> Ciągłe doskonalenie procesów > Obsługa klienta > Genesys Cloud CX > Szablon danych

Szablon danych dotyczących obsługi klienta

Genesys Cloud CX

← Wróć do przewodnika ulepszania procesów

Atrybuty obsługi klienta(19) Działania w procesie obsługi klienta(13) Instrukcje ekstrakcji danych(3)

Szablon danych dotyczących obsługi klienta

Szablon zawiera wskazówki dotyczące gromadzenia danych potrzebnych do analizy i optymalizacji procesu obsługi klienta. Wymienia zalecane atrybuty, działania do śledzenia oraz sposoby pobierania informacji z systemów źródłowych. Można go wykorzystać do przygotowania dziennika zdarzeń na potrzeby process mining.

Zalecane atrybuty do zebrania
Najważniejsze działania do śledzenia
Wskazówki dotyczące ekstrakcji danych

Pierwszy raz spotykają się Państwo z dziennikiem zdarzeń? Dowiedz się jak utworzyć dziennik zdarzeń na potrzeby process mining.

Pobierz szablon

Atrybuty obsługi klienta

Poniżej przedstawiono zalecane pola danych, które warto uwzględnić w dzienniku zdarzeń, aby dokładnie analizować obsługę klienta.

5 Wymagane 6 Zalecane 8 Opcjonalne

	Nazwa	Opis
	Czas rozpoczęcia EventTime	Znacznik czasu wskazujący, kiedy rozpoczęła się czynność lub wystąpiło zdarzenie.
Opis Ten atrybut określa dokładną datę i godzinę każdej czynności. Jest niezbędny do prawidłowego uporządkowania zdarzeń i przeprowadzania analiz opartych na czasie. Czas rozpoczęcia służy do odtworzenia chronologicznego przebiegu procesu i obliczania czasu trwania, oczekiwania oraz cyklu między poszczególnymi czynnościami. Dokładne znaczniki czasu są niezbędne do rzetelnej analizy procesu i monitorowania jego wyników. Dlaczego to ważne Ten znacznik czasu porządkuje czynności chronologicznie, umożliwiając dokładną analizę przebiegu procesu, czasu trwania i wąskich gardeł. Skąd pobrać Dostępny w dziennikach zdarzeń lub szczegółach interakcji w Genesys Cloud CX. Często jest przypisany do każdego zarejestrowanego zdarzenia systemowego lub użytkownika. Przykłady 2024-05-21T10:00:15Z2024-05-21T10:02:30Z2024-05-21T10:15:00Z
	Nazwa czynności ActivityName	Nazwa konkretnego zdarzenia lub zadania, które wystąpiło w danym momencie obsługi zgłoszenia.
Opis Ten atrybut opisuje konkretny etap lub zmianę statusu w procesie obsługi klienta. Każda czynność oznacza odrębne zdarzenie, na przykład „Konsultant przyjął interakcję” lub „Przypisano kod podsumowania”. Analiza kolejności i częstotliwości tych czynności jest podstawą process mining. Pozwala wizualizować przebieg procesu, wykrywać odchylenia oraz wskazywać wąskie gardła i nieefektywne etapy. Dlaczego to ważne Czynności stanowią podstawę mapy procesu. Umożliwiają wizualizację i analizę rzeczywistego przebiegu procesu w porównaniu z jego zaprojektowanym przebiegiem. Skąd pobrać Wartość jest zwykle ustalana przez przypisanie zdarzeniom systemowym, stanom konsultantów lub wpisom w ścieżce audytu w Genesys Cloud CX ujednoliconych nazw czynności. Przykłady Rozpoczęto interakcjęKonsultant przyjął interakcjęZakończono pracę po rozmowiePonownie otwarto zgłoszenie
	Zgłoszenie ServiceRequest	Główny identyfikator interakcji z obsługą klienta, łączący wszystkie powiązane czynności.
Opis Zgłoszenie, nazywane też biletem lub case, jest głównym identyfikatorem pojedynczego zapytania lub problemu klienta. Łączy wszystkie powiązane zdarzenia, od pierwszego kontaktu po ostateczne rozwiązanie, w jedną instancję procesu. Analiza według zgłoszenia pokazuje całą ścieżkę klienta i przebieg obsługi sprawy wewnątrz organizacji. Stanowi też podstawę do obliczania ważnych wskaźników, takich jak całkowity czas rozwiązania sprawy i odsetek spraw rozwiązanych przy pierwszym kontakcie. Dlaczego to ważne To podstawowy identyfikator case, który łączy wszystkie etapy procesu i pozwala analizować każdą interakcję z klientem od początku do końca. Skąd pobrać To pojęciowy identyfikator case. W Genesys często odpowiada identyfikatorowi konwersacji, ale zależnie od wdrożenia może być identyfikatorem niestandardowym. Przykłady SR-20240521-00123SR-20240521-00124SR-20240522-00001
	Data ostatniej aktualizacji danych LastDataUpdate	Znacznik czasu ostatniego odświeżenia danych.
Opis Ten atrybut wskazuje, kiedy ostatnio zaktualizowano zbiór danych na podstawie systemu źródłowego. Informuje, jak aktualne są analizowane dane, co ma znaczenie przy podejmowaniu decyzji biznesowych we właściwym czasie. Informacja ta powinna być dobrze widoczna na dashboardach i w raportach, aby użytkownicy mogli ocenić aktualność danych i wiarygodność wniosków. Dlaczego to ważne Informuje o aktualności danych, dzięki czemu analizy i decyzje można opierać na bieżących informacjach. Skąd pobrać Wartość jest nadawana zbiorowi danych podczas ich ekstrakcji lub wczytywania do narzędzia process mining. Przykłady 2024-05-23T04:00:00Z2024-05-24T04:00:00Z
	System źródłowy SourceSystem	System, z którego wyodrębniono dane.
Opis Ten atrybut wskazuje system źródłowy danych o zdarzeniach, w tym przypadku Genesys Cloud CX. W środowiskach z wieloma zintegrowanymi systemami ma zasadnicze znaczenie dla śledzenia pochodzenia danych, rozwiązywania problemów i zrozumienia ich kontekstu. Pomaga upewnić się, że analiza korzysta z właściwego źródła, oraz filtrować lub segmentować dane, gdy na jeden obraz procesu składają się informacje z wielu systemów. Dlaczego to ważne Wskazuje pochodzenie danych. Jest to ważne dla zarządzania danymi, ich weryfikacji i łączenia informacji z wielu systemów. Skąd pobrać Zwykle jest to stała wartość dodawana podczas wyodrębniania i przekształcania danych, aby oznaczyć źródło rekordów. Przykłady Genesys Cloud CXGenesysCloudCX_US1Genesys
	Czas zakończenia EventEndTime	Znacznik czasu wskazujący, kiedy zakończyła się czynność lub zdarzenie.
Opis Ten atrybut zapisuje dokładny moment zakończenia czynności. W połączeniu z czasem rozpoczęcia pozwala precyzyjnie obliczyć czas trwania każdej czynności. Analiza czasu trwania pomaga ustalić, które etapy procesu zajmują najwięcej czasu, a tym samym wskazać nieefektywności i możliwości usprawnień. Może na przykład ujawnić długi czas „wstrzymania interakcji” lub przedłużającą się pracę po rozmowie. Dlaczego to ważne Pozwala precyzyjnie obliczyć czas trwania poszczególnych czynności, co ułatwia wskazanie czasochłonnych etapów i wąskich gardeł. Skąd pobrać Dostępny w dziennikach zdarzeń lub szczegółach interakcji w Genesys Cloud CX. Można go też wyznaczyć na podstawie czasu rozpoczęcia kolejnego zdarzenia. Przykłady 2024-05-21T10:02:30Z2024-05-21T10:15:00Z2024-05-21T10:18:45Z
	Identyfikator agenta AgentId	Unikalny identyfikator agenta obsługującego interakcję lub czynność.
Opis Identyfikator agenta to unikalny klucz przypisany każdemu pracownikowi obsługi klienta. Jest niezbędny do analizy wyników pracy agentów, rozkładu obciążenia i efektywności. Pozwala filtrować mapę procesu, aby sprawdzić, jak poszczególni agenci lub zespoły obsługują zgłoszenia, oraz porównywać takie wskaźniki jak czas rozwiązania, odsetek ponownej pracy i zgodność ze standardowymi procedurami. To podstawa dashboardu „Wyniki i efektywność agentów”. Dlaczego to ważne Łączy czynności w procesie z konkretnymi pracownikami, umożliwiając analizę indywidualnych wyników, obciążenia i efektywności zespołu. Skąd pobrać Dostępny w szczegółowych danych o rozmowach w Genesys Cloud CX. Jest powiązany z użytkownikiem obsługującym dany fragment interakcji. Przykłady a1b2c3d4-e5f6-7890-1234-567890abcdeff0e9d8c7-b6a5-4321-fedc-ba0987654321
	Imię i nazwisko agenta AgentName	Imię i nazwisko agenta obsługującego interakcję lub czynność.
Opis Imię i nazwisko agenta to czytelna dla użytkownika nazwa pracownika obsługi, powiązana z jego identyfikatorem. Dzięki temu dashboardy i raporty są bardziej zrozumiałe dla menedżerów i liderów zespołów. Dane te są często wykorzystywane w analizach pracy agentów, na przykład do oceny wyników, określania potrzeb szkoleniowych i sprawiedliwego rozdzielania obciążenia, bez konieczności sprawdzania identyfikatorów systemowych. Dlaczego to ważne Podaje nazwę agenta w czytelnej formie, ułatwiając analizę wyników i omawianie wniosków bez używania identyfikatorów technicznych. Skąd pobrać Pobierane z usługi Users lub Directory w Genesys Cloud CX na podstawie AgentId. Przykłady Jan KowalskiAnna NowakPiotr Wiśniewski
	Kanał komunikacji MediaType	Kanał komunikacji użyty podczas interakcji, na przykład telefon, czat lub e-mail.
Opis Ten atrybut określa sposób komunikacji klienta z agentem. Typowe kanały to telefon, czat, e-mail i media społecznościowe. Analiza wyników według kanału, na przykład na dashboardzie „Wyniki według kanału komunikacji”, pomaga zrozumieć liczbę interakcji, czas ich obsługi i satysfakcję klientów w poszczególnych kanałach. Wnioski te ułatwiają planowanie kanałów obsługi i przydział zasobów. Dlaczego to ważne Podział procesu według kanału komunikacji pozwala analizować wyniki, zachowania klientów i zapotrzebowanie na zasoby w każdym kanale. Skąd pobrać Standardowe pole w szczegółowych danych o rozmowach w Genesys Cloud CX. Przykłady telefonczate-mailwiadomość
	Kod podsumowania WrapUpCode	Kod przypisywany przez agenta po zakończeniu interakcji, który określa jej wynik lub temat.
Opis Kod podsumowania to etykieta wybierana przez agenta w celu określenia tematu lub wyniku obsługi interakcji z klientem. Kody te dostarczają uporządkowanych informacji o powodach kontaktu klientów z pomocą techniczną. Ich analiza pomaga wykrywać częste problemy, śledzić wyniki obsługi i mierzyć częstotliwość poszczególnych typów zgłoszeń. Dane te przydają się do analizy przyczyn źródłowych i badania wzorców zapotrzebowania na obsługę. Dlaczego to ważne Określa wynik interakcji i dostarcza uporządkowanych danych do analizy częstych problemów, skuteczności ich rozwiązywania oraz powodów kontaktu. Skąd pobrać Dostępny w szczegółowych danych o rozmowach w Genesys Cloud CX, w szczegółach sesji uczestników będących agentami. Przykłady Reset hasłaRozwiązano spór dotyczący rozliczeniaPytanie o informacje o produkciePrzekazano do wsparcia drugiej linii
	Nazwa kolejki QueueName	Nazwa kolejki, do której skierowano interakcję.
Opis Ten atrybut wskazuje kolejkę, w której interakcja oczekiwała na przydzielenie agentowi. Analiza danych według nazwy kolejki jest niezbędna w dashboardzie „Wykrywanie wąskich gardeł w kolejkach obsługi”. Pomaga menedżerom ocenić rozkład obciążenia między grupami kompetencyjnymi lub liniami obsługi, zmierzyć czas oczekiwania w każdej kolejce oraz wskazać kolejki, w których stale brakuje pracowników lub które są przeciążone. Informacje te pomagają lepiej przydzielać zasoby i skracać czas oczekiwania klientów. Dlaczego to ważne Pomaga wykrywać wąskie gardła i analizować rozkład obciążenia, pokazując, gdzie zgłoszenia czekają na przydzielenie. Skąd pobrać Dostępna w szczegółowych danych o rozmowach w Genesys Cloud CX. Każda interakcja może przechodzić przez jedną lub kilka kolejek. Przykłady Wsparcie pierwszej linii - telefonPytania dotyczące rozliczeń - czatWsparcie techniczne - e-mail
	Czas rozwiązania zgłoszenia ServiceResolutionTime	Łączny czas od rozpoczęcia pierwszej interakcji z klientem do ostatecznego rozwiązania zgłoszenia.
Opis Ten wskaźnik mierzy łączny czas obsługi zgłoszenia, od chwili pierwszego kontaktu klienta do oznaczenia sprawy jako rozwiązanej. Pokazuje efektywność całego procesu i wpływ obsługi na doświadczenie klienta. To wyliczany atrybut, na którym skupiają się dashboard „Czas rozwiązania zgłoszeń” i KPI „Średni czas rozwiązania zgłoszenia”. Analiza rozkładu wyników pomaga wykrywać długo trwające sprawy i opóźnienia systemowe. Dlaczego to ważne To ważny KPI do pomiaru ogólnej efektywności procesu i jego wpływu na doświadczenie klienta. Skąd pobrać Pole wyliczane: znacznik czasu ostatniej czynności prowadzącej do rozwiązania minus znacznik czasu pierwszej czynności związanej z kontaktem klienta. Przykłady 90010800172800
	Docelowy czas rozwiązania według SLA SlaTargetResolutionTime	Uzgodniony w umowie docelowy czas rozwiązania zgłoszenia.
Opis Ten atrybut określa maksymalny czas na rozwiązanie zgłoszenia zgodnie z umową o gwarantowanym poziomie usług (SLA). Stanowi punkt odniesienia przy pomiarze rzeczywistego czasu rozwiązania. Dane te są niezbędne na dashboardzie „Przegląd zgodności z SLA” oraz do obliczania KPI „Odsetek zgodności z SLA”. Pozwalają monitorować realizację zobowiązań wobec klientów i wykrywać ryzyko przekroczenia terminu, zanim do niego dojdzie. Dlaczego to ważne Stanowi punkt odniesienia przy pomiarze zgodności z SLA, która pokazuje poziom obsługi i realizację zobowiązań umownych. Skąd pobrać Może być zapisany jako niestandardowy atrybut rozmowy lub wyznaczany na podstawie reguł uwzględniających kolejkę, typ klienta albo typ zgłoszenia. Przykłady 86400144003600
	Identyfikator rozmowy ConversationId	Unikalny identyfikator nadawany przez Genesys całej rozmowie.
Opis Identyfikator rozmowy to główny klucz techniczny w Genesys Cloud CX, który łączy wszystkie powiązane interakcje, segmenty i uczestników w ramach jednej rozmowy z klientem. Pojęcie „zgłoszenie do obsługi” służy jako identyfikator sprawy, natomiast identyfikator rozmowy jest kluczem używanym do pobierania powiązanych danych z API Genesys. Jest niezbędny do ekstrakcji danych, łączenia różnych zbiorów danych i technicznej weryfikacji danych o procesie. Dlaczego to ważne To główny klucz techniczny w Genesys, niezbędny do ekstrakcji danych, rozwiązywania problemów i łączenia danych z systemem źródłowym. Skąd pobrać To podstawowe pole we wszystkich interfejsach API Genesys Cloud CX do analizy i obsługi rozmów. Przykłady d8a7c6b5-e4f3-2109-8765-fedcba098765c7b6a5d4-f3e2-1098-7654-edcbaf987654
	Ponowne otwarcie IsReopened	Flaga wskazująca, czy rozwiązane zgłoszenie zostało później ponownie otwarte.
Opis Ten atrybut logiczny oznacza zgłoszenia, które po ustawieniu statusu „rozwiązane” lub „zamknięte” ponownie stały się aktywne. Ponowne otwarcie sprawy często wskazuje, że początkowe rozwiązanie było nieskuteczne lub niepełne, co prowadzi do niezadowolenia klienta i dodatkowej pracy. Atrybut ten zasila dashboard „Trendy ponownego otwierania zgłoszeń” oraz KPI „Odsetek ponownie otwartych zgłoszeń”. Analiza tych spraw pomaga ustalić przyczyny nieskutecznego rozwiązywania problemów. Dlaczego to ważne Wskazuje problemy z rozwiązywaniem zgłoszeń, które mogą wynikać z niskiej jakości rozwiązań i prowadzić do ponownej pracy oraz gorszych doświadczeń klientów. Skąd pobrać Pole wyliczane na podstawie wykrycia czynności, która ponownie aktywuje sprawę po wystąpieniu czynności „Zgłoszenie rozwiązane”. Przykłady truefalse
	Rozwiązanie przy pierwszym kontakcie IsFirstContactResolution	Flaga wskazująca, czy zgłoszenie rozwiązano podczas jednej interakcji.
Opis Ten atrybut logiczny wskazuje sprawy rozwiązane podczas pierwszej interakcji, bez konieczności ponownego kontaktu klienta ani przekazywania sprawy wewnątrz organizacji. Wartość „true” oznacza sprawną obsługę zakończoną przy pierwszej próbie. Atrybut ten stanowi podstawę KPI „Odsetek spraw rozwiązanych przy pierwszym kontakcie” i powiązanego z nim dashboardu. Analiza spraw, których nie udało się rozwiązać przy pierwszym kontakcie, może wskazać możliwości szkolenia agentów, ulepszenia bazy wiedzy lub zmian w procesie. Dlaczego to ważne Bezpośrednio mierzy efektywność i satysfakcję klientów, ponieważ rozwiązanie problemu przy pierwszej próbie sprzyja pozytywnym doświadczeniom z obsługą. Skąd pobrać Pole wyliczane na podstawie analizy sekwencji zdarzeń dla sprawy. Sprawa jest uznawana za rozwiązaną przy pierwszym kontakcie (FCR), jeśli nie wystąpiły w niej określone czynności pośrednie, takie jak przekazanie lub ponowne otwarcie. Przykłady truefalse
	Typ zgłoszenia do obsługi ServiceRequestType	Klasyfikacja zgłoszenia, na przykład „pytanie”, „reklamacja” lub „problem techniczny”.
Opis Ten atrybut klasyfikuje zgłoszenie według jego charakteru lub celu. Pozwala podzielić analizę i sprawdzić, jak obsługiwane są różne typy zgłoszeń. Na przykład przebieg procesu i czas rozwiązania reklamacji mogą znacznie różnić się od tych dla ogólnego pytania. Ten wymiar jest przydatny na dashboardach takich jak „Analiza eskalacji wewnętrznych”, gdzie można sprawdzić, czy określone typy zgłoszeń są częściej eskalowane. Dlaczego to ważne Pozwala podzielić proces i porównać obsługę różnych typów zgłoszeń, a także wskazać związane z nimi wąskie gardła i nieefektywności. Skąd pobrać Informacje te mogą pochodzić z wyboru w systemie IVR, formularza internetowego wypełnionego przez klienta lub klasyfikacji nadanej przez agenta. W Genesys mogą być zapisane jako atrybut uczestnika lub kod podsumowania. Przykłady Pytanie dotyczące rozliczeniaWsparcie techniczneObsługa kontaReklamacja produktu
	Wynik CSAT CustomerSatisfactionScore	Ocena satysfakcji podana przez klienta w ankiecie po zakończeniu interakcji.
Opis Wynik satysfakcji klienta, czyli CSAT, bezpośrednio odzwierciedla ocenę otrzymanej obsługi. Zwykle jest zbierany w ankiecie wysyłanej po zakończeniu interakcji. Analiza CSAT wraz z danymi o procesie może pokazać, jak różnice w przebiegu procesu, czas rozwiązania lub praca poszczególnych agentów wpływają na zadowolenie klientów. To jeden ze wskaźników oceny ogólnych wyników procesu. Dlaczego to ważne Bezpośrednio mierzy zadowolenie klientów i pozwala sprawdzić, jak wyniki procesu wiążą się z ich oceną obsługi. Skąd pobrać Dane pochodzą zwykle z modułu Quality Management w Genesys Cloud CX lub z zewnętrznego narzędzia ankietowego zintegrowanego z Genesys. Przykłady 5413
	Zgodność z SLA IsSlaCompliant	Flaga wskazująca, czy zgłoszenie rozwiązano w docelowym czasie określonym w SLA.
Opis Ten atrybut logiczny wskazuje, czy zgłoszenie rozwiązano w wyznaczonym czasie. Jest obliczany przez porównanie wartości „ServiceResolutionTime” z „SlaTargetResolutionTime”. Flaga upraszcza analizę i prezentację danych na dashboardzie „Przegląd zgodności z SLA” oraz stanowi podstawę do obliczania KPI „Odsetek zgodności z SLA”. Umożliwia szybkie filtrowanie i podział spraw na zgodne i niezgodne z SLA, co pomaga wykrywać powtarzające się przyczyny przekroczeń. Dlaczego to ważne Ułatwia analizę wyników SLA, oznaczając każdą sprawę jako zgodną z SLA lub z przekroczonym terminem. Pomaga też analizować przyczyny niepowodzeń. Skąd pobrać Pole wyliczane: True, jeśli ServiceResolutionTime <= SlaTargetResolutionTime, w przeciwnym razie False. Przykłady truefalse

Wymagane Zalecane Opcjonalne

Działania w procesie obsługi klienta

Poniżej przedstawiono najważniejsze kroki i etapy procesu, które warto zapisać w dzienniku zdarzeń, aby prawidłowo odkryć przebieg procesu.

5 Zalecane 8 Opcjonalne

	Działanie	Opis
	Konsultant przyjął interakcję	Oznacza moment, w którym konsultant przyjmuje zaproponowaną interakcję i łączy się z klientem. To ważny etap, od którego rozpoczyna się bezpośrednia obsługa zgłoszenia.
Dlaczego to ważne Ta czynność ma zasadnicze znaczenie przy pomiarze rozwiązywania spraw przy pierwszym kontakcie i czasu obsługi przez konsultanta. Oznacza początek pracy konsultanta nad zgłoszeniem. Skąd pobrać Informacja jest dostępna w szczegółowych rekordach konwersacji. Zdarzenie oznacza zmianę stanu uczestnika będącego konsultantem na „connected” i ma przypisany znacznik czasu. Rejestrowanie Zapisywane, gdy stan uczestnika będącego konsultantem zmienia się na „connected”. Typ zdarzenia explicit
	Przekazano interakcję	Oznacza przekazanie interakcji przez konsultanta do innej kolejki lub innemu konsultantowi. Może to być przekazanie bez konsultacji, gdy konsultant od razu się rozłącza, albo przekazanie po konsultacji, gdy najpierw rozmawia z odbiorcą.
Dlaczego to ważne Ta czynność jest niezbędna do obliczenia KPI dotyczącego odsetka eskalacji wewnętrznych. Częste przekazywanie spraw może wskazywać na potrzebę szkoleń, błędne kierowanie lub złożoność procesu. Skąd pobrać Zdarzenie można rozpoznać w szczegółowych rekordach konwersacji, gdy po udziale pierwszego konsultanta do konwersacji dołącza nowy uczestnik ACD lub kolejny konsultant. Często inicjuje je zdarzenie „transfer”. Rejestrowanie Rozpoznawane na podstawie zdarzenia transferu w danych sesji uczestnika. Typ zdarzenia explicit
	Przypisano kod podsumowania	Konsultant przypisuje interakcji zdefiniowany wcześniej kod podsumowania, czyli kod wyniku. W ten sposób określa rezultat obsługi zgłoszenia, na przykład „Rozwiązano” lub „Eskalowano”.
Dlaczego to ważne Kody podsumowania są podstawowym źródłem informacji o wyniku biznesowym obsługi zgłoszenia. Są niezbędne do obliczania odsetka rozwiązanych spraw i grupowania case na potrzeby analizy. Skąd pobrać To jawne zdarzenie w szczegółowych rekordach konwersacji, zwykle w danych sesji uczestnika będącego konsultantem. Zapisywany jest kod wrapUp i znacznik czasu. Rejestrowanie Zapisywane, gdy konsultant wybiera kod podsumowania interakcji. Typ zdarzenia explicit
	Rozpoczęto interakcję	To zdarzenie oznacza początek interakcji z obsługą klienta, na przykład połączenia przychodzącego, czatu lub wiadomości e-mail. Genesys Cloud CX zapisuje je w chwili utworzenia nowego obiektu konwersacji w systemie.
Dlaczego to ważne To główne zdarzenie rozpoczynające proces obsługi zgłoszenia. Jest niezbędne do obliczenia całkowitego czasu rozwiązania sprawy i analizy wzorców napływu zgłoszeń od klientów. Skąd pobrać Zdarzenie pochodzi ze szczegółowych rekordów konwersacji. Odpowiada czasowi rozpoczęcia obiektu konwersacji, zapisanemu zwykle w znaczniku czasu conversationStart. Rejestrowanie Zapisywane w chwili rozpoczęcia nowej konwersacji w systemie. Typ zdarzenia explicit
	Zakończono interakcję	Ta czynność oznacza koniec konwersacji, gdy wszyscy uczestnicy się rozłączą. Często stanowi techniczne zamknięcie interakcji związanej ze zgłoszeniem.
Dlaczego to ważne To jednoznaczne zdarzenie kończące interakcję. Jest niezbędne do obliczenia całkowitego czasu jej trwania i często służy jako przybliżenie momentu zamknięcia zgłoszenia. Skąd pobrać Informacja pochodzi ze szczegółowych rekordów konwersacji. Odpowiada czasowi zakończenia obiektu konwersacji, zapisanemu zwykle w znaczniku czasu conversationEnd. Rejestrowanie Zapisywane, gdy wszyscy uczestnicy się rozłączą i konwersacja dobiegnie końca. Typ zdarzenia explicit
	Ponownie otwarto zgłoszenie	Oznacza sytuację, w której klient ponownie kontaktuje się z centrum obsługi w tej samej sprawie, niedługo po tym, jak uznano ją za rozwiązaną. Nie jest to jawne zdarzenie, lecz wynik obliczeń opartych na regułach biznesowych.
Dlaczego to ważne Śledzenie ponownie otwartych zgłoszeń jest niezbędne do pomiaru odsetka ponownie otwieranych spraw. Pokazuje, że pierwotne rozwiązanie nie było skuteczne, co wpływa na satysfakcję klientów i efektywność operacyjną. Skąd pobrać Czynność jest wnioskowana na podstawie nowego zdarzenia „Rozpoczęto interakcję” dla tego samego klienta (Customer ID) i powiązanego problemu, na przykład tego samego typu zgłoszenia, w określonym czasie od rozwiązania poprzedniej sprawy. Rejestrowanie Obliczane przez powiązanie nowej interakcji z niedawno zamkniętą sprawą tego samego klienta i dotyczącą tego samego problemu. Typ zdarzenia calculated
	Rozpoczęto pracę po rozmowie	Ta czynność oznacza początek okresu pracy po rozmowie (ACW). Konsultant zakończył rozmowę z klientem i przechodzi do osobnego stanu, aby wykonać zadania takie jak zapisanie notatek lub aktualizacja systemów.
Dlaczego to ważne Pomiar czasu ACW pomaga ocenić efektywność konsultantów i całkowity czas obsługi. Długi czas ACW może wskazywać na nieefektywne czynności wykonywane po interakcji. Skąd pobrać Dane pochodzą z sesji uczestnika będącego konsultantem. Zdarzenie jest rejestrowane, gdy po rozłączeniu uczestnika będącego klientem stan konsultanta zmienia się na „acw”. Rejestrowanie Zapisywane, gdy stan uczestnika będącego konsultantem zmienia się na „acw”. Typ zdarzenia explicit
	Skierowano konwersację do kolejki	Oznacza moment umieszczenia nowej interakcji w konkretnej kolejce, gdzie czeka na dostępnego konsultanta. To jawne zdarzenie rejestrowane przez mechanizm kierowania Genesys (ACD).
Dlaczego to ważne Śledzenie tej czynności jest niezbędne do pomiaru czasu oczekiwania w kolejce i wykrywania wąskich gardeł w procesie kierowania. Długi czas między tym zdarzeniem a przypisaniem konsultanta może wskazywać na problemy z obsadą lub regułami kierowania. Skąd pobrać Dane pochodzą ze szczegółowych rekordów konwersacji. Należy sprawdzić pola „purpose” i „state” uczestnika ACD w konwersacji. Zdarzeniu odpowiada wartość „enterTime” kolejki w tablicy metrics. Rejestrowanie Zapisywane, gdy mechanizm kierowania ACD umieszcza konwersację w kolejce. Typ zdarzenia explicit
	Wstrzymano interakcję	Ta czynność jest rejestrowana, gdy konsultant wstrzymuje obsługę klienta podczas interakcji. Oznacza jawną zmianę stanu uczestnika będącego konsultantem w ramach konwersacji.
Dlaczego to ważne Analiza częstotliwości i czasu wstrzymania obsługi może ujawnić nieefektywności, na przykład sytuacje, w których konsultanci często szukają informacji lub konsultują się z innymi osobami. Skąd pobrać Dane pochodzą z sesji uczestnika będącego konsultantem w szczegółowych rekordach konwersacji. Stan zmienia się na „held” i zapisywany jest znacznik czasu. Rejestrowanie Zapisywane, gdy stan uczestnika będącego konsultantem zmienia się na „held”. Typ zdarzenia explicit
	Wysłano ankietę satysfakcji klienta	Ta czynność występuje, gdy po zakończeniu interakcji wysyłana jest ankieta satysfakcji klienta (CSAT). System często uruchamia wysyłkę automatycznie na podstawie wcześniej określonych reguł.
Dlaczego to ważne Ta czynność jest potrzebna do pomiaru KPI dotyczącego terminowości wysyłania ankiet CSAT. Szybka wysyłka pozwala zebrać rzetelną opinię, gdy klient dobrze pamięta przebieg obsługi. Skąd pobrać Informacje te są zwykle dostępne w danych ankietowych lub danych dotyczących zarządzania jakością w Genesys Cloud CX. Można je powiązać z pierwotnym identyfikatorem konwersacji. Rejestrowanie Moduł ankiet zapisuje zdarzenie w chwili wysłania ankiety dotyczącej konkretnej konwersacji. Typ zdarzenia explicit
	Wznowiono wstrzymaną interakcję	Zdarzenie występuje, gdy konsultant wznawia rozmowę z klientem po wstrzymaniu obsługi. Oznacza koniec okresu wstrzymania i jest rejestrowane jako zmiana stanu.
Dlaczego to ważne W połączeniu ze zdarzeniem „Wstrzymano interakcję” ta czynność pozwala dokładnie obliczyć łączny czas wstrzymania obsługi. Jest to ważny składnik całkowitego czasu obsługi i jakości doświadczeń klienta. Skąd pobrać Wynika z danych sesji uczestnika będącego konsultantem, gdy jego stan zmienia się z „held” z powrotem na „connected”. Rejestrowanie Zapisywane, gdy stan uczestnika będącego konsultantem zmienia się z „held” na „connected”. Typ zdarzenia explicit
	Zakończono pracę po rozmowie	Oznacza koniec okresu pracy konsultanta po rozmowie. W tym momencie konsultant może przyjąć kolejną interakcję.
Dlaczego to ważne W połączeniu z czynnością „Rozpoczęto pracę po rozmowie” pozwala dokładnie określić czas trwania podsumowania. Ułatwia to analizę produktywności konsultantów i kosztów obsługi procesu. Skąd pobrać Zdarzenie jest wnioskowane, gdy stan konsultanta zmienia się z „acw” na stan dostępności, na przykład „idle”. Wykorzystywany jest znacznik czasu tej zmiany. Rejestrowanie Wnioskowane na podstawie zmiany stanu konsultanta z „acw” na stan dostępności. Typ zdarzenia inferred
	Zaproponowano interakcję konsultantowi	To zdarzenie występuje, gdy system proponuje interakcję konkretnemu konsultantowi. Status konsultanta zmienia się na „alerting”, a system czeka na przyjęcie lub odrzucenie konwersacji.
Dlaczego to ważne Ta czynność pomaga ocenić czas reakcji konsultantów i skuteczność algorytmu kierowania. Opóźnienia po tym etapie mogą oznaczać, że konsultanci nie przyjmują zgłoszeń wystarczająco szybko. Skąd pobrać Zdarzenie znajduje się w szczegółowych rekordach konwersacji, w danych uczestnika dotyczących konsultanta. Sesja uczestnika zawiera wskaźnik ze stanem „alerting” i odpowiadającym mu znacznikiem czasu. Rejestrowanie Zapisywane, gdy mechanizm kierowania powiadamia konsultanta o nowej interakcji. Typ zdarzenia explicit

Zalecane Opcjonalne

Instrukcje ekstrakcji danych

Jak pobrać dane z Genesys Cloud CX

Kroki

Otwórz Analytics Workspace: Zaloguj się do Genesys Cloud CX. Otwórz menu i wybierz Admin, a następnie w sekcji Analytics wybierz Workspace.
Utwórz nowy widok: Kliknij ikonę plusa, aby dodać kartę, i wybierz „Create a new view”. Jako typ widoku wybierz „Interactions”. Otworzy się edytor widoku interakcji.
Ustaw zakres dat: W panelu filtrów po lewej stronie określ daty i godziny dla danych do pobrania. Na początek warto wybrać krótki okres, na przykład tydzień, aby przetestować proces.
Wybierz kolumny do eksportu: Ten krok ma największe znaczenie przy przygotowaniu danych. Kliknij przycisk „Columns”. Z dostępnych pól wybierz i dodaj do widoku następujące kolumny. Zawierają one dane potrzebne do utworzenia dziennika zdarzeń:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (złożone pole zawierające zagnieżdżone dane konsultanta, kolejki i klienta)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Ustaw dodatkowe filtry: W razie potrzeby zawęź dane w panelu filtrów. Można filtrować według Media Type (np. voice, chat), Queue, Direction (inbound/outbound) lub innych właściwości rozmowy, aby skupić się na wybranym procesie obsługi zgłoszeń.
Zapisz i uruchom widok: Zapisz widok pod opisową nazwą, na przykład „Process Mining Service Request Export”. Widok załaduje dane spełniające wybrane kryteria.
Rozpocznij eksport: Po załadowaniu danych kliknij przycisk „Export”, zwykle oznaczony ikoną pobierania. Wybierz „Export as CSV” lub „Export as JSON”. Na początku łatwiej pracować z plikiem CSV.
Pobierz wyeksportowany plik: Eksport zostanie wykonany w tle. Postęp można sprawdzić, przechodząc do Performance > My Exports. Po zakończeniu pobierz plik na komputer.
Przekształć surowe dane: Wyeksportowany plik zawiera jeden wiersz na rozmowę, a dane uczestników i segmentów są zagnieżdżone w jednej kolumnie. Aby je rozdzielić, należy uruchomić skrypt przekształcający, na przykład skrypt Python podany w sekcji Query. Skrypt odczyta surowy eksport i utworzy plik, w którym każdy wiersz odpowiada pojedynczemu działaniu, na przykład „Agent Accepted Interaction” lub „Hold Placed on Interaction”.
Dodaj własną logikę: Podczas przekształcania danych uwzględnij reguły właściwe dla firmy. Na przykład działanie „Service Request Re-Opened” należy wyliczyć na podstawie kolejnych interakcji z tym samym klientem w określonym przedziale czasu.
Przygotuj dziennik zdarzeń: Skrypt powinien zapisać plik CSV z kolumnami wymaganymi przez ProcessMind, w tym ServiceRequest, ActivityName, EventTime i innymi atrybutami. Wszystkie znaczniki czasu powinny mieć spójny format.
Prześlij dane do ProcessMind: Gotowy, przekształcony plik CSV można przesłać do narzędzia process mining.

Konfiguracja

Uprawnienia: Rola użytkownika Genesys Cloud CX musi obejmować uprawnienie Analytics > Conversation > View, aby można było otworzyć Analytics Workspace i tworzyć widoki interakcji.
Zakres dat: Przy pierwszej ekstrakcji warto uwzględnić reprezentatywny okres od 3 do 6 miesięcy. W centrach kontaktu o bardzo dużym wolumenie zaleca się eksportować dane mniejszymi partiami, na przykład tygodniami lub miesiącami. Pozwoli to uniknąć limitów systemu i ograniczyć rozmiar plików.
Najważniejsze filtry:
- Media Type: Wybierz kanały wykorzystywane w procesie obsługi klienta, na przykład voice, chat lub email.
- Queue: Jeśli proces obsługują konkretne zespoły, filtruj według odpowiednich identyfikatorów Queue, aby pobrać dane tylko dla wybranego procesu.
- Direction: Zwykle warto wybrać interakcje inbound, aby uwzględnić zgłoszenia inicjowane przez klientów.
Kolumny eksportu: Kolumna Participants jest niezbędna, ponieważ zawiera szczegółową oś czasu zdarzeń dotyczących konsultantów i kolejek. Bez niej nie można wyodrębnić poszczególnych działań. Należy też uwzględnić Conversation ID, Conversation Start i Conversation End.
Wydajność: Eksport dużej liczby kolumn lub danych z bardzo długiego okresu może trwać długo. Jeśli zadanie zakończy się błędem lub przekroczy limit czasu, należy skrócić zakres dat i spróbować ponownie. Genesys Cloud pozwala wyeksportować około 1 miliona rozmów w jednym zadaniu.

Przykładowe zapytanie 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}")

Kroki

Wymagania i konfiguracja: Należy zainstalować Python 3.8+ oraz biblioteki pandas i purecloud-platform-client-v2. Można je zainstalować poleceniem pip: pip install pandas purecloud-platform-client-v2.
Utwórz klienta OAuth w Genesys Cloud: Zaloguj się na konto administratora Genesys Cloud CX. Przejdź do Integrations > OAuth i utwórz nowego klienta z typem przyznania uprawnień „Client Credentials”. Przypisz mu rolę obejmującą uprawnienie analytics:conversationDetail:view.
Skonfiguruj dane uwierzytelniające skryptu: Zapisz Client ID i Client Secret z poprzedniego kroku. W podanym poniżej skrypcie Python zastąp wartości zastępcze CLIENT_ID, CLIENT_SECRET i GENESYS_CLOUD_REGION właściwymi danymi.
Określ zakres ekstrakcji: Znajdź w skrypcie zmienną query_body. Zmień wartość interval, aby określić zakres dat i godzin pobieranych danych. Do testów warto zacząć od krótkiego okresu, na przykład jednego dnia.
Uruchom skrypt Python: W terminalu wykonaj polecenie python your_script_name.py. Skrypt uwierzytelni się w Genesys Cloud API, zleci asynchroniczne zadanie analityczne i wyświetli jego identyfikator.
Monitoruj zadanie: Skrypt będzie co 15 sekund sprawdzać status zadania przez API. Aktualizacje statusu pojawią się w konsoli. W zależności od ilości danych może to potrwać kilka minut lub dłużej.
Przetwórz i przekształć dane: Po zakończeniu zadania skrypt pobierze dane JSON. Następnie przeanalizuje każdy rekord rozmowy, odczyta dane uczestników, sesji i segmentów oraz wyodrębni najważniejsze działania i atrybuty.
Obsłuż zdarzenia wyliczane: Skrypt zawiera etap przetwarzania, który wykrywa zdarzenia „Service Request Re-Opened”. Tę logikę można dostosować. Sprawdza ona, czy po rozwiązaniu wcześniejszej interakcji z tym samym klientem w określonym przedziale czasu pojawiły się nowe interakcje.
Utwórz dziennik zdarzeń: Przekształcone dane zostaną zebrane w pandas DataFrame o strukturze odpowiadającej dziennikowi zdarzeń process mining.
Zapisz końcowy plik CSV: Skrypt zapisze końcowy DataFrame w pliku CSV o nazwie genesys_event_log.csv. Plik będzie gotowy do przesłania na platformę ProcessMind.

Konfiguracja

Dane uwierzytelniające API: Do uwierzytelnienia potrzebne są OAuth Client ID i Client Secret. Należy je utworzyć w interfejsie administratora Genesys Cloud CX.
Uprawnienia API: Rola przypisana do klienta OAuth musi obejmować uprawnienie analytics:conversationDetail:view, które umożliwia dostęp do potrzebnych danych o rozmowach.
Zakres ekstrakcji: Parametr interval w treści zapytania API określa zakres dat pobieranych danych. W dużych środowiskach warto pobierać dane mniejszymi, kolejnymi partiami, na przykład po jednym tygodniu, aby uniknąć przekroczenia limitu czasu API i ograniczyć zużycie pamięci.
Filtry danych: Treść zapytania API można zmodyfikować, dodając conversationFilters, segmentFilters lub evaluationFilters, aby zawęzić zakres ekstrakcji. Można na przykład filtrować według konkretnego queueId lub mediaType, aby skupić się na wybranej części procesu obsługi klienta.
Logika ponownego otwarcia: Przedział czasu używany do wykrywania zdarzenia „Service Request Re-Opened” można skonfigurować w skrypcie. Domyślnie wynosi 72 godziny, ale należy go dostosować do reguł obowiązujących w firmie.
Środowisko: Do uruchomienia skryptu potrzebne jest lokalne środowisko Python z wymaganym SDK i bibliotekami. Bezpośredni dostęp do serwera ani bazy danych Genesys Cloud CX nie jest wymagany.

Przykładowe zapytanie 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()

Kroki

Sprawdź, czy organizacja Genesys Cloud CX obsługuje wymaganą integrację EventBridge, czy dostępne są odpowiednie uprawnienia administratora i dostęp do zdarzeń rozmów oraz czy konto AWS ma uprawnienia do ich odbierania. Uzgodnij z właścicielem systemu docelowy region AWS, magistralę zdarzeń EventBridge oraz filtry dotyczące organizacji, działu, kolejki lub kanału.
Skonfiguruj integrację AWS EventBridge w Genesys Cloud CX zgodnie z aktualnym interfejsem administracyjnym i dokumentacją integracji obowiązującą w firmie. Wybierz docelowe konto AWS, region, magistralę zdarzeń i kategorie zdarzeń rozmów potrzebne do szczegółowego monitorowania cyklu interakcji. Etykiety menu i dostępne schematy zdarzeń mogą się różnić w zależności od organizacji i wersji. W przypadku ustawień specyficznych dla danej organizacji skorzystaj z instrukcji [Skonfiguruj zgodnie z używanym systemem].
Skonfiguruj AWS EventBridge tak, aby odbierał zdarzenia Genesys Cloud na wybranej magistrali. Zastosuj uprawnienia o minimalnym wymaganym zakresie, szyfrowanie, retencję i monitorowanie, a także skonfiguruj miejsce docelowe dla nieobsłużonych zdarzeń, jeśli jest dostępne. Utwórz regułę przekazującą wymagane zdarzenia do odbiorcy używanego przez jezioro danych, hurtownię, procesor strumieniowy lub lokalizację docelową w pamięci obiektowej.
Zapisuj surowe ładunki EventBridge bez zmieniania oryginalnych znaczników czasu ani identyfikatorów. W [Surowym magazynie zdarzeń] przechowuj ładunek, czas przyjęcia, typ zdarzenia, źródło, typ szczegółów i metadane dostarczenia. Zachowaj surowe dane, aby można było ponownie zweryfikować mapowania po zmianie schematów Genesys Cloud.
Przygotuj w Pythonie etap normalizacji, który odczytuje surowe ładunki, identyfikuje identyfikator rozmowy, dane uczestnika i sesji, kolejki i konsultanta, typ kanału, dane podsumowania oraz znaczniki czasu zdarzeń, a następnie tworzy osobny znormalizowany wiersz dla każdego jawnie zarejestrowanego działania. Użyj rzeczywistych ścieżek pól z próbek zdarzeń otrzymanych w organizacji. Nie wyciągaj wniosków o działaniach, których nie potwierdza jawne zdarzenie lub zmiana stanu.
Przypisz jawne zmiany stanu rozmowy i uczestnika w Genesys Cloud do wymaganych wartości ActivityName. Zapisz Interaction Started, gdy występuje zdarzenie utworzenia rozmowy; Conversation Routed to Queue, gdy występuje zdarzenie przekierowania; Agent Offered Interaction, gdy stan konsultanta to alerting; Agent Accepted Interaction, gdy konsultant zaakceptuje lub połączy się z interakcją; Hold Placed on Interaction i Hold Removed from Interaction dla odpowiednich zmian stanu wstrzymania; Interaction Transferred dla jawnego zdarzenia przekazania; After-Call Work Started i After-Call Work Ended dla jawnych zmian stanu ACW; Wrap-Up Code Assigned, gdy przypisano kod podsumowania; oraz Interaction Disconnected, gdy rozłączono rozmowę lub odpowiednią końcową sesję uczestnika.
Obsługuj osobno Service Request Re-Opened i Customer Satisfaction Survey Sent. Zdarzenia rozmów EventBridge nie zawsze zawierają bezpośrednio którekolwiek z tych działań. Jeśli w organizacji dostępne jest jawne źródło zdarzeń ankiet, uwzględnij je tylko po otrzymaniu takiego zdarzenia. Service Request Re-Opened wyliczaj wyłącznie w osobnym, udokumentowanym procesie opartym na regułach biznesowych, a następnie dodaj wynikowy wiersz do dziennika zdarzeń. ProcessMind nie wylicza ani nie wnioskuje o tym działaniu.
W polu ServiceRequest umieść stabilny identyfikator zgłoszenia lub rozmowy wybrany w ramach mapowania biznesowego. W polu ActivityName podaj dokładnie jedną wymaganą etykietę działania, w EventTime czas rozpoczęcia działania, w EventEndTime czas zakończenia, jeśli jest dostępny, w SourceSystem wartości Genesys Cloud CX i AWS EventBridge, a w LastDataUpdate czas odświeżenia danych. Uzupełnij opcjonalne atrybuty, jeśli są dostępne, a w przeciwnym razie pozostaw je jako NULL.
Usuń duplikaty, używając identyfikatora zdarzenia dostawcy, jeśli jest dostępny, albo udokumentowanego klucza złożonego z ServiceRequest, ActivityName, EventTime, identyfikatora uczestnika lub konsultanta oraz identyfikatora zdarzenia źródłowego. Uwzględnij ponowne próby dostarczenia i zdarzenia w niewłaściwej kolejności. Nie usuwaj powtarzających się wstrzymań, przekazań, ofert ani innych prawidłowych, wielokrotnych działań.
Zweryfikuj znormalizowane dane, porównując liczbę rekordów z surowymi ładunkami oraz sprawdzając znaczniki czasu, identyfikatory rozmów, dane kolejek i konsultantów oraz pełną listę działań. Wyeksportuj plik płaski lub załaduj tabelę zawierającą wymagane kolumny ServiceRequest, ActivityName, EventTime, SourceSystem i LastDataUpdate oraz zalecane kolumny, jeśli są dostępne. Ujednolić strefę czasową i format znaczników czasu zgodnie z wymaganiami ProcessMind, a następnie prześlij dziennik zdarzeń jako dane wejściowe procesu Service Request.

Konfiguracja

Integracja i miejsce docelowe: Skonfiguruj integrację Genesys Cloud CX z AWS EventBridge dla docelowego konta AWS, regionu i magistrali zdarzeń. W przypadku ustawień integracji specyficznych dla organizacji, których nie opisują dostępne próbki zdarzeń, skorzystaj z instrukcji [Skonfiguruj zgodnie z używanym systemem].
Zakres zdarzeń: Subskrybuj dostępne w organizacji Genesys Cloud szczegółowe zdarzenia dotyczące rozmów, uczestników, sesji, przekierowań, zmian stanu, przekazań, rozłączeń, podsumowań i ACW. Przed wdrożeniem produkcyjnym sprawdź dokładne typy zdarzeń i ścieżki pól w ładunkach, korzystając z kontrolnej interakcji testowej.
Identyfikator sprawy: W polu ServiceRequest użyj stabilnego identyfikatora rozmowy lub zgłoszenia wybranego w ramach mapowania biznesowego. Jeśli w innym systemie istnieje osobny identyfikator zgłoszenia, należy udokumentować powiązanie go z identyfikatorem rozmowy Genesys Cloud.
Zakres dat: Na potrzeby analizy procesu zacznij od danych historycznych z okresu od 3 do 6 miesięcy. Przy pracy z danymi zbliżonymi do czasu rzeczywistego stosuj krótkie odstępy między odpytywaniem lub punktami kontrolnymi strumienia i zachowuj surowe dane w formie umożliwiającej ich ponowne przetworzenie. Po przerwie użyj nakładającego się zakresu danych, a następnie usuń duplikaty według identyfikatora zdarzenia dostawcy.
Filtry: Stosuj wyłącznie potwierdzone filtry właściwe dla organizacji, takie jak dział, kolejka, typ kanału, jednostka biznesowa lub data interakcji. Nie filtruj według Company Code ani Document Type, chyba że te pojęcia pochodzą ze zintegrowanego źródła i zostały jawnie zmapowane w danym środowisku.
Obsługa znaczników czasu: W polu EventTime zachowaj znacznik czasu zdarzenia ze źródła. Czas przyjęcia lub odświeżenia danych zapisuj osobno w LastDataUpdate. Ujednolić wszystkie znaczniki czasu według udokumentowanej strefy czasowej, najlepiej UTC, zachowując oryginalne przesunięcie, jeśli jest to wymagane do celów audytowych.
Atrybuty opcjonalne: AgentId i AgentName można uzupełnić danymi uczestnika lub użytkownika, QueueName danymi o przekierowaniu, WrapUpCode danymi podsumowania, MediaType kanałem rozmowy lub sesji, a EventEndTime jawnym zdarzeniem zakończenia lub czasem trwania podanym przez źródło.
Wydajność: Dziel surowe i znormalizowane dane według daty zdarzenia oraz, jeśli to możliwe, organizacji lub działu. Przetwarzaj dane przyrostowo, korzystając z punktu kontrolnego EventBridge. Zapisuj dane w hurtowni lub jeziorze danych partiami, monitoruj opóźnienia i unikaj ponownego skanowania całej historii.
Niezawodność: Skonfiguruj obsługę ponownych prób, przetwarzanie nieobsłużonych zdarzeń, procedury ponownego odtwarzania, wykrywanie duplikatów oraz monitorowanie błędów dostarczenia, zmian schematu i opóźnień zdarzeń.
Wymagania wstępne: Uprawnienia administratora lub do integracji Genesys Cloud, uprawnienia AWS EventBridge, dostęp do wybranej magistrali zdarzeń i dalszego magazynu, uprawnienia do odczytu szczegółów rozmów oraz funkcje lub licencje Genesys Cloud wymagane przez organizację do integracji zdarzeń. Przed zapisaniem danych o rozmowach należy sprawdzić wymagania dotyczące retencji i prywatności.

Przykładowe zapytanie 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)

Jak zacząć?

Wykorzystaj pełnię możliwości operacji związanych z obsługą klienta. Korzystając z tego szablonu, można odkryć nowe informacje i usprawnić działanie procesu.

Wróć do przewodnika ulepszania procesów

Pobierz szablon

Ogranicz ponowne kontakty i usprawnij obsługę klienta!

Popraw CSAT i z łatwością osiągnij 80% spraw rozwiązanych przy pierwszym kontakcie.

Rozpocznij okres próbny

Nie trzeba podawać danych karty płatniczej. Okres próbny można aktywować w kilka minut.

Szablon danych dotyczących obsługi klienta

Szablon danych dotyczących obsługi klienta

Atrybuty obsługi klienta

Działania w procesie obsługi klienta

Instrukcje ekstrakcji danych

Eksport szczegółów rozmów z Genesys Cloud Analytics

Kroki

Konfiguracja

Przykładowe zapytanie python

Skrypt Python korzystający z Genesys Cloud Platform API

Kroki

Konfiguracja

Przykładowe zapytanie python

Strumieniowe przesyłanie zdarzeń przez integrację z AWS EventBridge

Kroki

Konfiguracja

Przykładowe zapytanie python

Jak zacząć?

Ogranicz ponowne kontakty i usprawnij obsługę klienta!