> Continue verbetering > Klantenservice > Genesys Cloud CX > datatemplate

Uw `klantenservice data template`

Genesys Cloud CX

Klantenservice Attributen (20) Klantenservice Activiteiten (13) Extractie Guides (3)

Uw `klantenservice data template`

Deze `template` biedt een duidelijk `roadmap` voor het verzamelen van de essentiële `data` die nodig is om uw `klantenservice proces` te analyseren en te optimaliseren. Het schetst aanbevolen `attributes`, belangrijke activiteiten om te volgen en praktische begeleiding bij het extraheren van deze `informatie` uit uw bronsystemen. Gebruik het om een robuuste `event log` te bouwen voor uw `process mining` initiatieven.

Aanbevolen attributen om vast te leggen
Belangrijkste activiteiten om te volgen
Richtlijnen voor data-extractie

Nieuw met event logs? Leer hoe je een process mining event log creëert.

Template downloaden

Klantenservice Attributen

Dit zijn de aanbevolen `data`velden om op te nemen in uw `event log` voor uitgebreide `klantenservice` analyse.

5 Verplicht 6 Aanbevolen 9 Optioneel

	Naam	Omschrijving
	Activiteitsnaam ActivityName	De naam van de specifieke `event` of `task` die op een bepaald tijdstip binnen de levenscyclus van de serviceaanvraag plaatsvond.
Omschrijving Dit `attribute` beschrijft een specifieke stap of statuswijziging binnen het `klantenservice proces`. Elke activiteit vertegenwoordigt een afzonderlijke `event`, zoals 'Agent accepteerde interactie' of '`Wrap-Up Code` toegewezen'. Het analyseren van de sequentie en frequentie van deze activiteiten is fundamenteel voor `process mining`. Het helpt `process flows` te visualiseren, afwijkingen te identificeren en `knelpunten` of inefficiënte stappen op te sporen. Het belang Activiteiten vormen de ruggengraat van de proceskaart, waardoor de visualisatie en analyse van de feitelijke processtroom ten opzichte van de ontworpen stroom mogelijk is. Vindplaats Dit wordt typisch afgeleid door `systeem events`, `agent states` of specifieke `audit trail entries` in Genesys Cloud CX te mappen naar gestandaardiseerde activiteitsnamen. Voorbeelden Interactie GestartAgent Accepteerde InteractieNawerk BeëindigdServiceaanvraag heropend
	Serviceaanvraag ServiceRequest	De primaire identificatie voor een `klantenservice` interactie, die alle gerelateerde activiteiten koppelt.
Omschrijving De `Service Request`, vaak aangeduid als een `Ticket` of `Case`, dient als de primaire identificatie voor een enkele klantvraag of `issue`. Het groepeert alle gerelateerde `events`, van initieel contact tot uiteindelijke oplossing, in één `proces instance`. Analyseren op `Service Request` maakt een complete, `end-to-end view` mogelijk van de `klantreis` en het interne afhandelingsproces. Het is de basis voor het berekenen van belangrijke `metrics` zoals totale oplostijd en `first contact resolution rate`. Het belang Dit is de essentiële `Case ID` die alle processtappen verbindt, waardoor een holistische analyse van elke klantinteractie van begin tot eind mogelijk is. Vindplaats Dit is de conceptuele `case identifier`. In Genesys komt dit vaak overeen met de `Conversation ID`, maar het kan een `custom identifier` zijn, afhankelijk van de `implementatie`. Voorbeelden SR-20240521-00123SR-20240521-00124SR-20240522-00001
	Starttijd EventTime	De tijdstempel die aangeeft wanneer een activiteit of event is gestart.
Omschrijving Dit `attribute` geeft de precieze datum en `timestamp` voor wanneer elke activiteit plaatsvond. Het is essentieel voor het correct sequencen van `events` en voor alle tijdgebaseerde analyses. De `Start Time` wordt gebruikt om de `process flow` in chronologische volgorde te construeren en vormt de basis voor het berekenen van `durations`, wachttijden en `cycle times` tussen verschillende activiteiten. Nauwkeurige `timestamps` zijn cruciaal voor betrouwbare `procesanalyse` en `performance monitoring`. Het belang Deze `timestamp` ordent alle activiteiten chronologisch, waardoor het mogelijk wordt om `proces flows`, `durations` en `knelpunten` nauwkeurig te analyseren. Vindplaats Gevonden in `event logs` of `interaction details` in Genesys Cloud CX, vaak geassocieerd met elke geregistreerde systeem- of gebruikersevent. Voorbeelden 2024-05-21T10:00:15Z2024-05-21T10:02:30Z2024-05-21T10:15:00Z
	Bronsysteem SourceSystem	Het systeem waaruit de data is geëxtraheerd.
Omschrijving Dit `attribute` identificeert het bronsysteem voor de `event data`, wat in dit geval Genesys Cloud CX is. In omgevingen met meerdere geïntegreerde systemen is dit veld cruciaal voor `data lineage`, `troubleshooting` en het begrijpen van de `context` van de `data`. Het helpt ervoor te zorgen dat de analyse is gebaseerd op de juiste `data source` en maakt het mogelijk om `data` te filteren of te segmenteren wanneer meerdere systemen bijdragen aan één `proces view`. Het belang Identificeert de `origin` van de `data`, wat cruciaal is voor `data governance`, validatie en bij het samenvoegen van `data` uit meerdere systemen. Vindplaats Dit is doorgaans een statische waarde die wordt toegevoegd tijdens het `data-extractie` en `transformatieproces` om de oorsprong van de `records` te labelen. Voorbeelden Genesys Cloud CXGenesysCloudCX_US1Genesys
	Laatste data-update LastDataUpdate	De `timestamp` van de meest recente `data refresh`.
Omschrijving Dit `attribute` geeft het laatste tijdstip aan waarop de `dataset` vanuit het bronsysteem is bijgewerkt. Het biedt `context` over de versheid van de geanalyseerde `data`, wat cruciaal is voor het nemen van tijdige en relevante bedrijfsbeslissingen. `Dashboards` en rapporten moeten deze `informatie` prominent weergeven, zodat gebruikers op de hoogte zijn van de actualiteit van de `data` en de validiteit van de `inzichten` kunnen beoordelen. Het belang Geeft de `data freshness` aan, en zorgt ervoor dat analyses en beslissingen gebaseerd zijn op up-to-date informatie. Vindplaats Deze waarde wordt gegenereerd en op de `dataset` gestempeld op het moment van `data-extractie` of het laden in de `process mining tool`. Voorbeelden 2024-05-23T04:00:00Z2024-05-24T04:00:00Z
	Agent ID AgentId	De unieke identificatie voor de medewerker die de interactie of activiteit heeft afgehandeld.
Omschrijving De `Agent ID` is een unieke sleutel voor elke `klantenservice medewerker`. Dit `attribute` is essentieel voor elke analyse met betrekking tot `agent performance`, werkdrukverdeling en `efficiëntie`. Het maakt het mogelijk om de `process map` te filteren om te zien hoe specifieke medewerkers of teams aanvragen afhandelen, hun `performance metrics` te vergelijken zoals oplostijd, herwerkpercentage en naleving van standaardprocedures. Dit is een hoeksteen voor het '`Agent Performance & Efficiency`' `dashboard`. Het belang Dit `attribute` verbindt procesactiviteiten met specifieke medewerkers, waardoor analyse van individuele prestaties, werkdruk en `team efficiëntie` mogelijk wordt. Vindplaats Beschikbaar in Genesys Cloud CX `conversation detail records`, geassocieerd met de gebruiker die een specifiek segment van de interactie heeft afgehandeld. Voorbeelden a1b2c3d4-e5f6-7890-1234-567890abcdeff0e9d8c7-b6a5-4321-fedc-ba0987654321
	Agentnaam AgentName	De volledige naam van de medewerker die de interactie of activiteit heeft afgehandeld.
Omschrijving De `Agent Name` biedt een menselijk leesbare identificatie voor de servicevertegenwoordiger, corresponderend met de `Agent ID`. Dit `attribute` maakt `dashboards` en rapporten intuïtiever voor managers en teamleiders. Het wordt uitgebreid gebruikt in agent-specifieke analyses om prestaties te beoordelen, trainingsbehoeften te identificeren en een eerlijke werkdrukverdeling te waarborgen zonder `systeem ID's` te hoeven kruisverwijzen. Het belang Biedt een gebruiksvriendelijke naam voor de medewerker, wat het gemakkelijker maakt om de prestaties te analyseren en bevindingen te communiceren zonder technische ID's te gebruiken. Vindplaats Opgehaald uit de `Users` of `Directory service` in Genesys Cloud CX door de `AgentId` op te zoeken. Voorbeelden John SmithJane DoePeter Jones
	Communicatiekanaal MediaType	Het `communicatiekanaal` dat voor de interactie werd gebruikt, zoals `voice`, `chat` of `e-mail`.
Omschrijving Dit `attribute` specificeert het medium waardoor de klant en medewerker communiceerden. Veelvoorkomende kanalen zijn `voice`, `chat`, `e-mail` en `social media`. Het analyseren van prestaties per kanaal, zoals gedaan in het '`Communication Channel Performance`' `dashboard`, helpt bedrijven `kanaalspecifieke volumes`, oplostijden en `klanttevredenheid` te begrijpen. Dit inzicht is cruciaal voor het optimaliseren van de `kanaalstrategie` en `resourceallocatie`. Het belang Het segmenteren van het proces per `communicatiekanaal` is cruciaal voor het begrijpen van kanaalspecifieke prestaties, `klantgedrag` en `middelenbehoeften`. Vindplaats Een standaardveld binnen de `conversation detail records` van Genesys Cloud CX. Voorbeelden voicechatemailmessage
	Eindtijd EventEndTime	De `timestamp` die aangeeft wanneer een activiteit of `event` eindigde.
Omschrijving Dit `attribute` registreert het precieze moment waarop een activiteit eindigt. Gekoppeld aan de `Start Time` maakt het de exacte berekening van de duur voor elke individuele activiteit mogelijk. Het analyseren van `activiteitenduur` is cruciaal voor het identificeren welke stappen in het proces de meeste tijd verbruiken, wat helpt bij het opsporen van `inefficiënties` en `optimalisatiemogelijkheden`. Het kan bijvoorbeeld lange 'Wachtstand geplaatst op interactie' tijden of verlengde '`After-Call Work`' `duraties` benadrukken. Het belang Maakt de precieze berekening van individuele `activity`duren mogelijk, wat essentieel is voor het identificeren van tijdrovende stappen en `performance bottlenecks`. Vindplaats Gevonden in `event logs` of `interaction details` in Genesys Cloud CX. Het kan ook worden afgeleid van de starttijd van de daaropvolgende `event`. Voorbeelden 2024-05-21T10:02:30Z2024-05-21T10:15:00Z2024-05-21T10:18:45Z
	Naam van de wachtrij QueueName	De naam van de wachtrij waarnaar de interactie werd gerouteerd.
Omschrijving Dit `attribute` identificeert de specifieke wachtrij waarin een interactie wachtte voordat deze aan een medewerker werd toegewezen. Het analyseren van `data` op basis van `Queue Name` is essentieel voor het '`Service Queue Bottleneck Detection`' `dashboard`. Het helpt managers de werkdrukverdeling over verschillende `skill groups` of servicelijnen te begrijpen, wachttijden per wachtrij te meten en wachtrijen te identificeren die consequent onderbezet of overbelast zijn. Deze `informatie` is cruciaal voor het optimaliseren van `resourceallocatie` en het verbeteren van de `klantwachttijden`. Het belang Helpt knelpunten te identificeren en de `workload distribution` te analyseren door te laten zien waar serviceaanvragen wachten op toewijzing. Vindplaats Beschikbaar in Genesys Cloud CX `conversation detail records`. Elke interactie kan door één of meer wachtrijen gaan. Voorbeelden Tier 1 Support - VoiceFactuurvragen - ChatTechnische support - E-mail
	Wrap-Up Code WrapUpCode	Een code die door een agent aan het einde van een interactie wordt toegewezen om het resultaat of onderwerp te categoriseren.
Omschrijving De `Wrap-Up Code` is een `label` dat door een medewerker wordt geselecteerd om de aard of oplossing van een `klantinteractie` te classificeren. Deze `codes` bieden gestructureerde `data` over waarom klanten contact opnemen met `support`. Het analyseren van `Wrap-Up Codes` helpt bij het identificeren van veelvoorkomende `issue types`, het volgen van oplossingsresultaten en het meten van de frequentie van specifieke aanvragen. Deze `data` is waardevol voor `root cause analysis` en het begrijpen van `service demand patterns`. Het belang Categoriseert het resultaat van een interactie, en levert gestructureerde `data` voor het analyseren van veelvoorkomende problemen, `resolution effectiveness`, en contactredenen. Vindplaats Beschikbaar in Genesys Cloud CX `conversation detail records`, specifiek in de `session details` voor `agent participants`. Voorbeelden Wachtwoord resetFactuurgeschil OpgelostAanvraag productinformatieGeëscaleerd naar Tier 2
	`SLA` doel oplostijd SlaTargetResolutionTime	De contractueel overeengekomen doeltijd voor het oplossen van de serviceaanvraag.
Omschrijving Dit `attribute` definieert de maximaal toegestane tijd voor het oplossen van een `serviceaanvraag`, conform de `Service Level Agreement` (`SLA`). Het dient als de `benchmark` waartegen werkelijke oplostijden worden gemeten. Deze `data` is essentieel voor het '`SLA Compliance Overview`' `dashboard` en de '`SLA Compliance Rate`' KPI, waardoor de organisatie haar prestaties tegen klantverplichtingen kan monitoren en potentiële `breaches` kan identificeren voordat ze plaatsvinden. Het belang Biedt de `benchmark` voor het meten van `SLA compliance`, een kritische indicator voor serviceprestaties en contractuele verplichtingen. Vindplaats Dit kan worden opgeslagen als een `custom attribute` op de conversatie of worden afgeleid op basis van regels met betrekking tot de wachtrij, het klanttype of het aanvraagtype. Voorbeelden 86400144003600
	Bewerkingstijd Duration	De tijd die nodig is om een enkele activiteit te voltooien, gemeten in seconden.
Omschrijving Dit `attribute` kwantificeert de duur van een individuele processtap, berekend als het verschil tussen de `End Time` en `Start Time`. Het analyseren van de `processing time` helpt te identificeren welke activiteiten het meest tijdrovend zijn. Deze `informatie` is van vitaal belang voor `performance dashboards`, zoals het '`Agent Performance & Efficiency`' `dashboard`, om de `agent efficiency` te beoordelen en kansen te vinden voor training of `procesverbeteringen`. Het belang Kwantificeert de tijd besteed aan elke activiteit, wat helpt bij het opsporen van `inefficiënties` en het meten van prestaties op een gedetailleerd niveau. Vindplaats Berekend veld: EventEndTime - EventTime. Sommige Genesys API's kunnen direct duurvelden leveren voor bepaalde segmenten. Voorbeelden 12075045
	Conversatie ID ConversationId	De unieke identificatie die door Genesys aan een hele conversatie is toegewezen.
Omschrijving De `Conversation ID` is de primaire technische sleutel in Genesys Cloud CX die alle gerelateerde interacties, segmenten en deelnemers voor één `klantgesprek` groepeert. Hoewel de conceptuele 'Serviceaanvraag' wordt gebruikt als de `Case ID`, is de `Conversation ID` de onderliggende sleutel die wordt gebruikt om alle gerelateerde `data` uit de Genesys API's op te halen. Het is essentieel voor `data-extractie`, het samenvoegen van verschillende `data sets` en voor technische validatie van de `proces data`. Het belang Dit is de primaire technische sleutel in Genesys, essentieel voor `data-extractie`, `troubleshooting` en het koppelen aan het bronsysteem. Vindplaats Dit is een primair veld in alle Genesys Cloud CX `analytics` en `conversation APIs`. Voorbeelden d8a7c6b5-e4f3-2109-8765-fedcba098765c7b6a5d4-f3e2-1098-7654-edcbaf987654
	CSAT Score CustomerSatisfactionScore	De tevredenheidsscore die door de klant is gegeven in een `post-interactie survey`.
Omschrijving De `Customer Satisfaction Score`, of `CSAT`, is een directe meting van de `klantperceptie` van de ontvangen `service`. Deze wordt doorgaans verzameld via een `survey` die wordt verzonden nadat de interactie is gesloten. Het analyseren van `CSAT scores` in combinatie met `proces data` kan onthullen hoe procesvariaties, oplostijden of specifieke medewerkers de `klanttevredenheid` beïnvloeden. Dit is een belangrijke `outcome metric` voor het evalueren van het algehele `proces succes`. Het belang Meet direct de klanttevredenheid, waardoor `correlatieanalyse` mogelijk is tussen procesprestaties en klantresultaten. Vindplaats Deze `data` komt meestal uit de Genesys Cloud CX Quality Management `module` of een `third-party survey tool` die is geïntegreerd met Genesys. Voorbeelden 5413
	Is `First Contact Resolution` IsFirstContactResolution	Een vlag die aangeeft of de serviceaanvraag binnen één interactie is opgelost.
Omschrijving Dit `boolean attribute` identificeert `cases` die werden opgelost tijdens de eerste interactie, zonder dat `follow-up` van de klant of interne `transfers` nodig waren. Een '`true`' waarde duidt op een ideale, efficiënte oplossing. Dit `attribute` is de basis voor de '`First Contact Resolution Rate`' KPI en het bijbehorende `dashboard`. Het analyseren van de kenmerken van `cases` die niet bij het eerste contact worden opgelost, kan kansen onthullen voor `agent training`, `kennisbank` verbeteringen of `proceswijzigingen`. Het belang Meet direct de efficiëntie en klanttevredenheid, aangezien het oplossen van problemen bij de eerste poging een belangrijke drijfveer is voor een positieve service-ervaring. Vindplaats Berekend veld, afgeleid door de `event sequence` voor een `case` te analyseren. Een `case` is `FCR` als deze wordt opgelost zonder bepaalde tussenliggende `activities` zoals `transfers` of `re-opens`. Voorbeelden truefalse
	Is Heropend IsReopened	Een vlag die aangeeft of een opgeloste serviceaanvraag later opnieuw is geopend.
Omschrijving Dit `boolean attribute` markeert serviceaanvragen die in een opgeloste of gesloten `state` waren gezet, maar later weer actief werden. Heropende `cases` duiden er vaak op dat de initiële oplossing niet effectief of compleet was, wat leidt tot `klantontevredenheid` en extra werk. Dit `attribute` drijft het '`Service Request Re-opening Trends`' `dashboard` en de '`Service Request Re-opening Rate`' KPI aan. Het analyseren van deze `cases` helpt bij het identificeren van de `root causes` van ineffectieve oplossingen. Het belang Belicht falen in het oplossingsproces, wijst op problemen met de oplossingkwaliteit en leidt tot `rework` en een slechte klantervaring. Vindplaats Berekend veld, afgeleid door een `activity` te detecteren die de `case` opnieuw activeert nadat een 'Service Request Resolved' `activity` heeft plaatsgevonden. Voorbeelden truefalse
	Oplostijd serviceaanvraag ServiceResolutionTime	De totale verstreken tijd vanaf het begin van de eerste klantinteractie tot de uiteindelijke oplossing.
Omschrijving Deze `metric` meet de totale duur van een `serviceaanvraag`, vanaf het moment dat de klant contact initieert tot het `issue` als opgelost is gemarkeerd. Het is een `key performance indicator` voor de algehele `proces efficiëntie` en `klantervaring`. Dit berekende `attribute` is de primaire focus van het '`Service Request Resolution Time`' `dashboard` en de '`Average Service Resolution Time`' KPI. Het analyseren van de distributie helpt bij het identificeren van langlopende `cases` en systemische vertragingen. Het belang Dit is een kritische KPI voor het meten van de algehele `proces efficiëntie` en de impact ervan op de `klantervaring`. Vindplaats Berekend veld: `Timestamp` van de uiteindelijke `resolution activity` min de `timestamp` van de eerste `customer contact activity`. Voorbeelden 90010800172800
	Type serviceaanvraag ServiceRequestType	De classificatie van de serviceaanvraag, zoals 'Informatieaanvraag', 'Klacht' of 'Technisch probleem'.
Omschrijving Dit `attribute` categoriseert de `serviceaanvraag` op basis van de aard of het doel ervan. Het maakt het mogelijk om de analyse te segmenteren om te begrijpen hoe verschillende typen aanvragen worden afgehandeld. Zo kunnen de `process flow` en oplostijd voor een 'Klacht' aanzienlijk verschillen van een 'Algemene vraag'. Deze dimensie is essentieel voor `dashboards` zoals '`Internal Escalation Analysis`' om te zien of bepaalde aanvraagtypen vaker worden geëscaleerd. Het belang Maakt processegmentatie mogelijk om te vergelijken hoe verschillende typen aanvragen worden afgehandeld en om `type-specifieke` knelpunten of inefficiënties te identificeren. Vindplaats Deze `informatie` kan worden vastgelegd via een `IVR selection`, een klantkeuze op een `web form`, of toegewezen door een medewerker. In Genesys kan het worden opgeslagen als een `participant attribute` of een `wrap-up code`. Voorbeelden FactuurvraagTechnische supportAccountbeheerProductklacht
	Voldoet aan SLA IsSlaCompliant	Een vlag die aangeeft of de serviceaanvraag binnen de `SLA target time` is opgelost.
Omschrijving Dit `boolean attribute` geeft aan of een `serviceaanvraag` aan de doeltijd voor oplossing voldeed. Het wordt berekend door de 'ServiceResolutionTime' te vergelijken met de 'SlaTargetResolutionTime'. Deze `flag` vereenvoudigt analyse en visualisatie voor het '`SLA Compliance Overview`' `dashboard` en vormt de basis voor het berekenen van de '`SLA Compliance Rate`' KPI. Het maakt snel filteren en segmenteren van `compliant` versus `non-compliant cases` mogelijk om veelvoorkomende patronen in `SLA breaches` te identificeren. Het belang Vereenvoudigt `SLA-prestatieanalyse` door elke `case` duidelijk te markeren als `compliant` of `breached`, wat `root cause analysis` van storingen mogelijk maakt. Vindplaats Berekend veld: Waar als ServiceResolutionTime <= SlaTargetResolutionTime, anders Onwaar. Voorbeelden truefalse

Verplicht Aanbevolen Optioneel

Klantenservice Activiteiten

Dit zijn de belangrijkste processtappen en mijlpalen om vast te leggen in uw event log voor accurate procesdiscovery.

5 Aanbevolen 8 Optioneel

	Activiteit	Omschrijving
	Agent Accepteerde Interactie	Markeer het punt waarop een medewerker de aangeboden interactie accepteert en verbonden wordt met de klant. Dit is een belangrijke mijlpaal waar de directe afhandeling van de serviceaanvraag begint.
Het belang Deze activiteit is cruciaal voor het meten van `First Contact Resolution` en `agent handle time`. Het markeert het begin van het werk van de medewerker aan de aanvraag. Vindplaats Beschikbaar in de `conversation detail records`. Het wordt gemarkeerd doordat de status van de `agent participant` verandert naar 'connected', met een bijbehorende `timestamp`. Vastleggen Gelogd wanneer de `state` van een `agent participant` verandert naar 'connected'. Gebeurtenistype explicit
	Interactie Doorgeschakeld	Vertegenwoordigt een medewerker die een interactie doorverbindt naar een andere wachtrij of medewerker. Dit kan een 'blind transfer' zijn waarbij de medewerker onmiddellijk de verbinding verbreekt, of een 'consult transfer' waarbij ze eerst met de ontvanger spreken.
Het belang Deze activiteit is essentieel voor de KPI 'Internal Escalation Rate'. Hoge `transfer rates` kunnen duiden op trainingsbehoeften, incorrecte `routing` of `procescomplexiteit`. Vindplaats Dit wordt geïdentificeerd in de `conversation detail records` wanneer een nieuwe `ACD` of `agent participant` aan de conversatie wordt toegevoegd na de initiële betrokkenheid van de medewerker, vaak geïnitieerd door een '`transfer`' `event`. Vastleggen Geïdentificeerd door een `transfer event` in de `session data` van de `participant`. Gebeurtenistype explicit
	Interactie Gestart	Deze activiteit markeert het begin van een `klantenservice` interactie, zoals een inkomende oproep (`inbound call`), `chat` of `e-mail`. Genesys Cloud CX registreert expliciet deze `event` wanneer een nieuw `conversatie object` in het systeem wordt aangemaakt.
Het belang Dit is de primaire `start event` voor het `serviceaanvraag proces`. Het is essentieel voor het berekenen van de totale oplostijd en het begrijpen van inkomende klantvraagpatronen. Vindplaats Deze `event` wordt vastgelegd uit de `conversation detail records`. Het komt overeen met de `start time` van het `conversation object` zelf, typisch te vinden in de `conversationStart timestamp`. Vastleggen Gelogd wanneer een nieuwe conversatie wordt geïnitieerd in het systeem. Gebeurtenistype explicit
	Interactie Verbroken	Deze activiteit betekent het einde van de conversatie, wanneer alle deelnemers de verbinding hebben verbroken. Dit dient vaak als de technische afsluiting van de `serviceaanvraag` interactie.
Het belang Dit is een definitieve `end event` voor de interactie zelf. Het is cruciaal voor het berekenen van de totale interactieduur en wordt vaak gebruikt als een `proxy` voor `request closure`. Vindplaats Dit wordt vastgelegd uit de `conversation detail records`. Het komt overeen met de `end time` van het `conversation object`, typisch te vinden in de `conversationEnd timestamp`. Vastleggen Gelogd wanneer alle `participants` de verbinding hebben verbroken en de conversatie eindigt. Gebeurtenistype explicit
	Wrap-Up Code toegewezen	Een agent wijst een vooraf gedefinieerde `wrap-up code`, of `disposition code`, toe aan de interactie. Dit categoriseert expliciet het resultaat van de serviceaanvraag, zoals 'Opgelost' of 'Geëscaleerd'.
Het belang `Wrap-up codes` zijn een primaire bron voor het bepalen van de `business outcome` van een aanvraag. Ze zijn vitaal voor het berekenen van oplossingspercentages en het segmenteren van `cases` voor analyse. Vindplaats Dit is een expliciete `event` die wordt gevonden in de `conversation detail records`, doorgaans binnen de `session data` van de `agent participant`. De `wrapUp code` en `timestamp` worden geregistreerd. Vastleggen Gelogd wanneer een agent een `wrap-up code` selecteert voor de interactie. Gebeurtenistype explicit
	Agent Interactie Aangeboden	Deze `event` treedt op wanneer het systeem een interactie aanbiedt aan een specifieke medewerker. De `status` van de medewerker verandert naar '`alerting`' terwijl het systeem wacht tot deze de conversatie accepteert of weigert.
Het belang Deze activiteit helpt bij het analyseren van de `agent responsiveness` en de effectiviteit van het `routing algorithm`. Vertragingen na dit punt kunnen erop duiden dat medewerkers werk niet snel genoeg accepteren. Vindplaats Gevonden in `conversation detail records` binnen de `participant data` voor de agent. De `participant's session` zal een `metric` tonen met een 'alerting' `state` en een overeenkomstige `timestamp`. Vastleggen Gelogd wanneer de `routing engine` een agent waarschuwt voor een nieuwe interactie. Gebeurtenistype explicit
	Conversatie Naar Wachtrij Gerouteerd	Vertegenwoordigt het moment waarop een nieuwe interactie in een specifieke wachtrij wordt geplaatst om te wachten op een beschikbare medewerker. Dit is een expliciete `event` die wordt vastgelegd door de Genesys `routing engine` (ACD).
Het belang Het volgen van deze activiteit is cruciaal voor het meten van wachttijden in de wachtrij en het identificeren van `knelpunten` in het `routing proces`. Hoge `duraties` tussen deze `event` en `agent assignment` duiden op `staffing` of `routing logic issues`. Vindplaats Vastgelegd uit `conversation detail records`, specifiek kijkend naar het 'purpose' en 'state' van de ACD `participant` binnen de conversatie. De 'enterTime' voor de wachtrij in de `metrics array` geeft dit `event` aan. Vastleggen Gelogd wanneer de ACD `routing engine` een conversatie in een wachtrij plaatst. Gebeurtenistype explicit
	Klanttevredenheidsonderzoek Verzonden	Deze activiteit treedt op wanneer een `klanttevredenheid` (`CSAT`) `survey` wordt verzonden na het afsluiten van een interactie. Dit wordt vaak automatisch door het systeem getriggerd op basis van vooraf gedefinieerde regels.
Het belang Deze activiteit is nodig om de KPI 'CSAT Survey Delivery Timeliness' te meten. Het waarborgen van tijdige `survey delivery` helpt om nauwkeurige `feedback` te verzamelen terwijl de ervaring nog vers in het geheugen van de klant ligt. Vindplaats Deze `informatie` is doorgaans beschikbaar via `survey` of `quality management data` binnen Genesys Cloud CX, die kan worden gekoppeld aan de originele `conversation ID`. Vastleggen Gelogd door de `survey module` wanneer een enquête wordt verzonden voor een specifieke conversatie. Gebeurtenistype explicit
	Nawerk Beëindigd	Dit markeert het einde van de `after-call work` periode voor een medewerker. Op dit punt wordt de medewerker beschikbaar om een andere interactie af te handelen.
Het belang Deze activiteit, gecombineerd met '`After-Call Work Started`', biedt de precieze duur van de `wrap-up` fase, wat helpt bij het analyseren van `agent productiviteit` en `proces overhead`. Vindplaats Dit wordt afgeleid wanneer de `state` van de medewerker verandert van '`acw`' naar een beschikbare `state`, zoals '`idle`'. De `timestamp` van deze `state change` wordt gebruikt. Vastleggen Afgeleid uit de `state` van de agent die verandert van 'acw' naar een beschikbare `state`. Gebeurtenistype inferred
	Nawerk Gestart	Deze activiteit markeert het begin van de `after-call work` (`ACW`) periode. De medewerker heeft de verbinding met de klant verbroken, maar bevindt zich nu in een toegewijde `state` om `tasks` te voltooien zoals het loggen van notities of het updaten van systemen.
Het belang Het meten van de ACW-duur (After Call Work) is belangrijk voor het begrijpen van de efficiëntie van medewerkers en de totale afhandeltijd. Een verlengde ACW kan duiden op inefficiënte processen na de interactie. Vindplaats Vastgelegd uit de `session data` van de `agent participant`. Het wordt gelogd wanneer de `state` van de agent verandert naar 'acw' nadat de `customer participant` de verbinding verbreekt. Vastleggen Gelogd wanneer de `state` van een `agent participant` verandert naar 'acw'. Gebeurtenistype explicit
	Serviceaanvraag heropend	Vertegenwoordigt een situatie waarin een klant opnieuw contact opneemt met het servicecentrum over hetzelfde probleem, kort nadat het als opgelost werd beschouwd. Dit is geen expliciete `event` maar wordt berekend op basis van `business logic`.
Het belang Het bijhouden van heropende aanvragen is cruciaal voor het meten van de 'Service Request Heropeningsgraad' (`Service Request Re-opening Rate`). Het duidt erop dat de initiële oplossing niet effectief was, wat impact heeft op de `klanttevredenheid` en `operationele efficiëntie`. Vindplaats Deze activiteit wordt afgeleid door een nieuwe 'Interactie gestart' `event` te identificeren voor dezelfde klant (`Customer ID`) en gerelateerd `issue` (bijv. `Service Request Type`) binnen een vooraf gedefinieerd tijdvenster nadat een eerdere interactie was opgelost. Vastleggen Berekend door een nieuwe interactie te koppelen aan een recent gesloten interactie voor dezelfde klant en hetzelfde probleem. Gebeurtenistype calculated
	Wachtstand Geplaatst op Interactie	Deze activiteit wordt geregistreerd wanneer een medewerker een klant in de wachtstand plaatst tijdens een interactie. Dit is een expliciete `state change` voor de `agent participant` binnen de conversatie.
Het belang Het analyseren van de frequentie en duur van `holds` kan procesinefficiënties onthullen, zoals agents die vaak informatie moeten zoeken of anderen moeten raadplegen. Vindplaats Vastgelegd uit de `session data` van de `agent participant` in de `conversation detail records`. De `state` verandert naar 'held' en een `timestamp` wordt vastgelegd. Vastleggen Gelogd wanneer de `state` van een `agent participant` verandert naar 'held'. Gebeurtenistype explicit
	Wachtstand Verwijderd van Interactie	Treedt op wanneer een medewerker een klant uit de wachtstand haalt en het gesprek hervat. Deze gebeurtenis markeert het einde van een wachtperiode en wordt geregistreerd als een statuswijziging.
Het belang In combinatie met 'Interactie in de wacht geplaatst' maakt deze activiteit een precieze berekening van de totale wachttijd mogelijk, een essentieel onderdeel van de totale afhandeltijd en `klantervaring`. Vindplaats Afgeleid uit de `session data` van de `agent participant` wanneer hun `state` verandert van 'held' terug naar 'connected'. Vastleggen Gelogd wanneer de `state` van een `agent participant` verandert van 'held' naar 'connected'. Gebeurtenistype explicit

Aanbevolen Optioneel

Extractie Guides

Hoe u uw `data` uit Genesys Cloud CX haalt

Stappen

Navigeer naar de Analytics Workspace: Log in bij Genesys Cloud CX. Ga naar het menu en selecteer Admin, kies vervolgens onder Analytics de optie Workspace.
Creëer een nieuwe weergave: Klik op het plusicoon om een nieuw tabblad toe te voegen en selecteer "Create a new view". Kies "Interactions" als het weergavetype. Dit opent de interaction view editor.
Definieer het datumbereik: Stel in het filterpaneel aan de linkerkant het gewenste datum- en tijdinterval in voor de data die u wilt extraheren. Het is aan te raden te beginnen met een kleiner datumbereik, zoals één week, om het proces te testen.
Selecteer kolommen voor de export: Dit is de meest kritieke stap voor datavoorbereiding. Klik op de "Columns" knop. Selecteer en voeg uit de beschikbare velden de volgende kolommen toe aan uw weergave. Deze velden bevatten de noodzakelijke data voor het opbouwen van de event log:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (Dit is een complex veld dat geneste agent-, wachtrij- en klant data bevat)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Pas aanvullende filters toe: Gebruik het filterpaneel om de data indien nodig te verfijnen. U kunt filteren op Media Type (bijv. voice, chat), Queue, Direction (inbound/outbound), of andere conversatie-eigenschappen om u te richten op het specifieke serviceaanvraagproces.
Sla de weergave op en voer deze uit: Sla de weergave op met een beschrijvende naam, bijvoorbeeld "Process Mining Service Request Export". De weergave zal dan de data laden die overeenkomt met uw criteria.
Start de export: Zodra de data in uw weergave is geladen, klikt u op de "Export" knop, meestal weergegeven door een downloadicoon. Selecteer "Export as CSV" of "Export as JSON". CSV is vaak gemakkelijker voor de initiële verwerking.
Download het geëxporteerde bestand: De exporttaak wordt op de achtergrond uitgevoerd. U kunt de voortgang ervan volgen door te navigeren naar Performance > My Exports. Zodra voltooid, downloadt u het bestand naar uw lokale systeem.
Transformeer de ruwe data: Het geëxporteerde bestand heeft één rij per conversatie, met participant en segment data genesteld binnen één kolom. U moet een transformatiescript uitvoeren, zoals het Python-script dat wordt geleverd in de Query-sectie, om deze data te unnesten. Dit script zal de ruwe export parsen en een nieuw bestand creëren waarbij elke rij een enkele activity vertegenwoordigt, zoals "Agent Accepted Interaction" of "Hold Placed on Interaction".
Implementeer aangepaste logica: Implementeer als onderdeel van de transformatie eventuele bedrijfsspecifieke logica. De activity "Service Request Re-Opened" moet bijvoorbeeld worden berekend door daaropvolgende interacties van dezelfde klant binnen een gedefinieerde timeframe te analyseren.
Finaliseer de Event Log: Het transformatiescript moet een CSV-bestand uitvoeren met kolommen die overeenkomen met het vereiste formaat voor ProcessMind, inclusief ServiceRequest, ActivityName, EventTime, en andere attributes. Zorg ervoor dat alle timestamps in een consistent formaat zijn.
Upload naar ProcessMind: Het uiteindelijke, getransformeerde CSV-bestand is nu klaar om te worden geüpload naar uw process mining tool.

Configuratie

Machtigingen: Uw Genesys Cloud CX gebruikersrol moet de Analytics > Conversation > View machtiging hebben om toegang te krijgen tot de Analytics Workspace en interactieweergaven te creëren.
Datumbereik: Gebruik voor de initiële extractie een representatieve periode van 3-6 maanden. Voor contactcenters met een zeer hoog volume wordt aangeraden de data in kleinere delen te exporteren, zoals wekelijks of maandelijks, om systeemlimieten te vermijden en bestandsgroottes te beheren.
Belangrijke filters:
- Mediatype: Filter op de kanalen die relevant zijn voor uw klantenserviceproces, zoals voice, chat, of email.
- Wachtrij: Als het proces door specifieke teams wordt afgehandeld, filter dan op de relevante wachtrij-ID's om ervoor te zorgen dat u alleen data voor het gewenste proces extraheert.
- Richting: Doorgaans wilt u filteren op inbound interacties om door de klant geïnitieerde serviceaanvragen vast te leggen.
Exportkolommen: De Participants kolom is essentieel, aangezien deze de gedetailleerde tijdlijn van events voor agents en wachtrijen bevat. Zonder deze kolom kunt u geen individuele activiteiten extraheren. Zorg ervoor dat Conversation ID, Conversation Start, en Conversation End ook zijn opgenomen.
Prestatieoverwegingen: Het exporteren van een groot aantal kolommen of een zeer lang datumbereik kan ertoe leiden dat de exporttaak aanzienlijk veel tijd in beslag neemt. Als de taak mislukt of een time-out heeft, verklein dan het datumbereik en probeer het opnieuw. Genesys Cloud heeft een limiet van ongeveer 1 miljoen conversaties per exporttaak.

a Voorbeeldquery config

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Stappen

Vereisten en Setup: Zorg ervoor dat Python 3.8+ is geïnstalleerd, samen met de pandas en purecloud-platform-client-v2 libraries. U kunt deze installeren met pip: pip install pandas purecloud-platform-client-v2.
Creëer Genesys Cloud OAuth Client: Log in bij uw Genesys Cloud CX admin account. Navigeer naar Integrations > OAuth en creëer een nieuwe client met het 'Client Credentials' grant type. Wijs een rol toe die de analytics:conversationDetail:view permission omvat.
Configureer Script Credentials: Sla de Client ID en Client Secret van de vorige stap op. Vervang in het onderstaande Python-script de placeholder values voor CLIENT_ID, CLIENT_SECRET, en GENESYS_CLOUD_REGION door uw specifieke credentials.
Definieer het Extractie-interval: Zoek de query_body variabele in het script. Pas de interval waarde aan om het datum- en tijdsbereik te specificeren voor de data die u wilt extraheren. Het is aan te raden te beginnen met een klein bereik, zoals één enkele dag, voor testdoeleinden.
Voer het Python Script uit: Voer het script uit vanuit uw terminal met python your_script_name.py. Het script zal authenticeren met de Genesys Cloud API, een asynchrone analytics job indienen, en de job ID afdrukken.
Monitor Job Execution: Het script zal automatisch de API elke 15 seconden pollen om de status van de job te controleren. U zult status updates zien die naar de console worden afgedrukt. Deze stap kan enkele minuten of langer duren, afhankelijk van het volume van de aangevraagde data.
Verwerk en Transformeer Data: Zodra de job is voltooid, downloadt het script de resulterende JSON-data. Het itereert vervolgens door elk conversation record, parseert de participant, session, en segment data om de belangrijkste activities en attributes te identificeren en te structureren.
Beheer berekende Events: Het script omvat een post-processing step om 'Service Request Re-Opened' events te identificeren. Deze logica, die u kunt aanpassen, controleert op nieuwe interacties van dezelfde klant binnen een gespecificeerd tijdvenster nadat een eerdere interactie is opgelost.
Genereer de Event Log: De getransformeerde data wordt gecompileerd tot een pandas DataFrame, die de structuur van een process mining event log weerspiegelt.
Exporteer het Definitieve CSV-bestand: Het script slaat de uiteindelijke DataFrame op als een CSV-bestand met de naam genesys_event_log.csv. Dit bestand is geformatteerd voor directe upload naar het ProcessMind platform.

Configuratie

API-credentials: Een OAuth Client ID en Client Secret zijn vereist voor authenticatie. Deze moeten worden aangemaakt binnen de Genesys Cloud CX admin-interface.
API-machtigingen: De bijbehorende OAuth clientrol moet de analytics:conversationDetail:view machtiging hebben om toegang te krijgen tot de benodigde conversatiedata.
Extractie-interval: De interval parameter in de API query body bepaalt het datumbereik van de extractie. Voor grote omgevingen is het best practice om de extractie in kleinere, sequentiële batches uit te voeren (bijvoorbeeld één week per keer) om API-timeouts te voorkomen en geheugengebruik te beheren.
Datafilters: De API query body kan worden aangepast om conversationFilters, segmentFilters, of evaluationFilters op te nemen om de reikwijdte van de extractie te verkleinen. U kunt bijvoorbeeld filteren op specifieke queueId of mediaType om u te richten op een specifiek deel van het klantenserviceproces.
Heropening-logica: Het tijdvenster voor het identificeren van een 'Service Request Re-Opened' event is configureerbaar binnen het script. De standaardinstelling is 72 uur, maar moet worden aangepast aan de bedrijfsregels van uw organisatie.
Omgeving: Een lokale Python-omgeving met de vereiste SDK en libraries is noodzakelijk om het script uit te voeren. Er is geen directe toegang tot de Genesys Cloud CX server of database vereist.

a 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

Navigeer naar de Analytics Workspace: Log in bij Genesys Cloud CX. Ga naar het menu en selecteer Admin, kies vervolgens onder Analytics de optie Workspace.
Creëer een nieuwe weergave: Klik op het plusicoon om een nieuw tabblad toe te voegen en selecteer "Create a new view". Kies "Interactions" als het weergavetype. Dit opent de interaction view editor.
Definieer het datumbereik: Stel in het filterpaneel aan de linkerkant het gewenste datum- en tijdinterval in voor de data die u wilt extraheren. Het is aan te raden te beginnen met een kleiner datumbereik, zoals één week, om het proces te testen.
Selecteer kolommen voor de export: Dit is de meest kritieke stap voor datavoorbereiding. Klik op de "Columns" knop. Selecteer en voeg uit de beschikbare velden de volgende kolommen toe aan uw weergave. Deze velden bevatten de noodzakelijke data voor het opbouwen van de event log:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (Dit is een complex veld dat geneste agent-, wachtrij- en klant data bevat)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Pas aanvullende filters toe: Gebruik het filterpaneel om de data indien nodig te verfijnen. U kunt filteren op Media Type (bijv. voice, chat), Queue, Direction (inbound/outbound), of andere conversatie-eigenschappen om u te richten op het specifieke serviceaanvraagproces.
Sla de weergave op en voer deze uit: Sla de weergave op met een beschrijvende naam, bijvoorbeeld "Process Mining Service Request Export". De weergave zal dan de data laden die overeenkomt met uw criteria.
Start de export: Zodra de data in uw weergave is geladen, klikt u op de "Export" knop, meestal weergegeven door een downloadicoon. Selecteer "Export as CSV" of "Export as JSON". CSV is vaak gemakkelijker voor de initiële verwerking.
Download het geëxporteerde bestand: De exporttaak wordt op de achtergrond uitgevoerd. U kunt de voortgang ervan volgen door te navigeren naar Performance > My Exports. Zodra voltooid, downloadt u het bestand naar uw lokale systeem.
Transformeer de ruwe data: Het geëxporteerde bestand heeft één rij per conversatie, met participant en segment data genesteld binnen één kolom. U moet een transformatiescript uitvoeren, zoals het Python-script dat wordt geleverd in de Query-sectie, om deze data te unnesten. Dit script zal de ruwe export parsen en een nieuw bestand creëren waarbij elke rij een enkele activity vertegenwoordigt, zoals "Agent Accepted Interaction" of "Hold Placed on Interaction".
Implementeer aangepaste logica: Implementeer als onderdeel van de transformatie eventuele bedrijfsspecifieke logica. De activity "Service Request Re-Opened" moet bijvoorbeeld worden berekend door daaropvolgende interacties van dezelfde klant binnen een gedefinieerde timeframe te analyseren.
Finaliseer de Event Log: Het transformatiescript moet een CSV-bestand uitvoeren met kolommen die overeenkomen met het vereiste formaat voor ProcessMind, inclusief ServiceRequest, ActivityName, EventTime, en andere attributes. Zorg ervoor dat alle timestamps in een consistent formaat zijn.
Upload naar ProcessMind: Het uiteindelijke, getransformeerde CSV-bestand is nu klaar om te worden geüpload naar uw process mining tool.

Configuratie

Machtigingen: Uw Genesys Cloud CX gebruikersrol moet de Analytics > Conversation > View machtiging hebben om toegang te krijgen tot de Analytics Workspace en interactieweergaven te creëren.
Datumbereik: Gebruik voor de initiële extractie een representatieve periode van 3-6 maanden. Voor contactcenters met een zeer hoog volume wordt aangeraden de data in kleinere delen te exporteren, zoals wekelijks of maandelijks, om systeemlimieten te vermijden en bestandsgroottes te beheren.
Belangrijke filters:
- Mediatype: Filter op de kanalen die relevant zijn voor uw klantenserviceproces, zoals voice, chat, of email.
- Wachtrij: Als het proces door specifieke teams wordt afgehandeld, filter dan op de relevante wachtrij-ID's om ervoor te zorgen dat u alleen data voor het gewenste proces extraheert.
- Richting: Doorgaans wilt u filteren op inbound interacties om door de klant geïnitieerde serviceaanvragen vast te leggen.
Exportkolommen: De Participants kolom is essentieel, aangezien deze de gedetailleerde tijdlijn van events voor agents en wachtrijen bevat. Zonder deze kolom kunt u geen individuele activiteiten extraheren. Zorg ervoor dat Conversation ID, Conversation Start, en Conversation End ook zijn opgenomen.
Prestatieoverwegingen: Het exporteren van een groot aantal kolommen of een zeer lang datumbereik kan ertoe leiden dat de exporttaak aanzienlijk veel tijd in beslag neemt. Als de taak mislukt of een time-out heeft, verklein dan het datumbereik en probeer het opnieuw. Genesys Cloud heeft een limiet van ongeveer 1 miljoen conversaties per exporttaak.

a Voorbeeldquery config

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Uw `klantenservice data template`

Uw `klantenservice data template`

Klantenservice Attributen

Klantenservice Activiteiten

Extractie Guides

Genesys Cloud Analytics Conversatie Detail Export

Stappen

Configuratie

a Voorbeeldquery config

Python Script met behulp van de Genesys Cloud Platform API

Stappen

Configuratie

a Voorbeeldquery python

Event Streaming via AWS EventBridge Integratie

Stappen

Configuratie

a Voorbeeldquery config

Klaar om te starten?

Stop Herhaalde Contacten: Stimuleer Klantenservice Vandaag!

Uw klantenservice data template

Uw klantenservice data template

Klantenservice Attributen

Klantenservice Activiteiten

Extractie Guides

Genesys Cloud Analytics Conversatie Detail Export

Stappen

Configuratie

a Voorbeeldquery config

Python Script met behulp van de Genesys Cloud Platform API

Stappen

Configuratie

a Voorbeeldquery python

Event Streaming via AWS EventBridge Integratie

Stappen

Configuratie

a Voorbeeldquery config

Wij hechten veel waarde aan je privacy

Klaar om te starten?

Stop Herhaalde Contacten: Stimuleer Klantenservice Vandaag!

Uw `klantenservice data template`

Uw `klantenservice data template`