> Folyamatos folyamatfejlesztés > Ügyfélszolgálat > Genesys Cloud CX > Adatsablon

Ügyfélszolgálati adatsablon

Genesys Cloud CX

← Vissza a folyamatfejlesztési útmutatóhoz

Ügyfélszolgálati attribútumok(19) Ügyfélszolgálati tevékenységek(13) Útmutatók az adatok kinyeréséhez(3)

Ügyfélszolgálati adatsablon

Ez a sablon útmutatást ad az ügyfélszolgálati folyamat elemzéséhez és optimalizálásához szükséges adatok összegyűjtéséhez. Bemutatja az ajánlott attribútumokat, a rögzítendő fő tevékenységeket, valamint gyakorlati tanácsokat ad az adatok forrásrendszerekből történő kinyeréséhez. Használja a sablont a process mining elemzésekhez szükséges eseménynapló összeállításához.

Javasolt attribútumok
Rögzítendő fő tevékenységek
Útmutató az adatok kinyeréséhez

Most ismerkedik az eseménynaplókkal? Tudja meg, hogyan készíthet process mining eseménynaplót.

Sablon letöltése

Ügyfélszolgálati attribútumok

Ezeket az adatmezőket javasoljuk felvenni az eseménynaplóba az ügyfélszolgálat részletes elemzéséhez.

5 Kötelező 6 Javasolt 8 Nem kötelező

	Név	Leírás
	Kezdési idő EventTime	Az időbélyeg, amely megmutatja, mikor kezdődött egy tevékenység vagy esemény.
Leírás Ez az attribútum minden tevékenység pontos dátumát és időpontját adja meg. Elengedhetetlen az események helyes sorrendbe állításához és minden időalapú elemzéshez. A kezdési idő alapján épül fel a folyamat időrendi menete, és ez szolgál alapul a tevékenységek közötti időtartamok, várakozási idők és átfutási idők kiszámításához. A megbízható folyamatelemzéshez és teljesítményméréshez pontos időbélyegekre van szükség. Miért fontos? Ez az időbélyeg időrendbe állítja a tevékenységeket, így pontosan elemezhetők a folyamatok, az időtartamok és a szűk keresztmetszetek. Hol szerezhető be? A Genesys Cloud CX eseménynaplóiban vagy interakciós adataiban található, gyakran minden rögzített rendszer- vagy felhasználói eseményhez kapcsolódik. Példák 2024-05-21T10:00:15Z2024-05-21T10:02:30Z2024-05-21T10:15:00Z
	Szolgáltatási igény ServiceRequest	Az ügyfélkapcsolat elsődleges azonosítója, amely összekapcsolja az összes kapcsolódó tevékenységet.
Leírás A szolgáltatási igény, más néven Ticket vagy Case, egyetlen ügyfélkérdés vagy probléma elsődleges azonosítója. Egyetlen folyamatpéldányba rendezi az összes kapcsolódó eseményt, a kezdeti kapcsolatfelvételtől a végső megoldásig. A szolgáltatási igény szerinti elemzés teljes, elejétől a végéig tartó képet ad az ügyfél útjáról és az ügy belső kezeléséről. Ez az alapja olyan fő mutatók kiszámításának, mint a teljes megoldási idő és az első kapcsolatfelvételkor megoldott ügyek aránya. Miért fontos? Ez az alapvető Case ID kapcsolja össze a folyamat összes lépését, így minden ügyfélkapcsolat elejétől a végéig elemezhető. Hol szerezhető be? Ez az ügy fogalmi azonosítója. A Genesysben gyakran a Conversation ID-nek felel meg, de a bevezetéstől függően egyéni azonosító is lehet. Példák SR-20240521-00123SR-20240521-00124SR-20240522-00001
	Tevékenység neve ActivityName	Az adott időpontban, a szolgáltatási igény életciklusa során történt esemény vagy feladat neve.
Leírás Ez az attribútum az ügyfélszolgálati folyamat egy adott lépését vagy állapotváltozását írja le. Minden tevékenység egy külön eseményt jelöl, például „Ügyintéző elfogadta az interakciót” vagy „Lezárókód hozzárendelve”. A tevékenységek sorrendjének és gyakoriságának elemzése a process mining alapja. Segít megjeleníteni a folyamatokat, feltárni az eltéréseket, valamint azonosítani a szűk keresztmetszeteket és a nem hatékony lépéseket. Miért fontos? A tevékenységek alkotják a folyamattérkép alapját. Segítségükkel összevethető a tényleges folyamatmenet a tervezett folyamattal. Hol szerezhető be? Ezt általában úgy állítják elő, hogy a Genesys Cloud CX rendszereseményeit, ügyintézői állapotait vagy naplóbejegyzéseit szabványos tevékenységnevekhez rendelik. Példák Interakció indultÜgyintéző elfogadta az interakciótHívás utáni munka befejeződöttSzolgáltatási igény újranyitva
	Forrásrendszer SourceSystem	A rendszer, amelyből az adatokat kinyerték.
Leírás Ez az attribútum azonosítja az eseményadatok forrásrendszerét, ebben az esetben a Genesys Cloud CX-et. Több integrált rendszer használatakor ez a mező elengedhetetlen az adatok eredetének nyomon követéséhez, a hibakereséshez és az adatok hátterének megértéséhez. Segít biztosítani, hogy az elemzés a megfelelő adatforrásra épüljön, és lehetővé teszi az adatok szűrését vagy csoportosítását, ha egy folyamatnézethez több rendszer adatai járulnak hozzá. Miért fontos? Azonosítja az adatok forrását, ami elengedhetetlen az adatirányításhoz, az ellenőrzéshez és a több rendszerből származó adatok egyesítéséhez. Hol szerezhető be? Ez általában egy rögzített érték, amelyet az adatkinyerés és -átalakítás során adnak hozzá a rekordok forrásának megjelölésére. Példák Genesys Cloud CXGenesysCloudCX_US1Genesys
	Utolsó adatfrissítés LastDataUpdate	A legutóbbi adatfrissítés időbélyege.
Leírás Ez az attribútum jelzi, mikor frissült utoljára az adatkészlet a forrásrendszerből. Segít megítélni, mennyire naprakészek az elemzett adatok, ami fontos ahhoz, hogy időben megalapozott üzleti döntések szülessenek. A dashboardokon és jelentésekben jól látható helyen érdemes feltüntetni, hogy a felhasználók tisztában legyenek az adatok aktualitásával, és meg tudják ítélni az elemzési eredmények érvényességét. Miért fontos? Jelzi az adatok aktualitását, így az elemzések és döntések naprakész információkra épülhetnek. Hol szerezhető be? Az érték az adatok kinyerésekor vagy a process mining eszközbe való betöltésekor jön létre, és ekkor kerül az adatkészletbe. Példák 2024-05-23T04:00:00Z2024-05-24T04:00:00Z
	Befejezés időpontja EventEndTime	Az időbélyeg, amely azt mutatja, mikor ért véget egy tevékenység vagy esemény.
Leírás Ez az attribútum rögzíti, hogy pontosan mikor fejeződik be egy tevékenység. A kezdési időponttal együtt lehetővé teszi az egyes tevékenységek időtartamának pontos kiszámítását. Az időtartamok elemzésével megállapítható, mely folyamatlépések veszik igénybe a legtöbb időt, így feltárhatók a hatékonysági problémák és a fejlesztési lehetőségek. Például megmutathatja, ha túl sokáig tart a „Hold Placed on Interaction” állapot, vagy elhúzódik az „After-Call Work”. Miért fontos? Lehetővé teszi az egyes tevékenységek időtartamának pontos kiszámítását, ami segít az időigényes lépések és a teljesítményt rontó szűk keresztmetszetek feltárásában. Hol szerezhető be? A Genesys Cloud CX eseménynaplóiban vagy az interakciók részletei között található meg. A következő esemény kezdési időpontjából is kiszámítható. Példák 2024-05-21T10:02:30Z2024-05-21T10:15:00Z2024-05-21T10:18:45Z
	Kommunikációs csatorna MediaType	Az interakcióhoz használt kommunikációs csatorna, például hang, chat vagy e-mail.
Leírás Ez az attribútum határozza meg, milyen csatornán kommunikált az ügyfél és az ügyintéző. A leggyakoribb csatornák a hang, a chat, az e-mail és a közösségi média. A csatornánkénti teljesítmény elemzése, például a „Kommunikációs csatornák teljesítménye” dashboardon, megmutatja az egyes csatornák forgalmát, megoldási idejét és az ügyfelek elégedettségét. Ezek az adatok segítenek a csatornastratégia és az erőforrások elosztásának javításában. Miért fontos? A folyamat kommunikációs csatorna szerinti bontása segít megérteni az egyes csatornák teljesítményét, az ügyfelek viselkedését és az erőforrásigényt. Hol szerezhető be? A Genesys Cloud CX beszélgetésrészletező rekordjainak szabványos mezője. Példák hangchate-mailüzenet
	Lezárási kód WrapUpCode	Az ügyintéző által az interakció végén megadott kód, amely az eredményt vagy a témát kategorizálja.
Leírás A lezárási kód az ügyintéző által kiválasztott címke, amely az ügyféllel folytatott interakció jellegét vagy eredményét sorolja kategóriába. Strukturált adatot ad arról, hogy az ügyfelek milyen okból fordulnak az ügyfélszolgálathoz. A lezárási kódok elemzésével feltárhatók a gyakori problématípusok, nyomon követhetők a megoldások eredményei, és mérhető az egyes kérések gyakorisága. Ezek az adatok segítenek a kiváltó okok elemzésében és a szolgáltatási igények mintázatainak megértésében. Miért fontos? Kategorizálja az interakció eredményét, és strukturált adatot ad a gyakori problémák, a megoldások hatékonysága és a kapcsolatfelvétel okainak elemzéséhez. Hol szerezhető be? A Genesys Cloud CX beszélgetésrészletező rekordjaiban, az ügyintézői résztvevők munkamenet-részleteinél érhető el. Példák Jelszó visszaállításaSzámlázási vita rendezveTermékinformáció kéréseTovábbítva a 2. szintű támogatáshoz
	Ügyintéző neve AgentName	Az interakciót vagy tevékenységet kezelő ügyintéző teljes neve.
Leírás Az ügyintéző neve az azonosítóhoz tartozó, könnyen olvasható megnevezés. A vezetők és csoportvezetők így egyszerűbben értelmezhetik a dashboardokat és jelentéseket. Az ügyintézőkre összpontosító elemzésekben a teljesítmény áttekintésére, a képzési igények feltárására és a munkaterhelés méltányos elosztására használható, anélkül hogy a rendszerazonosítókat külön kellene kikeresni. Miért fontos? Az ügyintéző közérthető nevét jeleníti meg, így a teljesítmény technikai azonosítók nélkül is elemezhető, az eredmények pedig könnyebben megoszthatók. Hol szerezhető be? A Genesys Cloud CX Users vagy Directory szolgáltatásából kérhető le az AgentId alapján. Példák John SmithJane DoePeter Jones
	Ügyintéző-azonosító AgentId	Az interakciót vagy tevékenységet kezelő ügyintéző egyedi azonosítója.
Leírás Az ügyintéző-azonosító minden ügyfélszolgálati munkatárshoz egyedi kulcsot rendel. Ez az attribútum nélkülözhetetlen az ügyintézői teljesítmény, a munkaterhelés eloszlása és a hatékonyság elemzéséhez. Segítségével a folyamattérkép adott ügyintézőre vagy csapatra szűrhető, így összehasonlíthatók például a megoldási idők, az újramunka aránya és az előírt eljárások betartása. Ez az „Ügyintézői teljesítmény és hatékonyság” dashboard egyik alapja. Miért fontos? Az attribútum az egyes folyamati tevékenységeket konkrét munkatársakhoz kapcsolja, így elemezhető az egyéni teljesítmény, a munkaterhelés és a csapat hatékonysága. Hol szerezhető be? A Genesys Cloud CX beszélgetésrészletező rekordjaiban érhető el, annál a felhasználónál, aki az interakció adott szakaszát kezelte. Példák a1b2c3d4-e5f6-7890-1234-567890abcdeff0e9d8c7-b6a5-4321-fedc-ba0987654321
	Várólista neve QueueName	Annak a várólistának a neve, amelyre az interakciót irányították.
Leírás Ez az attribútum azonosítja azt a várólistát, ahol az interakció az ügyintézőhöz rendelés előtt várakozott. A várólista neve szerinti elemzés a „Szolgáltatási várólisták szűk keresztmetszeteinek feltárása” dashboard alapja. Segít megérteni a munkaterhelés eloszlását a különböző szaktudást igénylő csoportok és szolgáltatási területek között, mérni a várakozási időt, valamint azonosítani a rendszeresen létszámhiánnyal vagy túlterheléssel küzdő várólistákat. Ezek az adatok segítenek az erőforrások jobb elosztásában és az ügyfelek várakozási idejének csökkentésében. Miért fontos? Megmutatja, hol várnak a szolgáltatási kérések kiosztásra, így segít feltárni a szűk keresztmetszeteket és elemezni a munkaterhelés eloszlását. Hol szerezhető be? A Genesys Cloud CX beszélgetésrészletező rekordjaiban érhető el. Egy interakció egy vagy több várólistán is áthaladhat. Példák 1. szintű támogatás - hangSzámlázási kérdések - chatTechnikai támogatás - e-mail
	Beszélgetésazonosító ConversationId	A Genesys által a teljes beszélgetéshez rendelt egyedi azonosító.
Leírás A Conversation ID a Genesys Cloud CX elsődleges technikai kulcsa, amely egy ügyfélbeszélgetéshez rendeli az összes kapcsolódó interakciót, szegmenst és résztvevőt. A fogalmi „Szolgáltatási kérés” szolgál Case ID-ként, a Conversation ID pedig az a mögöttes kulcs, amellyel a Genesys API-kon keresztül lekérhetők a kapcsolódó adatok. Nélkülözhetetlen az adatok kinyeréséhez, a különböző adatkészletek összekapcsolásához és a folyamatadatok technikai ellenőrzéséhez. Miért fontos? Ez a Genesys elsődleges technikai kulcsa, amely nélkülözhetetlen az adatok kinyeréséhez, a hibakereséshez és a forrásrendszer adatainak összekapcsolásához. Hol szerezhető be? A Genesys Cloud CX analitikai és beszélgetési API-jainak elsődleges mezője. Példák d8a7c6b5-e4f3-2109-8765-fedcba098765c7b6a5d4-f3e2-1098-7654-edcbaf987654
	CSAT-pontszám CustomerSatisfactionScore	Az ügyfél interakció utáni felmérésben megadott elégedettségi pontszáma.
Leírás Az ügyfél-elégedettségi pontszám, vagyis a CSAT közvetlenül méri, hogyan ítéli meg az ügyfél a kapott szolgáltatást. Ezt általában az interakció lezárása után kiküldött felmérésben gyűjtik. A CSAT-pontszámok és a folyamatadatok együttes elemzésével feltárható, hogy a folyamat eltérései, a megoldási idő vagy az egyes ügyintézők hogyan hatnak az ügyfelek elégedettségére. Ez fontos eredménymutató a folyamat egészének értékeléséhez. Miért fontos? Közvetlenül méri az ügyfelek elégedettségét, így összevethető a folyamat teljesítménye az ügyfélélménnyel. Hol szerezhető be? Az adat általában a Genesys Cloud CX Quality Management moduljából vagy a Genesys rendszerrel integrált külső felmérési eszközből származik. Példák 5413
	Első kapcsolatfelvételkor megoldva IsFirstContactResolution	Jelzi, hogy a szolgáltatási kérést egyetlen interakció során megoldották-e.
Leírás Ez a logikai attribútum azokat az eseteket jelöli, amelyeket már az első interakció során megoldottak, az ügyfél újbóli megkeresése vagy belső továbbítás nélkül. A „true” érték hatékony, ideális megoldást jelez. Ez az attribútum az „Első kapcsolatfelvételkor megoldott esetek aránya” KPI és a hozzá tartozó dashboard alapja. Az első kapcsolatfelvételkor meg nem oldott esetek jellemzőinek elemzése képzési, tudásbázis-fejlesztési vagy folyamatmódosítási lehetőségeket tárhat fel. Miért fontos? Közvetlenül méri a hatékonyságot és az ügyfél-elégedettséget, mivel a probléma első alkalommal történő megoldása nagyban hozzájárul a pozitív szolgáltatási élményhez. Hol szerezhető be? Számított mező, amely az eset eseménysorozatának elemzéséből származik. Egy eset akkor számít első kapcsolatfelvételkor megoldottnak, ha a megoldás előtt nem történik például továbbítás vagy újbóli megnyitás. Példák truefalse
	SLA szerinti célzott megoldási idő SlaTargetResolutionTime	A szolgáltatási kérés megoldására szerződésben vállalt célidő.
Leírás Ez az attribútum határozza meg a szolgáltatási kérés megoldására rendelkezésre álló maximális időt a szolgáltatási szintre vonatkozó megállapodás (SLA) szerint. Ehhez viszonyítható a tényleges megoldási idő. Az adat szükséges az „SLA-megfelelés áttekintése” dashboardhoz és az „SLA-megfelelési arány” KPI-hoz. Segítségével a szervezet nyomon követheti, hogy teljesíti-e az ügyfeleknek tett vállalásait, és időben felismerheti a várható túllépéseket. Miért fontos? Viszonyítási alapot ad az SLA-megfelelés méréséhez, amely a szolgáltatás teljesítményének és a szerződéses vállalások teljesítésének fontos mutatója. Hol szerezhető be? A beszélgetés egyéni attribútumaként tárolható, vagy a várólistára, az ügyfél típusára, illetve a kérés típusára vonatkozó szabályok alapján számítható ki. Példák 86400144003600
	SLA-nak megfelelő IsSlaCompliant	Jelzi, hogy a szolgáltatási kérést az SLA szerinti célidőn belül oldották-e meg.
Leírás Ez a logikai attribútum jelzi, hogy a szolgáltatási kérést a célidőn belül oldották-e meg. A rendszer a „ServiceResolutionTime” és a „SlaTargetResolutionTime” értékének összehasonlításával számítja ki. A jelző egyszerűsíti az „SLA-megfelelés áttekintése” dashboard elemzését és megjelenítését, valamint az „SLA-megfelelési arány” KPI alapja. Segítségével gyorsan szűrhetők és csoportosíthatók a megfelelő, illetve nem megfelelő esetek, így feltárhatók az SLA-túllépések jellemző mintázatai. Miért fontos? Egyértelműen jelzi, hogy az egyes esetek megfeleltek-e az SLA-nak, így egyszerűbb elemezni a nem teljesítés kiváltó okait. Hol szerezhető be? Számított mező: True, ha ServiceResolutionTime <= SlaTargetResolutionTime, egyébként False. Példák truefalse
	Szolgáltatás megoldási ideje ServiceResolutionTime	Az első ügyfélkapcsolat kezdetétől a végleges megoldásig eltelt teljes idő.
Leírás Ez a mutató a szolgáltatási kérés teljes időtartamát méri attól kezdve, hogy az ügyfél először kapcsolatba lép a szolgáltatóval, egészen addig, amíg a problémát megoldottként jelölik. A folyamat egészének hatékonyságát és az ügyfélélményt mérő fontos KPI. Ez a számított attribútum áll a „Szolgáltatási kérések megoldási ideje” dashboard és az „Átlagos szolgáltatási megoldási idő” KPI középpontjában. Az értékek eloszlásának elemzésével feltárhatók az elhúzódó ügyek és a rendszeres késések. Miért fontos? Fontos KPI a folyamat egészének hatékonysága és az ügyfélélményre gyakorolt hatása méréséhez. Hol szerezhető be? Számított mező: a végső megoldást jelző tevékenység időbélyege mínusz az első ügyfélkapcsolati tevékenység időbélyege. Példák 90010800172800
	Szolgáltatási kérés típusa ServiceRequestType	A szolgáltatási kérés besorolása, például „Érdeklődés”, „Panasz” vagy „Technikai probléma”.
Leírás Ez az attribútum a szolgáltatási kérést annak jellege vagy célja szerint kategorizálja. A különböző kéréstípusok külön elemezhetők, így összehasonlítható, hogyan kezelik őket. A „Panasz” folyamata és megoldási ideje például jelentősen eltérhet egy általános érdeklődésétől. Ez a dimenzió az „Eszkalációk belső elemzése” dashboardon is hasznos annak megállapítására, hogy bizonyos kéréstípusokat gyakrabban eszkalálnak-e. Miért fontos? Lehetővé teszi a folyamat kéréstípus szerinti bontását, így összehasonlítható a különböző kérések kezelése, és feltárhatók az adott típusra jellemző szűk keresztmetszetek és hatékonysági problémák. Hol szerezhető be? Az információ származhat IVR-menüből, az ügyfél webes űrlapon megadott választásából vagy az ügyintéző besorolásából. A Genesys rendszerben résztvevői attribútumként vagy lezárási kódként tárolható. Példák Számlázási kérdésTechnikai támogatásÜgyfélfiók kezeléseTermékkel kapcsolatos panasz
	Újranyitva IsReopened	Jelzi, hogy a megoldott szolgáltatási kérést később újranyitották-e.
Leírás Ez a logikai attribútum azokat a szolgáltatási kéréseket jelöli, amelyeket megoldottnak vagy lezártnak állítottak be, de később ismét aktívvá váltak. Az újranyitott esetek gyakran arra utalnak, hogy az eredeti megoldás nem volt hatékony vagy teljes, ami elégedetlenséget és többletmunkát okozhat. Ez az attribútum táplálja a „Szolgáltatási kérések újranyitási trendjei” dashboardot és az „Újranyitott szolgáltatási kérések aránya” KPI-t. Az esetek elemzésével feltárhatók a nem megfelelő megoldások kiváltó okai. Miért fontos? Rámutat a megoldási folyamat hiányosságaira és a megoldások minőségi problémáira, amelyek újramunkához és rossz ügyfélélményhez vezethetnek. Hol szerezhető be? Számított mező, amely azt érzékeli, hogy a „Service Request Resolved” tevékenység után történt-e az esetet ismét aktívvá tevő tevékenység. Példák truefalse

Kötelező Javasolt Nem kötelező

Ügyfélszolgálati tevékenységek

Ezeket a folyamatlépéseket és mérföldköveket érdemes rögzíteni az eseménynaplóban a folyamat pontos feltárásához.

5 Javasolt 8 Nem kötelező

	Tevékenység	Leírás
	Interakció bontva	Ez a tevékenység jelöli a beszélgetés végét, amikor minden résztvevő bontotta a kapcsolatot. Ez gyakran az ügyféligény-interakció technikai lezárását jelenti.
Miért fontos? Ez az interakció egyértelmű záróeseménye. Fontos a teljes interakciós idő kiszámításához, és gyakran az igény lezárásának közelítő jelzőjeként használják. Hol szerezhető be? A beszélgetés részletes adataiból nyerhető ki. A beszélgetési objektum befejezési időpontjának felel meg, amely általában a conversationEnd időbélyegben található. Rögzítés A rendszer akkor naplózza, amikor minden résztvevő bontotta a kapcsolatot, és a beszélgetés véget ér. Eseménytípus explicit
	Interakció indult	Ez a tevékenység jelöli az ügyfélkapcsolat kezdetét, például egy bejövő hívás, chat vagy e-mail indulását. A Genesys Cloud CX akkor naplózza ezt az eseményt, amikor új beszélgetési objektum jön létre a rendszerben.
Miért fontos? Ez a szolgáltatási igény folyamatának elsődleges kezdő eseménye. A teljes megoldási idő kiszámításához és a beérkező ügyféligények mintáinak megértéséhez is szükséges. Hol szerezhető be? Az esemény a beszélgetés részletes adataiból származik. A beszélgetési objektum kezdési időpontjának felel meg, amely általában a conversationStart időbélyegben található. Rögzítés A rendszer akkor naplózza, amikor új beszélgetés indul. Eseménytípus explicit
	Interakció továbbítva	Azt jelzi, amikor az ügyintéző egy interakciót egy másik sorhoz vagy ügyintézőhöz továbbít. A továbbítás lehet vak, amikor az ügyintéző azonnal bontja a kapcsolatot, vagy konzultációs, amikor előbb egyeztet a fogadó féllel.
Miért fontos? Ez a tevékenység elengedhetetlen a belső továbbítási arány KPI méréséhez. A gyakori továbbítás képzési igényre, hibás útválasztásra vagy összetett folyamatra utalhat. Hol szerezhető be? A beszélgetés részletes adataiban azonosítható, amikor az első ügyintéző bekapcsolódása után új ACD-résztvevő vagy ügyintéző kerül a beszélgetésbe. Ezt gyakran egy „transfer” esemény indítja el. Rögzítés A résztvevő munkamenetadataiban szereplő továbbítási esemény alapján azonosítható. Eseménytípus explicit
	Lezárókód hozzárendelve	Az ügyintéző előre meghatározott lezáró- vagy eredménykódot rendel az interakcióhoz. Ezzel egyértelműen kategorizálja az ügyféligény kimenetelét, például „Megoldva” vagy „Továbbítva” értékkel.
Miért fontos? A lezárókódok az ügy kimenetelének meghatározásához használt elsődleges adatok közé tartoznak. Elengedhetetlenek a megoldási arány kiszámításához és az esetek elemzési szempontok szerinti csoportosításához. Hol szerezhető be? Ez az esemény kifejezetten szerepel a beszélgetés részletes adataiban, általában az ügyintéző résztvevőjének munkamenetadatai között. A rendszer rögzíti a wrapUp kódot és az időbélyeget. Rögzítés A rendszer akkor naplózza, amikor az ügyintéző lezárókódot választ az interakcióhoz. Eseménytípus explicit
	Ügyintéző elfogadta az interakciót	Azt jelöli, amikor az ügyintéző elfogadja a felajánlott interakciót, és kapcsolatba lép az ügyféllel. Ez fontos mérföldkő, mert ekkor kezdődik az ügyféligény közvetlen kezelése.
Miért fontos? Ez a tevékenység fontos az első kapcsolatfelvételkor megoldott ügyek arányának és az ügyintézői kezelési időnek a méréséhez. Ekkor kezd el az ügyintéző az igénnyel foglalkozni. Hol szerezhető be? A beszélgetés részletes adataiban található. Az ügyintéző résztvevőjének állapota „connected” értékre vált, a rendszer pedig rögzíti az időbélyeget. Rögzítés A rendszer akkor naplózza, amikor az ügyintéző résztvevőjének állapota „connected” értékre vált. Eseménytípus explicit
	Beszélgetés sorba irányítva	Azt jelzi, amikor egy új interakció egy adott sorba kerül, és egy szabad ügyintézőre vár. Ezt az eseményt a Genesys útválasztó motorja (ACD) kifejezetten naplózza.
Miért fontos? Ennek a tevékenységnek a nyomon követése elengedhetetlen a sorban töltött várakozási idő méréséhez és az útválasztás szűk keresztmetszeteinek feltárásához. Ha az esemény és az ügyintéző hozzárendelése között hosszú idő telik el, az létszám- vagy útválasztási problémára utalhat. Hol szerezhető be? A beszélgetés részletes adataiból nyerhető ki, különösen az ACD-résztvevő „purpose” és „state” mezőiből. Az eseményt a sorhoz tartozó „enterTime” érték jelzi a metrikák tömbjében. Rögzítés A rendszer akkor naplózza, amikor az ACD útválasztó motor egy beszélgetést sorba helyez. Eseménytípus explicit
	Hívás utáni munka befejeződött	Ez jelöli az ügyintéző hívás utáni munkájának végét. Ekkor az ügyintéző ismét fogadhat új interakciót.
Miért fontos? A „Hívás utáni munka megkezdődött” tevékenységgel együtt pontosan meghatározható a lezárási szakasz időtartama. Ez segít elemezni az ügyintézők teljesítményét és a folyamat többletterheit. Hol szerezhető be? Akkor következtethető ki, amikor az ügyintéző állapota „acw” értékről elérhető állapotra, például „idle” értékre vált. A rendszer az állapotváltozás időbélyegét használja. Rögzítés Az ügyintéző állapotának „acw” értékről elérhető állapotra váltásából következtethető ki. Eseménytípus inferred
	Hívás utáni munka megkezdődött	Ez a tevékenység jelöli a hívás utáni munka (ACW) kezdetét. Az ügyintéző már bontotta a kapcsolatot az ügyféllel, és most olyan feladatokat végez, mint a jegyzetek rögzítése vagy a rendszerek frissítése.
Miért fontos? Az ACW időtartamának mérése fontos az ügyintézői hatékonyság és a teljes kezelési idő megértéséhez. A hosszú ACW a kapcsolat utáni folyamatok hatékonysági problémáira utalhat. Hol szerezhető be? Az ügyintéző résztvevőjének munkamenetadataiból nyerhető ki. A rendszer akkor naplózza, amikor az ügyfél résztvevője bontja a kapcsolatot, és az ügyintéző állapota „acw” értékre vált. Rögzítés A rendszer akkor naplózza, amikor az ügyintéző résztvevőjének állapota „acw” értékre vált. Eseménytípus explicit
	Interakció felajánlva az ügyintézőnek	Ez az esemény akkor történik, amikor a rendszer felajánl egy interakciót egy adott ügyintézőnek. Az ügyintéző állapota „alerting” értékre vált, amíg a rendszer a beszélgetés elfogadására vagy elutasítására vár.
Miért fontos? Ez a tevékenység segít elemezni az ügyintézők reakcióidejét és az útválasztási algoritmus hatékonyságát. Az ezt követő késés arra utalhat, hogy az ügyintézők nem fogadják el időben a feladatokat. Hol szerezhető be? A beszélgetés részletes adataiban, az ügyintéző résztvevői adatai között található. A résztvevő munkamenetében „alerting” állapotú metrika és a hozzá tartozó időbélyeg szerepel. Rögzítés A rendszer akkor naplózza, amikor az útválasztó motor értesíti az ügyintézőt egy új interakcióról. Eseménytípus explicit
	Interakció várakoztatásra téve	A rendszer akkor rögzíti ezt a tevékenységet, amikor az ügyintéző várakoztatja az ügyfelet az interakció során. Ez az ügyintéző résztvevőjének állapotváltozásaként jelenik meg a beszélgetésben.
Miért fontos? A várakoztatások gyakoriságának és időtartamának elemzése feltárhatja a folyamat hatékonysági problémáit, például ha az ügyintézőknek gyakran kell információt keresniük vagy másokkal egyeztetniük. Hol szerezhető be? A beszélgetés részletes adataiban szereplő ügyintézői munkamenetből nyerhető ki. Az állapot „held” értékre vált, és a rendszer rögzíti az időbélyeget. Rögzítés A rendszer akkor naplózza, amikor az ügyintéző résztvevőjének állapota „held” értékre vált. Eseménytípus explicit
	Szolgáltatási igény újranyitva	Azt jelzi, amikor az ügyfél röviddel a megoldottnak tekintett ügy után ismét kapcsolatba lép az ügyfélszolgálattal ugyanazzal a problémával. Ez nem kifejezett esemény, hanem üzleti logika alapján számított érték.
Miért fontos? Az újranyitott igények nyomon követése elengedhetetlen az újranyitási arány méréséhez. Azt jelzi, hogy az eredeti megoldás nem volt hatékony, ami rontja az ügyfél-elégedettséget és a működés hatékonyságát. Hol szerezhető be? Ez a tevékenység abból következtethető ki, hogy az előző interakció megoldása után egy előre meghatározott időszakon belül új „Interakció indult” esemény történik ugyanattól az ügyféltől (Customer ID) ugyanazzal vagy kapcsolódó problémával, például azonos szolgáltatásigény-típussal. Rögzítés Úgy számítható ki, hogy az új interakciót összekapcsoljuk ugyanannak az ügyfélnek egy nemrég lezárt, azonos problémára vonatkozó ügyével. Eseménytípus calculated
	Ügyfél-elégedettségi felmérés elküldve	Ez a tevékenység akkor történik, amikor az interakció lezárása után kiküldik az ügyfél-elégedettségi (CSAT) felmérést. A kiküldést gyakran a rendszer indítja el előre meghatározott szabályok alapján.
Miért fontos? Ez a tevékenység szükséges a CSAT-felmérések időben történő kiküldését mérő KPI kiszámításához. A felmérés időben történő elküldésével akkor gyűjthető pontos visszajelzés, amikor az ügyfél még frissen emlékszik az élményre. Hol szerezhető be? Ez az információ általában a Genesys Cloud CX felmérési vagy minőségirányítási adataiban található, és az eredeti beszélgetésazonosítóhoz kapcsolható. Rögzítés A felmérési modul akkor naplózza, amikor egy adott beszélgetéshez kiküldi a felmérést. Eseménytípus explicit
	Várakoztatás feloldva	Akkor történik, amikor az ügyintéző visszakapcsolja az ügyfelet, és folytatja a beszélgetést. Ez az esemény jelöli a várakoztatási időszak végét, és állapotváltozásként kerül naplózásra.
Miért fontos? A „Interakció várakoztatásra téve” tevékenységgel együtt pontosan kiszámítható a teljes várakoztatási idő. Ez a teljes kezelési idő és az ügyfélélmény egyik fontos összetevője. Hol szerezhető be? Az ügyintéző résztvevőjének munkamenetadataiból állapítható meg, amikor az állapota „held” értékről ismét „connected” értékre vált. Rögzítés A rendszer akkor naplózza, amikor az ügyintéző résztvevőjének állapota „held” értékről „connected” értékre vált. Eseménytípus explicit

Javasolt Nem kötelező

Útmutatók az adatok kinyeréséhez

Adatok kinyerése a Genesys Cloud CX rendszerből

Lépések

Nyissa meg az Analytics Workspace felületet: Jelentkezzen be a Genesys Cloud CX rendszerbe. Nyissa meg a menüt, válassza az Admin lehetőséget, majd az Analytics alatt kattintson a Workspace elemre.
Hozzon létre új nézetet: Kattintson a plusz ikonra új lap hozzáadásához, majd válassza a „Create a new view” lehetőséget. Nézettípusként válassza az „Interactions” elemet. Ezzel megnyílik az interakciós nézet szerkesztője.
Adja meg az időszakot: A bal oldali szűrőpanelen állítsa be a kinyerni kívánt adatok dátum- és időintervallumát. Elsőként érdemes rövidebb időszakot, például egy hetet választani a folyamat teszteléséhez.
Válassza ki az exportálandó oszlopokat: Ez az adat-előkészítés egyik legfontosabb lépése. Kattintson a „Columns” gombra. Az elérhető mezők közül válassza ki és adja hozzá a nézethez az alábbi oszlopokat. Ezek tartalmazzák az eseménynapló összeállításához szükséges adatokat:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (Ez az összetett mező egymásba ágyazott ügyintézői, várólista- és ügyféladatokat tartalmaz.)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Adjon meg további szűrőket: Szükség esetén szűkítse az adatokat a szűrőpanelen. Szűrhet például Media Type (voice, chat), Queue, Direction (inbound/outbound) vagy más beszélgetési tulajdonságok szerint, hogy a kívánt ügyfélszolgálati folyamatra összpontosítson.
Mentse és futtassa a nézetet: Mentse a nézetet beszédes néven, például „Process Mining Service Request Export”. A nézet ezután betölti a feltételeknek megfelelő adatokat.
Indítsa el az exportálást: Miután az adatok betöltődtek a nézetbe, kattintson az „Export” gombra, amelyet általában letöltési ikon jelöl. Válassza az „Export as CSV” vagy az „Export as JSON” lehetőséget. A kezdeti feldolgozáshoz általában a CSV-formátum egyszerűbb.
Töltse le az exportált fájlt: Az exportálás a háttérben fut. Az állapotát a Performance > My Exports menüpontban követheti. Ha elkészült, töltse le a fájlt a helyi rendszerére.
Alakítsa át a nyers adatokat: Az exportált fájlban minden beszélgetés egy sort foglal el, a résztvevőkre és szegmensekre vonatkozó adatok pedig egyetlen oszlopba ágyazva szerepelnek. Az adatok kibontásához futtasson átalakító szkriptet, például a Query szakaszban megadott Python-szkriptet. A szkript feldolgozza a nyers exportot, és olyan új fájlt hoz létre, amelyben minden sor egy tevékenységet jelöl, például „Agent Accepted Interaction” vagy „Hold Placed on Interaction”.
Alkalmazza az egyedi üzleti logikát: Az átalakítás során építse be a szervezetre jellemző üzleti szabályokat. Például a „Service Request Re-Opened” tevékenységet úgy kell meghatározni, hogy megvizsgálja, érkezett-e ugyanattól az ügyféltől újabb interakció egy meghatározott időszakon belül.
Állítsa össze az eseménynaplót: Az átalakító szkript olyan CSV-fájlt hozzon létre, amelynek oszlopai megfelelnek a ProcessMind által elvárt formátumnak. Ilyen például a ServiceRequest, ActivityName, EventTime és a többi attribútum. Minden időbélyeg azonos formátumú legyen.
Töltse fel a ProcessMindbe: Az átalakított végleges CSV-fájl készen áll a process mining eszközbe való feltöltésre.

Konfiguráció

Jogosultságok: A Genesys Cloud CX felhasználói szerepkörének tartalmaznia kell az Analytics > Conversation > View jogosultságot, hogy hozzáférjen az Analytics Workspace-hez és interakciós nézeteket hozhasson létre.
Dátumtartomány: Az első adatkinyeréshez válasszon egy jellemző, 3–6 hónapos időszakot. Nagy forgalmú ügyfélszolgálati központok esetén az adatok kisebb, például heti vagy havi részekben történő exportálása javasolt. Így elkerülhetők a rendszerkorlátok, és kezelhető marad a fájlméret.
Fő szűrők:
- Media Type: Szűrjön az ügyfélszolgálati folyamat szempontjából releváns csatornákra, például voice, chat vagy email.
- Várólista: Ha a folyamatot meghatározott csapatok kezelik, szűrjön a megfelelő várólista-azonosítókra, hogy csak a kívánt folyamathoz tartozó adatokat nyerje ki.
- Direction: Általában a inbound interakciókra érdemes szűrni, hogy az ügyfelek által kezdeményezett szolgáltatási kéréseket rögzítse.
Exportálandó oszlopok: A Participants oszlop elengedhetetlen, mert az ügynökök és várólisták eseményeinek részletes idővonalát tartalmazza. Enélkül nem nyerhetők ki az egyes tevékenységek. A Conversation ID, Conversation Start és Conversation End oszlopokat is vegye fel.
Teljesítménnyel kapcsolatos szempontok: Sok oszlop vagy túl hosszú dátumtartomány exportálása jelentősen megnövelheti a feldolgozási időt. Ha a feladat meghiúsul vagy időtúllépés miatt leáll, szűkítse a dátumtartományt, és próbálja újra. A Genesys Cloud exportálási feladatonként körülbelül 1 millió beszélgetésre korlátozza az adatmennyiséget.

Példa-lekérdezés 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}")

Lépések

Előfeltételek és beállítás: Telepítse a Python 3.8-as vagy újabb verzióját, valamint a pandas és a purecloud-platform-client-v2 könyvtárat. A telepítéshez futtassa a következő parancsot: pip install pandas purecloud-platform-client-v2.
Hozzon létre Genesys Cloud OAuth-klienst: Jelentkezzen be a Genesys Cloud CX adminisztrátori fiókjába. Nyissa meg az Integrations > OAuth menüpontot, és hozzon létre új klienst „Client Credentials” engedélyezési típussal. Rendeljen hozzá olyan szerepkört, amely tartalmazza az analytics:conversationDetail:view jogosultságot.
Állítsa be a szkript hitelesítő adatait: Mentse el az előző lépésben létrehozott Client ID és Client Secret értékét. Az alábbi Python-szkriptben cserélje le a CLIENT_ID, CLIENT_SECRET és GENESYS_CLOUD_REGION helyőrző értékeit a saját adataira.
Adja meg az adatkinyerés időszakát: Keresse meg a szkriptben a query_body változót. Módosítsa az interval értékét a kinyerni kívánt dátum- és időtartománynak megfelelően. Teszteléshez először rövid időszakot, például egyetlen napot válasszon.
Futtassa a Python-szkriptet: A terminálban futtassa a python your_script_name.py parancsot. A szkript hitelesíti magát a Genesys Cloud API-n, elindít egy aszinkron elemzési feladatot, majd kiírja a feladatazonosítót.
Kövesse nyomon a feladatot: A szkript 15 másodpercenként lekérdezi az API-t a feladat állapotáról. Az állapotfrissítések a konzolon jelennek meg. Az adatmennyiségtől függően ez több percig vagy tovább is tarthat.
Dolgozza fel és alakítsa át az adatokat: A feladat befejezése után a szkript letölti az eredményül kapott JSON-adatokat. Ezután végigmegy az egyes beszélgetési rekordokon, és feldolgozza a résztvevőkre, munkamenetekre és szegmensekre vonatkozó adatokat, hogy azonosítsa és strukturálja a fontos tevékenységeket és attribútumokat.
Kezelje a számított eseményeket: A szkript utófeldolgozási lépése azonosítja a „Service Request Re-Opened” eseményeket. Ez a testre szabható logika azt ellenőrzi, hogy egy korábbi interakció lezárása után, meghatározott időn belül érkezett-e újabb interakció ugyanattól az ügyféltől.
Állítsa elő az eseménynaplót: Az átalakított adatok egy pandas DataFrame-be kerülnek, amely az eseménynapló process mininghez szükséges szerkezetét követi.
Exportálja a végleges CSV-fájlt: A szkript genesys_event_log.csv néven menti a végleges DataFrame-et. A fájl közvetlenül feltölthető a ProcessMind platformra.

Konfiguráció

API-hitelesítő adatok: A hitelesítéshez OAuth Client ID és Client Secret szükséges. Ezeket a Genesys Cloud CX adminisztrációs felületén kell létrehozni.
API-jogosultságok: A kapcsolódó OAuth-kliens szerepkörének rendelkeznie kell az analytics:conversationDetail:view jogosultsággal a szükséges beszélgetési adatok eléréséhez.
Adatkinyerési időszak: Az API-lekérdezés törzsében az interval paraméter határozza meg az adatkinyerés időszakát. Nagy környezetekben célszerű kisebb, egymást követő részletekben, például hetente futtatni az adatkinyerést, így elkerülhetők az API-időtúllépések, és kezelhető marad a memóriahasználat.
Adatszűrők: Az API-lekérdezés törzse a conversationFilters, segmentFilters vagy evaluationFilters megadásával módosítható, így szűkíthető az adatkinyerés köre. Például a queueId vagy a mediaType alapján egy adott ügyfélszolgálati folyamatrészre szűrhet.
Újranyitási logika: A „Service Request Re-Opened” esemény azonosításához használt időablak a szkriptben állítható be. Az alapértelmezett érték 72 óra, de ezt a szervezet üzleti szabályaihoz kell igazítani.
Környezet: A szkript futtatásához helyi Python-környezetre van szükség a megfelelő SDK-val és könyvtárakkal. A Genesys Cloud CX szerveréhez vagy adatbázisához nem kell közvetlen hozzáférés.

Példa-lekérdezés 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()

Lépések

Ellenőrizze, hogy a Genesys Cloud CX-szervezet támogatja-e a szükséges EventBridge-integrációt, rendelkezik-e a megfelelő rendszergazdai jogosultságokkal és hozzáféréssel a beszélgetési eseményekhez, valamint hogy az AWS-fiók fogadhat-e eseményeket. A rendszer felelősével egyeztesse a cél AWS-régiót, az EventBridge eseménybuszt, valamint a szervezetre, részlegre, várólistára és médiatípusra vonatkozó szűrőket.
A Genesys Cloud CX rendszerben állítsa be az AWS EventBridge-integrációt az aktuális adminisztrációs felület és a szervezet integrációs dokumentációja szerint. Válassza ki a cél AWS-fiókot, régiót és eseménybuszt, valamint a részletes interakció-életciklus követéséhez szükséges beszélgetési eseménykategóriákat. Mivel a menüpontok neve és az elérhető eseménysémák szervezetenként és kiadásonként eltérhetnek, a szervezetspecifikus útvonalakhoz és beállításokhoz használja a [Beállítás a saját rendszer alapján] útmutatót.
Állítsa be az AWS EventBridge-et úgy, hogy fogadja a Genesys Cloud eseményeit a kiválasztott eseménybuszon. Alkalmazza a legkisebb jogosultság elvét, és gondoskodjon a titkosításról, megőrzésről, felügyeletről, valamint ahol támogatott, a sikertelen kézbesítések célhelyéről. Hozzon létre olyan szabályt, amely a szükséges eseményeket továbbítja az adattó, adattárház, adatfolyam-feldolgozó vagy objektumtároló fogadó rétegét használó rendszernek.
Rögzítse a nyers EventBridge-adatokat az eredeti időbélyegek és azonosítók módosítása nélkül. A hasznos adatot, a beolvasás időbélyegét, az eseménytípust, a forrást, a részlettípust és a kézbesítési metaadatokat a [Nyers eseményadatok tárolója] helyen tárolja. Őrizze meg a nyers adatokat, hogy a hozzárendelések a Genesys Cloud sémájának változásakor újra ellenőrizhetők legyenek.
Készítsen Pythonban normalizálási lépést, amely beolvassa a nyers adatokat, azonosítja a beszélgetés azonosítóját, a résztvevőkre és munkamenetekre vonatkozó részleteket, a várólista- és ügyintézői adatokat, a médiatípust, az utómunka adatait és az események időbélyegeit, majd minden egyértelműen rögzített tevékenységhez egy normalizált sort állít elő. A szervezetében kapott eseményminták tényleges mezőútvonalait használja. Ne következtessen olyan tevékenységekre, amelyeket nem támaszt alá kifejezett esemény vagy állapotváltozás.
Rendelje hozzá a kifejezett Genesys Cloud-beszélgetési és résztvevői állapotváltozásokat a szükséges ActivityName értékekhez. Ha jelen van a beszélgetés létrehozásáról szóló esemény, rögzítse az Interaction Started tevékenységet. Az útválasztási esemény esetén rögzítse a Conversation Routed to Queue tevékenységet. Az ügyintéző riasztási állapotánál rögzítse az Agent Offered Interaction, elfogadás vagy kapcsolódás esetén az Agent Accepted Interaction tevékenységet. A megfelelő várakoztatási állapotváltozásokhoz rögzítse a Hold Placed on Interaction és Hold Removed from Interaction tevékenységeket, a kifejezett átadási eseményhez az Interaction Transferred tevékenységet, a kifejezett ACW-állapotváltozásokhoz az After-Call Work Started és After-Call Work Ended tevékenységeket, az utómunka-kód hozzárendelésekor a Wrap-Up Code Assigned tevékenységet, a beszélgetés vagy az érintett végső résztvevői munkamenet bontásakor pedig az Interaction Disconnected tevékenységet.
A Service Request Re-Opened és a Customer Satisfaction Survey Sent tevékenységet külön kezelje. Az EventBridge beszélgetési eseményei nem feltétlenül tartalmazzák ezeket közvetlenül. Ha a szervezet rendelkezik kifejezett felmérési eseményforrással, csak akkor vegye fel a tevékenységet, ha az esemény ténylegesen beérkezik. A Service Request Re-Opened tevékenységet külön, dokumentált üzleti szabály alapján számítsa ki, majd fűzze hozzá az eredményül kapott sort az eseménynaplóhoz. A ProcessMind nem számítja ki és nem következteti ki ezt a tevékenységet.
A ServiceRequest mezőbe a szervezeti hozzárendelésben kiválasztott stabil ügyfélszolgálati kérés- vagy beszélgetésazonosítót írja. Az ActivityName mezőbe pontosan egy szükséges tevékenységnevet, az EventTime mezőbe a tevékenység kezdő időbélyegét, a SourceSystem mezőbe a Genesys Cloud CX és AWS EventBridge értéket, a LastDataUpdate mezőbe pedig az adatkinyerés frissítési időbélyegét írja. A nem kötelező attribútumokat csak akkor töltse ki, ha rendelkezésre állnak, egyébként hagyja őket NULL értéken.
Az események ismétlődésének kiszűréséhez használja a szolgáltató eseményazonosítóját, ha rendelkezésre áll. Ennek hiányában alkalmazzon dokumentált összetett kulcsot, amely tartalmazza a ServiceRequest, ActivityName, EventTime, résztvevő- vagy ügyintéző-azonosító és forrásesemény-azonosító mezőket. Vegye figyelembe az EventBridge újrapróbálkozásait és a nem időrendi sorrendben érkező eseményeket. Ne szűrje ki a különálló, ismétlődő várakoztatásokat, átadásokat, felajánlásokat vagy más jogosan ismétlődő tevékenységeket.
Ellenőrizze a normalizált kimenetet a nyers adatok darabszáma, az események időbélyegei, a beszélgetésazonosítók, a várólista- és ügyintézői adatok, valamint a teljes tevékenységlista alapján. Exportáljon olyan egyszerű fájlt, vagy töltsön be olyan táblát, amely tartalmazza a kötelező ServiceRequest, ActivityName, EventTime, SourceSystem és LastDataUpdate oszlopokat, valamint az elérhető ajánlott oszlopokat. Az időbélyegek formátuma és időzónája legyen egységes, és feleljen meg a ProcessMind követelményeinek. Ezután töltse fel az eseménynaplót az ügyfélszolgálati kérés folyamatának bemeneteként.

Konfiguráció

Integráció és célhely: Állítsa be a Genesys Cloud CX AWS EventBridge-integrációt a cél AWS-fiókhoz, régióhoz és eseménybuszhoz. A rendelkezésre álló eseménymintákban nem szereplő, szervezetspecifikus integrációs beállításokhoz használja a [Beállítás a saját rendszer alapján] útmutatót.
Események köre: Iratkozzon fel a Genesys Cloud-szervezetben elérhető részletes beszélgetési, résztvevői, munkamenet-, útválasztási, állapotváltozási, átadási, bontási, utómunka- és ACW-eseményekre. Éles bevezetés előtt ellenőrizze a pontos eseménytípusokat és adatmező-útvonalakat egy ellenőrzött tesztinterakcióval.
Ügyazonosító: A ServiceRequest mezőhöz használja a szervezeti hozzárendelésben kiválasztott stabil beszélgetés- vagy ügyfélszolgálati kérésazonosítót. Ha egy másik rendszer külön ügyfélszolgálati kérésazonosítót használ, dokumentálja a megfeleltetést e között és a Genesys Cloud beszélgetésazonosítója között.
Időszak: A folyamatelemzéshez elsőként 3–6 hónapnyi előzményt használjon. Közel valós idejű működéshez rövid lekérdezési vagy adatfolyam-ellenőrzési időközt alkalmazzon, és őrizze meg a nyers adatokat újrafeldolgozható formában. Kimaradás utáni helyreállításkor használjon átfedő időablakot, majd szűrje ki az ismétlődéseket a szolgáltató eseményazonosítója alapján.
Szűrők: Csak ellenőrzött, szervezetspecifikus szűrőket alkalmazzon, például részleg, várólista, médiatípus, üzleti egység vagy interakció dátuma szerint. Ne használjon Company Code vagy Document Type szűrőt, kivéve, ha ezeket egy integrált forrás biztosítja, és a környezetében kifejezetten hozzárendelték.
Időbélyegek kezelése: Az EventTime mezőben őrizze meg a forrásesemény időbélyegét. A beolvasás vagy frissítés időpontját külön, a LastDataUpdate mezőben tárolja. Minden időbélyeget dokumentált időzónára, lehetőleg UTC-re alakítson, az eredeti eltolást pedig auditálási igény esetén őrizze meg.
Nem kötelező attribútumok: Az AgentId és AgentName mező a résztvevői vagy felhasználói adatokból, a QueueName az útválasztási adatokból, a WrapUpCode az utómunka adataiból, a MediaType a beszélgetési vagy munkamenet-csatornából tölthető ki. Az EventEndTime mezőhöz használjon kifejezett befejező állapotváltozást vagy a forrásban szereplő időtartamot.
Teljesítmény: A nyers és normalizált adatokat eseménydátum, valamint ahol lehetséges, szervezet vagy részleg szerint particionálja. Fokozatosan dolgozza fel az adatokat EventBridge-ellenőrzőpontok használatával. Kötegelt írásokat végezzen az adattárházba vagy adattóba, figyelje a feldolgozási késést, és kerülje a teljes előzmény ismételt beolvasását.
Megbízhatóság: Állítsa be az újrapróbálkozások kezelését, a sikertelen kézbesítések feldolgozását, az újrajátszási eljárásokat, az ismétlődések felismerését, valamint a kézbesítési hibák, sémaváltozások és eseménykésések felügyeletét.
Előfeltételek: Genesys Cloud rendszergazdai vagy integrációs jogosultságok, AWS EventBridge-jogosultságok, hozzáférés a kiválasztott eseménybuszhoz és a további adattárolóhoz, jogosultság a beszélgetési részletek olvasásához, valamint a szervezet eseményintegrációjához szükséges Genesys Cloud-funkciók vagy licencek. A beszélgetési adatok tárolása előtt ellenőrizze az adatmegőrzési és adatvédelmi követelményeket.

Példa-lekérdezés 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)

Kezdheti?

Hozza ki a legtöbbet ügyfélszolgálata működéséből. A sablon segítségével feltárhatja a folyamatban rejlő lehetőségeket, és javíthatja a hatékonyságot.

Vissza a folyamatfejlesztési útmutatóhoz

Sablon letöltése

Csökkentse az ismételt megkereséseket, javítsa ügyfélszolgálatát még ma!

Javítsa a CSAT-értéket, és érje el, hogy az ügyek 80%-a már az első kapcsolatfelvételkor megoldódjon.

Próbálja ki ingyen

Nincs szükség bankkártyára. Néhány perc alatt elindíthatja a próbaverziót.

Ügyfélszolgálati adatsablon

Ügyfélszolgálati adatsablon

Ügyfélszolgálati attribútumok

Ügyfélszolgálati tevékenységek

Útmutatók az adatok kinyeréséhez

Genesys Cloud Analytics: beszélgetésadatok exportálása

Lépések

Konfiguráció

Példa-lekérdezés python

Python-szkript a Genesys Cloud Platform API használatával

Lépések

Konfiguráció

Példa-lekérdezés python

Eseményadatok továbbítása AWS EventBridge-integrációval

Lépések

Konfiguráció

Példa-lekérdezés python

Kezdheti?

Csökkentse az ismételt megkereséseket, javítsa ügyfélszolgálatát még ma!