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

Votre modèle de données de la prospection à l'encaissement

SAP Sales Cloud

← Retour au Guide d'amélioration

Attributs Du prospect à l'encaissement (Du prospect à l'encaissement) (17) Activités Du prospect à l'encaissement (Du prospect à l'encaissement) (15) Guides d'extraction (2)

Votre modèle de données de la prospection à l'encaissement

Ce modèle fournit un guide structuré pour la collecte des données nécessaires à l'analyse de vos processus Du prospect à l'encaissement (Du prospect à l'encaissement). Il décrit les attributs et activités essentiels requis pour générer un journal d'événements complet. Vous y trouverez également des conseils pratiques pour extraire ces données de votre système SAP Sales Cloud, assurant un démarrage fluide de votre projet de process mining.

Attributs recommandés à collecter
Activités clés à suivre
Guide d'extraction pour SAP Sales Cloud

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)

Ce sont les champs de données recommandés à inclure dans votre journal d'événements pour une analyse complète de votre processus Du prospect à l'encaissement (Du prospect à l'encaissement) dans SAP Sales Cloud.

3 Obligatoire 6 Recommandé 8 Facultatif

	Nom	Descriptionn
	Heure de l'événement EventTime	L'horodatage indiquant quand une activité ou un événement spécifique s'est produit.
Descriptionn L'heure de l'événement enregistre la date et l'heure précises auxquelles une activité a été achevée. Ces données temporelles sont essentielles pour comprendre le timing et la durée des étapes du processus. Elles fournissent l'ordre chronologique nécessaire pour construire le flux de processus. Dans l'analyse des processus, les horodatages sont utilisés pour calculer les temps de cycle entre les activités, mesurer la durée globale du processus de vente et identifier les retards ou les points de blocage. L'analyse des horodatages au fil du temps peut également révéler des tendances dans la performance des processus. Pourquoi est-ce important ? : L'horodatage est indispensable pour ordonner les événements chronologiquement et pour toute analyse temporelle, y compris le temps de cycle et l'identification des points de blocage. Source des données : Généralement disponible dans les champs « Date de création » ou « Date de dernière modificationication » associés aux objets métier comme les Prospects, Opportunités, Devis et Commandes Clients dans SAP Sales Cloud. Exemples 2023-04-15T10:30:00Z2023-05-02T14:00:00Z2023-06-20T09:15:00Z
	Nom de l'activité ActivityName	Le nom de l'activité commerciale ou de l'événement qui s'est produit à un moment précis du processus.
Descriptionn Le nom d'activité décrit une étape ou un événement spécifique au sein du processus Du prospect à l'encaissement (Du prospect à l'encaissement), tel que « Prospect Qualifié », « Devis Créé » ou « paiement reçu ». Ces événements forment la séquence d'actions qui constitue le flux de processus pour chaque opportunité de vente. L'analyse de ces activités est le cœur du process mining. Elle facilite la visualisation de cartes de processus, l'identification des points de blocage entre les étapes et la mesure des fréquences pour différents chemins de processus, révélant comment le processus de vente est réellement exécuté. Pourquoi est-ce important ? : Cet attribut définit les étapes de la carte de processus, ce qui est indispensable pour visualiser et analyser le flux de processus. Source des données : Dérivé des changements de statut d'objets commerciaux, des événements de création de documents ou d'actions utilisateur spécifiques enregistrées dans les journaux de transactions dans SAP Sales Cloud. Exemples Lead capturéOpportunité crééeDevis envoyé au clientpaiement reçu
	Opportunité de Vente SalesOpportunityId	L'identifiant unique pour une opportunité de vente, servant d'identifiant de dossier principal pour le processus Du prospect à l'encaissement (Du prospect à l'encaissement).
Descriptionn L'ID d'opportunité de vente identifie de manière unique chaque vente potentielle, depuis sa création en tant que prospect jusqu'à sa résolution finale en tant qu'affaire gagnée ou perdue. Il agit comme le élément central reliant toutes les activités connexes, telles que la qualification des prospects, la création de devis, le traitement des commandes et le paiement. Dans l'analyse par process mining, cet ID est impératif pour reconstituer le parcours complet de chaque opportunité. Il permet la corrélation de tous les événements, permettant l'analyse des variantes de processus, des temps de cycle et des taux de conversion par opportunité. Pourquoi est-ce important ? : Il s'agit de l'ID de cas (Case ID) clé qui lie toutes les activités du processus, permettant de retracer le cycle de vie complet de chaque opportunité de vente. Source des données : C'est la clé primaire pour l'objet métier Opportunité dans SAP Sales Cloud. Exemples OP-80001, 2, 3, 456OP-80001, 2, 3, 457OP-80001, 2, 3, 458
	Catégorie de produit ProductCategory	La catégorie du produit ou service vendu dans l'opportunité.
Descriptionn La catégorie de produit regroupe les articles ou services spécifiques d'une opportunité en classifications plus larges, telles que 'Matériel', 'Logiciel' ou 'Services de conseil'. Ceci simplifie l'analyse lorsque de nombreux produits individuels sont impliqués. L'analyse par catégorie de produit est indispensablele pour comprendre comment le processus de vente diffère pour divers types d'offres. Elle est utilisée dans des dashboards comme 'Répartition des remises' et 'Efficacité de l'exécution des commandes' pour voir si certaines catégories impliquent des remises plus élevées ou des délais d'exécution plus longs. Pourquoi est-ce important ? : Permet l'analyse des variations de processus en fonction du type de produit ou de service vendu, qui peuvent avoir des cycles de vente très différents. Source des données : Dérivé des données de base des produits liées aux postes d'un Devis client ou d'une Commande client dans SAP Sales Cloud. Exemples Licence logicielleHardwareServices professionnelsAbonnement de Support
	Montant de la commande client SalesOrderAmount	La valeur monétaire totale de la commande client associée à l'opportunité.
Descriptionn Cet attribut représente la valeur totale des biens ou services vendus une fois qu'une opportunité est gagnée et qu'une commande client est créée. Il reflète les revenus générés par l'achèvement réussi du processus de vente. Le montant de la commande client est une dimension financière essentielle pour l'analyse. Il peut être utilisé pour segmenter les opportunités par taille (par exemple, petites, moyennes, grandes affaires) afin de voir si le comportement du processus diffère. Il fournit également le contexte de valeur pour les indicateurs clés de performance comme le taux de réussite, montrant la valeur totale des opportunités gagnées par rapport aux opportunités perdues. Pourquoi est-ce important ? : Apporte une dimension financière au processus, permettant une analyse basée sur la valeur des cycles de vente et des résultats. Source des données : Cette valeur proviendrait du champ « Total Net Value » de l'objet métier Commande Client associé dans SAP Sales Cloud. Exemples 50000.00125000.507800.00
	Pourcentage de remise DiscountPercentage	Le pourcentage de remise appliqué au devis ou à la commande.
Descriptionn Cet attribut capture le taux de remise global appliqué à une opportunité, généralement au stade du devis ou de la commande. Il est exprimé en pourcentage du prix catalogue. C'est un indicateur clé pour l'analyse de la performance financière et de la discipline commerciale. Le tableau de bord « Discount Distribution » utilise cet attribut pour surveiller le comportement de remise des commerciaux et des produits. Il est également utilisé pour l'indicateur clé de performance « Discount Approval Compliance » afin de s'assurer que les remises importantes suivent les flux d'approbation appropriés. Pourquoi est-ce important ? : Primordial pour analyser la stratégie de tarification, le comportement de remise de l'équipe de vente et son impact sur la rentabilité. Source des données : Calculé à partir des éléments de prix dans les objets commerciaux Devis client ou Commande client associés dans SAP Sales Cloud. Exemples 0.050.100.25
	Représentant commercial SalesRepresentative	L'employé responsable de la gestion de l'opportunité de vente.
Descriptionn Cet attribut identifie l'utilisateur ou l'employé qui est le propriétaire du prospect ou de l'opportunité. C'est souvent le principal point de contact pour le client et il est responsable de faire avancer l'affaire dans le pipeline de vente. Dans l'analyse, le Commercial est une dimension clé pour la comparaison des performances. Il permet l'évaluation des temps de cycle de vente, des taux de réussite et du respect des processus par individu, équipe ou région, aidant à identifier les meilleurs performants et les domaines nécessitant un accompagnement. Pourquoi est-ce important ? : Permet l'analyse de la performance par employé, aidant à identifier les opportunités de coaching et les meilleures pratiques au sein du personnel de vente. Source des données : Lié au rôle de partenaire 'Propriétaire' ou 'Employé Responsable' sur l'objet commercial Opportunité ou Lead dans SAP Sales Cloud. Exemples John SmithMaria GarciaChen Wei
	Source du lead LeadSource	Le canal marketing ou l'origine du prospect initial.
Descriptionn La source du lead spécifie comment un client potentiel a été identifié pour la première fois, par exemple, via un formulaire web, un salon professionnel ou une recommandation de partenaire. Cette information est généralement capturée lors de la création du lead. Cet attribut est indispensable pour le tableau de bord 'Taux de conversion des leads par source'. L'analyse de cette dimension aide les équipes marketing et de vente à comprendre quels canaux génèrent les leads les plus précieux, permettant une meilleure allocation des ressources et l'optimisation des campagnes marketing. Pourquoi est-ce important ? : Primordial pour mesurer l'efficacité des différents canaux de marketing et optimiser les stratégies de génération de leads. Source des données : Se trouve sur les objets commerciaux Lead et Opportunité dans SAP Sales Cloud. Le champ est souvent nommé 'Source' ou 'Origine'. Exemples WebinarRecommandation de partenaireSalon professionnelDemande via le site web
	Statut de l'Opportunité OpportunityStatus	L'état actuel ou le résultat de l'opportunité de vente, tel que « Ouverte », « Gagnée » ou « Perdue ».
Descriptionn Cet attribut reflète le statut global de l'opportunité de vente à un moment donné. Il indique si l'opportunité est toujours en cours, a été gagnée avec succès ou a été perdue face à un concurrent ou pour d'autres raisons. L'analyse du statut final est clée pour calculer des indicateurs clés de performance comme le Taux de réussite des opportunités. Elle permet également de filtrer l'analyse pour se concentrer uniquement sur les chemins réussis ou pour enquêter sur les modèles de processus qui mènent le plus fréquemment à des affaires perdues. Pourquoi est-ce important ? : Définit le résultat du cas, ce qui est impératif pour calculer les taux de réussite/échec et analyser les chemins de processus des opportunités réussies versus échouées. Source des données : Le champ « Statut » de l'objet métier Opportunité dans SAP Sales Cloud. Exemples OuvertEn coursGagnéePerdueArrêté
	Conditions de paiement PaymentTerms	Les conditions de paiement convenues, telles que 'Net 30' ou 'Net 60'.
Descriptionn Les conditions de paiement définissent les modalités selon lesquelles un client est censé payer les biens ou services. Ceci est établi pendant la phase de commande ou de contractualisation et dicte la date d'échéance de la facture. Cet attribut est une dimension clé pour le tableau de bord 'Temps de cycle de recouvrement des paiements'. En segmentant par conditions de paiement, une entreprise peut évaluer si les clients respectent les échéanciers convenus et identifier quelles conditions sont associées à des cycles de paiement plus longs ou plus courts. Pourquoi est-ce important ? : Fournit un contexte pour l'analyse du recouvrement des paiements, aidant à déterminer si les retards sont liés au comportement du client ou à des conditions de paiement indulgentes. Source des données : Se trouve dans les données de base de la commande client ou du client dans SAP Sales Cloud. Exemples Net 30Net 60Dû à la réception
	Dernière mise à jour des données LastDataUpdate	Heure de la dernière extraction ou actualisation des `données` depuis le système source.
Descriptionn Cet attribut indique la dernière fois que les données du journal d'événements ont été mises à jour. Il fournit un contexte sur la la réactualisation des données analysées, ce qui est important pour comprendre la pertinence des conclusions. Pour toute analyse de processus, connaître la récence des données est impératif. Cela aide les parties prenantes à comprendre si les informations reflètent les opérations actuelles ou une période passée, ce qui influence la prise de décision basée sur l'analyse. Pourquoi est-ce important ? : Fournit un contexte essentiel sur la la réactualisation des données, garantissant que l'analyse et les décisions sont basées sur des informations à jour. Source des données : C'est un horodatage de métadonnées ajouté lors du processus d'extraction, de transformation et de chargement (ETL) des données. Exemples 2024-07-20T02:00:00Z2024-07-21T02:00:00Z
	Est Retravaillé IsReworked	Un indicateur signalant si une activité ou un cas a fait l'objet d'un reprises.
Descriptionn Cet indicateur booléen est défini sur vrai si une boucle de reprises est détectée dans le processus, comme une commande client modifiée après sa création initiale ou un devis révisé plusieurs fois. Il est dérivé par l'analyse de la séquence d'activités. Cet attribut calculé est indispensable pour quantifier les inefficacités des processus. Il supporte directement le tableau de bord « Sales Order Rework Frequency » et le KPI « Sales Order Rework Rate » en facilitant le filtrage et le comptage des instances de reprises sans correspondance de modèles complexe dans l'outil d'analyse. Pourquoi est-ce important ? : Quantifie directement l'inefficacité du processus en signalant les cas avec des boucles de reprise, simplifiant ainsi l'analyse de la fréquence du reprises et de ses causes. Source des données : Cet attribut n'est pas présent dans le système source. Il est calculé lors de la transformation des données en détectant des séquences d'activités répétées (par exemple, « Commande client créée » suivie de « Commande client repriseslée »). Exemples truefaux
	Méthode d'expédition ShippingMethod	La méthode utilisée pour livrer le produit physique au client.
Descriptionn Cet attribut spécifie la méthode logistique ou de livraison pour une commande, telle que « Expédition terrestre », « Fret aérien » ou « Livraison numérique ». Il est pertinent pour les processus impliquant des biens physiques. Pour le tableau de bord « Order Fulfillment Efficiency », cet attribut aide à analyser si différentes méthodes d'expédition sont corrélées à différents délais d'exécution. Cela peut révéler des inefficacités dans des canaux logistiques spécifiques ou aider à définir plus précisément les attentes des clients. Pourquoi est-ce important ? : Aide à diagnostiquer les points de blocage dans la partie exécution des commandes du processus en segmentant la performance de livraison par canal logistique. Source des données : Généralement trouvé au niveau de la ligne ou de l'en-tête de l'objet métier Commande Client dans SAP Sales Cloud. Exemples Transport terrestreAir expressTéléchargement numériqueFret
	Nom du client CustomerName	Le nom de l'entreprise ou de l'individu associé à l'opportunité de vente.
Descriptionn Cet attribut identifie le client potentiel pour l'affaire de vente. Il lie le processus de vente à un compte spécifique dans le système. L'analyse par client permet une vue orientée client du processus de vente. Elle peut aider à identifier les clients ayant les cycles de vente les plus longs ou nécessitant le plus de reprises, et est indispensablele pour des indicateurs clés de performance comme le « Payment Collection Cycle Time » segmenté par client. Pourquoi est-ce important ? : Permet une analyse orientée client.ur identifier des schémas dans les cycles de vente ou les comportements de paiement pour des comptes spécifiques. Source des données : Lié au rôle de partenaire 'Compte' ou 'Prospect' sur l'objet commercial Opportunité dans SAP Sales Cloud. Exemples Global Tech Inc.Innovate Solutions Ltd.Dynamic Corp
	Organisation commerciale SalesOrganization	L'unité organisationnelle responsable de la vente.
Descriptionn L'Organisation commerciale représente une unité, une division ou une équipe spécifique dans l'entreprise qui est responsable d'une transaction de vente. Il est indispensable de la structure d'entreprise dans SAP. Cet attribut permet de segmenter l'analyse par différentes parties de l'entreprise. Il peut être utilisé pour comparer les performances des processus, les taux de réussite et les temps de cycle entre différentes unités commerciales ou divisions des ventes, offrant une vue d'ensemble organisationnelle de l'efficacité. Pourquoi est-ce important ? : Permet l'analyse comparative des performances et l'analyse des processus entre différentes unités commerciales ou divisions d'entreprise. Source des données : C'est un champ d'affectation organisationnelle clé sur l'Opportunité ou la Commande Client dans SAP Sales Cloud. Exemples US01DE01Ventes d'entreprise Nord
	Région Region	La région géographique où se trouve le client ou l'équipe de vente.
Descriptionn La région représente la zone géographique attribuée à l'opportunité de vente, souvent basée sur la localisation du client ou la structure de l'organisation commerciale. Il peut s'agir d'un pays, d'un état ou d'un territoire de vente défini sur mesure. C'est un attribut clé pour la segmentation. Il est utilisé directement dans le tableau de bord « Performance du taux de réussite des opportunités » pour comparer les performances entre les différentes régions. Cela aide à identifier les différences régionales en matière d'efficacité des processus, de succès commercial et de stratégies de vente. Pourquoi est-ce important ? : Permet l'analyse géographique de la performance commerciale, mettant en évidence les variations régionales des taux de réussite, des temps de cycle et de l'exécution des processus. Source des données : Souvent dérivé de l'adresse du client ou de l'organisation commerciale assignée à l'opportunité dans SAP Sales Cloud. Exemples Amérique du NordEMEAAPACLATAM
	Système source SourceSystem	Identifie le système d'où proviennent les données.
Descriptionn Cet attribut spécifie l'application source où les données d'événement ont été générées. Pour ce processus, il s'agira généralement de « SAP Sales Cloud », mais il pourrait inclure d'autres systèmes intégrés comme une plateforme d'automatisation marketing pour la capture de prospects. Dans un environnement multi-système, cet attribut est indispensable à comprendre la traçabilité des données et résoudre les problèmes d'intégration de données. Il garantit que l'analyse est basée sur une compréhension claire de l'origine de chaque information. Pourquoi est-ce important ? : Aide à différencier les origines des données dans des environnements intégrés, garantissant que la lignée et le contexte des données sont clairs pendant l'analyse. Source des données : Ceci est typiquement une valeur statique ajoutée pendant le processus d'extraction des données pour étiqueter l'origine des enregistrements. Exemples SAP Sales CloudSAP C4CSSC_PROD_100

Obligatoire Recommandé Facultatif

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

Ce sont les étapes clés du processus et les jalons à capturer dans votre journal d'événements pour une découverte et une analyse précises de votre processus Du prospect à l'encaissement (Du prospect à l'encaissement).

7 Recommandé 8 Facultatif

	Activité	Descriptionn
	Commande client créée	Cette activité marque la création d'une commande client formelle, qui est le document interne officiel pour lancer l'exécution et la facturation. Elle est explicitement enregistrée lorsqu'un utilisateur crée un objet Commande client et le lie à l'opportunité parente.
Pourquoi est-ce important ? : C'est un point de transfert critique des ventes aux opérations. L'analyse du temps écoulé entre l'« Opportunité Gagnée » et la « Commande Client Créée » peut révéler des retards internes, tandis que le suivi du reprises après ce point met en évidence des problèmes de qualité des données. Source des données : Cet événement correspond à l'horodatage de création de l'objet métier Commande Client qui est associé à l'Opportunité. Capture Utiliser la date et l'heure de création de l'enregistrement de commande client associé. Type d'événement explicit
	Devis envoyé au client	Cette activité représente le moment où un devis formel est officiellement soumis au client pour examen. Cet événement est généralement inféré d'un changement de statut sur l'objet Devis de vente, par exemple, de « En Préparation » à « Envoyé » ou « Proposé ».
Pourquoi est-ce important ? : C'est un jalon clé qui lance le chronomètre pour le temps de négociation et de décision du client. L'analyse de la durée entre cet événement et l'acceptation du devis est indispensablele pour comprendre la vitesse des affaires et les points de blocage de négociation. Source des données : Déduit de l'historique des changements de statut de l'objet commercial Devis client. Recherchez l'horodatage lorsque le statut est mis à jour avec une valeur indiquant qu'il a été envoyé. Capture Identifiez l'horodatage du changement de statut à 'Envoyé' sur l'objet Devis client. Type d'événement inferred
	Opportunité clôturée gagnée	Cette activité est le statut final et concluant d'une opportunité réussie après l'achèvement de toutes les activités en aval comme la création et l'exécution de la commande. Elle est capturée lorsqu'un utilisateur modifie le statut de l'opportunité en un état final « Fermée » avec la raison « Gagnée ».
Pourquoi est-ce important ? : Cet événement sert de point final réussi pour l'analyse par process mining, permettant le calcul de la durée du cycle de vente complet pour toutes les affaires gagnées. Il offre une conclusion de processus claire et définitive. Source des données : Déduit de l'historique des changements de statut de l'objet Opportunité, spécifiquement lorsque le statut est mis à jour à 'Fermé' et que le motif est 'Gagnée'. Capture Identifiez l'horodatage du changement de statut à 'Fermé' avec un code de motif 'Gagnée'. Type d'événement inferred
	Opportunité clôturée perdue	Cette activité marque la fin définitive d'une opportunité infructueuse où l'affaire a été perdue face à un concurrent ou le client a décidé de ne pas acheter. Elle est capturée lorsqu'un utilisateur modifie le statut de l'opportunité en « Perdue » ou « Fermée Perdue ».
Pourquoi est-ce important ? : L'analyse du moment et des raisons pour lesquelles les opportunités sont perdues est indispensablele pour améliorer la stratégie de vente. Ce point de défaillance permet l'analyse des affaires perdues, comme l'étape moyenne où elles sont abandonnées ou les raisons courantes de perte. Source des données : Déduit de l'historique des changements de statut de l'objet commercial Opportunité. C'est l'horodatage lorsque le statut est mis à jour à 'Perdue' ou 'Clôturée Perdue'. Capture Identifiez l'horodatage du changement de statut à 'Perdue' sur l'objet Opportunité. Type d'événement inferred
	Opportunité créée	C'est le début officiel de l'opportunité de vente, marquant la conversion d'un prospect qualifié en une poursuite commerciale concrète. Cet événement est explicitement capturé par le système lors de la création de l'objet métier Opportunité, reportant souvent les données du prospect original.
Pourquoi est-ce important ? : En tant que point de départ principal pour l'analyse du cycle de vente, cette activité est clée. Elle permet la mesure de la durée du cycle de vente, des taux de réussite des opportunités et de la performance de l'équipe de vente dès le moment où une affaire devient concrète. Source des données : Cet événement correspond à l'horodatage de création de l'objet métier Opportunité dans SAP Sales Cloud. Capture Utiliser la date et l'heure de création de l'enregistrement d'opportunité. Type d'événement explicit
	Opportunité gagnée	Cette activité signifie que l'affaire a été clôturée avec succès et que l'organisation a obtenu le contrat. Elle est capturée par un utilisateur modifiant le statut de l'opportunité en « Gagnée », ce qui est une action standard et explicite dans le système.
Pourquoi est-ce important ? : C'est un jalon essentiel pour mesurer les taux de réussite et la performance des ventes. Il sert souvent de déclencheur pour les processus en aval comme la création et l'exécution de commande, en faisant un point de transition clé dans le cycle Du prospect à l'encaissement (Du prospect à l'encaissement). Source des données : Déduit de l'historique des changements de statut de l'objet commercial Opportunité. C'est l'horodatage lorsque le statut est mis à jour à 'Gagnée'. Capture Identifiez l'horodatage du changement de statut à 'Gagnée' sur l'objet Opportunité. Type d'événement inferred
	paiement reçu	Cette activité confirme que le paiement du client a été reçu et traité, achevant la transaction financière. Cette information provient presque toujours d'un système financier ou ERP externe qui met à jour le statut de la facture ou de la commande dans SAP Sales Cloud.
Pourquoi est-ce important ? : C'est la dernière étape de concrétisation de la valeur dans le processus Du prospect à l'encaissement (Du prospect à l'encaissement). Mesurer le « Payment Collection Cycle Time » de la facture au paiement est un KPI clé pour la gestion des flux de trésorerie et l'évaluation de la performance des comptes clients. Source des données : Déduit d'un changement de statut sur l'objet Facture ou Commande client vers un statut 'Payée' ou 'Clôturée'. Ces données proviennent d'un système financier externe. Capture Identifiez l'horodatage lorsque le statut d'une facture passe à 'Payée' ou 'Clôturée'. Type d'événement inferred
	Commande client repriseslée	Représente une modification ou une correction apportée à une commande client après sa soumission. Cet événement est inféré en détectant des boucles dans le statut de la commande client, comme un statut passant de « Soumise » à nouveau à « En cours » ou « En attente de révision ».
Pourquoi est-ce important ? : L'identification du reprises est indispensablele pour découvrir les inefficacités de processus, les erreurs de saisie de données et les lacunes de communication entre les ventes et les opérations. Une fréquence élevée de reprises indique des problèmes de qualité qui entraînent des retards et augmentent les coûts. Source des données : Déduit de l'historique des changements de statut de l'objet Commande client. Cela nécessite d'analyser la séquence des changements de statut pour identifier les mouvements en arrière ou les boucles. Capture Détecter les transitions de statut qui représentent une boucle, par exemple, de 'Soumis' à 'En cours'. Type d'événement inferred
	Commande exécutée	Cette activité signifie que les produits ont été expédiés ou que les services ont été livrés au client. Cet événement est souvent capturé via une intégration avec un système ERP ou logistique, qui met à jour le statut de la Commande Client dans SAP Sales Cloud.
Pourquoi est-ce important ? : Ceci marque l'achèvement de la partie livraison du processus. Mesurer le temps écoulé entre la « Commande Client Créée » et la « Commande Exécutée » est indispensable pour surveiller l'efficacité de l'exécution des commandes et son impact sur la satisfaction client. Source des données : Généralement inféré d'un changement de statut sur l'objet Commande Client, tel que « Exécutée » ou « Expédiée ». Ce statut est souvent mis à jour via une intégration de système externe. Capture Identifiez l'horodatage du changement de statut de la commande client à 'Exécutée' ou 'Livrée'. Type d'événement inferred
	Devis Accepté par le Client	Indique que le client a formellement ou informellement accepté les termes du devis. Cela est généralement capturé via une mise à jour manuelle du statut sur l'objet Devis client ou Opportunité par le représentant commercial.
Pourquoi est-ce important ? : C'est un signal d'achat fort et un jalon critique avant la finalisation du contrat ou la création de commande. Il aide à mesurer l'efficacité des propositions et la durée du cycle de décision du client. Source des données : Déduit d'un changement de statut sur l'objet Devis client à 'Accepté' ou d'un changement de statut similaire sur l'objet Opportunité lié. Capture Identifiez l'horodatage lorsque le statut du devis client passe à 'Accepté'. Type d'événement inferred
	Devis créé	Marque la création d'un document de devis de vente formel lié à l'opportunité. Il s'agit d'une étape interne avant l'envoi du devis au client et est capturée explicitement lorsqu'un utilisateur génère un nouvel enregistrement de devis.
Pourquoi est-ce important ? : Cette activité sépare le temps de prélèvement.paration interne du temps où le client dispose du devis. Elle aide à analyser l'efficacité du processus de génération de devis et le temps qu'il faut aux commerciaux pour préparer la tarification. Source des données : Cet événement est l'horodatage de création de l'objet métier Devis de vente qui est associé à l'Opportunité. Capture Utiliser la date et l'heure de création de l'enregistrement de devis de vente associé. Type d'événement explicit
	Facture générée	Représente la création de la facture client, initiant la dernière étape financière du processus. Cet événement peut être capturé à partir de la création d'un objet Facture dans SAP Sales Cloud ou, plus couramment, à partir d'un système de facturation intégré.
Pourquoi est-ce important ? : Cette activité est le déclencheur du cycle de recouvrement des paiements. Les retards dans la génération des factures impactent directement le flux de trésorerie, donc surveiller le temps entre l'exécution et la facturation est indispensable pour la santé financière. Source des données : Peut être l'horodatage de création d'un objet commercial Facture lié à la Commande client ou une mise à jour d'un ERP externe. La source dépend de l'architecture du système. Capture Utiliser la date de création de l'enregistrement de facture ou une entrée de journal d'activité provenant d'un ERP intégré. Type d'événement explicit
	Lead capturé	Cette activité marque la création initiale d'un enregistrement de prospect dans SAP Sales Cloud. Elle représente le premier point de contact ou d'intérêt d'un client potentiel et est généralement capturée automatiquement à partir d'un formulaire web, d'une importation de liste ou d'une saisie manuelle par l'utilisateur.
Pourquoi est-ce important ? : Le suivi de cet événement est impératif pour analyser l'efficacité des différentes sources de prospects et mesurer le volume global de génération de prospects. Il sert de point de départ pour calculer les taux de conversion des prospects et comprendre le haut de l'entonnoir de vente. Source des données : Cet événement est capturé à partir de l'horodatage de création de l'objet métier Prospect. La source du prospect est généralement disponible en tant qu'attribut sur le même objet. Capture Utiliser la date et l'heure de création de l'enregistrement de prospect. Type d'événement explicit
	Lead qualifié	Représente le point où un prospect a été validé et répond aux critères pour être considéré comme une opportunité commerciale viable. Ceci est généralement capturé lorsqu'un utilisateur modifie manuellement le statut du prospect en « Qualifié » ou un état similaire, signifiant qu'il est prêt à être converti.
Pourquoi est-ce important ? : Cette activité sépare les prospects bruts des prospects sérieux, permettant l'analyse de l'efficacité du processus de qualification. Elle aide à déterminer la qualité des prospects provenant de diverses sources et identifie les points de blocage entre la capture de prospects et la vente active. Source des données : Déduit de l'historique des changements de statut de l'objet commercial Lead. Recherchez un horodatage lorsque le champ de statut est mis à jour à 'Qualifié'. Capture Identifiez l'horodatage du changement de statut à 'Qualifié' sur l'objet Lead. Type d'événement inferred
	Solution Proposée	Cette activité signifie qu'une solution potentielle ou une configuration de produit a été présentée au client. Elle est généralement inférée d'un changement d'étape de vente ou de statut sur l'objet Opportunité, comme le passage à une étape de « Proposition » ou de « Conception de Solution ».
Pourquoi est-ce important ? : L'analyse du temps passé à cette étape et la transition vers la phase de devis aide à identifier les points de blocage dans le processus de solutionnement. Elle donne un aperçu du temps qu'il faut pour passer du contact initial à une proposition concrète. Source des données : Déduit du journal des modifications ou de l'historique des statuts de l'objet Opportunité, spécifiquement lorsque l'étape de vente est mise à jour avec une valeur comme 'Solution Proposée' ou 'Proposition de Valeur'. Capture Identifiez l'horodatage lorsque le champ d'étape de vente de l'opportunité change pour refléter une proposition. Type d'événement inferred

Recommandé Facultatif

Guides d'extraction

Comment obtenir vos données de SAP Sales Cloud

Étapes

Prérequis : Assurez-vous de disposer d'un utilisateur dans SAP Sales Cloud ayant accès au centre de travail Analytics, spécifiquement avec les droits de créer et de modifier des sources de données et des rapports.
Créer une source de données combinée : Naviguez vers la vue Design Data Sources au sein du centre de travail Business Analytics. Créez une nouvelle Source de données combinée. Joignez les sources de données standard suivantes à l'aide d'une jointure externe gauche pour vous assurer que toutes les opportunités sont capturées : Lead Information -> Opportunity Header and Item -> Sales Quote Header and Item -> Sales Order Header and Item. La condition de jointure doit généralement être basée sur l'ID d'opportunité ou les ID de document successeurs.
Construire un rapport personnalisé : Naviguez vers la vue Design Reports. Créez un nouveau rapport basé sur la source de données combinée créée à l'étape précédente. Ajoutez toutes les caractéristiques et indicateurs clés nécessaires à la vue du rapport, y compris les identifiants (ID du lead, ID de l'opportunité), tous les champs de statut pertinents et tous les champs d'horodatage (Date de création, Dates de changement de statut, etc.). Incluez également les attributs requis comme le Représentant commercial, la Source du lead et le Montant de la commande.
Exposer le rapport en tant que service OData : Dans la vue Design Reports, sélectionnez le rapport nouvellement créé. Dans la configuration ou les paramètres du rapport, trouvez l'option permettant d'exposer le rapport en tant que requête OData. Il s'agit souvent d'une case à cocher intitulée Enable for OData. Enregistrez les modifications. Le système génériqueera une URL OData unique pour ce rapport.
Identifier l'URL OData : Accédez à la vue OData Services dans le centre de travail Administrator. Trouvez votre rapport personnalisé dans la liste et copiez son URL de service. Vous en aurez besoin pour le script Python.
Configurer l'environnement Python : Assurez-vous que Python est installé, ainsi que les bibliothèques requests et pandas. Vous pouvez les installer à l'aide de pip : pip install requests pandas.
Configurer le script Python : Copiez le script Python fourni. Remplacez les valeurs d'espace réservé pour C4C_TENANT_URL, OData_SERVICE_PATH, USERNAME et PASSWORD par vos informations d'identification SAP Sales Cloud spécifiques et l'URL OData de l'étape précédente.
Exécuter le script d'extraction : Exécutez le script Python. Le script s'authentifiera auprès de l'API OData, récupérera les données par pages pour gérer de grands volumes et les chargera dans un DataFrame pandas.
Transformation des données : Le script transforme automatiquement les données au format large (une ligne par opportunité) en un journal d'événements au format long. Il itère sur chaque activité potentielle, vérifiant la présence d'un horodatage valide. Si un horodatage existe, il crée un enregistrement d'événement correspondant avec le (ActivityName) correct.
Exporter le journal d'événements : Une fois le script terminé, il enregistrera le journal d'événements final sous la forme d'un fichier lead_to_cash_event_log.csv dans le même répertoire. Ce fichier est formaté pour un téléchargement direct dans un outil de Process Mining.

Configuration

Configuration de la source de données : Le cœur de cette méthode est une Source de données combinée dans SAP Sales Cloud Analytics. Il est indispensable d'utiliser des Jointures externes gauches à partir de l'objet Opportunité pour vous assurer de capturer les opportunités qui ne débouchent pas sur des devis ou des commandes.
Caractéristiques du rapport : Le rapport personnalisé doit inclure tous les champs de date et d'heure correspondant aux activités souhaitées. Cela inclut les horodatages de création pour les leads, opportunités, devis et commandes, ainsi que les horodatages de changement de statut.
Filtrage de l'API OData : Pour gérer les performances et le volume de données, utilisez le paramètre $filter dans l'URL OData au sein du script Python. Il est fortement recommandé de filtrer sur une plage de dates, par exemple, OpportunityCreationDate. Une plage de dates typique pour l'analyse initiale est de 6 à 12 mois.
Pagination : Le script fourni gère la pagination OData à l'aide des paramètres $top et $skip. C'est indispensable pour extraire de grands ensembles de données sans que la connexion API n'expire.
Prérequis : Cette méthode nécessite un utilisateur analytique dédié avec les autorisations d'accéder à l'API OData et aux sources de données sous-jacentes pour les leads, opportunités, devis et commandes.

a Exemple de requête python

import requests
import pandas as pd
import numpy as np

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

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

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

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

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

source_df = get_odata_data(BASE_API_URL, USERNAME, PASSWORD)

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

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

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

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

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

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

Étapes

Prérequis : Assurez-vous de disposer d'un utilisateur dans SAP Sales Cloud ayant accès au centre de travail Analytics, spécifiquement avec les droits de créer et de modifier des sources de données et des rapports.
Créer une source de données combinée : Naviguez vers la vue Design Data Sources au sein du centre de travail Business Analytics. Créez une nouvelle Source de données combinée. Joignez les sources de données standard suivantes à l'aide d'une jointure externe gauche pour vous assurer que toutes les opportunités sont capturées : Lead Information -> Opportunity Header and Item -> Sales Quote Header and Item -> Sales Order Header and Item. La condition de jointure doit généralement être basée sur l'ID d'opportunité ou les ID de document successeurs.
Construire un rapport personnalisé : Naviguez vers la vue Design Reports. Créez un nouveau rapport basé sur la source de données combinée créée à l'étape précédente. Ajoutez toutes les caractéristiques et indicateurs clés nécessaires à la vue du rapport, y compris les identifiants (ID du lead, ID de l'opportunité), tous les champs de statut pertinents et tous les champs d'horodatage (Date de création, Dates de changement de statut, etc.). Incluez également les attributs requis comme le Représentant commercial, la Source du lead et le Montant de la commande.
Exposer le rapport en tant que service OData : Dans la vue Design Reports, sélectionnez le rapport nouvellement créé. Dans la configuration ou les paramètres du rapport, trouvez l'option permettant d'exposer le rapport en tant que requête OData. Il s'agit souvent d'une case à cocher intitulée Enable for OData. Enregistrez les modifications. Le système génériqueera une URL OData unique pour ce rapport.
Identifier l'URL OData : Accédez à la vue OData Services dans le centre de travail Administrator. Trouvez votre rapport personnalisé dans la liste et copiez son URL de service. Vous en aurez besoin pour le script Python.
Configurer l'environnement Python : Assurez-vous que Python est installé, ainsi que les bibliothèques requests et pandas. Vous pouvez les installer à l'aide de pip : pip install requests pandas.
Configurer le script Python : Copiez le script Python fourni. Remplacez les valeurs d'espace réservé pour C4C_TENANT_URL, OData_SERVICE_PATH, USERNAME et PASSWORD par vos informations d'identification SAP Sales Cloud spécifiques et l'URL OData de l'étape précédente.
Exécuter le script d'extraction : Exécutez le script Python. Le script s'authentifiera auprès de l'API OData, récupérera les données par pages pour gérer de grands volumes et les chargera dans un DataFrame pandas.
Transformation des données : Le script transforme automatiquement les données au format large (une ligne par opportunité) en un journal d'événements au format long. Il itère sur chaque activité potentielle, vérifiant la présence d'un horodatage valide. Si un horodatage existe, il crée un enregistrement d'événement correspondant avec le (ActivityName) correct.
Exporter le journal d'événements : Une fois le script terminé, il enregistrera le journal d'événements final sous la forme d'un fichier lead_to_cash_event_log.csv dans le même répertoire. Ce fichier est formaté pour un téléchargement direct dans un outil de Process Mining.

Configuration

Configuration de la source de données : Le cœur de cette méthode est une Source de données combinée dans SAP Sales Cloud Analytics. Il est indispensable d'utiliser des Jointures externes gauches à partir de l'objet Opportunité pour vous assurer de capturer les opportunités qui ne débouchent pas sur des devis ou des commandes.
Caractéristiques du rapport : Le rapport personnalisé doit inclure tous les champs de date et d'heure correspondant aux activités souhaitées. Cela inclut les horodatages de création pour les leads, opportunités, devis et commandes, ainsi que les horodatages de changement de statut.
Filtrage de l'API OData : Pour gérer les performances et le volume de données, utilisez le paramètre $filter dans l'URL OData au sein du script Python. Il est fortement recommandé de filtrer sur une plage de dates, par exemple, OpportunityCreationDate. Une plage de dates typique pour l'analyse initiale est de 6 à 12 mois.
Pagination : Le script fourni gère la pagination OData à l'aide des paramètres $top et $skip. C'est indispensable pour extraire de grands ensembles de données sans que la connexion API n'expire.
Prérequis : Cette méthode nécessite un utilisateur analytique dédié avec les autorisations d'accéder à l'API OData et aux sources de données sous-jacentes pour les leads, opportunités, devis et commandes.

a Exemple de requête python

import requests
import pandas as pd
import numpy as np

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

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

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

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

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

source_df = get_odata_data(BASE_API_URL, USERNAME, PASSWORD)

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

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

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

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

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

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

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

Extraction via l'API OData Analytics de SAP Sales Cloud

Étapes

Configuration

a Exemple de requête python

Requête d'objet métier OData standard de SAP Sales Cloud

Étapes

Configuration

a Exemple de requête python

Prêt(e) à démarrer ?

Optimisez votre processus du prospect à l'encaissement maintenant, augmentez les taux de réussite !

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

Extraction via l'API OData Analytics de SAP Sales Cloud

Étapes

Configuration

a Exemple de requête python

Requête d'objet métier OData standard de SAP Sales Cloud

Étapes

Configuration

a Exemple de requête python

Nous respectons votre vie privée

Prêt(e) à démarrer ?

Optimisez votre processus du prospect à l'encaissement maintenant, augmentez les taux de réussite !