> Amélioration continue des processus > Service client > Genesys Cloud CX > Modèle de données

Votre modèle de données pour le service client

Genesys Cloud CX

Attributs du service client (19) Activités du service client (13) Guides d’extraction (3)

Votre modèle de données pour le service client

Ce modèle vous guide dans la collecte des données essentielles à l’analyse et à l’optimisation de votre processus de service client. Il présente les attributs recommandés, les principales activités à suivre et des conseils pratiques pour extraire ces informations de vos systèmes sources. Utilisez-le pour constituer un journal d’événements adapté à vos initiatives de Process Mining.

Attributs recommandés à collecter
Activités clés à suivre
Conseils pour l’extraction

Vous découvrez les journaux d’événements ? Découvrez comment créer un journal d’événements pour le Process Mining.

Télécharger le modèle

Attributs du service client

Voici les champs de données recommandés pour votre journal d’événements afin de mener une analyse complète du service client.

5 Obligatoire 6 Recommandé 8 Facultatif

	Nom	Description
	Demande de service ServiceRequest	Identifiant principal d’une interaction de service client, qui relie toutes les activités associées.
Description La demande de service, souvent appelée ticket ou cas, est l’identifiant principal d’une demande ou d’un problème client. Elle regroupe tous les événements associés, du premier contact à la résolution finale, dans une seule instance de processus. L’analyse par demande de service donne une vue complète du parcours client et du traitement interne, de bout en bout. Elle constitue la base du calcul d’indicateurs clés comme le délai total de résolution et le taux de résolution au premier contact. Pourquoi est-ce important ? Il s’agit de l’identifiant de cas essentiel qui relie toutes les étapes du processus et permet d’analyser chaque interaction client dans son ensemble, du début à la fin. Où trouver ces données Il s’agit de l’identifiant conceptuel du cas. Dans Genesys, il correspond souvent à l’identifiant de conversation, mais peut être un identifiant personnalisé selon la mise en œuvre. Exemples SR-20240521-00123SR-20240521-00124SR-20240522-00001
	Heure de début EventTime	Horodatage indiquant le début d’une activité ou d’un événement.
Description Cet attribut indique la date et l’heure précises de chaque activité. Il est essentiel pour remettre les événements dans le bon ordre et réaliser toute analyse temporelle. L’heure de début sert à construire le flux du processus dans l’ordre chronologique et à calculer les durées, les temps d’attente et les temps de cycle entre les activités. Des horodatages exacts sont indispensables à une analyse fiable des processus et au suivi des performances. Pourquoi est-ce important ? Cet horodatage classe les activités par ordre chronologique et permet d’analyser avec précision les flux, les durées et les goulots d’étranglement. Où trouver ces données Présent dans les journaux d’événements ou les détails des interactions de Genesys Cloud CX, souvent associé à chaque événement système ou utilisateur consigné. Exemples 2024-05-21T10:00:15Z2024-05-21T10:02:30Z2024-05-21T10:15:00Z
	Nom de l’activité ActivityName	Nom de l’événement ou de la tâche qui s’est produit à un moment donné du cycle de vie de la demande de service.
Description Cet attribut décrit une étape précise ou un changement d’état dans le processus de service client. Chaque activité correspond à un événement distinct, par exemple « Interaction acceptée par un agent » ou « Code de clôture attribué ». L’analyse de l’ordre et de la fréquence de ces activités est fondamentale pour le Process Mining. Elle permet de visualiser les flux de processus, de repérer les écarts et de localiser les goulots d’étranglement ou les étapes inefficaces. Pourquoi est-ce important ? Les activités constituent la structure de la cartographie du processus. Elles permettent de visualiser et d’analyser le flux réel par rapport au flux prévu. Où trouver ces données Cet attribut est généralement obtenu en associant les événements système, les états des agents ou les entrées précises de la piste d’audit de Genesys Cloud CX à des noms d’activité normalisés. Exemples Interaction commencéeInteraction acceptée par un agentFin du travail après appelDemande de service rouverte
	Dernière mise à jour des données LastDataUpdate	Horodatage de la dernière actualisation des données.
Description Cet attribut indique la dernière mise à jour du jeu de données à partir du système source. Il permet de savoir si les données analysées sont récentes, un élément essentiel pour prendre des décisions métier pertinentes au bon moment. Les Dashboards et les rapports doivent afficher cette information de manière visible afin que les utilisateurs puissent évaluer l’actualité des données et la fiabilité des analyses. Pourquoi est-ce important ? Indique si les données sont à jour, afin que les analyses et les décisions reposent sur des informations récentes. Où trouver ces données Cette valeur est générée et ajoutée au jeu de données lors 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	Système à partir duquel les données ont été extraites.
Description Cet attribut indique le système d’origine des données d’événement, ici Genesys Cloud CX. Dans un environnement où plusieurs systèmes sont intégrés, ce champ est essentiel pour retracer l’origine des données, résoudre les problèmes et comprendre leur contexte. Il permet de vérifier que l’analyse repose sur la bonne source de données et de filtrer ou segmenter les données lorsque plusieurs systèmes contribuent à une même vue du processus. Pourquoi est-ce important ? Indique l’origine des données, ce qui est essentiel pour leur gouvernance et leur validation, ainsi que pour les regrouper lorsqu’elles proviennent de plusieurs systèmes. Où trouver ces données Il s’agit généralement d’une valeur statique ajoutée lors de l’extraction et de la transformation des données pour indiquer l’origine des enregistrements. Exemples Genesys Cloud CXGenesysCloudCX_US1Genesys
	Canal de communication MediaType	Canal utilisé pour l’interaction, par exemple le téléphone, le chat ou l’e-mail.
Description Cet attribut précise le moyen utilisé par le client et l’agent pour communiquer. Les canaux courants sont le téléphone, le chat, l’e-mail et les réseaux sociaux. L’analyse des performances par canal, comme dans le Dashboard « Performance des canaux de communication », aide les entreprises à comprendre les volumes, les délais de résolution et la satisfaction client propres à chaque canal. Ces informations sont importantes pour adapter la stratégie de canaux et répartir les ressources. Pourquoi est-ce important ? La segmentation du processus par canal de communication est essentielle pour comprendre les performances propres à chaque canal, le comportement des clients et les besoins en ressources. Où trouver ces données Champ standard des enregistrements détaillés des conversations de Genesys Cloud CX. Exemples téléphonechate-mailmessage
	Code de clôture WrapUpCode	Code attribué par un agent à la fin d’une interaction pour en catégoriser le résultat ou le sujet.
Description Le code de clôture est une étiquette choisie par un agent pour classer le sujet ou l’issue d’une interaction avec un client. Ces codes fournissent des données structurées sur les raisons pour lesquelles les clients contactent l’assistance. Leur analyse permet de repérer les problèmes fréquents, de suivre les résultats des résolutions et de mesurer la fréquence de certaines demandes. Ces données sont utiles pour rechercher les causes profondes et comprendre les tendances de la demande d’assistance. Pourquoi est-ce important ? Classe le résultat d’une interaction et fournit des données structurées pour analyser les problèmes fréquents, l’efficacité des résolutions et les motifs de contact. Où trouver ces données Disponible dans les enregistrements détaillés des conversations de Genesys Cloud CX, plus précisément dans les détails de session des participants agents. Exemples Réinitialisation du mot de passeLitige de facturation résoluDemande d’informations sur un produitTransféré au niveau 2
	Heure de fin EventEndTime	Horodatage indiquant la fin d’une activité ou d’un événement.
Description Cet attribut enregistre le moment précis où une activité prend fin. Associé à l’Heure de début, il permet de calculer précisément la durée de chaque activité. L’analyse de ces durées aide à repérer les étapes qui prennent le plus de temps, ainsi que les inefficacités et les possibilités d’optimisation. Elle peut, par exemple, mettre en évidence les longues périodes de mise en attente d’une interaction ou les durées excessives de travail après appel. Pourquoi est-ce important ? Permet de calculer précisément la durée de chaque activité, afin de repérer les étapes les plus longues et les goulots d’étranglement. Où trouver ces données Disponible dans les journaux d’événements ou les détails des interactions de Genesys Cloud CX. Peut également être déduit 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	Identifiant unique de l’agent qui a traité l’interaction ou l’activité.
Description L’ID de l’agent est une clé unique attribuée à chaque conseiller du service client. Cet attribut est essentiel pour analyser les performances des agents, la répartition de la charge de travail et l’efficacité. Il permet de filtrer la cartographie du processus pour examiner la manière dont certains agents ou certaines équipes traitent les demandes, puis de comparer leurs indicateurs, comme le délai de résolution, le taux de reprises et le respect des procédures standard. Il constitue un élément central du Dashboard « Performance et efficacité des agents ». Pourquoi est-ce important ? Cet attribut relie les activités du processus à des employés précis et permet d’analyser les performances individuelles, la charge de travail et l’efficacité des équipes. Où trouver ces données Disponible dans les enregistrements détaillés des conversations de Genesys Cloud CX, associé à l’utilisateur qui a traité un segment précis de l’interaction. Exemples a1b2c3d4-e5f6-7890-1234-567890abcdeff0e9d8c7-b6a5-4321-fedc-ba0987654321
	Nom de l’agent AgentName	Nom complet de l’agent qui a traité l’interaction ou l’activité.
Description Le nom de l’agent fournit un identifiant lisible du conseiller et correspond à son ID d’agent. Cet attribut rend les Dashboards et les rapports plus faciles à consulter pour les responsables et les chefs d’équipe. Il est largement utilisé dans les analyses centrées sur les agents pour examiner les performances, repérer les besoins de formation et répartir équitablement la charge de travail, sans avoir à rechercher les identifiants système correspondants. Pourquoi est-ce important ? Fournit le nom de l’agent, ce qui facilite l’analyse des performances et la communication des résultats sans recourir à des identifiants techniques. Où trouver ces données Récupéré dans le service Users ou Directory de Genesys Cloud CX à partir de l’AgentId. Exemples Jean MartinJeanne DupontPierre Durand
	Nom de la file d’attente QueueName	Nom de la file d’attente vers laquelle l’interaction a été dirigée.
Description Cet attribut identifie la file d’attente dans laquelle une interaction a attendu avant d’être attribuée à un agent. L’analyse des données par nom de file d’attente est essentielle au Dashboard « Détection des goulots d’étranglement dans les files d’attente du service ». Elle aide les responsables à comprendre la répartition de la charge entre les différents groupes de compétences ou lignes de service, à mesurer les temps d’attente par file et à repérer celles qui manquent régulièrement de personnel ou sont surchargées. Ces informations permettent de mieux répartir les ressources et de réduire le temps d’attente des clients. Pourquoi est-ce important ? Permet de repérer les goulots d’étranglement et d’analyser la répartition de la charge en indiquant où les demandes attendent d’être attribuées. Où trouver ces données Disponible dans les enregistrements détaillés des conversations de Genesys Cloud CX. Une interaction peut passer par une ou plusieurs files d’attente. Exemples Assistance de niveau 1 - TéléphoneQuestions de facturation - ChatAssistance technique - E-mail
	Délai cible de résolution du SLA SlaTargetResolutionTime	Délai cible convenu par contrat pour résoudre la demande de service.
Description Cet attribut définit le délai maximal accordé pour résoudre une demande de service, conformément à l’accord de niveau de service (SLA). Il sert de référence pour mesurer les délais de résolution réels. Ces données sont essentielles au Dashboard « Vue d’ensemble de la conformité aux SLA » et à l’indicateur « Taux de conformité aux SLA ». Elles permettent à l’organisation de suivre ses résultats au regard de ses engagements envers les clients et de repérer les risques de non-respect avant qu’ils ne se concrétisent. Pourquoi est-ce important ? Fournit la référence nécessaire pour mesurer le respect des SLA, un indicateur important de la qualité du service et des engagements contractuels. Où trouver ces données Cette valeur peut être enregistrée comme attribut personnalisé de la conversation ou calculée selon des règles faisant intervenir la file d’attente, le type de client ou le type de demande. Exemples 86400144003600
	Délai de résolution du service ServiceResolutionTime	Temps total écoulé entre le début de la première interaction avec le client et la résolution finale.
Description Cette métrique mesure la durée totale de traitement d’une demande de service, depuis le premier contact du client jusqu’au moment où le problème est marqué comme résolu. Elle constitue un indicateur clé de l’efficacité globale du processus et de l’expérience client. Cet attribut calculé est au cœur du Dashboard « Délai de résolution des demandes de service » et de l’indicateur « Délai moyen de résolution des demandes de service ». L’analyse de sa répartition permet de repérer les cas qui s’éternisent et les retards systémiques. Pourquoi est-ce important ? Cet indicateur clé mesure l’efficacité globale du processus et son incidence sur l’expérience client. Où trouver ces données Champ calculé : horodatage de l’activité de résolution finale moins horodatage de la première activité de contact avec le client. Exemples 90010800172800
	ID de conversation ConversationId	Identifiant unique attribué par Genesys à une conversation complète.
Description L’ID de conversation est la clé technique principale de Genesys Cloud CX. Elle regroupe toutes les interactions, tous les segments et tous les participants associés à une conversation avec un client. Le concept de « demande de service » sert d’ID de cas, tandis que l’ID de conversation est la clé sous-jacente qui permet de récupérer les données associées via les API Genesys. Il est essentiel à l’extraction des données, à la jointure de différents jeux de données et à la validation technique des données de processus. Pourquoi est-ce important ? Il s’agit de la clé technique principale dans Genesys, indispensable à l’extraction des données, au dépannage et au lien avec le système source. Où trouver ces données Champ principal de toutes les API d’analyse et de conversation de Genesys Cloud CX. Exemples d8a7c6b5-e4f3-2109-8765-fedcba098765c7b6a5d4-f3e2-1098-7654-edcbaf987654
	Réouverture du cas IsReopened	Indique si une demande de service résolue a été rouverte par la suite.
Description Cet attribut booléen signale les demandes de service qui, après avoir été marquées comme résolues ou clôturées, sont redevenues actives. La réouverture d’un cas indique souvent que la solution initiale était inefficace ou incomplète, ce qui peut entraîner l’insatisfaction du client et du travail supplémentaire. Cet attribut alimente le Dashboard « Tendances des réouvertures de demandes de service » et l’indicateur « Taux de réouverture des demandes de service ». L’analyse de ces cas aide à repérer les causes profondes des résolutions inefficaces. Pourquoi est-ce important ? Met en évidence les défaillances du processus de résolution, notamment les problèmes de qualité des solutions, qui entraînent des reprises et une mauvaise expérience client. Où trouver ces données Champ calculé à partir de la détection d’une activité qui réactive le cas après une activité « Demande de service résolue ». Exemples truefalse
	Résolution au premier contact IsFirstContactResolution	Indique si la demande de service a été résolue en une seule interaction.
Description Cet attribut booléen repère les cas résolus dès la première interaction, sans suivi nécessaire auprès du client ni transfert interne. La valeur « vrai » indique une résolution efficace dès le premier contact. Cet attribut sert de base à l’indicateur « Taux de résolution au premier contact » et au Dashboard correspondant. L’analyse des cas qui ne sont pas résolus dès le premier contact peut révéler des besoins de formation des agents, des améliorations à apporter à la base de connaissances ou des changements à effectuer dans le processus. Pourquoi est-ce important ? Mesure directement l’efficacité et la satisfaction client, car la résolution d’un problème dès le premier contact contribue fortement à une expérience de service positive. Où trouver ces données Champ calculé à partir de l’analyse de la séquence d’événements d’un cas. Un cas est résolu au premier contact s’il est clôturé sans certaines activités intermédiaires, comme un transfert ou une réouverture. Exemples truefalse
	Respect du SLA IsSlaCompliant	Indique si la demande de service a été résolue dans le délai cible du SLA.
Description Cet attribut booléen indique si le délai cible de résolution d’une demande de service a été respecté. Il est calculé en comparant « ServiceResolutionTime » à « SlaTargetResolutionTime ». Cet indicateur simplifie l’analyse et la visualisation dans le Dashboard « Vue d’ensemble de la conformité aux SLA » et sert de base au calcul de l’indicateur « Taux de conformité aux SLA ». Il permet de filtrer et de segmenter rapidement les cas conformes et non conformes afin de repérer les tendances associées aux manquements aux SLA. Pourquoi est-ce important ? Simplifie l’analyse des performances liées aux SLA en indiquant clairement, pour chaque cas, si le délai a été respecté ou dépassé, ce qui facilite la recherche des causes profondes des manquements. Où trouver ces données Champ calculé : vrai si ServiceResolutionTime <= SlaTargetResolutionTime, sinon faux. Exemples truefalse
	Score CSAT CustomerSatisfactionScore	Score de satisfaction communiqué par le client dans une enquête réalisée après l’interaction.
Description Le score de satisfaction client, ou CSAT, mesure directement la perception du service reçu par le client. Il est généralement recueilli au moyen d’une enquête envoyée après la clôture de l’interaction. L’analyse des scores CSAT avec les données de processus peut révéler l’incidence des variations du processus, des délais de résolution ou de certains agents sur la satisfaction client. Cet indicateur permet d’évaluer le résultat global du processus. Pourquoi est-ce important ? Mesure directement la satisfaction client et permet de mettre en relation les performances du processus et les résultats pour les clients. Où trouver ces données Ces données proviennent généralement du module Quality Management de Genesys Cloud CX ou d’un outil d’enquête tiers intégré à Genesys. Exemples 5413
	Type de demande de service ServiceRequestType	Catégorie de la demande de service, par exemple « Demande d’information », « Réclamation » ou « Problème technique ».
Description Cet attribut classe les demandes de service selon leur nature ou leur objectif. Il permet de segmenter l’analyse pour comprendre comment sont traités les différents types de demandes. Par exemple, le déroulement du processus et le délai de résolution d’une réclamation peuvent différer sensiblement de ceux d’une demande d’information générale. Cette dimension est essentielle dans des Dashboards comme « Analyse des escalades internes », qui permettent de vérifier si certains types de demandes sont plus souvent escaladés. Pourquoi est-ce important ? Permet de segmenter le processus pour comparer le traitement des différents types de demandes et repérer les goulots d’étranglement ou les inefficacités propres à chacun. Où trouver ces données Cette information peut être recueillie par un choix dans un serveur vocal interactif, une sélection du client dans un formulaire Web ou une attribution par un agent. Dans Genesys, elle peut être enregistrée comme attribut de participant ou comme code de clôture. Exemples Demande concernant la facturationAssistance techniqueGestion des comptesRéclamation concernant un produit

Obligatoire Recommandé Facultatif

Activités du service client

Voici les principales étapes et les jalons à consigner dans votre journal d’événements pour découvrir précisément le processus.

5 Recommandé 8 Facultatif

	Activité	Description
	Code de clôture attribué	L’agent attribue à l’interaction un code de clôture prédéfini, également appelé code de disposition. Ce code catégorise explicitement le résultat de la demande de service, par exemple « Résolue » ou « Escaladée ».
Pourquoi est-ce important ? Les codes de clôture constituent une source principale pour déterminer le résultat métier d’une demande. Ils sont essentiels au calcul des taux de résolution et à la segmentation des cas pour l’analyse. Où trouver ces données Il s’agit d’un événement explicite figurant dans les enregistrements détaillés des conversations, généralement dans les données de session du participant agent. Le code wrapUp et son horodatage sont enregistrés. Données à recueillir Consigné lorsqu’un agent sélectionne un code de clôture pour l’interaction. Type d’événement explicit
	Interaction acceptée par un agent	Marque le moment où un agent accepte l’interaction proposée et est mis en relation avec le client. Cette étape importante marque le début du traitement direct de la demande de service.
Pourquoi est-ce important ? Cette activité est essentielle pour mesurer le taux de résolution au premier contact et le temps de traitement par agent. Elle marque le début du travail de l’agent sur la demande. Où trouver ces données Cette information figure dans les enregistrements détaillés des conversations. Elle est indiquée par le passage de l’état du participant agent à « connected », avec l’horodatage correspondant. Données à recueillir Consigné lorsque l’état du participant agent passe à « connected ». Type d’événement explicit
	Interaction commencée	Cette activité marque le début d’une interaction avec le service client, par exemple un appel entrant, une conversation par chat ou un courriel. Genesys Cloud CX consigne explicitement cet événement lorsqu’un nouvel objet de conversation est créé dans le système.
Pourquoi est-ce important ? Il s’agit de l’événement de début principal du processus de demande de service. Il est essentiel pour calculer le délai total de résolution et comprendre les tendances des demandes entrantes des clients. Où trouver ces données Cet événement est extrait des enregistrements détaillés des conversations. Il correspond à l’heure de début de l’objet de conversation, généralement indiquée par l’horodatage conversationStart. Données à recueillir Consigné lorsqu’une nouvelle conversation est lancée dans le système. Type d’événement explicit
	Interaction déconnectée	Cette activité marque la fin de la conversation, lorsque tous les participants se sont déconnectés. Elle correspond souvent à la clôture technique de l’interaction liée à la demande de service.
Pourquoi est-ce important ? Il s’agit de l’événement de fin définitif de l’interaction. Il est essentiel pour calculer la durée totale de l’interaction et sert souvent d’indicateur de clôture de la demande. Où trouver ces données Cet événement est extrait des enregistrements détaillés des conversations. Il correspond à l’heure de fin de l’objet de conversation, généralement indiquée par l’horodatage conversationEnd. Données à recueillir Consigné lorsque tous les participants se sont déconnectés et que la conversation prend fin. Type d’événement explicit
	Interaction transférée	Indique qu’un agent transfère une interaction vers une autre file d’attente ou à un autre agent. Le transfert peut être direct, l’agent se déconnectant immédiatement, ou accompagné, l’agent échangeant d’abord avec le destinataire.
Pourquoi est-ce important ? Cette activité est essentielle au calcul du KPI du taux d’escalade interne. Un taux de transfert élevé peut révéler des besoins de formation, un routage inadapté ou un processus trop complexe. Où trouver ces données Cet événement est repéré dans les enregistrements détaillés des conversations lorsqu’un nouveau participant ACD ou agent est ajouté à la conversation après l’intervention de l’agent initial, souvent à la suite d’un événement « transfer ». Données à recueillir Repéré à partir d’un événement de transfert dans les données de session du participant. Type d’événement explicit
	Conversation acheminée vers une file d’attente	Indique le moment où une nouvelle interaction est placée dans une file d’attente précise, en attendant qu’un agent soit disponible. Il s’agit d’un événement explicitement consigné par le moteur de routage Genesys (ACD).
Pourquoi est-ce important ? Le suivi de cette activité est essentiel pour mesurer les temps d’attente dans les files et repérer les goulots d’étranglement du processus de routage. Un délai important entre cette étape et l’affectation d’un agent peut signaler un problème d’effectifs ou de règles de routage. Où trouver ces données Cette information est extraite des enregistrements détaillés des conversations, en particulier des champs « purpose » et « state » du participant ACD dans la conversation. L’horodatage « enterTime » de la file d’attente, dans le tableau des métriques, indique cet événement. Données à recueillir Consigné lorsque le moteur de routage ACD place une conversation dans une file d’attente. Type d’événement explicit
	Début du travail après appel	Cette activité marque le début de la période de travail après appel (ACW). L’agent s’est déconnecté du client et passe à un état dédié pour effectuer des tâches comme consigner des notes ou mettre à jour des systèmes.
Pourquoi est-ce important ? Mesurer la durée de l’ACW est important pour comprendre l’efficacité des agents et le temps de traitement global. Une période d’ACW prolongée peut signaler des processus inefficaces après l’interaction. Où trouver ces données Cette information est extraite des données de session du participant agent. Elle est consignée lorsque l’état de l’agent passe à « acw » après la déconnexion du participant client. Données à recueillir Consigné lorsque l’état du participant agent passe à « acw ». Type d’événement explicit
	Demande de service rouverte	Désigne le cas où un client contacte de nouveau le centre de service au sujet du même problème, peu après que celui-ci a été considéré comme résolu. Il ne s’agit pas d’un événement explicite, mais d’un événement calculé à partir de règles métier.
Pourquoi est-ce important ? Le suivi des demandes rouvertes est essentiel pour mesurer le taux de réouverture des demandes de service. Il indique que la résolution initiale n’a pas été efficace, ce qui nuit à la satisfaction client et à l’efficacité opérationnelle. Où trouver ces données Cette activité est déduite lorsqu’un nouvel événement « Interaction commencée » est repéré pour le même client (Customer ID) et le même problème associé (par exemple, le type de demande de service), dans un délai prédéfini après la résolution d’une interaction précédente. Données à recueillir 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 survient lorsqu’une enquête de satisfaction client (CSAT) est envoyée après la clôture d’une interaction. Le système déclenche souvent cet envoi automatiquement, selon des règles prédéfinies.
Pourquoi est-ce important ? Cette activité est nécessaire pour mesurer le KPI de respect des délais d’envoi des enquêtes CSAT. Un envoi rapide permet de recueillir des commentaires fiables tant que l’expérience est encore présente à l’esprit du client. Où trouver ces données Ces informations sont généralement disponibles dans les données d’enquête ou de gestion de la qualité de Genesys Cloud CX. Elles peuvent être reliées à l’identifiant de la conversation d’origine. Données à recueillir Consigné par le module d’enquête lorsqu’une enquête est envoyée pour une conversation donnée. Type d’événement explicit
	Fin de la mise en attente	Cet événement survient lorsqu’un agent reprend la conversation après avoir mis le client en attente. Il marque la fin de la période d’attente et est consigné comme un changement d’état.
Pourquoi est-ce important ? Associée à l’activité « Interaction mise en attente », cette activité permet de calculer précisément la durée totale de mise en attente, un élément important du temps de traitement global et de l’expérience client. Où trouver ces données Cette information est déduite des données de session du participant agent lorsque son état passe de « held » à « connected ». Données à recueillir Consigné lorsque l’état du participant agent passe de « held » à « connected ». Type d’événement explicit
	Fin du travail après appel	Marque la fin de la période de travail après appel d’un agent. À ce stade, l’agent est de nouveau disponible pour traiter une autre interaction.
Pourquoi est-ce important ? Associée à l’activité « Début du travail après appel », cette activité indique précisément la durée de la phase de clôture et aide à analyser la productivité des agents et les coûts liés au processus. Où trouver ces données Cet événement est déduit lorsque l’état de l’agent passe de « acw » à un état disponible, comme « idle ». L’horodatage de ce changement d’état est utilisé. Données à recueillir Déduit du passage de l’état de l’agent de « acw » à un état disponible. Type d’événement inferred
	Interaction mise en attente	Cette activité est consignée lorsqu’un agent met un client en attente pendant une interaction. Elle correspond à un changement d’état explicite du 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, par exemple lorsque les agents doivent souvent chercher des informations ou consulter d’autres personnes. Où trouver ces données Cette information est extraite des données de session du participant agent dans les enregistrements détaillés des conversations. L’état passe à « held » et un horodatage est enregistré. Données à recueillir Consigné lorsque l’état du participant agent passe à « held ». Type d’événement explicit
	Interaction proposée à un agent	Cet événement survient lorsque le système propose une interaction à un agent précis. 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 permet d’analyser la réactivité des agents et l’efficacité de l’algorithme de routage. Un délai à partir de cette étape peut indiquer que les agents tardent à accepter les demandes. Où trouver ces données Cette information figure dans les enregistrements détaillés des conversations, dans les données du participant correspondant à l’agent. La session du participant indique une métrique avec l’état « alerting » et l’horodatage correspondant. Données à recueillir Consigné lorsque le moteur de routage signale à un agent qu’une nouvelle interaction lui est proposée. Type d’événement explicit

Recommandé Facultatif

Guides d’extraction

Comment extraire vos données de Genesys Cloud CX

Étapes

Accédez à l’espace de travail Analytics : Connectez-vous à Genesys Cloud CX. Ouvrez le menu, sélectionnez Admin, puis, dans Analytics, choisissez Workspace.
Créez une vue : Cliquez sur l’icône plus pour ajouter un onglet, puis sélectionnez « Créer une vue ». Choisissez « Interactions » comme type de vue. L’éditeur de vues des interactions s’ouvre.
Définissez la période : Dans le panneau des filtres à gauche, indiquez la période souhaitée pour les données à extraire. Pour tester la procédure, il est conseillé de commencer par une période courte, par exemple une semaine.
Sélectionnez les colonnes à exporter : Cette étape est essentielle à la préparation des données. Cliquez sur le bouton « Colonnes ». Dans la liste des champs disponibles, sélectionnez et ajoutez les colonnes suivantes à votre vue. Elles contiennent les données nécessaires à la création du journal d’événements :
- Identifiant de la conversation
- Début de la conversation
- Fin de la conversation
- Type de média
- Participants (ce champ complexe contient des données imbriquées sur les agents, les files d’attente et les clients)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Enquêtes
Appliquez des filtres supplémentaires : Utilisez le panneau des filtres pour affiner les données si nécessaire. Vous pouvez filtrer par type de média (par exemple, voix, chat), file d’attente, sens (entrant/sortant) ou autres propriétés de la conversation afin de cibler le processus de demande de service souhaité.
Enregistrez et exécutez la vue : Enregistrez la vue sous un nom explicite, par exemple « Export Process Mining des demandes de service ». La vue charge ensuite les données correspondant à vos critères.
Lancez l’export : Une fois les données chargées dans la vue, cliquez sur le bouton « Exporter », généralement représenté par une icône de téléchargement. Sélectionnez « Exporter au format CSV » ou « Exporter au format JSON ». Le format CSV est souvent plus facile à traiter au départ.
Téléchargez le fichier exporté : L’export s’exécute en arrière-plan. Vous pouvez suivre son avancement dans Performance > Mes exports. Une fois l’opération terminée, téléchargez le fichier sur votre ordinateur.
Transformez les données brutes : Le fichier exporté contient une ligne par conversation, avec les données des participants et des segments imbriquées dans une seule colonne. Vous devez exécuter un script de transformation, comme le script Python fourni dans la section Query, pour désimbriquer ces données. Le script analyse l’export brut et crée un fichier où chaque ligne correspond à une activité, telle que « Agent ayant accepté l’interaction » ou « Mise en attente de l’interaction ».
Appliquez vos règles métier : Intégrez les règles propres à votre activité à l’étape de transformation. Par exemple, l’activité « Demande de service rouverte » doit être calculée en analysant les interactions ultérieures avec le même client sur une période définie.
Finalisez le journal d’événements : Le script de transformation doit produire un fichier CSV dont les colonnes respectent le format requis par ProcessMind, notamment ServiceRequest, ActivityName, EventTime et les autres attributs. Veillez à utiliser un format cohérent pour tous les horodatages.
Importez les données dans ProcessMind : Le fichier CSV transformé est prêt à être importé dans votre outil de Process Mining.

Configuration

Autorisations : Le rôle de votre compte Genesys Cloud CX doit inclure l’autorisation Analytics > Conversation > View pour accéder à l’espace de travail Analytics et créer des vues d’interactions.
Période : Pour la première extraction, choisissez une période représentative de 3 à 6 mois. Dans les centres de contact à très fort volume, il est conseillé d’exporter les données par lots plus petits, par exemple à la semaine ou au mois, afin d’éviter les limites du système et de maîtriser la taille des fichiers.
Filtres clés :
- Media Type : Filtrez les canaux concernés par votre processus de service client, comme voice, chat ou email.
- File d’attente : Si le processus est pris en charge par des équipes précises, filtrez selon les identifiants des files d’attente concernées afin de n’extraire que les données du processus souhaité.
- Direction : En général, filtrez les interactions inbound pour inclure les demandes de service initiées par les clients.
Colonnes à exporter : La colonne Participants est indispensable, car elle contient la chronologie détaillée des événements concernant les agents et les files d’attente. Sans cette colonne, vous ne pourrez pas extraire les activités individuelles. Veillez également à inclure Conversation ID, Conversation Start et Conversation End.
Performances : L’export d’un grand nombre de colonnes ou d’une très longue période peut prendre beaucoup de temps. Si l’opération échoue ou expire, réduisez la période et réessayez. Genesys Cloud limite chaque export à environ un million de conversations.

a Exemple de requête 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}")

Étapes

Prérequis et configuration : Vérifiez que Python 3.8 ou une version ultérieure est installé, ainsi que les bibliothèques pandas et purecloud-platform-client-v2. Installez-les avec pip : pip install pandas purecloud-platform-client-v2.
Créez un client OAuth Genesys Cloud : Connectez-vous à votre compte administrateur Genesys Cloud CX. Accédez à Integrations > OAuth et créez un client avec le type d’autorisation « Client Credentials ». Attribuez-lui un rôle comprenant l’autorisation analytics:conversationDetail:view.
Configurez les identifiants du script : Enregistrez le Client ID et le Client Secret obtenus à l’étape précédente. Dans le script Python ci-dessous, remplacez les valeurs fictives de CLIENT_ID, CLIENT_SECRET et GENESYS_CLOUD_REGION par vos identifiants.
Définissez la période d’extraction : Repérez la variable query_body dans le script. Modifiez la valeur de interval pour préciser la période à extraire. Pour les tests, il est conseillé de commencer par une période courte, par exemple une journée.
Exécutez le script Python : Lancez le script depuis votre terminal avec python your_script_name.py. Il s’authentifie auprès de l’API Genesys Cloud, soumet une tâche Analytics asynchrone et affiche l’identifiant de cette tâche.
Suivez l’exécution de la tâche : Le script interroge automatiquement l’API toutes les 15 secondes pour vérifier son état. Les mises à jour s’affichent dans la console. Selon le volume de données demandé, cette étape peut durer plusieurs minutes, voire davantage.
Traitez et transformez les données : Une fois la tâche terminée, le script télécharge les données JSON obtenues. Il parcourt ensuite chaque conversation et analyse les données des participants, des sessions et des segments afin d’identifier et de structurer les principales activités et les attributs.
Gérez les événements calculés : Le script comprend une étape de post-traitement qui repère les événements « Demande de service rouverte ». Cette règle, que vous pouvez personnaliser, recherche de nouvelles interactions avec le même client dans une période définie après la résolution d’une interaction précédente.
Générez le journal d’événements : Les données transformées sont réunies dans un DataFrame pandas dont la structure correspond à celle d’un journal d’événements de Process Mining.
Exportez le fichier CSV final : Le script enregistre le DataFrame final dans un fichier CSV nommé genesys_event_log.csv. Ce fichier est prêt à être importé directement dans ProcessMind.

Configuration

Identifiants API : L’authentification nécessite un Client ID et un Client Secret OAuth. Vous devez les créer dans l’interface d’administration de Genesys Cloud CX.
Autorisations API : Le rôle associé au client OAuth doit inclure l’autorisation analytics:conversationDetail:view pour accéder aux données de conversation nécessaires.
Période d’extraction : Le paramètre interval du corps de la requête API définit la période à extraire. Dans les environnements volumineux, il est recommandé de procéder par lots séquentiels plus courts, par exemple une semaine à la fois, afin d’éviter les délais d’expiration de l’API et de maîtriser l’utilisation de la mémoire.
Filtres sur les données : Vous pouvez modifier le corps de la requête API pour ajouter conversationFilters, segmentFilters ou evaluationFilters et limiter le périmètre de l’extraction. Par exemple, filtrez par queueId ou mediaType pour cibler une partie précise du processus de service client.
Règle de réouverture : Vous pouvez configurer dans le script la période utilisée pour repérer un événement « Demande de service rouverte ». La valeur par défaut est de 72 heures, mais vous devez l’adapter aux règles métier de votre organisation.
Environnement : L’exécution du script nécessite un environnement Python local comprenant le SDK et les bibliothèques requis. 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

Vérifiez que votre organisation Genesys Cloud CX dispose de l’intégration EventBridge requise, des autorisations d’administration appropriées et de l’accès aux événements de conversation. Assurez-vous également que votre compte AWS peut recevoir ces événements. Confirmez auprès du responsable de votre système la région AWS cible, le bus d’événements EventBridge ainsi que les éventuels filtres par organisation, division, file d’attente ou média.
Dans Genesys Cloud CX, configurez l’intégration AWS EventBridge en suivant l’interface d’administration actuelle et la documentation d’intégration de votre organisation. Sélectionnez le compte AWS, la région, le bus d’événements et les catégories d’événements de conversation nécessaires au suivi détaillé du cycle de vie des interactions. Les libellés de menu et les schémas d’événements disponibles pouvant varier selon l’organisation et la version, utilisez [Configure based on your system] pour tout chemin ou paramètre propre à votre organisation.
Configurez AWS EventBridge pour recevoir les événements Genesys Cloud sur le bus sélectionné. Appliquez le principe du moindre privilège et configurez le chiffrement, la conservation, la surveillance et, si cette option est disponible, une destination de lettres mortes. Créez une règle qui transmet les événements requis au système destinataire utilisé par votre lac de données, votre entrepôt de données, votre processeur de flux ou votre zone de dépôt dans le stockage objet.
Capturez les charges utiles EventBridge brutes sans modifier leurs horodatages ni leurs identifiants d’origine. Dans [Your raw event storage], stockez la charge utile, l’horodatage d’ingestion, le type d’événement, la source, le type de détail et les métadonnées de livraison. Conservez la charge utile brute afin de pouvoir vérifier à nouveau les associations lorsque les schémas Genesys Cloud évoluent.
Créez une étape de normalisation en Python. Elle doit lire les charges utiles brutes, repérer l’identifiant de conversation, les informations sur les participants et les sessions, les files d’attente, les agents, le type de média, les données de clôture et les horodatages des événements, puis produire une ligne normalisée pour chaque activité explicite. Utilisez les chemins de champs réellement présents dans les exemples d’événements reçus par votre organisation. Ne déduisez pas d’activités qui ne correspondent pas à un événement ou à une transition d’état explicite.
Associez les changements d’état explicites des conversations et des participants Genesys Cloud aux valeurs requises de ActivityName. Émettez Interaction Started lorsqu’un événement de création de conversation est présent, Conversation Routed to Queue lorsqu’un événement de routage est présent, Agent Offered Interaction lorsque l’état de l’agent est en alerte, Agent Accepted Interaction lorsque l’agent accepte ou prend en charge l’interaction, Hold Placed on Interaction et Hold Removed from Interaction pour les transitions de mise en attente correspondantes, Interaction Transferred en présence d’un événement de transfert explicite, After-Call Work Started et After-Call Work Ended pour les transitions ACW explicites, Wrap-Up Code Assigned lorsqu’un code de clôture est attribué et Interaction Disconnected lorsque la conversation ou la session finale du participant concerné est déconnectée.
Traitez séparément Service Request Re-Opened et Customer Satisfaction Survey Sent. Les événements de conversation EventBridge ne fournissent pas nécessairement ces activités directement. Si votre organisation dispose d’une source explicite d’événements d’enquête, incluez l’activité uniquement lorsque cet événement est reçu. Calculez Service Request Re-Opened dans un processus distinct, documenté et fondé sur les règles métier, puis ajoutez la ligne obtenue au journal d’événements. ProcessMind ne calcule ni ne déduit cette activité.
Renseignez ServiceRequest avec l’identifiant stable de demande de service ou de conversation défini par votre association métier. Dans ActivityName, indiquez exactement un libellé d’activité requis. Renseignez EventTime avec l’horodatage de début de l’activité, EventEndTime lorsqu’il est disponible, SourceSystem avec Genesys Cloud CX et AWS EventBridge, et LastDataUpdate avec l’horodatage d’actualisation de l’extraction. Renseignez les attributs facultatifs lorsqu’ils sont présents ; sinon, laissez-les à NULL.
Dédupliquez les événements à l’aide de l’identifiant d’événement du fournisseur, s’il est disponible, ou d’une clé composite documentée comprenant ServiceRequest, ActivityName, EventTime, l’identifiant du participant ou de l’agent et l’identifiant de l’événement source. Tenez compte des nouvelles tentatives EventBridge et des livraisons dans le désordre. Ne supprimez pas les mises en attente, transferts, propositions ou autres activités répétées qui correspondent à des événements distincts et légitimes.
Validez les données normalisées en les comparant au nombre de charges utiles brutes, aux horodatages des événements, aux identifiants de conversation, aux informations sur les files d’attente et les agents, ainsi qu’à la liste complète des activités. Exportez un fichier plat ou chargez une table contenant les colonnes requises ServiceRequest, ActivityName, EventTime, SourceSystem et LastDataUpdate, ainsi que les colonnes recommandées lorsqu’elles sont disponibles. Utilisez un fuseau horaire et un format d’horodatage cohérents, acceptés par ProcessMind, puis importez le journal d’événements comme données d’entrée du processus de demande de service.

Configuration

Intégration et destination : Configurez l’intégration Genesys Cloud CX avec AWS EventBridge pour le compte AWS, la région et le bus d’événements cibles. Utilisez [Configure based on your system] pour les paramètres d’intégration propres à votre organisation qui ne sont pas précisés dans les exemples d’événements disponibles.
Périmètre des événements : Abonnez-vous aux événements détaillés disponibles dans votre organisation Genesys Cloud concernant les conversations, les participants, les sessions, le routage, les changements d’état, les transferts, les déconnexions, les clôtures et l’ACW. Avant le déploiement en production, vérifiez les types d’événements exacts et les chemins des charges utiles à partir d’une interaction de test contrôlée.
Identifiant du cas : Pour ServiceRequest, utilisez l’identifiant stable de conversation ou de demande de service défini par votre association métier. Si un autre système fournit un identifiant distinct pour la demande de service, documentez la correspondance entre cet identifiant et celui de la conversation Genesys Cloud.
Période : Pour analyser le processus, commencez par 3 à 6 mois d’historique. Pour un fonctionnement en quasi-temps réel, définissez un intervalle court de vérification ou de lecture du flux et conservez une zone brute permettant de rejouer les données. En cas d’interruption, utilisez une période de chevauchement, puis dédupliquez les événements à l’aide de leur identifiant fournisseur.
Filtres : Appliquez uniquement des filtres propres à l’organisation qui ont été confirmés, par exemple par division, file d’attente, type de média, unité opérationnelle ou date d’interaction. N’appliquez pas de filtres Company Code ou Document Type, sauf si ces notions proviennent d’une source intégrée et sont explicitement associées dans votre environnement.
Gestion des horodatages : Conservez l’horodatage de l’événement source dans EventTime. Enregistrez séparément l’heure d’ingestion ou d’actualisation dans LastDataUpdate. Normalisez tous les horodatages selon un fuseau horaire documenté, de préférence UTC, tout en conservant le décalage d’origine si les exigences d’audit le demandent.
Attributs facultatifs : Renseignez AgentId et AgentName à partir des informations sur les participants ou les utilisateurs, QueueName à partir des données de routage, WrapUpCode à partir des données de clôture, MediaType à partir du canal de la conversation ou de la session, et EventEndTime à partir d’une transition de fin explicite ou de la durée fournie par la source.
Performances : Partitionnez les données brutes et normalisées par date d’événement et, si possible, par organisation ou division. Traitez les données de manière incrémentielle à l’aide d’un point de reprise EventBridge. Regroupez les écritures dans l’entrepôt de données ou le lac de données, surveillez le retard de traitement et évitez de parcourir à nouveau tout l’historique.
Fiabilité : Configurez la gestion des nouvelles tentatives, le traitement des lettres mortes, les procédures de rejeu, la détection des doublons et la surveillance des échecs de livraison, des changements de schéma et du retard des événements.
Prérequis : Vous devez disposer des autorisations d’administrateur ou d’intégration Genesys Cloud, des autorisations AWS EventBridge, d’un accès au bus d’événements sélectionné et au stockage en aval, de l’autorisation de lire les détails des conversations, ainsi que des fonctionnalités ou licences Genesys Cloud requises par l’intégration d’événements de votre organisation. Vérifiez les exigences de conservation et de confidentialité avant de stocker des données de conversation.

a Exemple de requête 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)

Prêt à commencer ?

Tirez le meilleur parti de vos opérations de service client. En suivant ce modèle, vous pourrez faire apparaître des pistes d’amélioration et gagner en efficacité.

Retour au guide d’amélioration Télécharger le modèle

Réduisez les contacts répétés et améliorez votre service client dès aujourd’hui !

Améliorez votre CSAT et résolvez facilement 80 % des demandes dès le premier contact.

Démarrez l’essai gratuit

Aucune carte bancaire n’est requise. Activez votre essai en quelques minutes.

Votre modèle de données pour le service client

Votre modèle de données pour le service client

Attributs du service client

Activités du service client

Guides d’extraction

Export détaillé des conversations depuis Genesys Cloud Analytics

Étapes

Configuration

a Exemple de requête python

Script Python utilisant l’API Genesys Cloud Platform

Étapes

Configuration

a Exemple de requête python

Diffusion des événements via l’intégration AWS EventBridge

Étapes

Configuration

a Exemple de requête python

Prêt à commencer ?

Réduisez les contacts répétés et améliorez votre service client dès aujourd’hui !

Votre modèle de données pour le service client

Votre modèle de données pour le service client

Attributs du service client

Activités du service client

Guides d’extraction

Export détaillé des conversations depuis Genesys Cloud Analytics

Étapes

Configuration

a Exemple de requête python

Script Python utilisant l’API Genesys Cloud Platform

Étapes

Configuration

a Exemple de requête python

Diffusion des événements via l’intégration AWS EventBridge

Étapes

Configuration

a Exemple de requête python

Prêt à commencer ?

Réduisez les contacts répétés et améliorez votre service client dès aujourd’hui !

Nous respectons votre vie privée

Prêt à commencer ?

Réduisez les contacts répétés et améliorez votre service client dès aujourd’hui !