> Průběžné zlepšování procesů > Od leadu k platbě > Pipedrive > Datová šablona

Vaše šablona dat pro proces od získání zákazníka po platbu

Pipedrive

Atributy procesu od získání zákazníka po platbu(20) Aktivity v procesu od získání zákazníka po platbu(13) Návody na export dat(3)

Vaše šablona dat pro proces od získání zákazníka po platbu

Tato šablona vám ukáže, jak shromáždit data potřebná k analýze procesu od získání zákazníka po platbu v Pipedrive. Obsahuje přehled důležitých atributů a aktivit, které je třeba sledovat, a praktický návod, jak tato data získat přímo ze systému Pipedrive. Pomocí šablony připravíte data pro process mining a zlepšování procesů.

Doporučené atributy ke shromáždění
Důležité aktivity ke sledování
Návod na export dat z Pipedrive

Pracujete se záznamy událostí poprvé? Přečtěte si, jak vytvořit záznam událostí pro process mining.

Stáhnout šablonu

Atributy procesu od získání zákazníka po platbu

Tyto doporučené datové položky jsou důležité pro vytvoření kvalitního záznamu událostí a důkladnou analýzu procesu od získání zákazníka po platbu.

3 Povinné 4 Doporučené 13 Volitelné

	Název	Popis
	Čas události EventTime	Časové razítko udávající, kdy k aktivitě došlo.
Popis Čas události neboli čas zahájení zachycuje přesné datum a čas zaznamenání konkrétní aktivity. Tyto časové údaje umožňují seřadit události chronologicky a vypočítat dobu mezi jednotlivými kroky procesu. Při analýze se časové razítko používá k výpočtu ukazatelů výkonnosti, jako je doba cyklu, doba zpracování a čekání. Umožňuje vytvářet časové dashboardy pro sledování výkonnosti a odhalování zpoždění v prodejním procesu. Proč je to důležité Toto časové razítko je důležité pro řazení událostí, výpočet délky procesu a porovnání výkonnosti s časovými cíli. Kde data získat Údaje se získávají z polí, jako jsou 'add_time' nebo 'update_time', v objektech Deal, Activity nebo souvisejících objektech v API Pipedrive. Příklady 2023-04-15T10:00:00Z2023-04-16T14:30:00Z2023-05-01T09:05:00Z
	Název aktivity ActivityName	Název konkrétní obchodní události nebo úkolu, ke kterému v rámci prodejního procesu došlo.
Popis Tento atribut popisuje jednotlivé kroky procesu od leadu k inkasu, například „Deal Created“, „Proposal Sent“ nebo „Payment Received“. Aktivity jsou základními prvky pro vizualizaci toku procesu. Analýza pořadí a četnosti aktivit pomáhá určit nejběžnější průběhy procesu, úzká místa, kde se hromadí práce, i odchylky od standardního prodejního postupu. Díky tomu lze zjistit, jak proces skutečně probíhá. Proč je to důležité Určuje jednotlivé kroky procesu. Umožňuje vizualizovat a analyzovat jeho tok, hledat úzká místa a kontrolovat shodu s postupem. Kde data získat Obvykle se odvozuje mapováním událostí v Pipedrive, například změn fáze obchodu nebo vytvoření souvisejících objektů, jako jsou faktury, na předem definovaný seznam aktivit. Příklady Vytvoření obchoduNabídka odeslánaObchod vyhránFaktura odeslánaPlatba přijata
	Obchodní příležitost SalesOpportunityId	Jedinečný identifikátor obchodní příležitosti, který slouží jako ID případu pro sledování celého procesu od leadu k inkasu.
Popis ID obchodní příležitosti je primární klíč, který propojuje všechny související aktivity od vytvoření prvního leadu až po přijetí platby. V Pipedrive představuje jednu potenciální prodejní příležitost. Při analýze procesů tento identifikátor umožňuje rekonstruovat celý průběh každého obchodu. Seskupí všechny události, například „Deal Created“, „Proposal Sent“ a „Payment Received“, do jednoho přehledného případu. Díky tomu lze analyzovat varianty procesu, dobu cyklu i míru konverze. Proč je to důležité Tento identifikátor tvoří základ procesního pohledu. Propojuje související události a vytváří úplnou historii každého obchodního případu. Kde data získat Získává se z pole 'id' objektu Deal prostřednictvím Pipedrive API. Příklady 12543125441254512546
	Hodnota obchodu DealValue	Celková peněžní hodnota obchodní příležitosti.
Popis Hodnota obchodu představuje potenciální nebo skutečný výnos spojený s obchodní příležitostí. Jde o základní ukazatel pro stanovení priorit obchodů a posouzení finančního dopadu prodejního procesu. Při analýze procesů se podle tohoto atributu případy rozdělují podle finanční hodnoty. Lze tak porovnat průběh obchodů s vysokou a nízkou hodnotou. Atribut je také základem dashboardů, které sledují výkonnost prodeje, účinnost slev a celkové výnosy. Proč je to důležité Umožňuje finanční analýzu prodejního procesu, pomáhá určit priority obchodů s vysokou hodnotou a pochopit jejich dopad na výnosy. Kde data získat Získává se z pole 'value' objektu Deal v Pipedrive API. Příklady 5000.0025000.501500.75
	Procento slevy DiscountPercentage	Procentní sleva uplatněná na obchod.
Popis Tento atribut udává procentní slevu poskytnutou v rámci obchodu, pokud byla nějaká poskytnuta. Pomáhá pochopit cenovou strategii a její vliv na ziskovost. Analýza procenta slevy pomáhá vyhodnotit účinnost slevové strategie. Údaj lze porovnat s dalšími atributy, jako jsou hodnota obchodu, obchodní zástupce nebo produkt. Zjistíte tak, kde se slevy poskytují nejčastěji a zda vedou k vyšší úspěšnosti, nebo pouze snižují marži. Proč je to důležité Je důležitý pro analýzu cenové strategie, prodejních marží a celkové ziskovosti obchodů. Kde data získat Často jde o vlastní pole objektu Deal v Pipedrive. Informace o nastavení vlastních polí najdete v dokumentaci Pipedrive. Příklady 0.050.100.150.0
	Stav obchodu DealStatus	Aktuální výsledek nebo stav obchodu, například získaný, prohraný nebo otevřený.
Popis Stav obchodu označuje konečný výsledek nebo aktuální celkový stav obchodní příležitosti. Jde o hlavní dimenzi pro analýzu úspěšnosti prodeje a efektivity procesu. Tento atribut je základem pro výpočet míry získaných a prohraných obchodů i pro filtrování procesní mapy při porovnání průběhu získaných a prohraných obchodů. Porovnání často odhalí rozdíly v průběhu procesu, které vedou k úspěchu nebo neúspěchu, a poskytne podklady pro zlepšování procesů. Proč je to důležité Je nezbytný pro výpočet míry získaných a prohraných obchodů i pro porovnání průběhu úspěšných a neúspěšných obchodů. Kde data získat Získává se z pole 'status' objektu Deal v Pipedrive API. Příklady získanýprohranýotevřený
	Vlastník obchodu DealOwner	Obchodní zástupce odpovědný za vedení obchodní příležitosti.
Popis Vlastník obchodu je uživatel přiřazený ke konkrétnímu obchodu. Tento atribut pomáhá pochopit rozdělení zdrojů a výkonnost prodejního týmu. Umožňuje analyzovat výkonnost jednotlivců i týmů. Dashboardy lze filtrovat podle vlastníka obchodu a porovnávat ukazatele, jako je délka prodejního cyklu, míra konverze nebo průměrná hodnota obchodu. To pomáhá určit nejúspěšnější obchodní zástupce i oblasti, ve kterých se mohou zlepšit. Proč je to důležité Umožňuje analyzovat výkonnost jednotlivých obchodních zástupců a určit, komu se daří nejlépe a kdo potřebuje podporu. Kde data získat Získává se z pole 'user_id' objektu Deal, které odkazuje na objekt User v Pipedrive API. Příklady Jan NovákJana NovákováPetr Dvořák
	Čas ukončení události EventEndTime	Časové razítko udávající, kdy byla dokončena aktivita s určitou dobou trvání.
Popis Čas ukončení události označuje dokončení aktivity s měřitelnou dobou trvání, například schůzky nebo úkolu. Spolu s časem zahájení umožňuje přesně vypočítat, jak dlouho konkrétní aktivita trvala. Tento atribut je nezbytný pro výpočet doby zpracování jednotlivých aktivit. Analýza jejich délky pomáhá určit časově nejnáročnější úkoly a najít příležitosti k optimalizaci, automatizaci nebo přerozdělení zdrojů. Proč je to důležité Umožňuje přesně vypočítat dobu trvání jednotlivých aktivit, a tím určit časově náročné úkoly a úzká místa. Kde data získat Údaje se získávají z polí, jako jsou 'due_date' nebo časové razítko dokončení, v objektech Activity v API Pipedrive. Příklady 2023-04-15T11:00:00Z2023-04-16T15:00:00Z2023-05-01T09:35:00Z
	Doba úhrady faktury InvoicePaymentTime	Doba mezi odesláním faktury a přijetím platby.
Popis Doba úhrady faktury měří efektivitu procesu správy pohledávek. Sleduje čas od aktivity „Invoice Sent“ do aktivity „Payment Received“. Tento ukazatel je důležitý pro sledování peněžních toků a odhalování zpoždění při inkasu. Analýza této doby pomáhá firmám pochopit platební chování zákazníků i účinnost upomínek a vymáhání pohledávek. Přímo tak ovlivňuje cyklus od nabídky po platbu. Proč je to důležité Přímo měří efektivitu inkasa a je důležitá pro řízení peněžních toků. Kde data získat Vypočítá se jako rozdíl mezi časovými razítky aktivit „Payment Received“ a „Invoice Sent“ v rámci jednoho případu. Příklady 28 dní45 dní10 dní
	Fáze obchodu DealStage	Konkrétní fáze prodejního procesu, ve které se obchod právě nachází.
Popis Fáze obchodu označuje konkrétní krok ve stanoveném prodejním procesu firmy, například „Qualified“, „Proposal Made“ nebo „Negotiation“. Oproti celkovému stavu obchodu poskytuje podrobnější přehled o jeho průběhu. Analýza fází obchodu je důležitá pro pochopení prodejního trychtýře a určení míst, kde se obchody často zastaví. Sledováním doby strávené v jednotlivých fázích mohou týmy odhalit úzká místa a zaměřit zlepšování na nejproblematičtější části prodejního cyklu. Proč je to důležité Podrobně ukazuje průběh obchodu prodejním trychtýřem a pomáhá odhalit úzká místa i míru konverze mezi jednotlivými fázemi. Kde data získat Získává se z pole 'stage_id' objektu Deal, které odkazuje na objekt Stage v Pipedrive API. Příklady Lead přijatNavázán kontaktDemo naplánovánoPřipraven návrh nabídkyZahájeno vyjednávání
	Měna obchodu DealCurrency	Měna, ve které je uvedena hodnota obchodu.
Popis Tento atribut určuje měnu, například USD, EUR nebo GBP, ve které je uvedena hodnota obchodu. Poskytuje potřebný kontext pro všechny finanční ukazatele. Při analýze obchodů z více regionů nebo zemí je tento atribut nezbytný pro správné finanční výkaznictví a souhrny. Umožňuje před souhrnným zpracováním finančních dat správně převést měny a předejít chybným závěrům. Proč je to důležité Poskytuje potřebný kontext k hodnotě obchodu a umožňuje přesnou finanční analýzu a vykazování napříč regiony. Kde data získat Získává se z pole 'currency' objektu Deal v Pipedrive API. Příklady USDEURGBP
	Název organizace OrganizationName	Název firmy nebo organizace zákazníka spojené s obchodem.
Popis Tento atribut označuje firemního zákazníka spojeného s obchodní příležitostí. Ukazuje, které firmy jsou součástí prodejního procesu. Analýza podle názvu organizace pomáhá pochopit chování zákazníků a určit významné zákaznické účty. Proces lze rozdělit podle zákazníků a zjistit, zda se postup liší u strategických zákazníků a menších firem, případně sledovat celou historii prodeje konkrétní společnosti. Proč je to důležité Označuje zákazníka a umožňuje analýzu zaměřenou na zákazníky i rozdělení prodejního procesu do skupin. Kde data získat Získává se z pole 'org_id' objektu Deal, které odkazuje na objekt Organization v Pipedrive API. Příklady ABC CorporationGlobal Tech Inc.Innovate Solutions
	Opakovaný krok IsRework	Příznak označující aktivity, které jsou součástí opakované smyčky.
Popis Opakovaný krok je logický příznak, který nástroj process mining obvykle vypočítá, aby označil případy, kdy se proces odchýlí od přímého průběhu a vrací se k předchozím krokům. Například návrat obchodu z fáze „Negotiation“ do fáze „Proposal Sent“ se považuje za opakovaný krok. Odhalení opakovaných kroků je důležité pro zlepšování procesů, protože znamenají neefektivitu, zbytečnou práci a možné nedorozumění se zákazníkem. Analýza takto označených aktivit pomáhá určit místa, kde proces nefunguje, a cíleně je zlepšit. Proč je to důležité Pomáhá vyčíslit neefektivitu procesu tím, že označuje aktivity, které jsou součástí opakované nebo kruhové cesty procesem. Kde data získat Tuto hodnotu vypočítá software pro process mining analýzou pořadí aktivit v každém případu. Příklady truefalse
	Platba včas IsOnTimePayment	Logická hodnota označující, zda byla platba přijata v rámci dohodnutých platebních podmínek.
Popis Tento atribut je binární příznak (True/False), který označuje, zda byla platba provedena včas. Odvozuje se porovnáním skutečné doby úhrady faktury se stanovenými platebními podmínkami. Příznak zjednodušuje analýzu platebního chování. Lze jej použít k rychlému výpočtu KPI míry včasných plateb a k filtrování opožděných plateb. To usnadňuje hledání příčin zpoždění u konkrétních zákazníků nebo typů obchodů. Proč je to důležité Zjednodušuje analýzu dodržování platebních podmínek a slouží k výpočtu KPI míry včasných plateb. Kde data získat Vypočítá se porovnáním atributů 'InvoicePaymentTime' a 'PaymentTerms'. Pokud je například hodnota 'PaymentTerms' „Net 30“ a 'InvoicePaymentTime' nepřesahuje 30 dní, výsledkem je True. Příklady truefalse
	Platební podmínky PaymentTerms	Dohodnuté podmínky platby, například „splatnost 30 dní“ nebo „splatnost 60 dní“.
Popis Platební podmínky určují lhůtu, ve které má zákazník po odeslání faktury zaplatit. Tento atribut je důležitý pro správu pohledávek a peněžních toků. V process mining slouží jako základ pro hodnocení včasnosti plateb. Používá se k výpočtu KPI, jako je míra včasných plateb, a to porovnáním skutečného data platby se splatností odvozenou od data faktury a těchto podmínek. Proč je to důležité Poskytuje základ pro měření včasnosti plateb a analýzu zpoždění při inkasu. Kde data získat Obvykle jde o vlastní pole objektu Deal nebo Organization v Pipedrive, případně může údaj pocházet z integrovaného účetního systému. Příklady Splatnost 30 dníSplatnost 60 dníSplatnost při přijetí
	Poslední aktualizace dat LastDataUpdate	Časové razítko poslední aktualizace dat ze zdrojového systému.
Popis Tento atribut uvádí, kdy byla data naposledy načtena a aktualizována v datové sadě pro process mining. Poskytuje jasnou informaci o aktuálnosti analyzovaných dat. Při každé analýze je důležité vědět, jak aktuální data jsou. Atribut uživatelům ukazuje, zda zobrazené poznatky odpovídají současnému stavu procesu. To je důležité pro sledování provozu i rozhodování. Proč je to důležité Informuje o aktuálnosti dat, takže uživatelé vědí, jak současný je analyzovaný stav procesu. Kde data získat Tato hodnota se vytváří a zaznamenává při načítání dat nebo v procesu ETL. Příklady 2023-10-27T02:00:00Z2023-10-28T02:00:00Z
	Produkt ProductAttached	Produkt nebo služba spojená s obchodní příležitostí.
Popis Tento atribut určuje produkt nebo službu, které se obchod týká. Umožňuje podrobněji analyzovat prodejní aktivity spojené s konkrétní nabídkou. Rozdělením analýzy podle produktů lze porovnat prodejní procesy napříč produktovými řadami. Můžete zjistit, zda se u některých produktů prodejní cyklus prodlužuje, liší se míra konverze nebo jsou potřeba jiné kroky. Na základě toho lze prodejní strategii lépe přizpůsobit. Proč je to důležité Umožňuje analyzovat prodejní proces podle produktových řad a odhalit rozdíly v délce prodejního cyklu nebo úspěšnosti jednotlivých nabídek. Kde data získat Získává se z objektu Product propojeného s objektem Deal v Pipedrive API. Příklady Standardní předplatné SaaSLicence podnikové platformyBalíček profesionálních služeb
	Region Region	Zeměpisný region spojený se zákazníkem nebo obchodní příležitostí.
Popis Tento atribut rozděluje obchody podle zeměpisných oblastí, například Severní Ameriky, EMEA nebo APAC. Umožňuje analyzovat prodejní výkonnost a procesy podle lokality. Rozdělení procesu podle regionů může odhalit rozdíly v délce prodejního cyklu, míře získaných obchodů a variantách procesu. Tyto poznatky mohou pomoci při tvorbě regionální prodejní strategie, rozdělování zdrojů a sjednocování procesů. Proč je to důležité Umožňuje analyzovat prodejní proces podle zeměpisných oblastí a odhalit regionální rozdíly ve výkonnosti i chování zákazníků. Kde data získat Obvykle jde o vlastní pole objektu Deal nebo Organization. Region lze také odvodit z adresních polí organizace. Příklady Severní AmerikaEMEAAPACLatinská Amerika
	Zdroj leadu LeadSource	Zdroj nebo kanál, kterým byl lead získán.
Popis Zdroj leadu označuje, jak byl potenciální zákazník poprvé identifikován, například prostřednictvím webináře, studeného hovoru nebo doporučení partnera. Tato informace je důležitá pro marketingovou a prodejní strategii. Analýza zdroje leadu pomáhá určit účinnost různých marketingových kanálů. Lze porovnat míru konverze a délku prodejního cyklu u leadů z různých zdrojů a podle výsledků upravit marketingové výdaje i prodejní aktivity. Proč je to důležité Pomáhá měřit účinnost marketingových kanálů porovnáním míry konverze a průběhu procesu u leadů z jednotlivých zdrojů. Kde data získat Získává se z pole 'source_name' objektu Lead a následně se propojí s obchodem. Příklady Organické vyhledáváníPlacená reklama na sociálních sítíchDoporučeníVeletrh
	Zdrojový systém SourceSystem	Určuje systém, ze kterého byla data získána.
Popis Tento atribut uvádí původ dat, v tomto případě Pipedrive. Hodí se zejména v prostředí, kde se data z více systémů slučují do jednotného procesního pohledu. Při analýze jednoho systému má často stálou hodnotu, přesto poskytuje důležitý kontext a pomáhá se správou a dohledatelností dat. Potvrzuje, že se události a atributy vztahují k instanci Pipedrive. Proč je to důležité Poskytuje důležitý kontext o původu dat a zajišťuje jejich dohledatelnost a srozumitelnost, zejména při spojování dat z více systémů. Kde data získat Obvykle jde o statickou hodnotu přidanou při transformaci dat. Příklady Pipedrive

Povinné Doporučené Volitelné

Aktivity v procesu od získání zákazníka po platbu

Tyto kroky a milníky procesu zaznamenávejte do záznamu událostí. Zajistíte tak přesné zjištění průběhu procesu a účinné zlepšování.

5 Doporučené 8 Volitelné

	Aktivita	Popis
	Nabídka odeslána	Označuje okamžik, kdy zákazník obdrží formální cenovou nabídku nebo návrh. Často se odvozuje z přechodu obchodu do konkrétní fáze, například „Nabídka připravena“ nebo „Nabídka odeslána“.
Proč je to důležité Jde o důležitý milník v prodejním procesu. Doba od této události do události „Vyhraný obchod“ ukazuje, jak dlouho trvá rozhodování a vyjednávání. Kde data získat Událost se odvozuje ze záznamu změn Deal, když se pole „stage_id“ změní na fázi určenou pro nabídky. Použije se časové razítko změny fáze. Zachycení Zjistěte, kdy se pole „stage_id“ u Deal změní na konkrétní fázi „Nabídka“. Typ události inferred
	Obchod prohraný	Označuje neúspěšné uzavření obchodu. Nastává, když se prodejní proces ukončí, protože si zákazník vybral konkurenci, ztratil zájem nebo k tomu vedl jiný důvod.
Proč je to důležité Jde o hlavní koncový bod neúspěšného obchodu. Analýza toho, kdy a proč se obchody prohrávají, přináší důležité poznatky pro zlepšení prodejní strategie, školení a kvalifikace leadů. Kde data získat Jde o výslovnou událost zaznamenanou při změně stavu obchodu na „lost“. Časové razítko ukládá pole 'lost_time' v entitě Deals. Zachycení Použijte časové razítko 'lost_time' z entity Deals. Typ události explicit
	Obchod vyhrán	Označuje úspěšné uzavření obchodu a potvrzuje ústní nebo písemnou dohodu se zákazníkem. V Pipedrive jde o standardní, výslovnou změnu stavu.
Proč je to důležité Jde o nejdůležitější milník úspěchu. Je zásadní pro výpočet míry úspěšnosti, délky prodejního cyklu u úspěšných obchodů a celkové výkonnosti prodeje. Kde data získat Jde o výslovnou událost zaznamenanou při změně stavu obchodu na „won“. Přesné časové razítko obsahuje pole 'won_time' v entitě Deals. Zachycení Použijte časové razítko 'won_time' z entity Deals. Typ události explicit
	Platba přijata	Označuje úspěšné přijetí platby od zákazníka a uzavírá peněžní cyklus obchodní příležitosti. Jde o poslední událost procesu od leadu k inkasu, která pochází z finančního systému.
Proč je to důležité Jde o poslední krok, při kterém se realizuje hodnota. Tím proces od leadu k inkasu skutečně končí. Tato událost je nezbytná pro měření celkové doby cyklu a analýzu zpožděných plateb. Kde data získat Zaznamenává se z účetního systému nebo systému pro zpracování plateb. Potvrzení o platbě je nutné propojit s obchodem v Pipedrive. Zachycení Data o události z externího finančního systému propojená s obchodem pomocí jedinečného identifikátoru. Typ události explicit
	Vytvoření obchodu	Označuje oficiální začátek obchodní příležitosti. Tato událost nastane při ručním vytvoření nového obchodu nebo jeho automatickém vytvoření z převedeného leadu.
Proč je to důležité Jde o hlavní počáteční činnost prodejního cyklu. Doba od této události do události „Vyhraný obchod“ nebo „Prohraný obchod“ ukazuje celkovou délku prodejního cyklu. Kde data získat Jde o výslovně zaznamenanou událost v entitě Deals v Pipedrive. Čas vytvoření záznamu obchodu („add_time“) slouží jako čas události. Zachycení Použijte pole „add_time“ z entity Deals. Typ události explicit
	Faktura odeslána	Označuje okamžik, kdy je zákazníkovi odeslána faktura k úhradě. Tato událost se obvykle zaznamená v externím účetním nebo fakturačním systému po vyřízení objednávky.
Proč je to důležité Tím začíná platební cyklus. Doba mezi touto událostí a událostí „Payment Received“ je důležitá pro sledování pohledávek a peněžních toků. Kde data získat Pochází z externího účetního systému nebo ERP, například Xero či QuickBooks. Data o události je třeba integrovat a propojit s obchodem v Pipedrive. Zachycení Data o události z externího fakturačního systému propojená s obchodem prostřednictvím integrace API. Typ události explicit
	Následný kontakt po odeslání nabídky	Zaznamenává obchodní činnost, například hovor nebo e-mail, která následuje po odeslání nabídky zákazníkovi. Tato událost ukazuje, že obchodní tým se zákazníkem aktivně komunikuje během rozhodování.
Proč je to důležité Měří včasnost a četnost následných kontaktů, které jsou důležité pro udržení zájmu zákazníka a uzavření obchodu. Podporuje dashboard „Včasnost následného kontaktu po nabídce“. Kde data získat Údaje se získávají z entity Activities v Pipedrive. Jde o dokončenou aktivitu, která u stejné obchodní příležitosti následuje po události „Odeslán návrh“. Zachycení Najděte dokončenou aktivitu, jejíž hodnota 'done_time' je pozdější než časové razítko aktivity 'Proposal Sent'. Typ události explicit
	Obchod znovu otevřen	Označuje obchod, který byl dříve označen jako prohraný, ale znovu se aktivoval a pokračují na něm prodejní aktivity. Událost se odvozuje ze změny stavu obchodu z „lost“ zpět na „open“.
Proč je to důležité Tato aktivita upozorňuje na opakované kroky a snahu znovu navázat kontakt. Analýza těchto případů může odhalit vzorce v chování zákazníků nebo účinnosti následné komunikace. Kde data získat Odvozuje se z historie změn obchodu. Zaznamená se při změně pole 'status' z „lost“ na „open“. Zachycení V historii obchodu vyhledejte změnu stavu z „lost“ na „open“. Typ události inferred
	Obchodní příležitost kvalifikována	Označuje, že obchod splnil předem stanovená kritéria a představuje příležitost, které stojí za to se věnovat. Obvykle se odvozuje z přechodu obchodu z počáteční fáze, například „Nový lead“, do kvalifikovanější fáze, například „Navázán kontakt“ nebo „Zjištěny potřeby“.
Proč je to důležité Tento milník pomáhá vyhodnotit účinnost kvalifikace leadů a zjistit, jak dlouho obchody zůstávají v počátečních, dosud nekvalifikovaných fázích. Kde data získat Událost se odvozuje ze záznamu změn nebo historie Deal, když se pole „stage_id“ změní na fázi označující kvalifikaci. Zachycení V historii obchodu najděte změnu fáze na předem určenou fázi „kvalifikováno“. Typ události inferred
	Objednávka vyřízena	Označuje, že produkt byl odeslán nebo služba poskytnuta zákazníkovi. Tato událost pochází z externího systému pro vyřizování objednávek nebo provozního systému.
Proč je to důležité Sledování vyřízení objednávky pomáhá určit dobu od objednání po doručení. Zpoždění v této fázi přímo ovlivňují spokojenost zákazníků a vykázání výnosů. Kde data získat Zaznamenává se z externího ERP, skladového systému nebo systému pro správu služeb. Data je nutné propojit s odpovídajícím obchodem v Pipedrive. Zachycení Data o události z externího systému propojená pomocí ID obchodu nebo jiného společného identifikátoru. Typ události explicit
	První kontakt navázán	Označuje první smysluplnou interakci s potenciálním zákazníkem spojeným s obchodem. Obvykle se zaznamenává jako dokončená činnost, například hovor, e-mail nebo schůzka přiřazená k obchodu.
Proč je to důležité Sledováním této události změříte dobu do prvního kontaktu a ověříte, zda se leadům věnujete včas. Získáte přehled o rychlosti reakce obchodního týmu. Kde data získat Údaje se získávají z entity Activities v Pipedrive. Událost určíte jako nejstarší dokončenou aktivitu propojenou s ID obchodní příležitosti. Zachycení Najděte první dokončenou aktivitu související s obchodním případem podle pole 'done_time'. Typ události explicit
	Vytvořena prodejní objednávka	Označuje vytvoření formální prodejní objednávky v navazujícím systému, například v ERP nebo účetní platformě, po úspěšném uzavření obchodu. Tato aktivita není součástí Pipedrive a vyžaduje data z integrovaného systému.
Proč je to důležité Tato událost označuje předání z prodeje do provozu nebo financí. Analýza doby od aktivity „Deal Won“ do této aktivity odhalí možná zpoždění při zpracování objednávek. Kde data získat Obvykle se zaznamenává z propojeného ERP nebo finančního systému. Data je třeba načíst a propojit s ID obchodu v Pipedrive. Zachycení Data o události odeslaná externím systémem přes API, často jako aktualizace vlastního pole u obchodu v Pipedrive. Typ události explicit
	Zahájeno vyjednávání	Označuje začátek aktivního vyjednávání o ceně, podmínkách nebo rozsahu. Obvykle se odvozuje z přechodu obchodu do fáze „Vyjednávání“ po odeslání nabídky.
Proč je to důležité Samostatné sledování fáze vyjednávání ukáže, jak dlouho trvá a u kterých obchodů se protahuje. Kde data získat Událost se odvozuje ze záznamu změn Deal, když se pole „stage_id“ změní na fázi výslovně označenou jako vyjednávání. Zachycení V historii obchodu najděte změnu fáze na předem určenou fázi „Vyjednávání“. Typ události inferred

Doporučené Volitelné

Návody na export dat

Jak získat data z Pipedrive

Kroky

Přihlaste se do Pipedrive: Přihlaste se k účtu Pipedrive pomocí profilu uživatele s oprávněním exportovat data. Obvykle jde o uživatele s rolí správce.
Přejděte k exportu dat: Klikněte vpravo nahoře na svůj profilový obrázek a vyberte „Settings“. V levé navigační nabídce najděte část „Tools and apps“ a klikněte na „Export data“.
Exportujte data obchodních příležitostí: V zobrazení „Export data“ vyberte „Deals“ a formát souboru „CSV“. Doporučujeme nastavit filtr pro konkrétní období, například posledních 6 měsíců, aby velikost souboru zůstala přiměřená. Klikněte na „Export“ a počkejte, než se soubor vytvoří a stáhne. Bude obsahovat důležité údaje o obchodních příležitostech, včetně času vytvoření, času výhry a času prohry.
Exportujte data aktivit: Stejným postupem exportujte „Activities“. Vyberte „Activities“, zvolte formát „CSV“, nastavte stejný filtr období jako u obchodních příležitostí a exportujte soubor. Obsahuje záznamy hovorů, e-mailů, schůzek a vlastních aktivit propojených s obchodními příležitostmi.
Získejte data z externích systémů: Získejte odpovídající data z navazujících systémů. Pro události jako „Vytvořena prodejní objednávka“, „Objednávka vyřízena“, „Odeslána faktura“ a „Přijata platba“ budete potřebovat exporty z ERP, účetního systému nebo systému pro vyřizování objednávek. Ověřte, že soubory obsahují společný identifikátor, který lze propojit s ID obchodní příležitosti v Pipedrive.
Připravte prostředí pro zpracování dat: Použijte nástroj, který umí zpracovat a sloučit více souborů CSV, například Python s knihovnou pandas, Microsoft Excel s Power Query nebo jiný nástroj pro přípravu dat.
Načtěte a spojte data: Načtěte soubory Deals.csv a Activities.csv a také externí datové soubory z předchozího kroku.
Vytvořte záznam událostí: Pomocí skriptu převeďte nezpracovaná data do požadovaného formátu aktivit a vytvořte jednotný záznam událostí. Pro každou z 13 požadovaných aktivit vytvořte odpovídající řádky. Například:
- Události „Vytvořena obchodní příležitost“ vytvořte ze sloupce add_time v souboru Deals.csv.
- Události „Obchodní příležitost vyhrána“ vytvořte ze sloupce won_time v souboru Deals.csv.
- „Navázán první kontakt“ určete jako nejstarší dokončenou aktivitu pro každou obchodní příležitost v souboru Activities.csv.
- Další aktivity, například „Odeslán návrh“ nebo „Zahájeno vyjednávání“, odvoďte z konkrétních předmětů nebo typů aktivit v souboru Activities.csv.
Namapujte atributy: U každého řádku události vyplňte všechny povinné sloupce: SalesOpportunityId, ActivityName a EventTime. Přidejte doporučené atributy, například DealValue, DealOwner a DealStatus, a propojte je s daty obchodních příležitostí.
Exportujte výsledný soubor: Po sestavení a ověření záznamu událostí uložte výslednou tabulku jako jeden soubor CSV v kódování UTF-8. Soubor je připravený k nahrání do ProcessMind k analýze.

Konfigurace

Exportované objekty: Exportujte alespoň objekty „Deals“ a „Activities“. Pokud potřebujete další dimenzionální data, může být nutné exportovat také objekty „Organizations“ nebo „People“.
Formát souboru: Zvolte CSV, který je nejlépe kompatibilní s nástroji pro zpracování dat, jako jsou Python nebo Power Query.
Filtr období: Pomocí možnosti „Filter by“ vyberte konkrétní období, například „Deal add time“ v rámci „last 180 days“. Pomůže vám to řídit rychlost exportu a velikost souboru.
Oprávnění uživatele: Musíte mít roli správce nebo sadu oprávnění, která výslovně umožňuje exportovat data z účtu Pipedrive.
Vlastní typy aktivit: Úspěšné načtení kroků procesu, jako jsou „Obchodní příležitost kvalifikována“ nebo „Odeslán návrh“, závisí především na tom, zda vaše organizace v Pipedrive používá vlastní typy aktivit. Ověřte, že jsou nastavené a prodejní tým je používá jednotně.

Ukázkový dotaz python

import pandas as pd

class=class="hl-string">"hl-comment"># --- 1. Load Data ---
class=class="hl-string">"hl-comment"># Load Pipedrive exports. Replace class="hl-string">'deals.csv' and class="hl-string">'activities.csv' with your actual file paths.
deals_df = pd.read_csv(class="hl-string">'deals.csv')
activities_df = pd.read_csv(class="hl-string">'activities.csv')

class=class="hl-string">"hl-comment"># Placeholder: Load data from external systems. These files should contain a Deal ID column.
class=class="hl-string">"hl-comment"># Replace with actual file loads from your ERP, Accounting, or Fulfillment systems.
sales_orders_df = pd.DataFrame({class="hl-string">'Deal ID': [], class="hl-string">'Order Created Date': []}) class=class="hl-string">"hl-comment"># Example from ERP
fulfillments_df = pd.DataFrame({class="hl-string">'Deal ID': [], class="hl-string">'Fulfillment Date': []})   class=class="hl-string">"hl-comment"># Example from Fulfillment System
invoices_df = pd.DataFrame({class="hl-string">'Deal ID': [], class="hl-string">'Invoice Sent Date': []})         class=class="hl-string">"hl-comment"># Example from Accounting System
payments_df = pd.DataFrame({class="hl-string">'Deal ID': [], class="hl-string">'Payment Received Date': []})     class=class="hl-string">"hl-comment"># Example from Accounting System

class=class="hl-string">"hl-comment"># --- 2. Prepare and Clean Data ---
class=class="hl-string">"hl-comment"># Rename columns for consistency and convert date columns to datetime objects
deals_df.rename(columns={class="hl-string">'ID': class="hl-string">'SalesOpportunityId', class="hl-string">'Value': class="hl-string">'DealValue', class="hl-string">'Owner name': class="hl-string">'DealOwner', class="hl-string">'Status': class="hl-string">'DealStatus', class="hl-string">'Add time': class="hl-string">'EventTime_Created', class="hl-string">'Won time': class="hl-string">'EventTime_Won', class="hl-string">'Lost time': class="hl-string">'EventTime_Lost'}, inplace=True)
activities_df.rename(columns={class="hl-string">'Deal ID': class="hl-string">'SalesOpportunityId', class="hl-string">'Subject': class="hl-string">'ActivityName', class="hl-string">'Done time': class="hl-string">'EventTime'}, inplace=True)

for col in [class="hl-string">'EventTime_Created', class="hl-string">'EventTime_Won', class="hl-string">'EventTime_Lost']: 
    deals_df[col] = pd.to_datetime(deals_df[col], errors=class="hl-string">'coerce')
activities_df[class="hl-string">'EventTime'] = pd.to_datetime(activities_df[class="hl-string">'EventTime'], errors=class="hl-string">'coerce')


class=class="hl-string">"hl-comment"># --- 3. Extract Activities from Pipedrive Data ---

class=class="hl-string">"hl-comment"># Activity: Deal Created
event_created = deals_df[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime_Created']].copy()
event_created.rename(columns={class="hl-string">'EventTime_Created': class="hl-string">'EventTime'}, inplace=True)
event_created[class="hl-string">'ActivityName'] = class="hl-string">'Deal Created'

class=class="hl-string">"hl-comment"># Activity: Deal Won
event_won = deals_df[deals_df[class="hl-string">'EventTime_Won'].notna()][[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime_Won']].copy()
event_won.rename(columns={class="hl-string">'EventTime_Won': class="hl-string">'EventTime'}, inplace=True)
event_won[class="hl-string">'ActivityName'] = class="hl-string">'Deal Won'

class=class="hl-string">"hl-comment"># Activity: Deal Lost
event_lost = deals_df[deals_df[class="hl-string">'EventTime_Lost'].notna()][[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime_Lost']].copy()
event_lost.rename(columns={class="hl-string">'EventTime_Lost': class="hl-string">'EventTime'}, inplace=True)
event_lost[class="hl-string">'ActivityName'] = class="hl-string">'Deal Lost'

class=class="hl-string">"hl-comment"># Filter for relevant, completed activities linked to a deal
completed_activities = activities_df[activities_df[class="hl-string">'EventTime'].notna() & activities_df[class="hl-string">'SalesOpportunityId'].notna()].copy()
completed_activities[class="hl-string">'SalesOpportunityId'] = completed_activities[class="hl-string">'SalesOpportunityId'].astype(int)

class=class="hl-string">"hl-comment"># Activity: Initial Contact Made (first completed activity for each deal)
event_initial_contact = completed_activities.sort_values(class="hl-string">'EventTime', ascending=True).drop_duplicates(class="hl-string">'SalesOpportunityId')
event_initial_contact = event_initial_contact[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime']].copy()
event_initial_contact[class="hl-string">'ActivityName'] = class="hl-string">'Initial Contact Made'

class=class="hl-string">"hl-comment"># Infer other activities based on activity subject keywords. Adjust keywords as needed.
event_qualified = completed_activities[completed_activities[class="hl-string">'ActivityName'].str.contains(class="hl-string">'qualify|qualification', case=False, na=False)].copy()
event_qualified[class="hl-string">'ActivityName'] = class="hl-string">'Deal Qualified'

event_proposal_sent = completed_activities[completed_activities[class="hl-string">'ActivityName'].str.contains(class="hl-string">'proposal|quote', case=False, na=False)].copy()
event_proposal_sent[class="hl-string">'ActivityName'] = class="hl-string">'Proposal Sent'

class=class="hl-string">"hl-comment"># Proposal Follow-Up: Any call or email activity after a proposal was sent
if not event_proposal_sent.empty:
    merged_followup = pd.merge(completed_activities, event_proposal_sent[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime']].rename(columns={class="hl-string">'EventTime':class="hl-string">'ProposalTime'}), on=class="hl-string">'SalesOpportunityId')
    follow_ups = merged_followup[merged_followup[class="hl-string">'EventTime'] > merged_followup[class="hl-string">'ProposalTime']]
    event_follow_up = follow_ups[follow_ups[class="hl-string">'ActivityName'].str.contains(class="hl-string">'call|email|follow-up', case=False, na=False)].copy()
    event_follow_up[class="hl-string">'ActivityName'] = class="hl-string">'Proposal Follow-Up'
else:
    event_follow_up = pd.DataFrame(columns=[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime', class="hl-string">'ActivityName'])

event_negotiation = completed_activities[completed_activities[class="hl-string">'ActivityName'].str.contains(class="hl-string">'negotiation|negotiate', case=False, na=False)].copy()
event_negotiation[class="hl-string">'ActivityName'] = class="hl-string">'Negotiation Started'

class=class="hl-string">"hl-comment"># Placeholder for Deal Reopened: Logic is complex and not reliably available from standard export.
event_reopened = pd.DataFrame(columns=[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime', class="hl-string">'ActivityName'])

class=class="hl-string">"hl-comment"># --- 4. Extract Activities from External Data (Placeholders) ---

class=class="hl-string">"hl-comment"># Rename columns and convert dates for external data
class=class="hl-string">"hl-comment"># This section needs to be adapted to your specific file structures
event_so_created = sales_orders_df.rename(columns={class="hl-string">'Deal ID': class="hl-string">'SalesOpportunityId', class="hl-string">'Order Created Date': class="hl-string">'EventTime'}).assign(ActivityName=class="hl-string">'Sales Order Created')
event_fulfilled = fulfillments_df.rename(columns={class="hl-string">'Deal ID': class="hl-string">'SalesOpportunityId', class="hl-string">'Fulfillment Date': class="hl-string">'EventTime'}).assign(ActivityName=class="hl-string">'Order Fulfilled')
event_invoice_sent = invoices_df.rename(columns={class="hl-string">'Deal ID': class="hl-string">'SalesOpportunityId', class="hl-string">'Invoice Sent Date': class="hl-string">'EventTime'}).assign(ActivityName=class="hl-string">'Invoice Sent')
event_payment_received = payments_df.rename(columns={class="hl-string">'Deal ID': class="hl-string">'SalesOpportunityId', class="hl-string">'Payment Received Date': class="hl-string">'EventTime'}).assign(ActivityName=class="hl-string">'Payment Received')


class=class="hl-string">"hl-comment"># --- 5. Combine and Finalize Event Log ---

event_log_frames = [
    event_created,
    event_won,
    event_lost,
    event_initial_contact,
    event_qualified[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime', class="hl-string">'ActivityName']],
    event_proposal_sent[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime', class="hl-string">'ActivityName']],
    event_follow_up[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime', class="hl-string">'ActivityName']],
    event_negotiation[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime', class="hl-string">'ActivityName']],
    event_reopened,
    event_so_created,
    event_fulfilled,
    event_invoice_sent,
    event_payment_received
]

event_log = pd.concat(event_log_frames)

class=class="hl-string">"hl-comment"># Merge with deal attributes
final_event_log = pd.merge(event_log, deals_df[[class="hl-string">'SalesOpportunityId', class="hl-string">'DealValue', class="hl-string">'DealOwner', class="hl-string">'Status']], on=class="hl-string">'SalesOpportunityId', how=class="hl-string">'left')

class=class="hl-string">"hl-comment"># Clean up and select final columns
final_event_log.rename(columns={class="hl-string">'Status':class="hl-string">'DealStatus'}, inplace=True)
final_event_log.dropna(subset=[class="hl-string">'EventTime', class="hl-string">'SalesOpportunityId'], inplace=True)

class=class="hl-string">"hl-comment"># Placeholder for DiscountPercentage - Assuming it's a custom field in your deals export
if class="hl-string">'Discount percentage' in deals_df.columns:
    final_event_log = pd.merge(final_event_log, deals_df[[class="hl-string">'SalesOpportunityId', class="hl-string">'Discount percentage']], on=class="hl-string">'SalesOpportunityId', how=class="hl-string">'left')
    final_event_log.rename(columns={class="hl-string">'Discount percentage':class="hl-string">'DiscountPercentage'}, inplace=True)
else:
    final_event_log[class="hl-string">'DiscountPercentage'] = None

class=class="hl-string">"hl-comment"># Reorder columns to match requirements
output_columns = [class="hl-string">'SalesOpportunityId', class="hl-string">'ActivityName', class="hl-string">'EventTime', class="hl-string">'DealValue', class="hl-string">'DealOwner', class="hl-string">'DealStatus', class="hl-string">'DiscountPercentage']
final_event_log = final_event_log[output_columns]

class=class="hl-string">"hl-comment"># --- 6. Save Final Event Log ---
final_event_log.to_csv(class="hl-string">'pipedrive_event_log.csv', index=False, date_format=class="hl-string">'%Y-%m-%d %H:%M:%S')

print(class="hl-string">'Event log created successfully.')

Kroky

Připravte prostředí Pythonu: Ověřte, že máte nainstalovaný Python 3.6 nebo novější. Otevřete terminál nebo příkazový řádek a nainstalujte potřebné knihovny Pythonu příkazem pip install requests pandas.
Získejte přístupové údaje k API Pipedrive: Přihlaste se k účtu Pipedrive. Klikněte na svou profilovou fotku, přejděte do Settings, vyberte 'Personal preferences' a otevřete kartu 'API'. Zkopírujte svůj osobní API token. Budete také potřebovat doménu společnosti, tedy část adresy URL Pipedrive před názvem služby, například your-company v adrese your-company.pipedrive.com.
Nastavte skript pro extrakci: Otevřete dodaný Python skript v textovém editoru nebo IDE. V horní části najděte sekci konfigurace a nahraďte zástupné hodnoty API_TOKEN a COMPANY_DOMAIN svými přístupovými údaji.
Určete období extrakce: V sekci konfigurace skriptu nastavte proměnnou START_DATE na nejstarší datum vytvoření obchodů, které chcete zahrnout do analýzy. Použijte formát 'YYYY-MM-DD'.
Namapujte ID obchodního procesu a jeho fází: Skript odvozuje několik aktivit podle přechodů obchodů mezi fázemi. Zadejte konkrétní ID obchodního procesu a důležitých fází. ID najdete tak, že v rozhraní Pipedrive otevřete danou fázi a podíváte se na adresu URL, případně je získáte přes API. Ve skriptu upravte proměnné PIPELINE_ID, QUALIFIED_STAGE_ID, PROPOSAL_STAGE_ID a NEGOTIATION_STAGE_ID.
Spusťte skript: V terminálu spusťte příkaz python your_script_name.py. Skript začne přes API Pipedrive načítat obchody, aktivity a protokoly změn.
Sledujte průběh: Skript bude v konzoli zobrazovat informace o načítaných datech. Podle objemu dat a limitů API může zpracování trvat několik minut.
Zajistěte extrakci externích dat: U aktivit jako 'Sales Order Created' a 'Payment Received' skript obsahuje zástupné funkce. Upravte je tak, aby se připojovaly k vašim externím systémům, například ERP nebo účetní platformě, a načítaly příslušná data událostí. Namapujte SalesOpportunityId z Pipedrive na záznamy v těchto systémech.
Zkontrolujte výstup: Po dokončení skript vytvoří soubor CSV s názvem pipedrive_event_log.csv. Obsahuje strukturovaný záznam událostí se všemi extrahovanými aktivitami.
Připravte soubor k nahrání: Otevřete CSV a ověřte, že byl vytvořen správně. Sloupce by měly obsahovat SalesOpportunityId, ActivityName, EventTime a další doporučené atributy. Soubor je připraven k nahrání do ProcessMind k analýze.

Konfigurace

Přístupové údaje k API: Skript potřebuje platný API_TOKEN a hodnotu COMPANY_DOMAIN pro ověření vůči API Pipedrive. Ověřte, že uživatel přiřazený k tokenu má dostatečná oprávnění číst obchody, aktivity a uživatele.
Období: Proměnná START_DATE filtruje obchody vytvořené v daný den nebo později. Pro první analýzu doporučujeme období 3 až 6 měsíců, aby objem dat zůstal zvládnutelný.
ID obchodního procesu a fází: Aby skript správně odvodil kroky jako 'Deal Qualified' nebo 'Proposal Sent', nastavte správné číselné ID hlavního prodejního PIPELINE_ID a konkrétní hodnoty STAGE_ID pro jednotlivé důležité milníky. Nesprávná ID způsobí, že některé aktivity budou chybět.
Výkon a limity požadavků: Skript mezi voláními API krátce čeká, aby dodržel limity Pipedrive. U organizací s velkým počtem obchodů může být nutné prodlevu upravit nebo zavést propracovanější strategii opakování požadavků, která předejde chybám API.
Mapování vlastních polí: Pokud pro důležité atributy, například DiscountPercentage, používáte vlastní pole, zjistěte jeho API klíč. Jde o dlouhý řetězec znaků, nikoli zobrazovaný název. Pak na něj odkažte v logice transformace dat.
Napojení externích systémů: Události vznikající mimo Pipedrive, například fakturace nebo vyřízení objednávky, se získávají pomocí zástupných funkcí. Upravte tyto části tak, aby se připojovaly ke konkrétním externím zdrojům dat.

Ukázkový dotaz python

import requests
import pandas as pd
import time
import datetime

class=class="hl-string">"hl-comment"># --- CONFIGURATION ---
class=class="hl-string">"hl-comment"># Replace with your Pipedrive API token and company domain
API_TOKEN = class="hl-string">'YOUR_API_TOKEN'
COMPANY_DOMAIN = class="hl-string">'YOUR_COMPANY_DOMAIN' class=class="hl-string">"hl-comment"># e.g., class="hl-string">'your-company-name'

class=class="hl-string">"hl-comment"># Set the start date for deal extraction (YYYY-MM-DD)
START_DATE = class="hl-string">'2023-01-01'

class=class="hl-string">"hl-comment"># Configure your specific Pipeline and Stage IDs
class=class="hl-string">"hl-comment"># Find these in your Pipedrive URL or via the API /stages endpoint
PIPELINE_ID = 1 class=class="hl-string">"hl-comment"># Replace with your main sales pipeline ID
QUALIFIED_STAGE_ID = 2 class=class="hl-string">"hl-comment"># Replace with your class="hl-string">'Qualified' stage ID
PROPOSAL_STAGE_ID = 3 class=class="hl-string">"hl-comment"># Replace with your class="hl-string">'Proposal Sent' stage ID
NEGOTIATION_STAGE_ID = 4 class=class="hl-string">"hl-comment"># Replace with your class="hl-string">'Negotiation' stage ID

class=class="hl-string">"hl-comment"># --- SCRIPT --- 

BASE_URL = fclass="hl-string">'https://{COMPANY_DOMAIN}.pipedrive.com/api/v1'

def get_paginated_data(endpoint, params={}):
    class="hl-string">"""Fetches all pages of data from a Pipedrive API endpoint."""
    all_data = []
    start = 0
    limit = 500
    while True:
        request_params = {
            class="hl-string">'start': start,
            class="hl-string">'limit': limit,
            class="hl-string">'api_token': API_TOKEN
        }
        request_params.update(params)
        
        try:
            response = requests.get(fclass="hl-string">"{BASE_URL}/{endpoint}", params=request_params)
            response.raise_for_status()
            data = response.json()

            if not data.get(class="hl-string">'data'):
                break

            all_data.extend(data[class="hl-string">'data'])

            if not data.get(class="hl-string">'additional_data', {}).get(class="hl-string">'pagination', {}).get(class="hl-string">'more_items_in_collection'):
                break
            
            start += limit
            time.sleep(0.2) class=class="hl-string">"hl-comment"># Respect API rate limits
        except requests.exceptions.RequestException as e:
            print(fclass="hl-string">"Error fetching {endpoint}: {e}")
            break
            
    return all_data

def get_deal_flow(deal_id):
    class="hl-string">"""Fetches the change history (flow) for a single deal."""
    params = {class="hl-string">'api_token': API_TOKEN}
    try:
        response = requests.get(fclass="hl-string">"{BASE_URL}/deals/{deal_id}/flow", params=params)
        response.raise_for_status()
        data = response.json()
        return data.get(class="hl-string">'data', [])
    except requests.exceptions.RequestException as e:
        print(fclass="hl-string">"Error fetching flow for deal {deal_id}: {e}")
        return []

class=class="hl-string">"hl-comment"># Placeholder functions for external data
def get_sales_order_data(deal_ids):
    print(class="hl-string">"Placeholder: Fetching sales order data from external ERP/CRM...")
    class=class="hl-string">"hl-comment"># Example: Connect to your ERP, query for orders linked to deal_ids
    class=class="hl-string">"hl-comment"># Return a list of dicts: [{class="hl-string">'SalesOpportunityId': id, class="hl-string">'ActivityName': class="hl-string">'Sales Order Created', class="hl-string">'EventTime': timestamp}, ...]
    return []

def get_fulfillment_data(deal_ids):
    print(class="hl-string">"Placeholder: Fetching order fulfillment data...")
    return []

def get_invoice_data(deal_ids):
    print(class="hl-string">"Placeholder: Fetching invoice data from accounting system...")
    return []

def get_payment_data(deal_ids):
    print(class="hl-string">"Placeholder: Fetching payment data from financial system...")
    return []


class=class="hl-string">"hl-comment"># --- MAIN EXTRACTION LOGIC ---
if __name__ == class="hl-string">'__main__':
    print(class="hl-string">"Starting Pipedrive data extraction...")
    events = []

    class=class="hl-string">"hl-comment"># 1. Fetch all deals created after the START_DATE and in the specified pipeline
    print(class="hl-string">"Fetching deals...")
    deals = get_paginated_data(class="hl-string">'deals', {class="hl-string">'start_date': START_DATE, class="hl-string">'pipeline_id': PIPELINE_ID})
    if not deals:
        print(class="hl-string">"No deals found for the specified criteria. Exiting.")
        exit()

    deal_ids = [d[class="hl-string">'id'] for d in deals]
    print(fclass="hl-string">"Found {len(deals)} deals.")

    class=class="hl-string">"hl-comment"># 2. Fetch all activities related to the deals
    print(class="hl-string">"Fetching activities...")
    all_activities = get_paginated_data(class="hl-string">'activities', {class="hl-string">'user_id': 0}) class=class="hl-string">"hl-comment"># Get for all users
    deal_activities = [act for act in all_activities if act.get(class="hl-string">'deal_id') in deal_ids and act[class="hl-string">'done']]

    activities_by_deal = {}
    for act in deal_activities:
        if act[class="hl-string">'deal_id'] not in activities_by_deal:
            activities_by_deal[act[class="hl-string">'deal_id']] = []
        activities_by_deal[act[class="hl-string">'deal_id']].append(act)

    class=class="hl-string">"hl-comment"># 3. Process each deal to create events
    print(class="hl-string">"Processing deals and activities to generate event log...")
    for deal in deals:
        deal_id = deal[class="hl-string">'id']
        deal_owner_name = deal.get(class="hl-string">'owner_name', class="hl-string">'')
        base_attributes = {
            class="hl-string">'SalesOpportunityId': deal_id,
            class="hl-string">'DealValue': deal.get(class="hl-string">'value', 0),
            class="hl-string">'DealOwner': deal_owner_name,
            class="hl-string">'DealStatus': deal.get(class="hl-string">'status', class="hl-string">'open'),
            class="hl-string">'DiscountPercentage': deal.get(class="hl-string">'discount_percentage', 0)
        }

        class=class="hl-string">"hl-comment"># Activity: Deal Created
        events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Deal Created', class="hl-string">'EventTime': deal[class="hl-string">'add_time']})

        class=class="hl-string">"hl-comment"># Activity: Deal Won / Lost
        if deal[class="hl-string">'status'] == class="hl-string">'won' and deal[class="hl-string">'won_time']:
            events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Deal Won', class="hl-string">'EventTime': deal[class="hl-string">'won_time']})
        elif deal[class="hl-string">'status'] == class="hl-string">'lost' and deal[class="hl-string">'lost_time']:
            events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Deal Lost', class="hl-string">'EventTime': deal[class="hl-string">'lost_time']})

        class=class="hl-string">"hl-comment"># Activity: Initial Contact Made & Proposal Follow-Up
        proposal_sent_time = None
        if deal_id in activities_by_deal:
            sorted_activities = sorted(activities_by_deal[deal_id], key=lambda x: x[class="hl-string">'marked_as_done_time'])
            if sorted_activities:
                first_activity = sorted_activities[0]
                events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Initial Contact Made', class="hl-string">'EventTime': first_activity[class="hl-string">'marked_as_done_time']})
            
            class=class="hl-string">"hl-comment"># Find proposal follow-ups (requires proposal time)
            class=class="hl-string">"hl-comment"># This part is revisited after stage changes are processed

        class=class="hl-string">"hl-comment"># Activities from Stage Changes: Qualified, Proposal Sent, Negotiation, Reopened
        time.sleep(0.2) class=class="hl-string">"hl-comment"># Rate limit for flow endpoint
        flow = get_deal_flow(deal_id)
        if not flow:
            continue

        lost_then_reopened = False
        was_lost = False

        for change in sorted(flow, key=lambda x: x[class="hl-string">'add_time']):
            class=class="hl-string">"hl-comment"># Deal Reopened
            if change.get(class="hl-string">'field_key') == class="hl-string">'status' and change.get(class="hl-string">'old_value') == class="hl-string">'lost' and change.get(class="hl-string">'new_value') == class="hl-string">'open':
                events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Deal Reopened', class="hl-string">'EventTime': change[class="hl-string">'add_time']})
            
            if change.get(class="hl-string">'field_key') != class="hl-string">'stage_id':
                continue

            stage_change_time = change[class="hl-string">'add_time']

            class=class="hl-string">"hl-comment"># Deal Qualified
            if change[class="hl-string">'new_value'] == QUALIFIED_STAGE_ID:
                events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Deal Qualified', class="hl-string">'EventTime': stage_change_time})

            class=class="hl-string">"hl-comment"># Proposal Sent
            if change[class="hl-string">'new_value'] == PROPOSAL_STAGE_ID:
                events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Proposal Sent', class="hl-string">'EventTime': stage_change_time})
                proposal_sent_time = stage_change_time

            class=class="hl-string">"hl-comment"># Negotiation Started
            if change[class="hl-string">'new_value'] == NEGOTIATION_STAGE_ID:
                events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Negotiation Started', class="hl-string">'EventTime': stage_change_time})

        class=class="hl-string">"hl-comment"># Re-check for Proposal Follow-Up now that we have proposal_sent_time
        if proposal_sent_time and deal_id in activities_by_deal:
            for act in activities_by_deal[deal_id]:
                if act[class="hl-string">'marked_as_done_time'] > proposal_sent_time:
                    events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Proposal Follow-Up', class="hl-string">'EventTime': act[class="hl-string">'marked_as_done_time']})
                    break class=class="hl-string">"hl-comment"># Only capture the first follow-up

    class=class="hl-string">"hl-comment"># 4. Add events from external systems (placeholders)
    print(class="hl-string">"Adding data from external system placeholders...")
    events.extend(get_sales_order_data(deal_ids))
    events.extend(get_fulfillment_data(deal_ids))
    events.extend(get_invoice_data(deal_ids))
    events.extend(get_payment_data(deal_ids))

    class=class="hl-string">"hl-comment"># 5. Create and export the final event log
    if not events:
        print(class="hl-string">"No events were generated. The output file will be empty.")
    else:
        print(class="hl-string">"Creating CSV file...")
        df = pd.DataFrame(events)
        class=class="hl-string">"hl-comment"># Ensure required columns are present
        df = df[[class="hl-string">'SalesOpportunityId', class="hl-string">'ActivityName', class="hl-string">'EventTime', class="hl-string">'DealValue', class="hl-string">'DealOwner', class="hl-string">'DealStatus', class="hl-string">'DiscountPercentage']]
        df.sort_values(by=[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime'], inplace=True)
        
        output_filename = class="hl-string">'pipedrive_event_log.csv'
        df.to_csv(output_filename, index=False)
        print(fclass="hl-string">"Extraction complete. Event log saved to {output_filename}")

Kroky

Vyberte si placenou službu ETL nebo automatizace s podporovaným konektorem pro Pipedrive a pořiďte si licenci, například Fivetran nebo Make. Ověřte, že vybraný produkt umí načítat obchody, aktivity, historii fází obchodů, změny jejich stavu, osoby, organizace a vlastní pole a zapisovat data do cílového datového skladu nebo jezera.
Vytvořte připojení k Pipedrive s oprávněním ke čtení pomocí metody ověřování, kterou konektor podporuje. Nastavte zdrojový účet, pracovní prostor nebo organizaci podle zvoleného nástroje. Nepředpokládejte, že nabídky nebo koncové body API mají pevnou cestu, protože se liší podle produktu a verze konektoru.
Nastavte cílové připojení a vytvořte prostor pro ukládání synchronizovaných zdrojových objektů. Použijte názvy tabulek nebo kolekcí vytvořené konektorem, případně upravte názvy ve skriptu podle prostředí. Zachovejte zdrojové identifikátory, časová razítka, hodnoty stavů a fází, identifikátory vlastníků, peněžní hodnoty a vlastní pole.
Nastavte přírůstkovou synchronizaci pro požadované období, obvykle za předchozí 3 až 6 měsíců. Pokud to konektor umožňuje, zahrňte překryvné období. Načtěte také historické záznamy potřebné k rozpoznání znovuotevřených obchodů a historii fází či stavů, nejen aktuální snímek obchodu.
Synchronizujte objekty Pipedrive a všechny potřebné navazující objekty pro aktivity Sales Order Created, Order Fulfilled, Invoice Sent a Payment Received. Tyto čtyři aktivity nejsou nativními událostmi Pipedrive, proto je nutné získat jejich data z ERP, systému pro vyřizování objednávek, účetního, fakturačního nebo finančního systému. Pokud konektor tyto objekty nezpřístupňuje, načtěte je do cíle pomocí dalšího podporovaného konektoru.
Vytvořte normalizovaná zobrazení nebo tabulky, které namapují výstup konektoru na logické zdrojové objekty uvedené ve skriptu pro extrakci. Nahraďte každý zástupný název tabulky ve skriptu odpovídající tabulkou nebo zobrazením v cílovém prostředí. V příslušné sekci konfigurace nastavte názvy fází, hodnoty stavů, typy aktivit a klíče pro propojení s externími systémy podle zdrojových dat.
Spusťte skript pro extrakci. Vytvoří řádky pro události Deal Created, Initial Contact Made, Deal Qualified, Proposal Sent, Proposal Follow-Up, Negotiation Started, Deal Won, Sales Order Created, Order Fulfilled, Invoice Sent, Payment Received, Deal Lost a Deal Reopened. Události odvozené z historie fází nebo stavů se vytvoří pouze tehdy, pokud zdrojová historie obsahuje požadovaný přechod. ProcessMind neodvozuje chybějící události po nahrání dat.
Ověřte, že jsou vyplněné hodnoty SalesOpportunityId, ActivityName a EventTime, časová razítka používají jednotné časové pásmo a duplicitní zdrojové záznamy jsou odstraněné nebo ošetřené pomocí identifikátoru zdrojové události a jejího časového razítka. Zkontrolujte doporučené atributy a tam, kde je zdroj neposkytuje, ponechte hodnoty NULL.
Exportujte výsledek jako plochý soubor CSV nebo v jiném formátu záznamu událostí podporovaném ProcessMind. Jako identifikátor případu použijte SalesOpportunityId, jako sloupec aktivity ActivityName a jako časové razítko události EventTime. Přidejte atributy DealValue, DealOwner, DealStatus a DiscountPercentage. Nahrajte soubor nebo připojte datovou sadu z cílového prostředí v ProcessMind a ověřte, že názvy aktivit přesně odpovídají požadovaným označením.

Konfigurace

Zdrojový konektor: Nastavte podporovaný konektor pro Pipedrive ve vybrané službě ETL nebo automatizace. Možnosti konektoru, režimy synchronizace, názvy vytvořených tabulek a způsoby ověřování se liší podle produktu a jeho verze.
Požadovaná zdrojová data: Zahrňte obchody, aktivity, historii fází obchodů, historii jejich stavů, vlastníky nebo uživatele a všechna pole potřebná k rozpoznání převedených potenciálních zákazníků. Z integrovaných systémů přidejte také data o prodejních objednávkách, jejich vyřízení, fakturách a platbách.
Objekty v cílovém prostředí: Nahraďte [Your deals table], [Your activities table], [Your deal stage history table], [Your deal status history table], [Your sales orders table], [Your fulfillment table], [Your invoices table] a [Your payments table] názvy tabulek vytvořených konektorem nebo upravených zobrazení.
Období: Začněte s daty za 3 až 6 měsíců. Období prodlužte, pokud proces trvá déle, potřebujete analyzovat znovuotevřené obchody nebo vyžadujete historické přechody mezi fázemi a stavy.
Parametry data: Nastavte [Start date] a [End date] ve formátu podporovaném cílovým prostředím. Při přírůstkovém načítání použijte překryvné období, abyste zachytili pozdější aktualizace, opravená časová razítka a opožděné transakce v navazujících systémech.
Nastavení fází: Zadejte přesné názvy fází nebo normalizované kategorie používané v účtu Pipedrive pro kvalifikaci, nabídku a vyjednávání. Příkladové názvy fází použijte pouze tehdy, pokud odpovídají hodnotám ve zdrojových datech.
Nastavení aktivit: Podle normalizovaných hodnot konektoru zadejte přesné typy dokončených aktivit, které představují první kontakt a následnou komunikaci k nabídce, například hovor, e-mail nebo schůzku.
Propojení s externími systémy: Nastavte klíč, který propojuje prodejní objednávku v navazujícím systému s obchodem v Pipedrive. Pokud navazující systém používá jiný klíč, vytvořte před spuštěním extrakce mapovací zobrazení.
Filtry: Filtrujte podle společnosti, organizace, obchodního procesu, týmu, měny nebo obchodní jednotky pouze v případě potřeby. Každý filtr zdokumentujte, protože ovlivňuje úplnost případů a událostí.
Výkon: U velkých datových sad použijte přírůstkovou synchronizaci, filtry období na straně zdroje, rozdělení cílových tabulek a indexované nebo seskupené sloupce s identifikátorem případu a časovým razítkem. Vyhněte se opakovanému prohledávání celé historie.
Odstranění duplicit: Pokud je k dispozici stabilní identifikátor zdrojové události, zachovejte ho. Jinak odstraňte duplicity podle identifikátoru případu, názvu aktivity, časového razítka události a identifikátoru zdrojového záznamu. Zachovejte přitom skutečně opakované aktivity, například několik následných kontaktů.
Předpoklady: Potřebujete licenci ke konektoru, oprávnění pro Pipedrive, oprávnění zapisovat do cílového prostředí, přístup k historii obchodů a aktivitám a přístup k datům z navazujících ERP, systémů pro vyřizování objednávek, účetních, fakturačních nebo finančních systémů. Vlastní pole a historická data o změnách mohou vyžadovat další oprávnění k produktu nebo funkce konektoru.

Ukázkový dotaz python

import os
from datetime import datetime, timezone
import pandas as pd
from sqlalchemy import create_engine, text

CONNECTION_STRING = os.getenv(class="hl-string">"DESTINATION_CONNECTION_STRING", class="hl-string">"[Connection string]")
START_DATE = os.getenv(class="hl-string">"START_DATE", class="hl-string">"[Start date]")
END_DATE = os.getenv(class="hl-string">"END_DATE", class="hl-string">"[End date]")

DEALS_TABLE = class="hl-string">"[Your deals table]"
ACTIVITIES_TABLE = class="hl-string">"[Your activities table]"
DEAL_STAGE_HISTORY_TABLE = class="hl-string">"[Your deal stage history table]"
DEAL_STATUS_HISTORY_TABLE = class="hl-string">"[Your deal status history table]"
SALES_ORDERS_TABLE = class="hl-string">"[Your sales orders table]"
FULFILLMENT_TABLE = class="hl-string">"[Your fulfillment table]"
INVOICES_TABLE = class="hl-string">"[Your invoices table]"
PAYMENTS_TABLE = class="hl-string">"[Your payments table]"

engine = create_engine(CONNECTION_STRING)

sql = fclass="hl-string">"""
WITH
base_deals AS (
    SELECT
        CAST(d.id AS VARCHAR(255)) AS SalesOpportunityId,
        d.id AS deal_source_id,
        d.add_time AS deal_created_time,
        d.value AS DealValue,
        d.owner_name AS DealOwner,
        d.status AS DealStatus,
        d.discount_percentage AS DiscountPercentage
    FROM {DEALS_TABLE} d
    WHERE d.add_time >= :start_date
      AND d.add_time < :end_date
),
completed_activities AS (
    SELECT
        CAST(a.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        a.id AS activity_source_id,
        a.done AS activity_done,
        a.activity_type,
        a.subject,
        a.done_time AS activity_time,
        a.add_time AS activity_created_time
    FROM {ACTIVITIES_TABLE} a
    WHERE a.deal_id IS NOT NULL
      AND COALESCE(a.done_time, a.add_time) >= :start_date
      AND COALESCE(a.done_time, a.add_time) < :end_date
      AND a.done = TRUE
),
stage_history AS (
    SELECT
        CAST(h.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        h.stage_name,
        h.changed_at,
        LAG(h.stage_name) OVER (PARTITION BY h.deal_id ORDER BY h.changed_at, h.id) AS previous_stage
    FROM {DEAL_STAGE_HISTORY_TABLE} h
    WHERE h.changed_at >= :start_date
      AND h.changed_at < :end_date
),
status_history AS (
    SELECT
        CAST(h.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        LOWER(h.status) AS status,
        LOWER(LAG(h.status) OVER (PARTITION BY h.deal_id ORDER BY h.changed_at, h.id)) AS previous_status,
        h.changed_at
    FROM {DEAL_STATUS_HISTORY_TABLE} h
    WHERE h.changed_at >= :start_date
      AND h.changed_at < :end_date
),
external_sales_orders AS (
    SELECT
        CAST(o.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        o.created_at AS event_time,
        o.order_value AS DealValue,
        o.owner_name AS DealOwner,
        o.status AS DealStatus,
        o.discount_percentage AS DiscountPercentage
    FROM {SALES_ORDERS_TABLE} o
    WHERE o.deal_id IS NOT NULL
      AND o.created_at >= :start_date
      AND o.created_at < :end_date
),
external_fulfillment AS (
    SELECT
        CAST(f.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        f.fulfilled_at AS event_time,
        f.order_value AS DealValue,
        f.owner_name AS DealOwner,
        f.status AS DealStatus,
        f.discount_percentage AS DiscountPercentage
    FROM {FULFILLMENT_TABLE} f
    WHERE f.deal_id IS NOT NULL
      AND f.fulfilled_at >= :start_date
      AND f.fulfilled_at < :end_date
),
external_invoices AS (
    SELECT
        CAST(i.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        i.sent_at AS event_time,
        i.invoice_value AS DealValue,
        i.owner_name AS DealOwner,
        i.status AS DealStatus,
        i.discount_percentage AS DiscountPercentage
    FROM {INVOICES_TABLE} i
    WHERE i.deal_id IS NOT NULL
      AND i.sent_at >= :start_date
      AND i.sent_at < :end_date
),
external_payments AS (
    SELECT
        CAST(p.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        p.received_at AS event_time,
        p.payment_value AS DealValue,
        p.owner_name AS DealOwner,
        p.status AS DealStatus,
        p.discount_percentage AS DiscountPercentage
    FROM {PAYMENTS_TABLE} p
    WHERE p.deal_id IS NOT NULL
      AND p.received_at >= :start_date
      AND p.received_at < :end_date
),
events AS (
    SELECT b.SalesOpportunityId, 'Deal Created' AS ActivityName, b.deal_created_time AS EventTime, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM base_deals b
    WHERE b.deal_created_time IS NOT NULL
    UNION ALL
    SELECT a.SalesOpportunityId, 'Initial Contact Made', COALESCE(a.activity_time, a.activity_created_time), b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM completed_activities a
    JOIN base_deals b ON b.SalesOpportunityId = a.SalesOpportunityId
    WHERE LOWER(COALESCE(a.activity_type, '')) IN ('call', 'email', 'meeting')
       OR LOWER(COALESCE(a.subject, '')) LIKE '%initial contact%'
    UNION ALL
    SELECT h.SalesOpportunityId, 'Deal Qualified', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM stage_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE LOWER(COALESCE(h.stage_name, '')) IN ('contact made', 'needs defined', 'qualified')
      AND LOWER(COALESCE(h.previous_stage, '')) IN ('lead in', 'lead', 'new')
    UNION ALL
    SELECT h.SalesOpportunityId, 'Proposal Sent', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM stage_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE LOWER(COALESCE(h.stage_name, '')) IN ('proposal made', 'quote sent', 'proposal sent')
    UNION ALL
    SELECT a.SalesOpportunityId, 'Proposal Follow-Up', COALESCE(a.activity_time, a.activity_created_time), b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM completed_activities a
    JOIN base_deals b ON b.SalesOpportunityId = a.SalesOpportunityId
    WHERE LOWER(COALESCE(a.activity_type, '')) IN ('call', 'email', 'meeting')
      AND COALESCE(a.activity_time, a.activity_created_time) > COALESCE((SELECT MIN(h.changed_at) FROM stage_history h WHERE h.SalesOpportunityId = a.SalesOpportunityId AND LOWER(COALESCE(h.stage_name, '')) IN ('proposal made', 'quote sent', 'proposal sent')), TIMESTAMP '1900-01-01')
    UNION ALL
    SELECT h.SalesOpportunityId, 'Negotiation Started', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM stage_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE LOWER(COALESCE(h.stage_name, '')) IN ('negotiation', 'negotiating')
      AND EXISTS (SELECT 1 FROM stage_history p WHERE p.SalesOpportunityId = h.SalesOpportunityId AND LOWER(COALESCE(p.stage_name, '')) IN ('proposal made', 'quote sent', 'proposal sent') AND p.changed_at <= h.changed_at)
    UNION ALL
    SELECT h.SalesOpportunityId, 'Deal Won', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM status_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE h.status = 'won' AND COALESCE(h.previous_status, '') <> 'won'
    UNION ALL
    SELECT o.SalesOpportunityId, 'Sales Order Created', o.event_time, COALESCE(o.DealValue, b.DealValue), COALESCE(o.DealOwner, b.DealOwner), COALESCE(o.DealStatus, b.DealStatus), COALESCE(o.DiscountPercentage, b.DiscountPercentage)
    FROM external_sales_orders o
    LEFT JOIN base_deals b ON b.SalesOpportunityId = o.SalesOpportunityId
    UNION ALL
    SELECT f.SalesOpportunityId, 'Order Fulfilled', f.event_time, COALESCE(f.DealValue, b.DealValue), COALESCE(f.DealOwner, b.DealOwner), COALESCE(f.DealStatus, b.DealStatus), COALESCE(f.DiscountPercentage, b.DiscountPercentage)
    FROM external_fulfillment f
    LEFT JOIN base_deals b ON b.SalesOpportunityId = f.SalesOpportunityId
    UNION ALL
    SELECT i.SalesOpportunityId, 'Invoice Sent', i.event_time, COALESCE(i.DealValue, b.DealValue), COALESCE(i.DealOwner, b.DealOwner), COALESCE(i.DealStatus, b.DealStatus), COALESCE(i.DiscountPercentage, b.DiscountPercentage)
    FROM external_invoices i
    LEFT JOIN base_deals b ON b.SalesOpportunityId = i.SalesOpportunityId
    UNION ALL
    SELECT p.SalesOpportunityId, 'Payment Received', p.event_time, COALESCE(p.DealValue, b.DealValue), COALESCE(p.DealOwner, b.DealOwner), COALESCE(p.DealStatus, b.DealStatus), COALESCE(p.DiscountPercentage, b.DiscountPercentage)
    FROM external_payments p
    LEFT JOIN base_deals b ON b.SalesOpportunityId = p.SalesOpportunityId
    UNION ALL
    SELECT h.SalesOpportunityId, 'Deal Lost', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM status_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE h.status = 'lost' AND COALESCE(h.previous_status, '') <> 'lost'
    UNION ALL
    SELECT h.SalesOpportunityId, 'Deal Reopened', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM status_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE h.status = 'open' AND h.previous_status = 'lost'
)
SELECT SalesOpportunityId, ActivityName, EventTime, DealValue, DealOwner, DealStatus, DiscountPercentage
FROM events
WHERE SalesOpportunityId IS NOT NULL
  AND EventTime IS NOT NULL
ORDER BY SalesOpportunityId, EventTime, ActivityName
"""

with engine.connect() as connection:
    event_log = pd.read_sql(text(sql), connection, params={class="hl-string">"start_date": START_DATE, class="hl-string">"end_date": END_DATE})

event_log[class="hl-string">"EventTime"] = pd.to_datetime(event_log[class="hl-string">"EventTime"], utc=True, errors=class="hl-string">"coerce")
event_log = event_log.dropna(subset=[class="hl-string">"SalesOpportunityId", class="hl-string">"ActivityName", class="hl-string">"EventTime"])
event_log = event_log.sort_values([class="hl-string">"SalesOpportunityId", class="hl-string">"EventTime", class="hl-string">"ActivityName"])
event_log.to_csv(class="hl-string">"processmind_lead_to_cash_event_log.csv", index=False)
print(event_log.to_string(index=False))
print(fclass="hl-string">"Exported {len(event_log)} event rows to processmind_lead_to_cash_event_log.csv")

Chcete začít?

Pomocí této šablony připravíte data pro proces od získání zákazníka po platbu a začnete odhalovat, jak proces skutečně probíhá. Začněte zlepšovat provoz v Pipedrive.

Zpět na průvodce zlepšováním

Stáhnout šablonu

Zvyšte úspěšnost obchodů: zlepšete proces od získání zákazníka po platbu v Pipedrive

Zvyšte úspěšnost obchodů o 20 % a zkraťte prodejní cyklus. Začněte hned.

Spustit zkušební verzi

Bez platební karty. Zkušební verze na 14 dní zdarma.

Vaše šablona dat pro proces od získání zákazníka po platbu

Vaše šablona dat pro proces od získání zákazníka po platbu

Atributy procesu od získání zákazníka po platbu

Aktivity v procesu od získání zákazníka po platbu

Návody na export dat

Nativní export dat z Pipedrive do CSV/Excelu

Kroky

Konfigurace

Ukázkový dotaz python

Extrakce pomocí Python skriptu přes REST API Pipedrive

Kroky

Konfigurace

Ukázkový dotaz python

Nástroj ETL třetí strany s konektorem pro Pipedrive

Kroky

Konfigurace

Ukázkový dotaz python

Chcete začít?

Zvyšte úspěšnost obchodů: zlepšete proces od získání zákazníka po platbu v Pipedrive