> Kontinuierliche Prozessoptimierung > Lead to Cash > Pipedrive > Datenvorlage

Ihr Lead to Cash Daten-Template

Pipedrive

Lead-to-Cash-Attribute (21) Lead-to-Cash-Aktivitäten (13) Extraktionsleitfäden (3)

Ihr Lead to Cash Daten-Template

Dieses Template bietet eine klare Roadmap zur Erfassung der entscheidenden Daten, die für die Analyse Ihres Lead to Cash-Prozesses in Pipedrive benötigt werden. Es beschreibt die essenziellen Attribute und Schlüsselaktivitäten, die verfolgt werden sollen, zusammen mit praktischen Anleitungen, wie diese Informationen direkt aus Ihrem Pipedrive-System extrahiert werden können. Nutzen Sie diese Ressource, um Ihre Daten für eine umfassende Process Mining und Optimierung vorzubereiten.

Empfohlene Attribute zur Erfassung
Wichtige Aktivitäten zur Verfolgung
Pipedrive-Extraktionsanleitung

Neu bei Event-Logs? Erfahren Sie wie Sie ein Process-Mining-Event-Log erstellen.

Vorlage herunterladen

Lead-to-Cash-Attribute

Diese empfohlenen Datenfelder sind essenziell für den Aufbau eines leistungsstarken Event Logs, der eine umfassende Analyse Ihres Lead to Cash-Prozesses ermöglicht.

3 Erforderlich 4 Empfohlen 14 Optional

	Name	Beschreibung
	Aktivitätsname ActivityName	Der Name des spezifischen Geschäfts-Events oder der Aufgabe, die innerhalb des Vertriebsprozesses aufgetreten ist.
Beschreibung Dieses Attribut beschreibt einen einzelnen Schritt im Lead to Cash-Prozess, wie 'Deal erstellt', 'Angebot versendet' oder 'Zahlung erhalten'. Aktivitäten sind die fundamentalen Bausteine zur Visualisierung des Prozessflusses. Die Analyse der Reihenfolge und Häufigkeit von Aktivitäten hilft, die häufigsten Prozesspfade, Engpässe, an denen sich die Arbeit staut, und Abweichungen vom standardmäßigen Vertriebsverfahren zu identifizieren. Dies ist essenziell, um zu verstehen, wie der Prozess tatsächlich ausgeführt wird. Bedeutung Es definiert die Schritte im Prozess, was die Visualisierung und Analyse des Prozessflusses, die Identifizierung von Engpässen und die Konformitätsprüfung ermöglicht. Datenquelle Dies wird typischerweise abgeleitet, indem Pipedrive Events, wie Änderungen der Deal Stage oder die Erstellung verwandter Objekte wie Rechnungen, einer definierten Liste von Aktivitäten zugeordnet werden. Beispiele Deal erstelltAngebot versendetDeal gewonnenRechnung versandt`Zahlung erhalten`
	Ereigniszeit EventTime	Der Timestamp, der angibt, wann die Aktivität stattfand.
Beschreibung Die Event Time, oder Start Time, erfasst das genaue Datum und die Uhrzeit, zu der eine spezifische Aktivität aufgezeichnet wurde. Diese temporären Daten sind essenziell für die chronologische Reihenfolge der Events und die Berechnung der Dauern zwischen verschiedenen Prozessschritten. In der Analyse wird dieser Timestamp verwendet, um wichtige Leistungsindikatoren wie Cycle Time, Processing Time und Wait Time zu berechnen. Er ermöglicht die Erstellung von zeitbasierten Dashboards, die die Leistung überwachen und Verzögerungen innerhalb des Vertriebsprozesses identifizieren. Bedeutung Dieser Timestamp ist entscheidend für die chronologische Reihenfolge von Events, die Berechnung von Prozessdauern und die Analyse der Leistung im Vergleich zu zeitbasierten Zielen. Datenquelle Abgerufen aus Feldern wie 'add_time' oder 'update_time' von Deal-, Activity- oder verwandten Objekten in der Pipedrive API. Beispiele 2023-04-15T10:00:00Z2023-04-16T14:30:00Z2023-05-01T09:05:00Z
	Verkaufschance SalesOpportunityId	Der eindeutige Identifikator für eine Verkaufschance, der als Case ID zur Verfolgung des gesamten Lead to Cash-Prozesses dient.
Beschreibung Die Sales Opportunity ID ist der Primärschlüssel, der alle zugehörigen Aktivitäten, von der anfänglichen Lead-Erstellung bis zur finalen Zahlung, miteinander verbindet. Sie repräsentiert einen einzelnen potenziellen Verkauf, der in Pipedrive verfolgt wird. In der Prozessanalyse ist dieser Identifikator entscheidend für die Rekonstruktion der End-to-End-Journey jedes Deals. Er ermöglicht die Gruppierung aller Events, wie 'Deal erstellt', 'Angebot versendet' und 'Zahlung erhalten', zu einem kohärenten Case, was die Analyse von Prozessvarianten, Cycle Times und Konversionsraten ermöglicht. Bedeutung Dieser Identifikator ist die Grundlage der Prozessansicht und verknüpft alle zugehörigen Events, um eine vollständige Case History für jeden Verkaufsdeal zu bilden. Datenquelle Abgerufen aus dem Feld 'id' des Deal-Objekts über die Pipedrive API. Beispiele 12543125441254512546
	Deal-Status DealStatus	Das aktuelle Ergebnis oder der Status des Deals, z. B. gewonnen, verloren oder offen.
Beschreibung Der Deal-Status gibt das Endergebnis oder den aktuellen übergeordneten Status einer Verkaufschance an. Dies ist eine primäre Dimension für die Analyse von Verkaufserfolgsraten und Prozesseffizienz. Dieses Attribut ist grundlegend für die Berechnung von Gewinn-/Verlustquoten und für das Filtern der Prozesslandkarte, um die Wege von gewonnenen Deals mit verlorenen Deals zu vergleichen. Dieser Vergleich zeigt oft wichtige Unterschiede in der Prozessausführung auf, die zum Erfolg oder Misserfolg beitragen, und liefert wertvolle Einblicke für die Prozessverbesserung. Bedeutung Es ist wesentlich für die Berechnung von Gewinn-/Verlustquoten und den Vergleich der Prozessabläufe von erfolgreichen gegenüber nicht erfolgreichen Deals. Datenquelle Abgerufen aus dem Feld 'status' des Deal-Objekts in der Pipedrive API. Beispiele gewonnenverlorenopen
	Deal-Verantwortlicher DealOwner	Der Vertriebsmitarbeiter, der für die Verwaltung der Verkaufschance verantwortlich ist.
Beschreibung Der Deal Owner ist der Benutzer, dem ein spezifischer Deal zugewiesen ist. Dieses Attribut ist entscheidend, um die Ressourcenallokation und Leistung innerhalb des Vertriebsteams zu verstehen. Dieses Attribut ermöglicht Leistungsanalysen auf individueller oder Teamebene. Dashboards können nach Deal Owner gefiltert werden, um Metriken wie Sales Cycle Time, Konversionsraten und den durchschnittlichen Deal Value zu vergleichen, was hilft, Top-Performer und Bereiche für Coaching zu identifizieren. Bedeutung Ermöglicht die Leistungsanalyse nach Vertriebsmitarbeiter und hilft, Top-Performer und verbesserungsbedürftige Bereiche zu identifizieren. Datenquelle Abgerufen aus dem Feld 'user_id' des Deal-Objekts, das mit dem User-Objekt in der Pipedrive API verknüpft ist. Beispiele John SmithJane DoePeter Jones
	Deal-Wert DealValue	Der gesamte monetäre Wert der Verkaufschance.
Beschreibung Der Deal-Wert repräsentiert den potenziellen oder tatsächlichen Umsatz, der mit einer Verkaufschance verbunden ist. Es ist eine grundlegende Metrik zur Priorisierung von Deals und zur Bewertung der finanziellen Auswirkungen der Vertriebspipeline. In der Prozessanalyse wird dieses Attribut verwendet, um Cases nach finanzieller Größe zu segmentieren, was Vergleiche der Prozessausführung für hochwertige versus niedrigwertige Deals ermöglicht. Es ist auch ein Kernbestandteil von Dashboards, die die Vertriebsleistung, die Effektivität von Rabatten und die gesamte Umsatzgenerierung analysieren. Bedeutung Es ermöglicht eine Finanzanalyse des Vertriebsprozesses und hilft dabei, hochwertige Deals zu priorisieren und den Umsatzimpakt zu verstehen. Datenquelle Abgerufen aus dem Feld 'value' des Deal-Objekts in der Pipedrive API. Beispiele 5000.0025000.501500.75
	Rabatt-Prozentsatz DiscountPercentage	Der auf den Deal angewendete Rabattprozentsatz.
Beschreibung Dieses Attribut repräsentiert den gegebenen prozentualen Rabatt auf einen Verkaufsdeal, falls vorhanden. Es ist ein kritischer Faktor, um die Preisstrategie und deren Auswirkungen auf die Profitabilität zu verstehen. Die Analyse des Discount Percentage hilft bei der Bewertung der Effektivität von Rabattstrategien. Es kann mit anderen Attributen wie Deal Value, Sales Representative oder Produkt korreliert werden, um zu sehen, wo Rabatte am häufigsten sind und ob sie zu höheren Gewinnraten führen oder lediglich die Margen schmälern. Bedeutung Dies ist entscheidend für die Analyse von Preisstrategien, Vertriebsmargen und der Gesamtprofitabilität von Deals. Datenquelle Dies ist oft ein benutzerdefiniertes Feld auf dem Deal-Objekt in Pipedrive. Konsultieren Sie die Pipedrive-Dokumentation für die Einrichtung benutzerdefinierter Felder. Beispiele 0.050.100.150.0
	Deal-Phase DealStage	Die spezifische Phase der Vertriebspipeline, in der sich der Deal aktuell befindet.
Beschreibung Die Deal Stage repräsentiert einen spezifischen Schritt in der definierten Vertriebspipeline eines Unternehmens, wie 'Qualifiziert', 'Angebot erstellt' oder 'Verhandlung'. Sie bietet eine granularere Ansicht des Deal-Fortschritts als der übergeordnete Deal Status. Die Analyse der Deal Stages ist entscheidend, um den Sales Funnel zu verstehen und zu identifizieren, wo Deals tendenziell ins Stocken geraten. Durch die Verfolgung der in jeder Phase verbrachten Zeit können Teams Engpässe genau bestimmen und Verbesserungsbemühungen auf die problematischsten Teile des Sales Cycle konzentrieren. Bedeutung Bietet eine detaillierte Ansicht des Deal-Fortschritts durch den Sales Funnel und hilft, Engpässe sowie Konversionsraten zwischen den Phasen zu identifizieren. Datenquelle Abgerufen aus dem Feld 'stage_id' des Deal-Objekts, das mit dem Stage-Objekt in der Pipedrive API verknüpft ist. Beispiele Lead EingangKontakt hergestelltDemo geplantAngebot erstelltVerhandlungen begonnen
	Deal-Währung DealCurrency	Die Währung, die mit dem Deal Value verbunden ist.
Beschreibung Dieses Attribut spezifiziert die Währung, z.B. USD, EUR oder GBP, in der der Deal Value denominiert ist. Es liefert den notwendigen Kontext für alle Finanzmetriken. Bei der Analyse von Deals aus verschiedenen Regionen oder Ländern ist dieses Attribut essenziell für eine korrekte Finanzberichterstattung und Aggregation. Es stellt sicher, dass Währungsumrechnungen korrekt angewendet werden können, bevor Finanzdaten zusammengefasst werden, wodurch ungenaue Schlussfolgerungen vermieden werden. Bedeutung Bietet wesentlichen Kontext für den Deal Value und gewährleistet eine genaue Finanzanalyse und Berichterstattung über verschiedene Regionen hinweg. Datenquelle Abgerufen aus dem Feld 'currency' des Deal-Objekts in der Pipedrive API. Beispiele USDEURGBP
	Endzeit des Events EventEndTime	Der Timestamp, der angibt, wann eine Aktivität mit einer bestimmten Dauer abgeschlossen wurde.
Beschreibung Die Event End Time markiert den Abschluss einer Aktivität mit messbarer Dauer, wie z. B. eines Meetings oder einer Aufgabe. Sie ergänzt die Start Time, indem sie eine präzise Berechnung der Dauer spezifischer Aktivitäten ermöglicht. Dieses Attribut ist essenziell für die Berechnung der Bearbeitungszeit individueller Aktivitäten. Die Analyse dieser Dauer hilft zu identifizieren, welche spezifischen Aufgaben am zeitaufwändigsten sind, und bietet Möglichkeiten zur Optimierung, Automatisierung oder Ressourcenumverteilung. Bedeutung Ermöglicht die präzise Berechnung individueller Aktivitätsdauern, was entscheidend für die Identifizierung zeitaufwändiger Aufgaben und Engpässe ist. Datenquelle Abgerufen aus Feldern wie 'due_date' oder einem Abschluss-Timestamp auf Activity-Objekten in der Pipedrive API. Beispiele 2023-04-15T11:00:00Z2023-04-16T15:00:00Z2023-05-01T09:35:00Z
	Ist Nacharbeit IsRework	Ein Flag, das Aktivitäten identifiziert, die Teil einer Nacharbeitschleife sind.
Beschreibung Ist Nacharbeit ein boolesches Flag, das typischerweise vom Process Mining Tool berechnet wird, um Fälle hervorzuheben, in denen der Prozess von einem linearen Fluss abweicht und frühere Schritte wiederholt. Zum Beispiel würde ein Deal, der von 'Verhandlung' zurück zu 'Angebot gesendet' wechselt, als Nacharbeit betrachtet. Die Identifizierung von Nacharbeit ist entscheidend für die Prozessoptimierung, da sie Ineffizienz, verschwendete Anstrengungen und potenzielle Verwirrung für den Kunden darstellt. Die Analyse von als Nacharbeit gekennzeichneten Aktivitäten hilft, Bereiche zu lokalisieren, in denen der Prozess zusammenbricht, und ermöglicht gezielte Verbesserungen. Bedeutung Hilft, Prozessineffizienz zu quantifizieren, indem Aktivitäten identifiziert und gekennzeichnet werden, die Teil eines wiederholten oder zirkulären Prozesspfades sind. Datenquelle Dies wird von der Process Mining-Software berechnet, indem die Abfolge der Aktivitäten innerhalb jedes Case analysiert wird. Beispiele truefalsch
	Lead-Quelle LeadSource	Die Quelle oder der Kanal, über den der Lead gewonnen wurde.
Beschreibung Die Lead-Quelle identifiziert, wie ein potenzieller Kunde erstmals identifiziert wurde, zum Beispiel 'Webinar', 'Kaltakquise' oder 'Partnerempfehlung'. Diese Information ist entscheidend für die Marketing- und Vertriebsstrategie. Die Analyse der Lead-Quelle hilft, die Effektivität verschiedener Marketingkanäle zu bestimmen. Sie kann verwendet werden, um Konversionsraten und Verkaufszykluszeiten für Leads aus verschiedenen Quellen zu vergleichen, was es dem Unternehmen ermöglicht, seine Marketingausgaben und Vertriebsanstrengungen zu optimieren. Bedeutung Hilft, die Effektivität verschiedener Marketingkanäle zu messen, indem die Konversionsraten und die Prozessleistung von Leads aus jeder Quelle analysiert werden. Datenquelle Abgerufen aus dem Feld 'source_name' des Lead-Objekts, das dann mit dem Deal verknüpft wird. Beispiele Organische SuchePaid SocialEmpfehlungFachmesse
	Letzte Datenaktualisierung LastDataUpdate	Der Zeitstempel der aktuellsten Datenaktualisierung aus dem Quellsystem.
Beschreibung Dieses Attribut gibt an, wann die Daten zuletzt aus dem Process Mining-Datensatz extrahiert und aktualisiert wurden. Es bietet einen klaren Referenzpunkt für die Aktualität der analysierten Daten. Für jede Analyse ist die Kenntnis der Aktualität der Daten entscheidend. Dieses Attribut hilft Benutzern zu verstehen, ob die angezeigten Erkenntnisse den aktuellsten Zustand des Prozesses widerspiegeln, was für die operative Überwachung und Entscheidungsfindung unerlässlich ist. Bedeutung Zeigt die Aktualität der Daten an und stellt sicher, dass die Benutzer wissen, wie aktuell die Prozessanalyse ist. Datenquelle Dieser Wert wird während des Data Ingestion- oder ETL-Prozesses generiert und aufgezeichnet. Beispiele 2023-10-27T02:00:00Z2023-10-28T02:00:00Z
	Organisationsname OrganizationName	Der Name des Unternehmens oder der Organisation des Kunden, das/die mit dem Deal verbunden ist.
Beschreibung Dieses Attribut identifiziert den Unternehmenskunden, der mit der Verkaufschance verknüpft ist. Es liefert Kontext darüber, welche Unternehmen sich in der Vertriebspipeline befinden. Die Analyse von Daten nach Organisation Name hilft, das Kundenverhalten zu verstehen und Schlüsselkunden zu identifizieren. Es kann verwendet werden, um die Prozessanalyse zu segmentieren und zu sehen, ob Prozesse für strategische Kunden im Vergleich zu kleineren Kunden variieren, oder um die gesamte Verkaufshistorie mit einem bestimmten Unternehmen zu verfolgen. Bedeutung Identifiziert den Kunden und ermöglicht so eine kundenorientierte Analyse und Segmentierung des Vertriebsprozesses. Datenquelle Abgerufen aus dem Feld 'org_id' des Deal-Objekts, das mit dem Organization-Objekt in der Pipedrive API verknüpft ist. Beispiele ABC CorporationGlobal Tech Inc.Lösungen innovieren
	Produkt ProductAttached	Das Produkt oder die Dienstleistung, die mit der Verkaufschance verbunden ist.
Beschreibung Dieses Attribut spezifiziert das Produkt oder die Dienstleistung, die im Deal verkauft wird. Es ermöglicht eine detailliertere Analyse von Vertriebsaktivitäten im Zusammenhang mit spezifischen Angeboten. Durch die Einbeziehung des Produkts kann die Analyse segmentiert werden, um Vertriebsprozesse über verschiedene Produktlinien hinweg zu vergleichen. Dies kann aufzeigen, ob bestimmte Produkte längere Sales Cycles, unterschiedliche Konversionsraten oder andere Prozessschritte erfordern, was zu maßgeschneiderten Vertriebsstrategien führt. Bedeutung Ermöglicht die Analyse des Vertriebsprozesses nach Produktlinie und hilft, Variationen in Verkaufszyklen oder Erfolgsraten für verschiedene Angebote zu identifizieren. Datenquelle Abgerufen aus dem Product-Objekt, das mit einem Deal in der Pipedrive API verknüpft ist. Beispiele Standard SaaS-AbonnementEnterprise PlattformlizenzProfessional Services Paket
	Pünktliche Zahlung IsOnTimePayment	Ein boolesches Flag, das anzeigt, ob eine Zahlung innerhalb der vereinbarten Zahlungsbedingungen eingegangen ist.
Beschreibung Dieses Attribut ist ein binäres Flag (True/False), das anzeigt, ob eine Zahlung pünktlich erfolgte. Es wird abgeleitet, indem die tatsächliche Invoice Payment Time mit den festgelegten Payment Terms verglichen wird. Dieses Flag vereinfacht die Analyse des Zahlungsverhaltens. Es kann verwendet werden, um schnell die Pünktliche Zahlungsquote (On-Time Payment Rate KPI) zu berechnen und nach verspäteten Zahlungen zu filtern, was eine gezielte Ursachenanalyse ermöglicht, warum bestimmte Kunden oder Deal-Typen zu Zahlungsverzögerungen führen. Bedeutung Vereinfacht die Analyse der Zahlungseinhaltung und wird zur Berechnung des KPIs für die Pünktliche Zahlungsquote verwendet. Datenquelle Berechnet durch den Vergleich von 'InvoicePaymentTime' mit dem Attribut 'PaymentTerms'. Wenn PaymentTerms beispielsweise 'Net 30' ist und InvoicePaymentTime <= 30 Tage beträgt, ist der Wert True. Beispiele truefalsch
	Quellsystem SourceSystem	Identifiziert das System, aus dem die Daten extrahiert wurden.
Beschreibung Dieses Attribut spezifiziert die Datenherkunft, die in diesem Fall Pipedrive ist. Es ist besonders nützlich in Umgebungen, in denen Daten aus mehreren Systemen für eine umfassende Prozessansicht konsolidiert werden. Obwohl es in einer Einzel-System-Analyse oft ein statischer Wert ist, liefert es wesentlichen Kontext und unterstützt die Data Governance und Rückverfolgbarkeit. Es bestätigt, dass die Events und Attribute mit der Pipedrive-Instanz zusammenhängen. Bedeutung Liefert entscheidenden Kontext über die Herkunft der Daten und gewährleistet Rückverfolgbarkeit und Klarheit, insbesondere wenn Daten aus mehreren Systemen kombiniert werden. Datenquelle Dies ist typischerweise ein statischer Wert, der während des Datentransformationsprozesses hinzugefügt wird. Beispiele Pipedrive
	Rechnungszahlungszeit InvoicePaymentTime	Die Dauer zwischen dem Versand einer Rechnung und dem Zahlungseingang.
Beschreibung Die Rechnungszahlungszeit misst die Effizienz des Forderungsprozesses. Sie verfolgt spezifisch die verstrichene Zeit von der Aktivität 'Rechnung versendet' bis zur Aktivität 'Zahlung erhalten'. Diese Metrik ist entscheidend für die Überwachung des Cashflows und die Identifizierung von Verzögerungen beim Zahlungseinzug. Die Analyse dieser Dauer hilft Unternehmen, das Zahlungsverhalten der Kunden und die Wirksamkeit ihrer Mahn- und Inkassostrategien zu verstehen, was direkt den Angebots-zu-Zahlungs-Zyklus beeinflusst. Bedeutung Misst direkt die Effizienz des Geldeinzugsprozesses und ist entscheidend für die Steuerung des Cashflows. Datenquelle Berechnet als Differenz zwischen den Zeitstempeln der Aktivitäten 'Zahlung erhalten' und 'Rechnung versendet' für einen bestimmten Case. Beispiele 28 Tage45 Tage10 Tage
	Region Region	Die geografische Region, die mit dem Kunden oder der Verkaufschance verbunden ist.
Beschreibung Dieses Attribut kategorisiert Deals in geografische Gebiete, wie Nordamerika, EMEA oder APAC. Es ermöglicht eine standortbasierte Analyse der Vertriebsleistung und -prozesse. Durch die Segmentierung des Prozesses nach Region können Unternehmen regionale Unterschiede in Sales Cycle Times, Gewinnraten und Prozessvarianten aufdecken. Diese Erkenntnisse können regionale Vertriebsstrategien, die Ressourcenallokation und Prozessstandardisierungsbemühungen informieren. Bedeutung Ermöglicht die geografische Analyse des Vertriebsprozesses, wobei regionale Unterschiede in Leistung und Kundenverhalten hervorgehoben werden. Datenquelle Dies ist typischerweise ein benutzerdefiniertes Feld auf dem Deal- oder Organization-Objekt. Die Adressfelder der Organisation können auch zur Ableitung verwendet werden. Beispiele NordamerikaEMEAAPACLATAM
	Sales Cycle Time SalesCycleTime	Die gesamte Dauer von der Erstellung eines Deals bis zu seinem Abschluss (gewonnen oder verloren).
Beschreibung Die Sales Cycle Time ist ein wichtiger Leistungsindikator, der die gesamte verstrichene Zeit vom ersten Event, 'Deal erstellt', bis zum finalen Ergebnis-Event, wie 'Deal gewonnen' oder 'Deal verloren', misst. Diese berechnete Kennzahl bietet einen Überblick über die Verkaufsgeschwindigkeit. Die Analyse ihres Durchschnitts und ihrer Verteilung hilft, Trends und systemische Verzögerungen im Gesamtprozess zu identifizieren. Sie ist ein primärer KPI für Dashboards, die sich auf Vertriebseffizienz und -leistung konzentrieren. Bedeutung Dies ist ein kritischer KPI zur Messung der Gesamteffizienz und Geschwindigkeit des Vertriebsprozesses von Anfang bis Ende. Datenquelle Berechnet durch Ermittlung der Differenz zwischen dem Zeitstempel der ersten und letzten Aktivität für jede SalesOpportunityId. Beispiele 30 Tage 4 Stunden92 Tage 8 Stunden15 Tage 2 Stunden
	Zahlungsbedingungen PaymentTerms	Die vereinbarten Zahlungsbedingungen, wie 'Netto 30' oder 'Netto 60'.
Beschreibung Die Zahlungsbedingungen legen den Zeitraum fest, innerhalb dessen ein Kunde eine Rechnung nach deren Versand begleichen soll. Dieses Attribut ist entscheidend für das Management von Forderungen und den Cashflow. Im Process Mining dient dieses Attribut als Grundlage zur Bewertung der Zahlungsleistung. Es wird verwendet, um KPIs wie die Pünktliche Zahlungsquote zu berechnen, indem das tatsächliche Zahlungsdatum mit dem Fälligkeitsdatum verglichen wird, das sich aus dem Rechnungsdatum und diesen Bedingungen ergibt. Bedeutung Liefert die Grundlage zur Messung der pünktlichen Zahlungsleistung und zur Analyse von Verzögerungen im Geldeingangsprozess. Datenquelle Dies ist typischerweise ein benutzerdefiniertes Feld auf dem Deal- oder Organization-Objekt in Pipedrive, oder es kann aus einem integrierten Buchhaltungssystem stammen. Beispiele Netto 30Netto 60Zahlbar bei Erhalt

Erforderlich Empfohlen Optional

Lead-to-Cash-Aktivitäten

Diese wichtigen Prozessschritte und Meilensteine sollten in Ihrem Event Log erfasst werden, um eine genaue Prozesserkennung und effektive Optimierung sicherzustellen.

5 Empfohlen 8 Optional

	Aktivität	Beschreibung
	`Zahlung erhalten`	Markiert den erfolgreichen Zahlungseingang vom Kunden, wodurch der Cash-Zyklus für die Chance abgeschlossen wird. Dies ist das letzte Ereignis im Lead-to-Cash-Prozess und stammt aus einem Finanzsystem.
Bedeutung Dies ist der letzte, wertschöpfende Schritt. Es ist das wahre Ende des Lead to Cash-Prozesses und unerlässlich für die Messung der End-to-End Cycle Time und die Analyse von Zahlungsverzögerungen. Datenquelle Erfasst aus einem Buchhaltungs- oder Zahlungsabwicklungssystem. Die Zahlungsbestätigung muss mit dem Pipedrive-Deal verknüpft werden. Erfassen Event-Daten aus einem externen Finanzsystem, über einen eindeutigen Bezeichner mit dem Deal verknüpft. Ereignistyp explicit
	Angebot versendet	Stellt den Zeitpunkt dar, zu dem ein formales Angebot oder Vorschlag an den Kunden übermittelt wird. Dies wird oft abgeleitet, wenn ein Deal in eine bestimmte Pipeline-Phase, wie 'Angebot erstellt' oder 'Angebot versendet', wechselt.
Bedeutung Dies ist ein wichtiger Meilenstein im Vertriebsprozess. Die Analyse der Zeitspanne von diesem Event bis 'Deal gewonnen' hilft, die Dauer der Entscheidungsfindungs- und Verhandlungsphase zu verstehen. Datenquelle Abgeleitet aus dem Deal-Änderungsprotokoll, wenn sich die 'stage_id' zu einer für Angebote vorgesehenen Phase ändert. Der Zeitstempel der Phasenänderung wird verwendet. Erfassen Erkennen, wann die 'stage_id' eines Deals auf eine spezifische 'Proposal'-Phase aktualisiert wird. Ereignistyp inferred
	Deal erstellt	Markiert den offiziellen Beginn einer Verkaufschance. Dieses Ereignis wird ausgelöst, wenn ein neuer Deal manuell erstellt oder automatisch aus einem konvertierten Lead generiert wird.
Bedeutung Dies ist die primäre Startaktivität für den Sales Cycle. Die Analyse der Zeit von diesem Event bis 'Deal gewonnen' oder 'Deal verloren' liefert die gesamte Sales Cycle Duration. Datenquelle Dies ist ein explizites Event, das in der Pipedrive Deals-Entität erfasst wird. Der Erstellungs-Timestamp ('add_time') für den Deal-Datensatz dient als Event-Zeit. Erfassen Verwenden Sie das Feld 'add_time' aus der Deals-Entität. Ereignistyp explicit
	Deal gewonnen	Markiert den erfolgreichen Abschluss eines Deals, der eine mündliche oder schriftliche Vereinbarung mit dem Kunden signalisiert. Dies ist eine standardmäßige, explizite Statusänderung innerhalb von Pipedrive.
Bedeutung Dies ist der wichtigste Erfolgsmeilenstein. Er ist entscheidend für die Berechnung von Gewinnraten, der Sales Cycle Length für erfolgreiche Deals und der gesamten Vertriebsleistung. Datenquelle Dies ist ein explizites Event, das erfasst wird, wenn der Status eines Deals auf 'gewonnen' geändert wird. Das Feld 'won_time' in der Deals-Entität liefert den präzisen Timestamp. Erfassen Verwenden Sie den 'won_time' Timestamp aus der Deals-Entität. Ereignistyp explicit
	Geschäft verloren	Markiert den erfolglosen Abschluss eines Deals. Dies tritt ein, wenn der Verkaufsprozess beendet wird, weil der Kunde einen Wettbewerber gewählt hat, kein Interesse mehr hat oder aus anderen Gründen.
Bedeutung Dies ist der primäre Fehlerendpunkt. Die Analyse, wann und warum Deals verloren gehen, liefert kritische Erkenntnisse zur Verbesserung der Vertriebsstrategie, des Trainings und der Qualifizierungsprozesse. Datenquelle Dies ist ein explizites Event, das erfasst wird, wenn der Status eines Deals auf 'verloren' geändert wird. Das Feld 'lost_time' in der Deals-Entität zeichnet den Timestamp auf. Erfassen Verwenden Sie den 'lost_time' Timestamp aus der Deals-Entität. Ereignistyp explicit
	`Auftrag` erfüllt	Zeigt an, dass das Produkt versandt oder die Dienstleistung an den Kunden erbracht wurde. Dieses Ereignis stammt aus einem externen Fulfillment- oder Betriebssystem.
Bedeutung Die Verfolgung der Erfüllung ist entscheidend, um die Order-to-Delivery Cycle Time zu verstehen. Verzögerungen hier wirken sich direkt auf die Kundenzufriedenheit und die Umsatzrealisierung aus. Datenquelle Erfasst aus einem externen ERP-, Bestandsverwaltungs- oder Service-Management-System. Diese Daten müssen mit dem entsprechenden Pipedrive-Deal verknüpft werden. Erfassen Event-Daten aus einem externen System, verknüpft über Deal-ID oder einen anderen gemeinsamen Bezeichner. Ereignistyp explicit
	`Verkaufsauftrag` erstellt	Stellt die Erstellung eines formalen Verkaufsauftrags in einem nachgelagerten System, wie einem ERP- oder Buchhaltungssystem, nach dem Gewinn eines Deals dar. Diese Aktivität ist nicht nativ in Pipedrive und basiert auf Daten aus einem integrierten System.
Bedeutung Dieses Event markiert die Übergabe vom Vertrieb an Operations oder Finanzen. Die Analyse der Zeitspanne von 'Deal gewonnen' bis zu dieser Aktivität zeigt potenzielle Verzögerungen bei der Auftragsabwicklung auf. Datenquelle Typischerweise aus einem verbundenen ERP- oder Finanzsystem erfasst. Die Daten müssten erfasst und mit der Pipedrive Deal ID verknüpft werden. Erfassen Event-Daten, die von einem externen System über API übertragen werden und oft ein benutzerdefiniertes Feld im Pipedrive-Deal aktualisieren. Ereignistyp explicit
	Angebots-Follow-up	Erfasst jede Vertriebsaktivität, wie z. B. einen Anruf oder eine E-Mail, die nach dem Versand eines Angebots an den Kunden erfolgt. Dieses Ereignis zeigt ein aktives Engagement während der Prüfungsphase an.
Bedeutung Misst die Rechtzeitigkeit und Häufigkeit von Nachverfolgungsaktionen, was entscheidend ist, um den Schwung aufrechtzuerhalten und Deals abzuschließen. Es unterstützt das Dashboard 'Proposal Follow-up Timeliness'. Datenquelle Erfasst aus der Pipedrive Activities-Entität. Sie wird als abgeschlossene Aktivität identifiziert, die nach dem Ereignis 'Proposal Sent' für denselben Deal stattfindet. Erfassen Identifizieren Sie eine abgeschlossene Aktivität mit einem 'done_time', der später als der Zeitstempel der Aktivität 'Proposal Sent' liegt. Ereignistyp explicit
	Deal qualifiziert	Zeigt an, dass der Deal vordefinierte Kriterien erfüllt und als verfolgenswerte, realisierbare Chance gilt. Dies wird typischerweise abgeleitet, wenn ein Deal von einer frühen Pipeline-Phase, wie 'Lead In', zu einer qualifizierteren Phase, wie 'Kontakt hergestellt' oder 'Bedarf definiert', übergeht.
Bedeutung Dieser Meilenstein hilft, die Effektivität des Lead-Qualifizierungsprozesses zu analysieren und genau zu bestimmen, wie lange Deals in anfänglichen, unqualifizierten Phasen verbleiben. Datenquelle Abgeleitet aus dem Deal-Änderungsprotokoll oder der Historie, wenn sich das Feld 'stage_id' zu einer Phase ändert, die die Qualifizierung signalisiert. Erfassen Identifizieren Sie eine Phasenänderung zu einer vordefinierten 'qualifizierten' Phase aus der Deal-Historie. Ereignistyp inferred
	Deal wiedereröffnet	Stellt einen Deal dar, der zuvor als verloren markiert wurde, aber für weitere Vertriebsaktivitäten reaktiviert wurde. Dieses Event wird abgeleitet, wenn sich der Status eines Deals von 'verloren' zurück zu 'offen' ändert.
Bedeutung Diese Aktivität hebt Nacharbeits-Schleifen und erneute Engagement-Bemühungen hervor. Die Analyse dieser Fälle kann Muster im Kundenverhalten oder in der Effektivität der Vertriebs-Nachverfolgung aufzeigen. Datenquelle Abgeleitet aus dem Deal-Änderungsprotokoll. Es wird erkannt, wenn sich das Feld 'status' von 'verloren' zu 'offen' ändert. Erfassen Identifizieren Sie eine Statusänderung von 'verloren' zu 'offen' in der Deal-Historie. Ereignistyp inferred
	Erstkontakt hergestellt	Stellt die erste sinnvolle Interaktion mit dem potenziellen Kunden dar, der mit dem Deal verbunden ist. Dies wird typischerweise als abgeschlossene Aktivität, wie ein Anruf, eine E-Mail oder ein Meeting, protokolliert und mit dem Deal verknüpft.
Bedeutung Die Verfolgung hilft, die Zeit bis zum ersten Kontakt zu messen und sicherzustellen, dass Leads schnell kontaktiert werden. Sie bietet Einblick in die Reaktionsfähigkeit des Vertriebsteams. Datenquelle Erfasst aus der Pipedrive Activities-Entität. Dies wird durch die Ermittlung der frühesten abgeschlossenen Aktivität identifiziert, die mit der Deal-ID verknüpft ist. Erfassen Findet die erste abgeschlossene Aktivität, die mit einem Deal verknüpft ist, basierend auf dem Feld 'done_time'. Ereignistyp explicit
	Rechnung versandt	Stellt den Zeitpunkt dar, zu dem eine Rechnung zur Zahlung an den Kunden gesendet wird. Dieses Event wird normalerweise in einem externen Buchhaltungs- oder Abrechnungssystem nach der Auftragserfüllung ausgelöst.
Bedeutung Dies markiert den Beginn des Zahlungszyklus. Die Zeit zwischen diesem Event und 'Zahlung erhalten' ist entscheidend für die Überwachung von Forderungen und Cashflow. Datenquelle Stammt aus einem externen Buchhaltungs- oder ERP-System wie Xero oder QuickBooks. Die Event-Daten müssen integriert und mit dem Pipedrive-Deal verknüpft werden. Erfassen Event-Daten aus einem externen Abrechnungssystem, über API-Integration mit dem Deal verknüpft. Ereignistyp explicit
	Verhandlung begonnen	Signalisiert den Beginn aktiver Verhandlungen über Preis, Konditionen oder Umfang. Dies wird typischerweise abgeleitet, wenn ein Deal nach dem Versand eines Angebots in eine 'Verhandlung'-Pipeline-Phase wechselt.
Bedeutung Die Isolierung der Verhandlungsphase hilft zu identifizieren, wie lange dieser spezifische Teil des Zyklus dauert und welche Deals langwierige Verhandlungen beinhalten. Datenquelle Abgeleitet aus dem Deal-Änderungsprotokoll, wenn die 'stage_id' auf eine explizit für Verhandlungen benannte Phase aktualisiert wird. Erfassen Identifizieren Sie eine Phasenänderung zu einer vordefinierten 'Verhandlungs'-Phase aus der Deal-Historie. Ereignistyp inferred

Extraktionsleitfäden

So erhalten Sie Ihre Daten von Pipedrive

Schritte

Bei Pipedrive anmelden: Greifen Sie mit einem Benutzerprofil auf Ihr Pipedrive-Konto zu, das über Berechtigungen zum Exportieren von Daten verfügt. Typischerweise ist dies ein Admin-Benutzer.
Zum Datenexport navigieren: Klicken Sie auf Ihr Profilbild in der oberen rechten Ecke und wählen Sie dann 'Einstellungen'. Suchen Sie im linken Navigationsmenü den Abschnitt 'Tools und Apps' und klicken Sie auf 'Daten exportieren'.
Deals-Daten exportieren: Wählen Sie in der Ansicht 'Daten exportieren' 'Deals' aus. Wählen Sie das Dateiformat 'CSV'. Es wird empfohlen, einen Filter für einen bestimmten Datumsbereich, z. B. die letzten 6 Monate, anzuwenden, um die Dateigröße überschaubar zu halten. Klicken Sie auf 'Exportieren' und warten Sie, bis die Datei generiert und heruntergeladen wurde. Diese Datei enthält wichtige Deal-Informationen, einschließlich Erstellungszeit, Gewinnzeit und Verlustzeit.
Aktivitäten-Daten exportieren: Wiederholen Sie den Vorgang für 'Activities'. Wählen Sie 'Activities', wählen Sie 'CSV', wenden Sie denselben Datumsbereichsfilter wie für Deals an und exportieren Sie die Datei. Diese Datei enthält Aufzeichnungen von Anrufen, E-Mails, Besprechungen und benutzerdefinierten Aktivitäten, die mit Deals verknüpft sind.
Externe Daten sammeln: Beschaffen Sie entsprechende Daten aus Ihren nachgelagerten Systemen. Sie benötigen Exporte aus Ihren ERP-, Buchhaltungs- oder Fulfillment-Systemen für Ereignisse wie 'Kundenauftrag erstellt', 'Bestellung erfüllt', 'Rechnung gesendet' und 'Zahlung erhalten'. Stellen Sie sicher, dass diese Dateien einen gemeinsamen Bezeichner enthalten, der der Pipedrive Deal ID zugeordnet werden kann.
Datenverarbeitungsumgebung einrichten: Verwenden Sie ein Tool, das in der Lage ist, mehrere CSV-Dateien zu verarbeiten und zusammenzuführen, wie z. B. Python mit der pandas-Bibliothek, Microsoft Excel mit Power Query oder ein anderes Datenvorbereitungstool.
Daten laden und kombinieren: Laden Sie die Dateien Deals.csv und Activities.csv. Laden Sie auch die in den vorherigen Schritten gesammelten externen Datendateien.
Event Log erstellen: Erstellen Sie ein einheitliches Event Log, indem Sie die Rohdaten in das erforderliche Aktivitätsformat transformieren. Für jede der 13 erforderlichen Aktivitäten erstellen Sie einen entsprechenden Satz von Zeilen. Zum Beispiel:
- 'Deal Created'-Ereignisse werden aus der Spalte add_time in der Datei Deals.csv generiert.
- 'Deal Won'-Ereignisse werden aus der Spalte won_time in der Datei Deals.csv generiert.
- 'Initial Contact Made' ist die früheste abgeschlossene Aktivität für jeden Deal aus der Datei Activities.csv.
- Andere Aktivitäten wie 'Proposal Sent' oder 'Negotiation Started' werden aus spezifischen Aktivitätsthemen oder -typen in Activities.csv abgeleitet.
Attribute zuordnen: Stellen Sie für jede Event-Zeile sicher, dass alle erforderlichen Spalten ausgefüllt sind: SalesOpportunityId, ActivityName und EventTime. Fügen Sie empfohlene Attribute wie DealValue, DealOwner und DealStatus hinzu, indem Sie sie mit den Deal-Daten verknüpfen.
Finaler Export: Sobald das Event Log vollständig erstellt und validiert ist, speichern Sie die endgültige Tabelle als einzelne CSV-Datei mit UTF-8-Kodierung. Diese Datei ist nun bereit, für die Analyse in ProcessMind hochgeladen zu werden.

Konfiguration

Exportobjekte: Sie müssen mindestens 'Deals' und 'Activities' exportieren. Möglicherweise müssen Sie auch 'Organizations' oder 'People' exportieren, wenn Sie zusätzliche dimensionale Daten benötigen.
Dateiformat: Wählen Sie CSV für maximale Kompatibilität mit Datenverarbeitungstools wie Python oder Power Query.
Datumsbereichsfilter: Verwenden Sie die Option 'Filtern nach', um einen bestimmten Zeitraum auszuwählen, z. B. 'Deal-Erstellungszeit' ist innerhalb der 'letzten 180 Tage'. Dies ist entscheidend für die Verwaltung der Exportleistung und der Dateigröße.
Benutzerberechtigungen: Sie müssen ein Admin-Benutzer sein oder über eine Berechtigungsgruppe verfügen, die das Exportieren von Daten aus dem Pipedrive-Konto explizit erlaubt.
Benutzerdefinierte Aktivitätstypen: Die erfolgreiche Extraktion von Prozessschritten wie 'Deal Qualified' oder 'Proposal Sent' hängt stark von der Verwendung benutzerdefinierter Aktivitätstypen in Pipedrive durch Ihr Unternehmen ab. Stellen Sie sicher, dass diese von Ihrem Vertriebsteam konfiguriert und konsistent verwendet werden.

a Beispielabfrage config

import pandas as pd

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

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

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

for col in ['EventTime_Created', 'EventTime_Won', 'EventTime_Lost']: 
    deals_df[col] = pd.to_datetime(deals_df[col], errors='coerce')
activities_df['EventTime'] = pd.to_datetime(activities_df['EventTime'], errors='coerce')


# --- 3. Extract Activities from Pipedrive Data ---

# Activity: Deal Created
event_created = deals_df[['SalesOpportunityId', 'EventTime_Created']].copy()
event_created.rename(columns={'EventTime_Created': 'EventTime'}, inplace=True)
event_created['ActivityName'] = 'Deal Created'

# Activity: Deal Won
event_won = deals_df[deals_df['EventTime_Won'].notna()][['SalesOpportunityId', 'EventTime_Won']].copy()
event_won.rename(columns={'EventTime_Won': 'EventTime'}, inplace=True)
event_won['ActivityName'] = 'Deal Won'

# Activity: Deal Lost
event_lost = deals_df[deals_df['EventTime_Lost'].notna()][['SalesOpportunityId', 'EventTime_Lost']].copy()
event_lost.rename(columns={'EventTime_Lost': 'EventTime'}, inplace=True)
event_lost['ActivityName'] = 'Deal Lost'

# Filter for relevant, completed activities linked to a deal
completed_activities = activities_df[activities_df['EventTime'].notna() & activities_df['SalesOpportunityId'].notna()].copy()
completed_activities['SalesOpportunityId'] = completed_activities['SalesOpportunityId'].astype(int)

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

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

event_proposal_sent = completed_activities[completed_activities['ActivityName'].str.contains('proposal|quote', case=False, na=False)].copy()
event_proposal_sent['ActivityName'] = 'Proposal Sent'

# 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[['SalesOpportunityId', 'EventTime']].rename(columns={'EventTime':'ProposalTime'}), on='SalesOpportunityId')
    follow_ups = merged_followup[merged_followup['EventTime'] > merged_followup['ProposalTime']]
    event_follow_up = follow_ups[follow_ups['ActivityName'].str.contains('call|email|follow-up', case=False, na=False)].copy()
    event_follow_up['ActivityName'] = 'Proposal Follow-Up'
else:
    event_follow_up = pd.DataFrame(columns=['SalesOpportunityId', 'EventTime', 'ActivityName'])

event_negotiation = completed_activities[completed_activities['ActivityName'].str.contains('negotiation|negotiate', case=False, na=False)].copy()
event_negotiation['ActivityName'] = 'Negotiation Started'

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

# --- 4. Extract Activities from External Data (Placeholders) ---

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


# --- 5. Combine and Finalize Event Log ---

event_log_frames = [
    event_created,
    event_won,
    event_lost,
    event_initial_contact,
    event_qualified[['SalesOpportunityId', 'EventTime', 'ActivityName']],
    event_proposal_sent[['SalesOpportunityId', 'EventTime', 'ActivityName']],
    event_follow_up[['SalesOpportunityId', 'EventTime', 'ActivityName']],
    event_negotiation[['SalesOpportunityId', 'EventTime', 'ActivityName']],
    event_reopened,
    event_so_created,
    event_fulfilled,
    event_invoice_sent,
    event_payment_received
]

event_log = pd.concat(event_log_frames)

# Merge with deal attributes
final_event_log = pd.merge(event_log, deals_df[['SalesOpportunityId', 'DealValue', 'DealOwner', 'Status']], on='SalesOpportunityId', how='left')

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

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

# Reorder columns to match requirements
output_columns = ['SalesOpportunityId', 'ActivityName', 'EventTime', 'DealValue', 'DealOwner', 'DealStatus', 'DiscountPercentage']
final_event_log = final_event_log[output_columns]

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

print('Event log created successfully.')

Schritte

Python-Umgebung einrichten: Stellen Sie sicher, dass Python 3.6 oder neuer auf Ihrem System installiert ist. Öffnen Sie ein Terminal oder eine Eingabeaufforderung und installieren Sie die erforderlichen Python-Bibliotheken, indem Sie den folgenden Befehl ausführen: pip install requests pandas.
Pipedrive API-Zugangsdaten erhalten: Melden Sie sich bei Ihrem Pipedrive-Konto an. Navigieren Sie zu den Einstellungen, indem Sie auf Ihr Profilbild klicken, wählen Sie dann 'Persönliche Präferenzen' und gehen Sie zum Tab 'API'. Kopieren Sie Ihr persönliches API-Token. Sie benötigen auch Ihre Unternehmensdomäne, die das Präfix in Ihrer Pipedrive-URL ist, zum Beispiel ihr-unternehmen in ihr-unternehmen.pipedrive.com.
Extraktionsskript konfigurieren: Öffnen Sie das bereitgestellte Python-Skript in einem Texteditor oder einer IDE. Suchen Sie den Konfigurationsabschnitt oben und ersetzen Sie die Platzhalterwerte für API_TOKEN und COMPANY_DOMAIN durch Ihre Zugangsdaten.
Extraktionszeitraum definieren: Legen Sie im Konfigurationsabschnitt des Skripts die Variable START_DATE auf das früheste Erstellungsdatum der Deals fest, die Sie in die Analyse aufnehmen möchten. Das Format sollte 'JJJJ-MM-TT' sein.
Ihre Pipeline- und Phasen-IDs zuordnen: Das Skript leitet mehrere Aktivitäten ab, basierend auf der Bewegung von Deals zwischen den Phasen. Sie müssen die spezifischen IDs für Ihre Vertriebspipeline und Schlüsselphasen angeben. Sie können diese IDs finden, indem Sie in der Pipedrive-Benutzeroberfläche zur Phase navigieren und die URL überprüfen oder die API verwenden. Aktualisieren Sie die Variablen PIPELINE_ID, QUALIFIED_STAGE_ID, PROPOSAL_STAGE_ID und NEGOTIATION_STAGE_ID im Skript.
Skript ausführen: Führen Sie das Skript von Ihrem Terminal aus mit dem Befehl: python your_script_name.py aus. Das Skript beginnt, Aufrufe an die Pipedrive API zu tätigen, um Deals, Aktivitäten und Änderungslogs abzurufen.
Prozess überwachen: Das Skript gibt Fortschrittsaktualisierungen in der Konsole aus, die anzeigen, welche Daten abgerufen werden. Der Vorgang kann je nach Datenvolumen und API-Ratenbegrenzungen mehrere Minuten dauern.
Implementierung der externen Datenextraktion: Für Aktivitäten wie 'Sales Order Created' und 'Payment Received' enthält das Skript Platzhalterfunktionen. Sie müssen diese Funktionen ändern, um eine Verbindung zu Ihren externen Systemen, wie einem ERP- oder Buchhaltungsplattform, herzustellen und die relevanten Event-Daten abzurufen. Ordnen Sie die Pipedrive SalesOpportunityId den Datensätzen in diesen anderen Systemen zu.
Ausgabe überprüfen: Sobald das Skript abgeschlossen ist, wird eine CSV-Datei mit dem Namen pipedrive_event_log.csv generiert. Diese Datei enthält das strukturierte Event Log mit allen extrahierten Aktivitäten.
Für den Upload vorbereiten: Öffnen Sie die CSV-Datei, um sicherzustellen, dass sie korrekt erstellt wurde. Die Spalten sollten SalesOpportunityId, ActivityName, EventTime und andere empfohlene Attribute enthalten. Diese Datei ist nun bereit, für die Analyse in ProcessMind hochzuladen zu werden.

Konfiguration

API-Zugangsdaten: Das Skript benötigt einen gültigen API_TOKEN und Ihre COMPANY_DOMAIN zur Authentifizierung mit der Pipedrive API. Stellen Sie sicher, dass der Benutzer, der mit dem Token verknüpft ist, über ausreichende Berechtigungen zum Lesen von Deals, Aktivitäten und Benutzern verfügt.
Datumsbereich: Die Variable START_DATE filtert Deals, die an oder nach dem angegebenen Datum erstellt wurden. Für eine erste Analyse wird ein Zeitraum von 3 bis 6 Monaten empfohlen, um ein überschaubares Datenvolumen zu gewährleisten.
Pipeline- und Phasen-IDs: Um Prozessschritte wie 'Deal Qualified' oder 'Proposal Sent' korrekt abzuleiten, müssen Sie das Skript mit den richtigen numerischen IDs für Ihre primäre Verkaufs-PIPELINE_ID und den spezifischen STAGE_ID-Werten für jeden wichtigen Meilenstein konfigurieren. Falsche IDs führen zu fehlenden Aktivitäten.
Leistung und Ratenbegrenzung: Das Skript beinhaltet eine kurze Verzögerung zwischen API-Aufrufen, um die Ratenbegrenzungen von Pipedrive einzuhalten. Für Organisationen mit einem sehr hohen Deal-Volumen muss diese Verzögerung möglicherweise angepasst oder eine ausgefeiltere Backoff-Strategie implementiert werden, um API-Fehler zu vermeiden.
Benutzerdefinierte Feldzuordnung: Wenn Sie benutzerdefinierte Felder für wichtige Attribute wie DiscountPercentage verwenden, müssen Sie den API-Schlüssel für dieses benutzerdefinierte Feld (eine lange Hash-Zeichenfolge, nicht dessen Anzeigename) finden und in der Datentransformationslogik referenzieren.
Integration externer Systeme: Die Extraktion von Ereignissen, die außerhalb von Pipedrive entstehen, wie z. B. Rechnungsstellung oder Fulfillment, wird durch Platzhalterfunktionen behandelt. Sie müssen diese Abschnitte anpassen, um eine Verbindung zu Ihren spezifischen externen Datenquellen herzustellen.

a Beispielabfrage 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}")

Schritte

Bei Pipedrive anmelden: Greifen Sie mit einem Benutzerprofil auf Ihr Pipedrive-Konto zu, das über Berechtigungen zum Exportieren von Daten verfügt. Typischerweise ist dies ein Admin-Benutzer.
Zum Datenexport navigieren: Klicken Sie auf Ihr Profilbild in der oberen rechten Ecke und wählen Sie dann 'Einstellungen'. Suchen Sie im linken Navigationsmenü den Abschnitt 'Tools und Apps' und klicken Sie auf 'Daten exportieren'.
Deals-Daten exportieren: Wählen Sie in der Ansicht 'Daten exportieren' 'Deals' aus. Wählen Sie das Dateiformat 'CSV'. Es wird empfohlen, einen Filter für einen bestimmten Datumsbereich, z. B. die letzten 6 Monate, anzuwenden, um die Dateigröße überschaubar zu halten. Klicken Sie auf 'Exportieren' und warten Sie, bis die Datei generiert und heruntergeladen wurde. Diese Datei enthält wichtige Deal-Informationen, einschließlich Erstellungszeit, Gewinnzeit und Verlustzeit.
Aktivitäten-Daten exportieren: Wiederholen Sie den Vorgang für 'Activities'. Wählen Sie 'Activities', wählen Sie 'CSV', wenden Sie denselben Datumsbereichsfilter wie für Deals an und exportieren Sie die Datei. Diese Datei enthält Aufzeichnungen von Anrufen, E-Mails, Besprechungen und benutzerdefinierten Aktivitäten, die mit Deals verknüpft sind.
Externe Daten sammeln: Beschaffen Sie entsprechende Daten aus Ihren nachgelagerten Systemen. Sie benötigen Exporte aus Ihren ERP-, Buchhaltungs- oder Fulfillment-Systemen für Ereignisse wie 'Kundenauftrag erstellt', 'Bestellung erfüllt', 'Rechnung gesendet' und 'Zahlung erhalten'. Stellen Sie sicher, dass diese Dateien einen gemeinsamen Bezeichner enthalten, der der Pipedrive Deal ID zugeordnet werden kann.
Datenverarbeitungsumgebung einrichten: Verwenden Sie ein Tool, das in der Lage ist, mehrere CSV-Dateien zu verarbeiten und zusammenzuführen, wie z. B. Python mit der pandas-Bibliothek, Microsoft Excel mit Power Query oder ein anderes Datenvorbereitungstool.
Daten laden und kombinieren: Laden Sie die Dateien Deals.csv und Activities.csv. Laden Sie auch die in den vorherigen Schritten gesammelten externen Datendateien.
Event Log erstellen: Erstellen Sie ein einheitliches Event Log, indem Sie die Rohdaten in das erforderliche Aktivitätsformat transformieren. Für jede der 13 erforderlichen Aktivitäten erstellen Sie einen entsprechenden Satz von Zeilen. Zum Beispiel:
- 'Deal Created'-Ereignisse werden aus der Spalte add_time in der Datei Deals.csv generiert.
- 'Deal Won'-Ereignisse werden aus der Spalte won_time in der Datei Deals.csv generiert.
- 'Initial Contact Made' ist die früheste abgeschlossene Aktivität für jeden Deal aus der Datei Activities.csv.
- Andere Aktivitäten wie 'Proposal Sent' oder 'Negotiation Started' werden aus spezifischen Aktivitätsthemen oder -typen in Activities.csv abgeleitet.
Attribute zuordnen: Stellen Sie für jede Event-Zeile sicher, dass alle erforderlichen Spalten ausgefüllt sind: SalesOpportunityId, ActivityName und EventTime. Fügen Sie empfohlene Attribute wie DealValue, DealOwner und DealStatus hinzu, indem Sie sie mit den Deal-Daten verknüpfen.
Finaler Export: Sobald das Event Log vollständig erstellt und validiert ist, speichern Sie die endgültige Tabelle als einzelne CSV-Datei mit UTF-8-Kodierung. Diese Datei ist nun bereit, für die Analyse in ProcessMind hochgeladen zu werden.

Konfiguration

Exportobjekte: Sie müssen mindestens 'Deals' und 'Activities' exportieren. Möglicherweise müssen Sie auch 'Organizations' oder 'People' exportieren, wenn Sie zusätzliche dimensionale Daten benötigen.
Dateiformat: Wählen Sie CSV für maximale Kompatibilität mit Datenverarbeitungstools wie Python oder Power Query.
Datumsbereichsfilter: Verwenden Sie die Option 'Filtern nach', um einen bestimmten Zeitraum auszuwählen, z. B. 'Deal-Erstellungszeit' ist innerhalb der 'letzten 180 Tage'. Dies ist entscheidend für die Verwaltung der Exportleistung und der Dateigröße.
Benutzerberechtigungen: Sie müssen ein Admin-Benutzer sein oder über eine Berechtigungsgruppe verfügen, die das Exportieren von Daten aus dem Pipedrive-Konto explizit erlaubt.
Benutzerdefinierte Aktivitätstypen: Die erfolgreiche Extraktion von Prozessschritten wie 'Deal Qualified' oder 'Proposal Sent' hängt stark von der Verwendung benutzerdefinierter Aktivitätstypen in Pipedrive durch Ihr Unternehmen ab. Stellen Sie sicher, dass diese von Ihrem Vertriebsteam konfiguriert und konsistent verwendet werden.

a Beispielabfrage config

import pandas as pd

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

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

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

for col in ['EventTime_Created', 'EventTime_Won', 'EventTime_Lost']: 
    deals_df[col] = pd.to_datetime(deals_df[col], errors='coerce')
activities_df['EventTime'] = pd.to_datetime(activities_df['EventTime'], errors='coerce')


# --- 3. Extract Activities from Pipedrive Data ---

# Activity: Deal Created
event_created = deals_df[['SalesOpportunityId', 'EventTime_Created']].copy()
event_created.rename(columns={'EventTime_Created': 'EventTime'}, inplace=True)
event_created['ActivityName'] = 'Deal Created'

# Activity: Deal Won
event_won = deals_df[deals_df['EventTime_Won'].notna()][['SalesOpportunityId', 'EventTime_Won']].copy()
event_won.rename(columns={'EventTime_Won': 'EventTime'}, inplace=True)
event_won['ActivityName'] = 'Deal Won'

# Activity: Deal Lost
event_lost = deals_df[deals_df['EventTime_Lost'].notna()][['SalesOpportunityId', 'EventTime_Lost']].copy()
event_lost.rename(columns={'EventTime_Lost': 'EventTime'}, inplace=True)
event_lost['ActivityName'] = 'Deal Lost'

# Filter for relevant, completed activities linked to a deal
completed_activities = activities_df[activities_df['EventTime'].notna() & activities_df['SalesOpportunityId'].notna()].copy()
completed_activities['SalesOpportunityId'] = completed_activities['SalesOpportunityId'].astype(int)

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

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

event_proposal_sent = completed_activities[completed_activities['ActivityName'].str.contains('proposal|quote', case=False, na=False)].copy()
event_proposal_sent['ActivityName'] = 'Proposal Sent'

# 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[['SalesOpportunityId', 'EventTime']].rename(columns={'EventTime':'ProposalTime'}), on='SalesOpportunityId')
    follow_ups = merged_followup[merged_followup['EventTime'] > merged_followup['ProposalTime']]
    event_follow_up = follow_ups[follow_ups['ActivityName'].str.contains('call|email|follow-up', case=False, na=False)].copy()
    event_follow_up['ActivityName'] = 'Proposal Follow-Up'
else:
    event_follow_up = pd.DataFrame(columns=['SalesOpportunityId', 'EventTime', 'ActivityName'])

event_negotiation = completed_activities[completed_activities['ActivityName'].str.contains('negotiation|negotiate', case=False, na=False)].copy()
event_negotiation['ActivityName'] = 'Negotiation Started'

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

# --- 4. Extract Activities from External Data (Placeholders) ---

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


# --- 5. Combine and Finalize Event Log ---

event_log_frames = [
    event_created,
    event_won,
    event_lost,
    event_initial_contact,
    event_qualified[['SalesOpportunityId', 'EventTime', 'ActivityName']],
    event_proposal_sent[['SalesOpportunityId', 'EventTime', 'ActivityName']],
    event_follow_up[['SalesOpportunityId', 'EventTime', 'ActivityName']],
    event_negotiation[['SalesOpportunityId', 'EventTime', 'ActivityName']],
    event_reopened,
    event_so_created,
    event_fulfilled,
    event_invoice_sent,
    event_payment_received
]

event_log = pd.concat(event_log_frames)

# Merge with deal attributes
final_event_log = pd.merge(event_log, deals_df[['SalesOpportunityId', 'DealValue', 'DealOwner', 'Status']], on='SalesOpportunityId', how='left')

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

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

# Reorder columns to match requirements
output_columns = ['SalesOpportunityId', 'ActivityName', 'EventTime', 'DealValue', 'DealOwner', 'DealStatus', 'DiscountPercentage']
final_event_log = final_event_log[output_columns]

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

print('Event log created successfully.')

Ihr Lead to Cash Daten-Template

Ihr Lead to Cash Daten-Template

Lead-to-Cash-Attribute

Lead-to-Cash-Aktivitäten

Extraktionsleitfäden

Nativer Pipedrive-Datenexport nach CSV/Excel

Schritte

Konfiguration

a Beispielabfrage config

Python-Skript-Extraktion über die Pipedrive REST API

Schritte

Konfiguration

a Beispielabfrage python

Drittanbieter-ETL-Tool mit Pipedrive Connector

Schritte

Konfiguration

a Beispielabfrage config

Bereit, um loszulegen?

Gewinnraten steigern: Pipedrive Lead-to-Cash heute optimieren

Ihr Lead to Cash Daten-Template

Ihr Lead to Cash Daten-Template

Lead-to-Cash-Attribute

Lead-to-Cash-Aktivitäten

Extraktionsleitfäden

Nativer Pipedrive-Datenexport nach CSV/Excel

Schritte

Konfiguration

a Beispielabfrage config

Python-Skript-Extraktion über die Pipedrive REST API

Schritte

Konfiguration

a Beispielabfrage python

Drittanbieter-ETL-Tool mit Pipedrive Connector

Schritte

Konfiguration

a Beispielabfrage config

Ihre Privatsphäre ist uns wichtig

Bereit, um loszulegen?

Gewinnraten steigern: Pipedrive Lead-to-Cash heute optimieren