> Perbaikan proses berkelanjutan > Layanan pelanggan > Genesys Cloud CX > Templat data

Templat data layanan pelanggan Anda

Genesys Cloud CX

Atribut layanan pelanggan(19) Aktivitas layanan pelanggan(13) Panduan ekstraksi data(3)

Templat data layanan pelanggan Anda

Templat ini memandu Anda mengumpulkan data penting untuk menganalisis dan mengoptimalkan proses layanan pelanggan. Di dalamnya tercantum atribut yang disarankan, aktivitas utama yang perlu dilacak, serta panduan praktis untuk mengambil data dari sistem sumber. Gunakan templat ini untuk menyusun log peristiwa bagi inisiatif process mining Anda.

Atribut yang disarankan untuk dikumpulkan
Aktivitas utama yang perlu dilacak
Panduan ekstraksi data

Baru mengenal log peristiwa? Pelajari cara membuat log peristiwa process mining.

Unduh template

Atribut layanan pelanggan

Berikut kolom data yang disarankan untuk log peristiwa agar Anda dapat menganalisis layanan pelanggan secara menyeluruh.

5 Wajib 6 Disarankan 8 Opsional

	Nama	Deskripsi
	Nama aktivitas ActivityName	Nama peristiwa atau tugas tertentu yang terjadi pada suatu waktu dalam siklus permintaan layanan.
Deskripsi Atribut ini menjelaskan langkah tertentu atau perubahan status dalam proses layanan pelanggan. Setiap aktivitas mewakili peristiwa tersendiri, seperti 'Agen menerima interaksi' atau 'Kode penyelesaian ditetapkan'. Menganalisis urutan dan frekuensi aktivitas ini merupakan dasar process mining. Analisis tersebut membantu memvisualisasikan alur proses, menemukan penyimpangan, serta mengidentifikasi hambatan atau langkah yang tidak efisien. Mengapa ini penting Aktivitas menjadi dasar peta proses dan memungkinkan Anda memvisualisasikan serta menganalisis alur proses yang sebenarnya dibandingkan dengan alur yang dirancang. Sumber data Biasanya, atribut ini diperoleh dengan memetakan peristiwa sistem, status agen, atau entri jejak audit tertentu di Genesys Cloud CX ke nama aktivitas yang sudah distandardisasi. Contoh Interaksi dimulaiAgen menerima interaksiPekerjaan setelah panggilan selesaiPermintaan layanan dibuka kembali
	Permintaan layanan ServiceRequest	Pengenal utama untuk interaksi layanan pelanggan yang menghubungkan semua aktivitas terkait.
Deskripsi Permintaan Layanan, yang sering disebut Tiket atau Kasus, menjadi pengenal utama untuk satu pertanyaan atau masalah pelanggan. Permintaan ini mengelompokkan semua peristiwa terkait, dari kontak awal hingga penyelesaian akhir, dalam satu instans proses. Analisis berdasarkan Permintaan Layanan memberikan gambaran lengkap perjalanan pelanggan dan proses penanganan internal dari awal hingga akhir. Data ini menjadi dasar untuk menghitung metrik utama, seperti total waktu penyelesaian dan tingkat penyelesaian pada kontak pertama. Mengapa ini penting Ini adalah ID Kasus utama yang menghubungkan semua langkah proses, sehingga Anda dapat menganalisis setiap interaksi pelanggan secara menyeluruh dari awal hingga akhir. Sumber data Ini adalah pengenal kasus konseptual. Di Genesys, pengenal ini biasanya sesuai dengan ID Percakapan, tetapi dapat berupa pengenal khusus, bergantung pada penerapannya. Contoh PL-20240521-00123PL-20240521-00124PL-20240522-00001
	Waktu mulai EventTime	Stempel waktu yang menunjukkan kapan suatu aktivitas atau peristiwa dimulai.
Deskripsi Atribut ini mencatat tanggal dan waktu yang tepat untuk setiap aktivitas. Data ini penting untuk mengurutkan peristiwa dengan benar dan melakukan semua analisis berbasis waktu. Waktu mulai digunakan untuk menyusun alur proses secara kronologis dan menjadi dasar penghitungan durasi, waktu tunggu, serta waktu siklus antaraktivitas. Stempel waktu yang akurat penting agar analisis proses dan pemantauan kinerja dapat diandalkan. Mengapa ini penting Stempel waktu ini mengurutkan semua aktivitas secara kronologis, sehingga alur proses, durasi, dan hambatan dapat dianalisis dengan akurat. Sumber data Tersedia dalam log peristiwa atau detail interaksi di Genesys Cloud CX, dan biasanya terkait dengan setiap peristiwa sistem atau pengguna yang tercatat. Contoh 2024-05-21T10:00:15Z2024-05-21T10:02:30Z2024-05-21T10:15:00Z
	Pembaruan data terakhir LastDataUpdate	Stempel waktu pembaruan data terbaru.
Deskripsi Atribut ini menunjukkan kapan terakhir kali dataset diperbarui dari sistem sumber. Informasi ini memberi konteks tentang kebaruan data yang dianalisis, yang penting untuk mengambil keputusan bisnis yang tepat waktu dan relevan. Tampilkan informasi ini dengan jelas di dasbor dan laporan agar pengguna mengetahui seberapa baru data tersebut dan dapat menilai validitas temuannya. Mengapa ini penting Menunjukkan kebaruan data agar analisis dan keputusan didasarkan pada informasi terkini. Sumber data Nilai ini dibuat dan dicatat pada dataset saat data diekstrak atau dimuat ke alat process mining. Contoh 2024-05-23T04:00:00Z2024-05-24T04:00:00Z
	Sistem sumber SourceSystem	Sistem tempat data diekstrak.
Deskripsi Atribut ini menunjukkan sistem asal data peristiwa, dalam hal ini Genesys Cloud CX. Jika lingkungan Anda menggunakan beberapa sistem terintegrasi, kolom ini penting untuk menelusuri asal data, memecahkan masalah, dan memahami konteksnya. Atribut ini membantu memastikan analisis menggunakan sumber data yang tepat dan memungkinkan Anda memfilter atau mengelompokkan data saat beberapa sistem menyumbangkan data ke satu tampilan proses. Mengapa ini penting Menunjukkan asal data. Informasi ini penting untuk tata kelola dan validasi data, serta saat menggabungkan data dari beberapa sistem. Sumber data Biasanya, nilai statis ini ditambahkan saat ekstraksi dan transformasi data untuk menandai asal catatan. Contoh Genesys Cloud CXGenesysCloudCX_US1Genesys
	ID agen AgentId	Pengenal unik untuk agen yang menangani interaksi atau aktivitas.
Deskripsi Agent ID adalah kunci unik untuk setiap perwakilan layanan pelanggan. Atribut ini penting untuk menganalisis kinerja agen, pembagian beban kerja, dan efisiensi. Anda dapat memfilter peta proses untuk melihat cara agen atau tim tertentu menangani permintaan, lalu membandingkan metrik seperti waktu penyelesaian, tingkat pengerjaan ulang, dan kepatuhan terhadap prosedur standar. Atribut ini menjadi dasar dasbor 'Agent Performance & Efficiency'. Mengapa ini penting Atribut ini menghubungkan aktivitas proses dengan karyawan tertentu, sehingga kinerja individu, beban kerja, dan efisiensi tim dapat dianalisis. Sumber data Tersedia di catatan detail percakapan Genesys Cloud CX dan terkait dengan pengguna yang menangani segmen interaksi tertentu. Contoh a1b2c3d4-e5f6-7890-1234-567890abcdeff0e9d8c7-b6a5-4321-fedc-ba0987654321
	Kode penutup WrapUpCode	Kode yang ditetapkan agen di akhir interaksi untuk mengelompokkan hasil atau topiknya.
Deskripsi Wrap-Up Code adalah label yang dipilih agen untuk mengelompokkan jenis atau hasil penyelesaian interaksi pelanggan. Kode ini menyediakan data terstruktur tentang alasan pelanggan menghubungi dukungan. Analisis Wrap-Up Code membantu menemukan jenis masalah yang umum, melacak hasil penyelesaian, dan mengukur frekuensi permintaan tertentu. Data ini berguna untuk analisis akar masalah dan memahami pola permintaan layanan. Mengapa ini penting Mengelompokkan hasil interaksi dan menyediakan data terstruktur untuk menganalisis masalah umum, efektivitas penyelesaian, serta alasan pelanggan menghubungi layanan. Sumber data Tersedia di catatan detail percakapan Genesys Cloud CX, khususnya pada detail sesi untuk peserta agen. Contoh Atur ulang kata sandiSengketa tagihan diselesaikanPermintaan informasi produkDialihkan ke tingkat 2
	Nama agen AgentName	Nama lengkap agen yang menangani interaksi atau aktivitas.
Deskripsi Agent Name menampilkan nama perwakilan layanan yang mudah dikenali dan sesuai dengan Agent ID. Atribut ini membuat dasbor dan laporan lebih mudah dipahami oleh manajer dan ketua tim. Atribut ini banyak digunakan dalam analisis kinerja agen untuk meninjau kinerja, menemukan kebutuhan pelatihan, dan membagi beban kerja secara adil tanpa perlu mencocokkan ID sistem. Mengapa ini penting Menampilkan nama agen yang mudah dikenali, sehingga kinerja lebih mudah dianalisis dan hasilnya dapat disampaikan tanpa menggunakan ID teknis. Sumber data Diambil dari layanan Users atau Directory di Genesys Cloud CX dengan mencari AgentId. Contoh John SmithJane DoePeter Jones
	Nama antrean QueueName	Nama antrean tujuan pengalihan interaksi.
Deskripsi Atribut ini menunjukkan antrean tempat interaksi menunggu sebelum diteruskan ke agen. Analisis berdasarkan Queue Name penting untuk dasbor 'Service Queue Bottleneck Detection'. Manajer dapat memahami pembagian beban kerja antargrup keahlian atau lini layanan, mengukur waktu tunggu di setiap antrean, serta menemukan antrean yang terus kekurangan staf atau kelebihan beban. Informasi ini membantu mengatur sumber daya dan mengurangi waktu tunggu pelanggan. Mengapa ini penting Membantu menemukan hambatan dan menganalisis pembagian beban kerja dengan menunjukkan tempat permintaan layanan menunggu penugasan. Sumber data Tersedia di catatan detail percakapan Genesys Cloud CX. Satu interaksi dapat melewati satu antrean atau lebih. Contoh Dukungan tingkat 1 - SuaraPertanyaan tagihan - ChatDukungan teknis - Email
	Saluran komunikasi MediaType	Saluran komunikasi yang digunakan dalam interaksi, seperti suara, chat, atau email.
Deskripsi Atribut ini menunjukkan media komunikasi antara pelanggan dan agen. Saluran yang umum mencakup suara, chat, email, dan media sosial. Analisis kinerja per saluran, seperti di dasbor 'Communication Channel Performance', membantu bisnis memahami volume, waktu penyelesaian, dan kepuasan pelanggan untuk setiap saluran. Temuan ini penting untuk menyusun strategi saluran dan mengatur sumber daya. Mengapa ini penting Mengelompokkan proses berdasarkan saluran komunikasi penting untuk memahami kinerja tiap saluran, perilaku pelanggan, dan kebutuhan sumber daya. Sumber data Kolom standar dalam catatan detail percakapan Genesys Cloud CX. Contoh suarachatemailpesan
	Waktu selesai EventEndTime	Cap waktu yang menunjukkan kapan suatu aktivitas atau peristiwa berakhir.
Deskripsi Atribut ini mencatat waktu tepat saat suatu aktivitas selesai. Jika dipasangkan dengan Start Time, durasi setiap aktivitas dapat dihitung secara akurat. Analisis durasi aktivitas membantu menemukan langkah yang paling banyak menyita waktu, sehingga Anda dapat melihat inefisiensi dan peluang perbaikan. Contohnya, atribut ini dapat menunjukkan waktu 'Hold Placed on Interaction' yang lama atau durasi 'After-Call Work' yang berlebihan. Mengapa ini penting Memungkinkan penghitungan durasi setiap aktivitas secara akurat. Informasi ini penting untuk menemukan langkah yang memakan waktu dan hambatan kinerja. Sumber data Tersedia di log peristiwa atau detail interaksi di Genesys Cloud CX. Nilai ini juga dapat diturunkan dari waktu mulai peristiwa berikutnya. Contoh 2024-05-21T10:02:30Z2024-05-21T10:15:00Z2024-05-21T10:18:45Z
	Dibuka kembali IsReopened	Penanda yang menunjukkan apakah permintaan layanan yang sudah selesai dibuka kembali.
Deskripsi Atribut boolean ini menandai permintaan layanan yang sudah berstatus selesai atau ditutup, tetapi kemudian aktif kembali. Kasus yang dibuka kembali sering menunjukkan bahwa solusi awal belum efektif atau belum tuntas, sehingga pelanggan tidak puas dan pekerjaan bertambah. Atribut ini mendukung dasbor 'Service Request Re-opening Trends' dan KPI 'Service Request Re-opening Rate'. Analisis kasus ini membantu menemukan penyebab utama penyelesaian yang tidak efektif. Mengapa ini penting Menunjukkan kegagalan dalam proses penyelesaian, yang dapat mengungkap masalah pada kualitas solusi serta memicu pengerjaan ulang dan pengalaman pelanggan yang buruk. Sumber data Kolom hasil perhitungan yang ditentukan dengan mendeteksi aktivitas yang mengaktifkan kembali kasus setelah aktivitas 'Service Request Resolved' terjadi. Contoh truefalse
	ID percakapan ConversationId	Pengenal unik yang diberikan Genesys untuk seluruh percakapan.
Deskripsi Conversation ID adalah kunci teknis utama di Genesys Cloud CX yang mengelompokkan semua interaksi, segmen, dan peserta terkait dalam satu percakapan pelanggan. Konsep 'Service Request' digunakan sebagai Case ID, sedangkan Conversation ID menjadi kunci dasar untuk mengambil semua data terkait melalui Genesys API. Kunci ini penting untuk ekstraksi data, menggabungkan berbagai dataset, dan memvalidasi data proses secara teknis. Mengapa ini penting Ini adalah kunci teknis utama di Genesys, yang penting untuk ekstraksi data, pemecahan masalah, dan penautan kembali ke sistem sumber. Sumber data Kolom utama di semua API analitik dan percakapan Genesys Cloud CX. Contoh d8a7c6b5-e4f3-2109-8765-fedcba098765c7b6a5d4-f3e2-1098-7654-edcbaf987654
	Jenis permintaan layanan ServiceRequestType	Klasifikasi permintaan layanan, seperti 'Pertanyaan', 'Keluhan', atau 'Masalah teknis'.
Deskripsi Atribut ini mengelompokkan permintaan layanan berdasarkan jenis atau tujuannya. Anda dapat mengelompokkan analisis untuk memahami cara penanganan berbagai jenis permintaan. Contohnya, alur proses dan waktu penyelesaian 'Keluhan' mungkin sangat berbeda dari 'Pertanyaan umum'. Dimensi ini penting untuk dasbor seperti 'Internal Escalation Analysis' agar Anda dapat melihat apakah jenis permintaan tertentu lebih sering dialihkan ke tingkat yang lebih tinggi. Mengapa ini penting Memungkinkan proses dikelompokkan untuk membandingkan penanganan berbagai jenis permintaan dan menemukan hambatan atau inefisiensi yang spesifik pada tiap jenis. Sumber data Informasi ini dapat dicatat melalui pilihan IVR, pilihan pelanggan di formulir web, atau penetapan oleh agen. Di Genesys, informasi ini dapat disimpan sebagai atribut peserta atau wrap-up code. Contoh Pertanyaan tagihanDukungan teknisPengelolaan akunKeluhan produk
	Memenuhi SLA IsSlaCompliant	Penanda yang menunjukkan apakah permintaan layanan diselesaikan dalam target waktu SLA.
Deskripsi Atribut boolean ini menunjukkan apakah permintaan layanan memenuhi target waktu penyelesaian. Nilainya dihitung dengan membandingkan 'ServiceResolutionTime' dan 'SlaTargetResolutionTime'. Penanda ini menyederhanakan analisis dan visualisasi di dasbor 'SLA Compliance Overview', serta menjadi dasar penghitungan KPI 'SLA Compliance Rate'. Anda dapat memfilter dan mengelompokkan kasus yang memenuhi atau melanggar SLA untuk menemukan pola umum pelanggaran. Mengapa ini penting Memudahkan analisis kinerja SLA dengan menandai setiap kasus secara jelas sebagai memenuhi atau melanggar SLA, sehingga penyebab kegagalan dapat ditelusuri. Sumber data Kolom hasil perhitungan: True jika ServiceResolutionTime <= SlaTargetResolutionTime, selain itu False. Contoh truefalse
	Selesai pada kontak pertama IsFirstContactResolution	Penanda yang menunjukkan apakah permintaan layanan selesai dalam satu interaksi.
Deskripsi Atribut boolean ini menandai kasus yang selesai saat interaksi pertama, tanpa perlu tindak lanjut dari pelanggan atau pengalihan internal. Nilai 'true' menunjukkan penyelesaian yang ideal dan efisien. Atribut ini menjadi dasar KPI 'First Contact Resolution Rate' dan dasbor terkait. Dengan menganalisis kasus yang tidak selesai pada kontak pertama, Anda dapat menemukan peluang untuk melatih agen, memperbaiki basis pengetahuan, atau mengubah proses. Mengapa ini penting Mengukur langsung efisiensi dan kepuasan pelanggan, karena penyelesaian masalah pada upaya pertama menjadi faktor penting dalam pengalaman layanan yang positif. Sumber data Kolom hasil perhitungan yang ditentukan dengan menganalisis urutan peristiwa dalam suatu kasus. Kasus dianggap FCR jika selesai tanpa aktivitas tertentu di antaranya, seperti pengalihan atau pembukaan kembali. Contoh truefalse
	Skor CSAT CustomerSatisfactionScore	Skor kepuasan yang diberikan pelanggan melalui survei setelah interaksi.
Deskripsi Customer Satisfaction Score, atau CSAT, mengukur langsung penilaian pelanggan terhadap layanan yang diterima. Skor ini biasanya dikumpulkan melalui survei setelah interaksi ditutup. Dengan menganalisis CSAT bersama data proses, Anda dapat melihat pengaruh variasi proses, waktu penyelesaian, atau agen tertentu terhadap kepuasan pelanggan. Metrik ini menjadi ukuran utama keberhasilan proses secara keseluruhan. Mengapa ini penting Mengukur langsung kepuasan pelanggan dan memungkinkan analisis hubungan antara kinerja proses dan hasil yang dirasakan pelanggan. Sumber data Data ini biasanya berasal dari modul Quality Management Genesys Cloud CX atau alat survei pihak ketiga yang terintegrasi dengan Genesys. Contoh 5413
	Target waktu penyelesaian SLA SlaTargetResolutionTime	Target waktu penyelesaian permintaan layanan yang disepakati dalam kontrak.
Deskripsi Atribut ini menetapkan batas waktu penyelesaian permintaan layanan sesuai Service Level Agreement (SLA). Nilai ini menjadi acuan untuk mengukur waktu penyelesaian aktual. Data ini penting untuk dasbor 'SLA Compliance Overview' dan KPI 'SLA Compliance Rate'. Organisasi dapat memantau kinerja terhadap komitmen kepada pelanggan dan mendeteksi potensi pelanggaran lebih awal. Mengapa ini penting Menjadi acuan untuk mengukur kepatuhan SLA, indikator penting bagi kinerja layanan dan pemenuhan kewajiban kontrak. Sumber data Nilai ini dapat disimpan sebagai atribut khusus pada percakapan atau ditentukan berdasarkan aturan yang melibatkan antrean, jenis pelanggan, atau jenis permintaan. Contoh 86400144003600
	Waktu penyelesaian layanan ServiceResolutionTime	Total waktu sejak interaksi pertama dengan pelanggan dimulai hingga masalah selesai.
Deskripsi Metrik ini mengukur total durasi permintaan layanan, sejak pelanggan menghubungi layanan hingga masalah ditandai selesai. Metrik ini menjadi indikator kinerja utama untuk efisiensi proses secara keseluruhan dan pengalaman pelanggan. Atribut hasil perhitungan ini menjadi fokus utama dasbor 'Service Request Resolution Time' dan KPI 'Average Service Resolution Time'. Analisis sebaran nilainya membantu menemukan kasus yang berlangsung lama dan keterlambatan sistemis. Mengapa ini penting KPI penting untuk mengukur efisiensi proses secara keseluruhan dan dampaknya terhadap pengalaman pelanggan. Sumber data Kolom hasil perhitungan: cap waktu aktivitas penyelesaian terakhir dikurangi cap waktu aktivitas kontak pertama dengan pelanggan. Contoh 90010800172800

Wajib Disarankan Opsional

Aktivitas layanan pelanggan

Berikut langkah proses dan tonggak utama yang perlu dicatat dalam log peristiwa agar proses dapat ditemukan dengan akurat.

5 Disarankan 8 Opsional

	Aktivitas	Deskripsi
	Agen menerima interaksi	Menandai saat agen menerima interaksi yang ditawarkan dan terhubung dengan pelanggan. Ini adalah tahap penting yang menandai dimulainya penanganan langsung atas permintaan layanan.
Mengapa ini penting Aktivitas ini penting untuk mengukur penyelesaian pada kontak pertama dan waktu penanganan agen. Aktivitas ini menandai dimulainya pekerjaan agen untuk menangani permintaan. Sumber data Tersedia dalam catatan detail percakapan. Peristiwa ini ditandai dengan perubahan status peserta agen menjadi 'connected', beserta stempel waktu terkait. Pengumpulan data Dicatat saat status peserta agen berubah menjadi 'connected'. Jenis peristiwa explicit
	Interaksi dialihkan	Menandai saat agen mengalihkan interaksi ke antrean atau agen lain. Pengalihan dapat dilakukan tanpa konsultasi, saat agen langsung memutus sambungan, atau dengan konsultasi, saat agen berbicara terlebih dahulu dengan penerima.
Mengapa ini penting Aktivitas ini penting untuk KPI Tingkat Eskalasi Internal. Tingkat pengalihan yang tinggi dapat menunjukkan perlunya pelatihan, kesalahan perutean, atau proses yang rumit. Sumber data Peristiwa ini dikenali dalam catatan detail percakapan saat peserta ACD atau agen baru ditambahkan setelah agen pertama terlibat. Biasanya, proses ini dimulai oleh peristiwa 'transfer'. Pengumpulan data Dikenali dari peristiwa pengalihan dalam data sesi peserta. Jenis peristiwa explicit
	Interaksi dimulai	Aktivitas ini menandai awal interaksi layanan pelanggan, seperti panggilan masuk, chat, atau email. Genesys Cloud CX mencatat peristiwa ini secara eksplisit saat objek percakapan baru dibuat di sistem.
Mengapa ini penting Ini adalah peristiwa awal utama dalam proses permintaan layanan. Data ini penting untuk menghitung total waktu penyelesaian dan memahami pola permintaan pelanggan yang masuk. Sumber data Peristiwa ini diambil dari catatan detail percakapan. Waktunya sesuai dengan waktu mulai objek percakapan, yang biasanya tercatat pada stempel waktu conversationStart. Pengumpulan data Dicatat saat percakapan baru dimulai di sistem. Jenis peristiwa explicit
	Interaksi terputus	Aktivitas ini menandai akhir percakapan saat semua peserta telah memutus sambungan. Tahap ini sering menjadi penutupan teknis interaksi permintaan layanan.
Mengapa ini penting Ini adalah peristiwa akhir yang memastikan interaksi telah selesai. Data ini penting untuk menghitung total durasi interaksi dan sering digunakan sebagai penanda penutupan permintaan. Sumber data Diambil dari catatan detail percakapan. Waktunya sesuai dengan waktu berakhirnya objek percakapan, yang biasanya tercatat pada stempel waktu conversationEnd. Pengumpulan data Dicatat saat semua peserta memutus sambungan dan percakapan berakhir. Jenis peristiwa explicit
	Kode penyelesaian ditetapkan	Agen menetapkan kode penyelesaian yang telah ditentukan, atau kode disposisi, untuk interaksi. Kode ini secara jelas mengelompokkan hasil permintaan layanan, seperti 'Diselesaikan' atau 'Dieskalasikan'.
Mengapa ini penting Kode penyelesaian menjadi sumber utama untuk menentukan hasil bisnis suatu permintaan. Kode ini penting untuk menghitung tingkat penyelesaian dan mengelompokkan kasus untuk dianalisis. Sumber data Peristiwa ini tercatat secara eksplisit dalam catatan detail percakapan, biasanya pada data sesi peserta agen. Kode wrapUp dan stempel waktunya dicatat. Pengumpulan data Dicatat saat agen memilih kode penyelesaian untuk interaksi. Jenis peristiwa explicit
	Interaksi dilanjutkan setelah ditahan	Terjadi saat agen melepas pelanggan dari status ditahan dan melanjutkan percakapan. Peristiwa ini menandai akhir masa penahanan dan dicatat sebagai perubahan status.
Mengapa ini penting Jika dipasangkan dengan aktivitas 'Interaksi ditahan', aktivitas ini memungkinkan penghitungan total waktu penahanan secara akurat. Waktu ini merupakan bagian penting dari keseluruhan waktu penanganan dan pengalaman pelanggan. Sumber data Diperoleh dari data sesi peserta agen saat statusnya berubah dari 'held' kembali menjadi 'connected'. Pengumpulan data Dicatat saat status peserta agen berubah dari 'held' menjadi 'connected'. Jenis peristiwa explicit
	Interaksi ditahan	Aktivitas ini dicatat saat agen menahan pelanggan selama interaksi. Peristiwa ini ditandai dengan perubahan status peserta agen dalam percakapan.
Mengapa ini penting Analisis frekuensi dan durasi penahanan dapat menunjukkan proses yang tidak efisien, misalnya saat agen sering mencari informasi atau berkonsultasi dengan orang lain. Sumber data Diambil dari data sesi peserta agen dalam catatan detail percakapan. Status berubah menjadi 'held' dan stempel waktu dicatat. Pengumpulan data Dicatat saat status peserta agen berubah menjadi 'held'. Jenis peristiwa explicit
	Interaksi ditawarkan kepada agen	Peristiwa ini terjadi saat sistem menawarkan interaksi kepada agen tertentu. Status agen berubah menjadi 'alerting' saat sistem menunggu agen menerima atau menolak percakapan.
Mengapa ini penting Aktivitas ini membantu menganalisis respons agen dan efektivitas algoritme perutean. Keterlambatan setelah tahap ini dapat menunjukkan bahwa agen lambat menerima pekerjaan. Sumber data Data ini terdapat dalam catatan detail percakapan, pada data peserta untuk agen. Sesi peserta akan menampilkan metrik dengan status 'alerting' dan stempel waktu terkait. Pengumpulan data Dicatat saat mesin perutean memberi tahu agen tentang interaksi baru. Jenis peristiwa explicit
	Pekerjaan setelah panggilan dimulai	Aktivitas ini menandai dimulainya masa pekerjaan setelah panggilan (ACW). Agen sudah memutus sambungan dengan pelanggan dan masuk ke status khusus untuk menyelesaikan tugas, seperti mencatat informasi atau memperbarui sistem.
Mengapa ini penting Mengukur durasi ACW penting untuk memahami efisiensi agen dan keseluruhan waktu penanganan. ACW yang terlalu lama dapat menunjukkan proses setelah interaksi yang tidak efisien. Sumber data Diambil dari data sesi peserta agen. Peristiwa ini dicatat saat status agen berubah menjadi 'acw' setelah peserta pelanggan memutus sambungan. Pengumpulan data Dicatat saat status peserta agen berubah menjadi 'acw'. Jenis peristiwa explicit
	Pekerjaan setelah panggilan selesai	Menandai akhir masa pekerjaan setelah panggilan bagi agen. Setelah tahap ini, agen tersedia untuk menangani interaksi lain.
Mengapa ini penting Jika digabungkan dengan aktivitas 'Pekerjaan setelah panggilan dimulai', aktivitas ini menunjukkan durasi tahap penyelesaian secara akurat. Informasi ini membantu menganalisis produktivitas agen dan beban tambahan dalam proses. Sumber data Disimpulkan saat status agen berubah dari 'acw' menjadi status tersedia, seperti 'idle'. Stempel waktu perubahan status digunakan. Pengumpulan data Disimpulkan dari perubahan status agen dari 'acw' menjadi status tersedia. Jenis peristiwa inferred
	Percakapan diarahkan ke antrean	Menandai saat interaksi baru dimasukkan ke antrean tertentu untuk menunggu agen yang tersedia. Peristiwa ini dicatat secara eksplisit oleh mesin perutean Genesys (ACD).
Mengapa ini penting Melacak aktivitas ini penting untuk mengukur waktu tunggu antrean dan menemukan hambatan dalam proses perutean. Jeda yang lama antara tahap ini dan penugasan agen dapat menunjukkan masalah jumlah staf atau logika perutean. Sumber data Diambil dari catatan detail percakapan, khususnya nilai 'purpose' dan 'state' peserta ACD dalam percakapan. Nilai 'enterTime' untuk antrean dalam larik metrik menunjukkan waktu terjadinya peristiwa ini. Pengumpulan data Dicatat saat mesin perutean ACD memasukkan percakapan ke antrean. Jenis peristiwa explicit
	Permintaan layanan dibuka kembali	Menandai saat pelanggan kembali menghubungi pusat layanan untuk masalah yang sama, tidak lama setelah masalah tersebut dianggap selesai. Peristiwa ini tidak dicatat secara langsung, tetapi dihitung berdasarkan logika bisnis.
Mengapa ini penting Melacak permintaan yang dibuka kembali penting untuk mengukur Tingkat Pembukaan Kembali Permintaan Layanan. Hal ini menunjukkan bahwa penyelesaian awal belum efektif dan berdampak pada kepuasan pelanggan serta efisiensi operasional. Sumber data Aktivitas ini disimpulkan dengan menemukan peristiwa 'Interaksi dimulai' yang baru untuk pelanggan yang sama (ID Pelanggan) dan masalah terkait, misalnya Jenis Permintaan Layanan, dalam rentang waktu yang ditentukan setelah interaksi sebelumnya diselesaikan. Pengumpulan data Dihitung dengan menghubungkan interaksi baru dengan interaksi yang baru saja ditutup untuk pelanggan dan masalah yang sama. Jenis peristiwa calculated
	Survei kepuasan pelanggan dikirim	Aktivitas ini terjadi saat survei kepuasan pelanggan (CSAT) dikirim setelah interaksi ditutup. Sistem biasanya mengirim survei secara otomatis berdasarkan aturan yang telah ditentukan.
Mengapa ini penting Aktivitas ini diperlukan untuk mengukur KPI Ketepatan Waktu Pengiriman Survei CSAT. Pengiriman survei tepat waktu membantu mengumpulkan masukan yang akurat selagi pelanggan masih mengingat pengalamannya. Sumber data Informasi ini biasanya tersedia dalam data survei atau manajemen kualitas di Genesys Cloud CX dan dapat dihubungkan kembali ke ID percakapan asal. Pengumpulan data Dicatat oleh modul survei saat survei dikirim untuk percakapan tertentu. Jenis peristiwa explicit

Disarankan Opsional

Panduan ekstraksi data

Cara mengambil data dari Genesys Cloud CX

Langkah

Buka Analytics Workspace: Masuk ke Genesys Cloud CX. Buka menu, pilih Admin, lalu di bagian Analytics pilih Workspace.
Buat tampilan baru: Klik ikon plus untuk menambahkan tab, lalu pilih "Create a new view". Pilih "Interactions" sebagai jenis tampilan. Editor tampilan interaksi akan terbuka.
Tentukan rentang tanggal: Di panel filter sebelah kiri, atur rentang tanggal dan waktu untuk data yang ingin Anda ambil. Sebaiknya mulai dengan rentang singkat, misalnya satu minggu, untuk menguji prosesnya.
Pilih kolom untuk diekspor: Langkah ini paling penting dalam persiapan data. Klik tombol "Columns". Dari daftar kolom yang tersedia, pilih dan tambahkan kolom berikut ke tampilan. Kolom ini berisi data yang diperlukan untuk menyusun log peristiwa:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (kolom kompleks yang memuat data agen, antrean, dan pelanggan dalam struktur bertingkat)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Terapkan filter tambahan: Gunakan panel filter untuk mempersempit data jika perlu. Anda dapat memfilter berdasarkan Media Type (misalnya voice, chat), Queue, Direction (inbound/outbound), atau properti percakapan lainnya agar berfokus pada proses permintaan layanan tertentu.
Simpan dan jalankan tampilan: Simpan tampilan dengan nama yang jelas, misalnya "Process Mining Service Request Export". Tampilan akan memuat data yang sesuai dengan kriteria Anda.
Mulai ekspor: Setelah data dimuat, klik tombol "Export", biasanya ditandai dengan ikon unduh. Pilih "Export as CSV" atau "Export as JSON". CSV biasanya lebih mudah untuk pemrosesan awal.
Unduh file hasil ekspor: Proses ekspor berjalan di latar belakang. Pantau statusnya dengan membuka Performance > My Exports. Setelah selesai, unduh file ke komputer Anda.
Ubah struktur data mentah: File hasil ekspor berisi satu baris untuk setiap percakapan, dengan data peserta dan segmen bertingkat dalam satu kolom. Jalankan skrip transformasi, seperti skrip Python di bagian Query, untuk meratakan struktur data ini. Skrip akan membaca data mentah dan membuat file baru dengan satu baris untuk setiap aktivitas, misalnya "Agent Accepted Interaction" atau "Hold Placed on Interaction".
Terapkan logika khusus: Saat mentransformasi data, terapkan logika yang sesuai dengan aturan bisnis Anda. Misalnya, aktivitas "Service Request Re-Opened" perlu dihitung dengan menganalisis interaksi berikutnya dari pelanggan yang sama dalam rentang waktu tertentu.
Siapkan log peristiwa akhir: Skrip transformasi harus menghasilkan file CSV dengan kolom sesuai format ProcessMind, termasuk ServiceRequest, ActivityName, EventTime, dan atribut lainnya. Pastikan semua stempel waktu menggunakan format yang konsisten.
Unggah ke ProcessMind: File CSV yang sudah ditransformasi siap diunggah ke alat process mining Anda.

Konfigurasi

Izin: Peran pengguna Genesys Cloud CX Anda harus memiliki izin Analytics > Conversation > View untuk mengakses Analytics Workspace dan membuat tampilan interaksi.
Rentang tanggal: Untuk ekstraksi awal, gunakan periode representatif selama 3-6 bulan. Jika volume interaksi di pusat kontak sangat tinggi, sebaiknya ekspor data dalam bagian yang lebih kecil, misalnya per minggu atau bulan, agar tidak mencapai batas sistem dan ukuran file tetap terkendali.
Filter utama:
- Media Type: Filter saluran yang relevan dengan proses layanan pelanggan Anda, seperti voice, chat, atau email.
- Antrean: Jika proses ditangani oleh tim tertentu, filter berdasarkan ID Antrean yang relevan agar data yang diekstrak hanya mencakup proses yang diinginkan.
- Direction: Biasanya, Anda perlu memfilter interaksi inbound untuk mencakup permintaan layanan yang dimulai pelanggan.
Kolom ekspor: Kolom Participants wajib disertakan karena berisi linimasa terperinci untuk agen dan antrean. Tanpa kolom ini, Anda tidak dapat mengekstrak aktivitas satu per satu. Pastikan Conversation ID, Conversation Start, dan Conversation End juga disertakan.
Pertimbangan kinerja: Mengekspor banyak kolom atau rentang tanggal yang sangat panjang dapat membuat proses ekspor memakan waktu lama. Jika proses gagal atau kehabisan waktu, persempit rentang tanggal lalu coba lagi. Genesys Cloud membatasi setiap pekerjaan ekspor hingga sekitar 1 juta percakapan.

Contoh kueri 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}")

Langkah

Prasyarat dan penyiapan: Pastikan Python 3.8+ sudah terpasang, beserta pustaka pandas dan purecloud-platform-client-v2. Pasang pustaka tersebut dengan pip: pip install pandas purecloud-platform-client-v2.
Buat klien OAuth Genesys Cloud: Masuk ke akun admin Genesys Cloud CX. Buka Integrations > OAuth, lalu buat klien baru dengan jenis grant 'Client Credentials'. Tetapkan peran yang mencakup izin analytics:conversationDetail:view.
Atur kredensial skrip: Simpan Client ID dan Client Secret dari langkah sebelumnya. Dalam skrip Python di bawah, ganti nilai placeholder CLIENT_ID, CLIENT_SECRET, dan GENESYS_CLOUD_REGION dengan kredensial Anda.
Tentukan rentang ekstraksi: Cari variabel query_body dalam skrip. Ubah nilai interval untuk menentukan rentang tanggal dan waktu data yang ingin diambil. Untuk pengujian, sebaiknya mulai dengan rentang singkat, misalnya satu hari.
Jalankan skrip Python: Jalankan skrip dari terminal dengan perintah python your_script_name.py. Skrip akan melakukan autentikasi ke Genesys Cloud API, mengirim permintaan pekerjaan analitik asinkron, lalu menampilkan ID pekerjaan.
Pantau pekerjaan: Skrip akan memeriksa status pekerjaan melalui API setiap 15 detik. Pembaruan status akan muncul di konsol. Proses ini dapat berlangsung beberapa menit atau lebih, bergantung pada volume data yang diminta.
Olah dan transformasikan data: Setelah pekerjaan selesai, skrip mengunduh data JSON. Skrip kemudian membaca setiap catatan percakapan dan mengurai data peserta, sesi, serta segmen untuk menemukan dan menyusun aktivitas serta atribut utama.
Tangani aktivitas hasil perhitungan: Skrip mencakup langkah pascapemrosesan untuk menemukan aktivitas 'Service Request Re-Opened'. Logika ini dapat Anda sesuaikan. Skrip memeriksa apakah ada interaksi baru dari pelanggan yang sama dalam rentang waktu tertentu setelah interaksi sebelumnya diselesaikan.
Buat log peristiwa: Data yang sudah ditransformasi disusun menjadi pandas DataFrame dengan struktur seperti log peristiwa process mining.
Ekspor file CSV akhir: Skrip menyimpan DataFrame akhir sebagai file CSV bernama genesys_event_log.csv. File ini siap diunggah langsung ke platform ProcessMind.

Konfigurasi

Kredensial API: Anda memerlukan OAuth Client ID dan Client Secret untuk autentikasi. Buat keduanya melalui antarmuka admin Genesys Cloud CX.
Izin API: Peran untuk klien OAuth harus memiliki izin analytics:conversationDetail:view agar dapat mengakses data percakapan yang diperlukan.
Rentang ekstraksi: Parameter interval dalam isi kueri API menentukan rentang tanggal ekstraksi. Untuk lingkungan dengan data besar, sebaiknya ekstrak data dalam beberapa tahap berurutan, misalnya satu minggu setiap kali, agar API tidak kehabisan waktu dan penggunaan memori tetap terkendali.
Filter data: Anda dapat mengubah isi kueri API dengan menambahkan conversationFilters, segmentFilters, atau evaluationFilters untuk mempersempit cakupan ekstraksi. Misalnya, filter berdasarkan queueId atau mediaType tertentu untuk mengambil bagian tertentu dari proses layanan pelanggan.
Logika buka kembali: Anda dapat mengatur rentang waktu untuk menemukan aktivitas 'Service Request Re-Opened' di dalam skrip. Nilai bawaan adalah 72 jam, tetapi sesuaikan dengan aturan bisnis organisasi Anda.
Lingkungan: Skrip memerlukan lingkungan Python lokal dengan SDK dan pustaka yang dibutuhkan. Anda tidak perlu mengakses server atau basis data Genesys Cloud CX secara langsung.

Contoh kueri 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()

Langkah

Pastikan organisasi Genesys Cloud CX Anda mendukung integrasi EventBridge, Anda memiliki izin administrator yang sesuai dan akses ke peristiwa percakapan, serta akun AWS Anda diizinkan menerima peristiwa. Konfirmasikan AWS Region tujuan, event bus EventBridge, serta filter organisasi, divisi, antrean, atau media dengan pemilik sistem.
Di Genesys Cloud CX, atur integrasi AWS EventBridge sesuai antarmuka administrasi Genesys Cloud saat ini dan dokumentasi integrasi organisasi Anda. Pilih akun AWS, Region, event bus, dan kategori peristiwa percakapan yang diperlukan untuk memantau siklus interaksi secara terperinci. Label menu dan skema peristiwa yang tersedia dapat berbeda menurut organisasi dan versi. Untuk jalur atau pengaturan khusus organisasi, gunakan [Atur sesuai sistem Anda].
Atur AWS EventBridge agar menerima peristiwa Genesys Cloud di event bus yang dipilih. Terapkan izin dengan hak akses minimum, enkripsi, retensi, pemantauan, dan tujuan dead-letter jika tersedia. Buat aturan untuk meneruskan peristiwa yang diperlukan ke konsumen yang digunakan oleh data lake, gudang data, pemroses streaming, atau lokasi penyimpanan objek Anda.
Simpan payload EventBridge mentah tanpa mengubah stempel waktu atau pengenal aslinya. Catat payload, stempel waktu pemasukan data, jenis peristiwa, sumber, jenis detail, dan metadata pengiriman di [Penyimpanan peristiwa mentah Anda]. Pertahankan payload mentah agar pemetaan dapat diperiksa ulang jika skema Genesys Cloud berubah.
Buat langkah normalisasi dengan Python untuk membaca payload mentah, menemukan pengenal percakapan, detail peserta dan sesi, informasi antrean dan agen, jenis media, data wrap-up, serta stempel waktu peristiwa. Langkah ini harus menghasilkan satu baris normal untuk setiap aktivitas eksplisit. Gunakan jalur kolom yang benar-benar ada dalam contoh peristiwa dari organisasi Anda. Jangan menyimpulkan aktivitas yang tidak tercatat sebagai peristiwa atau perubahan status eksplisit.
Petakan perubahan status percakapan dan peserta Genesys Cloud yang eksplisit ke nilai ActivityName yang diwajibkan. Catat Interaction Started jika ada peristiwa pembuatan percakapan, Conversation Routed to Queue jika ada peristiwa perutean, Agent Offered Interaction saat status agen menunjukkan alerting, dan Agent Accepted Interaction saat agen menerima atau tersambung. Catat Hold Placed on Interaction dan Hold Removed from Interaction untuk perubahan status tahan yang sesuai, Interaction Transferred untuk peristiwa transfer eksplisit, After-Call Work Started dan After-Call Work Ended untuk perubahan ACW eksplisit, Wrap-Up Code Assigned jika kode wrap-up ditetapkan, serta Interaction Disconnected saat percakapan atau sesi peserta terakhir yang relevan terputus.
Tangani Service Request Re-Opened dan Customer Satisfaction Survey Sent secara terpisah. Peristiwa percakapan EventBridge belum tentu menyediakan kedua aktivitas tersebut secara langsung. Jika organisasi Anda memiliki sumber peristiwa survei yang eksplisit, sertakan aktivitas itu hanya saat peristiwanya diterima. Hitung Service Request Re-Opened hanya melalui proses aturan bisnis terpisah yang terdokumentasi, lalu tambahkan baris hasilnya ke log peristiwa. ProcessMind tidak menghitung atau menyimpulkan aktivitas ini.
Isi ServiceRequest dengan pengenal permintaan layanan atau percakapan stabil yang dipilih dalam pemetaan bisnis Anda. Isi ActivityName dengan tepat satu label aktivitas yang diwajibkan, EventTime dengan stempel waktu mulai aktivitas, EventEndTime jika tersedia, SourceSystem dengan Genesys Cloud CX dan AWS EventBridge, serta LastDataUpdate dengan stempel waktu pembaruan ekstraksi. Isi atribut opsional jika tersedia. Jika tidak, biarkan NULL.
Hilangkan duplikasi peristiwa menggunakan pengenal peristiwa dari penyedia jika tersedia. Jika tidak, gunakan kunci gabungan yang terdokumentasi, yang mencakup ServiceRequest, ActivityName, EventTime, pengenal peserta atau agen, dan pengenal peristiwa sumber. Perhitungkan percobaan ulang EventBridge dan pengiriman yang tidak berurutan. Jangan menghapus aktivitas berulang yang berbeda dan sah, seperti tahan, transfer, penawaran, atau aktivitas lain.
Validasi hasil normalisasi dengan membandingkan jumlah payload mentah, stempel waktu peristiwa, pengenal percakapan, detail antrean dan agen, serta daftar aktivitas lengkap. Ekspor file datar atau muat tabel yang berisi kolom wajib ServiceRequest, ActivityName, EventTime, SourceSystem, dan LastDataUpdate, serta kolom yang disarankan jika tersedia. Pastikan stempel waktu menggunakan zona waktu dan format yang konsisten serta diterima ProcessMind, lalu unggah log peristiwa sebagai masukan proses Service Request.

Konfigurasi

Integrasi dan tujuan: Atur integrasi AWS EventBridge Genesys Cloud CX untuk akun AWS, Region, dan event bus tujuan. Untuk pengaturan integrasi khusus organisasi yang tidak tercantum dalam contoh peristiwa, gunakan [Atur sesuai sistem Anda].
Cakupan peristiwa: Berlangganan peristiwa percakapan, peserta, sesi, perutean, status, transfer, pemutusan, wrap-up, dan ACW terperinci yang tersedia di organisasi Genesys Cloud Anda. Sebelum penerapan produksi, pastikan jenis peristiwa dan jalur payload yang tepat melalui interaksi uji coba terkontrol.
Pengenal kasus: Gunakan pengenal percakapan atau permintaan layanan stabil yang dipilih dalam pemetaan bisnis Anda untuk ServiceRequest. Jika sistem lain memiliki pengenal permintaan layanan tersendiri, dokumentasikan pemetaan silang antara pengenal tersebut dan pengenal percakapan Genesys Cloud.
Rentang tanggal: Mulai dengan data historis selama 3 hingga 6 bulan untuk analisis proses. Untuk operasional yang mendekati waktu nyata, gunakan interval pemeriksaan atau streaming yang singkat dan pertahankan lapisan penyimpanan mentah yang dapat diputar ulang. Saat memulihkan data setelah gangguan, gunakan rentang waktu tumpang tindih, lalu hilangkan duplikasi berdasarkan pengenal peristiwa dari penyedia.
Filter: Terapkan hanya filter khusus organisasi yang sudah dikonfirmasi, seperti divisi, antrean, jenis media, unit bisnis, atau tanggal interaksi. Jangan gunakan filter Company Code atau Document Type kecuali konsep tersebut berasal dari sumber terintegrasi dan dipetakan secara eksplisit di lingkungan Anda.
Penanganan stempel waktu: Pertahankan stempel waktu peristiwa sumber untuk EventTime. Simpan waktu pemasukan atau pembaruan secara terpisah untuk LastDataUpdate. Normalisasikan semua stempel waktu ke zona waktu yang terdokumentasi, sebaiknya UTC, dan pertahankan offset asli jika diperlukan untuk audit.
Atribut opsional: Isi AgentId dan AgentName dari detail peserta atau pengguna, QueueName dari data perutean, WrapUpCode dari data wrap-up, MediaType dari kanal percakapan atau sesi, dan EventEndTime dari perubahan akhir eksplisit atau durasi sumber.
Kinerja: Bagi data mentah dan data normal berdasarkan tanggal peristiwa, serta organisasi atau divisi jika didukung. Proses data secara bertahap menggunakan checkpoint EventBridge. Tulis data ke gudang data atau data lake secara berkelompok, pantau keterlambatan, dan hindari pemindaian ulang seluruh riwayat.
Keandalan: Siapkan penanganan percobaan ulang, pemrosesan dead-letter, prosedur pemutaran ulang, deteksi duplikasi, serta pemantauan kegagalan pengiriman, perubahan skema, dan keterlambatan peristiwa.
Prasyarat: Anda memerlukan izin administrator atau integrasi Genesys Cloud, izin AWS EventBridge, akses ke event bus dan penyimpanan hilir yang dipilih, izin untuk membaca detail percakapan, serta fitur atau lisensi Genesys Cloud yang diwajibkan organisasi untuk integrasi peristiwa. Pastikan persyaratan retensi dan privasi sebelum menyimpan data percakapan.

Contoh kueri 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)

Siap memulai?

Dapatkan lebih banyak manfaat dari operasional layanan pelanggan Anda. Ikuti templat ini untuk menemukan wawasan dan meningkatkan efisiensi.

Kembali ke panduan perbaikan

Unduh template

Kurangi kontak berulang dan tingkatkan layanan pelanggan hari ini!

Tingkatkan CSAT dan capai penyelesaian 80% pada kontak pertama dengan mudah.

Mulai uji coba gratis

Anda tidak perlu kartu kredit. Aktifkan uji coba dalam hitungan menit.

Templat data layanan pelanggan Anda

Templat data layanan pelanggan Anda

Atribut layanan pelanggan

Aktivitas layanan pelanggan

Panduan ekstraksi data

Ekspor detail percakapan Genesys Cloud Analytics

Langkah

Konfigurasi

Contoh kueri python

Skrip Python menggunakan Genesys Cloud Platform API

Langkah

Konfigurasi

Contoh kueri python

Streaming peristiwa melalui integrasi AWS EventBridge

Langkah

Konfigurasi

Contoh kueri python

Siap memulai?

Kurangi kontak berulang dan tingkatkan layanan pelanggan hari ini!