> Continu verbeteren van processen > Klantenservice > Genesys Cloud CX > Datatemplate

Datatemplate voor klantenservice

Genesys Cloud CX

Attributen voor klantenservice(19) Activiteiten in de klantenservice(13) Extractiegidsen(3)

Datatemplate voor klantenservice

Deze template laat zien welke data je nodig hebt om het klantenserviceproces te analyseren en te verbeteren. Je vindt er aanbevolen attributen, belangrijke activiteiten om bij te houden en praktische uitleg over het ophalen van deze gegevens uit bronsystemen. Gebruik de template om een bruikbaar event log op te bouwen voor process mining.

Aanbevolen attributen om te verzamelen
Belangrijke activiteiten om bij te houden
Uitleg over data-extractie

Nieuw met event logs? Lees hoe je een event log voor process mining maakt.

Template downloaden

Attributen voor klantenservice

Dit zijn de aanbevolen datavelden voor je event log, zodat je de klantenservice goed kunt analyseren.

5 Verplicht 6 Aanbevolen 8 Optioneel

	Naam	Beschrijving
	Activiteitnaam ActivityName	De naam van de specifieke gebeurtenis of taak die op een bepaald moment in de levenscyclus van het serviceverzoek plaatsvond.
Beschrijving Dit attribuut beschrijft een specifieke stap of statuswijziging in het klantenserviceproces. Elke activiteit staat voor een afzonderlijke gebeurtenis, zoals 'Interactie door agent geaccepteerd' of 'Afrondcode toegewezen'. De volgorde en frequentie van activiteiten analyseren is essentieel voor process mining. Zo kun je processtromen zichtbaar maken, afwijkingen vinden en bottlenecks of inefficiënte stappen opsporen. Waarom dit belangrijk is Activiteiten vormen de basis van de proceskaart. Daarmee kun je de werkelijke processtroom zichtbaar maken en vergelijken met de ontworpen processtroom. Waar vind je dit? Meestal wordt deze naam bepaald door systeemgebeurtenissen, agentstatussen of specifieke vermeldingen in het auditspoor van Genesys Cloud CX te koppelen aan gestandaardiseerde activiteitnamen. Voorbeelden Interactie gestartInteractie door agent geaccepteerdNawerk na gesprek beëindigdServiceverzoek heropend
	Serviceverzoek ServiceRequest	De belangrijkste identificatie voor een klantinteractie, waarmee alle bijbehorende activiteiten aan elkaar worden gekoppeld.
Beschrijving Het serviceverzoek, ook wel ticket of case genoemd, is de belangrijkste identificatie voor één klantvraag of probleem. Het groepeert alle bijbehorende gebeurtenissen, van het eerste contact tot de uiteindelijke oplossing, in één procesinstantie. Door serviceverzoeken te analyseren, krijg je een volledig beeld van de klantreis en de interne afhandeling. Dit vormt de basis voor het berekenen van belangrijke metrieken, zoals de totale afhandeltijd en het percentage oplossingen bij het eerste contact. Waarom dit belangrijk is Dit is de Case-ID die alle processtappen met elkaar verbindt. Zo kun je elke klantinteractie van begin tot eind analyseren. Waar vind je dit? Dit is de conceptuele case-identificatie. In Genesys komt deze vaak overeen met de Conversation ID, maar afhankelijk van de implementatie kan het ook een aangepaste identificatie zijn. Voorbeelden SR-20240521-00123SR-20240521-00124SR-20240522-00001
	Starttijd EventTime	De timestamp die aangeeft wanneer een activiteit of gebeurtenis is gestart.
Beschrijving Dit attribuut bevat de exacte datum en tijd waarop elke activiteit plaatsvond. Het is nodig om gebeurtenissen in de juiste volgorde te zetten en vormt de basis voor alle tijdsanalyses. Met de starttijd bouw je de processtroom chronologisch op en bereken je de duur, wachttijden en doorlooptijden tussen activiteiten. Nauwkeurige timestamps zijn belangrijk voor betrouwbare procesanalyses en prestatiemonitoring. Waarom dit belangrijk is Deze timestamp zet alle activiteiten in chronologische volgorde. Zo kun je processtromen, doorlooptijden en bottlenecks nauwkeurig analyseren. Waar vind je dit? Te vinden in event logs of interactiedetails in Genesys Cloud CX. Vaak is de timestamp gekoppeld aan elke geregistreerde systeem- of gebruikersgebeurtenis. Voorbeelden 2024-05-21T10:00:15Z2024-05-21T10:02:30Z2024-05-21T10:15:00Z
	Bronsysteem SourceSystem	Het systeem waaruit de data is gehaald.
Beschrijving Dit attribuut geeft aan uit welk systeem de gebeurtenisdata komt, in dit geval Genesys Cloud CX. In omgevingen met meerdere gekoppelde systemen is dit veld belangrijk om de herkomst van data te volgen, problemen op te lossen en de context te begrijpen. Zo weet je zeker dat de analyse op de juiste databron is gebaseerd. Je kunt de data ook filteren of indelen wanneer meerdere systemen bijdragen aan één procesweergave. Waarom dit belangrijk is Geeft aan waar de data vandaan komt. Dit is belangrijk voor databeheer, validatie en het samenvoegen van data uit meerdere systemen. Waar vind je dit? Dit is meestal een vaste waarde die tijdens het extraheren en omzetten van de data wordt toegevoegd om de herkomst van de records aan te geven. Voorbeelden Genesys Cloud CXGenesysCloudCX_US1Genesys
	Laatste data-update LastDataUpdate	De timestamp van de meest recente data-update.
Beschrijving Dit attribuut geeft aan wanneer de dataset voor het laatst is bijgewerkt vanuit het bronsysteem. Zo zie je hoe actueel de data is die je analyseert. Dat is belangrijk om op tijd de juiste zakelijke beslissingen te nemen. Toon deze informatie duidelijk op dashboards en in rapporten, zodat gebruikers weten hoe actueel de data is en kunnen beoordelen of de inzichten nog kloppen. Waarom dit belangrijk is Geeft aan hoe actueel de data is, zodat analyses en beslissingen op recente informatie zijn gebaseerd. Waar vind je dit? Deze waarde wordt gegenereerd en aan de dataset toegevoegd wanneer de data wordt geëxtraheerd of in de process mining-tool wordt geladen. Voorbeelden 2024-05-23T04:00:00Z2024-05-24T04:00:00Z
	Afsluitcode WrapUpCode	Een code die een agent aan het einde van een interactie toewijst om de uitkomst of het onderwerp te categoriseren.
Beschrijving De afsluitcode is een label waarmee een agent de aard of afhandeling van een klantinteractie vastlegt. Deze codes geven gestructureerde informatie over de reden waarom klanten contact opnemen met de supportafdeling. Door afsluitcodes te analyseren, zie je welke problemen vaak voorkomen, hoe vaak verzoeken worden opgelost en welke vragen regelmatig terugkomen. Deze data helpt bij oorzaakanalyse en bij het in kaart brengen van de vraag naar service. Waarom dit belangrijk is Categoriseert de uitkomst van een interactie. De gestructureerde data helpt bij het analyseren van veelvoorkomende problemen, de effectiviteit van oplossingen en contactredenen. Waar vind je dit? Beschikbaar in de gespreksdetailrecords van Genesys Cloud CX, met name in de sessiedetails van agentdeelnemers. Voorbeelden Wachtwoord opnieuw instellenFactuurgeschil opgelostInformatie over product aangevraagdDoorgestuurd naar tweedelijnsondersteuning
	Agent-ID AgentId	De unieke identificatiecode van de agent die de interactie of activiteit heeft afgehandeld.
Beschrijving De Agent-ID is een unieke sleutel voor elke medewerker van de klantenservice. Dit attribuut is nodig om de prestaties, werkverdeling en efficiëntie van agents te analyseren. Je kunt de proceskaart filteren om te zien hoe specifieke agents of teams verzoeken afhandelen. Vergelijk bijvoorbeeld hun doorlooptijd, percentage herstelwerk en naleving van standaardprocedures. Dit attribuut vormt de basis voor het dashboard 'Agentprestaties en efficiëntie'. Waarom dit belangrijk is Dit attribuut koppelt procesactiviteiten aan specifieke medewerkers. Zo kun je individuele prestaties, werkbelasting en teamefficiëntie analyseren. Waar vind je dit? Beschikbaar in de gespreksdetailrecords van Genesys Cloud CX, gekoppeld aan de gebruiker die een specifiek deel van de interactie heeft afgehandeld. Voorbeelden a1b2c3d4-e5f6-7890-1234-567890abcdeff0e9d8c7-b6a5-4321-fedc-ba0987654321
	Agentnaam AgentName	De volledige naam van de agent die de interactie of activiteit heeft afgehandeld.
Beschrijving De Agentnaam is een leesbare identificatie van de servicemedewerker en hoort bij de Agent-ID. Dit attribuut maakt dashboards en rapporten duidelijker voor managers en teamleiders. Het wordt veel gebruikt om prestaties te beoordelen, opleidingsbehoeften vast te stellen en de werkbelasting eerlijk te verdelen, zonder systeem-ID's te hoeven opzoeken. Waarom dit belangrijk is Geeft de agent een herkenbare naam, zodat je prestaties makkelijker kunt analyseren en bevindingen kunt bespreken zonder technische ID's te gebruiken. Waar vind je dit? Opgehaald uit de Users- of Directory-service in Genesys Cloud CX door de AgentId op te zoeken. Voorbeelden Jan JansenJanneke de VriesPieter Jansen
	Communicatiekanaal MediaType	Het communicatiekanaal voor de interactie, zoals telefoon, chat of e-mail.
Beschrijving Dit attribuut geeft aan via welk kanaal de klant en de agent contact hadden. Veelgebruikte kanalen zijn telefoon, chat, e-mail en sociale media. Door prestaties per kanaal te analyseren, zoals in het dashboard 'Prestaties per communicatiekanaal', zie je hoeveel contacten er per kanaal zijn, hoe lang de afhandeling duurt en hoe tevreden klanten zijn. Deze informatie helpt bij het bepalen van de kanaalstrategie en de verdeling van middelen. Waarom dit belangrijk is Door het proces per communicatiekanaal op te splitsen, zie je hoe de prestaties, het klantgedrag en de benodigde middelen per kanaal verschillen. Waar vind je dit? Een standaardveld in de gespreksdetailrecords van Genesys Cloud CX. Voorbeelden telefoonchate-mailbericht
	Eindtijd EventEndTime	De timestamp waarop een activiteit of gebeurtenis eindigde.
Beschrijving Dit attribuut registreert het exacte moment waarop een activiteit eindigt. Samen met de Starttijd maakt het een nauwkeurige berekening mogelijk van de duur van elke afzonderlijke activiteit. Door activiteitenduren te analyseren, zie je welke processtappen de meeste tijd kosten. Zo vind je inefficiënties en mogelijkheden voor optimalisatie. Denk bijvoorbeeld aan lange wachttijden bij 'Hold Placed on Interaction' of een lange duur van 'After-Call Work'. Waarom dit belangrijk is Maakt het mogelijk om de duur van afzonderlijke activiteiten nauwkeurig te berekenen. Zo zie je welke stappen veel tijd kosten en waar de bottlenecks zitten. Waar vind je dit? Te vinden in event logs of interactiedetails in Genesys Cloud CX. Je kunt de eindtijd ook afleiden uit de starttijd van de volgende gebeurtenis. Voorbeelden 2024-05-21T10:02:30Z2024-05-21T10:15:00Z2024-05-21T10:18:45Z
	Wachtrijnaam QueueName	De naam van de wachtrij waarnaar de interactie is doorgestuurd.
Beschrijving Dit attribuut geeft aan in welke wachtrij een interactie heeft gewacht voordat deze aan een agent werd toegewezen. Analyse op basis van de wachtrijnaam is belangrijk voor het dashboard 'Bottlenecks in servicewachtrijen opsporen'. Managers zien hiermee hoe het werk is verdeeld over verschillende vaardigheidsgroepen of servicelijnen. Ook kunnen ze wachttijden per wachtrij meten en zien welke wachtrijen structureel te weinig bezetting hebben of overbelast zijn. Deze informatie helpt om middelen beter te verdelen en wachttijden voor klanten te verkorten. Waarom dit belangrijk is Laat zien waar serviceverzoeken wachten op toewijzing. Zo kun je bottlenecks opsporen en de werkverdeling analyseren. Waar vind je dit? Beschikbaar in de gespreksdetailrecords van Genesys Cloud CX. Een interactie kan door een of meer wachtrijen lopen. Voorbeelden Eerstelijnsondersteuning - telefoonVragen over facturen - chatTechnische ondersteuning - e-mail
	CSAT-score CustomerSatisfactionScore	De tevredenheidsscore die de klant invult in een enquête na de interactie.
Beschrijving De klanttevredenheidsscore, of CSAT, meet hoe de klant de ontvangen service heeft ervaren. Meestal wordt deze verzameld via een enquête nadat de interactie is afgesloten. Door CSAT-scores naast procesdata te leggen, zie je hoe procesvarianten, doorlooptijden of specifieke agents de klanttevredenheid beïnvloeden. Dit is een belangrijke uitkomstmaat om het totale proces te beoordelen. Waarom dit belangrijk is Meet rechtstreeks de klanttevredenheid. Zo kun je het verband analyseren tussen procesprestaties en de ervaring van klanten. Waar vind je dit? Deze data komt meestal uit de module Quality Management van Genesys Cloud CX of uit een externe enquêtetool die met Genesys is geïntegreerd. Voorbeelden 5413
	Doorlooptijd serviceverzoek ServiceResolutionTime	De totale tijd vanaf het eerste contact met de klant tot de definitieve oplossing.
Beschrijving Deze metriek meet de totale duur van een serviceverzoek, vanaf het moment waarop de klant contact opneemt tot het moment waarop het probleem als opgelost wordt gemarkeerd. Dit is een belangrijke prestatie-indicator voor de efficiëntie van het proces en de klantervaring. Dit berekende attribuut staat centraal in het dashboard 'Doorlooptijd serviceverzoeken' en de KPI 'Gemiddelde doorlooptijd serviceverzoeken'. Door de spreiding te analyseren, vind je langlopende cases en structurele vertragingen. Waarom dit belangrijk is Dit is een belangrijke KPI om de totale procesefficiëntie en de invloed daarvan op de klantervaring te meten. Waar vind je dit? Berekend veld: timestamp van de laatste oplossingsactiviteit min de timestamp van de eerste klantcontactactiviteit. Voorbeelden 90010800172800
	Gespreks-ID ConversationId	De unieke identificatiecode die Genesys aan een volledig gesprek toekent.
Beschrijving De Gespreks-ID is de belangrijkste technische sleutel in Genesys Cloud CX. Hiermee worden alle bijbehorende interacties, segmenten en deelnemers van één klantgesprek gegroepeerd. Het conceptuele 'Service Request' wordt gebruikt als Case-ID, maar de Gespreks-ID is de onderliggende sleutel waarmee je alle bijbehorende data uit de Genesys-API's ophaalt. Deze is nodig voor data-extractie, het samenvoegen van datasets en de technische validatie van procesdata. Waarom dit belangrijk is Dit is de belangrijkste technische sleutel in Genesys. Je hebt deze nodig voor data-extractie, probleemoplossing en het terugzoeken van gegevens in het bronsysteem. Waar vind je dit? Dit is een belangrijk veld in alle analyse- en gespreks-API's van Genesys Cloud CX. Voorbeelden d8a7c6b5-e4f3-2109-8765-fedcba098765c7b6a5d4-f3e2-1098-7654-edcbaf987654
	Heropend IsReopened	Een indicator die aangeeft of een opgelost serviceverzoek later opnieuw is geopend.
Beschrijving Dit booleaanse attribuut markeert serviceverzoeken die eerst als opgelost of gesloten zijn gemarkeerd, maar later weer actief werden. Heropende cases wijzen er vaak op dat de eerste oplossing niet goed of niet volledig was. Dat kan leiden tot ontevreden klanten en extra werk. Dit attribuut voedt het dashboard 'Trends in heropende serviceverzoeken' en de KPI 'Percentage heropende serviceverzoeken'. Door deze cases te analyseren, vind je de oorzaken van ineffectieve oplossingen. Waarom dit belangrijk is Laat zien waar de afhandeling tekortschiet. Zo komen problemen met de kwaliteit van oplossingen aan het licht, net als extra herstelwerk en een slechtere klantervaring. Waar vind je dit? Berekend veld, afgeleid door een activiteit te detecteren die de case opnieuw activeert nadat de activiteit 'Service Request Resolved' heeft plaatsgevonden. Voorbeelden truefalse
	Opgelost bij eerste contact IsFirstContactResolution	Een indicator die aangeeft of het serviceverzoek tijdens één interactie is opgelost.
Beschrijving Dit booleaanse attribuut geeft aan welke cases tijdens het eerste contact zijn opgelost, zonder vervolgcontact met de klant of interne overdracht. De waarde 'true' staat voor een efficiënte oplossing in één keer. Dit attribuut vormt de basis voor de KPI 'Oplossingspercentage bij eerste contact' en het bijbehorende dashboard. Door te analyseren waarom cases niet bij het eerste contact worden opgelost, vind je mogelijkheden voor agenttraining, verbeteringen aan de kennisbank of aanpassingen in het proces. Waarom dit belangrijk is Meet de efficiëntie en klanttevredenheid. Problemen bij het eerste contact oplossen draagt sterk bij aan een goede service-ervaring. Waar vind je dit? Berekend veld, afgeleid door de gebeurtenisvolgorde van een case te analyseren. Een case telt als FCR wanneer deze is opgelost zonder bepaalde tussenliggende activiteiten, zoals overdrachten of heropeningen. Voorbeelden truefalse
	SLA-streeftijd voor oplossing SlaTargetResolutionTime	De contractueel afgesproken streeftijd voor het oplossen van het serviceverzoek.
Beschrijving Dit attribuut bepaalt hoeveel tijd er volgens de Service Level Agreement (SLA) maximaal is om een serviceverzoek op te lossen. De streeftijd is de norm waarmee je de werkelijke doorlooptijd vergelijkt. Deze data is nodig voor het dashboard 'Overzicht SLA-naleving' en de KPI 'SLA-nalevingspercentage'. Zo kan de organisatie de prestaties toetsen aan de afspraken met klanten en mogelijke overschrijdingen op tijd signaleren. Waarom dit belangrijk is Geeft de norm voor SLA-naleving. Dit is een belangrijke indicator voor de serviceprestaties en het nakomen van contractuele afspraken. Waar vind je dit? Dit kan worden opgeslagen als aangepast attribuut bij het gesprek of worden afgeleid uit regels op basis van de wachtrij, het klanttype of het type verzoek. Voorbeelden 86400144003600
	Type serviceverzoek ServiceRequestType	De categorie van het serviceverzoek, zoals 'Vraag', 'Klacht' of 'Technisch probleem'.
Beschrijving Dit attribuut deelt serviceverzoeken in op basis van hun aard of doel. Zo kun je de analyse opsplitsen en zien hoe verschillende soorten verzoeken worden afgehandeld. De processtappen en doorlooptijd van een 'Klacht' kunnen bijvoorbeeld sterk verschillen van die van een 'Algemene vraag'. Deze dimensie is belangrijk voor dashboards zoals 'Analyse van interne escalaties'. Daarmee zie je of bepaalde soorten verzoeken vaker worden geëscaleerd. Waarom dit belangrijk is Maakt het mogelijk het proces op te splitsen en te vergelijken hoe verschillende soorten verzoeken worden afgehandeld. Zo vind je bottlenecks en inefficiënties die bij een bepaald type horen. Waar vind je dit? Deze informatie kan worden vastgelegd via een keuze in een IVR, een selectie van de klant op een webformulier of een toewijzing door een agent. In Genesys kan de informatie worden opgeslagen als deelnemersattribuut of afsluitcode. Voorbeelden Vraag over factuurTechnische ondersteuningAccountbeheerProductklacht
	Voldoet aan SLA IsSlaCompliant	Een indicator die aangeeft of het serviceverzoek binnen de SLA-streeftijd is opgelost.
Beschrijving Dit booleaanse attribuut geeft aan of een serviceverzoek binnen de streeftijd is opgelost. De waarde wordt berekend door 'ServiceResolutionTime' te vergelijken met 'SlaTargetResolutionTime'. Deze indicator vereenvoudigt de analyse en visualisatie in het dashboard 'Overzicht SLA-naleving' en vormt de basis voor de KPI 'SLA-nalevingspercentage'. Je kunt cases die wel en niet aan de SLA voldoen snel filteren en vergelijken om patronen in SLA-overschrijdingen te vinden. Waarom dit belangrijk is Maakt de analyse van SLA-prestaties eenvoudiger door per case duidelijk aan te geven of de SLA is gehaald of overschreden. Zo kun je de oorzaken van overschrijdingen onderzoeken. Waar vind je dit? Berekend veld: True als ServiceResolutionTime <= SlaTargetResolutionTime, anders False. Voorbeelden truefalse

Verplicht Aanbevolen Optioneel

Activiteiten in de klantenservice

Dit zijn de belangrijke processtappen en mijlpalen om in je event log vast te leggen voor een nauwkeurige procesanalyse.

5 Aanbevolen 8 Optioneel

	Activiteit	Beschrijving
	Afrondcode toegewezen	Een agent wijst een vooraf ingestelde afrondcode of afhandelcode toe aan de interactie. Daarmee wordt de uitkomst van het serviceverzoek vastgelegd, bijvoorbeeld 'Opgelost' of 'Geëscaleerd'.
Waarom dit belangrijk is Afrondcodes zijn een belangrijke bron om de bedrijfsuitkomst van een verzoek te bepalen. Ze zijn nodig om oplossingspercentages te berekenen en cases voor analyse in te delen. Waar vind je dit? Deze expliciete gebeurtenis staat in de detailrecords van gesprekken, meestal in de sessiegegevens van de agent als deelnemer. De afrondcode en timestamp worden vastgelegd. Vastleggen Geregistreerd wanneer een agent een afrondcode voor de interactie kiest. Gebeurtenistype explicit
	Interactie beëindigd	Deze activiteit markeert het einde van de conversatie, wanneer alle deelnemers de verbinding hebben verbroken. Dit is vaak het technische einde van de interactie rond het serviceverzoek.
Waarom dit belangrijk is Dit is de definitieve eindgebeurtenis van de interactie. Deze is nodig om de totale interactieduur te berekenen en wordt vaak gebruikt als benadering van het moment waarop het verzoek is afgesloten. Waar vind je dit? Deze informatie komt uit de detailrecords van gesprekken. De gebeurtenis komt overeen met de eindtijd van het conversatieobject, meestal vastgelegd in de timestamp conversationEnd. Vastleggen Geregistreerd wanneer alle deelnemers de verbinding hebben verbroken en de conversatie eindigt. Gebeurtenistype explicit
	Interactie door agent geaccepteerd	Dit markeert het moment waarop een agent de aangeboden interactie accepteert en verbinding maakt met de klant. Vanaf dit belangrijke moment begint de agent het serviceverzoek rechtstreeks af te handelen.
Waarom dit belangrijk is Deze activiteit is belangrijk om het percentage oplossingen bij het eerste contact en de afhandeltijd van agents te meten. Dit is het begin van het werk van de agent aan het verzoek. Waar vind je dit? Deze informatie staat in de detailrecords van gesprekken. De status van de agent als deelnemer verandert in 'connected' en er wordt een timestamp vastgelegd. Vastleggen Geregistreerd wanneer de status van een agent als deelnemer verandert in 'connected'. Gebeurtenistype explicit
	Interactie gestart	Deze activiteit markeert het begin van een klantinteractie, zoals een inkomend telefoongesprek, chat of e-mail. Genesys Cloud CX registreert deze gebeurtenis wanneer er een nieuw conversatieobject in het systeem wordt aangemaakt.
Waarom dit belangrijk is Dit is de belangrijkste startgebeurtenis van het proces voor serviceverzoeken. Deze is nodig om de totale afhandeltijd te berekenen en patronen in de binnenkomende klantvraag te begrijpen. Waar vind je dit? Deze gebeurtenis komt uit de detailrecords van gesprekken. De gebeurtenis komt overeen met de starttijd van het conversatieobject, meestal vastgelegd in de timestamp conversationStart. Vastleggen Geregistreerd wanneer een nieuwe conversatie in het systeem wordt gestart. Gebeurtenistype explicit
	Interactie overgedragen	Dit is het moment waarop een agent een interactie overdraagt aan een andere wachtrij of agent. Bij een directe overdracht verbreekt de agent meteen de verbinding. Bij een overlegoverdracht spreekt de agent eerst met de ontvanger.
Waarom dit belangrijk is Deze activiteit is belangrijk voor de KPI voor het percentage interne escalaties. Veel overdrachten kunnen wijzen op behoefte aan training, onjuiste routering of complexe processen. Waar vind je dit? Dit is te herkennen in de detailrecords van gesprekken wanneer na de eerste agent een nieuwe ACD- of agentdeelnemer aan de conversatie wordt toegevoegd. Vaak gebeurt dit na een gebeurtenis met de naam 'transfer'. Vastleggen Te herkennen aan een overdrachtsgebeurtenis in de sessiegegevens van de deelnemer. Gebeurtenistype explicit
	Conversatie naar wachtrij gerouteerd	Dit is het moment waarop een nieuwe interactie in een specifieke wachtrij wordt geplaatst om op een beschikbare agent te wachten. De routeringsengine van Genesys (ACD) registreert deze gebeurtenis expliciet.
Waarom dit belangrijk is Door deze activiteit te volgen, kun je wachttijden in de wachtrij meten en bottlenecks in de routering opsporen. Lange tijd tussen dit moment en de toewijzing aan een agent kan wijzen op problemen met de bezetting of routeringslogica. Waar vind je dit? Deze informatie komt uit de detailrecords van gesprekken. Daarbij wordt gekeken naar 'purpose' en 'state' van de ACD-deelnemer in de conversatie. De waarde 'enterTime' voor de wachtrij in de metrics-array geeft deze gebeurtenis aan. Vastleggen Geregistreerd wanneer de ACD-routeringsengine een conversatie in een wachtrij plaatst. Gebeurtenistype explicit
	Interactie aan agent aangeboden	Deze gebeurtenis vindt plaats wanneer het systeem een interactie aan een specifieke agent aanbiedt. De status van de agent verandert in 'alerting' terwijl het systeem wacht tot de agent de conversatie accepteert of weigert.
Waarom dit belangrijk is Met deze activiteit kun je de reactiesnelheid van agents en de werking van het routeringsalgoritme analyseren. Vertraging na dit moment kan erop wijzen dat agents werk niet snel genoeg accepteren. Waar vind je dit? Deze informatie staat in de detailrecords van gesprekken, bij de gegevens van de agent als deelnemer. De sessie van de deelnemer bevat een metriek met de status 'alerting' en de bijbehorende timestamp. Vastleggen Geregistreerd wanneer de routeringsengine een agent waarschuwt voor een nieuwe interactie. Gebeurtenistype explicit
	Klant in de wacht gezet	Deze activiteit wordt geregistreerd wanneer een agent een klant tijdens een interactie in de wacht zet. Dit is een expliciete statuswijziging voor de agent als deelnemer aan de conversatie.
Waarom dit belangrijk is Door te kijken hoe vaak en hoelang klanten in de wacht staan, kun je inefficiënties opsporen. Agents moeten bijvoorbeeld vaak informatie opzoeken of overleggen met anderen. Waar vind je dit? Deze informatie komt uit de sessiegegevens van de agent als deelnemer in de detailrecords van gesprekken. De status verandert in 'held' en er wordt een timestamp vastgelegd. Vastleggen Geregistreerd wanneer de status van een agent als deelnemer verandert in 'held'. Gebeurtenistype explicit
	Klant uit de wacht gehaald	Dit gebeurt wanneer een agent de klant uit de wacht haalt en het gesprek hervat. Deze gebeurtenis markeert het einde van de wachttijd en wordt als statuswijziging geregistreerd.
Waarom dit belangrijk is In combinatie met 'Klant in de wacht gezet' maakt deze activiteit het mogelijk de totale wachttijd nauwkeurig te berekenen. Die tijd is een belangrijk onderdeel van de totale afhandeltijd en de klantervaring. Waar vind je dit? Afgeleid uit de sessiegegevens van de agent als deelnemer, wanneer de status verandert van 'held' naar 'connected'. Vastleggen Geregistreerd wanneer de status van een agent als deelnemer verandert van 'held' in 'connected'. Gebeurtenistype explicit
	Klanttevredenheidsenquête verstuurd	Deze activiteit vindt plaats wanneer na het afsluiten van een interactie een klanttevredenheidsenquête (CSAT) wordt verstuurd. Vaak verstuurt het systeem de enquête automatisch op basis van vooraf ingestelde regels.
Waarom dit belangrijk is Deze activiteit is nodig om de KPI voor het op tijd versturen van CSAT-enquêtes te meten. Als je de enquête op tijd verstuurt, kan de klant feedback geven terwijl de ervaring nog vers in het geheugen ligt. Waar vind je dit? Deze informatie is meestal beschikbaar in enquête- of kwaliteitsbeheerdata in Genesys Cloud CX. Je kunt die koppelen aan de oorspronkelijke conversatie-ID. Vastleggen Geregistreerd door de enquêtemodule wanneer een enquête voor een specifieke conversatie wordt verstuurd. Gebeurtenistype explicit
	Nawerk na gesprek beëindigd	Dit markeert het einde van de periode voor nawerk na een gesprek. De agent is nu weer beschikbaar voor een volgende interactie.
Waarom dit belangrijk is In combinatie met 'Nawerk na gesprek gestart' geeft deze activiteit de duur van de afrondfase nauwkeurig weer. Zo kun je de productiviteit van agents en de proceskosten analyseren. Waar vind je dit? Dit wordt afgeleid wanneer de status van de agent verandert van 'acw' naar een beschikbare status, zoals 'idle'. De timestamp van deze statuswijziging wordt gebruikt. Vastleggen Afgeleid uit de statuswijziging van de agent van 'acw' naar een beschikbare status. Gebeurtenistype inferred
	Nawerk na gesprek gestart	Deze activiteit markeert het begin van de periode voor nawerk na een gesprek (ACW). De agent heeft de verbinding met de klant verbroken en kan nu taken uitvoeren, zoals notities vastleggen of systemen bijwerken.
Waarom dit belangrijk is De duur van ACW meten is belangrijk om de efficiëntie van agents en de totale afhandeltijd te begrijpen. Langdurige ACW kan wijzen op inefficiënte processen na een interactie. Waar vind je dit? Deze informatie komt uit de sessiegegevens van de agent als deelnemer. De gebeurtenis wordt geregistreerd wanneer de status van de agent verandert in 'acw', nadat de klant de verbinding heeft verbroken. Vastleggen Geregistreerd wanneer de status van een agent als deelnemer verandert in 'acw'. Gebeurtenistype explicit
	Serviceverzoek heropend	Dit gebeurt wanneer een klant kort nadat een probleem als opgelost is beschouwd opnieuw contact opneemt over hetzelfde probleem. Dit is geen expliciete gebeurtenis, maar wordt berekend op basis van bedrijfsregels.
Waarom dit belangrijk is Heropende verzoeken volgen is belangrijk om het percentage heropende serviceverzoeken te meten. Dit laat zien dat de eerste oplossing niet werkte, wat gevolgen heeft voor de klanttevredenheid en de efficiëntie van de bedrijfsvoering. Waar vind je dit? Deze activiteit wordt afgeleid door te zoeken naar een nieuwe gebeurtenis 'Interactie gestart' voor dezelfde klant (Customer ID) en hetzelfde probleem, bijvoorbeeld hetzelfde type serviceverzoek, binnen een vooraf ingestelde periode na de oplossing van een eerdere interactie. Vastleggen Berekend door een nieuwe interactie te koppelen aan een recent afgesloten interactie voor dezelfde klant en hetzelfde probleem. Gebeurtenistype calculated

Aanbevolen Optioneel

Extractiegidsen

Zo haal je data op uit Genesys Cloud CX

Stappen

Ga naar de Analytics Workspace: Log in bij Genesys Cloud CX. Open het menu en kies Admin. Kies onder Analytics de optie Workspace.
Maak een nieuwe weergave: Klik op het plusteken om een tabblad toe te voegen en kies "Create a new view". Selecteer "Interactions" als weergavetype. De editor voor interactieweergaven wordt geopend.
Stel de periode in: Stel in het filterpaneel links de gewenste datum- en tijdsperiode in voor de data die je wilt ophalen. Begin bij voorkeur met een korte periode, bijvoorbeeld één week, om het proces te testen.
Selecteer de exportkolommen: Deze stap is het belangrijkst voor de datavoorbereiding. Klik op de knop "Columns". Selecteer de volgende beschikbare velden en voeg ze toe aan de weergave. Deze velden bevatten de data die nodig is om het event log op te bouwen:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (dit complexe veld bevat geneste gegevens over medewerkers, wachtrijen en klanten)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Voeg zo nodig filters toe: Gebruik het filterpaneel om de data verder te beperken. Je kunt filteren op Media Type (bijvoorbeeld voice, chat), Wachtrij, Direction (inbound/outbound) of andere gesprekskenmerken om alleen het gewenste serviceaanvraagproces te bekijken.
Sla de weergave op en voer deze uit: Geef de weergave een duidelijke naam, bijvoorbeeld "Process Mining Service Request Export". De weergave laadt vervolgens de data die aan je criteria voldoet.
Start de export: Klik zodra de data is geladen op de knop "Export", meestal herkenbaar aan het downloadpictogram. Kies "Export as CSV" of "Export as JSON". CSV is vaak het handigst voor de eerste verwerking.
Download het geëxporteerde bestand: De export wordt op de achtergrond uitgevoerd. Volg de voortgang via Performance > My Exports. Download het bestand naar je computer zodra de export klaar is.
Transformeer de ruwe data: Het geëxporteerde bestand bevat één rij per gesprek. De gegevens over deelnemers en segmenten staan genest in één kolom. Voer een transformatiescript uit, zoals het Python-script in het gedeelte Query, om de geneste data uit te pakken. Het script verwerkt de ruwe export en maakt een nieuw bestand met één rij per activiteit, zoals "Agent Accepted Interaction" of "Hold Placed on Interaction".
Voeg eigen logica toe: Verwerk tijdens de transformatie eventuele bedrijfsspecifieke regels. De activiteit "Service Request Re-Opened" moet bijvoorbeeld worden berekend door binnen een bepaalde periode te zoeken naar vervolginteracties met dezelfde klant.
Maak het event log af: Het transformatiescript moet een CSV-bestand opleveren met kolommen in het vereiste ProcessMind-formaat, waaronder ServiceRequest, ActivityName, EventTime en andere attributen. Gebruik voor alle timestamps hetzelfde formaat.
Upload de data naar ProcessMind: Het getransformeerde CSV-bestand is klaar om te uploaden naar je process mining-tool.

Configuratie

Machtigingen: De gebruikersrol in Genesys Cloud CX moet de machtiging Analytics > Conversation > View bevatten om de Analytics Workspace te openen en interactieweergaven te maken.
Periode: Gebruik voor de eerste extractie een representatieve periode van 3 tot 6 maanden. Exporteer data bij contactcenters met een zeer hoog volume in kleinere delen, bijvoorbeeld per week of maand. Zo voorkom je dat je systeemlimieten bereikt en houd je de bestanden beheersbaar.
Belangrijke filters:
- Media Type: Filter op de kanalen die relevant zijn voor het klantenserviceproces, zoals voice, chat of email.
- Wachtrij: Filter op de relevante wachtrij-ID’s als specifieke teams het proces uitvoeren. Zo haal je alleen data voor het gewenste proces op.
- Direction: Filter doorgaans op inbound-interacties om serviceaanvragen van klanten vast te leggen.
Exportkolommen: De kolom Participants is essentieel. Deze bevat de gedetailleerde tijdlijn van gebeurtenissen voor medewerkers en wachtrijen. Zonder deze kolom kun je geen afzonderlijke activiteiten ophalen. Neem ook Conversation ID, Conversation Start en Conversation End op.
Prestaties: Een export met veel kolommen of een lange periode kan veel tijd kosten. Mislukt de export of loopt deze vast, verklein dan de periode en probeer het opnieuw. Genesys Cloud staat ongeveer 1 miljoen gesprekken per export toe.

Voorbeeldquery 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}")

Stappen

Vereisten en installatie: Installeer Python 3.8 of hoger en de bibliotheken pandas en purecloud-platform-client-v2. Installeer ze met pip: pip install pandas purecloud-platform-client-v2.
Maak een Genesys Cloud OAuth-client aan: Log in op het beheerdersaccount van Genesys Cloud CX. Ga naar Integrations > OAuth en maak een client aan met het grant type 'Client Credentials'. Wijs een rol toe met de machtiging analytics:conversationDetail:view.
Stel de inloggegevens in het script in: Sla de Client ID en Client Secret uit de vorige stap op. Vervang in het Python-script hieronder de voorbeeldwaarden voor CLIENT_ID, CLIENT_SECRET en GENESYS_CLOUD_REGION door je eigen gegevens.
Stel de extractieperiode in: Zoek in het script de variabele query_body. Pas de waarde van interval aan om de gewenste datum- en tijdsperiode op te geven. Begin voor het testen bij voorkeur met een korte periode, bijvoorbeeld één dag.
Voer het Python-script uit: Start het script vanuit de terminal met python your_script_name.py. Het script meldt zich aan bij de Genesys Cloud API, start een asynchrone analytics-taak en toont de taak-ID.
Volg de taak: Het script controleert elke 15 seconden automatisch de status via de API. Statusupdates verschijnen in de console. Afhankelijk van de hoeveelheid data kan dit enkele minuten of langer duren.
Verwerk en transformeer de data: Zodra de taak klaar is, downloadt het script de JSON-data. Vervolgens doorloopt het de gespreksrecords en verwerkt het de gegevens over deelnemers, sessies en segmenten om de belangrijkste activiteiten en attributen te herkennen en vast te leggen.
Verwerk berekende gebeurtenissen: Het script bevat een nabewerking om gebeurtenissen met de naam 'Service Request Re-Opened' te herkennen. Je kunt deze logica aanpassen. Het script zoekt naar nieuwe interacties met dezelfde klant binnen een ingestelde periode nadat een eerdere interactie is afgehandeld.
Genereer het event log: De getransformeerde data wordt samengevoegd in een pandas DataFrame met de structuur van een process mining-event log.
Exporteer het definitieve CSV-bestand: Het script slaat de DataFrame op als genesys_event_log.csv. Dit bestand is klaar om naar ProcessMind te uploaden.

Configuratie

API-inloggegevens: Voor authenticatie heb je een OAuth Client ID en Client Secret nodig. Maak deze aan in de beheeromgeving van Genesys Cloud CX.
API-machtigingen: De rol van de OAuth-client moet de machtiging analytics:conversationDetail:view bevatten om de benodigde gespreksdata op te halen.
Extractieperiode: De parameter interval in de API-query bepaalt de periode waaruit data wordt opgehaald. Haal data uit grote omgevingen bij voorkeur op in opeenvolgende, kleinere delen, bijvoorbeeld één week per keer. Zo voorkom je time-outs van de API en beperk je het geheugengebruik.
Datafilters: Je kunt de API-query aanpassen met conversationFilters, segmentFilters of evaluationFilters om de extractie te beperken. Filter bijvoorbeeld op een specifieke queueId of mediaType om een bepaald deel van het klantenserviceproces te bekijken.
Logica voor heropening: Je kunt in het script instellen binnen welke periode een gebeurtenis 'Service Request Re-Opened' wordt herkend. De standaardperiode is 72 uur. Pas deze aan op de bedrijfsregels van je organisatie.
Omgeving: Voor het uitvoeren van het script heb je een lokale Python-omgeving met de vereiste SDK en bibliotheken nodig. Rechtstreekse toegang tot de Genesys Cloud CX-server of database is niet nodig.

Voorbeeldquery 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()

Stappen

Controleer of de Genesys Cloud CX-organisatie de vereiste EventBridge-integratie ondersteunt en of je beschikt over de juiste beheerdersmachtigingen, toegang tot gespreksgebeurtenissen en een AWS-account dat gebeurtenissen kan ontvangen. Stem de doelregio, de EventBridge-eventbus en eventuele filters voor organisatie, divisie, wachtrij of mediatype af met de systeembeheerder.
Configureer in Genesys Cloud CX de AWS EventBridge-integratie volgens de actuele beheeromgeving en de integratiedocumentatie van je organisatie. Selecteer het doel-AWS-account, de regio, de eventbus en de categorieën gespreksgebeurtenissen die nodig zijn om de levenscyclus van interacties in detail te volgen. Menunamen en beschikbare gebeurtenisschema’s kunnen per organisatie en release verschillen. Gebruik daarom [Configure based on your system] voor organisatiegebonden stappen of instellingen.
Stel AWS EventBridge zo in dat het Genesys Cloud-gebeurtenissen ontvangt op de geselecteerde eventbus. Gebruik zo weinig mogelijk machtigingen en stel versleuteling, bewaartermijnen, monitoring en waar mogelijk een dead-letterbestemming in. Maak een regel die de vereiste gebeurtenissen doorstuurt naar de ontvanger van je data lake, datawarehouse, streamprocessor of objectopslag.
Leg de ruwe EventBridge-payloads vast zonder de oorspronkelijke timestamps of identificatiegegevens te wijzigen. Sla de payload, het tijdstip van inname, het gebeurtenistype, de bron, het detailtype en de bezorgmetadata op in [Your raw event storage]. Bewaar de ruwe payload, zodat je de veldkoppelingen opnieuw kunt controleren als de schema’s van Genesys Cloud veranderen.
Bouw in Python een normalisatiestap die de ruwe payloads leest, de gespreks-ID, deelnemers- en sessiegegevens, wachrijgegevens, medewerkergegevens, het mediatype, wrap-upgegevens en gebeurtenistimestamps herkent en vervolgens één genormaliseerde rij per expliciete activiteit oplevert. Gebruik de werkelijke veldpaden uit de gebeurtenisvoorbeelden van je organisatie. Leid geen activiteiten af die niet in een expliciete gebeurtenis of statusovergang staan.
Koppel expliciete statuswijzigingen van gesprekken en deelnemers in Genesys Cloud aan de vereiste ActivityName-waarden. Maak Interaction Started aan als de gebeurtenis voor het aanmaken van het gesprek aanwezig is, Conversation Routed to Queue als de routeringsgebeurtenis aanwezig is, Agent Offered Interaction wanneer de status van de medewerker op alerting staat en Agent Accepted Interaction wanneer de medewerker accepteert of verbinding maakt. Leg Hold Placed on Interaction en Hold Removed from Interaction vast bij de bijbehorende wachtstandovergangen, Interaction Transferred bij een expliciete overdracht, After-Call Work Started en After-Call Work Ended bij expliciete ACW-overgangen, Wrap-Up Code Assigned wanneer een wrap-upcode wordt toegewezen en Interaction Disconnected wanneer het gesprek of de relevante laatste deelnemerssessie wordt verbroken.
Behandel Service Request Re-Opened en Customer Satisfaction Survey Sent afzonderlijk. Gespreksgebeurtenissen in EventBridge bevatten niet altijd een van deze activiteiten rechtstreeks. Neem een enquêtegebeurtenis alleen op als je organisatie een expliciete bron voor die gebeurtenis heeft en deze ook ontvangt. Bereken Service Request Re-Opened alleen in een afzonderlijk, gedocumenteerd proces op basis van bedrijfsregels en voeg de resulterende rij daarna toe aan het event log. ProcessMind berekent of leidt deze activiteit niet af.
Vul ServiceRequest met de vaste ID van de serviceaanvraag of het gesprek die volgens de bedrijfsafspraken wordt gebruikt. Vul ActivityName met precies één vereist activiteitslabel en EventTime met de starttijd van de activiteit. Vul EventEndTime in als die beschikbaar is, SourceSystem met Genesys Cloud CX en AWS EventBridge en LastDataUpdate met het tijdstip waarop de extractie is vernieuwd. Vul optionele attributen in als ze beschikbaar zijn; laat ze anders op NULL staan.
Verwijder dubbele gebeurtenissen met de gebeurtenis-ID van de leverancier, als die beschikbaar is, of met een gedocumenteerde samengestelde sleutel met ServiceRequest, ActivityName, EventTime, de ID van de deelnemer of medewerker en de ID van de brongebeurtenis. Houd rekening met nieuwe pogingen van EventBridge en gebeurtenissen die niet op volgorde binnenkomen. Verwijder geen verschillende, herhaalde wachtstanden, overdrachten, aanbiedingen of andere geldige herhalingen.
Controleer de genormaliseerde uitvoer aan de hand van aantallen ruwe payloads, gebeurtenistimestamps, gespreks-ID’s, wachrij- en medewerkergegevens en de volledige activiteitenlijst. Exporteer een plat bestand of laad een tabel met de vereiste kolommen ServiceRequest, ActivityName, EventTime, SourceSystem en LastDataUpdate, plus aanbevolen kolommen als die beschikbaar zijn. Gebruik timestamps met een consistente tijdzone en een formaat dat ProcessMind accepteert. Upload het event log daarna als invoer voor het proces Service Request.

Configuratie

Integratie en bestemming: Configureer de Genesys Cloud CX AWS EventBridge-integratie voor het doel-AWS-account, de regio en de eventbus. Gebruik [Configure based on your system] voor organisatiegebonden integratie-instellingen die niet in de beschikbare gebeurtenisvoorbeelden staan.
Gebeurtenisbereik: Abonneer je op de beschikbare gedetailleerde gebeurtenissen voor gesprekken, deelnemers, sessies, routering, statuswijzigingen, overdrachten, verbreking, wrap-up en ACW in je Genesys Cloud-organisatie. Controleer de exacte gebeurtenistypen en payloadpaden met een gecontroleerde testinteractie voordat je de integratie in productie neemt.
Case-ID: Gebruik voor ServiceRequest de vaste ID van het gesprek of de serviceaanvraag die volgens de bedrijfsafspraken is gekozen. Bestaat er in een ander systeem een aparte ID voor de serviceaanvraag, houd dan een gedocumenteerde koppeling bij tussen die ID en de gespreks-ID van Genesys Cloud.
Periode: Begin voor procesanalyse met 3 tot 6 maanden aan historische data. Gebruik voor verwerking die bijna realtime is een kort interval voor het ophalen of streamen van data en bewaar een ruwe laag die opnieuw kan worden verwerkt. Gebruik bij herstel na een storing een overlappende periode en verwijder daarna dubbele gebeurtenissen op basis van de gebeurtenis-ID van de leverancier.
Filters: Gebruik alleen filters die voor je organisatie zijn bevestigd, zoals divisie, wachtrij, mediatype, bedrijfseenheid of interactiedatum. Filter niet op Company Code of Document Type, tenzij deze gegevens uit een geïntegreerde bron komen en expliciet aan velden in je omgeving zijn gekoppeld.
Timestamps verwerken: Bewaar de timestamp van de brongebeurtenis in EventTime. Sla het tijdstip van inname of verversing afzonderlijk op in LastDataUpdate. Zet alle timestamps om naar een gedocumenteerde tijdzone, bij voorkeur UTC, en bewaar waar nodig de oorspronkelijke tijdzoneafwijking voor audits.
Optionele attributen: Vul AgentId en AgentName in op basis van deelnemers- of gebruikersgegevens, QueueName op basis van routeringsgegevens, WrapUpCode op basis van wrap-upgegevens, MediaType op basis van het kanaal van het gesprek of de sessie en EventEndTime op basis van een expliciete eindstatus of de duur in de brondata.
Prestaties: Deel ruwe en genormaliseerde data in op gebeurtenisdatum en, waar mogelijk, organisatie of divisie. Verwerk de data stapsgewijs met een EventBridge-controlepunt. Schrijf data in batches naar het datawarehouse of data lake, houd de vertraging in de gaten en voorkom dat je steeds de volledige historie opnieuw doorzoekt.
Betrouwbaarheid: Stel verwerking van nieuwe pogingen, dead-letterberichten, opnieuw afspelen, detectie van dubbele gebeurtenissen en monitoring in voor bezorgfouten, schemawijzigingen en vertragingen.
Vereisten: Je hebt beheerders- of integratiemachtigingen in Genesys Cloud nodig, machtigingen voor AWS EventBridge, toegang tot de gekozen eventbus en de opslag verderop in de keten, toestemming om gespreksdetails te lezen en eventuele Genesys Cloud-functies of licenties die je organisatie nodig heeft voor de gebeurtenisintegratie. Controleer de eisen voor bewaartermijnen en privacy voordat je gespreksdata opslaat.

Voorbeeldquery 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)

Klaar om te beginnen?

Breng in kaart hoe de klantenservice verloopt. Met deze template kun je kansen voor verbetering vinden en efficiënter werken.

Terug naar de verbetergids

Template downloaden

Voorkom herhaalcontact: verbeter vandaag nog je klantenservice!

Verbeter de CSAT en los 80% van de vragen bij het eerste contact op.

Start je gratis proefperiode

Je hebt geen creditcard nodig. Activeer de proefperiode binnen enkele minuten.

Datatemplate voor klantenservice

Datatemplate voor klantenservice

Attributen voor klantenservice

Activiteiten in de klantenservice

Extractiegidsen

Export van gespreksdetails uit Genesys Cloud Analytics

Stappen

Configuratie

Voorbeeldquery python

Python-script met de Genesys Cloud Platform API

Stappen

Configuratie

Voorbeeldquery python

Gebeurtenissen streamen via AWS EventBridge-integratie

Stappen

Configuratie

Voorbeeldquery python

Klaar om te beginnen?

Voorkom herhaalcontact: verbeter vandaag nog je klantenservice!