> Miglioramento Continuo dei Processi > Servizio clienti > Genesys Cloud CX > Template Dati

Il Suo Template Dati per il Servizio Clienti

Genesys Cloud CX

Attributi del Servizio Clienti (20) Attività di Servizio Clienti (13) Guide all'Estrazione (3)

Il Suo Template Dati per il Servizio Clienti

Questo template fornisce una chiara roadmap per la raccolta dei dati essenziali necessari per analizzare e ottimizzare il suo processo di servizio clienti. Delinea gli attributi raccomandati, le attività chiave da tracciare e una guida pratica sull'estrazione di queste informazioni dai suoi sistemi di origine. Lo utilizzi per costruire un robusto log eventi per le sue iniziative di Process Mining.

Attributi consigliati da raccogliere
Attività chiave da tracciare
Guida all'estrazione

È nuovo agli event log? Impari come creare un event log di Process Mining.

Scarica Template

Attributi del Servizio Clienti

Questi sono i campi dati raccomandati da includere nel suo log eventi per un'analisi completa del servizio clienti.

5 Obbligatorio 6 Consigliato 9 Facoltativo

	Nome	Descrizione
	Nome attività ActivityName	Il nome dell'evento o del compito specifico che si è verificato in un determinato momento all'interno del ciclo di vita della richiesta di servizio.
Descrizione Questo attributo descrive un passo o un cambiamento di stato specifico all'interno del processo di servizio clienti. Ogni attività rappresenta un evento distinto, come 'Agente ha Accettato Interazione' o 'Codice di Wrap-Up Assegnato'. L'analisi della sequenza e della frequenza di queste attività è fondamentale per il Process Mining. Aiuta a visualizzare i flussi di processo, identificare le deviazioni e individuare i bottleneck o i passaggi inefficienti. Perché è importante Le attività costituiscono la spina dorsale della mappa di processo, consentendo la visualizzazione e l'analisi del flusso di processo effettivo rispetto al flusso progettato. Dove trovare Questo è tipicamente derivato mappando eventi di sistema, stati degli agenti o voci specifiche del registro di controllo in Genesys Cloud CX a nomi di attività standardizzati. Esempi Interazione AvviataAgente ha Accettato l'InterazioneLavoro Post-Chiamata TerminatoRichiesta di Servizio Riaperta
	Ora di Inizio EventTime	Il timestamp che indica quando un'attività o un evento è iniziato.
Descrizione Questo attributo fornisce la data e l'ora precise di quando ogni attività si è verificata. È essenziale per sequenziare correttamente gli eventi e per tutte le analisi basate sul tempo. L'Ora di Inizio viene utilizzata per costruire il flusso del processo in ordine cronologico ed è la base per il calcolo delle durate, dei tempi di attesa e dei tempi di ciclo tra le diverse attività. Timestamp accurati sono critici per un'analisi di processo e un monitoraggio delle performance affidabili. Perché è importante Questo timestamp ordina tutte le attività cronologicamente, rendendo possibile analizzare con precisione i flussi di processo, le durate e i bottleneck. Dove trovare Trovato negli event log o nei dettagli di interazione in Genesys Cloud CX, spesso associato a ogni evento di sistema o utente registrato. Esempi 2024-05-21T10:00:15Z2024-05-21T10:02:30Z2024-05-21T10:15:00Z
	Richiesta di Servizio ServiceRequest	L'identificatore primario per un'interazione di servizio clienti, che collega tutte le attività correlate.
Descrizione La Richiesta di Servizio, spesso definita Ticket o Case, funge da identificatore primario per una singola richiesta o problema del cliente. Raggruppa tutti gli eventi correlati, dal contatto iniziale alla risoluzione finale, in una singola istanza di processo. L'analisi per Richiesta di Servizio consente una visione completa e end-to-end del percorso del cliente e del processo di gestione interno. È la base per il calcolo di metriche chiave come il tempo totale di risoluzione e il tasso di risoluzione al primo contatto. Perché è importante Questo è l'essenziale Case ID che collega tutti i passaggi del processo, consentendo un'analisi olistica di ogni interazione con il cliente dall'inizio alla fine. Dove trovare Questo è l'identificatore di caso concettuale. In Genesys, questo corrisponde spesso all'ID conversazione, ma potrebbe essere un identificatore personalizzato a seconda dell'implementazione. Esempi SR-20240521-00123SR-20240521-00124SR-20240522-00001
	Sistema di Origine SourceSystem	Il sistema da cui i dati sono stati estratti.
Descrizione Questo attributo identifica il sistema di origine per i dati degli eventi, che in questo caso è Genesys Cloud CX. In ambienti con più sistemi integrati, questo campo è cruciale per la data lineage, la risoluzione dei problemi e la comprensione del contesto dei dati. Aiuta a garantire che l'analisi si basi sulla fonte di dati corretta e consente di filtrare o segmentare i dati quando più sistemi contribuiscono a una singola vista di processo. Perché è importante Identifica l'origine dei dati, fondamentale per la governance dei dati, la convalida e la fusione di dati provenienti da più sistemi. Dove trovare Questo è tipicamente un valore statico aggiunto durante il processo di estrazione e trasformazione dei dati per etichettare l'origine dei record. Esempi Genesys Cloud CXGenesysCloudCX_US1Genesys
	Ultimo `Data Update` LastDataUpdate	Il timestamp dell'aggiornamento dati più recente.
Descrizione Questo attributo indica l'ultima volta che il dataset è stato aggiornato dal sistema sorgente. Fornisce contesto sulla freschezza dei dati analizzati, che è fondamentale per prendere decisioni aziendali tempestive e pertinenti. Dashboard e report dovrebbero visualizzare queste informazioni in modo prominente affinché gli utenti siano consapevoli dell'attualità dei dati e possano valutarne la validità delle intuizioni. Perché è importante Indica la freschezza dei dati, garantendo che analisi e decisioni siano basate su informazioni aggiornate. Dove trovare Questo valore viene generato e apposto sul dataset al momento dell'estrazione o del caricamento dei dati nello strumento di Process Mining. Esempi 2024-05-23T04:00:00Z2024-05-24T04:00:00Z
	Canale di Comunicazione MediaType	Il canale di comunicazione utilizzato per l'interazione, come voce, chat o email.
Descrizione Questo attributo specifica il mezzo attraverso il quale il cliente e l'agente hanno comunicato. I canali comuni includono voce, chat, email e social media. L'analisi delle performance per canale, come fatto nella dashboard 'Performance del Canale di Comunicazione', aiuta le aziende a comprendere i volumi specifici del canale, i tempi di risoluzione e la soddisfazione del cliente. Questa intuizione è fondamentale per ottimizzare la strategia dei canali e l'allocazione delle risorse. Perché è importante Segmentare il processo per canale di comunicazione è cruciale per comprendere le performance specifiche del canale, il comportamento del cliente e le esigenze di risorse. Dove trovare Un campo standard all'interno dei record di dettaglio delle conversazioni di Genesys Cloud CX. Esempi voicechatemailmessage
	ID Agente AgentId	L'identificatore univoco per l'agente che ha gestito l'interazione o l'attività.
Descrizione L'ID Agente è una chiave univoca per ogni rappresentante del servizio clienti. Questo attributo è essenziale per qualsiasi analisi relativa alle performance degli agenti, alla distribuzione del carico di lavoro e all'efficienza. Consente di filtrare la mappa di processo per vedere come specifici agenti o team gestiscono le richieste, confrontando le loro metriche di performance come il tempo di risoluzione, il tasso di rilavorazione e l'aderenza alle procedure standard. Questo è un pilastro per la dashboard 'Performance ed Efficienza degli Agenti'. Perché è importante Questo attributo collega le attività di processo a dipendenti specifici, consentendo l'analisi delle performance individuali, del carico di lavoro e dell'efficienza del team. Dove trovare Disponibile nei record di dettaglio delle conversazioni di Genesys Cloud CX, associato all'utente che ha gestito uno specifico segmento dell'interazione. Esempi a1b2c3d4-e5f6-7890-1234-567890abcdeff0e9d8c7-b6a5-4321-fedc-ba0987654321
	Nome Agente AgentName	Il nome completo dell'agente che ha gestito l'interazione o l'attività.
Descrizione Il Nome Agente fornisce un identificatore leggibile per il rappresentante del servizio, corrispondente all'ID Agente. Questo attributo rende dashboard e report più intuitivi per manager e team leader. È ampiamente utilizzato nelle analisi centrate sull'agente per rivedere le performance, identificare le esigenze di formazione e garantire una distribuzione equa del carico di lavoro senza dover fare riferimento incrociato agli ID di sistema. Perché è importante Fornisce un nome di facile comprensione per l'agente, rendendo più semplice analizzare le performance e comunicare i risultati senza utilizzare ID tecnici. Dove trovare Recuperato dal servizio Utenti o Directory in Genesys Cloud CX tramite la ricerca dell'AgentId. Esempi John SmithJane DoePeter Jones
	Nome Coda QueueName	Il nome della coda a cui è stata instradata l'interazione.
Descrizione Questo attributo identifica la coda specifica in cui un'interazione ha atteso prima di essere assegnata a un agente. L'analisi dei dati per Nome Coda è essenziale per la dashboard 'Rilevamento Bottleneck della Coda di Servizio'. Aiuta i manager a comprendere la distribuzione del carico di lavoro tra diversi gruppi di competenze o linee di servizio, a misurare i tempi di attesa per coda e a identificare le code costantemente sotto organico o sovraccariche. Questa informazione è fondamentale per ottimizzare l'allocazione delle risorse e migliorare i tempi di attesa dei clienti. Perché è importante Aiuta a identificare i colli di bottiglia e ad analizzare la distribuzione del carico di lavoro mostrando dove le richieste di servizio sono in attesa di assegnazione. Dove trovare Disponibile nei record di dettaglio delle conversazioni di Genesys Cloud CX. Ogni interazione può passare attraverso una o più code. Esempi Supporto di Primo Livello - VoceRichieste di Fatturazione - ChatSupporto Tecnico - Email
	Ora di Fine EventEndTime	Il timestamp che indica quando un'attività o un evento è terminato.
Descrizione Questo attributo registra il momento preciso in cui un'attività si conclude. Abbinato all'Ora di Inizio, consente il calcolo esatto della durata per ogni singola attività. L'analisi delle durate delle attività è fondamentale per identificare quali passaggi nel processo consumano più tempo, aiutando a individuare inefficienze e opportunità di ottimizzazione. Ad esempio, può evidenziare lunghi tempi di 'Attesa Iniziata' o durate estese del 'Lavoro Post-Chiamata'. Perché è importante Consente il calcolo preciso delle durate delle singole attività, essenziale per identificare i passaggi che richiedono tempo e i colli di bottiglia delle prestazioni. Dove trovare Trovato negli event log o nei dettagli di interazione in Genesys Cloud CX. Può anche essere derivato dall'ora di inizio dell'evento successivo. Esempi 2024-05-21T10:02:30Z2024-05-21T10:15:00Z2024-05-21T10:18:45Z
	Wrap-Up Code WrapUpCode	Un codice assegnato da un agente alla fine di un'interazione per categorizzare il Suo esito o argomento.
Descrizione Il Wrap-Up Code è un'etichetta selezionata da un agente per classificare la natura o la risoluzione di un'interazione con il cliente. Questi codici forniscono dati strutturati sul motivo per cui i clienti contattano il supporto. L'analisi dei Wrap-Up Code aiuta a identificare i tipi di problemi comuni, a tracciare gli esiti delle risoluzioni e a misurare la frequenza di richieste specifiche. Questi dati sono preziosi per l'analisi delle cause profonde e per comprendere i modelli della domanda di servizio. Perché è importante Categorizza l'esito di un'interazione, fornendo dati strutturati per analizzare problemi comuni, efficacia della risoluzione e ragioni di contatto. Dove trovare Disponibile nei record di dettaglio delle conversazioni di Genesys Cloud CX, in particolare nei dettagli della sessione per i partecipanti agenti. Esempi Reset PasswordContestazione di Fatturazione RisoltaRichiesta di Informazioni ProdottoEscalato al Livello 2
	È Conforme agli SLA IsSlaCompliant	Un flag che indica se la richiesta di servizio è stata risolta entro il tempo target dello SLA.
Descrizione Questo attributo booleano indica se una richiesta di servizio ha rispettato il suo tempo di risoluzione target. Viene calcolato confrontando il 'ServiceResolutionTime' con il 'SlaTargetResolutionTime'. Questo flag semplifica l'analisi e la visualizzazione per la dashboard 'Panoramica Conformità SLA' ed è la base per il calcolo del KPI 'Tasso di Conformità SLA'. Consente una rapida filtrazione e segmentazione dei casi conformi rispetto a quelli non conformi per identificare schemi comuni nelle violazioni degli SLA. Perché è importante Semplifica l'analisi delle performance degli SLA segnalando chiaramente ogni caso come conforme o violato, consentendo l'analisi delle cause profonde dei fallimenti. Dove trovare Campo calcolato: True se ServiceResolutionTime <= SlaTargetResolutionTime, altrimenti False. Esempi truefalse
	È Riaperto IsReopened	Un flag che indica se una richiesta di servizio risolta è stata successivamente riaperta.
Descrizione Questo attributo booleano contrassegna le richieste di servizio che sono state impostate su uno stato risolto o chiuso ma che in seguito sono tornate attive. I casi riaperti spesso indicano che la soluzione iniziale non è stata efficace o completa, portando a insoddisfazione del cliente e lavoro aggiuntivo. Questo attributo alimenta la dashboard 'Tendenze Riapertura Richieste di Servizio' e il KPI 'Tasso di Riapertura Richieste di Servizio'. L'analisi di questi casi aiuta a identificare le cause profonde delle risoluzioni inefficaci. Perché è importante Evidenzia i fallimenti nel processo di risoluzione, indicando problemi di qualità della soluzione e portando a rilavorazioni e una scarsa esperienza del cliente. Dove trovare Campo calcolato, derivato dal rilevamento di un'attività che riattiva il caso dopo che si è verificata un'attività di 'Richiesta di servizio risolta'. Esempi truefalse
	È Risoluzione al Primo Contatto IsFirstContactResolution	Un flag che indica se la richiesta di servizio è stata risolta all'interno di una singola interazione.
Descrizione Questo attributo booleano identifica i casi risolti durante la prima interazione, senza richiedere alcun follow-up da parte del cliente o trasferimenti interni. Un valore 'true' (vero) indica una risoluzione ideale ed efficiente. Questo attributo è la base per il KPI 'Tasso di Risoluzione al Primo Contatto' e la sua dashboard corrispondente. L'analisi delle caratteristiche dei casi non risolti al primo contatto può rivelare opportunità per la formazione degli agenti, miglioramenti della knowledge base o modifiche dei processi. Perché è importante Misura direttamente l'efficienza e la soddisfazione del cliente, poiché la risoluzione dei problemi al primo tentativo è un fattore chiave di un'esperienza di servizio positiva. Dove trovare Campo calcolato, derivato analizzando la sequenza di eventi per un caso. Un caso è FCR se viene risolto senza determinate attività intermedie come trasferimenti o riaperture. Esempi truefalse
	ID Conversazione ConversationId	L'identificatore univoco assegnato da Genesys a un'intera conversazione.
Descrizione L'ID Conversazione è la chiave tecnica primaria in Genesys Cloud CX che raggruppa tutte le interazioni, i segmenti e i partecipanti correlati per una singola conversazione con il cliente. Sebbene il concetto di 'Richiesta di Servizio' sia usato come Case ID, l'ID Conversazione è la chiave sottostante utilizzata per recuperare tutti i dati correlati dalle API di Genesys. È essenziale per l'estrazione dei dati, l'unione di diversi set di dati e per la validazione tecnica dei dati di processo. Perché è importante Questa è la chiave tecnica primaria in Genesys, essenziale per l'estrazione dei dati, la risoluzione dei problemi e il collegamento al sistema di origine. Dove trovare Questo è un campo primario in tutte le API di analisi e conversazione di Genesys Cloud CX. Esempi d8a7c6b5-e4f3-2109-8765-fedcba098765c7b6a5d4-f3e2-1098-7654-edcbaf987654
	Punteggio CSAT CustomerSatisfactionScore	Il punteggio di soddisfazione fornito dal cliente in un sondaggio post-interazione.
Descrizione Il Punteggio di Soddisfazione del Cliente, o CSAT, è una misura diretta della percezione del cliente riguardo al servizio ricevuto. Viene tipicamente raccolto tramite un sondaggio inviato dopo la chiusura dell'interazione. Analizzare i punteggi CSAT in combinazione con i dati di processo può rivelare come variazioni di processo, tempi di risoluzione o specifici agenti influiscono sulla soddisfazione del cliente. Questa è una metrica di risultato chiave per valutare il successo complessivo del processo. Perché è importante Misura direttamente la felicità del cliente, consentendo un'analisi di correlazione tra le prestazioni del processo e i risultati per il cliente. Dove trovare Questi dati di solito provengono dal modulo Genesys Cloud CX Quality Management o da uno strumento di sondaggio di terze parti integrato con Genesys. Esempi 5413
	Tempo di Elaborazione Duration	Il tempo impiegato per completare una singola attività, misurato in secondi.
Descrizione Questo attributo quantifica la durata di un singolo passaggio del processo, calcolata come la differenza tra la sua Ora di Fine e Ora di Inizio. L'analisi del tempo di elaborazione aiuta a identificare quali attività sono le più dispendiose in termini di tempo. Questa informazione è vitale per le dashboard di performance, come la dashboard 'Performance ed Efficienza degli Agenti', per valutare l'efficienza degli agenti e trovare opportunità di formazione o miglioramenti dei processi. Perché è importante Quantifica il tempo speso per ogni attività, aiutando a individuare inefficienze e a misurare le performance a un livello granulare. Dove trovare Campo calcolato: EventEndTime - EventTime. Alcune API Genesys possono fornire campi di durata direttamente per specifici segmenti. Esempi 12075045
	Tempo di Risoluzione del Servizio ServiceResolutionTime	Il tempo totale trascorso dall'inizio della prima interazione con il cliente alla risoluzione finale.
Descrizione Questa metrica misura la durata totale di una richiesta di servizio, dal momento in cui il cliente inizia il contatto fino a quando il problema viene contrassegnato come risolto. È un indicatore chiave di performance per l'efficienza complessiva del processo e l'esperienza del cliente. Questo attributo calcolato è il focus primario della dashboard 'Tempo di Risoluzione Richiesta di Servizio' e del KPI 'Tempo Medio di Risoluzione del Servizio'. L'analisi della sua distribuzione aiuta a identificare casi a lunga esecuzione e ritardi sistemici. Perché è importante Questo è un KPI critico per misurare l'efficienza complessiva del processo e il suo impatto sull'esperienza del cliente. Dove trovare Campo calcolato: Timestamp dell'attività di risoluzione finale meno il timestamp della prima attività di contatto con il cliente. Esempi 90010800172800
	Tempo di Risoluzione Target SLA SlaTargetResolutionTime	Il tempo target concordato contrattualmente per la risoluzione della richiesta di servizio.
Descrizione Questo attributo definisce il tempo massimo consentito per la risoluzione di una richiesta di servizio, secondo il Service Level Agreement (SLA). Serve come benchmark rispetto al quale vengono misurati i tempi di risoluzione effettivi. Questi dati sono essenziali per la dashboard 'Panoramica Conformità SLA' e il KPI 'Tasso di Conformità SLA', consentendo all'organizzazione di monitorare le proprie performance rispetto agli impegni con i clienti e identificare potenziali violazioni prima che si verifichino. Perché è importante Fornisce il benchmark per la misurazione della conformità agli SLA, un indicatore critico delle performance del servizio e degli obblighi contrattuali. Dove trovare Questo può essere memorizzato come attributo personalizzato sulla conversazione o derivato in base a regole che coinvolgono la coda, il tipo di cliente o il tipo di richiesta. Esempi 86400144003600
	Tipo di Richiesta di Servizio ServiceRequestType	La classificazione della richiesta di servizio, come 'Richiesta', 'Reclamo' o 'Problema Tecnico'.
Descrizione Questo attributo categorizza la richiesta di servizio in base alla sua natura o scopo. Consente di segmentare l'analisi per comprendere come vengono gestiti diversi tipi di richieste. Ad esempio, il flusso di processo e il tempo di risoluzione per un 'Reclamo' possono differire significativamente da una 'Richiesta Generica'. Questa dimensione è vitale per dashboard come 'Analisi delle Escalation Interne' per vedere se certi tipi di richieste vengono scalate più spesso. Perché è importante Consente la segmentazione del processo per confrontare come vengono gestiti diversi tipi di richieste e identificare colli di bottiglia o inefficienze specifici per tipo. Dove trovare Queste informazioni potrebbero essere acquisite tramite una selezione IVR, una scelta del cliente su un modulo web o assegnate da un agente. In Genesys, possono essere memorizzate come attributo del partecipante o come wrap-up code. Esempi Richiesta di FatturazioneSupporto TecnicoGestione AccountReclamo Prodotto

Obbligatorio Consigliato Facoltativo

Attività di Servizio Clienti

Questi sono i `passi di processo` e le `milestone` chiave da catturare nel suo `Event Log` per una `scoperta dei processi` accurata.

5 Consigliato 8 Facoltativo

	Activity	Descrizione
	Agente ha Accettato l'Interazione	Contrassegna il punto in cui un agente accetta l'interazione proposta e si connette al cliente. Questo è un momento chiave in cui inizia la gestione diretta della richiesta di servizio.
Perché è importante Questa attività è cruciale per misurare la Risoluzione al Primo Contatto e il tempo di gestione dell'agente. Segnala l'inizio del lavoro dell'agente sulla richiesta. Dove trovare Disponibile nei record di dettaglio della conversazione. È contrassegnato dallo stato del partecipante agente che cambia a 'connected', con un timestamp associato. Acquisisci Registrato quando lo stato di un partecipante agente cambia a 'connected'. Tipo di evento explicit
	Interazione Avviata	Questa attività segna l'inizio di un'interazione di servizio clienti, come una chiamata in entrata, una chat o un'email. Genesys Cloud CX registra esplicitamente questo evento quando un nuovo oggetto conversazione viene creato nel sistema.
Perché è importante Questo è l'evento di inizio primario per il processo di richiesta di servizio. È essenziale per calcolare il tempo totale di risoluzione e comprendere i modelli di domanda dei clienti in arrivo. Dove trovare Questo evento è catturato dai record di dettaglio della conversazione. Corrisponde all'ora di inizio dell'oggetto conversazione stesso, tipicamente trovata nel timestamp conversationStart. Acquisisci Registrato quando una nuova conversazione viene avviata nel sistema. Tipo di evento explicit
	Interazione Disconnessa	Questa attività segna la fine della conversazione, quando tutti i partecipanti si sono disconnessi. Spesso funge da chiusura tecnica dell'interazione della richiesta di servizio.
Perché è importante Questo è un evento finale definitivo per l'interazione stessa. È cruciale per il calcolo della durata totale dell'interazione ed è spesso usato come proxy per la chiusura della richiesta. Dove trovare Questo è catturato dai record di dettaglio della conversazione. Corrisponde all'ora di fine dell'oggetto conversazione, tipicamente trovata nel timestamp conversationEnd. Acquisisci Registrato quando tutti i partecipanti si sono disconnessi e la conversazione termina. Tipo di evento explicit
	Interazione Trasferita	Rappresenta un agente che trasferisce un'interazione a un'altra coda o agente. Questo può essere un trasferimento cieco (blind transfer) in cui l'agente si disconnette immediatamente, o un trasferimento con consultazione (consult transfer) in cui parlano prima con il destinatario.
Perché è importante Questa attività è essenziale per il KPI del Tasso di Escalation Interna. Alti tassi di trasferimento possono indicare esigenze di formazione, routing errato o complessità del processo. Dove trovare Questo è identificato nei record di dettaglio della conversazione quando un nuovo partecipante ACD o agente viene aggiunto alla conversazione in seguito al coinvolgimento iniziale dell'agente, spesso avviato da un evento di 'trasferimento'. Acquisisci Identificato da un evento di trasferimento nei dati di sessione del partecipante. Tipo di evento explicit
	Wrap-Up Code Assegnato	Un agente assegna un codice di chiusura predefinito, o codice di disposizione, all'interazione. Questo categorizza esplicitamente l'esito della richiesta di servizio, come 'Risolta' o 'Escalata'.
Perché è importante I Wrap-Up Code sono una fonte primaria per determinare l'esito aziendale di una richiesta. Sono vitali per calcolare i tassi di risoluzione e segmentare i casi per l'analisi. Dove trovare Questo è un evento esplicito trovato nei record di dettaglio della conversazione, tipicamente all'interno dei dati di sessione del partecipante agente. Vengono registrati il wrapUp code e il timestamp. Acquisisci Registrato quando un agente seleziona un codice di chiusura per l'interazione. Tipo di evento explicit
	Agente ha Ricevuto Proposta di Interazione	Questo evento si verifica quando il sistema offre un'interazione a un agente specifico. Lo stato dell'agente cambia in 'in avviso' mentre il sistema attende che accetti o rifiuti la conversazione.
Perché è importante Questa attività aiuta ad analizzare la reattività degli agenti e l'efficacia dell'algoritmo di routing. Ritardi dopo questo punto possono indicare che gli agenti non stanno accettando il lavoro tempestivamente. Dove trovare Trovato nei record di dettaglio della conversazione all'interno dei dati del partecipante per l'agente. La sessione del partecipante mostrerà una metrica con uno stato di 'alerting' e un timestamp corrispondente. Acquisisci Registrato quando il motore di routing avvisa un agente di una nuova interazione. Tipo di evento explicit
	Attesa Rimossa dall'Interazione	Si verifica quando un agente toglie un cliente dall'attesa e riprende la conversazione. Questo evento segna la fine di un periodo di attesa e viene registrato come un cambiamento di stato.
Perché è importante Insieme a 'Attesa Iniziata', questa attività consente un calcolo preciso del tempo totale di attesa, una componente chiave del tempo di gestione complessivo e dell'esperienza del cliente. Dove trovare Derivato dai dati di sessione del partecipante agente quando il Suo stato cambia da 'held' a 'connected'. Acquisisci Registrato quando lo stato di un partecipante agente cambia da 'held' a 'connected'. Tipo di evento explicit
	Conversazione Instradata alla Coda	Rappresenta il momento in cui una nuova interazione viene inserita in una coda specifica per attendere un agente disponibile. Questo è un evento esplicito registrato dal motore di routing Genesys (ACD).
Perché è importante Tracciare questa attività è critico per misurare i tempi di attesa in coda e identificare i bottleneck nel processo di routing. Durate elevate tra questa attività e l'assegnazione dell'agente indicano problemi di personale o di logica di routing. Dove trovare Catturato dai record di dettaglio della conversazione, esaminando specificamente lo 'scopo' e lo 'stato' del partecipante ACD all'interno della conversazione. Il 'enterTime' per la coda nell'array delle metriche indica questo evento. Acquisisci Registrato quando il motore di routing ACD inserisce una conversazione in una coda. Tipo di evento explicit
	Interazione Messa in Attesa	Questa attività viene registrata quando un agente mette un cliente in attesa durante un'interazione. Questo è un cambiamento di stato esplicito per il partecipante agente all'interno della conversazione.
Perché è importante L'analisi della frequenza e della durata delle attese può rivelare inefficienze di processo, come agenti che hanno spesso bisogno di cercare informazioni o consultare altri. Dove trovare Catturato dai dati di sessione del partecipante agente nei record di dettaglio della conversazione. Lo stato cambia a 'held' e viene registrato un timestamp. Acquisisci Registrato quando lo stato di un partecipante agente cambia a 'held'. Tipo di evento explicit
	Lavoro Post-Chiamata Iniziato	Questa attività segna l'inizio del periodo di lavoro post-chiamata (ACW). L'agente si è disconnesso dal cliente ma si trova ora in uno stato dedicato per completare attività come l'inserimento di note o l'aggiornamento dei sistemi.
Perché è importante Misurare la durata dell'ACW è importante per comprendere l'efficienza degli agenti e il tempo complessivo di gestione. Un ACW prolungato può essere un segno di processi post-interazione inefficienti. Dove trovare Catturato dai dati di sessione del partecipante agente. Viene registrato quando lo stato dell'agente cambia ad 'acw' dopo che il partecipante cliente si disconnette. Acquisisci Registrato quando lo stato di un partecipante agente cambia a 'acw'. Tipo di evento explicit
	Lavoro Post-Chiamata Terminato	Questo segna la fine del periodo di lavoro post-chiamata per un agente. A questo punto, l'agente diventa disponibile per gestire un'altra interazione.
Perché è importante Questa attività, combinata con 'Inizio Lavoro Post-Chiamata', fornisce la durata precisa della fase di wrap-up, aiutando ad analizzare la produttività degli agenti e l'overhead del processo. Dove trovare Questo è dedotto quando lo stato dell'agente cambia da 'acw' a uno stato disponibile, come 'idle'. Viene utilizzato il timestamp di questo cambiamento di stato. Acquisisci Desunto dallo stato dell'agente che cambia da 'acw' a uno stato disponibile. Tipo di evento inferred
	Richiesta di Servizio Riaperta	Rappresenta una situazione in cui un cliente contatta nuovamente il centro servizi per lo stesso problema poco dopo che era stato considerato risolto. Questo non è un evento esplicito ma è calcolato in base alla logica aziendale.
Perché è importante Tracciare le richieste riaperte è fondamentale per misurare il Tasso di Riapertura delle Richieste di Servizio. Indica che la risoluzione iniziale non è stata efficace, influenzando la soddisfazione del cliente e l'efficienza operativa. Dove trovare Questa attività è dedotta identificando un nuovo evento 'Interazione Iniziata' per lo stesso cliente (ID Cliente) e problema correlato (es. Tipo di Richiesta di Servizio) all'interno di un intervallo di tempo predefinito dopo che un'interazione precedente è stata risolta. Acquisisci Calcolato collegando una nuova interazione a una chiusa di recente per lo stesso cliente e problema. Tipo di evento calculated
	Sondaggio di Soddisfazione Cliente Inviato	Questa attività si verifica quando un sondaggio sulla soddisfazione del cliente (CSAT) viene inviato dopo la chiusura di un'interazione. Questo è spesso attivato automaticamente dal sistema in base a regole predefinite.
Perché è importante Questa attività è necessaria per misurare il KPI della Tempestività di Consegna del Sondaggio CSAT. Garantire la consegna tempestiva dei sondaggi aiuta a raccogliere feedback accurati mentre l'esperienza è ancora fresca nella mente del cliente. Dove trovare Queste informazioni sono tipicamente disponibili dai dati di sondaggio o di gestione della qualità all'interno di Genesys Cloud CX, che possono essere collegati all'ID conversazione originale. Acquisisci Registrato dal modulo di sondaggio quando un sondaggio viene inviato per una conversazione specifica. Tipo di evento explicit

Consigliato Facoltativo

Guide all'Estrazione

Come ottenere i Suoi dati da Genesys Cloud CX

Fasi

Navigare nell'Analytics Workspace: Acceda a Genesys Cloud CX. Vada al menu e selezioni Admin, poi sotto Analytics, scelga Workspace.
Creare una Nuova Vista: Clicchi sull'icona più per aggiungere una nuova scheda e selezioni "Create a new view". Scelga "Interactions" come tipo di vista. Questo aprirà l'editor della vista di interazione.
Definire l'Intervallo di Date: Nel pannello dei filtri a sinistra, imposti l'intervallo di data e ora desiderato per i dati che desidera estrarre. Si raccomanda di iniziare con un intervallo di date più piccolo, come una settimana, per testare il processo.
Selezionare le Colonne per l'Esportazione: Questo è il passaggio più critico per la preparazione dei dati. Clicchi sul pulsante "Columns". Dai campi disponibili, selezioni e aggiunga le seguenti colonne alla Sua vista. Questi campi contengono i dati necessari per costruire l'event log:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (Questo è un campo complesso contenente dati annidati di agente, coda e cliente)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Applicare Filtri Aggiuntivi: Utilizzi il pannello dei filtri per restringere i dati se necessario. Può filtrare per Media Type (es. voice, chat), Queue, Direction (inbound/outbound), o altre proprietà della conversazione per concentrarsi sul processo specifico della richiesta di servizio.
Salvare ed Eseguire la Vista: Salvi la vista con un nome descrittivo, ad esempio, "Process Mining Service Request Export". La vista caricherà quindi i dati corrispondenti ai Suoi criteri.
Avviare l'Esportazione: Una volta che i dati sono caricati nella Sua vista, clicchi sul pulsante "Export", solitamente rappresentato da un'icona di download. Selezioni "Export as CSV" o "Export as JSON". CSV è spesso più facile per l'elaborazione iniziale.
Scaricare il File Esportato: Il lavoro di esportazione verrà eseguito in background. Può monitorare il Suo progresso navigando in Performance > My Exports. Una volta completato, scarichi il file sul Suo sistema locale.
Trasformare i Dati Grezzi: Il file esportato ha una riga per conversazione, con dati di partecipante e segmento annidati all'interno di una singola colonna. Deve eseguire uno script di trasformazione, come lo script Python fornito nella sezione Query, per dis-annidare questi dati. Questo script analizzerà l'esportazione grezza e creerà un nuovo file in cui ogni riga rappresenta una singola attività, come "Agent Accepted Interaction" o "Hold Placed on Interaction".
Implementare la Logica Personalizzata: Come parte della trasformazione, implementi qualsiasi logica specifica del business. Ad esempio, l'attività "Service Request Re-Opened" deve essere calcolata analizzando le interazioni successive dello stesso cliente entro un periodo di tempo definito.
Finalizzare l'Event Log: Lo script di trasformazione dovrebbe produrre un file CSV con colonne corrispondenti al formato richiesto per ProcessMind, inclusi ServiceRequest, ActivityName, EventTime e altri attributi. Si assicuri che tutti i timestamp siano in un formato coerente.
Caricare su ProcessMind: Il file CSV finale, trasformato, è ora pronto per essere caricato nel Suo strumento di process mining.

Configurazione

Permessi: Il ruolo utente di Genesys Cloud CX deve avere il permesso Analytics > Conversation > View per accedere all'Analytics Workspace e creare viste di interazione.
Intervallo di date: Per l'estrazione iniziale, utilizzi un periodo rappresentativo di 3-6 mesi. Per i contact center ad altissimo volume, si raccomanda di esportare i dati in blocchi più piccoli, come settimanali o mensili, per evitare di raggiungere i limiti di sistema e gestire le dimensioni dei file.
Filtri chiave:
- Media Type: Filtri i canali rilevanti per il Suo processo di servizio clienti, come voice, chat o email.
- Queue: Se il processo è gestito da team specifici, filtri per gli ID di coda pertinenti per assicurarsi di estrarre solo i dati per il processo desiderato.
- Direction: Tipicamente, vorrà filtrare per interazioni inbound per acquisire le richieste di servizio avviate dal cliente.
Colonne di esportazione: La colonna Participants è essenziale in quanto contiene la cronologia dettagliata degli eventi per agenti e code. Senza questa colonna, non può estrarre le singole attività. Si assicuri che siano inclusi anche Conversation ID, Conversation Start e Conversation End.
Considerazioni sulle prestazioni: L'esportazione di un gran numero di colonne o di un intervallo di date molto lungo può far sì che il lavoro di esportazione richieda una quantità significativa di tempo. Se il lavoro fallisce o va in timeout, riduca l'intervallo di date e riprovi. Genesys Cloud ha un limite di circa 1 milione di conversazioni per ogni lavoro di esportazione.

a Query di Esempio config

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Fasi

Prerequisiti e Setup: Si assicuri di avere Python 3.8+ installato insieme alle librerie pandas e purecloud-platform-client-v2. Può installarle usando pip: pip install pandas purecloud-platform-client-v2.
Creare un Client OAuth Genesys Cloud: Acceda al Suo account amministratore Genesys Cloud CX. Navighi su Integrations > OAuth e crei un nuovo client con il tipo di grant 'Client Credentials'. Assegni un ruolo che includa il permesso analytics:conversationDetail:view.
Configurare le Credenziali dello Script: Salvi il Client ID e il Client Secret del passaggio precedente. Nello script Python fornito di seguito, sostituisca i valori segnaposto per CLIENT_ID, CLIENT_SECRET e GENESYS_CLOUD_REGION con le Sue credenziali specifiche.
Definire l'Intervallo di Estrazione: Individui la variabile query_body nello script. Modifichi il valore interval per specificare l'intervallo di data e ora per i dati che desidera estrarre. Si raccomanda di iniziare con un intervallo piccolo, come un singolo giorno, per i test.
Eseguire lo Script Python: Esegua lo script dal Suo terminale usando python your_script_name.py. Lo script si autenticherà con l'API di Genesys Cloud, invierà un lavoro di analisi asincrono e stamperà l'ID del lavoro.
Monitorare l'Esecuzione del Lavoro: Lo script interrogherà automaticamente l'API ogni 15 secondi per verificare lo stato del lavoro. Vedrà gli aggiornamenti di stato stampati sulla console. Questo passaggio può richiedere diversi minuti o più, a seconda del volume di dati richiesto.
Elaborare e Trasformare i Dati: Una volta completato il lavoro, lo script scarica i dati JSON risultanti. Quindi itera attraverso ogni record di conversazione, analizzando i dati di partecipante, sessione e segmento per identificare e strutturare le attività e gli attributi chiave.
Gestire gli Eventi Calcolati: Lo script include un passaggio di post-elaborazione per identificare gli eventi 'Service Request Re-Opened'. Questa logica, che può personalizzare, controlla le nuove interazioni dello stesso cliente entro una finestra temporale specificata dopo che un'interazione precedente è stata risolta.
Generare l'Event Log: I dati trasformati vengono compilati in un DataFrame pandas, che rispecchia la struttura di un event log di process mining.
Esportare il File CSV Finale: Lo script salva il DataFrame finale come file CSV denominato genesys_event_log.csv. Questo file è formattato per il caricamento diretto nella piattaforma ProcessMind.

Configurazione

Credenziali API: Per l'autenticazione sono richiesti un OAuth Client ID e un Client Secret. Questi devono essere creati all'interno dell'interfaccia di amministrazione di Genesys Cloud CX.
Permessi API: Il ruolo client OAuth associato deve avere il permesso analytics:conversationDetail:view per accedere ai dati di conversazione necessari.
Intervallo di estrazione: Il parametro interval nel corpo della query API controlla l'intervallo di date dell'estrazione. Per ambienti di grandi dimensioni, è buona pratica eseguire l'estrazione in batch più piccoli e sequenziali (ad esempio, una settimana alla volta) per evitare timeout dell'API e gestire l'utilizzo della memoria.
Filtri dati: Il corpo della query API può essere modificato per includere conversationFilters, segmentFilters o evaluationFilters per restringere l'ambito dell'estrazione. Ad esempio, si potrebbe filtrare per un queueId specifico o mediaType per mirare a una parte particolare del processo di servizio clienti.
Logica di riapertura: La finestra temporale per identificare un evento di 'Richiesta di servizio riaperta' è configurabile all'interno dello script. L'impostazione predefinita è di 72 ore ma dovrebbe essere adattata per corrispondere alle regole aziendali della Sua organizzazione.
Ambiente: È necessario un ambiente Python locale con l'SDK e le librerie richieste per eseguire lo script. Non è richiesto alcun accesso diretto al server o al database di Genesys Cloud CX.

a Query di Esempio 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()

Fasi

Navigare nell'Analytics Workspace: Acceda a Genesys Cloud CX. Vada al menu e selezioni Admin, poi sotto Analytics, scelga Workspace.
Creare una Nuova Vista: Clicchi sull'icona più per aggiungere una nuova scheda e selezioni "Create a new view". Scelga "Interactions" come tipo di vista. Questo aprirà l'editor della vista di interazione.
Definire l'Intervallo di Date: Nel pannello dei filtri a sinistra, imposti l'intervallo di data e ora desiderato per i dati che desidera estrarre. Si raccomanda di iniziare con un intervallo di date più piccolo, come una settimana, per testare il processo.
Selezionare le Colonne per l'Esportazione: Questo è il passaggio più critico per la preparazione dei dati. Clicchi sul pulsante "Columns". Dai campi disponibili, selezioni e aggiunga le seguenti colonne alla Sua vista. Questi campi contengono i dati necessari per costruire l'event log:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (Questo è un campo complesso contenente dati annidati di agente, coda e cliente)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Applicare Filtri Aggiuntivi: Utilizzi il pannello dei filtri per restringere i dati se necessario. Può filtrare per Media Type (es. voice, chat), Queue, Direction (inbound/outbound), o altre proprietà della conversazione per concentrarsi sul processo specifico della richiesta di servizio.
Salvare ed Eseguire la Vista: Salvi la vista con un nome descrittivo, ad esempio, "Process Mining Service Request Export". La vista caricherà quindi i dati corrispondenti ai Suoi criteri.
Avviare l'Esportazione: Una volta che i dati sono caricati nella Sua vista, clicchi sul pulsante "Export", solitamente rappresentato da un'icona di download. Selezioni "Export as CSV" o "Export as JSON". CSV è spesso più facile per l'elaborazione iniziale.
Scaricare il File Esportato: Il lavoro di esportazione verrà eseguito in background. Può monitorare il Suo progresso navigando in Performance > My Exports. Una volta completato, scarichi il file sul Suo sistema locale.
Trasformare i Dati Grezzi: Il file esportato ha una riga per conversazione, con dati di partecipante e segmento annidati all'interno di una singola colonna. Deve eseguire uno script di trasformazione, come lo script Python fornito nella sezione Query, per dis-annidare questi dati. Questo script analizzerà l'esportazione grezza e creerà un nuovo file in cui ogni riga rappresenta una singola attività, come "Agent Accepted Interaction" o "Hold Placed on Interaction".
Implementare la Logica Personalizzata: Come parte della trasformazione, implementi qualsiasi logica specifica del business. Ad esempio, l'attività "Service Request Re-Opened" deve essere calcolata analizzando le interazioni successive dello stesso cliente entro un periodo di tempo definito.
Finalizzare l'Event Log: Lo script di trasformazione dovrebbe produrre un file CSV con colonne corrispondenti al formato richiesto per ProcessMind, inclusi ServiceRequest, ActivityName, EventTime e altri attributi. Si assicuri che tutti i timestamp siano in un formato coerente.
Caricare su ProcessMind: Il file CSV finale, trasformato, è ora pronto per essere caricato nel Suo strumento di process mining.

Configurazione

Permessi: Il ruolo utente di Genesys Cloud CX deve avere il permesso Analytics > Conversation > View per accedere all'Analytics Workspace e creare viste di interazione.
Intervallo di date: Per l'estrazione iniziale, utilizzi un periodo rappresentativo di 3-6 mesi. Per i contact center ad altissimo volume, si raccomanda di esportare i dati in blocchi più piccoli, come settimanali o mensili, per evitare di raggiungere i limiti di sistema e gestire le dimensioni dei file.
Filtri chiave:
- Media Type: Filtri i canali rilevanti per il Suo processo di servizio clienti, come voice, chat o email.
- Queue: Se il processo è gestito da team specifici, filtri per gli ID di coda pertinenti per assicurarsi di estrarre solo i dati per il processo desiderato.
- Direction: Tipicamente, vorrà filtrare per interazioni inbound per acquisire le richieste di servizio avviate dal cliente.
Colonne di esportazione: La colonna Participants è essenziale in quanto contiene la cronologia dettagliata degli eventi per agenti e code. Senza questa colonna, non può estrarre le singole attività. Si assicuri che siano inclusi anche Conversation ID, Conversation Start e Conversation End.
Considerazioni sulle prestazioni: L'esportazione di un gran numero di colonne o di un intervallo di date molto lungo può far sì che il lavoro di esportazione richieda una quantità significativa di tempo. Se il lavoro fallisce o va in timeout, riduca l'intervallo di date e riprovi. Genesys Cloud ha un limite di circa 1 milione di conversazioni per ogni lavoro di esportazione.

a Query di Esempio config

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Il Suo Template Dati per il Servizio Clienti

Il Suo Template Dati per il Servizio Clienti

Attributi del Servizio Clienti

Attività di Servizio Clienti

Guide all'Estrazione

Esportazione Dettagli Conversazione Genesys Cloud Analytics

Fasi

Configurazione

a Query di Esempio config

Script Python che utilizza l'API della Piattaforma Genesys Cloud

Fasi

Configurazione

a Query di Esempio python

Streaming di Eventi tramite Integrazione AWS EventBridge

Fasi

Configurazione

a Query di Esempio config

Pronto per iniziare?

Eliminare i Contatti Ripetuti: Migliori il Servizio Clienti Oggi!

Il Suo Template Dati per il Servizio Clienti

Il Suo Template Dati per il Servizio Clienti

Attributi del Servizio Clienti

Attività di Servizio Clienti

Guide all'Estrazione

Esportazione Dettagli Conversazione Genesys Cloud Analytics

Fasi

Configurazione

a Query di Esempio config

Script Python che utilizza l'API della Piattaforma Genesys Cloud

Fasi

Configurazione

a Query di Esempio python

Streaming di Eventi tramite Integrazione AWS EventBridge

Fasi

Configurazione

a Query di Esempio config

Abbiamo a cuore la Sua privacy

Pronto per iniziare?

Eliminare i Contatti Ripetuti: Migliori il Servizio Clienti Oggi!