> Kontinuierliche Prozessoptimierung > Lead to Cash > SAP Sales Cloud > Datenvorlage

Ihr Lead to Cash Daten-Template

SAP Sales Cloud

Lead-to-Cash-Attribute (18) Lead-to-Cash-Aktivitäten (15) Extraktionsleitfäden (2)

Ihr Lead to Cash Daten-Template

Dieses Template bietet einen strukturierten Leitfaden zur Erfassung der notwendigen Daten für die Analyse Ihres Lead-to-Cash-Prozesses. Es beschreibt die wesentlichen Attribute und Aktivitäten, die für den Aufbau eines umfassenden Event Logs erforderlich sind. Sie finden auch praktische Anleitungen zur Extraktion dieser Daten aus Ihrem SAP Sales Cloud System, um einen reibungslosen Start Ihrer Process Mining Journey zu gewährleisten.

Empfohlene Attribute zur Erfassung
Wichtige Aktivitäten zur Verfolgung
Extraktionsanleitung für SAP Sales Cloud

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

Vorlage herunterladen

Lead-to-Cash-Attribute

Dies sind die empfohlenen Datenfelder, die in Ihrem Event Log enthalten sein sollten, um eine umfassende Analyse Ihres Lead-to-Cash-Prozesses in der SAP Sales Cloud zu ermöglichen.

3 Erforderlich 6 Empfohlen 9 Optional

	Name	Beschreibung
	Aktivitätsname ActivityName	Der Name der Geschäftsaktivität oder des Events, das zu einem bestimmten Zeitpunkt im Prozess stattgefunden hat.
Beschreibung Der Aktivitätsname beschreibt einen spezifischen Schritt oder ein Event innerhalb des Lead-to-Cash-Prozesses, wie zum Beispiel 'Lead qualifiziert', 'Angebot erstellt' oder 'Zahlung erhalten'. Diese Events bilden die Abfolge der Aktionen, die den Prozessfluss für jede Vertriebs-Opportunity darstellen. Die Analyse dieser Aktivitäten ist der Kern des Process Mining. Sie ermöglicht die Visualisierung von Prozesslandkarten, die Identifikation von Bottlenecks zwischen den Schritten und die Messung der Häufigkeiten für verschiedene Prozesspfade, wodurch aufgezeigt wird, wie der Vertriebsprozess tatsächlich ausgeführt wird. Bedeutung Dieses Attribut definiert die Schritte in der Prozesslandkarte, was grundlegend für die Visualisierung und Analyse des Prozessflusses ist. Datenquelle Abgeleitet von Statusänderungen von Business-Objekten, Dokumenterstellungsereignissen oder spezifischen Benutzeraktionen, die in Transaktionsprotokollen innerhalb von SAP Sales Cloud aufgezeichnet wurden. Beispiele Lead erfasstOpportunity erstelltAngebot an Kunden gesendet`Zahlung erhalten`
	Ereigniszeit EventTime	Der Zeitstempel, der angibt, wann eine bestimmte Aktivität oder ein Ereignis stattgefunden hat.
Beschreibung Die Ereigniszeit zeichnet das genaue Datum und die Uhrzeit auf, zu der eine Aktivität abgeschlossen wurde. Diese temporalen Daten sind unerlässlich für das Verständnis des Timings und der Dauer von Prozessschritten. Sie liefern die chronologische Reihenfolge, die zum Aufbau des Prozessflusses erforderlich ist. In der Prozessanalyse werden Timestamps verwendet, um Durchlaufzeiten zwischen Aktivitäten zu berechnen, die Gesamtdauer des Vertriebsprozesses zu messen und Verzögerungen oder Engpässe zu identifizieren. Die Analyse von Timestamps über die Zeit kann auch Trends in der Prozessleistung aufzeigen. Bedeutung Der Timestamp ist entscheidend für die chronologische Anordnung von Events und für alle zeitbasierten Analysen, einschließlich Zykluszeit- und Bottleneck-Identifikation. Datenquelle Typischerweise zu finden in den Feldern 'Erstellungsdatum' oder 'Letzte Änderungsdatum', die mit Business-Objekten wie Leads, Opportunities, Angeboten und Verkaufsaufträgen in der SAP Sales Cloud verbunden sind. Beispiele 2023-04-15T10:30:00Z2023-05-02T14:00:00Z2023-06-20T09:15:00Z
	Vertriebs-Opportunity SalesOpportunityId	Der eindeutige Identifikator für eine Vertriebs-Opportunity, der als primärer Case-Identifikator für den Lead-to-Cash-Prozess dient.
Beschreibung Die Vertriebs-Opportunity-ID identifiziert eindeutig jeden potenziellen Verkauf von seiner Entstehung als Lead bis zu seiner endgültigen Auflösung als gewonnenes oder verlorenes Geschäft. Sie fungiert als zentraler Faden, der alle zugehörigen Aktivitäten wie Lead-Qualifizierung, Angebotserstellung, Auftragsbearbeitung und Zahlung miteinander verbindet. In der Process Mining Analyse ist diese ID entscheidend für die Rekonstruktion der End-to-End-Journey jeder Opportunity. Sie ermöglicht die Korrelation aller Events und damit die Analyse von Prozessvarianten, Zykluszeiten und Konversionsraten auf Opportunity-Basis. Bedeutung Dies ist die essenzielle Case ID, die alle Aktivitäten im Prozess miteinander verknüpft und es so ermöglicht, den vollständigen Lebenszyklus jeder Vertriebs-Opportunity nachzuverfolgen. Datenquelle Dies ist der Primärschlüssel für das Opportunity-Business-Objekt in der SAP Sales Cloud. Beispiele OP-8000123456OP-8000123457OP-8000123458
	Lead-Quelle LeadSource	Der Marketingkanal oder die Herkunft des initialen Leads.
Beschreibung Die Lead-Quelle gibt an, wie ein potenzieller Kunde erstmals identifiziert wurde, z.B. über ein Webformular, eine Fachmesse oder eine Partnerempfehlung. Diese Information wird typischerweise bei der Lead-Erstellung erfasst. Dieses Attribut ist entscheidend für das Dashboard 'Lead Conversion Rate by Source'. Die Analyse dieser Dimension hilft Marketing- und Vertriebsteams zu verstehen, welche Kanäle die wertvollsten Leads generieren, was eine bessere Ressourcenallokation und Optimierung von Marketingkampagnen ermöglicht. Bedeutung Wesentlich für die Messung der Wirksamkeit verschiedener Marketingkanäle und die Optimierung von Lead-Generierungsstrategien. Datenquelle Befindet sich auf den Business-Objekten Lead und Opportunity in SAP Sales Cloud. Das Feld wird oft 'Quelle' oder 'Herkunft' genannt. Beispiele WebinarPartnerempfehlungMesseWebsite-Anfrage
	Opportunity-Status OpportunityStatus	Der aktuelle Status oder das Ergebnis der Vertriebs-Opportunity, wie 'Offen', 'Gewonnen' oder 'Verloren'.
Beschreibung Dieses Attribut spiegelt den Gesamtstatus der Vertriebs-Opportunity zu einem bestimmten Zeitpunkt wider. Es zeigt an, ob die Opportunity noch in Bearbeitung ist, erfolgreich gewonnen wurde oder an einen Wettbewerber oder aus anderen Gründen verloren gegangen ist. Die Analyse des Endstatus ist grundlegend für die Berechnung wichtiger KPIs wie die Opportunity-Gewinnrate. Sie ermöglicht auch das Filtern der Analyse, um sich nur auf erfolgreiche Pfade zu konzentrieren oder die Prozessmuster zu untersuchen, die am häufigsten zu verlorenen Geschäften führen. Bedeutung Definiert den Ausgang des Falls, was entscheidend für die Berechnung von Gewinn-/Verlustquoten und die Analyse der Prozesspfade erfolgreicher vs. erfolgloser Opportunities ist. Datenquelle Das Feld 'Status' des Opportunity-Business-Objekts in der SAP Sales Cloud. Beispiele OffenIn BearbeitungGewonnenVerlorenGestoppt
	Produktkategorie ProductCategory	Die Kategorie des Produkts oder der Dienstleistung, die in der Opportunity verkauft wird.
Beschreibung Die Produktkategorie gruppiert die spezifischen Artikel oder Dienstleistungen in einer Opportunity in breitere Klassifikationen, wie z.B. 'Hardware', 'Software' oder 'Beratungsdienstleistungen'. Dies vereinfacht die Analyse, wenn viele einzelne Produkte beteiligt sind. Die Analyse nach Produktkategorie ist unerlässlich, um zu verstehen, wie sich der Vertriebsprozess für verschiedene Angebotsarten unterscheidet. Sie wird in Dashboards wie 'Rabattverteilung' und 'Auftragsabwicklungs-Effizienz' verwendet, um zu sehen, ob bestimmte Kategorien höhere Rabatte oder längere Erfüllungszeiten mit sich bringen. Bedeutung Ermöglicht die Analyse von Prozessvarianten basierend auf der Art des verkauften Produkts oder der Dienstleistung, die erheblich unterschiedliche Vertriebszyklen aufweisen können. Datenquelle Abgeleitet aus den Produktstammdaten, die mit den Positionen eines Verkaufsangebots oder Kundenauftrags in SAP Sales Cloud verknüpft sind. Beispiele Softwarelizenz`Hardware``Professionelle Dienstleistungen`Support-Abonnement
	Rabattprozentsatz DiscountPercentage	Der Rabattprozentsatz, der auf das Verkaufsangebot oder den Auftrag angewendet wird.
Beschreibung Dieses Attribut erfasst den gesamten Rabattsatz, der auf eine Opportunity angewendet wird, typischerweise in der Angebots- oder Auftragsphase. Er wird als Prozentsatz des Listenpreises ausgedrückt. Dies ist eine entscheidende Metrik für die finanzielle Performance und die Analyse der Vertriebsdisziplin. Das Dashboard 'Rabattverteilung' verwendet dieses Attribut, um das Rabattverhalten über Vertriebsmitarbeiter und Produkte hinweg zu überwachen. Es wird auch für den KPI 'Rabattgenehmigungs-Compliance' verwendet, um sicherzustellen, dass hohe Rabatte den ordnungsgemäßen Genehmigungs-Workflows folgen. Bedeutung Entscheidend für die Analyse der Preisstrategie, des Rabattverhaltens des Vertriebsteams und dessen Auswirkungen auf die Rentabilität. Datenquelle Berechnet aus den Preiselementen in den zugehörigen Business-Objekten für Verkaufsangebote oder Kundenaufträge in SAP Sales Cloud. Beispiele 0.050.100.25
	Verkaufsauftragswert SalesOrderAmount	Der monetäre Gesamtwert des Verkaufsauftrags, der mit der Opportunity verbunden ist.
Beschreibung Dieses Attribut repräsentiert den Gesamtwert der verkauften Waren oder Dienstleistungen, sobald eine Opportunity gewonnen und ein Verkaufsauftrag erstellt wurde. Es spiegelt den Umsatz wider, der aus dem erfolgreichen Abschluss des Verkaufsprozesses generiert wird. Der Verkaufsauftragswert ist eine kritische finanzielle Dimension für die Analyse. Er kann verwendet werden, um Opportunities nach Größe (z.B. kleine, mittlere, große Geschäfte) zu segmentieren, um zu sehen, ob sich das Prozessverhalten unterscheidet. Er liefert auch den Wertkontext für KPIs wie die Gewinnrate, indem er den Gesamtwert von gewonnenen vs. verlorenen Opportunities anzeigt. Bedeutung Bietet eine finanzielle Dimension für den Prozess, die eine wertbasierte Analyse von Vertriebszyklen und Ergebnissen ermöglicht. Datenquelle Dieser Wert würde aus dem Feld 'Gesamter Nettowert' des zugehörigen Verkaufsauftrags-Business-Objekts in der SAP Sales Cloud stammen. Beispiele 50000.00125000.507800.00
	Vertriebsbeauftragter SalesRepresentative	Der Mitarbeiter, der für die Verwaltung der Vertriebs-Opportunity verantwortlich ist.
Beschreibung Dieses Attribut identifiziert den Nutzer oder Mitarbeiter, der der Inhaber des Leads oder der Opportunity ist. Dies ist oft der primäre Ansprechpartner für den Kunden und verantwortlich dafür, das Geschäft durch die Vertriebspipeline zu bewegen. In der Analyse ist der Vertriebsmitarbeiter eine Schlüsseldimension für den Performance-Vergleich. Es ermöglicht die Bewertung von Vertriebszykluszeiten, Gewinnraten und Prozesseinhaltung nach Einzelperson, Team oder Region und hilft so, Top-Performer und Bereiche für Coaching zu identifizieren. Bedeutung Ermöglicht eine Leistungsanalyse nach Mitarbeiter, um Coaching-Möglichkeiten und Best Practices im Vertriebspersonal zu identifizieren. Datenquelle Verknüpft mit der Partnerrolle 'Eigentümer' oder 'Verantwortlicher Mitarbeiter' am Opportunity- oder Lead-Business-Objekt in SAP Sales Cloud. Beispiele John SmithMaria GarciaChen Wei
	`Verkaufsorganisation` SalesOrganization	Die für den Verkauf verantwortliche Organisationseinheit.
Beschreibung Die Vertriebsorganisation repräsentiert eine spezifische Einheit, Abteilung oder ein Team innerhalb des Unternehmens, das für eine Verkaufstransaktion verantwortlich ist. Sie ist ein Schlüsselelement der Unternehmensstruktur in SAP. Dieses Attribut ermöglicht es, die Analyse nach verschiedenen Geschäftsbereichen zu segmentieren. Es kann verwendet werden, um Prozessperformance, Gewinnraten und Zykluszeiten über verschiedene Geschäftsbereiche oder Vertriebsabteilungen hinweg zu vergleichen, und bietet eine übergeordnete organisatorische Sicht auf die Effizienz. Bedeutung Ermöglicht Leistungsbenchmarking und Prozessanalyse über verschiedene Geschäftsbereiche oder Unternehmensdivisionen hinweg. Datenquelle Dies ist ein wichtiges organisatorisches Zuordnungsfeld auf der Opportunity oder dem Verkaufsauftrag in der SAP Sales Cloud. Beispiele US01DE01Vertrieb Nord
	`Versandart` ShippingMethod	Die Methode zur Lieferung des physischen Produkts an den Kunden.
Beschreibung Dieses Attribut spezifiziert die Logistik- oder Liefermethode für einen Auftrag, wie 'Standardversand', 'Luftfracht' oder 'Digitale Lieferung'. Es ist relevant für Prozesse, die physische Güter betreffen. Für das Dashboard 'Auftragserfüllungs-Effizienz' hilft dieses Attribut zu analysieren, ob verschiedene Versandmethoden mit unterschiedlichen Erfüllungszeiten korrelieren. Dies kann Ineffizienzen in spezifischen Logistikkanälen aufdecken oder helfen, Kundenerwartungen genauer festzulegen. Bedeutung Hilft bei der Diagnose von Engpässen im Auftragsabwicklungsteil des Prozesses, indem die Lieferleistung nach Logistikkanal segmentiert wird. Datenquelle Typischerweise auf Positionsebene oder Kopfebene des Verkaufsauftrags-Business-Objekts in der SAP Sales Cloud zu finden. Beispiele StandardversandExpressversand am nächsten TagDigitaler DownloadFracht
	Bearbeitungszeit ProcessingTime	Die aktiv an einer Aufgabe verbrachte Zeit, Wartezeiten ausgeschlossen.
Beschreibung Die Bearbeitungszeit, auch als Touch Time bekannt, misst die Dauer, in der eine Ressource aktiv mit einer Aufgabe beschäftigt war. Sie unterscheidet sich von der Durchlaufzeit, die die Zeit umfasst, die ein Case zwischen Aktivitäten wartet. Die Analyse der Bearbeitungszeit hilft, zwischen Verzögerungen durch ineffiziente Arbeit und Verzögerungen durch Warten auf Ressourcen oder Informationen zu unterscheiden. Sie bietet ein präziseres Maß für den erforderlichen Aufwand für jede Aktivität im Vertriebsprozess. Bedeutung Misst die aktive Arbeitsdauer und hilft so, zwischen ineffizienten Aufgaben und langen Wartezeiten im Prozess zu unterscheiden. Datenquelle Berechnet als Differenz zwischen der Endzeit und Startzeit einer Aktivität. Erfordert, dass beide Timestamps für jedes Ereignis verfügbar sind. Beispiele PT1H30MPT8HP2DT4H
	Ist Nachbearbeitet IsReworked	Ein Flag, das anzeigt, ob eine Aktivität oder ein Case nachgearbeitet wurde.
Beschreibung Dieses boolesche Flag wird auf 'true' gesetzt, wenn eine Nacharbeits-Schleife im Prozess erkannt wird, z. B. wenn ein Verkaufsauftrag nach seiner initialen Erstellung geändert oder ein Angebot mehrfach überarbeitet wird. Es wird durch Analyse der Abfolge von Aktivitäten abgeleitet. Dieses berechnete Attribut ist essenziell, um Prozesseffizienzdefizite zu quantifizieren. Es unterstützt direkt das Dashboard 'Häufigkeit der Verkaufsauftrags-Nacharbeit' und den KPI 'Rate der Verkaufsauftrags-Nacharbeit', indem es das Filtern und Zählen von Nacharbeitsinstanzen ohne komplexe Mustererkennung im Analyse-Tool erleichtert. Bedeutung Quantifiziert direkt die Prozesseffizienz, indem Fälle mit Nacharbeitsschleifen gekennzeichnet werden, was die Analyse der Nacharbeitsfrequenz und ihrer Ursachen vereinfacht. Datenquelle Dieses Attribut ist nicht im Quellsystem vorhanden. Es wird während der Datentransformation berechnet, indem wiederholte Aktivitätssequenzen (z. B. 'Verkaufsauftrag erstellt' gefolgt von 'Verkaufsauftrag überarbeitet') erkannt werden. Beispiele truefalsch
	Kundenname CustomerName	Der Name des Unternehmens oder der Person, die mit der Vertriebs-Opportunity verbunden ist.
Beschreibung Dieses Attribut identifiziert den potenziellen Kunden für das Vertriebsgeschäft. Es verknüpft den Vertriebsprozess mit einem spezifischen Konto im System. Die Analyse nach Kunden ermöglicht eine kundenorientierte Sicht auf den Vertriebsprozess. Sie kann helfen, jene Kunden zu identifizieren, die die längsten Vertriebszyklen haben oder die meiste Nacharbeit erfordern, und ist essenziell für KPIs wie die 'Zahlungseingangszeit', segmentiert nach Kunde. Bedeutung Ermöglicht eine kundenorientierte Analyse zur Identifizierung von Mustern in Verkaufszyklen oder Zahlungsverhalten für spezifische Konten. Datenquelle Verknüpft mit der Partnerrolle 'Konto' oder 'Interessent' am Opportunity-Business-Objekt in SAP Sales Cloud. Beispiele Global Tech Inc.Innovate Solutions Ltd.Dynamic Corp
	Letzte Datenaktualisierung LastDataUpdate	Der `Timestamp`, wann die `Daten` zuletzt aus dem `Quellsystem` extrahiert oder aktualisiert wurden.
Beschreibung Dieses Attribut gibt den letzten Aktualisierungszeitpunkt der Daten für das Event Log an. Es bietet Kontext für die Aktualität der analysierten Daten, was wichtig ist, um die Relevanz der Ergebnisse zu verstehen. Für jede Prozessanalyse ist die Kenntnis der Aktualität der Daten entscheidend. Es hilft Stakeholdern zu verstehen, ob die Erkenntnisse aktuelle Operationen oder einen früheren Zeitraum widerspiegeln, was die Entscheidungsfindung basierend auf der Analyse beeinflusst. Bedeutung Bietet entscheidenden Kontext zur Datenaktualität und stellt sicher, dass Analysen und Entscheidungen auf aktuellen Informationen basieren. Datenquelle Dies ist ein Metadata-Timestamp, der während des Datenextraktions- und Transformationsprozesses (ETL) hinzugefügt wird. Beispiele 2024-07-20T02:00:00Z2024-07-21T02:00:00Z
	Quellsystem SourceSystem	Identifiziert das System, aus dem die Daten stammen.
Beschreibung Dieses Attribut spezifiziert die Quellanwendung, in der die Event-Daten generiert wurden. Für diesen Prozess wird es typischerweise die 'SAP Sales Cloud' sein, es könnten aber auch andere integrierte Systeme wie eine Marketing-Automatisierungsplattform für die Lead-Erfassung enthalten sein. In einer Multi-System-Landschaft ist dieses Attribut entscheidend für das Verständnis der Datenherkunft und die Fehlerbehebung bei Datenintegrationsproblemen. Es stellt sicher, dass die Analyse auf einem klaren Verständnis basiert, woher jede Information stammt. Bedeutung Hilft, Datenherkünfte in integrierten Umgebungen zu unterscheiden und stellt sicher, dass Datenherkunft und -kontext während der Analyse klar sind. Datenquelle Dies ist typischerweise ein statischer Wert, der während des Datenextraktionsprozesses hinzugefügt wird, um den Ursprung der Datensätze zu kennzeichnen. Beispiele SAP Sales CloudSAP C4CSSC_PROD_100
	Region Region	Die geografische Region, in der sich der Kunde oder das Vertriebsteam befindet.
Beschreibung Die Region repräsentiert das der Vertriebs-Opportunity zugewiesene geografische Gebiet, oft basierend auf dem Standort des Kunden oder der Struktur der Vertriebsorganisation. Dies kann ein Land, ein Bundesland oder ein individuell definiertes Vertriebsgebiet sein. Dies ist ein Schlüsselattribut für die Segmentierung. Es wird direkt im Dashboard 'Opportunity Win Rate Performance' verwendet, um die Performance über verschiedene Regionen hinweg zu vergleichen. Dies hilft, regionale Unterschiede in der Prozesseffizienz, dem Markterfolg und den Vertriebsstrategien zu erkennen. Bedeutung Ermöglicht eine geografische Analyse der Vertriebsleistung, die regionale Unterschiede in Gewinnraten, Durchlaufzeiten und Prozessausführung hervorhebt. Datenquelle Oft abgeleitet von der Kundenadresse oder der Vertriebsorganisation, die der Opportunity in SAP Sales Cloud zugeordnet ist. Beispiele NordamerikaEMEAAPACLATAM
	Zahlungsbedingungen PaymentTerms	Die vereinbarten Zahlungsbedingungen, wie 'Netto 30' oder 'Netto 60'.
Beschreibung Zahlungsbedingungen definieren die Bedingungen, unter denen ein Kunde für die Waren oder Dienstleistungen zu zahlen hat. Dies wird während der Auftrags- oder Vertragsphase festgelegt und bestimmt das Fälligkeitsdatum der Rechnung. Dieses Attribut ist eine Schlüsseldimension für das Dashboard 'Zahlungseingangs-Durchlaufzeit'. Durch die Segmentierung nach Zahlungsbedingungen kann ein Unternehmen beurteilen, ob Kunden die vereinbarten Zeitpläne einhalten, und identifizieren, welche Bedingungen mit längeren oder kürzeren Zahlungszyklen verbunden sind. Bedeutung Bietet Kontext für die Analyse des Zahlungseingangs und hilft festzustellen, ob Verzögerungen mit dem Kundenverhalten oder nachsichtigen Zahlungsbedingungen zusammenhängen. Datenquelle Befindet sich in den Kundenauftrags- oder Kundenstammdaten in SAP Sales Cloud. Beispiele Netto 30Netto 60Zahlbar bei Erhalt

Erforderlich Empfohlen Optional

Lead-to-Cash-Aktivitäten

Dies sind die wichtigsten Prozessschritte und Meilensteine, die Sie in Ihrem Event Log erfassen sollten, um Ihren Lead-to-Cash-Prozess präzise zu erkennen und zu analysieren.

7 Empfohlen 8 Optional

	Aktivität	Beschreibung
	`Verkaufsauftrag` erstellt	Diese Aktivität markiert die Erstellung eines formellen Verkaufsauftrags, welcher das offizielle interne Dokument ist, um die Erfüllung und Abrechnung einzuleiten. Sie wird explizit protokolliert, wenn ein Nutzer ein Verkaufsauftrags-Objekt erstellt und es mit der übergeordneten Opportunity verknüpft.
Bedeutung Dies ist ein kritischer Übergabepunkt vom Vertrieb zum operativen Geschäft. Die Analyse der Zeit von 'Opportunity gewonnen' bis 'Verkaufsauftrag erstellt' kann interne Verzögerungen aufzeigen, während die Verfolgung von Nacharbeiten nach diesem Punkt auf Datenqualitätsprobleme hinweist. Datenquelle Dieses Event entspricht dem Erstellungs-Timestamp des Verkaufsauftrags-Business-Objekts, das mit der Opportunity verbunden ist. Erfassen Verwenden Sie das Erstellungsdatum und die Uhrzeit des zugehörigen Verkaufsauftragsdatensatzes. Ereignistyp explicit
	`Zahlung erhalten`	Diese Aktivität bestätigt, dass die Zahlung des Kunden eingegangen und verarbeitet wurde, wodurch die Finanztransaktion abgeschlossen ist. Diese Information stammt fast immer aus einem externen Finanz- oder ERP-System, das den Rechnungs- oder Auftragsstatus in der SAP Sales Cloud aktualisiert.
Bedeutung Dies ist der letzte Wertschöpfungsschritt im Lead-to-Cash-Prozess. Die Messung der 'Zahlungseingangszeit' von der Rechnung bis zur Zahlung ist ein wichtiger KPI zur Steuerung des Cashflows und zur Bewertung der Debitorenbuchhaltung. Datenquelle Abgeleitet von einer Statusänderung am Rechnungs- oder Kundenauftrags-Objekt zu einem Status 'Bezahlt' oder 'Ausgeglichen'. Diese Daten stammen aus einem externen Finanzsystem. Erfassen Identifizieren Sie den Timestamp, wann ein Rechnungsstatus auf 'Bezahlt' oder 'Ausgeglichen' wechselt. Ereignistyp inferred
	Angebot an Kunden gesendet	Diese Aktivität repräsentiert den Zeitpunkt, an dem ein formelles Angebot offiziell zur Überprüfung an den Kunden übermittelt wird. Dieses Event wird typischerweise aus einer Statusänderung des Verkaufsangebots-Objekts abgeleitet, zum Beispiel von 'In Vorbereitung' zu 'Gesendet' oder 'Vorgeschlagen'.
Bedeutung Dies ist ein wichtiger Meilenstein, der die Zeit für Kundenverhandlungen und Entscheidungsfindung einleitet. Die Analyse der Dauer zwischen diesem Event und der Angebotsannahme ist entscheidend für das Verständnis der Geschäftsgeschwindigkeit und der Verhandlungs-Bottlenecks. Datenquelle Abgeleitet aus der Statusänderungshistorie des Verkaufsangebot-Business-Objekts. Suchen Sie nach dem Timestamp, wann der Status auf einen Wert aktualisiert wird, der das Senden anzeigt. Erfassen Identifizieren Sie den Timestamp der Statusänderung auf 'Gesendet' am Verkaufsangebot-Objekt. Ereignistyp inferred
	Opportunity abgeschlossen gewonnen	Diese Aktivität ist der finale, abschließende Status einer erfolgreichen Opportunity, nachdem alle nachfolgenden Aktivitäten wie Auftragserstellung und -erfüllung abgeschlossen wurden. Sie wird erfasst, wenn ein Nutzer den Opportunity-Status auf einen endgültigen 'Geschlossen'-Zustand mit dem Grund 'Gewonnen' ändert.
Bedeutung Dieses Event dient als erfolgreicher Endpunkt für die Process Mining Analyse, ermöglicht die Berechnung der End-to-End-Vertriebszyklusdauer für alle gewonnenen Geschäfte und bietet einen sauberen und definitiven Prozessabschluss. Datenquelle Abgeleitet aus der Statusänderungshistorie des Opportunity-Objekts, insbesondere dem Timestamp, wann der Status auf 'Abgeschlossen' aktualisiert wird und der Grund 'Gewonnen' ist. Erfassen Identifizieren Sie den Timestamp der Statusänderung auf 'Abgeschlossen' mit dem Grundcode 'Gewonnen'. Ereignistyp inferred
	Opportunity abgeschlossen verloren	Diese Aktivität markiert das definitive Ende einer erfolglosen Opportunity, bei der das Geschäft an einen Wettbewerber verloren ging oder der Kunde sich gegen den Kauf entschied. Sie wird erfasst, wenn ein Nutzer den Opportunity-Status auf 'Verloren' oder 'Geschlossen verloren' ändert.
Bedeutung Die Analyse, wann und warum Opportunities verloren gehen, ist entscheidend für die Verbesserung der Vertriebsstrategie. Dieser Fehler-Endpunkt ermöglicht die Analyse verlorener Geschäfte, wie z.B. die durchschnittliche Phase, in der sie abbrechen, oder häufige Verlustgründe. Datenquelle Abgeleitet aus der Statusänderungshistorie des Opportunity-Business-Objekts. Es ist der Timestamp, wann der Status auf 'Verloren' oder 'Abgeschlossen verloren' aktualisiert wird. Erfassen Identifizieren Sie den Timestamp der Statusänderung auf 'Verloren' am Opportunity-Objekt. Ereignistyp inferred
	Opportunity erstellt	Dies ist der offizielle Start der Vertriebs-Opportunity, der die Umwandlung eines qualifizierten Leads in eine konkrete Vertriebsverfolgung kennzeichnet. Dieses Event wird explizit vom System bei der Erstellung des Opportunity-Business-Objekts erfasst und übernimmt oft Daten vom ursprünglichen Lead.
Bedeutung Als primärer Startpunkt für die Vertriebszyklus-Analyse ist diese Aktivität fundamental. Sie ermöglicht die Messung der Vertriebszyklus-Dauer, der Opportunity-Gewinnraten und der Leistung des Vertriebsteams von dem Moment an, in dem ein Geschäft greifbar wird. Datenquelle Dieses Event entspricht dem Erstellungs-Timestamp des Opportunity-Business-Objekts in der SAP Sales Cloud. Erfassen Verwenden Sie das Erstellungsdatum und die Uhrzeit des Opportunity-Datensatzes. Ereignistyp explicit
	Opportunity gewonnen	Diese Aktivität bedeutet, dass das Geschäft erfolgreich abgeschlossen wurde und das Unternehmen den Auftrag erhalten hat. Sie wird erfasst, indem ein Nutzer den Status der Opportunity auf 'Gewonnen' ändert, was eine standardmäßige, explizite Aktion im System ist.
Bedeutung Dies ist ein entscheidender Meilenstein zur Messung von Gewinnraten und Vertriebs-Performance. Es dient oft als Auslöser für nachgelagerte Prozesse wie Auftragserstellung und -erfüllung und ist somit ein wichtiger Übergangspunkt im Lead-to-Cash-Zyklus. Datenquelle Abgeleitet aus der Statusänderungshistorie des Opportunity-Business-Objekts. Es ist der Timestamp, wann der Status auf 'Gewonnen' aktualisiert wird. Erfassen Identifizieren Sie den Timestamp der Statusänderung auf 'Gewonnen' am Opportunity-Objekt. Ereignistyp inferred
	`Auftrag` erfüllt	Diese Aktivität bedeutet, dass die Produkte versandt oder die Dienstleistungen an den Kunden erbracht wurden. Dieses Event wird oft durch eine Integration mit einem ERP- oder Logistiksystem erfasst, das den Status des Verkaufsauftrags in der SAP Sales Cloud aktualisiert.
Bedeutung Dies markiert den Abschluss des Lieferteils des Prozesses. Die Messung der Zeit von 'Verkaufsauftrag erstellt' bis 'Auftrag erfüllt' ist essenziell für die Überwachung der Effizienz der Auftragserfüllung und deren Auswirkungen auf die Kundenzufriedenheit. Datenquelle Typischerweise abgeleitet aus einer Statusänderung des Verkaufsauftrags-Objekts, wie 'Erfüllt' oder 'Versandt'. Dieser Status wird oft über eine externe Systemintegration aktualisiert. Erfassen Identifizieren Sie den Timestamp der Kundenauftrags-Statusänderung auf 'Erfüllt' oder 'Geliefert'. Ereignistyp inferred
	Angebot erstellt	Markiert die Erstellung eines formalen Verkaufsangebotsdokuments, das mit der Opportunity verknüpft ist. Dies ist ein interner Schritt, bevor das Angebot an den Kunden gesendet wird, und wird explizit erfasst, wenn ein Benutzer einen neuen Angebotsdatensatz generiert.
Bedeutung Diese Aktivität trennt die interne Vorbereitungszeit von der Zeit, in der der Kunde das Angebot erhält. Sie hilft bei der Analyse der Effizienz des Angebotserstellungsprozesses und wie lange Vertriebsmitarbeiter für die Preiskalkulation benötigen. Datenquelle Dieses Event ist der Erstellungs-Timestamp des Verkaufsangebots-Business-Objekts, das mit der Opportunity verbunden ist. Erfassen Verwenden Sie das Erstellungsdatum und die Uhrzeit des zugehörigen Verkaufsangebotsdatensatzes. Ereignistyp explicit
	Angebot vom Kunden angenommen	Zeigt an, dass der Kunde den Bedingungen des Angebots formell oder informell zugestimmt hat. Dies wird normalerweise über eine manuelle Statusaktualisierung am Verkaufsangebot- oder Opportunity-Objekt durch den Vertriebsmitarbeiter erfasst.
Bedeutung Dies ist ein starkes Kaufsignal und ein kritischer Meilenstein vor der Vertragsfinalisierung oder Auftragserstellung. Es hilft, die Effektivität von Angeboten und die Länge des Entscheidungszyklus des Kunden zu messen. Datenquelle Abgeleitet von einer Statusänderung am Verkaufsangebot-Objekt zu 'Akzeptiert' oder einer ähnlichen Statusänderung am verknüpften Opportunity-Objekt. Erfassen Identifizieren Sie den Timestamp, wann der Status des Verkaufsangebots auf 'Akzeptiert' wechselt. Ereignistyp inferred
	Lead erfasst	Diese Aktivität markiert die erste Erstellung eines Lead-Datensatzes in der SAP Sales Cloud. Sie repräsentiert den ersten Kontaktpunkt oder das erste Interesse eines potenziellen Kunden und wird typischerweise automatisch über ein Webformular, einen Listenimport oder eine manuelle Benutzereingabe erfasst.
Bedeutung Die Verfolgung dieses Events ist entscheidend für die Analyse der Effektivität verschiedener Lead-Quellen und die Messung des gesamten Lead-Generierungsvolumens. Es dient als Ausgangspunkt für die Berechnung von Lead-Konversionsraten und das Verständnis des oberen Teils des Sales Funnel. Datenquelle Dieses Event wird vom Erstellungs-Timestamp des Lead-Business-Objekts erfasst. Die Quelle des Leads ist typischerweise als Attribut auf demselben Objekt verfügbar. Erfassen Verwenden Sie das Erstellungsdatum und die Uhrzeit des Lead-Datensatzes. Ereignistyp explicit
	Lead qualifiziert	Stellt den Zeitpunkt dar, an dem ein Lead überprüft wurde und die Kriterien erfüllt, um als vielversprechender Vertriebskandidat betrachtet zu werden. Dies wird typischerweise erfasst, wenn ein Nutzer den Status des Leads manuell auf 'Qualifiziert' oder einen ähnlichen Zustand ändert, was bedeutet, dass er zur Konvertierung bereit ist.
Bedeutung Diese Aktivität trennt Roh-Leads von ernsthaften Interessenten und ermöglicht eine Analyse der Effizienz des Qualifizierungsprozesses. Sie hilft, die Qualität von Leads aus verschiedenen Quellen zu bestimmen und Bottlenecks zwischen Lead-Erfassung und aktivem Verkauf zu identifizieren. Datenquelle Abgeleitet aus der Statusänderungshistorie des Lead-Business-Objekts. Suchen Sie nach einem Timestamp, wenn das Statusfeld auf 'Qualifiziert' aktualisiert wird. Erfassen Identifizieren Sie den Timestamp der Statusänderung auf 'Qualifiziert' am Lead-Objekt. Ereignistyp inferred
	Lösung vorgeschlagen	Diese Aktivität bedeutet, dass eine potenzielle Lösung oder Produktkonfiguration dem Kunden präsentiert wurde. Sie wird typischerweise aus einer Vertriebsphase oder Statusänderung des Opportunity-Objekts abgeleitet, wie dem Übergang zu einer Phase 'Angebot' oder 'Lösungsdesign'.
Bedeutung Die Analyse der in dieser Phase aufgewendeten Zeit und des Übergangs zur Angebotsphase hilft, Engpässe im Lösungsfindungsprozess zu identifizieren. Sie gibt Aufschluss darüber, wie lange es dauert, vom Erstkontakt zu einem konkreten Angebot zu gelangen. Datenquelle Abgeleitet aus dem Änderungslog oder der Status-Historie des Opportunity-Objekts, insbesondere wenn die Vertriebsphase auf einen Wert wie 'Lösung vorgeschlagen' oder 'Wertangebot' aktualisiert wird. Erfassen Identifizieren Sie den Timestamp, wann das Vertriebsphasenfeld der Opportunity sich ändert, um ein Angebot widerzuspiegeln. Ereignistyp inferred
	Rechnung erstellt	Stellt die Erstellung der Kundenrechnung dar und leitet damit die letzte finanzielle Phase des Prozesses ein. Dieses Event kann über die Erstellung eines Rechnungs-Objekts innerhalb der SAP Sales Cloud oder, häufiger, aus einem integrierten Abrechnungssystem erfasst werden.
Bedeutung Diese Aktivität ist der Auslöser für den Zahlungszyklus. Verzögerungen bei der Rechnungserstellung wirken sich direkt auf den Cashflow aus, daher ist die Überwachung der Zeit von der Erfüllung bis zur Rechnungsstellung entscheidend für die finanzielle Gesundheit. Datenquelle Kann der Erstellungs-Timestamp eines Rechnungs-Business-Objekts sein, das mit dem Kundenauftrag verknüpft ist, oder ein Update aus einem externen ERP. Die Quelle hängt von der Systemlandschaft ab. Erfassen Verwenden Sie das Erstellungsdatum des Rechnungsdatensatzes oder einen Aktivitätsprotokolleintrag aus einem integrierten ERP-System. Ereignistyp explicit
	Verkaufsauftrag überarbeitet	Stellt eine Änderung oder Korrektur eines bereits eingereichten Verkaufsauftrags dar. Dieses Event wird durch das Erkennen von Schleifen im Status des Verkaufsauftrags abgeleitet, z. B. wenn sich ein Status von 'Eingereicht' wieder auf 'In Bearbeitung' oder 'Überarbeitung ausstehend' ändert.
Bedeutung Das Identifizieren von Nacharbeit ist entscheidend, um Prozessineffizienzen, Dateneingabefehler und Kommunikationslücken zwischen Vertrieb und Betrieb aufzudecken. Eine hohe Häufigkeit von Nacharbeit weist auf Qualitätsprobleme hin, die Verzögerungen verursachen und Kosten erhöhen. Datenquelle Abgeleitet aus der Statusänderungshistorie des Kundenauftrags-Objekts. Es erfordert die Analyse der Reihenfolge der Statusänderungen, um Rückwärtsbewegungen oder Schleifen zu identifizieren. Erfassen Erkennen Sie Statusübergänge, die eine Schleife darstellen, z.B. 'Eingereicht' zu 'In Bearbeitung'. Ereignistyp inferred

Extraktionsleitfäden

Wie Sie Ihre Daten aus SAP Sales Cloud erhalten

Schritte

Voraussetzungen: Stellen Sie sicher, dass Sie einen Benutzer in SAP Sales Cloud mit Zugriff auf das Work Center Analytics haben, insbesondere mit Rechten zum Erstellen und Bearbeiten von Datenquellen und Berichten.
Kombinierte Datenquelle erstellen: Navigieren Sie zur Ansicht Design Data Sources innerhalb des Work Centers Business Analytics. Erstellen Sie eine neue kombinierte Datenquelle. Verbinden Sie die folgenden Standard-Datenquellen mithilfe eines Left Outer Join, um sicherzustellen, dass alle Opportunities erfasst werden: Lead Information -> Opportunity Header and Item -> Sales Quote Header and Item -> Sales Order Header and Item. Die Join-Bedingung sollte typischerweise auf der Opportunity-ID oder den Nachfolgedokument-IDs basieren.
Benutzerdefinierten Bericht erstellen: Navigieren Sie zur Ansicht Design Reports. Erstellen Sie einen neuen Bericht basierend auf der im vorherigen Schritt erstellten kombinierten Datenquelle. Fügen Sie der Berichtsansicht alle notwendigen Merkmale und Kennzahlen hinzu, einschließlich Identifikatoren (Lead-ID, Opportunity-ID), aller relevanten Statusfelder und aller Timestamp-Felder (Erstellungsdatum, Statusänderungsdaten usw.). Fügen Sie auch die erforderlichen Attribute wie Vertriebsmitarbeiter, Lead-Quelle und Auftragswert hinzu.
Bericht als OData Service verfügbar machen: Wählen Sie in der Ansicht Design Reports den neu erstellten Bericht aus. In der Konfiguration oder den Einstellungen des Berichts finden Sie die Option, den Bericht als OData-Abfrage verfügbar zu machen. Dies ist oft ein Kontrollkästchen mit der Bezeichnung Enable for OData. Speichern Sie die Änderungen. Das System generiert eine eindeutige OData URL für diesen Bericht.
OData URL identifizieren: Gehen Sie zur Ansicht OData Services im Work Center Administrator. Suchen Sie Ihren benutzerdefinierten Bericht in der Liste und kopieren Sie dessen Service-URL. Sie benötigen diese für das Python-Skript.
Python-Umgebung einrichten: Stellen Sie sicher, dass Sie Python zusammen mit den requests- und pandas-Bibliotheken installiert haben. Sie können diese mit pip installieren: pip install requests pandas.
Python-Skript konfigurieren: Kopieren Sie das bereitgestellte Python-Skript. Ersetzen Sie die Platzhalterwerte für C4C_TENANT_URL, OData_SERVICE_PATH, USERNAME und PASSWORD durch Ihre spezifischen SAP Sales Cloud-Zugangsdaten und die OData URL aus dem vorherigen Schritt.
Extraktionsskript ausführen: Führen Sie das Python-Skript aus. Das Skript authentifiziert sich mit der OData API, ruft die Daten seitenweise ab, um große Volumina zu verarbeiten, und lädt sie in ein pandas DataFrame.
Datentransformation: Das Skript transformiert die Breitformat-Daten (eine Zeile pro Opportunity) automatisch in einen Langformat-Event Log. Es iteriert durch jede potenzielle Aktivität und prüft auf einen gültigen Timestamp. Wenn ein Timestamp vorhanden ist, erstellt es einen entsprechenden Ereignisdatensatz mit dem korrekten ActivityName.
Event Log exportieren: Nach Abschluss des Skripts speichert es den finalen Event Log als lead_to_cash_event_log.csv-Datei im selben Verzeichnis. Diese Datei ist für den direkten Upload in ein Process Mining-Tool formatiert.

Konfiguration

Datenquellenkonfiguration: Das Herzstück dieser Methode ist eine kombinierte Datenquelle in SAP Sales Cloud Analytics. Es ist entscheidend, Left Outer Joins ausgehend vom Opportunity-Objekt zu verwenden, um sicherzustellen, dass Sie Opportunities erfassen, die nicht zu Angeboten oder Aufträgen führen.
Berichtseigenschaften: Der benutzerdefinierte Bericht muss alle Datums- und Zeitfelder enthalten, die den gewünschten Aktivitäten entsprechen. Dies umfasst Erstellungs-Timestamps für Leads, Opportunities, Angebote und Aufträge sowie Statusänderungs-Timestamps.
OData API-Filterung: Um Leistung und Datenvolumen zu steuern, verwenden Sie den $filter-Parameter in der OData URL innerhalb des Python-Skripts. Es wird dringend empfohlen, nach einem Datumsbereich zu filtern, zum Beispiel OpportunityCreationDate. Ein typischer Datumsbereich für Erstanalysen beträgt 6 bis 12 Monate.
Paginierung: Das bereitgestellte Skript verarbeitet die OData-Paginierung mithilfe der $top- und $skip-Parameter. Dies ist unerlässlich für das Extrahieren großer Datensätze, ohne die API-Verbindung zu überlasten.
Voraussetzungen: Diese Methode erfordert einen dedizierten Analyse-Benutzer mit Berechtigungen für den Zugriff auf die OData API und die zugrunde liegenden Datenquellen für Leads, Opportunities, Angebote und Aufträge.

a Beispielabfrage python

import requests
import pandas as pd
import numpy as np

class=class="hl-string">"hl-comment"># --- Configuration Placeholders ---
C4C_TENANT_URL = class="hl-string">"[Your SAP Sales Cloud Tenant URL, e.g., my123456.crm.ondemand.com]"
class=class="hl-string">"hl-comment"># The service path comes from the OData Services view for your custom report
ODATA_SERVICE_PATH = class="hl-string">"/sap/c4c/odata/analytics/ds/CUST_REPORT_ID.svc"
USERNAME = class="hl-string">"[Your_Username]"
PASSWORD = class="hl-string">"[Your_Password]"

class=class="hl-string">"hl-comment"># --- OData Service Details ---
class=class="hl-string">"hl-comment"># The entity set is usually the report ID followed by class="hl-string">'ResultSet'
ENTITY_SET = class="hl-string">"CUST_REPORT_IDResultSet"
BASE_API_URL = fclass="hl-string">"https://{C4C_TENANT_URL}{ODATA_SERVICE_PATH}/{ENTITY_SET}"

class=class="hl-string">"hl-comment"># --- Data Extraction ---
def get_odata_data(api_url, username, password):
    records = []
    page_size = 1000
    skip = 0
    
    class=class="hl-string">"hl-comment"># It is highly recommended to add a date filter for performance
    class=class="hl-string">"hl-comment"># e.g., class="hl-string">"$filter=OpportunityCreationDate ge datetime'2023-01-01T00:00:00'"
    odata_params = {
        class="hl-string">"$format": class="hl-string">"json",
        class="hl-string">"$top": page_size,
        class="hl-string">"$skip": skip,
        class="hl-string">"$inlinecount": class="hl-string">"allpages"
        class=class="hl-string">"hl-comment"># class="hl-string">"$filter": class="hl-string">"[Your OData Filter String]"
    }

    print(class="hl-string">"Starting data extraction from SAP Sales Cloud...")
    while True:
        odata_params[class="hl-string">'$skip'] = skip
        response = requests.get(api_url, auth=(username, password), params=odata_params)
        
        if response.status_code != 200:
            print(fclass="hl-string">"Error: Failed to fetch data. Status code: {response.status_code}")
            print(response.text)
            break

        data = response.json()[class="hl-string">'d']
        if class="hl-string">'results' in data and data[class="hl-string">'results']:
            records.extend(data[class="hl-string">'results'])
            count = len(data[class="hl-string">'results'])
            print(fclass="hl-string">"Fetched {len(records)} records...")
            if count < page_size:
                break
            skip += page_size
        else:
            break
            
    print(class="hl-string">"Extraction complete.")
    return pd.DataFrame(records)

source_df = get_odata_data(BASE_API_URL, USERNAME, PASSWORD)

class=class="hl-string">"hl-comment"># --- Data Transformation ---
if not source_df.empty:
    print(class="hl-string">"Starting data transformation into event log format...")
    
    class=class="hl-string">"hl-comment"># Rename columns for clarity (adjust these based on your report's field names)
    class=class="hl-string">"hl-comment"># These are example API field names from the OData service.
    class=class="hl-string">"hl-comment"># You MUST inspect your OData metadata to get the correct field names.
    column_mapping = {
        class="hl-string">'C_OpportunityId': class="hl-string">'SalesOpportunityId',
        class="hl-string">'LeadCreationDateTime': class="hl-string">'LeadCaptured_Time',
        class="hl-string">'LeadConversionDateTime': class="hl-string">'LeadQualified_Time',
        class="hl-string">'OpportunityCreationDateTime': class="hl-string">'OpportunityCreated_Time',
        class="hl-string">'OpportunityProposalStageDateTime': class="hl-string">'SolutionProposed_Time',
        class="hl-string">'QuoteCreationDateTime': class="hl-string">'QuoteCreated_Time',
        class="hl-string">'QuoteSentToCustomerDateTime': class="hl-string">'QuoteSentToCustomer_Time',
        class="hl-string">'QuoteAcceptedDateTime': class="hl-string">'QuoteAccepted_Time',
        class="hl-string">'OpportunityWonDateTime': class="hl-string">'OpportunityWon_Time',
        class="hl-string">'SalesOrderCreationDateTime': class="hl-string">'SalesOrderCreated_Time',
        class="hl-string">'SalesOrderReworkedDateTime': class="hl-string">'SalesOrderReworked_Time',
        class="hl-string">'SalesOrderFulfilledDateTime': class="hl-string">'OrderFulfilled_Time',
        class="hl-string">'InvoiceGeneratedDateTime': class="hl-string">'InvoiceGenerated_Time',
        class="hl-string">'PaymentReceivedDateTime': class="hl-string">'PaymentReceived_Time',
        class="hl-string">'OpportunityClosedWonDateTime': class="hl-string">'OpportunityClosedWon_Time',
        class="hl-string">'OpportunityClosedLostDateTime': class="hl-string">'OpportunityClosedLost_Time',
        class="hl-string">'SalesRepresentativeName': class="hl-string">'SalesRepresentative',
        class="hl-string">'LeadSourceName': class="hl-string">'LeadSource',
        class="hl-string">'OpportunityStatusName': class="hl-string">'OpportunityStatus',
        class="hl-string">'SalesOrderAmountValue': class="hl-string">'SalesOrderAmount',
        class="hl-string">'ProductCategoryName': class="hl-string">'ProductCategory',
        class="hl-string">'QuoteDiscountPercentage': class="hl-string">'DiscountPercentage'
    }
    source_df.rename(columns=column_mapping, inplace=True)

    class=class="hl-string">"hl-comment"># Convert date strings to datetime objects, coercing errors to NaT (Not a Time)
    date_cols = [col for col in source_df.columns if class="hl-string">'_Time' in col]
    for col in date_cols:
        class=class="hl-string">"hl-comment"># OData date format is /Date(timestamp)/. We need to extract the timestamp.
        source_df[col] = source_df[col].str.extract(rclass="hl-string">'\/Date\((\d+)\)\/').astype(float)
        source_df[col] = pd.to_datetime(source_df[col], unit=class="hl-string">'ms', errors=class="hl-string">'coerce')

    class=class="hl-string">"hl-comment"># Define the activities and their corresponding timestamp columns
    activity_mapping = {
        class="hl-string">'Lead Captured': class="hl-string">'LeadCaptured_Time',
        class="hl-string">'Lead Qualified': class="hl-string">'LeadQualified_Time',
        class="hl-string">'Opportunity Created': class="hl-string">'OpportunityCreated_Time',
        class="hl-string">'Solution Proposed': class="hl-string">'SolutionProposed_Time',
        class="hl-string">'Quote Created': class="hl-string">'QuoteCreated_Time',
        class="hl-string">'Quote Sent to Customer': class="hl-string">'QuoteSentToCustomer_Time',
        class="hl-string">'Quote Accepted by Customer': class="hl-string">'QuoteAccepted_Time',
        class="hl-string">'Opportunity Won': class="hl-string">'OpportunityWon_Time',
        class="hl-string">'Sales Order Created': class="hl-string">'SalesOrderCreated_Time',
        class="hl-string">'Sales Order Reworked': class="hl-string">'SalesOrderReworked_Time',
        class="hl-string">'Order Fulfilled': class="hl-string">'OrderFulfilled_Time',
        class="hl-string">'Invoice Generated': class="hl-string">'InvoiceGenerated_Time',
        class="hl-string">'Payment Received': class="hl-string">'PaymentReceived_Time',
        class="hl-string">'Opportunity Closed Won': class="hl-string">'OpportunityClosedWon_Time',
        class="hl-string">'Opportunity Closed Lost': class="hl-string">'OpportunityClosedLost_Time'
    }

    class=class="hl-string">"hl-comment"># Unpivot the DataFrame into an event log format
    event_log_df = pd.DataFrame()
    for activity, time_col in activity_mapping.items():
        if time_col in source_df.columns:
            temp_df = source_df[[class="hl-string">'SalesOpportunityId'] + [col for col in column_mapping.values() if col in source_df.columns]].copy()
            temp_df = temp_df.dropna(subset=[time_col])
            if not temp_df.empty:
                temp_df[class="hl-string">'ActivityName'] = activity
                temp_df.rename(columns={time_col: class="hl-string">'EventTime'}, inplace=True)
                event_log_df = pd.concat([event_log_df, temp_df])

    class=class="hl-string">"hl-comment"># Select and order final columns
    required_cols = [class="hl-string">'SalesOpportunityId', class="hl-string">'ActivityName', class="hl-string">'EventTime']
    recommended_cols = [class="hl-string">'SalesRepresentative', class="hl-string">'LeadSource', class="hl-string">'OpportunityStatus', class="hl-string">'SalesOrderAmount', class="hl-string">'ProductCategory', class="hl-string">'DiscountPercentage']
    final_cols = required_cols + [col for col in recommended_cols if col in event_log_df.columns]
    
    event_log_df = event_log_df[final_cols]
    event_log_df.sort_values(by=[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime'], inplace=True)

    class=class="hl-string">"hl-comment"># --- Export to CSV ---
    event_log_df.to_csv(class="hl-string">'lead_to_cash_event_log.csv', index=False)
    print(class="hl-string">"Event log saved to 'lead_to_cash_event_log.csv'.")
else:
    print(class="hl-string">"No data extracted. Skipping transformation and export.")

Schritte

Voraussetzungen: Stellen Sie sicher, dass Sie einen Benutzer in SAP Sales Cloud mit Zugriff auf das Work Center Analytics haben, insbesondere mit Rechten zum Erstellen und Bearbeiten von Datenquellen und Berichten.
Kombinierte Datenquelle erstellen: Navigieren Sie zur Ansicht Design Data Sources innerhalb des Work Centers Business Analytics. Erstellen Sie eine neue kombinierte Datenquelle. Verbinden Sie die folgenden Standard-Datenquellen mithilfe eines Left Outer Join, um sicherzustellen, dass alle Opportunities erfasst werden: Lead Information -> Opportunity Header and Item -> Sales Quote Header and Item -> Sales Order Header and Item. Die Join-Bedingung sollte typischerweise auf der Opportunity-ID oder den Nachfolgedokument-IDs basieren.
Benutzerdefinierten Bericht erstellen: Navigieren Sie zur Ansicht Design Reports. Erstellen Sie einen neuen Bericht basierend auf der im vorherigen Schritt erstellten kombinierten Datenquelle. Fügen Sie der Berichtsansicht alle notwendigen Merkmale und Kennzahlen hinzu, einschließlich Identifikatoren (Lead-ID, Opportunity-ID), aller relevanten Statusfelder und aller Timestamp-Felder (Erstellungsdatum, Statusänderungsdaten usw.). Fügen Sie auch die erforderlichen Attribute wie Vertriebsmitarbeiter, Lead-Quelle und Auftragswert hinzu.
Bericht als OData Service verfügbar machen: Wählen Sie in der Ansicht Design Reports den neu erstellten Bericht aus. In der Konfiguration oder den Einstellungen des Berichts finden Sie die Option, den Bericht als OData-Abfrage verfügbar zu machen. Dies ist oft ein Kontrollkästchen mit der Bezeichnung Enable for OData. Speichern Sie die Änderungen. Das System generiert eine eindeutige OData URL für diesen Bericht.
OData URL identifizieren: Gehen Sie zur Ansicht OData Services im Work Center Administrator. Suchen Sie Ihren benutzerdefinierten Bericht in der Liste und kopieren Sie dessen Service-URL. Sie benötigen diese für das Python-Skript.
Python-Umgebung einrichten: Stellen Sie sicher, dass Sie Python zusammen mit den requests- und pandas-Bibliotheken installiert haben. Sie können diese mit pip installieren: pip install requests pandas.
Python-Skript konfigurieren: Kopieren Sie das bereitgestellte Python-Skript. Ersetzen Sie die Platzhalterwerte für C4C_TENANT_URL, OData_SERVICE_PATH, USERNAME und PASSWORD durch Ihre spezifischen SAP Sales Cloud-Zugangsdaten und die OData URL aus dem vorherigen Schritt.
Extraktionsskript ausführen: Führen Sie das Python-Skript aus. Das Skript authentifiziert sich mit der OData API, ruft die Daten seitenweise ab, um große Volumina zu verarbeiten, und lädt sie in ein pandas DataFrame.
Datentransformation: Das Skript transformiert die Breitformat-Daten (eine Zeile pro Opportunity) automatisch in einen Langformat-Event Log. Es iteriert durch jede potenzielle Aktivität und prüft auf einen gültigen Timestamp. Wenn ein Timestamp vorhanden ist, erstellt es einen entsprechenden Ereignisdatensatz mit dem korrekten ActivityName.
Event Log exportieren: Nach Abschluss des Skripts speichert es den finalen Event Log als lead_to_cash_event_log.csv-Datei im selben Verzeichnis. Diese Datei ist für den direkten Upload in ein Process Mining-Tool formatiert.

Konfiguration

Datenquellenkonfiguration: Das Herzstück dieser Methode ist eine kombinierte Datenquelle in SAP Sales Cloud Analytics. Es ist entscheidend, Left Outer Joins ausgehend vom Opportunity-Objekt zu verwenden, um sicherzustellen, dass Sie Opportunities erfassen, die nicht zu Angeboten oder Aufträgen führen.
Berichtseigenschaften: Der benutzerdefinierte Bericht muss alle Datums- und Zeitfelder enthalten, die den gewünschten Aktivitäten entsprechen. Dies umfasst Erstellungs-Timestamps für Leads, Opportunities, Angebote und Aufträge sowie Statusänderungs-Timestamps.
OData API-Filterung: Um Leistung und Datenvolumen zu steuern, verwenden Sie den $filter-Parameter in der OData URL innerhalb des Python-Skripts. Es wird dringend empfohlen, nach einem Datumsbereich zu filtern, zum Beispiel OpportunityCreationDate. Ein typischer Datumsbereich für Erstanalysen beträgt 6 bis 12 Monate.
Paginierung: Das bereitgestellte Skript verarbeitet die OData-Paginierung mithilfe der $top- und $skip-Parameter. Dies ist unerlässlich für das Extrahieren großer Datensätze, ohne die API-Verbindung zu überlasten.
Voraussetzungen: Diese Methode erfordert einen dedizierten Analyse-Benutzer mit Berechtigungen für den Zugriff auf die OData API und die zugrunde liegenden Datenquellen für Leads, Opportunities, Angebote und Aufträge.

a Beispielabfrage python

import requests
import pandas as pd
import numpy as np

class=class="hl-string">"hl-comment"># --- Configuration Placeholders ---
C4C_TENANT_URL = class="hl-string">"[Your SAP Sales Cloud Tenant URL, e.g., my123456.crm.ondemand.com]"
class=class="hl-string">"hl-comment"># The service path comes from the OData Services view for your custom report
ODATA_SERVICE_PATH = class="hl-string">"/sap/c4c/odata/analytics/ds/CUST_REPORT_ID.svc"
USERNAME = class="hl-string">"[Your_Username]"
PASSWORD = class="hl-string">"[Your_Password]"

class=class="hl-string">"hl-comment"># --- OData Service Details ---
class=class="hl-string">"hl-comment"># The entity set is usually the report ID followed by class="hl-string">'ResultSet'
ENTITY_SET = class="hl-string">"CUST_REPORT_IDResultSet"
BASE_API_URL = fclass="hl-string">"https://{C4C_TENANT_URL}{ODATA_SERVICE_PATH}/{ENTITY_SET}"

class=class="hl-string">"hl-comment"># --- Data Extraction ---
def get_odata_data(api_url, username, password):
    records = []
    page_size = 1000
    skip = 0
    
    class=class="hl-string">"hl-comment"># It is highly recommended to add a date filter for performance
    class=class="hl-string">"hl-comment"># e.g., class="hl-string">"$filter=OpportunityCreationDate ge datetime'2023-01-01T00:00:00'"
    odata_params = {
        class="hl-string">"$format": class="hl-string">"json",
        class="hl-string">"$top": page_size,
        class="hl-string">"$skip": skip,
        class="hl-string">"$inlinecount": class="hl-string">"allpages"
        class=class="hl-string">"hl-comment"># class="hl-string">"$filter": class="hl-string">"[Your OData Filter String]"
    }

    print(class="hl-string">"Starting data extraction from SAP Sales Cloud...")
    while True:
        odata_params[class="hl-string">'$skip'] = skip
        response = requests.get(api_url, auth=(username, password), params=odata_params)
        
        if response.status_code != 200:
            print(fclass="hl-string">"Error: Failed to fetch data. Status code: {response.status_code}")
            print(response.text)
            break

        data = response.json()[class="hl-string">'d']
        if class="hl-string">'results' in data and data[class="hl-string">'results']:
            records.extend(data[class="hl-string">'results'])
            count = len(data[class="hl-string">'results'])
            print(fclass="hl-string">"Fetched {len(records)} records...")
            if count < page_size:
                break
            skip += page_size
        else:
            break
            
    print(class="hl-string">"Extraction complete.")
    return pd.DataFrame(records)

source_df = get_odata_data(BASE_API_URL, USERNAME, PASSWORD)

class=class="hl-string">"hl-comment"># --- Data Transformation ---
if not source_df.empty:
    print(class="hl-string">"Starting data transformation into event log format...")
    
    class=class="hl-string">"hl-comment"># Rename columns for clarity (adjust these based on your report's field names)
    class=class="hl-string">"hl-comment"># These are example API field names from the OData service.
    class=class="hl-string">"hl-comment"># You MUST inspect your OData metadata to get the correct field names.
    column_mapping = {
        class="hl-string">'C_OpportunityId': class="hl-string">'SalesOpportunityId',
        class="hl-string">'LeadCreationDateTime': class="hl-string">'LeadCaptured_Time',
        class="hl-string">'LeadConversionDateTime': class="hl-string">'LeadQualified_Time',
        class="hl-string">'OpportunityCreationDateTime': class="hl-string">'OpportunityCreated_Time',
        class="hl-string">'OpportunityProposalStageDateTime': class="hl-string">'SolutionProposed_Time',
        class="hl-string">'QuoteCreationDateTime': class="hl-string">'QuoteCreated_Time',
        class="hl-string">'QuoteSentToCustomerDateTime': class="hl-string">'QuoteSentToCustomer_Time',
        class="hl-string">'QuoteAcceptedDateTime': class="hl-string">'QuoteAccepted_Time',
        class="hl-string">'OpportunityWonDateTime': class="hl-string">'OpportunityWon_Time',
        class="hl-string">'SalesOrderCreationDateTime': class="hl-string">'SalesOrderCreated_Time',
        class="hl-string">'SalesOrderReworkedDateTime': class="hl-string">'SalesOrderReworked_Time',
        class="hl-string">'SalesOrderFulfilledDateTime': class="hl-string">'OrderFulfilled_Time',
        class="hl-string">'InvoiceGeneratedDateTime': class="hl-string">'InvoiceGenerated_Time',
        class="hl-string">'PaymentReceivedDateTime': class="hl-string">'PaymentReceived_Time',
        class="hl-string">'OpportunityClosedWonDateTime': class="hl-string">'OpportunityClosedWon_Time',
        class="hl-string">'OpportunityClosedLostDateTime': class="hl-string">'OpportunityClosedLost_Time',
        class="hl-string">'SalesRepresentativeName': class="hl-string">'SalesRepresentative',
        class="hl-string">'LeadSourceName': class="hl-string">'LeadSource',
        class="hl-string">'OpportunityStatusName': class="hl-string">'OpportunityStatus',
        class="hl-string">'SalesOrderAmountValue': class="hl-string">'SalesOrderAmount',
        class="hl-string">'ProductCategoryName': class="hl-string">'ProductCategory',
        class="hl-string">'QuoteDiscountPercentage': class="hl-string">'DiscountPercentage'
    }
    source_df.rename(columns=column_mapping, inplace=True)

    class=class="hl-string">"hl-comment"># Convert date strings to datetime objects, coercing errors to NaT (Not a Time)
    date_cols = [col for col in source_df.columns if class="hl-string">'_Time' in col]
    for col in date_cols:
        class=class="hl-string">"hl-comment"># OData date format is /Date(timestamp)/. We need to extract the timestamp.
        source_df[col] = source_df[col].str.extract(rclass="hl-string">'\/Date\((\d+)\)\/').astype(float)
        source_df[col] = pd.to_datetime(source_df[col], unit=class="hl-string">'ms', errors=class="hl-string">'coerce')

    class=class="hl-string">"hl-comment"># Define the activities and their corresponding timestamp columns
    activity_mapping = {
        class="hl-string">'Lead Captured': class="hl-string">'LeadCaptured_Time',
        class="hl-string">'Lead Qualified': class="hl-string">'LeadQualified_Time',
        class="hl-string">'Opportunity Created': class="hl-string">'OpportunityCreated_Time',
        class="hl-string">'Solution Proposed': class="hl-string">'SolutionProposed_Time',
        class="hl-string">'Quote Created': class="hl-string">'QuoteCreated_Time',
        class="hl-string">'Quote Sent to Customer': class="hl-string">'QuoteSentToCustomer_Time',
        class="hl-string">'Quote Accepted by Customer': class="hl-string">'QuoteAccepted_Time',
        class="hl-string">'Opportunity Won': class="hl-string">'OpportunityWon_Time',
        class="hl-string">'Sales Order Created': class="hl-string">'SalesOrderCreated_Time',
        class="hl-string">'Sales Order Reworked': class="hl-string">'SalesOrderReworked_Time',
        class="hl-string">'Order Fulfilled': class="hl-string">'OrderFulfilled_Time',
        class="hl-string">'Invoice Generated': class="hl-string">'InvoiceGenerated_Time',
        class="hl-string">'Payment Received': class="hl-string">'PaymentReceived_Time',
        class="hl-string">'Opportunity Closed Won': class="hl-string">'OpportunityClosedWon_Time',
        class="hl-string">'Opportunity Closed Lost': class="hl-string">'OpportunityClosedLost_Time'
    }

    class=class="hl-string">"hl-comment"># Unpivot the DataFrame into an event log format
    event_log_df = pd.DataFrame()
    for activity, time_col in activity_mapping.items():
        if time_col in source_df.columns:
            temp_df = source_df[[class="hl-string">'SalesOpportunityId'] + [col for col in column_mapping.values() if col in source_df.columns]].copy()
            temp_df = temp_df.dropna(subset=[time_col])
            if not temp_df.empty:
                temp_df[class="hl-string">'ActivityName'] = activity
                temp_df.rename(columns={time_col: class="hl-string">'EventTime'}, inplace=True)
                event_log_df = pd.concat([event_log_df, temp_df])

    class=class="hl-string">"hl-comment"># Select and order final columns
    required_cols = [class="hl-string">'SalesOpportunityId', class="hl-string">'ActivityName', class="hl-string">'EventTime']
    recommended_cols = [class="hl-string">'SalesRepresentative', class="hl-string">'LeadSource', class="hl-string">'OpportunityStatus', class="hl-string">'SalesOrderAmount', class="hl-string">'ProductCategory', class="hl-string">'DiscountPercentage']
    final_cols = required_cols + [col for col in recommended_cols if col in event_log_df.columns]
    
    event_log_df = event_log_df[final_cols]
    event_log_df.sort_values(by=[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime'], inplace=True)

    class=class="hl-string">"hl-comment"># --- Export to CSV ---
    event_log_df.to_csv(class="hl-string">'lead_to_cash_event_log.csv', index=False)
    print(class="hl-string">"Event log saved to 'lead_to_cash_event_log.csv'.")
else:
    print(class="hl-string">"No data extracted. Skipping transformation and export.")

Ihr Lead to Cash Daten-Template

Ihr Lead to Cash Daten-Template

Lead-to-Cash-Attribute

Lead-to-Cash-Aktivitäten

Extraktionsleitfäden

SAP Sales Cloud Analytics OData API Extraktion

Schritte

Konfiguration

a Beispielabfrage python

SAP Sales Cloud Standard OData Business Object Abfrage

Schritte

Konfiguration

a Beispielabfrage python

Bereit, um loszulegen?

Optimieren Sie jetzt Ihren Lead to Cash, steigern Sie die Gewinnraten!

Ihr Lead to Cash Daten-Template

Ihr Lead to Cash Daten-Template

Lead-to-Cash-Attribute

Lead-to-Cash-Aktivitäten

Extraktionsleitfäden

SAP Sales Cloud Analytics OData API Extraktion

Schritte

Konfiguration

a Beispielabfrage python

SAP Sales Cloud Standard OData Business Object Abfrage

Schritte

Konfiguration

a Beispielabfrage python

Ihre Privatsphäre ist uns wichtig

Bereit, um loszulegen?

Optimieren Sie jetzt Ihren Lead to Cash, steigern Sie die Gewinnraten!