> Melhoria Contínua de Processos > Serviço ao Cliente > Genesys Cloud CX > Modelo de Dados

Seu Template de Dados de Atendimento ao Cliente

Genesys Cloud CX

Atributos de Atendimento (20) Atividades de Atendimento (13) Guias de Extração (3)

Seu Template de Dados de Atendimento ao Cliente

Este template oferece um roteiro claro para coletar os dados essenciais para analisar e otimizar seu processo de atendimento. Ele detalha os atributos recomendados, as principais atividades a serem monitoradas e orientações práticas para extrair essas informações dos seus sistemas de origem.

Atributos recomendados para coletar
Atividades-chave a monitorizar
Orientação para Extração

É novo em event logs? Saiba como criar um event log para Process Mining.

Baixar Modelo

Atributos de Atendimento

Estes são os campos de dados recomendados para incluir no seu log de eventos para uma análise abrangente do atendimento ao cliente.

5 Obrigatório 6 Recomendado 9 Opcional

	Nome	Descrição
	Hora de Início EventTime	O timestamp indicando quando uma atividade ou evento começou.
Descrição Este atributo fornece a data e hora exatas de cada atividade. É essencial para o sequenciamento correto dos eventos e para todas as análises temporais. O Horário de Início é usado para construir o fluxo do processo em ordem cronológica e é a base para calcular durações, tempos de espera e ciclos. Por que é importante Este timestamp ordena todas as atividades cronologicamente, permitindo analisar fluxos, durações e gargalos com precisão. Onde obter Encontrado nos logs de eventos do Genesys Cloud CX, geralmente associado a cada evento do sistema ou usuário. Exemplos 2024-05-21T10:00:15Z2024-05-21T10:02:30Z2024-05-21T10:15:00Z
	Nome da Atividade ActivityName	O nome do evento ou tarefa específica que ocorreu em um ponto no tempo dentro do ciclo de vida da solicitação de serviço.
Descrição Este atributo descreve uma etapa específica ou mudança de status no processo de atendimento. Cada atividade representa um evento distinto, como 'Agente Aceitou Interação' ou 'Wrap-Up Code Atribuído'. Analisar a sequência e a frequência dessas atividades é fundamental para o Process Mining, ajudando a visualizar fluxos, identificar desvios e localizar gargalos ou etapas ineficientes. Por que é importante As atividades formam a espinha dorsal do mapa de processo, permitindo visualizar e analisar o fluxo real em comparação ao fluxo planejado. Onde obter Isso geralmente é derivado pelo mapeamento de eventos do sistema, estados de agentes ou entradas de trilha de auditoria no Genesys Cloud CX para nomes de atividades padronizados. Exemplos Interação IniciadaAgente Aceitou InteraçãoTrabalho Pós-Chamada FinalizadoSolicitação de serviço reaberta
	Solicitação de serviço ServiceRequest	O identificador principal de uma interação de atendimento ao cliente, vinculando todas as atividades relacionadas.
Descrição A Solicitação de Serviço, muitas vezes chamada de Ticket ou Caso (Case), serve como o identificador principal para uma única consulta ou problema do cliente. Ela agrupa todos os eventos relacionados, desde o contato inicial até a resolução final, em uma única instância de processo. Analisar por Solicitação de Serviço permite uma visão completa de ponta a ponta da jornada do cliente e do processo de tratamento interno. É a base para calcular métricas fundamentais, como o tempo total de resolução e a taxa de resolução no primeiro contato. Por que é importante Este é o Case ID essencial que conecta todas as etapas do processo, permitindo uma análise holística de cada interação com o cliente, do início ao fim. Onde obter Este é o identificador conceitual do caso. No Genesys, costuma corresponder ao Conversation ID, mas pode ser um identificador personalizado dependendo da implementação. Exemplos SR-20240521-00123SR-20240521-00124SR-20240522-00001
	Sistema de Origem SourceSystem	O sistema do qual os dados foram extraídos.
Descrição Este atributo identifica o sistema de origem dos dados do evento, que neste caso é o Genesys Cloud CX. Em ambientes com múltiplos sistemas integrados, este campo é crucial para a rastreabilidade dos dados e compreensão do contexto, garantindo que a análise se baseie na fonte correta. Por que é importante Identifica a origem dos dados, essencial para governança e quando há integração de múltiplos sistemas. Onde obter Este costuma ser um valor estático adicionado durante a extração e transformação dos dados para rotular a origem dos registros. Exemplos Genesys Cloud CXGenesysCloudCX_US1Genesys
	Última Atualização de Dados LastDataUpdate	O timestamp da atualização de dados mais recente.
Descrição Este atributo indica a última vez que o conjunto de dados foi atualizado a partir do sistema de origem. Fornece contexto sobre o quão recentes são os dados analisados, o que é crítico para decisões de negócios oportunas. Por que é importante Indica a atualização dos dados, garantindo decisões baseadas em informações recentes. Onde obter Este valor é gerado e carimbado no conjunto de dados no momento da extração ou carregamento na ferramenta de Process Mining. Exemplos 2024-05-23T04:00:00Z2024-05-24T04:00:00Z
	Canal de Comunicação MediaType	O canal de comunicação utilizado para a interação, como voz, chat ou e-mail.
Descrição Este atributo especifica o meio pelo qual o cliente e o agente se comunicaram. Canais comuns incluem voz, chat, e-mail e redes sociais. Analisar o desempenho por canal ajuda a entender volumes específicos, tempos de resolução e satisfação do cliente, otimizando a estratégia de canais. Por que é importante Segmentar o processo por canal de comunicação é crucial para entender o desempenho específico de cada canal, o comportamento do cliente e as necessidades de recursos. Onde obter Um campo padrão nos registros detalhados de conversa do Genesys Cloud CX. Exemplos vozchatemailmensagem
	End Time EventEndTime	O carimbo de data/hora (timestamp) que indica quando uma atividade ou evento terminou.
Descrição Este atributo registra o momento exato em que uma atividade termina. Junto com o Horário de Início, permite o cálculo exato da duração de cada atividade individual. Isso é fundamental para localizar ineficiências e oportunidades de otimização, como tempos de espera longos ou durações excessivas de pós-atendimento. Por que é importante Permite calcular a duração exata das atividades, essencial para identificar etapas lentas e gargalos. Onde obter Encontrado nos logs do Genesys Cloud CX; também pode ser derivado do início do evento seguinte. Exemplos 2024-05-21T10:02:30Z2024-05-21T10:15:00Z2024-05-21T10:18:45Z
	ID do Agente AgentId	O identificador exclusivo do agente que tratou a interação ou atividade.
Descrição O Agent ID é uma chave exclusiva para cada representante de atendimento. Este atributo é essencial para análises de desempenho, distribuição de carga de trabalho e eficiência. Permite filtrar o mapa do processo para ver como agentes ou equipes específicas lidam com as solicitações, comparando métricas como tempo de resolução, taxa de retrabalho e adesão aos procedimentos padrão. É a base do dashboard de 'Desempenho e Eficiência dos Agentes'. Por que é importante Este atributo conecta as atividades do processo a colaboradores específicos, permitindo a análise de desempenho individual, carga de trabalho e eficiência da equipe. Onde obter Disponível nos registros detalhados do Genesys Cloud CX, associado ao usuário que tratou um segmento específico da interação. Exemplos a1b2c3d4-e5f6-7890-1234-567890abcdeff0e9d8c7-b6a5-4321-fedc-ba0987654321
	Nome da Fila QueueName	O nome da fila para a qual a interação foi roteada.
Descrição Este atributo identifica a fila específica em que uma interação aguardou antes de ser atribuída a um agente. Analisar dados pelo Nome da Fila é essencial para o dashboard de 'Detecção de Gargalos na Fila de Serviço', ajudando a entender a distribuição da carga entre grupos de habilidades e identificar filas sobrecarregadas ou subdimensionadas. Por que é importante Ajuda a identificar gargalos e analisar a carga de trabalho mostrando onde as solicitações esperam por atribuição. Onde obter Disponível nos registros do Genesys Cloud CX. Cada interação pode passar por uma ou mais filas. Exemplos Suporte Nível 1 - VozConsultas de Faturamento - ChatSuporte técnico - E-mail
	Nome do Agente AgentName	O nome completo do agente que tratou a interação ou atividade.
Descrição O Nome do Agente fornece um identificador legível para o representante, correspondente ao Agent ID. Este atributo torna os dashboards e relatórios mais intuitivos para gerentes e líderes de equipe. É amplamente utilizado em análises focadas no agente para revisar o desempenho, identificar necessidades de treinamento e garantir uma distribuição justa da carga de trabalho sem a necessidade de consultar IDs de sistema. Por que é importante Fornece um nome amigável para o agente, facilitando a análise de desempenho e a comunicação de resultados sem a necessidade de usar IDs técnicos. Onde obter Recuperado do serviço de Usuários ou Diretório no Genesys Cloud CX por meio da consulta do AgentId. Exemplos John SmithJane DoePeter Jones
	Wrap-Up Code WrapUpCode	Um código atribuído por um agente ao final de uma interação para categorizar seu resultado ou tópico.
Descrição O Wrap-Up Code (Código de Finalização) é uma etiqueta selecionada pelo agente para classificar a natureza ou resolução de uma interação. Esses códigos fornecem dados estruturados sobre por que os clientes buscam suporte. Analisar os Wrap-Up Codes ajuda a identificar tipos comuns de problemas, rastrear resultados de resolução e medir a frequência de solicitações específicas. Esses dados são valiosos para análise de causa raiz e compreensão dos padrões de demanda. Por que é importante Categoriza o resultado da interação, fornecendo dados estruturados para analisar problemas comuns e a eficácia da resolução. Onde obter Disponível nos registros do Genesys Cloud CX, especificamente nos detalhes da sessão dos agentes participantes. Exemplos Redefinição de senhaDisputa de Faturamento ResolvidaSolicitação de informações de produtoEscalonado para Nível 2
	É Resolução no Primeiro Contato IsFirstContactResolution	Um indicador que sinaliza se a solicitação foi resolvida em uma única interação.
Descrição Este atributo booleano identifica casos resolvidos logo na primeira interação, sem necessidade de acompanhamento ou transferências. Um valor 'verdadeiro' indica uma resolução ideal e eficiente. É a base para o KPI de 'Taxa de Resolução no Primeiro Contato'. Por que é importante Mede a eficiência e satisfação; resolver problemas de primeira é o principal motor de uma experiência positiva. Onde obter Campo calculado, derivado da sequência de eventos. Um caso é FCR se resolvido sem atividades intervenientes como transferências ou reaberturas. Exemplos verdadeirofalse
	Está em Conformidade com o SLA IsSlaCompliant	Um indicador que sinaliza se a solicitação foi resolvida dentro do tempo previsto no SLA.
Descrição Este atributo booleano indica se uma solicitação cumpriu sua meta de tempo de resolução. É calculado comparando o 'ServiceResolutionTime' com o 'SlaTargetResolutionTime', facilitando a visualização no dashboard de 'Visão Geral de Conformidade do SLA' e permitindo segmentar casos conformes e não conformes. Por que é importante Simplifica a análise de desempenho do SLA ao sinalizar claramente cada caso como conforme ou violado, permitindo a análise de causa raiz das falhas. Onde obter Campo calculado: Verdadeiro se o tempo de resolução for menor ou igual ao alvo do SLA. Exemplos verdadeirofalse
	ID da Conversa ConversationId	O identificador exclusivo atribuído pela Genesys a uma conversa inteira.
Descrição O Conversation ID é a principal chave técnica no Genesys Cloud CX que agrupa todas as interações, segmentos e participantes relacionados a uma única conversa com o cliente. Embora o conceito de 'Solicitação de Serviço' seja usado como Case ID, o Conversation ID é a chave subjacente para recuperar todos os dados das APIs da Genesys. É essencial para extração de dados, união de conjuntos de dados e validação técnica dos dados do processo. Por que é importante Esta é a principal chave técnica no Genesys, essencial para extração de dados, suporte técnico e vinculação ao sistema de origem. Onde obter Este é um campo principal em todas as APIs de analytics e conversas do Genesys Cloud CX. Exemplos d8a7c6b5-e4f3-2109-8765-fedcba098765c7b6a5d4-f3e2-1098-7654-edcbaf987654
	Pontuação CSAT CustomerSatisfactionScore	A pontuação de satisfação fornecida pelo cliente em uma pesquisa pós-interação.
Descrição O Customer Satisfaction Score, ou CSAT, é uma medida direta da percepção do cliente sobre o serviço recebido. Geralmente é coletado via pesquisa após o fechamento da interação. Analisar as pontuações de CSAT junto com os dados do processo pode revelar como variações, tempos de resolução ou agentes específicos impactam a felicidade do cliente. É uma métrica de resultado fundamental para avaliar o sucesso geral do processo. Por que é importante Mede a felicidade do cliente, permitindo correlacionar o desempenho do processo com os resultados de satisfação. Onde obter Estes dados geralmente vêm do módulo de Gestão de Qualidade do Genesys Cloud CX ou de uma ferramenta de pesquisa de terceiros integrada. Exemplos 5413
	Reaberto IsReopened	Um indicador que sinaliza se uma solicitação de serviço resolvida foi reaberta posteriormente.
Descrição Este atributo booleano sinaliza solicitações que foram resolvidas ou fechadas, mas voltaram a ficar ativas. Casos reabertos costumam indicar que a solução inicial não foi eficaz, gerando insatisfação e retrabalho. Alimenta o dashboard de 'Tendências de Reabertura de Solicitações' e ajuda a identificar causas raiz de resoluções ineficazes. Por que é importante Destaca falhas na resolução e problemas na qualidade da solução, gerando retrabalho e má experiência. Onde obter Campo calculado, detectado quando uma atividade reativa o caso após a resolução da solicitação de serviço. Exemplos verdadeirofalse
	Tempo de Processamento Duration	O tempo gasto para concluir uma única atividade, medido em segundos.
Descrição Este atributo quantifica a duração de uma etapa do processo. Analisar o tempo de processamento ajuda a identificar quais atividades consomem mais tempo, sendo vital para dashboards de desempenho que avaliam a eficiência dos agentes e buscam oportunidades de melhoria. Por que é importante Quantifica o tempo gasto em cada atividade, ajudando a identificar ineficiências e medir o desempenho em um nível granular. Onde obter Campo calculado: EventEndTime - EventTime. Algumas APIs do Genesys podem fornecer durações diretamente. Exemplos 12075045
	Tempo de resolução do serviço ServiceResolutionTime	O tempo total decorrido desde o início da primeira interação com o cliente até a resolução final.
Descrição Esta métrica mede a duração total de uma solicitação, desde o contato inicial do cliente até que o problema seja marcado como resolvido. É um KPI fundamental para a eficiência do processo e experiência do cliente, sendo o foco principal do dashboard de 'Tempo de Resolução de Solicitações'. Analisar sua distribuição ajuda a identificar casos demorados e atrasos sistêmicos. Por que é importante Este é um KPI crítico para medir a eficiência geral do processo e seu impacto na experiência do cliente. Onde obter Campo calculado: Registro da atividade final de resolução menos o registro do primeiro contato do cliente. Exemplos 90010800172800
	Tempo meta de resolução do SLA SlaTargetResolutionTime	O tempo meta acordado em contrato para resolver a solicitação de serviço.
Descrição Este atributo define o tempo máximo permitido para a resolução de uma solicitação, de acordo com o Acordo de Nível de Serviço (SLA). Serve como referência para medir os tempos de resolução reais. Estes dados são essenciais para o dashboard 'Visão Geral de Conformidade do SLA' e o KPI 'Taxa de Conformidade do SLA', permitindo monitorar o desempenho em relação aos compromissos com o cliente. Por que é importante Define a referência para medir a conformidade com o SLA, um indicador crítico do desempenho do serviço e das obrigações contratuais. Onde obter Isso pode ser armazenado como um atributo personalizado na conversa ou derivado com base em regras que envolvem a fila, tipo de cliente ou tipo de solicitação. Exemplos 86400144003600
	Tipo de solicitação de serviço ServiceRequestType	A classificação da solicitação de serviço, como 'Consulta', 'Reclamação' ou 'Problema Técnico'.
Descrição Este atributo categoriza a solicitação de serviço com base em sua natureza ou propósito. Permite segmentar a análise para entender como diferentes tipos de solicitações são tratados. Por exemplo, o fluxo e o tempo de resolução de uma 'Reclamação' podem diferir significativamente de uma 'Consulta Geral'. Esta dimensão é vital para dashboards como 'Análise de Escalonamento Interno'. Por que é importante Permite a segmentação do processo para comparar como diferentes tipos de solicitações são tratadas e identificar gargalos específicos. Onde obter Esta informação pode ser capturada via seleção na URA, escolha do cliente em formulário web ou atribuída por um agente. No Genesys, pode ser armazenada como atributo de participante ou wrap-up code. Exemplos Consulta de FaturamentoSuporte técnicoGestão de ContasReclamação de produto

Obrigatório Recomendado Opcional

Atividades de Atendimento

Estas são as etapas e marcos principais do processo que você precisa capturar no seu Event Log para uma descoberta de processos precisa.

5 Recomendado 8 Opcional

	Atividade	Descrição
	Agente Aceitou Interação	Indica o momento em que um agente aceita a interação oferecida e se conecta ao cliente. Este é um marco fundamental, onde começa o tratamento direto da solicitação de serviço.
Por que é importante Esta atividade é crucial para medir a Resolução no Primeiro Contato e o tempo de atendimento do agente. Ela marca o início do trabalho do agente na solicitação. Onde obter Disponível nos registros detalhados. É marcado pela mudança de estado do agente para 'conectado', com seu respectivo registro de tempo. Captura Registrado quando o estado do agente muda para 'conectado'. Tipo de evento explicit
	Interação Desconectada	Esta atividade significa o fim da conversa, quando todos os participantes se desconectaram. Muitas vezes serve como o fechamento técnico da interação da solicitação.
Por que é importante Este é um evento de término definitivo para a interação. É crucial para calcular a duração total da interação e costuma ser usado como um indicador de fechamento da solicitação. Onde obter Isso é capturado nos registros de detalhes da conversa. Corresponde ao horário de término do objeto de conversa, geralmente encontrado no timestamp conversationEnd. Captura Registrado quando todos os participantes desconectam e a conversa encerra. Tipo de evento explicit
	Interação Iniciada	Esta atividade marca o início de uma interação de atendimento, como uma chamada recebida, chat ou e-mail. O Genesys Cloud CX registra explicitamente este evento quando um novo objeto de conversa é criado.
Por que é importante Este é o principal evento de início para o processo de solicitação de serviço. É essencial para calcular o tempo total de resolução e entender os padrões de demanda de entrada. Onde obter Este evento é capturado nos registros de detalhes da conversa. Corresponde ao horário de início do próprio objeto de conversa, geralmente encontrado no timestamp conversationStart. Captura Registrado quando uma nova conversa é iniciada no sistema. Tipo de evento explicit
	Interação Transferida	Representa um agente transferindo uma interação para outra fila ou agente. Pode ser uma transferência cega, onde o agente desconecta imediatamente, ou uma transferência consultiva, onde ele fala com o destinatário primeiro.
Por que é importante Esta atividade é essencial para o KPI de Taxa de Escalonamento Interno. Altas taxas de transferência podem indicar necessidades de treinamento, roteamento incorreto ou complexidade excessiva do processo. Onde obter Isso é identificado nos registros de detalhes da conversa quando um novo ACD ou agente é adicionado após o envolvimento do agente inicial, muitas vezes iniciado por um evento de 'transferência'. Captura Identificado por um evento de transferência nos dados da sessão. Tipo de evento explicit
	Wrap-Up Code Atribuído	O agente atribui um código de wrap-up (encerramento) à interação. Isso categoriza explicitamente o resultado, como 'Resolvido' ou 'Escalonado'.
Por que é importante Os wrap-up codes são a principal fonte para determinar o resultado de uma solicitação. São vitais para calcular taxas de resolução e segmentar casos para análise. Onde obter Este é um evento explícito encontrado nos registros de detalhes da conversa, geralmente nos dados de sessão do participante agente. O código wrapUp e o timestamp são registrados. Captura Registrado quando o agente escolhe um código de encerramento para a interação. Tipo de evento explicit
	Conversa Roteada para Fila	Representa o momento em que uma nova interação é colocada em uma fila específica para aguardar um agente disponível. É um evento explícito registrado pelo motor de roteamento (ACD) do Genesys.
Por que é importante O acompanhamento desta atividade é crítico para medir o tempo de espera na fila e identificar gargalos no roteamento. Intervalos longos entre isso e a atribuição ao agente indicam problemas de dimensionamento ou na lógica de roteamento. Onde obter Capturado dos registros de conversa, analisando 'purpose' e 'state' do participante de ACD. O 'enterTime' da fila indica este evento. Captura Registrado quando o motor de roteamento ACD coloca uma conversa em fila. Tipo de evento explicit
	Interação Colocada em Espera	Esta atividade é registrada quando um agente coloca um cliente em espera durante uma interação. É uma mudança de estado explícita para o participante agente dentro da conversa.
Por que é importante Analisar a frequência e duração das esperas (hold) pode revelar ineficiências, como agentes buscando informações constantemente ou consultando terceiros. Onde obter Capturado da sessão do agente. Ocorre quando o estado muda para 'held' (espera) e o registro de tempo é gravado. Captura Registrado quando o estado do agente muda para 'espera'. Tipo de evento explicit
	Interação Oferecida ao Agente	Este evento ocorre quando o sistema oferece uma interação a um agente específico. O status do agente muda para 'alertando' enquanto o sistema aguarda a aceitação ou rejeição da conversa.
Por que é importante Esta atividade ajuda a analisar a responsividade do agente e a eficácia do algoritmo de roteamento. Atrasos após este ponto podem indicar que os agentes não estão aceitando o trabalho prontamente. Onde obter Localizado nos dados de participantes do agente. A sessão mostrará uma métrica com estado 'alerting' e o horário correspondente. Captura Registrado quando o motor de roteamento alerta o agente sobre uma nova interação. Tipo de evento explicit
	Interação Retirada da Espera	Ocorre quando um agente retira um cliente da espera e retoma a conversa. Este evento marca o fim de um período de espera e é registrado como uma mudança de estado.
Por que é importante Combinada com 'Hold Placed on Interaction', esta atividade permite calcular com precisão o tempo total de espera, um componente essencial do tempo total de atendimento e da experiência do cliente. Onde obter Derivado dos dados de sessão quando o estado do agente muda de 'held' (espera) para 'connected'. Captura Registrado quando o estado do agente muda de 'espera' para 'conectado'. Tipo de evento explicit
	Pesquisa de Satisfação Enviada	Esta atividade ocorre quando uma pesquisa de satisfação (CSAT) é enviada após o fechamento de uma interação. Geralmente é acionada automaticamente pelo sistema com base em regras predefinidas.
Por que é importante Esta atividade é necessária para medir o KPI de Pontualidade na Entrega de Pesquisa CSAT. Garantir o envio rápido ajuda a capturar feedbacks precisos enquanto a experiência está fresca na mente do cliente. Onde obter Esta informação geralmente está disponível nos dados de pesquisa ou gestão de qualidade do Genesys Cloud CX, que podem ser vinculados ao ID da conversa original. Captura Registrado pelo módulo de pesquisa quando uma pesquisa é enviada para uma conversa. Tipo de evento explicit
	Solicitação de serviço reaberta	Representa uma situação em que o cliente entra em contato novamente sobre o mesmo problema logo após ele ser considerado resolvido. Não é um evento explícito, mas sim calculado com base na lógica de negócios.
Por que é importante Monitorar solicitações reabertas é fundamental para medir a Taxa de Reabertura. Isso indica que a resolução inicial não foi eficaz, impactando a satisfação do cliente e a eficiência operacional. Onde obter Esta atividade é inferida ao identificar um novo evento de 'Interaction Started' para o mesmo cliente (ID do Cliente) e problema relacionado (ex: Tipo de Solicitação) dentro de uma janela de tempo definida após a resolução de uma interação anterior. Captura Calculado ao vincular uma nova interação a uma encerrada recentemente para o mesmo cliente e assunto. Tipo de evento calculated
	Trabalho Pós-Chamada Finalizado	Isso marca o fim do período de trabalho pós-chamada para um agente. Nesse ponto, o agente fica disponível para tratar outra interação.
Por que é importante Esta atividade, combinada com 'After-Call Work Started', fornece a duração precisa da fase de finalização, ajudando a analisar a produtividade do agente e a sobrecarga do processo. Onde obter Isso é inferido quando o estado do agente muda de 'acw' para um estado disponível, como 'ocioso'. O timestamp desta mudança é utilizado. Captura Inferido pela mudança do estado do agente de 'acw' para um estado disponível. Tipo de evento inferred
	Trabalho Pós-Chamada Iniciado	Esta atividade marca o início do período de trabalho pós-chamada (ACW). O agente se desconectou do cliente, mas está em um estado dedicado para concluir tarefas como registrar notas ou atualizar sistemas.
Por que é importante Medir a duração do ACW (trabalho pós-atendimento) é essencial para entender a eficiência do agente e o tempo total de atendimento. Um ACW prolongado pode indicar processos pós-interação ineficientes. Onde obter Capturado da sessão do agente. Registrado quando o estado muda para 'acw' após o cliente desconectar. Captura Registrado quando o estado do agente muda para 'acw'. Tipo de evento explicit

Recomendado Opcional

Guias de Extração

Como obter seus dados do Genesys Cloud CX

Etapas

Navegue até o Analytics Workspace: Faça login no Genesys Cloud CX. Vá ao menu, selecione Admin e, em Analytics, escolha Workspace.
Crie uma Nova Visualização: Clique no ícone de adição para abrir uma aba e selecione "Create a new view". Escolha "Interactions" como tipo de visualização para abrir o editor.
Defina o Intervalo de Datas: No painel de filtros à esquerda, configure o período desejado. Recomendamos começar com um intervalo curto, como uma semana, para testar o processo.
Selecione as Colunas para Exportação: Este é o passo mais importante. Clique no botão "Columns" e adicione as seguintes colunas à sua visualização. Elas contêm os dados necessários para o Event Log:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (campo complexo que contém dados aninhados de agentes, filas e clientes)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Aplique Filtros Adicionais: Use o painel de filtros para refinar os dados se necessário. Você pode filtrar por Media Type (voz, chat), Fila, Direção (entrada/saída) ou outras propriedades para focar no processo de atendimento específico.
Salve e Execute a Visualização: Salve com um nome descritivo, como "Exportação Process Mining Atendimento". A visualização carregará os dados conforme seus critérios.
Inicie a Exportação: Com os dados carregados, clique no botão "Export" (ícone de download). Escolha "Export as CSV" ou "Export as JSON". O formato CSV costuma ser mais fácil para o processamento inicial.
Baixe o Arquivo: A exportação rodará em segundo plano. Monitore o progresso em Performance > My Exports. Quando terminar, baixe o arquivo para seu sistema local.
Transforme os Dados Brutos: O arquivo exportado tem uma linha por conversa, com dados de participantes aninhados em uma única coluna. Você deve rodar um script de transformação (como o script Python na seção Query) para desmembrar esses dados. O script criará um novo arquivo onde cada linha representa uma atividade individual, como "Agente aceitou interação" ou "Interação colocada em espera".
Implemente Lógica Personalizada: Na transformação, aplique suas regras de negócio. Por exemplo, a atividade "Solicitação de Serviço Reaberta" deve ser calculada analisando interações subsequentes do mesmo cliente em um período definido.
Finalize o Event Log: O script deve gerar um CSV formatado para o ProcessMind, incluindo ServiceRequest, ActivityName, EventTime e outros atributos. Verifique se os formatos de data e hora estão consistentes.
Upload para o ProcessMind: Seu arquivo CSV transformado está pronto para ser carregado na ferramenta de Process Mining.

Configuração

Permissões: Seu perfil de usuário no Genesys Cloud CX deve ter a permissão Analytics > Conversation > View para acessar o Analytics Workspace e criar visualizações de interação.
Intervalo de Datas: Para a extração inicial, utilize um período representativo de 3 a 6 meses. Para centrais de atendimento de altíssimo volume, recomendamos exportar os dados em blocos menores, como semanais ou mensais, para evitar limites do sistema e facilitar o gerenciamento dos arquivos.
Filtros Principais:
- Media Type: Filtre os canais relevantes para seu processo de atendimento, como voice, chat ou email.
- Queue: Se o processo for gerenciado por equipes específicas, filtre pelos IDs de fila (Queue IDs) correspondentes para garantir que está extraindo apenas os dados desejados.
- Direction: Geralmente, você filtrará por interações inbound (entrada) para capturar as solicitações iniciadas pelos clientes.
Colunas de Exportação: A coluna Participants é fundamental, pois contém o cronograma detalhado de eventos para agentes e filas. Sem ela, não é possível extrair atividades individuais. Certifique-se de incluir também Conversation ID, Conversation Start e Conversation End.
Considerações de Performance: Exportar muitas colunas ou intervalos de datas muito longos pode fazer com que o trabalho demore bastante. Se a tarefa falhar, reduza o intervalo de tempo e tente novamente. O Genesys Cloud possui um limite de aproximadamente 1 milhão de conversas por exportação.

a Consulta de Exemplo 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}")

Etapas

Pré-requisitos e Instalação: Verifique se você tem o Python 3.8+ instalado junto com as bibliotecas pandas e purecloud-platform-client-v2. Instale-as via pip: pip install pandas purecloud-platform-client-v2.
Crie o Cliente OAuth no Genesys Cloud: Acesse sua conta de admin do Genesys Cloud CX. Vá em Integrations > OAuth e crie um novo cliente com o tipo de concessão 'Client Credentials'. Atribua uma função que contenha a permissão analytics:conversationDetail:view.
Configure as Credenciais do Script: Guarde o Client ID e o Client Secret. No script Python abaixo, substitua os valores de CLIENT_ID, CLIENT_SECRET e GENESYS_CLOUD_REGION pelas suas credenciais.
Defina o Intervalo de Extração: No script, localize a variável query_body. Altere o valor de interval para o período que deseja extrair. Comece com um intervalo curto, como um único dia, para testar.
Execute o Script Python: No terminal, rode python nome_do_seu_script.py. O script fará a autenticação, enviará o trabalho para a API de Analytics e exibirá o ID da tarefa.
Monitore a Execução: O script consultará a API a cada 15 segundos para checar o status. Você verá as atualizações no console. Isso pode levar alguns minutos dependendo do volume de dados.
Processamento e Transformação: Ao finalizar, o script baixa o JSON resultante. Ele percorre os registros de conversa, tratando dados de participantes, sessões e segmentos para estruturar as atividades e atributos principais.
Tratamento de Eventos Calculados: O script inclui uma etapa para identificar 'Solicitações de Serviço Reabertas'. Essa lógica (que você pode customizar) busca novas interações do mesmo cliente após um encerramento em uma janela de tempo específica.
Geração do Event Log: Os dados transformados são compilados em um DataFrame do pandas, respeitando a estrutura necessária para Process Mining.
Exportação do CSV Final: O script salva o resultado como genesys_event_log.csv, pronto para ser carregado diretamente na plataforma ProcessMind.

Configuração

Credenciais de API: É necessário um Client ID e Client Secret de OAuth para autenticação, criados na interface de administração do Genesys Cloud CX.
Permissões de API: A função do cliente OAuth associada deve ter a permissão analytics:conversationDetail:view para acessar os dados de conversa.
Intervalo de Extração: O parâmetro interval no corpo da consulta da API controla o período da extração. Em ambientes grandes, a melhor prática é executar a extração em lotes sequenciais menores (ex: uma semana por vez) para evitar expiração da API e otimizar o uso de memória.
Filtros de Dados: O corpo da consulta pode incluir conversationFilters, segmentFilters ou evaluationFilters para refinar o escopo. Você pode filtrar por um queueId ou mediaType específico para focar em uma parte do atendimento.
Lógica de Reabertura: O intervalo para identificar uma 'Solicitação de Serviço Reaberta' é configurável no script. O padrão é de 72 horas, mas deve ser ajustado conforme as regras de negócio da sua empresa.
Ambiente: É necessário um ambiente local Python com o SDK e bibliotecas instaladas. Não é preciso acesso direto ao servidor ou banco de dados do Genesys Cloud CX.

a Consulta de Exemplo 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()

Etapas

Navegue até o Analytics Workspace: Faça login no Genesys Cloud CX. Vá ao menu, selecione Admin e, em Analytics, escolha Workspace.
Crie uma Nova Visualização: Clique no ícone de adição para abrir uma aba e selecione "Create a new view". Escolha "Interactions" como tipo de visualização para abrir o editor.
Defina o Intervalo de Datas: No painel de filtros à esquerda, configure o período desejado. Recomendamos começar com um intervalo curto, como uma semana, para testar o processo.
Selecione as Colunas para Exportação: Este é o passo mais importante. Clique no botão "Columns" e adicione as seguintes colunas à sua visualização. Elas contêm os dados necessários para o Event Log:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (campo complexo que contém dados aninhados de agentes, filas e clientes)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Aplique Filtros Adicionais: Use o painel de filtros para refinar os dados se necessário. Você pode filtrar por Media Type (voz, chat), Fila, Direção (entrada/saída) ou outras propriedades para focar no processo de atendimento específico.
Salve e Execute a Visualização: Salve com um nome descritivo, como "Exportação Process Mining Atendimento". A visualização carregará os dados conforme seus critérios.
Inicie a Exportação: Com os dados carregados, clique no botão "Export" (ícone de download). Escolha "Export as CSV" ou "Export as JSON". O formato CSV costuma ser mais fácil para o processamento inicial.
Baixe o Arquivo: A exportação rodará em segundo plano. Monitore o progresso em Performance > My Exports. Quando terminar, baixe o arquivo para seu sistema local.
Transforme os Dados Brutos: O arquivo exportado tem uma linha por conversa, com dados de participantes aninhados em uma única coluna. Você deve rodar um script de transformação (como o script Python na seção Query) para desmembrar esses dados. O script criará um novo arquivo onde cada linha representa uma atividade individual, como "Agente aceitou interação" ou "Interação colocada em espera".
Implemente Lógica Personalizada: Na transformação, aplique suas regras de negócio. Por exemplo, a atividade "Solicitação de Serviço Reaberta" deve ser calculada analisando interações subsequentes do mesmo cliente em um período definido.
Finalize o Event Log: O script deve gerar um CSV formatado para o ProcessMind, incluindo ServiceRequest, ActivityName, EventTime e outros atributos. Verifique se os formatos de data e hora estão consistentes.
Upload para o ProcessMind: Seu arquivo CSV transformado está pronto para ser carregado na ferramenta de Process Mining.

Configuração

Permissões: Seu perfil de usuário no Genesys Cloud CX deve ter a permissão Analytics > Conversation > View para acessar o Analytics Workspace e criar visualizações de interação.
Intervalo de Datas: Para a extração inicial, utilize um período representativo de 3 a 6 meses. Para centrais de atendimento de altíssimo volume, recomendamos exportar os dados em blocos menores, como semanais ou mensais, para evitar limites do sistema e facilitar o gerenciamento dos arquivos.
Filtros Principais:
- Media Type: Filtre os canais relevantes para seu processo de atendimento, como voice, chat ou email.
- Queue: Se o processo for gerenciado por equipes específicas, filtre pelos IDs de fila (Queue IDs) correspondentes para garantir que está extraindo apenas os dados desejados.
- Direction: Geralmente, você filtrará por interações inbound (entrada) para capturar as solicitações iniciadas pelos clientes.
Colunas de Exportação: A coluna Participants é fundamental, pois contém o cronograma detalhado de eventos para agentes e filas. Sem ela, não é possível extrair atividades individuais. Certifique-se de incluir também Conversation ID, Conversation Start e Conversation End.
Considerações de Performance: Exportar muitas colunas ou intervalos de datas muito longos pode fazer com que o trabalho demore bastante. Se a tarefa falhar, reduza o intervalo de tempo e tente novamente. O Genesys Cloud possui um limite de aproximadamente 1 milhão de conversas por exportação.

a Consulta de Exemplo 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}")

Seu Template de Dados de Atendimento ao Cliente

Seu Template de Dados de Atendimento ao Cliente

Atributos de Atendimento

Atividades de Atendimento

Guias de Extração

Exportação de Detalhes de Conversa do Genesys Cloud Analytics

Etapas

Configuração

a Consulta de Exemplo config

Script Python utilizando a API da Plataforma Genesys Cloud

Etapas

Configuração

a Consulta de Exemplo python

Transmissão de Eventos via Integração AWS EventBridge

Etapas

Configuração

a Consulta de Exemplo config

Pronto para Começar?

Acabe com contatos repetidos: otimize seu atendimento hoje!

Seu Template de Dados de Atendimento ao Cliente

Seu Template de Dados de Atendimento ao Cliente

Atributos de Atendimento

Atividades de Atendimento

Guias de Extração

Exportação de Detalhes de Conversa do Genesys Cloud Analytics

Etapas

Configuração

a Consulta de Exemplo config

Script Python utilizando a API da Plataforma Genesys Cloud

Etapas

Configuração

a Consulta de Exemplo python

Transmissão de Eventos via Integração AWS EventBridge

Etapas

Configuração

a Consulta de Exemplo config

Valorizamos sua privacidade

Pronto para Começar?

Acabe com contatos repetidos: otimize seu atendimento hoje!