> Amélioration Continue des Processusus > Du prospect à l'encaissement (Du prospect à l'encaissement) > Pipedrive > Template de données

Votre modèle de données de la prospection à l'encaissement

Pipedrive

← Retour au Guide d'amélioration

Attributs Du prospect à l'encaissement (Du prospect à l'encaissement) (20) Activités Du prospect à l'encaissement (Du prospect à l'encaissement) (13) Guides d'extraction (3)

Votre modèle de données de la prospection à l'encaissement

Ce modèle fournit les étapes nécessaires à la collecte des données essentielles nécessaires à l'analyse de vos processus Du prospect au paiement dans Pipedrive. Il décrit les attributs essentiels et les activités clés à suivre, ainsi que des conseils pratiques sur la façon d'extraire ces informations directement de votre système Pipedrive. Utilisez cette ressource pour préparer vos données à une analyse et une optimisation approfondie du Process Mining.

Attributs recommandés à collecter
Activités clés à suivre
Guide d'extraction de Pipedrive

Vous découvrez les journaux d'événements ? Apprenez comment créer un journal d'événements Process Mining.

Télécharger le modèle

Attributs Du prospect à l'encaissement (Du prospect à l'encaissement)

Ces champs de données recommandés sont essentiels pour générer un journal d'événements fiable, pour une analyse complète de votre processus Du prospect au paiement.

3 Obligatoire 4 Recommandé 13 Facultatif

	Nom	Descriptionn
	Heure de l'événement EventTime	L'horodatage indiquant quand l'activité a eu lieu.
Descriptionn L'heure de l'événement, ou Heure de début, enregistre la date et l'heure précises auxquelles une activité spécifique a été enregistrée. Ces données temporelles sont essentielles pour ordonner les événements chronologiquement et calculer les durées entre les différentes étapes du processus.\n\nEn analyse, cet horodatage est utilisé pour calculer des indicateurs clés de performance tels que le temps de cycle, le temps de traitement et le temps d'attente. Il permet la création de dashboards basés sur le temps qui surveillent les performances et identifient les retards au sein du processus de vente. Pourquoi est-ce important ? : Cet horodatage est indispensable pour ordonner les événements, calculer les durées de processus et analyser les performances par rapport à des objectifs basés sur le temps. Source des données : Récupéré à partir de champs comme 'add_time' ou 'update_time' sur les objets 'Deal', 'Activity' ou des objets connexes dans l'API Pipedrive. Exemples 2023-04-15T10:00:00Z2023-04-16T14:30:00Z2023-05-01T09:05:00Z
	Nom de l'activité ActivityName	Le nom de l'événement commercial ou de la tâche spécifique qui a eu lieu au sein du processus de vente.
Descriptionn Cet attribut décrit une seule étape du processus Du prospect au paiement, telle que 'Affaire créée', 'Proposition envoyée' ou 'Paiement reçu'. Les activités sont les éléments constitutifs fondamentaux utilisés pour visualiser le flux de processus. L'analyse de la séquence et de la fréquence des activités aide à identifier les chemins de processus les plus courants, les points de blocage où le travail s'accumule et toute déviation par rapport à la procédure de vente standard. Ceci est indispensable pour comprendre comment le processus est réellement exécuté. Pourquoi est-ce important ? : Il définit les étapes du processus, pour visualiser et l'analyse du flux de processus, l'identification des `bottleneck`s et la vérification de la conformité. Source des données : Ceci est généralement dérivé en mappant les événements Pipedrive, tels que les changements d'étape d'affaire ou la création d'objets liés comme les factures, à une liste définie d'activités. Exemples Affaire crééeProposition envoyéeAffaire gagnéeFacture Envoyéepaiement reçu
	Opportunité de Vente SalesOpportunityId	L'identifiant unique d'une opportunité de vente, servant d'ID de cas pour le suivi de l'ensemble du processus Du prospect au paiement.
Descriptionn L'ID de l'opportunité de vente est la clé primaire qui relie toutes les activités associées, de la création initiale du prospect au paiement final. Il représente une unique vente potentielle suivie dans Pipedrive.\n\nDans l'analyse de processus, cet identifiant est impératif pour reconstituer le parcours complet de chaque affaire. Il permet de regrouper tous les événements, tels que 'Affaire créée', 'Proposition envoyée' et 'Paiement reçu', en un cas cohérent, permettant l'analyse des variantes de processus, des temps de cycle et des taux de conversion. Pourquoi est-ce important ? : Cet identifiant est le fondement de la vue processus, reliant tous les événements associés pour former un historique de cas complet pour chaque affaire de vente. Source des données : Récupéré du champ 'id' de l'objet 'Deal' via l'API Pipedrive. Exemples 12543125441254512546
	Pourcentage de remise DiscountPercentage	Le pourcentage de remise appliqué à l'affaire.
Descriptionn Cet attribut représente le pourcentage de remise accordé sur une affaire de vente, le cas échéant. C'est un facteur critique pour comprendre la stratégie de prix et son impact sur la rentabilité.\n\nL'analyse du Pourcentage de remise aide à évaluer l'efficacité des stratégies de remise. Il peut être corrélé avec d'autres attributs comme la Valeur de l'affaire, le Représentant commercial ou le Produit pour voir où les remises sont les plus courantes « what-if » elles conduisent à des taux de réussite plus élevés ou simplement à une érosion des marges. Pourquoi est-ce important ? : Ceci est impératif pour l'analyse des stratégies de prix, des marges de vente et de la rentabilité globale des affaires. Source des données : Ceci est souvent un champ personnalisé sur l'objet 'Deal' dans Pipedrive. Consultez la documentation de Pipedrive pour la configuration des champs personnalisés. Exemples 0.050.100.150.0
	Propriétaire du deal DealOwner	Le représentant commercial responsable de la gestion de l'opportunité de vente.
Descriptionn Le Responsable de l'affaire est l'utilisateur assigné à une affaire spécifique. Cet attribut est indispensable pour comprendre l'allocation des ressources et la performance dans l'équipe de vente.\n\nCet attribut permet une analyse de performance au niveau individuel ou d'équipe. Les dashboards peuvent être filtrés par Responsable de l'affaire pour comparer des métriques comme le temps de cycle de vente, les taux de conversion et la valeur moyenne des affaires, aidant à identifier les meilleurs collaborateurs les plus performants et les domaines nécessitant un coaching. Pourquoi est-ce important ? : Permet l'analyse des performances par représentant commercial, aidant à identifier les meilleurs collaborateurs les plus performants et les domaines nécessitant une amélioration. Source des données : Récupéré du champ 'user_id' de l'objet 'Deal', qui renvoie à l'objet 'User' dans l'API Pipedrive. Exemples John SmithJane DoePeter Jones
	Statut du deal DealStatus	Le résultat ou l'état actuel de l'affaire, tel que gagnée, perdue ou ouverte.
Descriptionn Le Deal Status indique le résultat final ou l'état général actuel d'une opportunité de vente. C'est une dimension primaire pour analyser les taux de réussite des ventes et l'efficacité du processus. Cet attribut est indispensable pour le calcul des taux de gain/perte et pour le filtrage de la carte de processus afin de comparer les parcours des affaires gagnées par rapport aux affaires perdues. Cette comparaison révèle souvent des différences clés dans l'exécution du processus qui contribuent au succès ou à l'échec, fournissant des informations concrètes pour l'amélioration du processus. Pourquoi est-ce important ? : Il est indispensable pour calculer les taux de gain/perte et comparer les flux de processus des affaires réussies par rapport aux affaires infructueuses. Source des données : Récupéré du champ 'status' de l'objet 'Deal' dans l'API Pipedrive. Exemples gagnéeperdueopen
	Valeur du deal DealValue	La valeur monétaire totale de l'opportunité de vente.
Descriptionn La Deal Value représente le revenu potentiel ou réel associé à une opportunité de vente. C'est une métrique clée pour prioriser les affaires et évaluer l'impact financier du pipeline de vente. Dans l'analyse des processus, cet attribut est utilisé pour segmenter les cas par taille financière, permettant de comparer l'exécution du processus pour les affaires de grande valeur par rapport aux affaires de faible valeur. C'est également un composant essentiel des dashboards qui analysent la performance des ventes, l'efficacité des remises et la génération globale de revenus. Pourquoi est-ce important ? : Il permet une analyse financière du processus de vente, aidant à prioriser les affaires à forte valeur et à comprendre l'impact sur les revenus. Source des données : Récupéré du champ 'value' de l'objet 'Deal' dans l'API Pipedrive. Exemples 5000.0025000.501500.75
	Conditions de paiement PaymentTerms	Les conditions de paiement convenues, telles que 'Net 30' ou 'Net 60'.
Descriptionn Les Conditions de paiement définissent le délai dans lequel un client est censé régler une facture après son envoi. Cet attribut est indispensable pour la gestion des comptes clients et de la trésorerie. Dans le Process Mining, cet attribut sert de référence pour évaluer la performance des paiements. Il est utilisé pour calculer des KPI comme le taux de paiement à temps en comparant la date de paiement réelle à la date d'échéance dérivée de la date de facture et de ces conditions. Pourquoi est-ce important ? : Fournit la base pour mesurer la performance des paiements à temps et analyser les retards dans le processus de recouvrement des créances. Source des données : Ceci est généralement un champ personnalisé sur l'objet 'Deal' ou 'Organization' dans Pipedrive, ou cela peut provenir d'un système comptable intégré. Exemples Net 30Net 60Dû à la réception
	Délai de Paiement des Factures InvoicePaymentTime	La durée entre l'envoi d'une facture et la réception du paiement.
Descriptionn Le Invoice Payment Time mesure l'efficacité du processus des comptes clients. Il suit spécifiquement le temps écoulé entre l'activité 'Facture Envoyée' et l'activité 'paiement reçu'. Cette métrique est indispensablele pour le suivi de la trésorerie et l'identification des retards dans le recouvrement des paiements. L'analyse de cette durée aide les entreprises à comprendre le comportement de paiement des clients et l'efficacité de leurs stratégies de relance et de recouvrement, impactant directement le cycle Devis à Paiement. Pourquoi est-ce important ? : Mesure directement l'efficacité du processus de recouvrement des créances et est indispensable à la gestion de la trésorerie. Source des données : Calculé comme la différence entre les `horodatage`s des activités 'paiement reçu' et 'Facture Envoyée' pour un cas donné. Exemples 28 jours45 jours10 jours
	Dernière mise à jour des données LastDataUpdate	L'horodatage de la dernière actualisation des données depuis le système source.
Descriptionn Cet attribut indique la dernière fois que les données ont été extraites et mises à jour dans le jeu de données de Process Mining. Il fournit un point de référence clair pour la la réactualisation des données analysées.\n\nPour toute analyse, connaître la réactualisation des données est primordial. Cet attribut aide les utilisateurs à comprendre si les informations qu'ils consultent reflètent l'état le plus récent du processus, ce qui est indispensable pour la surveillance opérationnelle et la prise de décision. Pourquoi est-ce important ? : Indique la la réactualisation des données, garantissant que les utilisateurs sont conscients de l'actualité de l'analyse du processus. Source des données : Cette valeur est générée et enregistrée pendant le processus d'ingestion des données ou ETL. Exemples 2023-10-27T02:00:00Z2023-10-28T02:00:00Z
	Devise de l'Affaire DealCurrency	La devise associée à la valeur de l'affaire.
Descriptionn Cet attribut spécifie la devise, par exemple, USD, EUR ou GBP, dans laquelle la Valeur de l'affaire est libellée. Il fournit le contexte nécessaire pour toutes les métriques financières.\n\nLors de l'analyse d'affaires provenant de plusieurs régions ou pays, cet attribut est indispensable pour un reporting financier et une agrégation corrects. Il garantit que les conversions de devises peuvent être appliquées correctement avant de résumer les données financières, évitant ainsi des conclusions inexactes. Pourquoi est-ce important ? : Fournit un contexte essentiel pour la valeur de l'affaire, assurant une analyse financière et un reporting précis dans différentes régions. Source des données : Récupéré du champ 'currency' de l'objet 'Deal' dans l'API Pipedrive. Exemples USDEURGBP
	Est un reprises IsRework	Un indicateur qui identifie les activités faisant partie d'une boucle de reprises.
Descriptionn Is Rework est un indicateur booléen qui est généralement calculé par l'outil de Process Mining pour mettre en évidence les cas où le processus s'écarte d'un flux linéaire et répète des étapes précédentes. Par exemple, une affaire passant de 'Négociation' à 'Proposition Envoyée' serait considérée comme du reprises. L'identification du reprises est indispensablele pour l'optimisation des processus car elle représente une inefficacité, un effort gaspillé et une confusion potentielle pour le client. L'analyse des activités signalées comme reprises aide à localiser les zones où le processus se dégrade, permettant des améliorations ciblées. Pourquoi est-ce important ? : Aide à quantifier l'inefficacité du processus en identifiant et en signalant les activités qui font partie d'un chemin de processus répété ou circulaire. Source des données : Ceci est calculé par le logiciel de Process Mining en analysant la séquence des activités dans chaque cas. Exemples truefaux
	Étape de l'Affaire DealStage	L'étape spécifique du pipeline de vente dans laquelle se trouve actuellement l'affaire.
Descriptionn L'Étape de l'affaire représente une étape spécifique dans le pipeline de vente défini par une entreprise, telle que 'Qualifiée', 'Proposition faite' ou 'Négociation'. Elle offre une vue plus granulairesre de la progression d'une affaire que le Statut global de l'affaire.\n\nL'analyse des étapes de l'affaire est indispensablele pour comprendre l'entonnoir de vente et identifier les points où les affaires ont tendance à stagner. En suivant le temps passé à chaque étape, les équipes peuvent localiser les points de blocage et concentrer les efforts d'amélioration sur les parties les plus problématiques du cycle de vente. Pourquoi est-ce important ? : Offre une vue granulaire de la progression d'une affaire dans l'entonnoir de vente, aidant à identifier les points de blocage et les taux de conversion entre les étapes. Source des données : Récupéré du champ 'stage_id' de l'objet 'Deal', qui renvoie à l'objet 'Stage' dans l'API Pipedrive. Exemples Lead entrantContact établiDémo PlanifiéeProposition faiteNégociations Lancées
	Heure de fin de l'événement EventEndTime	L'horodatage indiquant quand une activité avec une durée a été achevée.
Descriptionn L'Heure de fin d'événement marque la complétion d'une activité ayant une durée mesurable, comme une réunion ou une tâche. Elle complète l'Heure de début en permettant le calcul précis de la durée des activités spécifiques.\n\nCet attribut est indispensable pour calculer le temps de traitement des activités individuelles. L'analyse de cette durée aide à identifier quelles tâches spécifiques sont les plus chronophages et offre des opportunités d'optimisation, d'automatisation ou de réaffectation des ressources. Pourquoi est-ce important ? : Permet le calcul précis des durées d'activités individuelles, ce qui est indispensable pour identifier les tâches chronophages et les `bottleneck`s. Source des données : Récupéré à partir de champs comme 'due_date' ou un horodatage de complétion sur les objets 'Activity' dans l'API Pipedrive. Exemples 2023-04-15T11:00:00Z2023-04-16T15:00:00Z2023-05-01T09:35:00Z
	Nom de l'Organisation OrganizationName	Le nom de l'entreprise ou de l'organisation du client associée à l'affaire.
Descriptionn Cet attribut identifie le client corporate lié à l'opportunité de vente. Il fournit un contexte sur les entreprises présentes dans le pipeline de vente.\n\nL'analyse des données par Nom d'organisation aide à comprendre le comportement des clients et à identifier les comptes clés. Elle peut être utilisée pour segmenter l'analyse de processus afin de voir si les processus diffèrent pour les clients stratégiques par rapport aux clients plus petits, ou pour suivre l'historique complet des ventes avec une entreprise spécifique. Pourquoi est-ce important ? : Identifie le client, permettant une analyse orientée client et la segmentation du processus de vente. Source des données : Récupéré du champ 'org_id' de l'objet 'Deal', qui renvoie à l'objet 'Organization' dans l'API Pipedrive. Exemples ABC CorporationGlobal Tech Inc.Solutions Innovantes
	Paiement dans les délais IsOnTimePayment	Un indicateur booléen indiquant si un paiement a été reçu dans les délais de paiement convenus.
Descriptionn Cet attribut est un indicateur binaire (Vrai/Faux) qui indique si un paiement a été effectué à temps. Il est dérivé en comparant l'heure de paiement réelle de la facture aux conditions de paiement spécifiées.\n\nCet indicateur simplifie l'analyse du comportement de paiement. Il peut être utilisé pour calculer rapidement le KPI du Taux de paiement ponctuel et pour filtrer les paiements en retard, permettant une analyse ciblée des causes profondes expliquant pourquoi certains clients ou types d'affaires entraînent des retards de paiement. Pourquoi est-ce important ? : Simplifie l'analyse du respect des délais de paiement et est utilisé pour calculer le KPI du Taux de paiement ponctuel. Source des données : Calculé en comparant 'InvoicePaymentTime' avec l'attribut 'PaymentTerms'. Par exemple, si PaymentTerms est 'Net 30' et InvoicePaymentTime est <= 30 jours, la valeur est Vrai. Exemples truefaux
	Produit ProductAttached	Le produit ou service associé à l'opportunité de vente.
Descriptionn Cet attribut spécifie le produit ou service vendu dans l'affaire. Il permet une analyse plus détaillée des activités de vente liées à des offres spécifiques.\n\nEn incluant le produit, l'analyse peut être segmentée pour comparer les processus de vente entre différentes gammes de produits. Cela peut révéler si certains produits ont des cycles de vente plus longs, des taux de conversion différents ou nécessitent des étapes de processus distinctes, menant à des stratégies de vente plus adaptées. Pourquoi est-ce important ? : Permet l'analyse du processus de vente par ligne de produit, aidant à identifier les variations des cycles de vente ou des taux de réussite pour différentes offres. Source des données : Récupéré de l'objet 'Product' lié à un 'Deal' dans l'API Pipedrive. Exemples Abonnement SaaS standardLicence Plateforme EntrepriseForfait de services professionnels
	Région Region	La région géographique associée au client ou à l'opportunité de vente.
Descriptionn Cet attribut catégorise les affaires en zones géographiques, telles que l'Amérique du Nord, l'EMEA ou l'APAC. Il permet une analyse de la performance et des processus de vente basée sur la localisation.\n\nEn segmentant le processus par région, les entreprises peuvent découvrir des différences régionales dans les temps de cycle de vente, les taux de réussite et les variantes de processus. Ces insights peuvent éclairer les stratégies de vente régionales, l'allocation des ressources et les efforts de standardisation des processus. Pourquoi est-ce important ? : Permet une analyse géographique du processus de vente, en mettant en évidence les différences régionales de performance et de comportement des clients. Source des données : Ceci est généralement un champ personnalisé sur l'objet 'Deal' ou 'Organization'. Les champs d'adresse de l'Organisation peuvent également être utilisés pour en dériver cette information. Exemples Amérique du NordEMEAAPACLATAM
	Source du lead LeadSource	La source ou le canal par lequel le prospect a été acquis.
Descriptionn La Lead Source identifie comment un client potentiel a été identifié pour la première fois, par exemple, 'Webinaire', 'Appel à froid' ou 'Recommandation de partenaire'. Cette information est fondamentale pour la stratégie marketing et commerciale. L'analyse de la Lead Source aide à déterminer l'efficacité des différents canaux marketing. Elle peut être utilisée pour comparer les taux de conversion et les temps de cycle de vente pour les leads provenant de diverses sources, permettant à l'entreprise d'optimiser ses dépenses marketing et ses efforts de vente. Pourquoi est-ce important ? : Aide à mesurer l'efficacité des différents canaux marketing en analysant les taux de conversion et la performance des processus des leads provenant de chaque source. Source des données : Récupéré du champ 'source_name' de l'objet 'Lead', qui est ensuite associé à l'objet 'Deal'. Exemples Recherche OrganiqueMédias Sociaux PayantsParrainageSalon professionnel
	Système source SourceSystem	Identifie le système à partir duquel les données ont été extraites.
Descriptionn Cet attribut spécifie l'origine des données, qui dans ce cas est Pipedrive. Il est particulièrement utile dans les environnements où les données de plusieurs systèmes sont consolidées pour une vue d'ensemble complète du processus.\n\nBien que souvent une valeur statique dans une analyse de système unique, il fournit un contexte essentiel et contribue à la gouvernance des données et à la traçabilité. Il confirme que les événements et les attributs sont liés à l'instance Pipedrive. Pourquoi est-ce important ? : Fournit un contexte essentiel sur l'origine des données, assurant la traçabilité et la clarté, en particulier lorsque les données de plusieurs systèmes sont combinées. Source des données : Ceci est généralement une valeur statique ajoutée lors du processus de transformation des données. Exemples Pipedrive

Obligatoire Recommandé Facultatif

Activités Du prospect à l'encaissement (Du prospect à l'encaissement)

Ces étapes clés du processus et jalons doivent être capturés dans votre journal d'événements pour garantir une découverte de processus précise et une optimisation efficace.

5 Recommandé 8 Facultatif

	Activité	Descriptionn
	Affaire créée	Marque le début officiel d'une opportunité de vente. Cet événement est déclenché lorsqu'une nouvelle affaire est créée manuellement ou générée automatiquement à partir d'un lead converti.
Pourquoi est-ce important ? : C'est l'activité de départ principale pour le cycle de vente. L'analyse du temps écoulé entre cet événement et 'Affaire gagnée' ou 'Affaire perdue' donne la durée globale du cycle de vente. Source des données : Ceci est un événement explicite capturé dans l'entité Deals de Pipedrive. L'horodatage de création ('add_time') pour l'enregistrement de l'affaire sert de temps d'événement. Capture Utilisez le champ 'add_time' de l'entité Deals. Type d'événement explicit
	Affaire gagnée	Marque la clôture réussie d'une affaire, signifiant un accord verbal ou écrit du client. Il s'agit d'un changement de statut standard et explicite dans Pipedrive.
Pourquoi est-ce important ? : C'est le jalon de succès le plus important. Il est impératif pour le calcul des taux de réussite, de la durée du cycle de vente pour les affaires réussies et de la performance globale des ventes. Source des données : Ceci est un événement explicite capturé lorsque le statut d'une affaire passe à 'gagnée'. Le champ 'won_time' dans l'entité Deals fournit l'horodatage précis. Capture Utilisez l'horodatage 'won_time' de l'entité Deals. Type d'événement explicit
	Affaire Perdue	Marque la clôture infructueuse d'une affaire. Cela se produit lorsque le processus de vente est terminé parce que le client a choisi un concurrent, n'est plus intéressé, ou pour d'autres raisons.
Pourquoi est-ce important ? : C'est le point de défaillance primaire. L'analyse du moment et des raisons pour lesquelles les affaires sont perdues fournit des informations clés pour améliorer la stratégie de vente, la formation et les processus de qualification. Source des données : Ceci est un événement explicite capturé lorsque le statut d'une affaire passe à 'perdue'. Le champ 'lost_time' dans l'entité Deals enregistre l'horodatage. Capture Utilisez l'horodatage 'lost_time' de l'entité Deals. Type d'événement explicit
	paiement reçu	Marque la réception réussie du paiement du client, complétant le cycle de trésorerie pour l'opportunité. C'est le dernier événement du processus Du prospect à l'encaissement (Du prospect à l'encaissement) et il provient d'un système financier.
Pourquoi est-ce important ? : C'est l'étape finale, génératrice de valeur. C'est la véritable fin du processus Du prospect au paiement et elle est indispensablele pour mesurer le temps de cycle complet et analyser les retards de paiement. Source des données : Capturé depuis un système de comptabilité ou de traitement des paiements. La confirmation de paiement doit être liée à l'affaire Pipedrive. Capture Données d'événement provenant d'un système financier externe, lié à l'affaire via un identifiant unique. Type d'événement explicit
	Proposition envoyée	Représente le moment où un devis ou une proposition formelle est remis au client. Ceci est souvent inféré par le passage de l'affaire à une étape spécifique du pipeline, telle que 'Proposition faite' ou 'Devis envoyé'.
Pourquoi est-ce important ? : C'est un jalon clé dans le processus de vente. L'analyse du temps écoulé entre cet événement et 'Affaire gagnée' aide à comprendre la durée de la phase de prise de décision et de négociation. Source des données : Déduit du journal de modifications de l'Affaire lorsque le 'stage_id' passe à une étape désignée pour les propositions. L'horodatage du changement d'étape est utilisé. Capture Détecter quand le 'stage_id' d'une Affaire est mis à jour vers une étape 'Proposition' spécifique. Type d'événement inferred
	Affaire qualifiée	Indique que l'affaire a satisfait aux critères prédéfinis et est considérée comme une opportunité viable méritant d'être poursuivie. Ceci est généralement déduit lorsqu'une affaire passe d'une étape de pipeline précoce, comme 'Lead In', à une étape plus qualifiée, comme 'Contact Établi' ou 'Besoins Définis'.
Pourquoi est-ce important ? : Ce jalon aide à analyser l'efficacité du processus de qualification des prospects et identifie le temps que les affaires passent dans les étapes initiales non qualifiées. Source des données : Déduit du journal de modifications ou de l'historique de l'Affaire lorsque le champ 'stage_id' passe à une étape qui signifie la qualification. Capture Identifiez le changement d'étape vers une étape 'qualifiée' prédéfinie dans l'historique de l'affaire. Type d'événement inferred
	Affaire rouverte	Représente une affaire précédemment marquée comme perdue mais réactivée pour de nouvelles activités de vente. Cet événement est inféré lorsque le statut d'une affaire passe de 'perdue' à nouveau à 'ouverte'.
Pourquoi est-ce important ? : Cette activité met en lumière les boucles de reprise et les efforts de réengagement. L'analyse de ces cas peut révéler des schémas de comportement client ou l'efficacité du suivi commercial. Source des données : Déduit du journal de modifications de l'Affaire. Il est détecté lorsque le champ 'status' passe de 'perdue' à 'ouverte'. Capture Identifiez un changement de statut de 'perdue' à 'ouverte' dans l'historique de l'affaire. Type d'événement inferred
	Commande client créée	Représente la création d'un bon de commande formel dans un système en aval, tel qu'un ERP ou une plateforme comptable, après qu'une affaire soit gagnée. Cette activité n'est pas native de Pipedrive et repose sur des données provenant d'un système intégré.
Pourquoi est-ce important ? : Cet événement marque le transfert des Ventes aux Opérations ou aux Finances. L'analyse du temps écoulé entre 'Affaire gagnée' et cette activité révèle des retards potentiels dans le traitement des commandes. Source des données : Généralement capturé à partir d'un système ERP ou financier connecté. Les données devraient être ingérées et liées à l'ID d'affaire Pipedrive. Capture Données d'événement poussées depuis un système externe via API, mettant souvent à jour un champ personnalisé sur l'affaire Pipedrive. Type d'événement explicit
	Commande exécutée	Indique que le produit a été expédié ou que le service a été livré au client. Cet événement provient d'un système externe d'exécution ou opérationnel.
Pourquoi est-ce important ? : Le suivi de l'exécution est indispensable pour comprendre le temps de cycle de la commande à la livraison. Les retards à ce niveau impactent directement la satisfaction client et la reconnaissance des revenus. Source des données : Capturé à partir d'un système externe ERP, de gestion des stocks ou des services. Ces données doivent être liées à l'affaire Pipedrive correspondante. Capture Données d'événement provenant d'un système externe, lié via l'ID de l'affaire ou un autre identifiant commun. Type d'événement explicit
	Contact initial établi	Représente la première interaction significative avec le client potentiel associé à l'affaire. Ceci est généralement enregistré comme une activité terminée, telle qu'un appel, un e-mail ou une réunion, lié à l'affaire.
Pourquoi est-ce important ? : Le suivi de cette métrique aide à mesurer le temps jusqu'au premier contact et garantit que les prospects sont engagés rapidement. Il fournit un aperçu de la réactivité de l'équipe de vente. Source des données : Capturé depuis l'entité Activités de Pipedrive. Il est identifié en trouvant l'activité terminée la plus ancienne liée à l'ID de l'affaire. Capture Trouvez la première Activité terminée associée à une Affaire, basée sur le champ 'done_time'. Type d'événement explicit
	Facture Envoyée	Représente le moment où une facture est envoyée au client pour paiement. Cet événement est généralement déclenché dans un système de comptabilité ou de facturation externe après l'exécution de la commande.
Pourquoi est-ce important ? : Ceci marque le début du cycle de paiement. Le temps entre cet événement et 'Paiement reçu' est indispensable pour le suivi des comptes clients et de la trésorerie. Source des données : Provient d'un système de comptabilité ou ERP externe tel que Xero ou QuickBooks. Les données d'événement doivent être intégrées et associées à l'affaire Pipedrive. Capture Données d'événement provenant d'un système de facturation externe, associé à l'affaire via l'intégration API. Type d'événement explicit
	Négociation Démarrée	Signale le début d'une négociation active sur le prix, les conditions ou la portée. Ceci est généralement inféré lorsqu'une affaire passe à une étape de pipeline 'Négociation' après l'envoi d'une proposition.
Pourquoi est-ce important ? : Isoler la phase de négociation aide à identifier la durée de cette partie spécifique du cycle et quelles affaires impliquent des négociations longues. Source des données : Déduit du journal de modifications de l'Affaire lorsque le 'stage_id' est mis à jour vers une étape explicitement nommée pour la négociation. Capture Identifiez le changement d'étape vers une étape de 'Négociation' prédéfinie dans l'historique de l'affaire. Type d'événement inferred
	Suivi de proposition	Capture toute activité de vente, comme un appel ou un e-mail, qui se produit après l'envoi d'une proposition au client. Cet événement indique un engagement actif pendant la phase de réflexion.
Pourquoi est-ce important ? : Mesure la rapidité et la fréquence des actions de suivi, ce qui est indispensable pour maintenir l'élan et conclure les affaires. Il prend en charge le tableau de bord 'Rapidité du suivi des propositions'. Source des données : Capturé depuis l'entité Activités de Pipedrive. Il est identifié comme une activité terminée qui se produit après l'événement 'Proposition Envoyée' pour la même affaire. Capture Identifiez une Activité terminée avec un 'done_time' postérieur au horodatage de l'activité 'Proposition Envoyée'. Type d'événement explicit

Recommandé Facultatif

Guides d'extraction

Comment obtenir vos données de Pipedrive

Étapes

Connectez-vous à Pipedrive : Accédez à votre compte Pipedrive avec un profil utilisateur ayant les permissions d'exporter les données. Il s'agit généralement d'un utilisateur Administrateur.
Naviguez vers l'Exportation de données : Cliquez sur votre photo de profil dans le coin supérieur droit, puis sélectionnez 'Paramètres' (Settings). Dans le menu de navigation de gauche, trouvez la section 'Outils et applications' et cliquez sur 'Exporter les données'.
Exportez les données des Affaires (Deals) : Dans la vue 'Exporter les données', sélectionnez 'Affaires' (Deals). Choisissez le format de fichier 'CSV'. Il est recommandé d'appliquer un filtre pour une plage de dates spécifique, par exemple, les 6 derniers mois, afin de maintenir la taille du fichier gérable. Cliquez sur 'Exporter' et attendez que le fichier soit généré et téléchargé. Ce fichier contiendra des informations clés sur les affaires, y compris la date de création (creation time), la date de gain (won time) et la date de perte (lost time).
Exportez les données des Activités : Répétez le processus pour les 'Activités'. Sélectionnez 'Activités', choisissez 'CSV', appliquez le même filtre de plage de dates que pour les affaires, et exportez le fichier. Ce fichier contient les enregistrements des appels, e-mails, réunions et activités personnalisées liés aux affaires.
Collectez les données externes : Obtenez les données correspondantes de vos systèmes en aval. Vous aurez besoin d'exportations de vos systèmes ERP, de comptabilité ou d'exécution pour des événements comme 'Commande Client Créée', 'Commande Exécutée', 'Facture Envoyée' et 'paiement reçu'. Assurez-vous que ces fichiers contiennent un identifiant commun pouvant être relié à l'ID d'Affaire (Deal ID) Pipedrive.
Mettez en place un environnement de traitement des données : Utilisez un outil capable de gérer et de fusionner plusieurs fichiers CSV, tel que Python avec la bibliothèque pandas, Microsoft Excel avec Power Query, ou un autre outil de prélèvement.paration des données.
Chargez et combinez les données : Chargez les fichiers Deals.csv et Activités (Activities).csv. Chargez également les fichiers de données externes recueillis à l'étape précédente.
Construisez le Journal d'événements : Créez un journal d'événements unifié en scriptant la transformation des données brutes dans le format d'activité requis. Pour chacune des 13 activités requises, créez un ensemble de lignes correspondant. Par exemple :
- Les événements 'Affaire Créée' (Deal Created) sont générés à partir de la colonne add_time dans le fichier Deals.csv.
- Les événements 'Affaire Gagnée' (Deal Won) sont générés à partir de la colonne won_time dans le fichier Deals.csv.
- 'Premier Contact Établi' (Initial Contact Made) est l'activité la plus ancienne terminée pour chaque affaire à partir du fichier Activités (Activities).csv.
- D'autres activités comme 'Proposition Envoyée' ou 'Négociation Initiée' sont inférées à partir de sujets ou types d'activités spécifiques dans Activités (Activities).csv.
Mappez les Attributs : Pour chaque ligne d'événement, assurez-vous que toutes les colonnes requises sont renseignées : SalesOpportunityId, (ActivityName), et (EventTime). Ajoutez les attributs recommandés comme DealValue, DealOwner, et DealStatus en effectuant une jointure avec les données des affaires.
Exportation finale : Une fois que le journal d'événements est entièrement construit et validé, enregistrez la table finale sous forme de fichier CSV unique avec encodage UTF-8. Ce fichier est maintenant prêt à être téléchargé vers ProcessMind pour analyse.

Configuration

Objets à exporter : Vous devez exporter au moins les 'Affaires' (Deals) et les 'Activités'. Vous pourriez également avoir besoin d'exporter les 'Organisations' ou les 'Personnes' si vous avez besoin de données dimensionnelles supplémentaires.
Format de fichier : Choisissez CSV pour une compatibilité maximale avec les outils de traitement des données comme Python ou Power Query.
Filtre de plage de dates : Utilisez l'option 'Filtrer par' pour sélectionner une période spécifique, par exemple, 'Date d'ajout de l'affaire' (Deal add time) au cours des '180 derniers jours'. Ceci est impératif pour gérer les performances d'exportation et la taille du fichier.
Permissions utilisateur : Vous devez être un utilisateur Administrateur ou disposer d'un ensemble de permissions qui autorisent explicitement l'exportation de données depuis le compte Pipedrive.
Types d'activités personnalisés : L'extraction réussie des étapes de processus comme 'Affaire Qualifiée' ou 'Proposition Envoyée' dépend fortement de l'utilisation par votre organisation de types d'activités personnalisés dans Pipedrive. Assurez-vous que ceux-ci sont configurés et utilisés de manière cohérente par votre équipe de vente.

a Exemple de requête config

import pandas as pd

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

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

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

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


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

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

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

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

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

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

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

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

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

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

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

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

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


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

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

event_log = pd.concat(event_log_frames)

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

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

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

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

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

print('Event log created successfully.')

Étapes

Configurez l'environnement Python : Assurez-vous d'avoir Python 3.6 ou une version ultérieure installée sur votre système. Ouvrez un terminal ou une invite de commande et installez les bibliothèques Python nécessaires en exécutant la commande suivante : pip install requests pandas.
Obtenez les identifiants API Pipedrive : Connectez-vous à votre compte Pipedrive. Naviguez vers les Paramètres en cliquant sur votre photo de profil, puis sélectionnez 'Préférences personnelles' et accédez à l'onglet 'API'. Copiez votre API_TOKEN personnel. Vous aurez également besoin du COMPANY_DOMAIN de votre entreprise, qui est le préfixe dans votre URL Pipedrive, par exemple, votre-entreprise dans votre-entreprise.pipedrive.com.
Configurez le script d'extraction : Ouvrez le script Python fourni dans un éditeur de texte ou un IDE. Localisez la section de configuration en haut et remplacez les valeurs de placeholder pour API_TOKEN et COMPANY_DOMAIN par vos identifiants.
Définissez la période d'extraction : Dans la section de configuration du script, définissez la variable START_DATE à la date de création la plus ancienne pour les affaires que vous souhaitez inclure dans l'analyse. Le format doit être 'AAAA-MM-JJ'.
Mappez vos ID de pipeline et d'étapes : Le script infère plusieurs activités basées sur le déplacement des affaires entre les étapes. Vous devez fournir les ID spécifiques de votre pipeline de vente et des étapes clés. Vous pouvez trouver ces ID en naviguant vers l'étape dans l'interface utilisateur de Pipedrive et en regardant l'URL, ou en utilisant l'API. Mettez à jour les variables PIPELINE_ID, QUALIFIED_STAGE_ID, PROPOSAL_STAGE_ID, et NEGOTIATION_STAGE_ID dans le script.
Exécutez le script : Exécutez le script depuis votre terminal en utilisant la commande : python your_script_name.py. Le script commencera à faire des appels à l'API Pipedrive pour récupérer les affaires, les activités et les journaux de modifications.
Surveillez le Processus : Le script affichera des mises à jour de progression dans la console, indiquant quelles données sont récupérées. Le processus peut prendre plusieurs minutes, selon le volume de données et les limites de débit de l'API.
Implémentez l'extraction de données externes : Pour des activités comme 'Commande Client Créée' et 'paiement reçu', le script contient des fonctions de placeholder. Vous devez modifier ces fonctions pour vous connecter à vos systèmes externes, tels qu'un ERP ou une plateforme comptable, et récupérer les données d'événement pertinentes. Mappez le SalesOpportunityId de Pipedrive aux enregistrements de ces autres systèmes.
Examinez le résultat : Une fois le script terminé, il générera un fichier CSV nommé pipedrive_event_log.csv. Ce fichier contient le journal d'événements structuré avec toutes les activités extraites.
Préparez pour le téléchargement : Ouvrez le fichier CSV pour vous assurer qu'il a été créé correctement. Les colonnes devraient inclure SalesOpportunityId, (ActivityName), (EventTime), et d'autres attributs recommandés. Ce fichier est maintenant prêt à être téléchargé vers ProcessMind pour analyse.

Configuration

Identifiants API : Le script nécessite un API_TOKEN valide et votre COMPANY_DOMAIN pour s'authentifier auprès de l'API Pipedrive. Assurez-vous que l'utilisateur associé au token dispose des autorisations suffisantes pour lire les affaires, les activités et les utilisateurs.
Plage de dates : La variable START_DATE filtre les affaires créées à partir de la date spécifiée. Pour une analyse initiale, une période de 3 à 6 mois est recommandée afin d'assurer un volume de données gérable.
ID de Pipeline et d'Étapes : Pour déduire avec précision des étapes de processus comme 'Affaire Qualifiée' ou 'Proposition Envoyée', vous devez configurer le script avec les ID numériques corrects de votre PIPELINE_ID de vente principal et les valeurs STAGE_ID spécifiques pour chaque jalon clé. Des ID non concordants entraîneront l'absence d'activités.
Performance et limitation de débit : Le script inclut un court délai entre les appels API pour respecter les limites de débit de Pipedrive. Pour les organisations avec un volume très élevé d'affaires, ce délai peut nécessiter un ajustement, ou une stratégie de repli plus sophistiquée pour éviter les erreurs API.
Mappage des champs personnalisés : Si vous utilisez des champs personnalisés pour des attributs importants comme DiscountPourcentage, vous devrez trouver la clé API de ce champ personnalisé (une longue chaîne de hachage, et non son nom d'affichage) et la référencer dans la logique de transformation des données.
Intégration de systèmes externes : L'extraction des événements provenant de l'extérieur de Pipedrive, tels que la facturation ou l'exécution, est gérée par des fonctions de placeholder. Vous devez personnaliser ces sections pour vous connecter à vos sources de données externes spécifiques.

a Exemple de requête python

import requests
import pandas as pd
import time
import datetime

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

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

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

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

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

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

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

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

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

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

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

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

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

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


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

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

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

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

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

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

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

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

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

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

        lost_then_reopened = False
        was_lost = False

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

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

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

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

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

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

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

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

Étapes

Connectez-vous à Pipedrive : Accédez à votre compte Pipedrive avec un profil utilisateur ayant les permissions d'exporter les données. Il s'agit généralement d'un utilisateur Administrateur.
Naviguez vers l'Exportation de données : Cliquez sur votre photo de profil dans le coin supérieur droit, puis sélectionnez 'Paramètres' (Settings). Dans le menu de navigation de gauche, trouvez la section 'Outils et applications' et cliquez sur 'Exporter les données'.
Exportez les données des Affaires (Deals) : Dans la vue 'Exporter les données', sélectionnez 'Affaires' (Deals). Choisissez le format de fichier 'CSV'. Il est recommandé d'appliquer un filtre pour une plage de dates spécifique, par exemple, les 6 derniers mois, afin de maintenir la taille du fichier gérable. Cliquez sur 'Exporter' et attendez que le fichier soit généré et téléchargé. Ce fichier contiendra des informations clés sur les affaires, y compris la date de création (creation time), la date de gain (won time) et la date de perte (lost time).
Exportez les données des Activités : Répétez le processus pour les 'Activités'. Sélectionnez 'Activités', choisissez 'CSV', appliquez le même filtre de plage de dates que pour les affaires, et exportez le fichier. Ce fichier contient les enregistrements des appels, e-mails, réunions et activités personnalisées liés aux affaires.
Collectez les données externes : Obtenez les données correspondantes de vos systèmes en aval. Vous aurez besoin d'exportations de vos systèmes ERP, de comptabilité ou d'exécution pour des événements comme 'Commande Client Créée', 'Commande Exécutée', 'Facture Envoyée' et 'paiement reçu'. Assurez-vous que ces fichiers contiennent un identifiant commun pouvant être relié à l'ID d'Affaire (Deal ID) Pipedrive.
Mettez en place un environnement de traitement des données : Utilisez un outil capable de gérer et de fusionner plusieurs fichiers CSV, tel que Python avec la bibliothèque pandas, Microsoft Excel avec Power Query, ou un autre outil de prélèvement.paration des données.
Chargez et combinez les données : Chargez les fichiers Deals.csv et Activités (Activities).csv. Chargez également les fichiers de données externes recueillis à l'étape précédente.
Construisez le Journal d'événements : Créez un journal d'événements unifié en scriptant la transformation des données brutes dans le format d'activité requis. Pour chacune des 13 activités requises, créez un ensemble de lignes correspondant. Par exemple :
- Les événements 'Affaire Créée' (Deal Created) sont générés à partir de la colonne add_time dans le fichier Deals.csv.
- Les événements 'Affaire Gagnée' (Deal Won) sont générés à partir de la colonne won_time dans le fichier Deals.csv.
- 'Premier Contact Établi' (Initial Contact Made) est l'activité la plus ancienne terminée pour chaque affaire à partir du fichier Activités (Activities).csv.
- D'autres activités comme 'Proposition Envoyée' ou 'Négociation Initiée' sont inférées à partir de sujets ou types d'activités spécifiques dans Activités (Activities).csv.
Mappez les Attributs : Pour chaque ligne d'événement, assurez-vous que toutes les colonnes requises sont renseignées : SalesOpportunityId, (ActivityName), et (EventTime). Ajoutez les attributs recommandés comme DealValue, DealOwner, et DealStatus en effectuant une jointure avec les données des affaires.
Exportation finale : Une fois que le journal d'événements est entièrement construit et validé, enregistrez la table finale sous forme de fichier CSV unique avec encodage UTF-8. Ce fichier est maintenant prêt à être téléchargé vers ProcessMind pour analyse.

Configuration

Objets à exporter : Vous devez exporter au moins les 'Affaires' (Deals) et les 'Activités'. Vous pourriez également avoir besoin d'exporter les 'Organisations' ou les 'Personnes' si vous avez besoin de données dimensionnelles supplémentaires.
Format de fichier : Choisissez CSV pour une compatibilité maximale avec les outils de traitement des données comme Python ou Power Query.
Filtre de plage de dates : Utilisez l'option 'Filtrer par' pour sélectionner une période spécifique, par exemple, 'Date d'ajout de l'affaire' (Deal add time) au cours des '180 derniers jours'. Ceci est impératif pour gérer les performances d'exportation et la taille du fichier.
Permissions utilisateur : Vous devez être un utilisateur Administrateur ou disposer d'un ensemble de permissions qui autorisent explicitement l'exportation de données depuis le compte Pipedrive.
Types d'activités personnalisés : L'extraction réussie des étapes de processus comme 'Affaire Qualifiée' ou 'Proposition Envoyée' dépend fortement de l'utilisation par votre organisation de types d'activités personnalisés dans Pipedrive. Assurez-vous que ceux-ci sont configurés et utilisés de manière cohérente par votre équipe de vente.

a Exemple de requête config

import pandas as pd

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

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

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

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


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

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

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

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

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

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

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

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

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

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

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

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

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


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

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

event_log = pd.concat(event_log_frames)

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

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

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

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

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

print('Event log created successfully.')

Votre modèle de données de la prospection à l'encaissement

Votre modèle de données de la prospection à l'encaissement

Attributs Du prospect à l'encaissement (Du prospect à l'encaissement)

Activités Du prospect à l'encaissement (Du prospect à l'encaissement)

Guides d'extraction

Exportation native des données Pipedrive vers CSV/Excel

Étapes

Configuration

a Exemple de requête config

Extraction par script Python via l'API REST Pipedrive

Étapes

Configuration

a Exemple de requête python

Outil ETL tiers avec connecteur Pipedrive

Étapes

Configuration

a Exemple de requête config

Prêt(e) à démarrer ?

Augmentez vos taux de réussite : Optimisez le Du prospect à l'encaissement (Du prospect à l'encaissement) de Pipedrive dès aujourd'hui

Votre modèle de données de la prospection à l'encaissement

Votre modèle de données de la prospection à l'encaissement

Attributs Du prospect à l'encaissement (Du prospect à l'encaissement)

Activités Du prospect à l'encaissement (Du prospect à l'encaissement)

Guides d'extraction

Exportation native des données Pipedrive vers CSV/Excel

Étapes

Configuration

a Exemple de requête config

Extraction par script Python via l'API REST Pipedrive

Étapes

Configuration

a Exemple de requête python

Outil ETL tiers avec connecteur Pipedrive

Étapes

Configuration

a Exemple de requête config

Nous respectons votre vie privée

Prêt(e) à démarrer ?

Augmentez vos taux de réussite : Optimisez le Du prospect à l'encaissement (Du prospect à l'encaissement) de Pipedrive dès aujourd'hui