondage post-interaction.
Descriptionn Le score de satisfaction client, ou CSAT, est une mesure directe de la perception du client concernant le service reçu. Il est généralement collecté via un sondage envoyé après la clôture de l'interaction. L'analyse des scores CSAT en conjonction avec les `données` de processus peut révéler comment les variations de processus, les temps de résolution ou des agents spécifiques impactent la satisfaction client. C'est une indicateur de résultat majeur pour évaluer le succès global du processus. Pourquoi est-ce important ? : Mesure directement la satisfaction client, permettant une analyse de corrélation entre la performance des processus et les résultats pour le client. Source des données : Ces `données` proviennent généralement du module Genesys Cloud CX Quality Management ou d'un outil de sondage tiers intégré à Genesys. Exemples 5413
	Temps de résolution cible du SLA SlaTargetResolutionTime	Le temps cible convenu contractuellement pour la résolution de la demande de service.
Descriptionn Cet `attribut` définit le temps maximum autorisé pour la résolution d'une demande de service, selon le Contrat de Niveau de Service (SLA). Il sert de référence pour mesurer les temps de résolution réels. Ces `données` sont essentielles pour le `tableau de bord` 'Aperçu de la `Conformité` SLA' et le KPI 'Taux de `Conformité` SLA', permettant à l'organisation de surveiller sa performance par rapport aux engagements clients et d'identifier les violations potentielles avant qu'elles ne se produisent. Pourquoi est-ce important ? : Fournit la référence pour mesurer la `conformité` SLA, un indicateur critique de la performance du service et des obligations contractuelles. Source des données : Ceci peut être stocké comme un `attribut` personnalisé sur la conversation ou dérivé sur la base de règles impliquant la file d'attente, le type de client ou le type de demande. Exemples 86400144003600
	Temps de résolution du service ServiceResolutionTime	Le temps total écoulé entre le début de la première interaction client et la résolution finale.
Descriptionn Cette métrique mesure la durée totale d'une demande de service, du moment où le client initie le contact jusqu'à ce que le problème soit marqué comme résolu. C'est un indicateur clé de performance pour l'efficacité globale du processus et l'expérience client. Cet `attribut` calculé est l'objectif principal du `tableau de bord` 'Temps de résolution des demandes de service' et du KPI 'Temps de résolution moyen du service'. L'analyse de sa distribution aide à identifier les `cases` de longue durée et les retards systémiques. Pourquoi est-ce important ? : C'est un KPI clé pour mesurer l'efficacité globale du processus et son impact sur l'expérience client. Source des données : Champ calculé : Horodatage de l'activité de résolution finale moins l'horodatage de la première activité de contact client. Exemples 90010800172800
	Type de demande de service ServiceRequestType	La classification de la demande de service, telle que 'Demande d'information', 'Plainte' ou 'Problème technique'.
Descriptionn Cet `attribut` catégorise la demande de service en fonction de sa nature ou de son objectif. Il permet de segmenter l'analyse pour comprendre comment différents types de demandes sont gérés. Par exemple, le `flow` du processus et le temps de résolution pour une 'Plainte' peuvent différer significativement d'une 'Demande générale'. Cette dimension est fondamentale pour des `dashboards` comme 'Analyse des `escalades` internes' afin de voir si certains types de demandes sont `escaladés` plus fréquemment. Pourquoi est-ce important ? : Permet la segmentation des processus pour comparer la façon dont les différents types de demandes sont traités et identifier les points de blocage ou les inefficacités spécifiques à chaque type. Source des données : Ces informationsns peuvent être capturées via une sélection IVR, le choix d'un client sur un formulaire web, ou attribuées par un agent. Dans Genesys, elles peuvent être stockées comme un `attribut` de participant ou un `wrap-up code`. Exemples Demande de FacturationSupport techniqueGestion de ComptePlainte produit

Obligatoire Recommandé Facultatif

`Activités (Activities)` du service client

Voici les étapes de processus et les jalons clés à capturer dans votre `journal d'événements` pour une `découverte de processus` précise.

5 Recommandé 8 Facultatif

	Activité	Descriptionn
	`Wrap-Up Code` attribué	Un agent attribue un code de clôture prédéfini, ou code de disposition, à l'interaction. Cela catégorise explicitement le résultat de la demande de service, tel que 'Résolue' ou 'Escaladée'.
Pourquoi est-ce important ? : Les `wrap-up codes` sont une source principale pour déterminer le résultat commercial d'une demande. Ils sont vitaux pour calculer les taux de résolution et segmenter les `cases` pour l'analyse. Source des données : C'est un `event` explicite trouvé dans les enregistrements détaillés de la conversation, typiquement dans les `données` de session du participant agent. Le `wrapUp code` et le `horodatage` sont enregistrés. Capture Comptabilisé lorsqu'un agent sélectionne un code de clôture pour l'interaction. Type d'événement explicit
	Agent a Accepté l'Interaction	Marque le moment où un agent accepte l'interaction proposée et est connecté au client. C'est une étape clé où le traitement direct de la demande de service commence.
Pourquoi est-ce important ? : Cette `activité` est indispensablele pour mesurer la Résolution au Premier Contact et le temps de traitement de l'agent. Elle marque le début du travail de l'agent sur la demande. Source des données : Disponible dans les enregistrements de détails de conversation. Il est marqué par le changement d'état du participant agent en 'connecté', avec un horodatage associé. Capture Comptabilisé lorsque l'état d'un participant agent passe à 'connecté'. Type d'événement explicit
	Interaction débutée	Cette `activité` marque le début d'une interaction de service client, telle qu'un appel entrant, un `chat` ou un `email`. Genesys Cloud CX enregistre explicitement cet `event` lorsqu'un nouvel `objet` de conversation est créé dans le système.
Pourquoi est-ce important ? : C'est l'`event` de démarrage principal pour le processus de demande de service. Il est indispensable pour calculer le temps de résolution total et comprendre les modèles de demande client entrants. Source des données : Cet `event` est capturé à partir des enregistrements détaillés de la conversation. Il correspond à l'heure de début de l'`objet` de conversation lui-même, généralement trouvée dans le `horodatage` conversationStart. Capture Comptabilisé lorsqu'une nouvelle conversation est initiée dans le système. Type d'événement explicit
	Interaction déconnectée	Cette `activité` marque la fin de la conversation, lorsque tous les participants se sont déconnectés. Cela sert souvent de clôture technique de l'interaction de demande de service.
Pourquoi est-ce important ? : C'est un `event` de fin définitif pour l'interaction elle-même. Il est impératif pour calculer la durée totale de l'interaction et est souvent utilisé comme proxy pour la clôture de la demande. Source des données : Ceci est capturé à partir des enregistrements détaillés de la conversation. Il correspond à l'heure de fin de l'`objet` de conversation, généralement trouvée dans le `horodatage` conversationEnd. Capture Comptabilisé lorsque tous les participants se sont déconnectés et que la conversation se termine. Type d'événement explicit
	Interaction Transférée	Représente un agent transférant une interaction vers une autre file d'attente ou un autre agent. Il peut s'agir d'un transfert à l'aveugle où l'agent se déconnecte immédiatement ou d'un transfert de consultation où il parle d'abord avec le destinataire.
Pourquoi est-ce important ? : Cette `activité` est indispensablele pour le KPI de Taux d'`Escalade` Interne. Des taux de transfert élevés peuvent indiquer des besoins en formation, un routage incorrect ou une complexité de processus. Source des données : Ceci est identifié dans les enregistrements détaillés de la conversation lorsqu'un nouveau participant ACD ou agent est ajouté à la conversation suite à l'implication initiale de l'agent, souvent initié par un `event` de 'transfert'. Capture Identifié par un événement de transfert dans les données de session du participant. Type d'événement explicit
	Attente Retirée de l'Interaction	Se produit lorsqu'un agent reprend la conversation avec un client mis en attente. Cet `event` marque la fin d'une période d'attente et est enregistré comme un changement d'état.
Pourquoi est-ce important ? : Associée à 'Mise en attente de l'interaction', cette `activité` permet un calcul précis du temps d'attente total, un élément clé du temps de traitement global et de l'expérience client. Source des données : Dérivé des données de session du participant agent lorsque son état passe de 'en attente' à 'connecté'. Capture Comptabilisé lorsque l'état d'un participant agent passe de 'en attente' à 'connecté'. Type d'événement explicit
	Conversation Routée vers la File d'Attente	Représente le moment où une nouvelle interaction est placée dans une file d'attente spécifique pour attendre un agent disponible. Il s'agit d'un `event` explicite enregistré par le moteur de routage Genesys (ACD).
Pourquoi est-ce important ? : Le suivi de cette `activité` est indispensable pour mesurer les temps d'attente en file d'attente et identifier les `points de blocage` dans le processus de routage. Des durées élevées entre cette étape et l'attribution à un agent indiquent des problèmes de personnel ou de logique de routage. Source des données : Capturé à partir des enregistrements de détails de conversation, en examinant spécifiquement le 'but' et l''état' du participant ACD dans la conversation. L''enterTime' pour la file d'attente dans le tableau des métriques indique cet événement. Capture Comptabilisé lorsque le moteur de routage ACD place une conversation dans une file d'attente. Type d'événement explicit
	Demande de service rouverte	Représente une situation où un client contacte à nouveau le centre de service pour le même problème peu de temps après qu'il ait été considéré comme résolu. Ce n'est pas un `event` explicite mais il est calculé sur la base de la logique métier.
Pourquoi est-ce important ? : Le suivi des demandes rouvertes est indispensable pour mesurer le Taux de Réouverture des Demandes de Service. Il indique que la résolution initiale n'a pas été efficace, impactant la satisfaction client et l'efficacité opérationnelle. Source des données : Cette `activité` est inférée en identifiant un nouvel `event` 'Interaction démarrée' pour le même client (ID Client) et le problème associé (par exemple, Type de Demande de Service) dans une fenêtre de temps prédéfinie après qu'une interaction précédente ait été résolue. Capture Calculé en reliant une nouvelle interaction à une interaction récemment clôturée pour le même client et le même problème. Type d'événement calculated
	Enquête de satisfaction client envoyée	Cette `activité` se produit lorsqu'un sondage de satisfaction client (CSAT) est envoyé suite à la clôture d'une interaction. Cela est souvent déclenché automatiquement par le système sur la base de règles prédéfinies.
Pourquoi est-ce important ? : Cette `activité` est nécessaire pour mesurer le KPI de Rapidité de Livraison du Sondage CSAT. Assurer une livraison rapide des sondages aide à capturer un `feedback` précis pendant que l'expérience est fraîche dans l'esprit du client. Source des données : Ces informationsns sont généralement disponibles à partir des `données` de sondage ou de gestion de la qualité dans Genesys Cloud CX, qui peuvent être liées à l'ID de conversation original. Capture Comptabilisé par le module d'enquête lorsqu'une enquête est envoyée pour une conversation spécifique. Type d'événement explicit
	Interaction Offerte à l'Agent	Cet `event` se produit lorsque le système propose une interaction à un agent spécifique. Le statut de l'agent passe à 'alerting' pendant que le système attend qu'il accepte ou refuse la conversation.
Pourquoi est-ce important ? : Cette `activité` aide à analyser la réactivité de l'agent et l'efficacité de l'algorithme de routage. Les retards après ce point peuvent indiquer que les agents n'acceptent pas le travail rapidement. Source des données : Trouvé dans les enregistrements de détails de conversation danss données de participant pour l'agent. La session du participant affichera une métrique avec un état 'alerting' et un horodatage correspondant. Capture Comptabilisé lorsque le moteur de routage alerte un agent d'une nouvelle interaction. Type d'événement explicit
	Mise en Attente sur l'Interaction	Cette `activité` est enregistrée lorsqu'un agent met un client en attente pendant une interaction. Il s'agit d'un changement d'état explicite pour le participant agent dans la conversation.
Pourquoi est-ce important ? : L'analyse de la fréquence et de la durée des mises en attente peut révéler des inefficacités de processus, telles que le besoin fréquent des agents de rechercher des informations ou de consulter d'autres personnes. Source des données : Capturé à partir des données de session du participant agent dans les enregistrements de détails de conversation. L'état passe à 'en attente' et un horodatage est enregistré. Capture Comptabilisé lorsque l'état d'un participant agent passe à 'en attente'. Type d'événement explicit
	Travail Post-Appel Commencé	Cette `activité` marque le début de la période de travail post-appel (ACW). L'agent s'est déconnecté du client mais est maintenant dans un état dédié pour effectuer des tâches comme la consignation de notes ou la mise à jour des systèmes.
Pourquoi est-ce important ? : Mesurer la durée de l'ACW est indispensable pour comprendre l'efficacité des agents et le temps de traitement global. Un ACW prolongé peut être un signe de processus post-interaction inefficaces. Source des données : Capturé à partir des données de session du participant agent. Il est enregistré lorsque l'état de l'agent passe à 'ACW' après la déconnexion du participant client. Capture Comptabilisé lorsque l'état d'un participant agent passe à 'ACW'. Type d'événement explicit
	Travail Post-Appel Terminé	Ceci marque la fin de la période de travail post-appel pour un agent. À ce stade, l'agent devient disponible pour gérer une autre interaction.
Pourquoi est-ce important ? : Cette `activité`, combinée à 'Début du travail post-appel', fournit la durée précise de la phase de `wrap-up`, aidant à analyser la productivité des agents et les frais généraux du processus. Source des données : Ceci est inféré lorsque l'état de l'agent passe de 'acw' à un état disponible, tel que 'idle'. Le `horodatage` de ce changement d'état est utilisé. Capture Inférencé à partir du changement d'état de l'agent de 'ACW' à un état disponible. Type d'événement inferred

Recommandé Facultatif

Guides d'extraction

Comment obtenir vos données de Genesys Cloud CX

Étapes

Naviguer vers l'espace de travail d'analyse: Connectez-vous à Genesys Cloud CX. Allez dans le menu et sélectionnez Admin, puis sous Analytics, choisissez Workspace.
Créer une nouvelle vue: Cliquez sur l'icône plus pour ajouter un nouvel onglet et sélectionnez "Créer une nouvelle vue". Choisissez "Interactions" comme type de vue. Cela ouvrira l'éditeur de vue d'interaction.
Définir la plage de dates: Dans le panneau de filtre à gauche, définissez l'intervalle de date et d'heure souhaité pour les données que vous souhaitez extraire. Il est recommandé de commencer par une plage de dates plus petite, comme une semaine, pour tester le processus.
Sélectionner les colonnes pour l'exportation: C'est l'étape la plus critique pour la préparation des données. Cliquez sur le bouton "Colonnes". Parmi les champs disponibles, sélectionnez et ajoutez les colonnes suivantes à votre vue. Ces champs contiennent les données nécessaires à la construction du journal d'événements:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (C'est un champ complexe contenant des données imbriquées d'agents, de files d'attente et de clients)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Appliquer des filtres supplémentaires: Utilisez le panneau de filtre pour affiner les données si nécessaire. Vous pouvez filtrer par Media Type (par exemple, voix, chat), Queue, Direction (entrant/sortant) ou d'autres propriétés de conversation pour vous concentrer sur le processus de demande de service spécifique.
Enregistrer et exécuter la vue: Enregistrez la vue avec un nom descriptif, par exemple, "Exportation de demandes de service Process Mining". La vue chargera ensuite les données correspondant à vos critères.
Lancer l'exportation: Une fois les données chargées dans votre vue, cliquez sur le bouton "Exporter", généralement représenté par une icône de téléchargement. Sélectionnez "Exporter en CSV" ou "Exporter en JSON". Le CSV est souvent plus facile pour le traitement initial.
Télécharger le fichier exporté: La tâche d'exportation s'exécutera en arrière-plan. Vous pouvez suivre sa progression en naviguant vers Performance > My Exports. Une fois terminée, téléchargez le fichier sur votre système local.
Transformer les données brutes: Le fichier exporté contient une ligne par conversation, avec des données de participant et de segment imbriquées dans une seule colonne. Vous devez exécuter un script de transformation, comme le script Python fourni dans la section Requête, pour désimbriquer ces données. Ce script analysera l'exportation brute et créera un nouveau fichier où chaque ligne représente une seule activité, telle que "Agent a Accepté l'Interaction" ou "Mise en Attente sur l'Interaction".
Mettre en œuvre une logique personnalisée: Dans le cadre de la transformation, mettez en œuvre toute logique spécifique à l'entreprise. Par exemple, l'activité "Demande de Service Rouverte" doit être calculée en analysant les interactions ultérieures du même client dans un délai défini.
Finaliser le journal d'événements: Le script de transformation doit produire un fichier CSV avec des colonnes correspondant au format requis pour ProcessMind, y compris ServiceRequest, (ActivityName), (EventTime) et d'autres attributs. Assurez-vous que tous les horodatages sont dans un format cohérent.
Télécharger vers ProcessMind: Le fichier CSV final transformé est maintenant prêt à être téléchargé dans votre outil de Process Mining.

Configuration

Permissions: Votre rôle d'utilisateur Genesys Cloud CX doit disposer de l'autorisation Analytics > Conversation > View pour accéder à l'Espace de travail Analytics et créer des vues d'interaction.
Plage de dates: Pour l'extraction initiale, utilisez une période représentative de 3 à 6 mois. Pour les centres de contact à très fort volume, il est recommandé d'exporter les données par petits morceaux, par exemple hebdomadairement ou mensuellement, afin d'éviter d'atteindre les limites du système et de gérer la taille des fichiers.
Filtres clés:
- Media Type: Filtrez les canaux pertinents pour votre processus de service client, tels que voice, chat ou email.
- Queue: Si le processus est géré par des équipes spécifiques, filtrez par les ID de file d'attente pertinents pour vous assurer que vous n'extrayez que les données pour le processus souhaité.
- Direction: Généralement, vous voudrez filtrer les interactions inbound pour capturer les demandes de service initiées par le client.
Colonnes d'exportation: La colonne Participants est indispensablele car elle contient la chronologie détaillée des événements pour les agents et les files d'attente. Sans cette colonne, vous ne pouvez pas extraire les activités individuelles. Assurez-vous que Conversation ID, Conversation Start et Conversation End sont également inclus.
Considérations relatives aux performances: L'exportation d'un grand nombre de colonnes ou d'une très longue plage de dates peut faire en sorte que la tâche d'exportation prenne un temps considérable. Si la tâche échoue ou expire, réduisez la plage de dates et réessayez. Genesys Cloud a une limite d'environ 1 million de conversations par tâche d'exportation.

a Exemple de requête config

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Étapes

Prérequis et Configuration: Assurez-vous d'avoir Python 3.8+ installé, ainsi que les bibliothèques pandas et purecloud-platform-client-v2. Vous pouvez les installer à l'aide de pip : pip install pandas purecloud-platform-client-v2.
Créer un client OAuth Genesys Cloud: Connectez-vous à votre compte administrateur Genesys Cloud CX. Naviguez vers Intégrations > OAuth et créez un nouveau client avec le type d'octroi 'Client Credentials'. Attribuez un rôle incluant la permission analytics:conversationDetail:view.
Configurer les identifiants du script: Sauvegardez l'ID client et le secret client de l'étape précédente. Dans le script Python fourni ci-dessous, remplacez les valeurs d'espace réservé pour CLIENT_ID, CLIENT_SECRET et GENESYS_CLOUD_REGION par vos identifiants spécifiques.
Définir l'intervalle d'extraction: Localisez la variable query_body dans le script. Modifiez la valeur de interval pour spécifier la plage de dates et d'heures pour les données que vous souhaitez extraire. Il est recommandé de commencer par une petite plage, comme une seule journée, pour les tests.
Exécuter le script Python: Exécutez le script depuis votre terminal en utilisant python your_script_name.py. Le script s'authentifiera auprès de l'API Genesys Cloud, soumettra une tâche d'analyse asynchrone et affichera l'ID de la tâche.
Suivre l'exécution de la tâche: Le script interrogera automatiquement l'API toutes les 15 secondes pour vérifier le statut de la tâche. Vous verrez les mises à jour de statut affichées dans la console. Cette étape peut prendre plusieurs minutes ou plus, selon le volume de données demandé.
Traiter et transformer les données: Une fois la tâche terminée, le script télécharge les données JSON résultantes. Il parcourt ensuite chaque enregistrement de conversation, analysant les données de participant, de session et de segment pour identifier et structurer les activités et attributs clés.
Gérer les événements calculés: Le script inclut une étape de post-traitement pour identifier les événements de 'Demande de Service Rouverte'. Cette logique, que vous pouvez personnaliser, vérifie les nouvelles interactions du même client dans une fenêtre de temps spécifiée après la résolution d'une interaction précédente.
Générer le journal d'événements: Les données transformées sont compilées dans un DataFrame pandas, qui reflète la structure d'un journal d'événements de Process Mining.
Exporter le fichier CSV final: Le script enregistre le DataFrame final sous forme de fichier CSV nommé genesys_event_log.csv. Ce fichier est formaté pour un téléchargement direct sur la plateforme ProcessMind.

Configuration

API Credentials: Un ID client et un secret client OAuth sont requis pour l'authentification. Ceux-ci doivent être créés dans l'interface d'administration de Genesys Cloud CX.
API Permissions: Le rôle client OAuth associé doit avoir la permission analytics:conversationDetail:view pour accéder aux données de conversation nécessaires.
Extraction Interval: Le paramètre interval dans le corps de la requête API contrôle la plage de dates de l'extraction. Pour les grands environnements, il est recommandé d'exécuter l'extraction par petits lots séquentiels (par exemple, une semaine à la fois) pour éviter les délais d'attente de l'API et gérer l'utilisation de la mémoire.
Data Filters: Le corps de la requête API peut être modifié pour inclure conversationFilters, segmentFilters ou evaluationFilters afin de restreindre la portée de l'extraction. Par exemple, vous pourriez filtrer par queueId ou mediaType spécifique pour cibler une partie particulière du processus de service client.
Re-Open Logic: La fenêtre de temps pour identifier un événement 'Service Request Re-Opened' est configurable dans le script. La valeur par défaut est de 72 heures, mais elle doit être ajustée pour correspondre aux règles métier de votre organisation.
Environment: Un environnement Python local avec le SDK et les bibliothèques requis est nécessaire pour exécuter le script. Aucun accès direct au serveur ou à la base de données Genesys Cloud CX n'est nécessaire.

a Exemple de requête 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()

Étapes

Naviguer vers l'espace de travail d'analyse: Connectez-vous à Genesys Cloud CX. Allez dans le menu et sélectionnez Admin, puis sous Analytics, choisissez Workspace.
Créer une nouvelle vue: Cliquez sur l'icône plus pour ajouter un nouvel onglet et sélectionnez "Créer une nouvelle vue". Choisissez "Interactions" comme type de vue. Cela ouvrira l'éditeur de vue d'interaction.
Définir la plage de dates: Dans le panneau de filtre à gauche, définissez l'intervalle de date et d'heure souhaité pour les données que vous souhaitez extraire. Il est recommandé de commencer par une plage de dates plus petite, comme une semaine, pour tester le processus.
Sélectionner les colonnes pour l'exportation: C'est l'étape la plus critique pour la préparation des données. Cliquez sur le bouton "Colonnes". Parmi les champs disponibles, sélectionnez et ajoutez les colonnes suivantes à votre vue. Ces champs contiennent les données nécessaires à la construction du journal d'événements:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (C'est un champ complexe contenant des données imbriquées d'agents, de files d'attente et de clients)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Appliquer des filtres supplémentaires: Utilisez le panneau de filtre pour affiner les données si nécessaire. Vous pouvez filtrer par Media Type (par exemple, voix, chat), Queue, Direction (entrant/sortant) ou d'autres propriétés de conversation pour vous concentrer sur le processus de demande de service spécifique.
Enregistrer et exécuter la vue: Enregistrez la vue avec un nom descriptif, par exemple, "Exportation de demandes de service Process Mining". La vue chargera ensuite les données correspondant à vos critères.
Lancer l'exportation: Une fois les données chargées dans votre vue, cliquez sur le bouton "Exporter", généralement représenté par une icône de téléchargement. Sélectionnez "Exporter en CSV" ou "Exporter en JSON". Le CSV est souvent plus facile pour le traitement initial.
Télécharger le fichier exporté: La tâche d'exportation s'exécutera en arrière-plan. Vous pouvez suivre sa progression en naviguant vers Performance > My Exports. Une fois terminée, téléchargez le fichier sur votre système local.
Transformer les données brutes: Le fichier exporté contient une ligne par conversation, avec des données de participant et de segment imbriquées dans une seule colonne. Vous devez exécuter un script de transformation, comme le script Python fourni dans la section Requête, pour désimbriquer ces données. Ce script analysera l'exportation brute et créera un nouveau fichier où chaque ligne représente une seule activité, telle que "Agent a Accepté l'Interaction" ou "Mise en Attente sur l'Interaction".
Mettre en œuvre une logique personnalisée: Dans le cadre de la transformation, mettez en œuvre toute logique spécifique à l'entreprise. Par exemple, l'activité "Demande de Service Rouverte" doit être calculée en analysant les interactions ultérieures du même client dans un délai défini.
Finaliser le journal d'événements: Le script de transformation doit produire un fichier CSV avec des colonnes correspondant au format requis pour ProcessMind, y compris ServiceRequest, (ActivityName), (EventTime) et d'autres attributs. Assurez-vous que tous les horodatages sont dans un format cohérent.
Télécharger vers ProcessMind: Le fichier CSV final transformé est maintenant prêt à être téléchargé dans votre outil de Process Mining.

Configuration

Permissions: Votre rôle d'utilisateur Genesys Cloud CX doit disposer de l'autorisation Analytics > Conversation > View pour accéder à l'Espace de travail Analytics et créer des vues d'interaction.
Plage de dates: Pour l'extraction initiale, utilisez une période représentative de 3 à 6 mois. Pour les centres de contact à très fort volume, il est recommandé d'exporter les données par petits morceaux, par exemple hebdomadairement ou mensuellement, afin d'éviter d'atteindre les limites du système et de gérer la taille des fichiers.
Filtres clés:
- Media Type: Filtrez les canaux pertinents pour votre processus de service client, tels que voice, chat ou email.
- Queue: Si le processus est géré par des équipes spécifiques, filtrez par les ID de file d'attente pertinents pour vous assurer que vous n'extrayez que les données pour le processus souhaité.
- Direction: Généralement, vous voudrez filtrer les interactions inbound pour capturer les demandes de service initiées par le client.
Colonnes d'exportation: La colonne Participants est indispensablele car elle contient la chronologie détaillée des événements pour les agents et les files d'attente. Sans cette colonne, vous ne pouvez pas extraire les activités individuelles. Assurez-vous que Conversation ID, Conversation Start et Conversation End sont également inclus.
Considérations relatives aux performances: L'exportation d'un grand nombre de colonnes ou d'une très longue plage de dates peut faire en sorte que la tâche d'exportation prenne un temps considérable. Si la tâche échoue ou expire, réduisez la plage de dates et réessayez. Genesys Cloud a une limite d'environ 1 million de conversations par tâche d'exportation.

a Exemple de requête config

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Votre modèle de données pour le service client

Votre modèle de données pour le service client

`Attributes` du service client

`Activités (Activities)` du service client

Guides d'extraction

Exportation des Détails de Conversation de l'Analyse Genesys Cloud

Étapes

Configuration

a Exemple de requête config

Script Python utilisant l'API de la plateforme Genesys Cloud

Étapes

Configuration

a Exemple de requête python

Diffusion d'Événements via l'Intégration AWS EventBridge

Étapes

Configuration

a Exemple de requête config

Prêt(e) à démarrer ?

Mettre fin aux Contacts Répétés : Optimisez votre Service Client Dès Aujourd'hui !

Votre modèle de données pour le service client

Votre modèle de données pour le service client

Attributes du service client

Activités (Activities) du service client

Guides d'extraction

Exportation des Détails de Conversation de l'Analyse Genesys Cloud

Étapes

Configuration

a Exemple de requête config

Script Python utilisant l'API de la plateforme Genesys Cloud

Étapes

Configuration

a Exemple de requête python

Diffusion d'Événements via l'Intégration AWS EventBridge

Étapes

Configuration

a Exemple de requête config

Nous respectons votre vie privée

Prêt(e) à démarrer ?

Mettre fin aux Contacts Répétés : Optimisez votre Service Client Dès Aujourd'hui !

`Attributes` du service client

`Activités (Activities)` du service client