> Melhoria contínua de processos > Atendimento ao cliente > Genesys Cloud CX > Template de dados

Seu Template de dados de atendimento ao cliente

Genesys Cloud CX

Atributos de atendimento ao cliente (19) Atividades de atendimento ao cliente (13) Guias de extração (3)

Seu Template de dados de atendimento ao cliente

Este Template apresenta um roteiro claro para coletar os dados essenciais à análise e otimização do processo de atendimento ao cliente. Ele reúne os atributos recomendados, as principais atividades a acompanhar e orientações práticas para extrair essas informações dos sistemas de origem. Use-o para criar um Event Log robusto para suas iniciativas de Process Mining.

Atributos recomendados para coleta
Principais atividades a acompanhar
Orientações para extração

Novidade em Event Logs? Saiba como criar um Event Log para Process Mining.

Baixar Template

Atributos de atendimento ao cliente

Estes são os campos de dados recomendados para incluir no seu Event Log e fazer uma análise abrangente do atendimento ao cliente.

5 Obrigatório 6 Recomendado 8 Opcional

	Nome	Descrição
	Hora de início EventTime	Data e hora que indicam quando uma atividade ou um evento começou.
Descrição Este atributo informa a data e a hora exatas de cada atividade. Ele é essencial para ordenar os eventos corretamente e fazer todas as análises baseadas em tempo. A hora de início é usada para organizar o fluxo do processo em ordem cronológica e serve de base para calcular durações, tempos de espera e tempos de ciclo entre atividades. Datas e horas precisas são fundamentais para análises confiáveis dos processos e para o monitoramento da performance. Por que isso importa Esta data e hora organizam todas as atividades em ordem cronológica, permitindo analisar com precisão os fluxos, as durações e os gargalos dos processos. Onde encontrar Encontrado nos registros de eventos ou nos detalhes das interações do Genesys Cloud CX, geralmente associado a cada evento registrado pelo sistema ou por um usuário. Exemplos 2024-05-21T10:00:15Z2024-05-21T10:02:30Z2024-05-21T10:15:00Z
	Nome da atividade ActivityName	Nome do evento ou da tarefa específica que ocorreu em determinado momento do ciclo de vida da solicitação de atendimento.
Descrição Este atributo descreve uma etapa específica ou uma mudança de status no processo de atendimento ao cliente. Cada atividade representa um evento distinto, como 'Interação aceita pelo agente' ou 'Código de encerramento atribuído'. Analisar a sequência e a frequência dessas atividades é fundamental para fazer a mineração de processos. Isso ajuda a visualizar os fluxos, identificar desvios e localizar gargalos ou etapas ineficientes. Por que isso importa As atividades formam a base do mapa de processo e permitem visualizar e analisar o fluxo real em comparação com o fluxo planejado. Onde encontrar Em geral, esse dado é obtido ao associar eventos do sistema, estados dos agentes ou registros específicos de auditoria do Genesys Cloud CX a nomes de atividades padronizados. Exemplos Interação iniciadaInteração aceita pelo agenteFim do trabalho pós-atendimentoSolicitação de atendimento reaberta
	Solicitação de atendimento ServiceRequest	Identificador principal de uma interação de atendimento ao cliente, que vincula todas as atividades relacionadas.
Descrição A solicitação de atendimento, também chamada de ticket ou caso, é o identificador principal de uma dúvida ou problema específico de um cliente. Ela reúne todos os eventos relacionados, do contato inicial à resolução final, em uma única instância do processo. Analisar os dados por solicitação de atendimento permite ter uma visão completa da jornada do cliente e do processo interno de atendimento. Essa é a base para calcular métricas importantes, como o tempo total de resolução e a taxa de resolução no primeiro contato. Por que isso importa Este é o ID do caso essencial que conecta todas as etapas do processo e permite analisar cada interação com o cliente de ponta a ponta. Onde encontrar Este é o identificador conceitual do caso. No Genesys, ele costuma corresponder ao ID da conversa, mas pode ser um identificador personalizado, dependendo da implementação. Exemplos SR-20240521-00123SR-20240521-00124SR-20240522-00001
	Sistema de origem SourceSystem	Sistema do qual os dados foram extraídos.
Descrição Este atributo identifica o sistema de origem dos dados dos eventos, que neste caso é o Genesys Cloud CX. Em ambientes com vários sistemas integrados, esse campo é essencial para rastrear a origem dos dados, solucionar problemas e entender o contexto. Ele ajuda a garantir que a análise use a fonte de dados correta e permite filtrar ou segmentar os dados quando vários sistemas contribuem para uma única visão do processo. Por que isso importa Identifica a origem dos dados, algo essencial para a governança e a validação dos dados e para combinar dados de vários sistemas. Onde encontrar Em geral, é um valor estático adicionado durante a extração e a transformação dos dados para identificar a origem dos registros. Exemplos Genesys Cloud CXGenesysCloudCX_US1Genesys
	Última atualização dos dados LastDataUpdate	Data e hora da atualização mais recente dos dados.
Descrição Este atributo indica quando os dados foram atualizados pela última vez a partir do sistema de origem. Ele informa o quão recentes são os dados analisados, algo essencial para tomar decisões de negócio oportunas e relevantes. Os Dashboards e relatórios devem exibir essa informação em destaque para que as pessoas saibam quando os dados foram atualizados e possam avaliar a validade dos insights. Por que isso importa Indica se os dados estão atualizados, garantindo que as análises e decisões se baseiem em informações recentes. Onde encontrar Esse valor é gerado e registrado nos dados no momento da extração ou do carregamento na ferramenta de Process Mining. Exemplos 2024-05-23T04:00:00Z2024-05-24T04:00:00Z
	Canal de comunicação MediaType	Canal de comunicação usado na interação, como voz, chat ou e-mail.
Descrição Este atributo especifica o meio de comunicação entre o cliente e o agente. Os canais mais comuns são voz, chat, e-mail e redes sociais. Analisar a performance por canal, como no Dashboard "Performance dos canais de comunicação", ajuda as empresas a entender o volume, o tempo de resolução e a satisfação dos clientes em cada canal. Esse insight é essencial para otimizar a estratégia de canais e a alocação de recursos. Por que isso importa Segmentar o processo por canal de comunicação é essencial para entender a performance de cada canal, o comportamento dos clientes e as necessidades de recursos. Onde encontrar Campo padrão nos registros detalhados de conversas do Genesys Cloud CX. Exemplos vozchate-mailmensagem
	Código de encerramento WrapUpCode	Código atribuído pelo agente ao final de uma interação para classificar o resultado ou o assunto.
Descrição O código de encerramento é um rótulo selecionado pelo agente para classificar o assunto ou a resolução de uma interação com o cliente. Esses códigos estruturam os dados sobre os motivos que levam os clientes a entrar em contato com o suporte. Analisá-los ajuda a identificar os tipos de problema mais comuns, acompanhar os resultados das resoluções e medir a frequência de solicitações específicas. Esses dados são úteis para a análise de causa raiz e para entender os padrões de demanda por atendimento. Por que isso importa Classifica o resultado de uma interação e fornece dados estruturados para analisar problemas recorrentes, a eficácia das resoluções e os motivos dos contatos. Onde encontrar Disponível nos registros detalhados de conversas do Genesys Cloud CX, especificamente nos detalhes da sessão dos participantes que são agentes. Exemplos Redefinição de senhaContestação de cobrança resolvidaSolicitação de informações sobre o produtoEncaminhado ao suporte nível 2
	Hora de término EventEndTime	O horário em que uma atividade ou evento terminou.
Descrição Este atributo registra o momento exato em que uma atividade termina. Junto com a Hora de início, permite calcular com precisão a duração de cada atividade. Analisar essas durações é essencial para identificar quais etapas do processo consomem mais tempo e encontrar ineficiências e oportunidades de melhoria. Por exemplo, pode revelar longos períodos de "Interação em espera" ou tempos prolongados de "Trabalho após a chamada". Por que isso importa Permite calcular com precisão a duração de cada atividade, algo essencial para identificar etapas demoradas e gargalos de performance. Onde encontrar Disponível nos registros de eventos ou nos detalhes da interação no Genesys Cloud CX. Também pode ser obtido a partir do horário de início do evento seguinte. Exemplos 2024-05-21T10:02:30Z2024-05-21T10:15:00Z2024-05-21T10:18:45Z
	ID do agente AgentId	Identificador exclusivo do agente que atendeu à interação ou realizou a atividade.
Descrição O ID do agente é uma chave exclusiva para cada representante de atendimento ao cliente. Esse atributo é essencial para analisar a performance dos agentes, a distribuição da carga de trabalho e a eficiência. Ele permite filtrar o mapa do processo para ver como agentes ou equipes específicos atendem às solicitações e comparar métricas de performance, como tempo de resolução, taxa de retrabalho e adesão aos procedimentos padrão. É um dos principais elementos do Dashboard "Performance e eficiência dos agentes". Por que isso importa Este atributo associa as atividades do processo a funcionários específicos, permitindo analisar a performance individual, a carga de trabalho e a eficiência da equipe. Onde encontrar Disponível nos registros detalhados de conversas do Genesys Cloud CX, associado ao usuário que atendeu a um segmento específico da interação. Exemplos a1b2c3d4-e5f6-7890-1234-567890abcdeff0e9d8c7-b6a5-4321-fedc-ba0987654321
	Nome da fila QueueName	Nome da fila para a qual a interação foi encaminhada.
Descrição Este atributo identifica a fila em que a interação aguardou antes de ser atribuída a um agente. Analisar os dados pelo nome da fila é essencial para o Dashboard "Identificação de gargalos nas filas de atendimento". Isso ajuda os gestores a entender como a carga de trabalho se distribui entre diferentes grupos de habilidades ou linhas de atendimento, medir o tempo de espera em cada fila e identificar filas com falta recorrente de pessoal ou excesso de demanda. Essas informações são importantes para otimizar a alocação de recursos e reduzir o tempo de espera dos clientes. Por que isso importa Ajuda a identificar gargalos e analisar a distribuição da carga de trabalho, mostrando onde as solicitações de atendimento aguardam atribuição. Onde encontrar Disponível nos registros detalhados de conversas do Genesys Cloud CX. Cada interação pode passar por uma ou mais filas. Exemplos Suporte nível 1 - vozDúvidas sobre faturamento - chatSuporte técnico - e-mail
	Nome do agente AgentName	Nome completo do agente que atendeu à interação ou realizou a atividade.
Descrição O nome do agente identifica o representante de atendimento de forma clara e corresponde ao ID do agente. Esse atributo facilita a leitura de Dashboards e relatórios por gestores e líderes de equipe. Ele é amplamente usado em análises centradas nos agentes para avaliar a performance, identificar necessidades de treinamento e garantir uma distribuição justa da carga de trabalho, sem precisar consultar IDs do sistema. Por que isso importa Apresenta o nome do agente de forma clara, facilitando a análise da performance e a comunicação dos resultados sem recorrer a IDs técnicos. Onde encontrar Obtido no serviço Users ou Directory do Genesys Cloud CX, por meio de uma consulta pelo AgentId. Exemplos John SmithJane DoePeter Jones
	Está em Conformidade com o SLA IsSlaCompliant	Indicador que mostra se a solicitação de atendimento foi resolvida dentro do prazo definido pelo SLA.
Descrição Este atributo booleano indica se a solicitação de atendimento foi resolvida dentro do prazo definido. Ele é calculado comparando o "ServiceResolutionTime" com o "SlaTargetResolutionTime". O indicador simplifica a análise e a visualização no Dashboard "Visão geral da Conformidade com o SLA" e serve de base para calcular o KPI "Taxa de Conformidade com o SLA". Ele permite filtrar e segmentar rapidamente os casos em Conformidade ou fora do prazo para identificar padrões comuns nas violações do SLA. Por que isso importa Simplifica a análise da performance do SLA ao indicar claramente se cada caso está em Conformidade ou fora do prazo, facilitando a análise de causa raiz das falhas. Onde encontrar Campo calculado: True se ServiceResolutionTime <= SlaTargetResolutionTime; caso contrário, False. Exemplos truefalse
	Foi reaberto IsReopened	Indicador que mostra se uma solicitação de atendimento resolvida foi reaberta posteriormente.
Descrição Este atributo booleano identifica solicitações de atendimento que foram marcadas como resolvidas ou encerradas, mas voltaram a ficar ativas. Casos reabertos muitas vezes indicam que a solução inicial não foi eficaz ou completa, gerando insatisfação do cliente e trabalho adicional. Este atributo alimenta o Dashboard "Tendências de reabertura de solicitações de atendimento" e o KPI "Taxa de reabertura de solicitações de atendimento". Analisar esses casos ajuda a identificar as causas raiz de resoluções ineficazes. Por que isso importa Evidencia falhas no processo de resolução, apontando problemas na qualidade das soluções que geram retrabalho e uma experiência ruim para o cliente. Onde encontrar Campo calculado com base na identificação de uma atividade que reativa o caso após a atividade "Solicitação de atendimento resolvida". Exemplos truefalse
	ID da conversa ConversationId	Identificador exclusivo atribuído pelo Genesys a uma conversa completa.
Descrição O ID da conversa é a principal chave técnica no Genesys Cloud CX. Ele agrupa todas as interações, os segmentos e os participantes relacionados a uma conversa com um único cliente. Embora o conceito de "Solicitação de atendimento" seja usado como ID do caso, o ID da conversa é a chave subjacente usada para recuperar todos os dados relacionados nas APIs do Genesys. Ele é essencial para extrair dados, combinar diferentes conjuntos de dados e validar tecnicamente os dados do processo. Por que isso importa Esta é a principal chave técnica no Genesys, essencial para extrair dados, solucionar problemas e vincular as informações ao sistema de origem. Onde encontrar Este é um campo principal em todas as APIs de análise e de conversas do Genesys Cloud CX. Exemplos d8a7c6b5-e4f3-2109-8765-fedcba098765c7b6a5d4-f3e2-1098-7654-edcbaf987654
	Meta de tempo de resolução do SLA SlaTargetResolutionTime	Tempo de resolução acordado em contrato para a solicitação de atendimento.
Descrição Este atributo define o tempo máximo permitido para resolver uma solicitação de atendimento, conforme o Acordo de Nível de Serviço (SLA). Ele serve de referência para medir os tempos reais de resolução. Esses dados são essenciais para o Dashboard "Visão geral da Conformidade com o SLA" e para o KPI "Taxa de Conformidade com o SLA", permitindo que a organização acompanhe a performance em relação aos compromissos assumidos com os clientes e identifique possíveis violações antes que ocorram. Por que isso importa Serve de referência para medir a Conformidade com o SLA, um indicador essencial da performance do atendimento e do cumprimento das obrigações contratuais. Onde encontrar Esse dado pode ser armazenado como um atributo personalizado da conversa ou calculado com base em regras que consideram a fila, o tipo de cliente ou o tipo de solicitação. Exemplos 86400144003600
	Pontuação CSAT CustomerSatisfactionScore	Pontuação de satisfação informada pelo cliente em uma pesquisa após a interação.
Descrição A pontuação de satisfação do cliente, ou CSAT, mede diretamente a percepção do cliente sobre o atendimento recebido. Em geral, ela é coletada por meio de uma pesquisa enviada após o encerramento da interação. Analisar as pontuações CSAT junto com os dados do processo pode revelar como variações no processo, tempos de resolução ou agentes específicos afetam a satisfação dos clientes. Essa é uma métrica de resultado importante para avaliar o sucesso geral do processo. Por que isso importa Mede diretamente a satisfação do cliente e permite analisar a relação entre a performance do processo e os resultados para o cliente. Onde encontrar Esses dados geralmente vêm do módulo Quality Management do Genesys Cloud CX ou de uma ferramenta de pesquisa de terceiros integrada ao Genesys. Exemplos 5413
	Resolvido no primeiro contato IsFirstContactResolution	Indicador que mostra se a solicitação de atendimento foi resolvida em uma única interação.
Descrição Este atributo booleano identifica os casos resolvidos durante a primeira interação, sem necessidade de novo contato do cliente ou de transferências internas. O valor "true" indica uma resolução eficiente e ideal. Este atributo serve de base para o KPI "Taxa de resolução no primeiro contato" e o Dashboard correspondente. Analisar as características dos casos que não são resolvidos no primeiro contato pode revelar oportunidades de treinamento para agentes, melhorias na base de conhecimento ou mudanças no processo. Por que isso importa Mede diretamente a eficiência e a satisfação do cliente, já que resolver problemas na primeira tentativa é essencial para uma experiência positiva de atendimento. Onde encontrar Campo calculado com base na análise da sequência de eventos de um caso. Um caso é considerado FCR quando é resolvido sem certas atividades intermediárias, como transferências ou reaberturas. Exemplos truefalse
	Tempo de resolução do atendimento ServiceResolutionTime	Tempo total entre o início da primeira interação com o cliente e a resolução final.
Descrição Esta métrica mede a duração total de uma solicitação de atendimento, desde o primeiro contato do cliente até a indicação de que o problema foi resolvido. É um indicador-chave de performance da eficiência geral do processo e da experiência do cliente. Este atributo calculado é o foco principal do Dashboard "Tempo de resolução das solicitações de atendimento" e do KPI "Tempo médio de resolução do atendimento". Analisar sua distribuição ajuda a identificar casos demorados e atrasos sistêmicos. Por que isso importa Este é um KPI essencial para medir a eficiência geral do processo e seu impacto na experiência do cliente. Onde encontrar Campo calculado: horário da atividade de resolução final menos horário da primeira atividade de contato com o cliente. Exemplos 90010800172800
	Tipo de solicitação de atendimento ServiceRequestType	Classificação da solicitação de atendimento, como "Dúvida", "Reclamação" ou "Problema técnico".
Descrição Este atributo classifica a solicitação de atendimento de acordo com sua natureza ou finalidade. Ele permite segmentar a análise para entender como diferentes tipos de solicitação são tratados. Por exemplo, o fluxo do processo e o tempo de resolução de uma "Reclamação" podem ser bem diferentes dos de uma "Dúvida geral". Essa dimensão é essencial para Dashboards como "Análise de escalonamentos internos", que ajudam a identificar se certos tipos de solicitação são escalonados com mais frequência. Por que isso importa Permite segmentar o processo para comparar como diferentes tipos de solicitação são tratados e identificar gargalos ou ineficiências específicos de cada tipo. Onde encontrar Essa informação pode ser registrada por meio de uma opção selecionada no IVR, da escolha do cliente em um formulário web ou da classificação feita por um agente. No Genesys, ela pode ser armazenada como um atributo do participante ou um código de encerramento. Exemplos Dúvida sobre faturamentoSuporte técnicoGestão de contasReclamação sobre o produto

Obrigatório Recomendado Opcional

Atividades de atendimento ao cliente

Estas são as principais etapas e marcos do processo a registrar no seu Event Log para descobrir o processo com precisão.

5 Recomendado 8 Opcional

	Atividade	Descrição
	Código de encerramento atribuído	O agente atribui à interação um código de encerramento predefinido, também chamado de código de disposição. Esse código categoriza explicitamente o resultado da solicitação de atendimento, como 'Resolvida' ou 'Escalada'.
Por que isso importa Os códigos de encerramento são uma das principais fontes para determinar o resultado de uma solicitação. Eles são essenciais para calcular as taxas de resolução e segmentar casos para análise. Onde encontrar Este é um evento explícito nos registros detalhados da conversa, geralmente nos dados da sessão do participante agente. O código wrapUp e a data e hora são registrados. Coleta Registrado quando um agente seleciona um código de encerramento para a interação. Tipo de evento explicit
	Interação aceita pelo agente	Marca o momento em que um agente aceita a interação oferecida e se conecta ao cliente. Este é um marco importante, pois indica o início do atendimento direto da solicitação.
Por que isso importa Esta atividade é essencial 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 encontrar Disponível nos registros detalhados da conversa. O evento é marcado quando o estado do participante agente muda para 'connected', com a data e hora correspondente. Coleta Registrado quando o estado de um participante agente muda para 'connected'. Tipo de evento explicit
	Interação desconectada	Esta atividade indica o fim da conversa, quando todos os participantes se desconectam. Muitas vezes, ela representa o encerramento técnico da interação de atendimento.
Por que isso importa Este é o evento final definitivo da interação. Ele é essencial para calcular a duração total da interação e costuma ser usado como referência para o encerramento da solicitação. Onde encontrar Capturado nos registros detalhados da conversa. Corresponde à hora de término do objeto de conversa e costuma ser encontrado no campo conversationEnd. Coleta Registrado quando todos os participantes se desconectam e a conversa termina. Tipo de evento explicit
	Interação iniciada	Esta atividade marca o início de uma interação de atendimento ao cliente, como uma ligação recebida, um chat ou um e-mail. O Genesys Cloud CX registra explicitamente esse evento quando um novo objeto de conversa é criado no sistema.
Por que isso importa Este é o principal evento de início do processo de solicitação de atendimento. Ele é essencial para calcular o tempo total de resolução e entender os padrões de demanda dos clientes. Onde encontrar Este evento é capturado nos registros detalhados da conversa. Ele corresponde à hora de início do próprio objeto de conversa e costuma ser encontrado no campo conversationStart. Coleta Registrado quando uma nova conversa é iniciada no sistema. Tipo de evento explicit
	Interação transferida	Indica que um agente transferiu uma interação para outra fila ou para outro agente. A transferência pode ser direta, quando o agente encerra a conexão imediatamente, ou com consulta, quando ele conversa primeiro com quem vai receber a interação.
Por que isso importa Esta atividade é essencial para o KPI de taxa de escaladas internas. Uma taxa alta de transferências pode indicar necessidade de treinamento, direcionamento incorreto ou complexidade no processo. Onde encontrar Este evento é identificado nos registros detalhados da conversa quando um novo participante ACD ou agente é adicionado após a participação do agente inicial, geralmente por meio de um evento 'transfer'. Coleta Identificado por um evento de transferência nos dados da sessão do participante. Tipo de evento explicit
	Conversa direcionada para a fila	Indica o momento em que uma nova interação é encaminhada para uma fila específica, onde aguarda a disponibilidade de um agente. Esse evento é registrado explicitamente pelo mecanismo de direcionamento do Genesys (ACD).
Por que isso importa Acompanhar esta atividade é essencial para medir o tempo de espera na fila e identificar gargalos no processo de direcionamento. Um intervalo longo entre este evento e a atribuição a um agente pode indicar problemas de dimensionamento da equipe ou na lógica de direcionamento. Onde encontrar Capturado nos registros detalhados da conversa, especificamente nos campos 'purpose' e 'state' do participante ACD na conversa. O campo 'enterTime' da fila no array de métricas indica este evento. Coleta Registrado quando o mecanismo de direcionamento ACD coloca uma conversa em uma fila. Tipo de evento explicit
	Fim do trabalho pós-atendimento	Este evento marca o fim do período de trabalho pós-atendimento de um agente. Nesse momento, o agente fica disponível para atender outra interação.
Por que isso importa Em conjunto com 'Início do trabalho pós-atendimento', esta atividade informa a duração exata da etapa de encerramento e ajuda a analisar a produtividade dos agentes e os custos operacionais do processo. Onde encontrar Inferido quando o estado do agente muda de 'acw' para um estado disponível, como 'idle'. A data e hora dessa mudança de estado são usadas. Coleta Inferido quando o estado do agente muda de 'acw' para um estado disponível. Tipo de evento inferred
	Início do trabalho pós-atendimento	Esta atividade marca o início do período de trabalho pós-atendimento (ACW). O agente já encerrou a conversa com o cliente e passa para um estado específico para concluir tarefas, como registrar observações ou atualizar sistemas.
Por que isso importa Medir a duração do ACW é importante para entender a eficiência dos agentes e o tempo total de atendimento. Um ACW prolongado pode indicar ineficiências nos processos após a interação. Onde encontrar Capturado nos dados da sessão do participante agente. O evento é registrado quando o estado do agente muda para 'acw' após a desconexão do participante cliente. Coleta Registrado quando o estado de um participante agente muda para 'acw'. Tipo de evento explicit
	Interação colocada em espera	Esta atividade é registrada quando um agente coloca o cliente em espera durante uma interação. Ela corresponde a uma mudança explícita de estado do participante agente na conversa.
Por que isso importa Analisar a frequência e a duração das esperas pode revelar ineficiências no processo, como agentes que precisam procurar informações ou consultar outras pessoas com frequência. Onde encontrar Capturado nos dados da sessão do participante agente nos registros detalhados da conversa. O estado muda para 'held' e a data e hora são registradas. Coleta Registrado quando o estado de um participante agente muda para 'held'. 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 'alerting' enquanto o sistema aguarda que ele aceite ou recuse a conversa.
Por que isso importa Esta atividade ajuda a analisar o tempo de resposta dos agentes e a eficácia do algoritmo de direcionamento. Atrasos após este ponto podem indicar que os agentes não estão aceitando as solicitações prontamente. Onde encontrar Encontrado nos registros detalhados da conversa, nos dados do participante referentes ao agente. A sessão do participante mostra uma métrica com o estado 'alerting' e a data e hora correspondente. Coleta Registrado quando o mecanismo de direcionamento alerta um agente sobre uma nova interação. Tipo de evento explicit
	Interação retirada da espera	Ocorre quando um agente tira o cliente da espera e retoma a conversa. Este evento marca o fim do período de espera e é registrado como uma mudança de estado.
Por que isso importa Em conjunto com 'Interação colocada em espera', esta atividade permite calcular com precisão o tempo total de espera, um componente importante do tempo total de atendimento e da experiência do cliente. Onde encontrar Derivado dos dados da sessão do participante agente quando o estado muda de 'held' para 'connected'. Coleta Registrado quando o estado de um participante agente muda de 'held' para 'connected'. Tipo de evento explicit
	Pesquisa de satisfação do cliente enviada	Esta atividade ocorre quando uma pesquisa de satisfação do cliente (CSAT) é enviada após o encerramento de uma interação. Em geral, o sistema a aciona automaticamente com base em regras predefinidas.
Por que isso importa Esta atividade é necessária para medir o KPI de pontualidade no envio de pesquisas de CSAT. Enviar a pesquisa no prazo ajuda a coletar feedback preciso enquanto a experiência ainda está fresca na memória do cliente. Onde encontrar Essas informações geralmente estão disponíveis nos dados de pesquisas ou de gestão da qualidade do Genesys Cloud CX e podem ser vinculadas ao ID da conversa original. Coleta Registrado pelo módulo de pesquisas quando uma pesquisa é enviada para uma conversa específica. Tipo de evento explicit
	Solicitação de atendimento reaberta	Indica que um cliente entra em contato novamente com a central de atendimento sobre o mesmo problema pouco depois de ele ter sido considerado resolvido. Este evento não é registrado explicitamente, mas é calculado com base em regras de negócio.
Por que isso importa Acompanhar solicitações reabertas é essencial para medir a taxa de reabertura de solicitações de atendimento. Isso indica que a resolução inicial não foi eficaz, afetando a satisfação do cliente e a eficiência operacional. Onde encontrar Esta atividade é inferida quando um novo evento 'Interação iniciada' é identificado para o mesmo cliente (Customer ID) e um problema relacionado, como o tipo de solicitação de atendimento, dentro de um período predefinido após a resolução de uma interação anterior. Coleta Calculado ao vincular uma nova interação a uma interação encerrada recentemente para o mesmo cliente e problema. Tipo de evento calculated

Recomendado Opcional

Guias de extração

Como obter seus dados do Genesys Cloud CX

Etapas

Acesse o espaço de trabalho do Analytics: Entre no Genesys Cloud CX. Abra o menu e selecione Admin. Em Analytics, escolha Workspace.
Crie uma nova visualização: Clique no ícone de mais para adicionar uma aba e selecione "Criar uma nova visualização". Escolha "Interações" como tipo de visualização. O editor de visualização de interações será aberto.
Defina o intervalo de datas: No painel de filtros à esquerda, defina o intervalo de datas e horários dos dados que você quer extrair. Para testar o processo, recomendamos começar com um período menor, como uma semana.
Selecione as colunas para exportação: Esta é a etapa mais importante da preparação dos dados. Clique no botão "Colunas". Nos campos disponíveis, selecione e adicione à visualização as colunas abaixo. Elas contêm os dados necessários para criar o Event Log:
- ID da conversa
- Início da conversa
- Fim da conversa
- Tipo de mídia
- Participantes (este campo complexo contém dados aninhados de agentes, filas e clientes)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Pesquisas
Aplique filtros adicionais: Use o painel de filtros para restringir os dados, se necessário. Você pode filtrar por tipo de mídia (por exemplo, voz, chat), Fila, direção (entrada/saída) ou outras propriedades da conversa para se concentrar no processo específico de solicitação de serviço.
Salve e execute a visualização: Salve a visualização com um nome descritivo, como "Exportação de Process Mining de solicitações de serviço". Em seguida, ela carregará os dados que correspondem aos critérios definidos.
Inicie a exportação: Quando os dados forem carregados na visualização, clique no botão "Exportar", geralmente representado por um ícone de download. Selecione "Exportar como CSV" ou "Exportar como JSON". O CSV costuma ser mais fácil de processar inicialmente.
Baixe o arquivo exportado: A exportação será processada em segundo plano. Acompanhe o andamento em Performance > My Exports. Quando terminar, baixe o arquivo para seu computador.
Transforme os dados brutos: O arquivo exportado tem uma linha por conversa, com dados de participantes e segmentos aninhados em uma única coluna. Você precisa executar um script de transformação, como o script Python fornecido na seção Query, para desaninhar esses dados. O script analisará a exportação bruta e criará um arquivo em que cada linha representa uma atividade, como "Agente aceitou a interação" ou "Interação colocada em espera".
Implemente a lógica personalizada: Durante a transformação, implemente as regras específicas do negócio. Por exemplo, a atividade "Solicitação de serviço reaberta" precisa ser calculada com base na análise de interações posteriores do mesmo cliente dentro de um período definido.
Finalize o Event Log: O script de transformação deve gerar um arquivo CSV com colunas no formato exigido pelo ProcessMind, incluindo ServiceRequest, ActivityName, EventTime e outros atributos. Use um formato consistente para todos os registros de data e hora.
Carregue os dados no ProcessMind: O arquivo CSV final, já transformado, está pronto para ser carregado na sua ferramenta de Process Mining.

Configuração

Permissões: a função da sua conta de usuário do Genesys Cloud CX precisa ter a permissão Analytics > Conversation > View para acessar o Analytics Workspace e criar visualizações de interação.
Intervalo de datas: para a extração inicial, use um período representativo de 3 a 6 meses. Em centrais de atendimento com volume muito alto, recomendamos exportar os dados em períodos menores, como semanal ou mensalmente, para evitar limites do sistema e controlar o tamanho dos arquivos.
Principais filtros:
- Tipo de mídia: filtre os canais relevantes para o processo de atendimento ao cliente, como voice, chat ou email.
- Fila: se o processo for conduzido por equipes específicas, filtre pelos IDs das filas relevantes para garantir que você extraia apenas os dados do processo desejado.
- Direção: normalmente, filtre as interações inbound para capturar solicitações de atendimento iniciadas pelos clientes.
Colunas para exportação: a coluna Participants é essencial, pois contém a linha do tempo detalhada dos eventos de agentes e filas. Sem essa coluna, não é possível extrair atividades individuais. Inclua também Conversation ID, Conversation Start e Conversation End.
Considerações de performance: exportar muitas colunas ou usar um intervalo de datas muito longo pode fazer com que a exportação demore bastante. Se o processo falhar ou atingir o tempo limite, reduza o intervalo de datas e tente novamente. O Genesys Cloud limita cada exportação a aproximadamente 1 milhão de conversas.

a Consulta de exemplo 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}")

Etapas

Pré-requisitos e configuração: Verifique se você tem o Python 3.8 ou superior instalado, além das bibliotecas pandas e purecloud-platform-client-v2. Instale-as com o pip: pip install pandas purecloud-platform-client-v2.
Crie um cliente OAuth do Genesys Cloud: Entre na conta de administrador do Genesys Cloud CX. Acesse Integrations > OAuth e crie um cliente com o tipo de concessão 'Client Credentials'. Atribua uma função que inclua a permissão analytics:conversationDetail:view.
Configure as credenciais do script: Salve o Client ID e o Client Secret da etapa anterior. No script Python abaixo, substitua os valores de exemplo de CLIENT_ID, CLIENT_SECRET e GENESYS_CLOUD_REGION pelas suas credenciais.
Defina o intervalo de extração: Localize a variável query_body no script. Altere o valor de interval para especificar o intervalo de datas e horários dos dados que você quer extrair. Para testar, recomendamos começar com um período curto, como um único dia.
Execute o script Python: No terminal, execute python your_script_name.py. O script vai se autenticar na API do Genesys Cloud, enviar uma solicitação assíncrona de análise e exibir o ID do processo.
Acompanhe a execução: O script consulta automaticamente a API a cada 15 segundos para verificar o status do processo. As atualizações de status aparecem no console. Essa etapa pode levar vários minutos ou mais, dependendo do volume de dados solicitado.
Processe e transforme os dados: Quando o processo terminar, o script baixará os dados JSON resultantes. Em seguida, percorrerá cada registro de conversa e analisará os dados de participantes, sessões e segmentos para identificar e estruturar as principais atividades e atributos.
Trate os eventos calculados: O script inclui uma etapa de pós-processamento para identificar eventos de "Solicitação de serviço reaberta". Você pode personalizar essa lógica, que verifica se há novas interações do mesmo cliente dentro de um período definido após a resolução de uma interação anterior.
Gere o Event Log: Os dados transformados são organizados em um DataFrame do pandas, com estrutura semelhante à de um Event Log de Process Mining.
Exporte o arquivo CSV final: O script salva o DataFrame final em um arquivo CSV chamado genesys_event_log.csv. O arquivo está formatado para ser carregado diretamente na plataforma ProcessMind.

Configuração

Credenciais da API: Para autenticação, são necessários um Client ID e um Client Secret do OAuth. Eles precisam ser criados na interface de administração do Genesys Cloud CX.
Permissões da API: A função associada ao cliente OAuth precisa ter a permissão analytics:conversationDetail:view para acessar os dados necessários das conversas.
Intervalo de extração: O parâmetro interval no corpo da consulta à API controla o período da extração. Em ambientes grandes, a prática recomendada é executar a extração em lotes menores e sequenciais, como uma semana por vez, para evitar tempos limite da API e controlar o uso de memória.
Filtros de dados: Você pode modificar o corpo da consulta à API para incluir conversationFilters, segmentFilters ou evaluationFilters e restringir o escopo da extração. Por exemplo, filtre por queueId ou mediaType específicos para analisar uma parte determinada do processo de atendimento ao cliente.
Lógica de reabertura: O período usado para identificar um evento de "Solicitação de serviço reaberta" pode ser configurado no script. O padrão é 72 horas, mas você deve ajustá-lo às regras de negócio da sua organização.
Ambiente: Para executar o script, é necessário ter um ambiente Python local com o SDK e as bibliotecas exigidas. Não é preciso acessar diretamente o servidor ou o 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

Confirme se a organização do Genesys Cloud CX tem os recursos necessários para a integração com o EventBridge, as permissões administrativas adequadas, acesso aos eventos de conversa e uma conta AWS autorizada a recebê-los. Confirme com o responsável pelo sistema a região AWS de destino, o barramento de eventos do EventBridge e os filtros de organização, divisão, fila ou mídia.
No Genesys Cloud CX, configure a integração com o AWS EventBridge de acordo com a interface administrativa atual do Genesys Cloud e a documentação de integração da sua organização. Selecione a conta AWS, a região, o barramento de eventos e as categorias de eventos de conversa necessárias para acompanhar detalhadamente o ciclo de vida das interações. Como os nomes dos menus e os esquemas de eventos disponíveis podem variar conforme a organização e a versão, use [Configure com base no seu sistema] para caminhos ou configurações específicos da organização.
Configure o AWS EventBridge para receber os eventos do Genesys Cloud no barramento selecionado. Aplique permissões de privilégio mínimo, criptografia, retenção, monitoramento e um destino de mensagens não entregues, quando disponível. Crie uma regra para encaminhar os eventos necessários ao consumidor usado pelo seu data lake, warehouse, processador de stream ou área de armazenamento de objetos.
Capture os payloads brutos do EventBridge sem alterar os registros de data e hora nem os identificadores originais. Armazene o payload, o registro de data e hora da ingestão, o tipo de evento, a origem, o tipo de detalhe e os metadados de entrega em [Seu armazenamento de eventos brutos]. Preserve o payload original para que os mapeamentos possam ser validados novamente quando os esquemas do Genesys Cloud mudarem.
Crie uma etapa de normalização em Python que leia os payloads brutos, identifique o identificador da conversa, os detalhes de participantes e sessões, as informações da fila e do agente, o tipo de mídia, os dados de encerramento e os registros de data e hora dos eventos. Em seguida, gere uma linha normalizada para cada atividade explícita. Use os caminhos de campo reais das amostras de eventos recebidas pela sua organização. Não infira atividades que não estejam representadas por um evento ou uma transição de estado explícita.
Mapeie as mudanças explícitas de estado de conversas e participantes do Genesys Cloud para os valores exigidos de ActivityName. Gere Interaction Started quando houver um evento de criação da conversa; Conversation Routed to Queue quando houver um evento de roteamento; Agent Offered Interaction quando o estado do agente for de alerta; Agent Accepted Interaction quando o agente aceitar ou se conectar; Hold Placed on Interaction e Hold Removed from Interaction para as respectivas transições de espera; Interaction Transferred para um evento explícito de transferência; After-Call Work Started e After-Call Work Ended para transições explícitas de ACW; Wrap-Up Code Assigned quando houver a atribuição de um código de encerramento; e Interaction Disconnected quando a conversa ou a sessão final do participante relevante for desconectada.
Trate Service Request Re-Opened e Customer Satisfaction Survey Sent separadamente. Os eventos de conversa do EventBridge não incluem necessariamente nenhuma dessas atividades como evento direto da conversa. Se a sua organização tiver uma fonte explícita de eventos de pesquisa, inclua-a somente quando esse evento for recebido. Calcule Service Request Re-Opened apenas em um processo separado, documentado e baseado em regras de negócio, e então adicione a linha resultante ao Event Log. O ProcessMind não calcula nem infere essa atividade.
Preencha ServiceRequest com o identificador estável da solicitação de serviço ou da conversa definido pelo mapeamento da sua empresa. Preencha ActivityName com exatamente um rótulo de atividade exigido, EventTime com o registro de data e hora de início da atividade, EventEndTime quando disponível, SourceSystem com Genesys Cloud CX e AWS EventBridge, e LastDataUpdate com o registro de data e hora da atualização da extração. Preencha os atributos opcionais quando houver dados; caso contrário, deixe-os como NULL.
Elimine duplicatas usando o identificador do evento do provedor, quando disponível, ou uma chave composta documentada que contenha ServiceRequest, ActivityName, EventTime, o identificador do participante ou agente e o identificador do evento de origem. Considere as novas tentativas do EventBridge e a entrega fora de ordem. Não elimine atividades repetidas legítimas, como novas esperas, transferências ou ofertas.
Valide os dados normalizados comparando as contagens de payloads brutos, os registros de data e hora dos eventos, os identificadores de conversa, os detalhes de filas e agentes e a lista completa de atividades. Exporte um arquivo simples ou carregue uma tabela com as colunas obrigatórias ServiceRequest, ActivityName, EventTime, SourceSystem e LastDataUpdate, além das colunas recomendadas disponíveis. Use um fuso horário e um formato consistentes, aceitos pelo ProcessMind, e carregue o Event Log como entrada do processo de solicitação de serviço.

Configuração

Integração e destino: Configure a integração do Genesys Cloud CX com o AWS EventBridge para a conta AWS, região e barramento de eventos de destino. Use [Configure com base no seu sistema] para definir configurações específicas da integração da organização que não estejam descritas nas amostras de eventos disponíveis.
Escopo dos eventos: Assine os eventos detalhados de conversa, participante, sessão, roteamento, estado, transferência, desconexão, encerramento e ACW disponíveis na sua organização do Genesys Cloud. Antes da implantação em produção, confirme os tipos exatos de eventos e os caminhos dos payloads com uma interação de teste controlada.
Identificador do caso: Use em ServiceRequest o identificador estável da conversa ou da solicitação de serviço definido pelo mapeamento da sua empresa. Se outro sistema tiver um identificador separado para a solicitação de serviço, mantenha uma referência cruzada documentada entre ele e o identificador da conversa do Genesys Cloud.
Intervalo de datas: Para analisar o processo, comece com um histórico de 3 a 6 meses. Para operações quase em tempo real, use um intervalo curto de consulta ou de checkpoint do streaming e mantenha uma camada bruta que permita reproduzir os dados. Ao recuperar dados após uma interrupção, use um período de sobreposição e elimine duplicatas pelo identificador do evento do provedor.
Filtros: Aplique somente filtros específicos da organização que tenham sido confirmados, como divisão, fila, tipo de mídia, unidade de negócio ou data da interação. Não aplique filtros de Company Code ou Document Type, a menos que esses conceitos sejam fornecidos por uma fonte integrada e estejam mapeados explicitamente no seu ambiente.
Tratamento de registros de data e hora: Preserve o registro de data e hora do evento de origem em EventTime. Armazene separadamente o horário de ingestão ou atualização em LastDataUpdate. Normalize todos os registros de data e hora para um fuso horário documentado, de preferência UTC, mantendo o deslocamento original quando necessário para auditorias.
Atributos opcionais: AgentId e AgentName podem ser preenchidos com dados de participantes ou usuários; QueueName, com dados de roteamento; WrapUpCode, com dados de encerramento; MediaType, com o canal da conversa ou da sessão; e EventEndTime, com uma transição explícita de término ou a duração informada pela origem.
Performance: Particione os dados brutos e normalizados por data do evento e, quando possível, por organização ou divisão. Processe os dados incrementalmente usando um checkpoint do EventBridge. Agrupe as gravações no warehouse ou data lake, monitore o atraso e evite consultar repetidamente todo o histórico.
Confiabilidade: Configure o tratamento de novas tentativas, o processamento de mensagens não entregues, os procedimentos de reprodução, a detecção de duplicatas e o monitoramento de falhas de entrega, mudanças de esquema e atrasos nos eventos.
Pré-requisitos: Permissões de administrador ou de integração do Genesys Cloud, permissões do AWS EventBridge, acesso ao barramento de eventos selecionado e ao armazenamento de destino, autorização para ler detalhes das conversas e os recursos ou licenças do Genesys Cloud exigidos pela integração de eventos da organização. Confirme os requisitos de retenção e privacidade antes de armazenar dados das conversas.

a Consulta de exemplo 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)

Pronto para começar?

Aproveite todo o potencial das operações de atendimento ao cliente. Com este Template, você fica mais perto de descobrir insights e aumentar a eficiência.

Voltar ao guia de melhoria Baixar Template

Reduza os contatos repetidos e melhore o atendimento ao cliente hoje mesmo!

Melhore o CSAT e alcance 80% de resolução no primeiro contato com facilidade.

Começar o teste grátis

Não é necessário informar dados do cartão de crédito. Ative seu teste em poucos minutos.

Seu Template de dados de atendimento ao cliente

Seu Template de dados de atendimento ao cliente

Atributos de atendimento ao cliente

Atividades de atendimento ao cliente

Guias de extração

Exportação detalhada de conversas do Genesys Cloud Analytics

Etapas

Configuração

a Consulta de exemplo python

Script Python usando a API da plataforma Genesys Cloud

Etapas

Configuração

a Consulta de exemplo python

Transmissão de eventos pela integração com o AWS EventBridge

Etapas

Configuração

a Consulta de exemplo python

Pronto para começar?

Reduza os contatos repetidos e melhore o atendimento ao cliente hoje mesmo!

Seu Template de dados de atendimento ao cliente

Seu Template de dados de atendimento ao cliente

Atributos de atendimento ao cliente

Atividades de atendimento ao cliente

Guias de extração

Exportação detalhada de conversas do Genesys Cloud Analytics

Etapas

Configuração

a Consulta de exemplo python

Script Python usando a API da plataforma Genesys Cloud

Etapas

Configuração

a Consulta de exemplo python

Transmissão de eventos pela integração com o AWS EventBridge

Etapas

Configuração

a Consulta de exemplo python

Pronto para começar?

Reduza os contatos repetidos e melhore o atendimento ao cliente hoje mesmo!

Sua privacidade é importante para nós