> Miglioramento continuo dei processi > Servizio clienti > Genesys Cloud CX > Template dei dati

Il template dei dati per il servizio clienti

Genesys Cloud CX

Attributi del servizio clienti (19) Attività del servizio clienti (13) Guide all’estrazione (3)

Il template dei dati per il servizio clienti

Questo template offre indicazioni chiare per raccogliere i dati essenziali necessari ad analizzare e ottimizzare il processo di assistenza clienti. Descrive gli attributi consigliati, le attività principali da monitorare e le modalità pratiche per estrarre queste informazioni dai sistemi di origine. Lo utilizzi per creare un Event Log completo per le iniziative di Process Mining.

Attributi consigliati da raccogliere
Attività principali da monitorare
Indicazioni per l’estrazione

Non conosce ancora gli Event Log? Scopra come creare un Event Log per il Process Mining.

Scarica il template

Attributi del servizio clienti

Questi sono i campi dati consigliati da includere nell’Event Log per un’analisi completa del servizio clienti.

5 Obbligatorio 6 Consigliato 8 Facoltativo

	Nome	Descrizione
	Nome dell’attività ActivityName	Nome dell’evento o dell’attività specifica che si è verificata in un determinato momento del ciclo di vita della richiesta di assistenza.
Descrizione Questo attributo descrive una fase specifica o un cambiamento di stato nel processo di assistenza clienti. Ogni attività rappresenta un evento distinto, come 'Interazione accettata dall’agente' o 'Codice di chiusura assegnato'. Analizzare la sequenza e la frequenza di queste attività è fondamentale per il Process Mining: consente di visualizzare i flussi dei processi, individuare le deviazioni e identificare i colli di bottiglia o le fasi inefficienti. Perché è importante Le attività costituiscono la struttura portante della mappa del processo e consentono di visualizzare e analizzare il flusso effettivo rispetto a quello progettato. Dove reperirli In genere, si ottiene associando gli eventi di sistema, gli stati degli agenti o specifiche voci del registro di controllo di Genesys Cloud CX a nomi di attività standardizzati. Esempi Interazione avviataInterazione accettata dall’agenteFine delle attività successive alla chiamataRichiesta di assistenza riaperta
	Ora di inizio EventTime	Timestamp che indica quando è iniziata un’attività o si è verificato un evento.
Descrizione Questo attributo indica la data e l’ora esatte in cui si è verificata ciascuna attività. È essenziale per ordinare correttamente gli eventi e per tutte le analisi basate sul tempo. L’ora di inizio consente di ricostruire il flusso del processo in ordine cronologico e costituisce la base per calcolare la durata, i tempi di attesa e i tempi di ciclo tra le diverse attività. Timestamp accurati sono fondamentali per analizzare i processi e monitorarne le prestazioni in modo affidabile. Perché è importante Questo timestamp ordina cronologicamente tutte le attività e consente di analizzare con precisione i flussi dei processi, le durate e i colli di bottiglia. Dove reperirli Disponibile negli Event Log o nei dettagli delle interazioni di 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 assistenza ServiceRequest	Identificativo principale di un’interazione di assistenza clienti, che collega tutte le attività correlate.
Descrizione La richiesta di assistenza, spesso chiamata ticket o caso, è l’identificativo principale di una singola domanda o problema del cliente. Raggruppa in un’unica istanza di processo tutti gli eventi correlati, dal contatto iniziale alla risoluzione finale. Analizzare i dati per richiesta di assistenza consente di ricostruire l’intero percorso del cliente e il processo interno di gestione. È la base per calcolare metriche chiave come il tempo totale di risoluzione e il tasso di risoluzione al primo contatto. Perché è importante È l’ID del caso essenziale per collegare tutte le fasi del processo e analizzare nel complesso ogni interazione con il cliente, dall’inizio alla fine. Dove reperirli È l’identificativo concettuale del caso. In Genesys corrisponde spesso all’ID della conversazione, ma può essere un identificativo personalizzato a seconda dell’implementazione. Esempi SR-20240521-00123SR-20240521-00124SR-20240522-00001
	Sistema di origine SourceSystem	Sistema da cui sono stati estratti i dati.
Descrizione Questo attributo identifica il sistema di origine dei dati degli eventi, in questo caso Genesys Cloud CX. Negli ambienti con più sistemi integrati, il campo è fondamentale per ricostruire la provenienza dei dati, risolvere i problemi e comprenderne il contesto. Aiuta a verificare che l’analisi si basi sull’origine dei dati corretta e consente di filtrare o segmentare i dati quando più sistemi contribuiscono alla stessa vista del processo. Perché è importante Identifica l’origine dei dati, un’informazione fondamentale per la governance e la convalida dei dati e per unire dati provenienti da più sistemi. Dove reperirli In genere, è un valore statico aggiunto durante l’estrazione e la trasformazione dei dati per indicare l’origine dei record. Esempi Genesys Cloud CXGenesysCloudCX_US1Genesys
	Ultimo aggiornamento dei dati LastDataUpdate	Timestamp dell’aggiornamento più recente dei dati.
Descrizione Questo attributo indica l’ultima volta in cui il dataset è stato aggiornato dal sistema di origine. Fornisce un’indicazione sull’attualità dei dati analizzati, un aspetto fondamentale per prendere decisioni aziendali tempestive e pertinenti. Le Dashboard e i report dovrebbero mostrare chiaramente questa informazione, così che gli utenti sappiano quanto sono aggiornati i dati e possano valutare l’attendibilità delle analisi. Perché è importante Indica quanto sono aggiornati i dati, assicurando che analisi e decisioni si basino su informazioni recenti. Dove reperirli Questo valore viene generato e associato al dataset al momento dell’estrazione dei dati o del loro caricamento 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, per esempio voce, chat o e-mail.
Descrizione Questo attributo specifica il mezzo utilizzato per comunicare tra cliente e agente. I canali più comuni sono voce, chat, e-mail e social media. Analizzare le prestazioni per canale, come nella Dashboard «Prestazioni dei canali di comunicazione», aiuta le aziende a comprendere i volumi, i tempi di risoluzione e la soddisfazione dei clienti per ciascun canale. Queste informazioni sono fondamentali per ottimizzare la strategia relativa ai canali e l’allocazione delle risorse. Perché è importante Segmentare il processo per canale di comunicazione è essenziale per comprendere le prestazioni specifiche di ciascun canale, il comportamento dei clienti e il fabbisogno di risorse. Dove reperirli Campo standard nei record dettagliati delle conversazioni di Genesys Cloud CX. Esempi vocechate-mailmessaggio
	Codice di chiusura WrapUpCode	Codice assegnato da un agente al termine di un’interazione per classificarne l’esito o l’argomento.
Descrizione Il codice di chiusura è un’etichetta selezionata dall’agente per classificare la natura o la risoluzione di un’interazione con un cliente. Questi codici forniscono dati strutturati sui motivi per cui i clienti contattano l’assistenza. Analizzarli aiuta a individuare i problemi più frequenti, monitorare gli esiti delle risoluzioni e misurare la frequenza di richieste specifiche. Questi dati sono utili per analizzare le cause profonde e comprendere i modelli della domanda di assistenza. Perché è importante Classifica l’esito di un’interazione e fornisce dati strutturati per analizzare i problemi più frequenti, l’efficacia delle risoluzioni e i motivi dei contatti. Dove reperirli Disponibile nei record dettagliati delle conversazioni di Genesys Cloud CX, in particolare nei dettagli della sessione relativi ai partecipanti che sono agenti. Esempi Reimpostazione della passwordContestazione di fatturazione risoltaRichiesta di informazioni sul prodottoInoltrato all’assistenza di secondo livello
	ID agente AgentId	L’identificativo univoco dell’agente che ha gestito l’interazione o l’attività.
Descrizione L’ID agente è una chiave univoca per ogni addetto al servizio clienti. Questo attributo è essenziale per le analisi relative alle prestazioni degli agenti, alla distribuzione del carico di lavoro e all’efficienza. Consente di filtrare la mappa del processo per vedere come i singoli agenti o i team gestiscono le richieste e confrontare indicatori quali i tempi di risoluzione, il tasso di rilavorazione e il rispetto delle procedure standard. È un elemento fondamentale della Dashboard «Prestazioni ed efficienza degli agenti». Perché è importante Questo attributo collega le attività del processo a dipendenti specifici e consente di analizzare le prestazioni individuali, il carico di lavoro e l’efficienza dei team. Dove reperirli Disponibile nei record dettagliati delle conversazioni di Genesys Cloud CX, è 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 dell’agente è un identificativo leggibile dell’addetto al servizio, corrispondente all’ID agente. Questo attributo rende le Dashboard e i report più intuitivi per i responsabili e i coordinatori dei team. È ampiamente utilizzato nelle analisi incentrate sugli agenti per valutare le prestazioni, individuare esigenze di formazione e garantire una distribuzione equa del carico di lavoro, senza dover consultare gli ID di sistema. Perché è importante Fornisce un nome facilmente riconoscibile per l’agente, semplificando l’analisi delle prestazioni e la comunicazione dei risultati senza ricorrere a ID tecnici. Dove reperirli Si recupera dal servizio Users o Directory di Genesys Cloud CX cercando l’AgentId. Esempi John SmithJane DoePeter Jones
	Nome coda QueueName	Il nome della coda in cui è stata indirizzata l’interazione.
Descrizione Questo attributo identifica la coda in cui un’interazione è rimasta in attesa prima di essere assegnata a un agente. Analizzare i dati per nome della coda è essenziale per la Dashboard «Individuazione dei colli di bottiglia nelle code di assistenza». Aiuta i responsabili a comprendere come si distribuisce il carico di lavoro tra i diversi gruppi di competenze o servizi, a misurare i tempi di attesa per ciascuna coda e a individuare quelle che sono spesso sotto organico o sovraccariche. Queste informazioni sono fondamentali per ottimizzare l’allocazione delle risorse e ridurre i tempi di attesa dei clienti. Perché è importante Aiuta a individuare i colli di bottiglia e ad analizzare la distribuzione del carico di lavoro, mostrando dove le richieste di assistenza sono in attesa di assegnazione. Dove reperirli Disponibile nei record dettagliati delle conversazioni di Genesys Cloud CX. Ogni interazione può passare attraverso una o più code. Esempi Assistenza di primo livello - VoceRichieste di fatturazione - ChatAssistenza tecnica - E-mail
	Ora di fine EventEndTime	Il timestamp che indica quando è terminata un’attività o un evento.
Descrizione Questo attributo registra il momento esatto in cui termina un’attività. Insieme all’ora di inizio, consente di calcolare con precisione la durata di ogni singola attività. Analizzare la durata delle attività è fondamentale per individuare i passaggi che richiedono più tempo, rilevando inefficienze e opportunità di miglioramento. Per esempio, può mettere in evidenza tempi prolungati per «Sospensione dell’interazione» o per il «Lavoro successivo alla chiamata». Perché è importante Consente di calcolare con precisione la durata delle singole attività, un dato essenziale per individuare i passaggi che richiedono più tempo e i colli di bottiglia nelle prestazioni. Dove reperirli È disponibile nei log degli eventi o nei dettagli delle interazioni di Genesys Cloud CX. Può anche essere ricavato dall’ora di inizio dell’evento successivo. Esempi 2024-05-21T10:02:30Z2024-05-21T10:15:00Z2024-05-21T10:18:45Z
	Conforme allo SLA IsSlaCompliant	Indicatore che segnala se la richiesta di assistenza è stata risolta entro il tempo obiettivo previsto dallo SLA.
Descrizione Questo attributo booleano indica se una richiesta di assistenza ha rispettato il tempo obiettivo di risoluzione. Si calcola confrontando «ServiceResolutionTime» con «SlaTargetResolutionTime». L’indicatore semplifica l’analisi e la visualizzazione nella Dashboard «Panoramica della conformità agli SLA» ed è la base per calcolare il KPI «Tasso di conformità agli SLA». Consente di filtrare e segmentare rapidamente i casi conformi e non conformi, così da individuare schemi ricorrenti nelle violazioni degli SLA. Perché è importante Semplifica l’analisi delle prestazioni SLA indicando chiaramente per ogni caso se l’obiettivo è stato rispettato o superato e consente di analizzare le cause profonde degli scostamenti. Dove reperirli Campo calcolato: True se ServiceResolutionTime <= SlaTargetResolutionTime, altrimenti False. Esempi truefalse
	ID conversazione ConversationId	L’identificativo univoco assegnato da Genesys a un’intera conversazione.
Descrizione L’ID conversazione è la chiave tecnica principale di Genesys Cloud CX che raggruppa tutte le interazioni, i segmenti e i partecipanti correlati a una singola conversazione con un cliente. Il concetto di «richiesta di assistenza» viene utilizzato come ID del caso, mentre l’ID conversazione è la chiave sottostante usata per recuperare tutti i dati correlati tramite le API di Genesys. È essenziale per estrarre i dati, unire dataset diversi e convalidare tecnicamente i dati di processo. Perché è importante È la chiave tecnica principale in Genesys, essenziale per estrarre i dati, risolvere i problemi e risalire al sistema di origine. Dove reperirli È un campo principale 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 inviato dopo l’interazione.
Descrizione Il punteggio di soddisfazione del cliente, o CSAT, misura direttamente la percezione del servizio ricevuto. In genere viene raccolto tramite un sondaggio inviato dopo la chiusura dell’interazione. Analizzare i punteggi CSAT insieme ai dati di processo può rivelare in che modo le variazioni del processo, i tempi di risoluzione o specifici agenti incidono sulla soddisfazione dei clienti. È un indicatore fondamentale per valutare il successo complessivo del processo. Perché è importante Misura direttamente la soddisfazione dei clienti e consente di correlare le prestazioni del processo ai risultati ottenuti. Dove reperirli Questi dati provengono in genere dal modulo Quality Management di Genesys Cloud CX o da uno strumento di sondaggio di terze parti integrato con Genesys. Esempi 5413
	Riaperto IsReopened	Indicatore che segnala se una richiesta di assistenza risolta è stata successivamente riaperta.
Descrizione Questo attributo booleano segnala le richieste di assistenza che, dopo essere state contrassegnate come risolte o chiuse, sono tornate attive. I casi riaperti spesso indicano che la soluzione iniziale non era efficace o completa, con conseguente insoddisfazione del cliente e ulteriore lavoro. Questo attributo alimenta la Dashboard «Andamento delle riaperture delle richieste di assistenza» e il KPI «Tasso di riapertura delle richieste di assistenza». Analizzare questi casi aiuta a individuare le cause profonde delle risoluzioni inefficaci. Perché è importante Mette in evidenza le criticità nel processo di risoluzione, segnalando problemi nella qualità delle soluzioni che comportano rilavorazioni e un’esperienza negativa per il cliente. Dove reperirli Campo calcolato, ricavato rilevando un’attività che riattiva il caso dopo un’attività «Richiesta di assistenza risolta». Esempi truefalse
	Risoluzione al primo contatto IsFirstContactResolution	Indicatore che segnala se la richiesta di assistenza è stata risolta con una sola interazione.
Descrizione Questo attributo booleano identifica i casi risolti durante la prima interazione, senza ulteriori contatti da parte del cliente né trasferimenti interni. Il valore «true» indica una risoluzione efficiente e ideale. Questo attributo è alla base del KPI «Tasso di risoluzione al primo contatto» e della relativa Dashboard. Analizzare le caratteristiche dei casi che non vengono risolti al primo contatto può rivelare opportunità di formazione per gli agenti, miglioramenti della base di conoscenze o modifiche al processo. Perché è importante Misura direttamente l’efficienza e la soddisfazione dei clienti, poiché risolvere i problemi al primo tentativo è essenziale per offrire un’esperienza di assistenza positiva. Dove reperirli Campo calcolato, ricavato analizzando la sequenza di eventi di un caso. Un caso è FCR se viene risolto senza attività intermedie specifiche, come trasferimenti o riaperture. Esempi truefalse
	Tempo di risoluzione del servizio ServiceResolutionTime	Il tempo totale trascorso dal primo contatto del cliente fino alla risoluzione definitiva.
Descrizione Questa metrica misura la durata complessiva di una richiesta di assistenza, dal momento in cui il cliente avvia il contatto fino a quando il problema viene contrassegnato come risolto. È un indicatore chiave dell’efficienza complessiva del processo e dell’esperienza del cliente. Questo attributo calcolato è al centro della Dashboard «Tempi di risoluzione delle richieste di assistenza» e del KPI «Tempo medio di risoluzione del servizio». Analizzarne la distribuzione aiuta a individuare i casi di lunga durata e i ritardi sistemici. Perché è importante È un KPI fondamentale per misurare l’efficienza complessiva del processo e il suo impatto sull’esperienza del cliente. Dove reperirli Campo calcolato: timestamp dell’attività di risoluzione finale meno timestamp della prima attività di contatto con il cliente. Esempi 90010800172800
	Tempo obiettivo di risoluzione SLA SlaTargetResolutionTime	Il tempo obiettivo concordato contrattualmente per risolvere la richiesta di assistenza.
Descrizione Questo attributo definisce il tempo massimo consentito per risolvere una richiesta di assistenza, in base all’accordo sul livello del servizio (SLA). Costituisce il valore di riferimento per misurare i tempi effettivi di risoluzione. Questi dati sono essenziali per la Dashboard «Panoramica della conformità agli SLA» e per il KPI «Tasso di conformità agli SLA»: consentono all’organizzazione di monitorare le prestazioni rispetto agli impegni presi con i clienti e di individuare possibili violazioni prima che si verifichino. Perché è importante Fornisce il valore di riferimento per misurare la conformità agli SLA, un indicatore fondamentale delle prestazioni del servizio e del rispetto degli obblighi contrattuali. Dove reperirli Può essere memorizzato come attributo personalizzato della conversazione o ricavato applicando regole basate sulla coda, sul tipo di cliente o sul tipo di richiesta. Esempi 86400144003600
	Tipo di richiesta di assistenza ServiceRequestType	La classificazione della richiesta di assistenza, per esempio «Richiesta di informazioni», «Reclamo» o «Problema tecnico».
Descrizione Questo attributo classifica la richiesta di assistenza in base alla sua natura o finalità. Consente di segmentare l’analisi per capire come vengono gestiti i diversi tipi di richiesta. Per esempio, il flusso del processo e i tempi di risoluzione di un «Reclamo» possono differire notevolmente da quelli di una «Richiesta generica di informazioni». Questa dimensione è fondamentale per Dashboard come «Analisi delle escalation interne», che permette di verificare se alcuni tipi di richiesta vengono inoltrati più spesso a un livello superiore. Perché è importante Consente di segmentare il processo per confrontare la gestione dei diversi tipi di richiesta e individuare colli di bottiglia o inefficienze specifici. Dove reperirli Queste informazioni possono essere raccolte tramite una selezione IVR, una scelta del cliente in un modulo web o l’assegnazione da parte di un agente. In Genesys possono essere memorizzate come attributo del partecipante o codice di chiusura. Esempi Richiesta di informazioni sulla fatturazioneAssistenza tecnicaGestione del contoReclamo sul prodotto

Obbligatorio Consigliato Facoltativo

Attività del servizio clienti

Questi sono i passaggi e le tappe fondamentali del processo da registrare nell’Event Log per individuare correttamente il processo.

5 Consigliato 8 Facoltativo

	Attività	Descrizione
	Codice di chiusura assegnato	L’agente assegna all’interazione un codice di chiusura predefinito, detto anche codice di esito. In questo modo classifica esplicitamente il risultato della richiesta di assistenza, ad esempio come 'Risolta' o 'Inoltrata'.
Perché è importante I codici di chiusura sono una fonte primaria per determinare l’esito aziendale di una richiesta. Sono fondamentali per calcolare i tassi di risoluzione e suddividere i casi ai fini dell’analisi. Dove reperirli È un evento esplicito presente nei record dettagliati delle conversazioni, in genere nei dati della sessione del partecipante agente. Vengono registrati il codice wrapUp e il timestamp. Acquisizione Registrato quando un agente seleziona un codice di chiusura per l’interazione. Tipo di evento explicit
	Interazione accettata dall’agente	Indica il momento in cui un agente accetta l’interazione proposta e viene messo in contatto con il cliente. È una tappa fondamentale, perché segna l’inizio della gestione diretta della richiesta di assistenza.
Perché è importante Questa attività è essenziale per misurare la risoluzione al primo contatto e il tempo di gestione dell’agente. Segna l’inizio del lavoro dell’agente sulla richiesta. Dove reperirli Disponibile nei record dettagliati delle conversazioni. È identificata dal passaggio dello stato del partecipante agente a 'connected', accompagnato dal relativo timestamp. Acquisizione Registrato quando lo stato del partecipante agente passa a 'connected'. Tipo di evento explicit
	Interazione avviata	Questa attività segna l’inizio di un’interazione di assistenza clienti, ad esempio una chiamata in entrata, una chat o un’e-mail. Genesys Cloud CX registra esplicitamente questo evento quando viene creato un nuovo oggetto conversazione nel sistema.
Perché è importante È il principale evento di inizio del processo di richiesta di assistenza. È essenziale per calcolare il tempo totale di risoluzione e comprendere gli schemi della domanda dei clienti in entrata. Dove reperirli L’evento viene acquisito dai record dettagliati delle conversazioni. Corrisponde all’ora di inizio dell’oggetto conversazione, generalmente indicata dal timestamp conversationStart. Acquisizione Registrato quando viene avviata una nuova conversazione nel sistema. Tipo di evento explicit
	Interazione disconnessa	Questa attività segna la fine della conversazione, quando tutti i partecipanti si sono disconnessi. Spesso costituisce la chiusura tecnica dell’interazione relativa alla richiesta di assistenza.
Perché è importante È l’evento finale definitivo dell’interazione. È fondamentale per calcolare la durata totale dell’interazione e viene spesso utilizzato come indicatore della chiusura della richiesta. Dove reperirli L’evento viene acquisito dai record dettagliati delle conversazioni. Corrisponde all’ora di fine dell’oggetto conversazione, generalmente indicata dal timestamp conversationEnd. Acquisizione Registrato quando tutti i partecipanti si sono disconnessi e la conversazione termina. Tipo di evento explicit
	Interazione trasferita	Indica che un agente trasferisce un’interazione a un’altra coda o a un altro agente. Il trasferimento può essere diretto, con disconnessione immediata dell’agente, oppure con consultazione preliminare del destinatario.
Perché è importante Questa attività è essenziale per il KPI del tasso di escalation interna. Un numero elevato di trasferimenti può indicare esigenze di formazione, instradamento errato o processi complessi. Dove reperirli L’evento viene individuato nei record dettagliati delle conversazioni quando, dopo l’intervento dell’agente iniziale, viene aggiunto alla conversazione un nuovo partecipante ACD o agente, spesso in seguito a un evento 'transfer'. Acquisizione Individuato tramite un evento di trasferimento nei dati della sessione del partecipante. Tipo di evento explicit
	Conversazione instradata verso una coda	Indica il momento in cui una nuova interazione viene inserita in una coda specifica, in attesa che si liberi un agente. È un evento esplicito registrato dal motore di instradamento Genesys (ACD).
Perché è importante Monitorare questa attività è fondamentale per misurare i tempi di attesa in coda e individuare i colli di bottiglia nel processo di instradamento. Tempi lunghi tra questo evento e l’assegnazione dell’agente possono indicare problemi di organico o di logica di instradamento. Dove reperirli L’evento viene acquisito dai record dettagliati delle conversazioni, in particolare dai campi 'purpose' e 'state' del partecipante ACD nella conversazione. Il valore 'enterTime' della coda nell’array delle metriche indica il momento dell’evento. Acquisizione Registrato quando il motore di instradamento ACD inserisce una conversazione in una coda. Tipo di evento explicit
	Fine delle attività successive alla chiamata	Segna la fine del periodo dedicato alle attività successive alla chiamata per un agente. A questo punto, l’agente torna disponibile per gestire un’altra interazione.
Perché è importante Considerata insieme all’attività 'Inizio delle attività successive alla chiamata', questa attività consente di calcolare con precisione la durata della fase di chiusura e analizzare la produttività degli agenti e i costi operativi del processo. Dove reperirli Si deduce quando lo stato dell’agente passa da 'acw' a uno stato di disponibilità, ad esempio 'idle'. Viene utilizzato il timestamp di questo cambiamento di stato. Acquisizione Deducibile dal passaggio dello stato dell’agente da 'acw' a uno stato di disponibilità. Tipo di evento inferred
	Inizio delle attività successive alla chiamata	Questa attività segna l’inizio del periodo dedicato alle attività successive alla chiamata (ACW). L’agente si è disconnesso dal cliente e passa a uno stato specifico per completare attività come registrare note o aggiornare i 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 indicare processi inefficienti dopo l’interazione. Dove reperirli L’evento viene acquisito dai dati della sessione del partecipante agente. È registrato quando lo stato dell’agente passa a 'acw' dopo la disconnessione del partecipante cliente. Acquisizione Registrato quando lo stato del partecipante agente passa a 'acw'. Tipo di evento explicit
	Interazione messa in attesa	Questa attività viene registrata quando un agente mette il cliente in attesa durante un’interazione. Si tratta di un cambiamento di stato esplicito del partecipante agente nella conversazione.
Perché è importante Analizzare la frequenza e la durata delle attese può rivelare inefficienze nel processo, ad esempio quando gli agenti devono cercare spesso informazioni o consultare altre persone. Dove reperirli L’evento viene acquisito dai dati della sessione del partecipante agente nei record dettagliati delle conversazioni. Lo stato passa a 'held' e viene registrato un timestamp. Acquisizione Registrato quando lo stato del partecipante agente passa a 'held'. Tipo di evento explicit
	Interazione proposta all’agente	L’evento si verifica quando il sistema propone un’interazione a un agente specifico. Lo stato dell’agente diventa 'alerting' mentre il sistema attende che accetti o rifiuti la conversazione.
Perché è importante Questa attività consente di analizzare la reattività degli agenti e l’efficacia dell’algoritmo di instradamento. Eventuali ritardi successivi possono indicare che gli agenti non accettano tempestivamente le richieste. Dove reperirli L’evento si trova nei record dettagliati delle conversazioni, nei dati del partecipante corrispondente all’agente. La sessione del partecipante mostra una metrica con stato 'alerting' e il relativo timestamp. Acquisizione Registrato quando il motore di instradamento avvisa un agente di una nuova interazione. Tipo di evento explicit
	Interazione ripresa dall’attesa	Si verifica quando un agente riprende la conversazione dopo aver messo il cliente in attesa. L’evento segna la fine del periodo di attesa ed è registrato come cambiamento di stato.
Perché è importante Considerata insieme all’attività 'Interazione messa in attesa', questa attività consente di calcolare con precisione il tempo totale di attesa, un elemento importante del tempo complessivo di gestione e dell’esperienza del cliente. Dove reperirli Ricavato dai dati della sessione del partecipante agente quando il suo stato passa da 'held' a 'connected'. Acquisizione Registrato quando lo stato del partecipante agente passa da 'held' a 'connected'. Tipo di evento explicit
	Questionario sulla soddisfazione del cliente inviato	Questa attività si verifica quando, dopo la chiusura di un’interazione, viene inviato un questionario sulla soddisfazione del cliente (CSAT). Spesso l’invio viene avviato automaticamente dal sistema in base a regole predefinite.
Perché è importante Questa attività è necessaria per misurare il KPI della tempestività di invio dei questionari CSAT. Inviarli tempestivamente aiuta a raccogliere riscontri accurati mentre il cliente ricorda ancora bene la propria esperienza. Dove reperirli Queste informazioni sono in genere disponibili nei dati dei questionari o della gestione della qualità in Genesys Cloud CX e possono essere collegate all’ID della conversazione originale. Acquisizione Registrato dal modulo dei questionari quando ne viene inviato uno relativo a una conversazione specifica. Tipo di evento explicit
	Richiesta di assistenza riaperta	Indica che un cliente contatta nuovamente il centro assistenza per lo stesso problema poco dopo che era stato considerato risolto. Non è un evento esplicito, ma viene calcolato in base alla logica aziendale.
Perché è importante Monitorare le richieste riaperte è fondamentale per misurare il tasso di riapertura delle richieste di assistenza. Indica che la risoluzione iniziale non è stata efficace, con conseguenze sulla soddisfazione dei clienti e sull’efficienza operativa. Dove reperirli Questa attività viene dedotta individuando un nuovo evento 'Interazione avviata' per lo stesso cliente (ID cliente) e per un problema correlato, ad esempio lo stesso tipo di richiesta di assistenza, entro un intervallo di tempo predefinito dalla risoluzione dell’interazione precedente. Acquisizione Calcolato collegando una nuova interazione a una richiesta chiusa di recente, relativa allo stesso cliente e allo stesso problema. Tipo di evento calculated

Consigliato Facoltativo

Guide all’estrazione

Come ottenere i dati da Genesys Cloud CX

Passaggi

Acceda all’area di lavoro Analytics: acceda a Genesys Cloud CX. Apra il menu e selezioni Admin, quindi, nella sezione Analytics, scelga Workspace.
Crei una nuova visualizzazione: faccia clic sull’icona più per aggiungere una scheda e selezioni "Create a new view". Scelga "Interactions" come tipo di visualizzazione. Si aprirà l’editor della visualizzazione delle interazioni.
Definisca l’intervallo di date: nel pannello Filtri a sinistra, imposti l’intervallo di date e orari dei dati da estrarre. Per verificare il processo, è consigliabile iniziare con un intervallo breve, ad esempio una settimana.
Selezioni le colonne da esportare: questo è il passaggio più importante per preparare i dati. Faccia clic sul pulsante "Columns". Tra i campi disponibili, selezioni e aggiunga alla visualizzazione le colonne seguenti, che contengono i dati necessari per creare l’Event Log:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (campo complesso con dati nidificati relativi a operatori, code e clienti)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Applichi filtri aggiuntivi: se necessario, utilizzi il pannello Filtri per restringere i dati. Può filtrare per tipo di media (ad esempio voce, chat), Coda, direzione (in entrata/in uscita) o altre proprietà della conversazione, così da concentrarsi sul processo di richiesta di assistenza desiderato.
Salvi ed esegua la visualizzazione: salvi la visualizzazione con un nome descrittivo, ad esempio "Process Mining Service Request Export". Verranno caricati i dati corrispondenti ai criteri impostati.
Avvii l’esportazione: dopo aver caricato i dati nella visualizzazione, faccia clic sul pulsante "Export", generalmente rappresentato da un’icona di download. Selezioni "Export as CSV" oppure "Export as JSON". Per le prime elaborazioni, il formato CSV è spesso più pratico.
Scarichi il file esportato: l’esportazione viene eseguita in background. Può controllarne l’avanzamento selezionando Performance > My Exports. Al termine, scarichi il file sul sistema locale.
Trasformi i dati grezzi: il file esportato contiene una riga per conversazione, con i dati dei partecipanti e dei segmenti nidificati in un’unica colonna. Per separare questi dati, esegua uno script di trasformazione, come quello Python fornito nella sezione Query. Lo script analizza i dati grezzi e crea un nuovo file in cui ogni riga corrisponde a una singola attività, ad esempio "Agent Accepted Interaction" o "Hold Placed on Interaction".
Applichi la logica personalizzata: durante la trasformazione, implementi le regole specifiche dell’azienda. Ad esempio, l’attività "Service Request Re-Opened" deve essere calcolata analizzando le interazioni successive dello stesso cliente entro un intervallo di tempo definito.
Completi l’Event Log: lo script di trasformazione deve generare un file CSV con colonne nel formato richiesto da ProcessMind, tra cui ServiceRequest, ActivityName, EventTime e gli altri attributi. Verifichi che tutti i timestamp utilizzino un formato coerente.
Carichi i dati in ProcessMind: il file CSV trasformato è pronto per essere caricato nello strumento di Process Mining.

Configurazione

Autorizzazioni: il ruolo utente di Genesys Cloud CX deve includere l’autorizzazione Analytics > Conversation > View per accedere all’area di lavoro Analytics e creare visualizzazioni delle interazioni.
Intervallo di date: per la prima estrazione, utilizzi un periodo rappresentativo di 3-6 mesi. Nei contact center con volumi molto elevati, è consigliabile esportare i dati in blocchi più piccoli, ad esempio su base settimanale o mensile, per evitare di raggiungere i limiti del sistema e contenere le dimensioni dei file.
Filtri principali:
- Media Type: filtri i canali pertinenti al processo di assistenza clienti, ad esempio voice, chat o email.
- Coda: se il processo è gestito da team specifici, filtri in base agli ID delle code pertinenti, così da estrarre solo i dati relativi al processo desiderato.
- Direction: in genere, è opportuno filtrare le interazioni inbound per acquisire le richieste di assistenza avviate dai clienti.
Colonne da esportare: la colonna Participants è essenziale perché contiene la cronologia dettagliata degli eventi relativi agli operatori e alle code. Senza questa colonna non è possibile estrarre le singole attività. Si assicuri di includere anche Conversation ID, Conversation Start e Conversation End.
Considerazioni sulle prestazioni: l’esportazione di molte colonne o di un intervallo di date molto esteso può richiedere parecchio tempo. Se il processo non riesce o scade, riduca l’intervallo di date e riprovi. Genesys Cloud consente di esportare circa 1 milione di conversazioni per processo.

a Query di esempio 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}")

Passaggi

Prerequisiti e configurazione: verifichi di avere installato Python 3.8 o versioni successive, insieme alle librerie pandas e purecloud-platform-client-v2. Può installarle con pip: pip install pandas purecloud-platform-client-v2.
Crei un client OAuth Genesys Cloud: acceda all’account amministratore di Genesys Cloud CX. Selezioni Integrations > OAuth e crei un nuovo client con il tipo di concessione 'Client Credentials'. Assegni un ruolo che includa l’autorizzazione analytics:conversationDetail:view.
Configuri le credenziali dello script: salvi il Client ID e il Client Secret del passaggio precedente. Nello script Python riportato di seguito, sostituisca i valori segnaposto di CLIENT_ID, CLIENT_SECRET e GENESYS_CLOUD_REGION con le proprie credenziali.
Definisca l’intervallo di estrazione: individui nello script la variabile query_body. Modifichi il valore di interval per specificare l’intervallo di date e orari dei dati da estrarre. Per i test, è consigliabile iniziare con un intervallo breve, ad esempio un solo giorno.
Esegua lo script Python: avvii lo script dal terminale con python your_script_name.py. Lo script effettuerà l’autenticazione con l’API Genesys Cloud, invierà una richiesta di analisi asincrona e stamperà l’ID del processo.
Controlli l’esecuzione del processo: lo script interrogherà automaticamente l’API ogni 15 secondi per verificarne lo stato. Gli aggiornamenti verranno visualizzati nella console. A seconda del volume di dati richiesto, l’operazione può richiedere diversi minuti o più.
Elabori e trasformi i dati: al termine del processo, lo script scaricherà i dati JSON risultanti. Esaminerà quindi ogni record di conversazione e analizzerà i dati relativi a partecipanti, sessioni e segmenti per individuare e strutturare le attività e gli attributi principali.
Gestisca gli eventi calcolati: lo script include una fase di post-elaborazione per individuare gli eventi 'Service Request Re-Opened'. Questa logica, che può personalizzare, verifica se lo stesso cliente avvia nuove interazioni entro un intervallo di tempo specificato dalla risoluzione di un’interazione precedente.
Generi l’Event Log: i dati trasformati vengono raccolti in un DataFrame pandas, strutturato come un Event Log per il Process Mining.
Esporti il file CSV finale: lo script salva il DataFrame finale in un file CSV denominato genesys_event_log.csv, formattato per il caricamento diretto nella piattaforma ProcessMind.

Configurazione

Credenziali API: per l’autenticazione sono necessari un Client ID e un Client Secret OAuth, da creare nell’interfaccia di amministrazione di Genesys Cloud CX.
Autorizzazioni API: il ruolo associato al client OAuth deve includere l’autorizzazione analytics:conversationDetail:view per accedere ai dati delle conversazioni necessari.
Intervallo di estrazione: il parametro interval nel corpo della query API definisce l’intervallo di date da estrarre. Negli ambienti di grandi dimensioni, è consigliabile eseguire l’estrazione in blocchi sequenziali più piccoli, ad esempio una settimana alla volta, per evitare timeout dell’API e gestire l’utilizzo della memoria.
Filtri sui dati: il corpo della query API può essere modificato per includere conversationFilters, segmentFilters o evaluationFilters e restringere l’ambito dell’estrazione. Ad esempio, può filtrare per uno specifico queueId o mediaType per concentrarsi su una parte del processo di assistenza clienti.
Logica di riapertura: l’intervallo di tempo utilizzato per individuare un evento 'Service Request Re-Opened' è configurabile nello script. Il valore predefinito è 72 ore, ma va adeguato alle regole aziendali.
Ambiente: per eseguire lo script è necessario un ambiente Python locale con l’SDK e le librerie richieste. Non occorre accedere direttamente 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()

Passaggi

Verifichi che l’organizzazione Genesys Cloud CX disponga delle funzionalità di integrazione EventBridge richieste, delle autorizzazioni amministrative appropriate e dell’accesso agli eventi delle conversazioni; verifichi inoltre che l’account AWS possa ricevere gli eventi. Concordi con il responsabile dei sistemi la Regione AWS di destinazione, il bus di eventi EventBridge e gli eventuali filtri per organizzazione, divisione, coda o tipo di media.
In Genesys Cloud CX, configuri l’integrazione AWS EventBridge in base all’interfaccia di amministrazione attualmente disponibile e alla documentazione d’integrazione della Sua organizzazione. Selezioni l’account AWS, la Regione, il bus di eventi e le categorie di eventi delle conversazioni necessarie per monitorare in dettaglio il ciclo di vita delle interazioni. Poiché le voci di menu di Genesys Cloud e gli schemi degli eventi disponibili possono variare in base all’organizzazione e alla versione, utilizzi [Configuri in base al Suo sistema] per i percorsi o le impostazioni specifici dell’organizzazione.
Configuri AWS EventBridge per ricevere gli eventi Genesys Cloud sul bus di eventi selezionato. Applichi il principio del privilegio minimo e configuri, ove supportati, crittografia, conservazione, monitoraggio e una destinazione per gli eventi non recapitabili. Crei una regola che inoltri gli eventi necessari al sistema utilizzato dal data lake, dal data warehouse, dal processore di flussi o dall’area di archiviazione degli oggetti.
Acquisisca i payload grezzi di EventBridge senza modificarne timestamp o identificatori originali. In [Archiviazione degli eventi grezzi] memorizzi il payload, il timestamp di acquisizione, il tipo di evento, l’origine, il tipo di dettaglio e i metadati di consegna. Conservi il payload originale, così da poter verificare nuovamente le mappature quando cambiano gli schemi di Genesys Cloud.
Crei in Python una fase di normalizzazione che legga i payload grezzi, individui l’identificatore della conversazione, i dettagli di partecipanti e sessioni, le informazioni sulle code e sugli operatori, il tipo di media, i dati di chiusura e i timestamp degli eventi, quindi generi una riga normalizzata per ogni attività esplicita. Utilizzi i percorsi dei campi effettivamente presenti negli esempi di eventi ricevuti dall’organizzazione. Non deduca attività non rappresentate da un evento esplicito o da una transizione di stato.
Mappi le variazioni esplicite dello stato di conversazioni e partecipanti in Genesys Cloud ai valori ActivityName richiesti. Generi Interaction Started quando è presente l’evento di creazione della conversazione; Conversation Routed to Queue quando è presente l’evento di instradamento; Agent Offered Interaction quando lo stato dell’operatore è di avviso; Agent Accepted Interaction quando l’operatore accetta o si connette; Hold Placed on Interaction e Hold Removed from Interaction per le rispettive transizioni di attesa; Interaction Transferred in presenza di un evento esplicito di trasferimento; After-Call Work Started e After-Call Work Ended per le transizioni ACW esplicite; Wrap-Up Code Assigned quando è presente l’assegnazione di un codice di chiusura; Interaction Disconnected quando si disconnette la conversazione o la sessione finale del partecipante pertinente.
Gestisca separatamente Service Request Re-Opened e Customer Satisfaction Survey Sent. Gli eventi delle conversazioni EventBridge non forniscono necessariamente nessuna delle due attività come evento diretto della conversazione. Se l’organizzazione dispone di una fonte esplicita per gli eventi dei sondaggi, la includa solo quando l’evento viene effettivamente ricevuto. Calcoli Service Request Re-Opened esclusivamente in un processo separato e documentato basato su regole aziendali, quindi aggiunga la riga risultante all’Event Log. ProcessMind non calcola né deduce questa attività.
Compili ServiceRequest con l’identificatore stabile della richiesta di assistenza o della conversazione scelto in base alla mappatura aziendale. Imposti ActivityName su un’unica etichetta di attività richiesta, EventTime sul timestamp di inizio dell’attività, EventEndTime quando disponibile, SourceSystem su Genesys Cloud CX e AWS EventBridge e LastDataUpdate sul timestamp di aggiornamento dell’estrazione. Compili gli attributi facoltativi quando sono disponibili; altrimenti, li lasci NULL.
Elimini i duplicati utilizzando l’identificatore dell’evento del fornitore, se disponibile, oppure una chiave composta documentata che includa ServiceRequest, ActivityName, EventTime, l’identificatore del partecipante o dell’operatore e l’identificatore dell’evento di origine. Tenga conto dei nuovi tentativi di EventBridge e della consegna fuori sequenza. Non elimini le ripetizioni legittime di attese, trasferimenti, offerte o altre attività distinte.
Convalidi i dati normalizzati confrontandoli con il numero di payload grezzi, i timestamp degli eventi, gli identificatori delle conversazioni, i dettagli di code e operatori e l’elenco completo delle attività. Esporti un file semplice o carichi una tabella con le colonne obbligatorie ServiceRequest, ActivityName, EventTime, SourceSystem e LastDataUpdate, oltre alle colonne consigliate quando disponibili. Verifichi che i timestamp utilizzino un fuso orario e un formato coerenti e accettati da ProcessMind, quindi carichi l’Event Log come input per il processo di richiesta di assistenza.

Configurazione

Integrazione e destinazione: configuri l’integrazione Genesys Cloud CX con AWS EventBridge per l’account AWS, la Regione e il bus di eventi di destinazione. Per le impostazioni specifiche dell’organizzazione non definite dagli esempi di eventi disponibili, utilizzi [Configuri in base al Suo sistema].
Ambito degli eventi: si iscriva agli eventi dettagliati di conversazioni, partecipanti, sessioni, instradamento, variazioni di stato, trasferimenti, disconnessioni, chiusura e ACW disponibili nell’organizzazione Genesys Cloud. Prima della messa in produzione, verifichi i tipi di evento esatti e i percorsi dei payload con un’interazione di prova controllata.
Identificatore del caso: utilizzi per ServiceRequest l’identificatore stabile della conversazione o della richiesta di assistenza scelto in base alla mappatura aziendale. Se un altro sistema contiene un identificatore distinto per la richiesta di assistenza, mantenga un riferimento incrociato documentato tra tale identificatore e quello della conversazione Genesys Cloud.
Intervallo di date: per l’analisi dei processi, inizi con 3-6 mesi di dati storici. Per l’operatività quasi in tempo reale, utilizzi un intervallo breve tra i controlli o i checkpoint di streaming e conservi un livello grezzo che consenta di ripetere l’elaborazione. In caso di interruzioni, utilizzi una finestra di sovrapposizione e rimuova poi i duplicati in base all’identificatore dell’evento del fornitore.
Filtri: applichi solo filtri specifici dell’organizzazione che siano stati verificati, ad esempio per divisione, coda, tipo di media, unità aziendale o data dell’interazione. Non applichi filtri Company Code o Document Type, a meno che tali concetti non provengano da una fonte integrata e siano mappati esplicitamente nell’ambiente.
Gestione dei timestamp: conservi il timestamp dell’evento di origine in EventTime. Memorizzi separatamente l’ora di acquisizione o aggiornamento in LastDataUpdate. Normalizzi tutti i timestamp secondo un fuso orario documentato, preferibilmente UTC, mantenendo l’offset originale quando necessario ai fini di audit.
Attributi facoltativi: AgentId e AgentName possono essere ricavati dai dettagli del partecipante o dell’utente, QueueName dai dati di instradamento, WrapUpCode dai dati di chiusura, MediaType dal canale della conversazione o della sessione ed EventEndTime da una transizione di fine esplicita o dalla durata indicata dalla fonte.
Prestazioni: partizioni i dati grezzi e normalizzati per data dell’evento e, se supportato, per organizzazione o divisione. Elabori i dati in modo incrementale utilizzando un checkpoint EventBridge. Raggruppi le scritture nel data warehouse o nel data lake, monitori i ritardi ed eviti di esaminare ripetutamente l’intera cronologia.
Affidabilità: configuri la gestione dei nuovi tentativi, l’elaborazione degli eventi non recapitabili, le procedure di ripetizione, il rilevamento dei duplicati e il monitoraggio degli errori di consegna, delle modifiche agli schemi e dei ritardi degli eventi.
Prerequisiti: autorizzazioni di amministratore o d’integrazione Genesys Cloud, autorizzazioni AWS EventBridge, accesso al bus di eventi selezionato e all’archiviazione a valle, autorizzazione a leggere i dettagli delle conversazioni e le eventuali funzionalità o licenze Genesys Cloud richieste dall’integrazione degli eventi dell’organizzazione. Prima di archiviare i dati delle conversazioni, verifichi i requisiti di conservazione e privacy.

a Query di esempio 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)

È pronto a iniziare?

Sfrutti appieno il potenziale delle attività di assistenza clienti. Seguendo questo template, potrà individuare informazioni utili e migliorare l’efficienza.

Torna alla guida al miglioramento Scarica il template

Riduca i contatti ripetuti: migliori oggi il servizio clienti!

Migliori il CSAT e raggiunga facilmente l’80% di risoluzione al primo contatto.

Inizi la prova gratuita

Non è richiesta la carta di credito. Attivi la prova in pochi minuti.

Il template dei dati per il servizio clienti

Il template dei dati per il servizio clienti

Attributi del servizio clienti

Attività del servizio clienti

Guide all’estrazione

Esportazione dei dettagli delle conversazioni da Genesys Cloud Analytics

Passaggi

Configurazione

a Query di esempio python

Script Python con l’API Genesys Cloud Platform

Passaggi

Configurazione

a Query di esempio python

Trasmissione degli eventi tramite integrazione con AWS EventBridge

Passaggi

Configurazione

a Query di esempio python

È pronto a iniziare?

Riduca i contatti ripetuti: migliori oggi il servizio clienti!

Il template dei dati per il servizio clienti

Il template dei dati per il servizio clienti

Attributi del servizio clienti

Attività del servizio clienti

Guide all’estrazione

Esportazione dei dettagli delle conversazioni da Genesys Cloud Analytics

Passaggi

Configurazione

a Query di esempio python

Script Python con l’API Genesys Cloud Platform

Passaggi

Configurazione

a Query di esempio python

Trasmissione degli eventi tramite integrazione con AWS EventBridge

Passaggi

Configurazione

a Query di esempio python

È pronto a iniziare?

Riduca i contatti ripetuti: migliori oggi il servizio clienti!

La Sua privacy è importante