> Kontinuierliche Prozessoptimierung > Qualitätsmanagement > Veeva Vault Quality > Datenvorlage

Ihr Qualitätsmanagement-Daten-Template

Veeva Vault Quality

Qualitätsmanagement-Attribute (21) Qualitätsmanagement-Aktivitäten (13) Extraktionsanleitungen (2)

Ihr Qualitätsmanagement-Daten-Template

Diese Datenvorlage bietet einen klaren Leitfaden für die Sammlung der relevanten Datenpunkte, die Sie zur Analyse Ihrer Qualitätsmanagementprozesse benötigen. Es skizziert die wichtigen Attribute, Schlüsselaktivitäten und bietet praktische Anleitungen zur Extraktion dieser Informationen aus Veeva Vault Quality, um einen problemlosen Start Ihrer Process Mining-Initiative zu sicherstellen.

Empfohlene Attribute zur Erfassung
Wichtige Aktivitäten für das Tracking
Extraktionsanleitung

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

Vorlage herunterladen

Qualitätsmanagement-Attribute

Dies sind die empfohlenen Datenfelder, die Sie in Ihr Event Log (Event Log) aufnehmen sollten, um eine vollständige Analyse Ihres Qualitätsmanagementprozesses zu ermöglichen.

5 Erforderlich 7 Empfohlen 9 Optional

	Name	Beschreibung
	Quality Event QualityEvent	Die eindeutige Kennung für ein einzelnes Qualitätsereignis, wie z.B. eine Abweichung, Nichtkonformität oder CAPA.
Beschreibung Das Qualitätsereignis dient als primärer Case-ID und verknüpft alle Aktivitäten, Untersuchungen und Lösungen, die mit einem spezifischen Qualitätsproblem verknüpft. Es fungiert als roter Faden, der den Antrag bearbeitet.en gesamten Lebenszyklus eines Vorfalls von der Erstmeldung bis zum endgültigen Abschluss verbindet. Im Process Mining ist dieses Attribut wichtig für die Rekonstruktion des End-to-End-Prozesses jedes Qualitätsereignisses. Es ermöglicht die Analyse von Prozessvariationen, Durchlaufzeiten und Compliance über verschiedene Ereignistypen hinweg und bietet eine vollständige Ansicht darüber, wie einzelne Qualitätsvorfälle verwaltet, untersucht und gelöst werden. Bedeutung Dies ist die zentrale Case-ID, die alle zugehörigen Aktivitäten zu einer einzigen Prozessinstanz gruppiert und so eine End-to-End-Analyse ermöglicht. Datenquelle Dies ist die primäre Kennung für Qualitätsereignis-Datensatzs in Veeva Vault Quality, oft als 'Name' oder ein eindeutiges ID-Feld im Quality-Event-Objekt bezeichnet. Beispiele QE-2023-00123CAPA-2023-00456DEV-2023-00789
	Aktivitätsname ActivityName	Der Name einer spezifischen Aufgabe oder eines Schritts, der innerhalb des Lebenszyklus des Qualitätsereignisses aufgetreten ist.
Beschreibung Dieses Attribut beschreibt eine eigenständige Geschäftsaktivität oder ein Event, das während der Verwaltung eines Qualitätsereignisses stattfindet. Dies sind die Schritte im Prozess, wie 'Untersuchung eingeleitet' oder 'Korrekturmaßnahmenplan genehmigt'. Die Analyse der Reihenfolge und Häufigkeit dieser Aktivitäten ist die Grundlage für Process Mining. Es hilft, den tatsächlichen Prozessfluss zu entdecken, Engpässe zwischen den Schritten zu identifizieren und Abweichungen von der Standardarbeitsanweisung zu erkennen. Bedeutung Es definiert die Schritte des Prozesses, was die Visualisierung und Analyse des Prozessflusses ermöglicht. Datenquelle Dies wird in der Regel von Workflow-Aufgabennamen, Statusänderungen oder Audit-Trail Einträgen innerhalb von Veeva Vault Quality abgeleitet. Beispiele Erste Triage abgeschlossenUrsachenanalyse durchgeführtAbschließende Überprüfung und Abschluss
	Ereigniszeit EventTime	Der Zeitstempel, der anzeigt, wann eine spezifische Aktivität begann oder stattfand.
Beschreibung Dieses Attribut erfasst das genaue Datum und die Uhrzeit, zu der eine Aktivität ausgeführt wurde. Es bietet den chronologischen Kontext für alle Ereignisse innerhalb eines Case. Dieser Zeitstempel ist die Basis für alle zeitbasierten Process-Mining-Analysen. Er wird verwendet, um Durchlaufzeiten, Wartezeiten zwischen Aktivitäten und die Dauer spezifischer Schritte zu berechnen, was notwendig ist, um Verzögerungen und Leistungsengpässe zu identifizieren. Bedeutung Dieser Zeitstempel ist maßgeblich für die chronologische Sortierung von Ereignisse und die Berechnung aller Leistungsmetriken wie Zykluszeit und Wartezeit. Datenquelle Dies entspricht dem Erstellungs- oder Abschlussdatum von Aufgaben oder den Antrag bearbeitet.em Zeitstempel von Ereignisse im Audit-Trail eines Quality-Event-Objekts. Beispiele 2023-10-26T10:00:00Z2023-11-01T14:35:10Z2023-11-15T09:21:05Z
	Letzte Datenaktualisierung LastDataUpdate	Der Zeitstempel der letzten Datenaktualisierung oder -extraktion aus dem Quellsystem.
Beschreibung Dieses Attribut gibt die Aktualität der analysierten Daten an. Es zeigt Datum und Uhrzeit, wann die Daten zuletzt aus Veeva Vault Quality extrahiert und in das Process-Mining-Tool geladen wurden. Diese Information ist maßgeblich für Benutzer, um die Aktualität der Analyse zu verstehen und zu wissen, ob die Dashboards den aktuellsten Betriebszustand widerspiegeln. Es ist ein zentrales Daten Governance Attribut. Bedeutung Informiert Benutzer über die Aktualität und Relevanz der Daten, um sicherzustellen, dass sie verstehen, wie aktuell die Prozessanalyse ist. Datenquelle Dieser `Zeitstempel` wird während des `Daten`-Extraktions-, Transformations- und Ladevorgangs (`ETL-Prozess`) generiert und hinzugefügt. Beispiele 2024-05-20T08:00:00Z2024-05-21T08:00:00Z
	Quellsystem SourceSystem	Das System, aus dem die QualitätsmanagementDaten extrahiert wurden.
Beschreibung Dieses Attribut identifiziert die Herkunft der Daten, in diesem Fall Veeva Vault Quality. Es unterstützt die Daten Governance und bietet Kontext, insbesondere wenn Daten aus mehreren Systemen kombiniert werden. In der Analyse wird es zum Filtern und zur Sicherstellung der Datenherkunft verwendet. Das Verständnis des Quellsystems hilft, die Daten korrekt zu interpretieren und Datenqualitätsprobleme zu beheben. Bedeutung Liefert wesentlichen Kontext zur Datenherkunft, was für Daten Governance, Rückverfolgbarkeit und systemübergreifende Analysen wichtig ist. Datenquelle Dies ist ein statischer Wert, der während des Datentransformationsprozesses hinzugefügt werden sollte, um alle Datensatzs aus dieser Quelle zu kennzeichnen. Beispiele Veeva Vault Quality
	`Severity Level` SeverityLevel	Der bewertete Schwere- oder Risikograd des Qualitätsereignisses, z.B. hoch, mittel oder niedrig.
Beschreibung Dieses Attribut klassifiziert das Qualitätsereignis basierend auf seinem potenziellen Einfluss auf Produktqualität, Patientensicherheit oder regulatorische Compliance. Der Schweregrad bestimmt oft die Dringlichkeit und den erforderlichen Untersuchungsumfang. Die Analyse nach Schweregrad ist maßgeblich für die Priorisierung von Verbesserungsbemühungen. Sie hilft zu verstehen, ob Ereignisse mit hohem Schweregrad länger dauern, unterschiedliche Prozesspfade verfolgen oder eine höhere Nacharbeitsrate aufweisen, wodurch sichergestellt wird, dass die kritischsten Probleme die größte Aufmerksamkeit erhalten. Bedeutung Klassifiziert Ereignisse nach Auswirkungen und ermöglicht eine risikobasierte Analyse sowie die Priorisierung von Prozessoptimierungsbemühungen in Hochrisikobereichen. Datenquelle Dies ist ein Standard-Klassifizierungsfeld im Quality-Event-Objekt, oft eine Auswahlliste (Picklist), die aus einer Risikomatrix abgeleitet wird. Beispiele HochMittelNiedrig
	Endzeit EndTime	Der Zeitstempel, der angibt, wann eine Aktivität abgeschlossen wurde.
Beschreibung Dieses Attribut erfasst das Datum und die Uhrzeit, zu der eine spezifische Aktivität oder Aufgabe abgeschlossen wurde. Es unterscheidet sich von der StartTime (Ereigniszeitpunkt (Event Time)) und ist wichtig für das Verständnis der Dauer einzelner Prozessschritte. Im Process Mining wird die EndTime in Verbindung mit der StartTime verwendet, um die Bearbeitungszeit von Aktivitäten zu berechnen. Dies ist grundlegend, um zu identifizieren, welche spezifischen Aufgaben am längsten dauern und somit zur gesamten Zykluszeit und potenziellen Verzögerungen beitragen. Bedeutung Ermöglicht die Berechnung von Aktivitätsbearbeitungszeiten, was wichtig ist, um Engpässe auf Aufgabenebene zu identifizieren. Datenquelle Dieser Zeitstempel ist in der Regel in den Workflow-Verlaufn- oder Audit-Trail-Daten für ein Quality Event verfügbar, oft als 'Abschlussdatum' oder 'geändert am' Feld für eine spezifische Aufgabe oder einen Status. Beispiele 2023-10-26T11:30:00Z2023-11-01T18:00:10Z2023-11-15T09:45:00Z
	Qualitätsereignistyp QualityEventType	Die Klassifizierung des Qualitätsereignisses, z.B. CAPA, Abweichung oder Beschwerde.
Beschreibung Dieses Attribut kategorisiert das Qualitätsereignis nach seiner Art. Verschiedene Arten von Qualitätsereignissen folgen oft unterschiedlichen Prozesspfaden und haben unterschiedliche Compliance-Anforderungen und Lösungsfristen. Die Analyse nach Ereignistyp ist die Basis für das Verständnis von Prozessvariationen. Sie ermöglicht den Vergleich der Leistung und Effizienz bei der Bearbeitung von Abweichungen versus CAPAs, zum Beispiel, und hilft, Verbesserungsinitiativen an spezifische Prozesskontexte anzupassen. Bedeutung Unterscheidet zwischen verschiedenen Arten von Qualitätsprozessen, die oft einzigartige Workflows, SLAs und Compliance-Regeln aufweisen. Datenquelle Dies ist ein Standard-Klassifizierungsfeld im Quality-Event-Objekt in Veeva Vault Quality, oft eine Auswahlliste (Picklist). Beispiele AbweichungKorrigierende und präventive Maßnahme (CAPA)NichtkonformitätBeschwerde
	Quality Event Status QualityEventStatus	Der aktuelle Lebenszyklusstatus des Qualitätsereignisses.
Beschreibung Dieses Attribut gibt den aktuellen Status des Qualitätsereignisses an, z.B. 'Offen', 'In Untersuchung', 'Genehmigung ausstehende Zahlungen identifizieren.end' oder 'Geschlossen'. Es bietet einen Überblick darüber, wo sich jedes Falles in seinem Lebenszyklus befindet. Dies ist wichtig für das Dashboard 'Qualitätsereignis-Fortschrittsübersicht', das eine Echtzeitüberwachung laufender Fälle ermöglicht. Es hilft Managern, den Fortschritt zu verfolgen, stockende Ereignisse zu identifizieren und die Gesamtarbeitslast effektiv zu verwalten. Bedeutung Bietet einen Überblick über den aktuellen Status eines Case, was für die Überwachung laufender Arbeiten und die Identifizierung stockender Ereignisse notwendig ist. Datenquelle Dies ist ein Standardfeld im Quality-Event-Objekt in Veeva Vault Quality, das seine Position im Lebenszyklus widerspiegelt. Beispiele Im TriageIn UntersuchungCAPA vorgeschlagenGeschlossen
	Ziel-Lösungsdatum. TargetResolutionDate	Das geplante oder erforderliche Datum für den endgültigen Abschluss des Qualitätsereignisses.
Beschreibung Dieses Attribut definiert die Service Level Agreement (SLA) oder den Antrag bearbeitet.ie ZielDaten für die Lösung eines Qualitätsereignisses. Es wird oft basierend auf dem Erstellungsdatum des Ereignisses und seinem Schweregrad oder Typ berechnet. Dieses Datum ist der Referenzwert, an dem die tatsächliche Leistung gemessen wird. Es ist maßgeblich für das Dashboard 'Pünktliche Lösungsleistung' und den KPI 'Pünktliche Lösungsrate', da es hilft zu identifizieren, ob Ereignisse zeitgerecht gelöst werden und welche Faktoren zu Verzögerungen beitragen. Bedeutung Definiert das SLA für die Case-Lösung, wodurch die Messung der pünktlichen Leistungsfähigkeit und die Analyse von Verzögerungen ermöglicht wird. Datenquelle Dies ist wahrscheinlich ein Datumsfeld im Quality-Event-Objekt, das manuell eingegeben oder automatisch vom System berechnet werden kann. Beispiele 2024-01-15T23:59:59Z2024-02-28T23:59:59Z2024-03-10T23:59:59Z
	Zugewiesene Abteilung AssignedDepartment	Die Abteilung oder den Antrag bearbeitet.er Funktionsbereich, der für das Qualitätsereignis oder den Antrag bearbeitet.ie Aktivität verantwortlich ist.
Beschreibung Dieses Attribut spezifiziert die Geschäftseinheit oder Abteilung, wie z.B. Qualitätssicherung, Produktion oder F&E, die für die Bearbeitung des Qualitätsereignisses oder einer bestimmten Aufgabe verantwortlich ist. Dies wird oft aus dem Profil des zugewiesenen Benutzers abgeleitet. Diese Dimension ist maßgeblich für eine hochrangige Leistungsanalyse. Sie ermöglicht den Vergleich der Prozesseffizienz und Compliance über verschiedene Bereiche der Organisation hinweg, hilft, systemische Probleme innerhalb spezifischer Abteilungen zu identifizieren und unterstützt das Dashboard 'Arbeitslastverteilung der Untersuchungsbeauftragten'. Bedeutung Ermöglicht das Filtern und Vergleichen der Prozess-Performance über verschiedene Geschäftsbereiche hinweg, wobei abteilungsinterne Engpässe oder Best Practices aufgedeckt werden. Datenquelle Diese Informationen werden in der Regel in BenutzerprofilDaten gespeichert, die mit dem 'Zugewiesenen Untersuchungsbeauftragten' verknüpft sind, oder können ein direktes Feld im Quality-Event-Objekt selbst sein. Beispiele QualitätssicherungFertigungsoperationenForschung und Entwicklung
	Zugewiesener Ermittler AssignedInvestigator	Der Benutzer oder den Antrag bearbeitet.ie Ressource, die zur Durchführung einer Untersuchung oder einer spezifischen Aufgabe zugewiesen ist.
Beschreibung Dieses Attribut identifiziert die Person, Rolle oder den Antrag bearbeitet.as Team, das für die Ausführung einer bestimmten Aktivität innerhalb des Lebenszyklus des Qualitätsereignisses verantwortlich ist. Es kann der Eigentümer des Qualitätsereignisses selbst oder den Antrag bearbeitet.er Bearbeiter einer spezifischen Workflow-Aufgabe sein. Die Analyse dieses Attributs hilft, die Arbeitslastverteilung, die Ressourcenleistung und die Identifizierung überlasteter Teams oder Einzelpersonen zu verstehen. Es ist wichtig für das Dashboard 'Arbeitslastverteilung der Untersuchungsbeauftragten' und für die Optimierung der Ressourcenzuweisung zur Verbesserung der Effizienz. Bedeutung Verfolgt, wer die Arbeit ausführt, und ermöglicht so die Analyse von Arbeitslast, Ressourceneffizienz und die Identifizierung von Schulungsbedarf. Datenquelle Gefunden in den Eigentümer- oder zugewiesenen Benutzerfeldern im Quality-Event-Objekt oder seinen zugehörigen Workflow-Aufgabenobjekten in Veeva Vault Quality. Beispiele Alice JohnsonBob WilliamsQA-Untersuchungsteam
	`Genehmigungszeit` ApprovalTime	Die Zeit, die für den Abschluss einer spezifischen Genehmigungsaktivität benötigt wird.
Beschreibung Diese Metrik misst die Dauer von Genehmigungsschritten, wie z.B. 'Korrekturmaßnahmenplan genehmigt'. Sie wird als die Zeitspanne von der Anforderung einer Genehmigung bis zu deren Erteilung oder Ablehnung berechnet. Dieses Attribut ist speziell dafür konzipiert, das Dashboard 'Engpässe im Genehmigungs-Workflow' und den KPI 'Genehmigungs-Workflow-Zykluszeit' zu unterstützen. Durch die Isolierung der Wartezeit auf Genehmigungen hilft es, Verzögerungen durch langsame Entscheidungsfindung oder ineffiziente Genehmigungsprozesse zu identifizieren und zu beheben. Bedeutung Identifiziert Verzögerungen bei kritischen Entscheidungsschritten und hilft so, Genehmigungs-Workflows zu optimieren und die Gesamtzykluszeit zu verkürzen. Datenquelle Diese Metrik wird berechnet, indem die Zeitdifferenz zwischen dem Start und dem Ende genehmigungsbezogener Aktivitäten im Event Log ermittelt wird. Beispiele 3 Tage 4 Stunden1 Tag 0 Stunden7 Tage 8 Stunden
	`Grundursache` RootCause	Die identifizierte zugrunde liegende Ursache des Qualitätsereignisses.
Beschreibung Dieses Attribut enthält das Endergebnis der Ursachenanalyse (RCA). Es kategorisiert den grundlegenden Grund für das Qualitätsproblem, wie z.B. Gerätefehler, menschliches Versagen oder Verfahrensmängel. Die Analyse von Grundursachen ist wichtig für eine effektive Problemlösung. Sie hilft, wiederkehrende systemische Probleme zu identifizieren, die durch Korrektur- und Präventivmaßnahmen behoben werden müssen. Dieses Attribut unterstützt direkt die Dashboards 'Zykluszeit der Ursachenanalyse' und 'CAPA-Wirksamkeit'. Bedeutung Kategorisiert die grundlegenden Gründe für Qualitätsprobleme und ermöglicht eine strategische Analyse, um zukünftige Wiederholungen zu verhindern. Datenquelle Dies ist in der Regel ein Textfeld oder eine Auswahlliste (Picklist) im Quality-Event-Objekt oder einem zugehörigen Ursachenanalyse Objekt. Beispiele GerätestörungVerfahrensfehlerUnzureichende SchulungMaterialfehler
	Durchlaufzeit CycleTime	Die Gesamtzeit, die vom Zeitpunkt der Erstellung eines Qualitätsereignisses bis zu dessen endgültigem Abschluss vergangen ist.
Beschreibung Diese Metrik repräsentiert die End-to-End-Dauer zur Lösung eines Qualitätsereignisses. Sie wird als Zeitdifferenz zwischen der allerersten Aktivität (z.B. 'Qualitätsereignis erstellt') und der allerletzten Aktivität (z.B. 'Abschließende Überprüfung und Abschluss') berechnet. Die Zykluszeit ist ein primärer Key Leistungsfähigkeit Indicator für die gesamte Prozesseffizienz. Sie wird im Dashboard 'Lösungszeit für Qualitätsereignisse' verwendet, um Trends zu analysierenn, Faktoren zu identifizieren, die zu langen Lösungszeiten führen, und Benchmarks für die Prozessoptimierung zu setzen. Bedeutung Misst die durchgängige Prozesseffizienz und liefert einen kritischen KPI zur Verfolgung der Gesamtleistung und der Auswirkungen von Verbesserungsinitiativen. Datenquelle Dies ist eine berechnete Metrik. Sie wird auf Fallebene berechnet, indem der Zeitstempel des ersten Ereignisse vom Zeitstempel des letzten Ereignisse subtrahiert wird. Beispiele 30 Tage 12 Stunden65 Tage 4 Stunden15 Tage 2 Stunden
	Ergebnis der Effektivitätsprüfung EffectivenessCheckResult	Das Ergebnis des Verifizierungsschritts zur Bestätigung, ob eine Korrekturmaßnahme wirksam war.
Beschreibung Dieses Attribut zeichnet das Ergebnis der Wirksamkeitsprüfung auf, die nach der Implementierung einer Korrekturmaßnahme durchgeführt wird. Das Ergebnis ist in der Regel 'Wirksam' oder 'Nicht wirksam'. Dies ist ein direktes Maß für den Erfolg des CAPA-Prozesses und wichtig für das Dashboard 'CAPA-Wirksamkeit & Wiederholungsrate' sowie den KPI 'CAPA-Wirksamkeitsrate'. Es gibt klares Feedback darüber, ob die implementierten Lösungen das Problem tatsächlich erneut verhindern. Bedeutung Misst direkt den Erfolg von Korrekturmaßnahmen und liefert kritisches Feedback zur Verbesserung des Problemlösungsprozesses. Datenquelle Dies wäre ein Feld, wahrscheinlich eine Auswahlliste (Picklist), in einem CAPA-Aktions- oder Wirksamkeitsprüfungs-Objekt, das mit dem primären Qualitätsereignis verknüpft ist. Beispiele WirksamNicht wirksamÜberprüfung ausstehende Zahlungen identifizieren.end
	Fristgerechte Regulierung IsOnTimeResolution	Ein berechnetes Flag, das anzeigt, ob das Qualitätsereignis bis zu seinem Zieldatum abgeschlossen wurde.
Beschreibung Dieses boolesche Attribut wird abgeleitet, indem das tatsächliche Abschlussdatum eines Qualitätsereignisses mit seinem 'Ziel-Lösungsdatum' verglichen wird. Es liefert ein einfaches, binäres Ergebnis für die pünktliche Leistung. Dieses Flag ist die Grundlage für das Dashboard 'Pünktliche Lösungsleistung' und den KPI 'Pünktliche Lösungsrate'. Es ermöglicht eine einfache Aggregation und Filterung, um zu verstehen, welche Ereignistypen, Abteilungen oder Standorte Schwierigkeiten haben, Fristen einzuhalten. Bedeutung Bietet eine klare Erfolgs- oder Fehlermetrik zur Einhaltung von Fristen, was die Leistungsanalyse und -berichterstattung vereinfacht. Datenquelle Berechnet durch den Vergleich des Zeitstempels der Aktivität 'Endgültige Überprüfung und Abschluss' mit dem Attribut 'TargetResolutionDate'. Formel: Abschlusszeit <= TargetResolutionDate. Beispiele JaNein
	Ist Nacharbeit IsRework	Ein berechnetes Flag, das Aktivitäten oder Fälle identifiziert, die Rework darstellen.
Beschreibung Dieses Attribut ist ein boolesches Flag, das anzeigt, dass eine bestimmte Aktivität oder Abfolge von Aktivitäten Nacharbeit darstellt, wie z.B. die Wiederholung einer Untersuchung oder den Antrag bearbeitet.ie Wiedereröffnung einer geschlossenen CAPA. Es ist kein Standardfeld, sondern wird basierend auf Prozessflussmustern berechnet. Im Process Mining wird dieses Flag verwendet, um den Umfang des verschwendeten Aufwands und der Kosten im Prozess zu quantifizieren. Es ist wichtig für das Dashboard 'Nacharbeitsanalyse' und den KPI 'Nacharbeitsrate von Qualitätsereignissen', da es hilft, die Ursachen für Ineffizienz und schlechte Erstqualitätsleistung genau zu bestimmen. Bedeutung Quantifiziert die Prozesseffizienz durch Kennzeichnung wiederholter Arbeiten, was hilft, die Grundursachen von Qualitätsproblemen und verschwendetem Aufwand zu identifizieren. Datenquelle Dieses Attribut wird nicht direkt bezogen. Es wird während der Datentransformation berechnet, indem wiederholte Aktivitätsnamen oder Schleifen im Prozess für einen bestimmten Case erkannt werden. Beispiele JaNein
	Ist Wiederholung IsRecurrence	Ein Flag, das anzeigt, ob dieses Qualitätsereignis eine Wiederholung eines zuvor identifizierten Problems ist.
Beschreibung Dieses boolesche Attribut signalisiert, dass ein Qualitätsereignis kein neues, einzigartiges Problem ist, sondern die Wiederholung eines bereits aufgetretenen Problems. Dies ist ein kritischer Indikator für das Versagen früherer Korrekturmaßnahmen. Dieses Flag ist die Basis für das Dashboard 'CAPA-Wirksamkeit & Wiederholungsrate'. Die Verfolgung von Wiederholungen liefert direktes Feedback zum langfristigen Erfolg des Qualitätsmanagementsystems und hilft, systemische Probleme zu identifizieren, die nicht ausreichend angegangen werden. Bedeutung Hebt Fehler bei Korrekturmaßnahmen hervor und ermöglicht die Analyse, warum Probleme sich wiederholen und wie langfristige Lösungen verbessert werden können. Datenquelle Dies könnte ein Kontrollkästchen-Feld (Checkbox-Feld) im Quality-Event-Objekt oder ein abgeleitetes Feld sein, basierend auf Verknüpfungen zu früheren, ähnlichen Ereignisse. Beispiele JaNein
	Produkt Product	Das Produkt oder Material, das mit dem Qualitätsereignis verbunden ist.
Beschreibung Dieses Attribut verknüpft das Qualitätsereignis mit einem spezifischen Produkt, Material oder einer Charge. Diese Verbindung ist in regulierten Branchen für die Rückverfolgbarkeit und Auswirkungsanalyse wichtig. Die Analyse von Qualitätsereignissen nach Produkt hilft zu identifizieren, ob bestimmte Produkte anfälliger für Probleme sind, und leitet Produktverbesserungen oder Anpassungen des Herstellungsprozesses an. Es ermöglicht das Filtern von Dashboards, um die Leistung für spezifische Produktlinien zu sehen. Bedeutung Verknüpft Qualitätsereignisse mit bestimmten Produkten und ermöglicht so Analysen zur Identifizierung Produktspezifischer Probleme und Trends. Datenquelle Dies ist in der Regel ein Referenzfeld im Quality-Event-Objekt, das auf ein Produkt- oder Materialobjekt in Veeva Vault verweist. Beispiele Produkt A-100Produkt B-200Rohmaterial C-300
	Standort Site	Der Produktionsstandort, die Anlage oder den Antrag bearbeitet.er Ort, an dem das Qualitätsereignis auftrat oder identifiziert wurde.
Beschreibung Dieses Attribut spezifiziert den physischen Standort, wie z.B. eine Produktionsanlage oder ein Labor, der mit dem Qualitätsereignis verbunden ist. Es bietet einen geografischen oder organisatorischen Kontext für das Problem. Dies ist eine hilfreiche Dimension für die vergleichende Analyse, die es dem Management ermöglicht, die Prozessleistung, Problemtypen und Lösungszeiten an verschiedenen Standorten zu vergleichen. Es kann helfen, standortspezifische Probleme zu identifizieren oder Best Practices von leistungsstarken Standorten zu teilen. Bedeutung Bietet eine geografische oder organisatorische Dimension für die Analyse und hilft, die Leistung zu vergleichen und standortspezifische Probleme zu identifizieren. Datenquelle Dies ist oft ein Standardfeld im Quality-Event-Objekt, das auf eine Listee von Unternehmensstandorten oder -orten verweist. Beispiele Standort A – New JerseyStandort B – IrlandStandort C – Schweiz

Erforderlich Empfohlen Optional

Qualitätsmanagement-Aktivitäten

Dies sind die wesentlichen Prozessschritte und Meilensteine, die Sie in Ihrem Event Log erfassen sollten, um ein genaues Discovery und eine präzise Analyse des Qualitätsmanagements zu ermöglichen.

7 Empfohlen 6 Optional

	Aktivität	Beschreibung
	Abschließende Überprüfung und Abschluss	Stellt die letzte administrative Überprüfung des Qualitätsereignis-Datensatzs dar, bevor es offiziell geschlossen wird. Dieser Schritt stellt sicher, dass alle Dokumentationen vollständig sind und alle Prozessschritte befolgt wurden. Diese Aktivität ist der letzte Schritt, bevor der Case als gelöst betrachtet wird.
Bedeutung Diese Endaktivität ist wichtig für die Berechnung der gesamten 'Qualitätsereignis-Zykluszeit'. Sie kennzeichnet den Abschluss aller Arbeiten und ihr Zeitstempel wird mit dem 'Ziel-Lösungsdatum' zur Leistungsmessung verglichen. Datenquelle Abgeleitet von einer Lebenszyklus-Statusänderung im Quality-Event-Objekt zu 'Geschlossen', 'Gelöst' oder einem ähnlichen Endstatus. Erfassen Vom Zeitstempel der letzten Statusänderung auf 'Abgeschlossen'. Ereignistyp inferred
	Korrekturmaßnahme implementiert	Stellt den Abschluss aller im genehmigten Korrekturmaßnahmenplan definierten Aufgaben dar. Diese Aktivität bestätigt, dass die notwendigen Maßnahmen zur Behebung der Grundursache ergriffen wurden. Dies wird erfasst, wenn der Status des CAPA-Datensatzs auf 'Implementierung abgeschlossen' aktualisiert wird.
Bedeutung Dies ist ein wichtiger Meilenstein, der den Antrag bearbeitet.en Übergang von der Planung zur Ausführung kennzeichnet. Die Zeitspanne zwischen diesem und der CAPA-Genehmigung offenbart die Effizienz der Implementierungsphase. Datenquelle Abgeleitet von einer Lebenszyklus-Statusänderung im zugehörigen CAPA-Objekt zu einem Status wie 'Implementiert' oder 'Wirksamkeitsprüfung ausstehende Zahlungen identifizieren.end'. Erfassen Vom Zeitstempel der Statusänderung im verknüpften CAPA-Objekt. Ereignistyp inferred
	Korrekturmaßnahmenplan genehmigt	Markiert die formelle Genehmigung des vorgeschlagenen Korrekturmaßnahmenplans durch relevante Stakeholder, wie z.B. einen Qualitätsprüfungsausschuss. Dies ist ein wichtiger Schritt, bevor Korrekturmaßnahmen umgesetzt werden können. Es wird erfasst, wenn der CAPA-Plan-Datensatz in den Status 'Genehmigt' wechselt.
Bedeutung Dieser Genehmigungsschritt ist oft ein Hauptengpass. Die Messung der 'Genehmigungs-Workflow-Zykluszeit' für diese Aktivität hilft, Verzögerungen im Überprüfungsprozess zu identifizieren und zu beheben, wodurch die Gesamtlösung beschleunigt wird. Datenquelle Abgeleitet vom Zeitstempel einer Lebenszyklus-Statusänderung auf 'Genehmigt' im zugehörigen CAPA-Plan-Objekt. Dieses Ereignis kann als Statusänderung im übergeordneten Qualitätsereignis gespiegelt werden. Erfassen Vom Zeitstempel der Statusänderung im verknüpften CAPA-Plan-Objekt. Ereignistyp inferred
	Quality Event erstellt	Dies ist der Startpunkt des Prozesses und repräsentiert die formelle Erstellung eines Quality Event Datensatzs in Veeva. Diese Aktivität wird in der Regel ausgelöst, wenn ein neues Qualitätsproblem, eine Nichtkonformität oder eine Beschwerde identifiziert und im System protokolliert wird.
Bedeutung Diese Aktivität markiert den Beginn des Case-Lebenszyklus und ist somit unerlässlich für die Berechnung der gesamten Qualitätsereignis-Zykluszeit sowie die Messung der Dauer initialer Prozessphasen, wie z.B. der Zeit bis zum Beginn einer Untersuchung. Datenquelle Dies ist ein explizites Event, das vom Erstellungs-Zeitstempel des Quality-Event-Objekts in Veeva Vault erfasst wird. Der Audit-Trail für das Objekt zeigt das genaue Erstellungsdatum, die Uhrzeit und den Benutzer. Erfassen Verwenden Sie den Erstellungs-Zeitstempel des Haupt-Quality Event Datensatzs. Ereignistyp explicit
	Untersuchung eingeleitet	Markiert den formellen Beginn der Untersuchung der Grundursache des Qualitätsereignisses. Ein Untersuchungsbeauftragter oder ein Team wird in der Regel zugewiesen, und das Ereignis tritt in eine aktive Untersuchungsphase ein. Dies wird erfasst, wenn der Lebenszyklusstatus des Qualitätsereignisses in 'In Untersuchung' wechselt.
Bedeutung Dies ist ein wichtiger Meilenstein für die Messung des KPIs 'Zeit von Problemidentifizierung bis Untersuchung'. Verzögerungen vor diesem Zeitpunkt deuten auf Rückstände bei der Ressourcenzuweisung oder den Antrag bearbeitet.em Beginn kritischer Analysen hin. Datenquelle Abgeleitet vom Zeitstempel, wenn der Lebenszyklus-Status des Quality-Event-Objekts auf 'In Untersuchung' oder einen ähnlichen Status aktualisiert wird. Die Zuweisung eines Ermittlers kann auch als Auslöser dienen. Erfassen Verwenden Sie den Zeitstempel der Statusänderung zu 'In Untersuchung'. Ereignistyp inferred
	Ursachenanalyse durchgeführt	Stellt den Abschluss der Phase der Ursachenanalyse (RCA) dar, in der den Antrag bearbeitet.ie zugrunde liegende Ursache des Qualitätsereignisses identifiziert wurde. Dies wird oft protokolliert, wenn der Untersuchungsbeauftragte die RCA-Aufgabe abschließt oder den Antrag bearbeitet.as Ereignis in den Status 'Ausstehende CAPA' verschiebt.
Bedeutung Diese Aktivität ist maßgeblich für die Messung des KPIs 'Durchschnittliche Ursachenanalysezeit'. Die Analyse ihrer Dauer hilft, Engpässe im Analyseprozess zu identifizieren und die Untersuchungsqualität zu verbessern. Datenquelle Typischerweise abgeleitet aus einer Lebenszyklus-Statusänderung des Quality-Event-Objekts, wie z.B. dem Übergang zu 'RCA abgeschlossen' oder 'Aktionsplan ausstehende Zahlungen identifizieren.end'. Es könnte auch dem Abschluss einer spezifischen Workflow-Aufgabe entsprechen. Erfassen Vom Zeitstempel der Statusänderung oder den Antrag bearbeitet.em Abschluss einer RCA-bezogenen Aufgabe. Ereignistyp inferred
	Wirksamkeit der Maßnahme verifiziert	Diese Aktivität bestätigt, dass die umgesetzten Korrekturmaßnahmen erfolgreich eine Wiederholung des Problems verhindert haben. Eine formale Verifizierung wird abgeschlossen und dokumentiert. Es wird erfasst, wenn der CAPA- oder Qualitätsereignisstatus auf 'Wirksamkeit verifiziert' aktualisiert wird.
Bedeutung Dies ist die finale Validierung des Lösungserfolgs und wichtig für die Berechnung der 'CAPA-Wirksamkeitsrate'. Ein Fehler in dieser Phase führt oft zu Nacharbeit und der Wiedereröffnung der Untersuchung. Datenquelle Abgeleitet von einer Lebenszyklus-Statusänderung im Quality Event oder CAPA Objekt zu einem Status wie 'Verifiziert' oder 'Geschlossen – Wirksam'. Erfassen Vom Zeitstempel der Statusänderung, der eine erfolgreiche Verifizierung anzeigt. Ereignistyp inferred
	Effektivitätsprüfung Initiiert	Markiert den Beginn des Zeitraums, in dem die Wirksamkeit der umgesetzten Korrekturmaßnahmen überwacht wird. Dies ist kein punktuelles Ereignis, sondern der Beginn einer Verifizierungsphase. Es wird erfasst, wenn das Qualitätsereignis- oder CAPA-Datensatz in den Status 'Überwachung' oder 'Ausstehende Wirksamkeitsprüfung' wechselt.
Bedeutung Diese Aktivität leitet den finalen Validierungszyklus ein. Die Dauer der Wirksamkeitsprüfungsphase ist wichtig, um zu verstehen, wie lange es dauert, den Erfolg einer Lösung zu bestätigen. Datenquelle Abgeleitet von einer Lebenszyklus-Statusänderung im Quality Event oder CAPA Objekt zu einem Status wie 'Unter Effektivitätsprüfung'. Erfassen Vom Zeitstempel der Statusänderung zu einem Monitoring-relevanten Status. Ereignistyp inferred
	Erste Triage abgeschlossen	Stellt den Abschluss der ersten Überprüfung und Bewertung des Qualitätsereignisses dar. In dieser Phase werden grundlegende Informationen gesammelt und verifiziert, um die Gültigkeit des Ereignisses und dessen unmittelbare Auswirkungen zu bestimmen. Dies wird oft erfasst, wenn der Status des Datensatzs von 'Neu' zu 'In Bewertung' oder einem ähnlichen Status wechselt.
Bedeutung Die Analyse der im Triage verbrachten Zeit hilft, Verzögerungen bei der initialen Bearbeitung von Qualitätsereignissen zu identifizieren. Sie bietet Einblicke in die Arbeitslast und Ressourcenallokation ganz am Anfang des Prozesses. Datenquelle Abgeleitet vom Zeitstempel, wenn der Lebenszyklus-Status des Quality-Event-Objekts aktualisiert wird, um anzuzeigen, dass das Triage abgeschlossen ist, z.B. der Übergang von 'Neu' zu 'In Bewertung' oder 'Triagiert'. Erfassen Vom Zeitstempel der Statusänderung im Quality-Event-Objekt. Ereignistyp inferred
	Korrekturmaßnahmenplan vorgeschlagen	Diese Aktivität tritt auf, wenn ein formeller Plan zur Korrektur der identifizierten Grundursache entworfen und zur Überprüfung eingereicht wird. Dies beinhaltet oft die Erstellung eines verknüpften CAPA (Korrektur- und Präventivmaßnahme) Datensatzs, das mit dem Qualitätsereignis verbunden ist. Das Ereignis wird erfasst, wenn der CAPA-Datensatz erstellt oder den Antrag bearbeitet.er Status des Qualitätsereignisses aktualisiert wird.
Bedeutung Die Verfolgung dieses Schritts hilft, die Zeit zu analysierenn, die für den Übergang von der Analyse zur Lösungsgestaltung benötigt wird. Es ist ein wichtiger Input für das Verständnis der 'Zykluszeit der Ursachenanalyse' von der RCA-Fertigstellung bis zum CAPA-Vorschlag. Datenquelle Dies kann aus einer Lebenszyklus-Statusänderung des Quality-Event-Objekts zu 'Ausstehende CAPA-Genehmigung' oder aus dem Erstellungs-Zeitstempel eines verknüpften CAPA-Plan-Datensatzs abgeleitet werden. Erfassen Verwenden Sie den Erstellungs-Zeitstempel eines verknüpften CAPA-Datensatzs oder eine Statusänderung. Ereignistyp inferred
	Präventivmaßnahme identifiziert	Diese Aktivität tritt auf, wenn eine Präventivmaßnahme zur Behebung potenzieller zukünftiger Wiederholungen identifiziert wird, oft als Ergebnis der Untersuchung. Sie wird durch die Erstellung eines Präventivmaßnahmen- (PA) Datensatzs erfasst, das mit dem Qualitätsereignis verknüpft ist.
Bedeutung Obwohl diese Aktivität nicht in jedem Fall vorkommt, hilft ihre Verfolgung dabei zu verstehen, wie proaktiv der Qualitätsprozess ist. Sie liefert Einblicke in den Fokus der Organisation auf langfristige Prävention im Vergleich zur sofortigen Korrektur. Datenquelle Abgeleitet vom Erstellungszeitstempel eines verknüpften Präventivmaßnahmen-Datensatzes innerhalb von Veeva Vault. Erfassen Verwenden Sie den Erstellungs-Zeitstempel eines verknüpften Präventivmaßnahmen-Datensatzs. Ereignistyp inferred
	Problem kategorisiert und priorisiert	Diese Aktivität markiert den Punkt, an dem das Qualitätsereignis formell nach Typ, Schweregrad und Priorität kategorisiert wurde. Dies ist ein kritischer Schritt, der den Antrag bearbeitet.en weiteren Untersuchungspfad und Zeitplan bestimmt. Sie wird in der Regel durch eine Statusänderung erfasst, die den Abschluss dieser Klassifizierung anzeigt.
Bedeutung Dieses Event ist maßgeblich für die Segmentierung der Prozessanalyse nach Ereignisschwere oder -typ. Es hilft zu verstehen, ob hochprioritäre Probleme schneller bearbeitet werden als niedrigprioritäre, und stellt sicher, dass Ressourcen effektiv zugewiesen werden. Datenquelle Abgeleitet von einer Lebenszyklus-Statusänderung im Quality-Event-Objekt, z.B. bei der Versetzung in einen Status wie 'Kategorisiert' oder 'Untersuchung ausstehende Zahlungen identifizieren.end'. Es kann auch vom Zeitstempel abgeleitet werden, wenn wichtige Klassifizierungsfelder gefüllt werden. Erfassen Abgeleitet von einer Statusänderung oder den Antrag bearbeitet.er Befüllung von Feldern wie 'Schweregrad' und 'Priorität'. Ereignistyp inferred
	Stakeholder über Lösung benachrichtigt	Diese Aktivität stellt die an relevante Stakeholder gesendete Kommunikation dar, die sie über die Lösung des Qualitätsereignisses Hinweisrmiert. Dies könnte eine automatisierte E-Mail-Benachrichtigung sein, die durch den letzten Abschlussschritt ausgelöst wird, oder eine manuell protokollierte Kommunikationstask.
Bedeutung Rechtzeitige Kommunikation ist maßgeblich für die Stakeholder-Zufriedenheit und Transparenz. Diese Aktivität ermöglicht die Messung des KPIs 'Verzögerungszeit der Stakeholder-Benachrichtigung' und hebt Verzögerungen in der Kommunikation hervor. Datenquelle Dies kann ein explizites Event sein, wenn Veeva Vault automatisierte Benachrichtigungen sendet, die protokolliert werden. Alternativ könnte es aus dem Abschluss einer manuellen 'Stakeholder benachrichtigen' Workflow-Aufgabe abgeleitet werden. Erfassen Aus Systembenachrichtigungsprotokollen oder den Antrag bearbeitet.em Abschlusszeitstempel einer Kommunikationsaufgabe. Ereignistyp explicit

Extraktionsanleitungen

So erhalten Sie Ihre Daten aus Veeva Vault Quality

Schritte

Voraussetzungen: Stellen Sie sicher, dass Python 3.6+ zusammen mit den Bibliotheken requests und pandas installiert ist. Sie können diese mit pip installieren: pip install requests pandas. Sie benötigen außerdem API-ZugangsDaten für Ihre Veeva Vault-Instanz, einschließlich des Vault DNS (z.B. yourcompany.veevavault.com), eines Benutzernamens und eines Passworts für einen Benutzer mit API-Zugriff und Leseberechtigungen für das Quality Event-Objekt und zugehörige Objekte.
Skript konfigurieren: Kopieren Sie das bereitgestellte Python-Skript in eine Datei namens extract_quality_Events.py. Öffnen Sie die Datei und aktualisieren Sie die Platzhaltervariablen oben: VAULT_DNS, USERNAME und PASSWORD mit Ihren spezifischen Veeva Vault-ZugangsDaten.
Datumsbereich festlegen: Suchen Sie die VQL-Abfragen innerhalb des Skripts. Jede Abfrage enthält eine WHERE-Klausel mit einem Platzhalter wie created_date__v > '2023-01-01T00:00:00.000Z'. Ändern Sie dieses Datum, um das Zeitfenster für Ihre Datenextraktion zu definieren. Es wird empfohlen, diesen Filter auf ein primäres Datumsfeld anzuwenden, um die anfängliche Datenabfrage zu begrenzen.
Objekt- und Feldnamen überprüfen: Veeva Vault-Konfigurationen können variieren. Das bereitgestellte Skript verwendet gängige API-Namen für Objekte (quality_Event__v, capa__v) und Felder (status__v, severity_level__c). Überprüfen Sie diese Namen anhand der Vault API-Dokumentation oder Tools wie der Vault Field and Object Reference in Ihrer Vault-Konfiguration. Passen Sie die Namen in den VQL-Abfragen bei Bedarf an.
Skript ausführen: Öffnen Sie ein Terminal oder eine Eingabeaufforderung, bewältigen Sie zu dem Verzeichnis, in dem Sie das Skript gespeichert haben, und führen Sie es mit dem Befehl python extract_quality_Events.py aus. Das Skript authentifiziert sich, führt eine Reihe von Abfragen aus und verarbeitet die Daten.
Ausführung überwachen: Das Skript gibt Statusmeldungen in der Konsole aus, die anzeigen, welche Aktivität es gerade extrahiert und wie viele Datensätze gefunden wurden. Dies hilft, den Fortschritt zu überwachen und potenzielle Probleme wie Authentifizierungsfehler oder leere Abfrageergebnisse zu identifizieren.
Ausgabedatei abrufen: Nach erfolgreichem Abschluss generiert das Skript eine CSV-Datei namens quality_Event_log.csv im selben Verzeichnis. Diese Datei enthält das extrahierte Event Log.
Datentransformation und -anreicherung: Das Skript führt eine grundlegende Datentransformation durch, indem es Quellfelder den Antrag bearbeitet.en erforderlichen Event Log-Spalten zuordnet. Es berechnet den LastDatenUpdate-Zeitstempel und setzt einen statischen (SourceSystem)-Wert. Wenn zusätzliche Berechnungen erforderlich sind, z.B. ActivityDauer, können Sie den pandas DatenFrame-Manipulationsabschnitt vor dem endgültigen CSV-Export ändern.
Für den Upload vorbereiten: Öffnen Sie die Datei quality_Event_log.csv in einem Tabellenkalkulationstool, um sie zu überprüfen. Stellen Sie sicher, dass die Spalten QualityEvent, ActivityName und Ereigniszeitpunkt (Event Time) korrekt gefüllt sind. Diese Datei ist nun für den Upload in eine Process Mining-Software formatiert.

Konfiguration

API-ZugangsDaten: Ein dediziertes API-Benutzerkonto mit einer 'Security Policy', die den API-Zugriff erlaubt, ist erforderlich. Das 'Permission Set' des Benutzers muss mindestens 'Read'-Zugriff auf das quality_Event__v Objekt, alle abgefragten Felder und alle verbundenen Objekte wie capa__v gewähren.
Vault DNS: Das Skript benötigt den spezifischen DNS Ihrer Vault-Instanz, zum Beispiel yourcompany.veevavault.com. Dieser wird verwendet, um die API-Endpunkt-URLs zu konstruieren.
Datumsbereichsfilterung: Um das Volumen der extrahierten Daten zu steuern, ist es wichtig, einen Datumsfilter in der WHERE-Klausel jeder VQL-Abfrage anzuwenden. Wir empfehlen, mit einem Zeitraum von 3 bis 6 Monaten zu beginnen (z.B. created_date__v > 'JJJJ-MM-TT'), um eine handhabbare Leistungsfähigkeit und schnellere Testzyklen zu sicherstellen.
Objekt- und Feld-API-Namen: Alle VQL-Abfragen müssen die internen API-Namen des Systems verwenden, die sich von den in der Benutzeroberfläche sichtbaren Bezeichnungen unterscheiden können. Bei benutzerdefinierten Feldern enden diese in der Regel mit __c. Verifizieren Sie alle Objekt- und Feldnamen in Ihrer Vault-Konfiguration.
Paginierungshandhabung: Das Skript ist darauf ausgelegt, die API-Paginierung von Veeva automatisch zu handhaben. Es fragt wiederholt die von der API bereitgestellte 'next_page' URL ab, bis alle Resultate für eine gegebene VQL-Abfrage abgerufen wurden. Hierfür ist keine manuelle Konfiguration erforderlich.
Leistungsfähigkeit-Überlegungen: Das Extrahieren von Daten über einen langen Zeitraum oder aus einer Vault mit Millionen von Quality Ereignisse kann zeitaufwendig sein und API-Ratenlimits erreichen. Führen Sie die Extraktion außerhalb der Spitzenzeiten durch und verwenden Sie restriktive Datumsfilter, um die Auswirkungen zu minimieren.

a Beispielabfrage python

import requests
import pandas as pd
from datetime import datetime
import io

class=class="hl-string">"hl-comment"># --- Configuration: Update these values --- #
VAULT_DNS = class="hl-string">"[your_vault_dns].veevavault.com"  class=class="hl-string">"hl-comment"># Example: yourcompany.veevavault.com
USERNAME = class="hl-string">"[your_api_username]"
PASSWORD = class="hl-string">"[your_api_password]"
API_VERSION = class="hl-string">"v23.1"
OUTPUT_FILENAME = class="hl-string">"quality_event_log.csv"
class=class="hl-string">"hl-comment"># --- End of Configuration --- #

def get_session_id():
    class="hl-string">"""Authenticates with Veeva Vault API and returns a session ID."""
    auth_url = fclass="hl-string">"https://{VAULT_DNS}/api/{API_VERSION}/auth"
    headers = {class="hl-string">"Content-Type": class="hl-string">"application/x-www-form-urlencoded", class="hl-string">"Accept": class="hl-string">"application/json"}
    data = {class="hl-string">"username": USERNAME, class="hl-string">"password": PASSWORD}
    
    try:
        response = requests.post(auth_url, headers=headers, data=data)
        response.raise_for_status() class=class="hl-string">"hl-comment"># Raises an exception for bad responses (4xx or 5xx)
        auth_data = response.json()
        if auth_data.get(class="hl-string">"responseStatus") == class="hl-string">"SUCCESS":
            print(class="hl-string">"Authentication successful.")
            return auth_data[class="hl-string">"sessionId"]
        else:
            print(fclass="hl-string">"Authentication failed: {auth_data.get('responseMessage')}")
            return None
    except requests.exceptions.RequestException as e:
        print(fclass="hl-string">"An error occurred during authentication: {e}")
        return None

def run_vql_query(session_id, query):
    class="hl-string">"""Runs a VQL query, handles pagination, and returns all results as a pandas DataFrame."""
    query_url = fclass="hl-string">"https://{VAULT_DNS}/api/{API_VERSION}/query"
    headers = {class="hl-string">"Authorization": session_id, class="hl-string">"Accept": class="hl-string">"application/json"}
    all_results = []
    
    params = {class="hl-string">'q': query}
    
    page_num = 1
    while True:
        print(fclass="hl-string">"Fetching page {page_num}...")
        try:
            response = requests.post(query_url, headers=headers, params=params)
            response.raise_for_status()
            query_response = response.json()
            
            if query_response.get(class="hl-string">"responseStatus") != class="hl-string">"SUCCESS":
                print(fclass="hl-string">"Query failed: {query_response.get('responseDetails', {}).get('message')}")
                break

            all_results.extend(query_response.get(class="hl-string">'data', []))
            
            if class="hl-string">'next_page' in query_response.get(class="hl-string">'responseDetails', {}):
                next_page_url = query_response[class="hl-string">'responseDetails'][class="hl-string">'next_page']
                query_url = fclass="hl-string">"https://{VAULT_DNS}{next_page_url}"
                params = {}
                page_num += 1
            else:
                break
        except requests.exceptions.RequestException as e:
            print(fclass="hl-string">"An error occurred during query execution: {e}")
            break

    if not all_results:
        return pd.DataFrame()
    
    class=class="hl-string">"hl-comment"># Convert list of dictionaries to DataFrame
    class=class="hl-string">"hl-comment"># Veeva API returns data as {class="hl-string">'field_name': class="hl-string">'value'}. We need to flatten this.
    flat_data = [{key: item[key] for key in item} for item in all_results]
    return pd.DataFrame(flat_data)


def main():
    session_id = get_session_id()
    if not session_id:
        return

    class=class="hl-string">"hl-comment"># Common fields to select in every query for context
    common_fields = (
        class="hl-string">"id, "
        class="hl-string">"name__v, "
        class="hl-string">"investigator__c, "
        class="hl-string">"department_owner__c, "
        class="hl-string">"type_of_quality_event__c, "
        class="hl-string">"status__v, "
        class="hl-string">"target_due_date__c, "
        class="hl-string">"severity__c"
    )

    class=class="hl-string">"hl-comment"># Define VQL queries for each activity
    class=class="hl-string">"hl-comment"># NOTE: Field names like class="hl-string">'triage_completed_date__c' are placeholders for common custom date fields.
    class=class="hl-string">"hl-comment"># Adjust these to match your Veeva Vault configuration.
    activity_queries = {
        class="hl-string">"Quality Event Created": fclass="hl-string">"SELECT {common_fields}, created_date__v FROM quality_event__v WHERE created_date__v > '2023-01-01T00:00:00.000Z'",
        class="hl-string">"Initial Triage Completed": fclass="hl-string">"SELECT {common_fields}, triage_completed_date__c FROM quality_event__v WHERE triage_completed_date__c != null",
        class="hl-string">"Issue Categorized And Prioritized": fclass="hl-string">"SELECT {common_fields}, categorization_date__c FROM quality_event__v WHERE categorization_date__c != null",
        class="hl-string">"Investigation Initiated": fclass="hl-string">"SELECT {common_fields}, investigation_start_date__c FROM quality_event__v WHERE investigation_start_date__c != null",
        class="hl-string">"Root Cause Analysis Performed": fclass="hl-string">"SELECT {common_fields}, rca_completed_date__c FROM quality_event__v WHERE rca_completed_date__c != null",
        class="hl-string">"Corrective Action Plan Proposed": fclass="hl-string">"SELECT {common_fields}, quality_event__vr.created_date__v FROM capa__v WHERE quality_event__vr.created_date__v != null AND action_type__c = 'Corrective'",
        class="hl-string">"Corrective Action Plan Approved": fclass="hl-string">"SELECT {common_fields}, quality_event__vr.approval_date__c FROM capa__v WHERE quality_event__vr.approval_date__c != null AND action_type__c = 'Corrective'",
        class="hl-string">"Corrective Action Implemented": fclass="hl-string">"SELECT {common_fields}, quality_event__vr.implementation_date__c FROM capa__v WHERE quality_event__vr.implementation_date__c != null AND action_type__c = 'Corrective'",
        class="hl-string">"Preventive Action Identified": fclass="hl-string">"SELECT {common_fields}, quality_event__vr.created_date__v FROM capa__v WHERE quality_event__vr.created_date__v != null AND action_type__c = 'Preventive'",
        class="hl-string">"Effectiveness Check Initiated": fclass="hl-string">"SELECT {common_fields}, effectiveness_check_start_date__c FROM quality_event__v WHERE effectiveness_check_start_date__c != null",
        class="hl-string">"Effectiveness Of Action Verified": fclass="hl-string">"SELECT {common_fields}, effectiveness_verified_date__c FROM quality_event__v WHERE effectiveness_verified_date__c != null",
        class="hl-string">"Final Review And Closure": fclass="hl-string">"SELECT {common_fields}, closed_date__c FROM quality_event__v WHERE closed_date__c != null",
        class="hl-string">"Stakeholders Notified Of Resolution": fclass="hl-string">"SELECT {common_fields}, notification_date__c FROM quality_event__v WHERE notification_date__c != null"
    }

    all_events_df = pd.DataFrame()

    for activity_name, query in activity_queries.items():
        print(fclass="hl-string">"\n--- Extracting activity: {activity_name} ---")
        df = run_vql_query(session_id, query)
        
        if df.empty:
            print(fclass="hl-string">"No data found for activity: {activity_name}")
            continue

        print(fclass="hl-string">"Found {len(df)} records for {activity_name}")
        
        class=class="hl-string">"hl-comment"># Standardize columns
        df[class="hl-string">'ActivityName'] = activity_name
        df[class="hl-string">'SourceSystem'] = class="hl-string">'Veeva Vault Quality'
        df[class="hl-string">'LastDataUpdate'] = datetime.utcnow().isoformat() + class="hl-string">'Z'
        
        class=class="hl-string">"hl-comment"># Find the correct timestamp column based on the activity name
        class=class="hl-string">"hl-comment"># This logic assumes the last field in the SELECT statement is the event time
        timestamp_field = query.split(class="hl-string">' FROM')[0].split(class="hl-string">',')[-1].strip()
        if class="hl-string">'.' in timestamp_field:
            timestamp_field = timestamp_field.split(class="hl-string">'.')[-1]

        df.rename(columns={
            class="hl-string">'name__v': class="hl-string">'QualityEvent',
            timestamp_field: class="hl-string">'EventTime',
            class="hl-string">'investigator__c': class="hl-string">'AssignedInvestigator',
            class="hl-string">'department_owner__c': class="hl-string">'AssignedDepartment',
            class="hl-string">'type_of_quality_event__c': class="hl-string">'QualityEventType',
            class="hl-string">'status__v': class="hl-string">'QualityEventStatus',
            class="hl-string">'target_due_date__c': class="hl-string">'TargetResolutionDate',
            class="hl-string">'severity__c': class="hl-string">'SeverityLevel'
        }, inplace=True)
        
        class=class="hl-string">"hl-comment"># For CAPA queries, the Quality Event name is nested
        if class="hl-string">'quality_event__vr.name__v' in df.columns:
            df.rename(columns={class="hl-string">'quality_event__vr.name__v': class="hl-string">'QualityEvent'}, inplace=True)

        all_events_df = pd.concat([all_events_df, df], ignore_index=True)
    
    class=class="hl-string">"hl-comment"># Define the final column structure
    final_columns = [
        class="hl-string">'QualityEvent', class="hl-string">'ActivityName', class="hl-string">'EventTime', class="hl-string">'SourceSystem', class="hl-string">'LastDataUpdate',
        class="hl-string">'AssignedInvestigator', class="hl-string">'AssignedDepartment', class="hl-string">'QualityEventType',
        class="hl-string">'QualityEventStatus', class="hl-string">'TargetResolutionDate', class="hl-string">'SeverityLevel'
    ]
    
    class=class="hl-string">"hl-comment"># Select and reorder columns, filling missing ones with None
    output_df = pd.DataFrame(columns=final_columns)
    for col in final_columns:
        if col in all_events_df.columns:
            output_df[col] = all_events_df[col]
        else:
            output_df[col] = None
    
    class=class="hl-string">"hl-comment"># Drop rows where EventTime is NaT (Not a Time)
    output_df.dropna(subset=[class="hl-string">'EventTime'], inplace=True)

    class=class="hl-string">"hl-comment"># Sort by case and event time for readability
    output_df.sort_values(by=[class="hl-string">'QualityEvent', class="hl-string">'EventTime'], inplace=True)
    
    output_df.to_csv(OUTPUT_FILENAME, index=False)
    print(fclass="hl-string">"\nExtraction complete. Event log saved to {OUTPUT_FILENAME}")

if __name__ == class="hl-string">"__main__":
    main()

Schritte

Veeva Vault Loader installieren und konfigurieren: Laden Sie das Veeva Vault Loader Befehlszeilentool vom Apps-Tab Ihrer Vault herunter. Entpacken Sie die Datei in ein dediziertes Verzeichnis. Stellen Sie sicher, dass Java 1.8 oder höher auf dem Rechner installiert ist, auf dem Sie die Extraktion ausführen werden.
Konfigurationsdatei vorbereiten: Erstellen Sie eine CSV-Datei, um die Exportabfrage zu definieren. Diese Datei enthält einen einzelnen Eintrag mit der VQL-Abfrage. Erstellen Sie zum Beispiel eine Datei namens vql_query.csv.
VQL-Abfrage erstellen: Öffnen Sie vql_query.csv und fügen Sie eine Kopfzeile query hinzu. Fügen Sie in der zweiten Zeile die vollständige VQL-Abfrage ein, die im Abschnitt query unten bereitgestellt wird. Diese Abfrage ist darauf ausgelegt, alle notwendigen Felder aus dem Quality Event-Objekt und zugehörigen Datensätzen zu extrahieren, um das Event Log zu erstellen.
Bash-Skript erstellen: Erstellen Sie eine Bash-Skriptdatei, zum Beispiel run_export.sh, um die Ausführung des Vault Loaders zu automatisieren. Kopieren Sie das Skript aus dem Abschnitt query in diese Datei. Dieses Skript übernimmt die Authentifizierung und führt den Export aus.
Skriptvariablen festlegen: Bearbeiten Sie das Skript run_export.sh und ersetzen Sie alle Platzhalterwerte. Dies beinhaltet Ihren Vault DNS, Benutzernamen, Passwort, den Pfad zur Datei vault-loader.jar sowie die Pfade für Eingabe- und Ausgabedateien.
Extraktion ausführen: Öffnen Sie ein Terminal oder eine Eingabeaufforderung, bewältigen Sie zu dem Verzeichnis, das Ihr Skript enthält, und führen Sie es mit dem Befehl bash run_export.sh aus. Das Skript stellt eine Verbindung zu Veeva Vault her, führt die VQL-Abfrage aus und lädt die Resultate in eine CSV-Datei namens quality_Events_raw.csv herunter.
RohDaten modernisieren: Die Ausgabe quality_Events_raw.csv ist eine Wide-Format-Tabelle mit einer Zeile pro Quality Event. Diese Daten müssen in ein Long-Format Event Log transformiert werden. Verwenden Sie ein Datenaufbereitungstool oder ein Skript (wie Python oder ein ETL-Tool), um die verschiedenen Datumsspalten in separate Zeilen zu pivotieren. Erstellen Sie für jedes Quality Event eine Zeile für jedes nicht-leere Datumsfeld und ordnen Sie es dem entsprechenden ActivityName zu.
Auf Event Log Schema abbilden: Bilden Sie während der Transformation die Spalten aus dem Roh-Extrakt auf das erforderliche Event Log Schema ab. Zum Beispiel wird die Spalte id zu QualityEvent, und jede pivotierte Datumsspalte wird zum Ereigniszeitpunkt (Event Time). Fügen Sie eine (SourceSystem)-Spalte mit einem statischen Wert wie 'Veeva Vault Quality' und eine LastDatenUpdate-Spalte mit dem aktuellen Zeitstempel hinzu.
Endgültige Ausgabe generieren: Speichern Sie die transformierten Daten als endgültige Event Log CSV-Datei, bereit zum Upload in ProcessMind. Stellen Sie sicher, dass die Dateikodierung UTF-8 ist und die Header den Antrag bearbeitet.en erforderlichen Attributen entsprechen.

Konfiguration

Voraussetzungen: Sie müssen über ein Veeva Vault Benutzerkonto mit API-Zugriff und ausreichenden Berechtigungen verfügen, um das Quality Event-Objekt (quality_Event__v) und zugehörige Objekte wie CAPA (capa__v) lesen zu können. Das Veeva Vault Loader Befehlszeilentool muss installiert sein.
Authentifizierung: Das Skript verwendet einen Benutzernamen und ein Passwort zur Authentifizierung. Stellen Sie sicher, dass das verwendete Konto über ein Sicherheitsprofil verfügt, das die API-Interaktion zulässt.
Datenumfang: Die VQL-Abfrage enthält eine WHERE-Klausel zur Filterung der Daten. Es ist maßgeblich, den created_date__v Filter so zu konfigurieren, dass die Extraktion auf einen relevanten Zeitraum begrenzt wird, z.B. die letzten 6 bis 12 Monate, um die Dateigröße und Leistungsfähigkeit zu steuern.
Objekt- und Feldselektion: Die bereitgestellte Abfrage geht von Standard-Objektnamen wie quality_Event__v und capa__v aus. Sie müssen diese Namen und die Namen der benutzerdefinierten Felder, wie triage_completion_date__c, in Ihrer spezifischen Veeva Vault Konfiguration überprüfen und die Abfrage entsprechend anpassen.
Ausgabeort: Das Skript definiert ein OUTPUTDIR. Stellen Sie sicher, dass der Benutzer, der den Antrag bearbeitet.as Skript ausführt, Schreibberechtigungen für dieses Verzeichnis hat, da die extrahierte CSV-Datei dort gespeichert wird.
Planung (Scheduling): Zur Automatisierung kann dieses Bash-Skript mithilfe eines Cron-Jobs (unter Linux) oder eines ähnlichen Planungstools so terminiert werden, dass es in regelmäßigen Abständen, z.B. täglich oder wöchentlich außerhalb der Spitzenzeiten, ausgeführt wird.

a Beispielabfrage bash

#!/bin/bash

# Veeva Vault Connection Details (Replace with your credentials)
VAULTDNS="[Your Vault DNS e.g., your-vault.veevavault.com]"
USERNAME="[Your Username]"
PASSWORD="[Your Password]"

# Configuration Paths (Update paths as needed)
LOADERDIR="/path/to/vault-loader"
INPUTDIR="/path/to/input/files"
OUTPUTDIR="/path/to/output/files"
LOGFILE="${OUTPUTDIR}/loader_export.log"

# Input VQL Query File
QUERYCSV="${INPUTDIR}/vql_query.csv"

# Raw Output File
OUTPUTCSV="${OUTPUTDIR}/quality_events_raw.csv"

# --- VQL Query Definition ---
# This query extracts a wide table of Quality Event data.
# A separate transformation step is required to pivot this into an event log.
# Field names (`__c`) are examples and must be verified in your Vault.
cat > "$QUERYCSV" <<- EOM
query
"SELECT id, name__v, created_date__v, status__v, type__v, severity_level__c, target_resolution_date__c, assigned_investigator__c, assigned_department__c, initial_triage_completed_date__c, issue_categorized_date__c, investigation_initiated_date__c, rca_performed_date__c, capa_proposed_date__c, capa_approved_date__c, capa_implemented_date__c, pa_identified_date__c, effectiveness_check_initiated_date__c, effectiveness_verified_date__c, final_review_closure_date__c, stakeholder_notification_date__c FROM quality_event__v WHERE created_date__v >= '2023-01-01'"
EOM

# --- Veeva Loader Execution ---
echo "Starting Veeva Vault Quality Event export..."

java -jar "${LOADERDIR}/vault-loader.jar" \
-action EXTRACT \
-V "https://www.veeva.com" \
-vql "$QUERYCSV" \
-outputdir "$OUTPUTDIR" \
-resultsfile "$OUTPUTCSV" \
-u "$USERNAME" \
-p "$PASSWORD" \
-dns "$VAULTDNS" \
-logfile "$LOGFILE"

echo "Export complete. Raw data saved to $OUTPUTCSV"
echo "Log file available at $LOGFILE"

Ihr Qualitätsmanagement-Daten-Template

Ihr Qualitätsmanagement-Daten-Template

Qualitätsmanagement-Attribute

Qualitätsmanagement-Aktivitäten

Extraktionsanleitungen

Veeva Vault API-Extraktion mittels Python-Skript

Schritte

Konfiguration

a Beispielabfrage python

Veeva Vault Loader Kommandozeilen-Massenexport von Daten

Schritte

Konfiguration

a Beispielabfrage bash

Bereit, um loszulegen?

Qualitätsmanagement optimieren: Starten Sie noch heute Ihre kostenlose Testphase

Ihr Qualitätsmanagement-Daten-Template

Ihr Qualitätsmanagement-Daten-Template

Qualitätsmanagement-Attribute

Qualitätsmanagement-Aktivitäten

Extraktionsanleitungen

Veeva Vault API-Extraktion mittels Python-Skript

Schritte

Konfiguration

a Beispielabfrage python

Veeva Vault Loader Kommandozeilen-Massenexport von Daten

Schritte

Konfiguration

a Beispielabfrage bash

Ihre Privatsphäre ist uns wichtig

Bereit, um loszulegen?

Qualitätsmanagement optimieren: Starten Sie noch heute Ihre kostenlose Testphase