> Amélioration continue des processus > Gestion de la qualité > Veeva Vault Quality > Modèle de données

Votre modèle de données pour la gestion de la qualité

Veeva Vault Quality

Attributs de gestion de la qualité(21) Activités de gestion de la qualité(13) Guides d’extraction(2)

Votre modèle de données pour la gestion de la qualité

Ce modèle vous guide dans la collecte des données essentielles à l’analyse de vos processus de gestion de la qualité. Il présente les attributs et les activités clés, ainsi que des conseils pratiques pour extraire ces informations de Veeva Vault Quality et démarrer votre projet de Process Mining.

Attributs recommandés à collecter
Activités clés à suivre
Conseils pour l’extraction

Vous découvrez les journaux d’événements ? Découvrez comment créer un journal d’événements pour le Process Mining.

Télécharger le modèle

Attributs de gestion de la qualité

Voici les champs de données recommandés à inclure dans votre journal d’événements pour analyser en détail votre processus de gestion de la qualité.

5 Obligatoire 7 Recommandé 9 Facultatif

	Nom	Description
	Événement qualité QualityEvent	Identifiant unique d’un événement qualité, par exemple une déviation, une non-conformité ou une CAPA.
Description L’événement qualité sert d’identifiant de cas principal et relie toutes les activités, investigations et résolutions associées à un problème qualité précis. Il constitue le fil conducteur du cycle de vie complet d’un incident, depuis son signalement initial jusqu’à sa clôture. En Process Mining, cet attribut est indispensable pour reconstituer le parcours de bout en bout de chaque événement qualité. Il permet d’analyser les variantes du processus, les temps de cycle et la conformité selon les différents types d’événements. Vous obtenez ainsi une vue d’ensemble de la gestion, de l’investigation et de la résolution de chaque incident qualité. Pourquoi est-ce important ? Il s’agit de l’ID de cas essentiel qui regroupe toutes les activités associées dans une seule instance de processus et rend possible l’analyse de bout en bout. Où trouver ces données Il s’agit de l’identifiant principal des enregistrements d’événements qualité dans Veeva Vault Quality, souvent appelé « Name » ou stocké dans un champ d’identifiant unique de l’objet événement qualité. Exemples QE-2023-00123CAPA-2023-00456DEV-2023-00789
	Dernière mise à jour des données LastDataUpdate	Horodatage de la dernière actualisation ou extraction des données depuis le système source.
Description Cet attribut indique si les données analysées sont à jour. Il précise la date et l’heure de leur dernière extraction depuis Veeva Vault Quality et de leur chargement dans l’outil de Process Mining. Ces informations permettent aux utilisateurs de connaître l’actualité de l’analyse et de vérifier si les Dashboards reflètent l’état le plus récent des opérations. Il s’agit d’un attribut important pour la gouvernance des données. Pourquoi est-ce important ? Il renseigne les utilisateurs sur l’actualité et la pertinence des données, afin qu’ils sachent à quelle période correspond l’analyse du processus. Où trouver ces données Cet horodatage est généré et ajouté lors du processus d’extraction, de transformation et de chargement des données (ETL). Exemples 2024-05-20T08:00:00Z2024-05-21T08:00:00Z
	Heure de l’événement EventTime	Horodatage indiquant le début ou la survenue d’une activité précise.
Description Cet attribut indique la date et l’heure exactes auxquelles une activité a été exécutée. Il fournit le contexte chronologique de tous les événements d’un cas. Cet horodatage est indispensable aux analyses Process Mining fondées sur le temps. Il sert à calculer les temps de cycle, les temps d’attente entre les activités et la durée de certaines étapes, autant d’éléments nécessaires pour repérer les retards et les goulots d’étranglement. Pourquoi est-ce important ? Cet horodatage est essentiel pour classer les événements dans l’ordre chronologique et calculer les indicateurs de performance, comme le temps de cycle et le temps d’attente. Où trouver ces données Il correspond à la date de création ou de fin des tâches, ou à l’horodatage des événements dans la piste d’audit d’un objet événement qualité. Exemples 2023-10-26T10:00:00Z2023-11-01T14:35:10Z2023-11-15T09:21:05Z
	Nom de l’activité ActivityName	Nom d’une tâche ou d’une étape précise du cycle de vie de l’événement qualité.
Description Cet attribut décrit une activité métier ou un événement distinct qui survient pendant la gestion d’un événement qualité. Il correspond aux étapes du processus, par exemple « Investigation lancée » ou « Plan d’actions correctives approuvé ». L’analyse de la séquence et de la fréquence de ces activités est au cœur du Process Mining. Elle permet de découvrir le déroulement réel du processus, de repérer les goulots d’étranglement entre les étapes et de détecter les écarts par rapport à la procédure opérationnelle standard. Pourquoi est-ce important ? Il définit les étapes du processus et permet de visualiser et d’analyser son déroulement. Où trouver ces données Il est généralement établi à partir des noms des tâches du flux de travail, des changements de statut ou des entrées de la piste d’audit dans Veeva Vault Quality. Exemples Triage initial terminéAnalyse des causes profondes réaliséeExamen final et clôture
	Système source SourceSystem	Système depuis lequel les données de gestion de la qualité ont été extraites.
Description Cet attribut indique l’origine des données, ici Veeva Vault Quality. Il contribue à la gouvernance des données et fournit un contexte, notamment lorsque des données provenant de plusieurs systèmes sont regroupées. Dans l’analyse, il sert au filtrage et au suivi de la provenance des données. Connaître le système source permet d’interpréter correctement les données et de résoudre les problèmes de qualité éventuels. Pourquoi est-ce important ? Il fournit un contexte essentiel sur l’origine des données, nécessaire à leur gouvernance, à leur traçabilité et à l’analyse de plusieurs systèmes. Où trouver ces données Cette valeur statique doit être ajoutée lors de la transformation des données afin d’identifier tous les enregistrements provenant de cette source. Exemples Veeva Vault Quality
	Date cible de résolution TargetResolutionDate	Date prévue ou requise pour la clôture définitive de l’événement qualité.
Description Cet attribut définit l’accord de niveau de service (SLA) ou l’échéance cible pour résoudre un événement qualité. La date est souvent calculée à partir de la date de création de l’événement, de sa gravité ou de son type. Elle sert de référence pour mesurer les performances réelles. Elle est essentielle au Dashboard « Respect des délais de résolution » et à l’indicateur clé de performance « Taux de résolution dans les délais ». Elle permet de vérifier si les événements sont résolus à temps et de déterminer les facteurs à l’origine des retards. Pourquoi est-ce important ? Définit le SLA de résolution des dossiers et permet de mesurer le respect des délais et d’analyser les retards. Où trouver ces données Il s’agit probablement d’un champ de date de l’objet Quality Event, saisi manuellement ou calculé automatiquement par le système. Exemples 2024-01-15T23:59:59Z2024-02-28T23:59:59Z2024-03-10T23:59:59Z
	Enquêteur affecté AssignedInvestigator	Utilisateur ou ressource chargé de mener une enquête ou d’effectuer une tâche précise.
Description Cet attribut désigne la personne, le rôle ou l’équipe chargé d’une activité au cours du cycle de vie de l’événement qualité. Il peut s’agir du responsable de l’événement qualité ou de la personne à qui une tâche précise du flux de travail a été attribuée. Son analyse permet de comprendre la répartition de la charge de travail et la performance des ressources, ainsi que de repérer les équipes ou les personnes surchargées. Cet attribut est indispensable au Dashboard « Répartition de la charge de travail des enquêteurs » et à l’optimisation de l’affectation des ressources. Pourquoi est-ce important ? Indique qui effectue le travail afin d’analyser la charge de travail, l’efficacité des ressources et les besoins de formation. Où trouver ces données Se trouve dans les champs du responsable ou de l’utilisateur affecté de l’objet Quality Event, ou dans les objets associés aux tâches du flux de travail dans Veeva Vault Quality. Exemples Alice JohnsonBob WilliamsÉquipe d’enquête qualité
	Heure de fin EndTime	Horodatage indiquant la fin d’une activité.
Description Cet attribut indique la date et l’heure auxquelles une activité ou une tâche donnée s’est terminée. Il se distingue de StartTime (EventTime) et permet de connaître la durée des différentes étapes du processus. En Process Mining, EndTime est utilisé avec StartTime pour calculer la durée de traitement des activités. Cette mesure permet notamment de repérer les tâches qui prennent le plus de temps et contribuent à allonger le temps de cycle ou à provoquer des retards. Pourquoi est-ce important ? Permet de calculer la durée de traitement des activités et de repérer les goulots d’étranglement au niveau des tâches. Où trouver ces données Cet horodatage figure généralement dans l’historique du flux de travail ou dans les données de piste d’audit d’un événement qualité. Il peut correspondre à un champ tel que « date de fin » ou « modifié le » pour une tâche ou un statut donné. Exemples 2023-10-26T11:30:00Z2023-11-01T18:00:10Z2023-11-15T09:45:00Z
	Niveau de gravité SeverityLevel	Niveau de gravité ou de risque évalué de l’événement qualité, par exemple élevé, moyen ou faible.
Description Cet attribut classe l’événement qualité selon son impact potentiel sur la qualité des produits, la sécurité des patients ou la conformité réglementaire. La gravité détermine souvent le degré d’urgence et la profondeur de l’enquête requise. L’analyse par niveau de gravité aide à hiérarchiser les efforts d’amélioration. Elle permet de vérifier si les événements les plus graves prennent plus de temps à résoudre, suivent des parcours différents ou entraînent davantage de reprises, afin que les problèmes les plus importants reçoivent l’attention nécessaire. Pourquoi est-ce important ? Classe les événements selon leur impact afin d’analyser les risques et de concentrer les efforts d’amélioration sur les domaines les plus exposés. Où trouver ces données Il s’agit d’un champ de classification standard de l’objet Quality Event, souvent une liste de sélection établie à partir d’une matrice de risques. Exemples ÉlevéMoyenFaible
	Service affecté AssignedDepartment	Service ou domaine fonctionnel responsable de l’événement qualité ou de l’activité.
Description Cet attribut désigne l’unité opérationnelle ou le service, par exemple l’assurance qualité, la production ou la R&D, chargé de traiter l’événement qualité ou une tâche particulière. Il est souvent déterminé à partir du profil de l’utilisateur affecté. Cette dimension est essentielle à l’analyse des performances à l’échelle de l’organisation. Elle permet de comparer l’efficacité des processus et la conformité entre les différentes entités, de repérer les problèmes systémiques propres à certains services et d’alimenter le Dashboard « Répartition de la charge de travail des enquêteurs ». Pourquoi est-ce important ? Permet de filtrer et de comparer les performances des processus entre les unités opérationnelles, afin de repérer les goulots d’étranglement ou les bonnes pratiques propres à chaque service. Où trouver ces données Ces informations sont généralement enregistrées dans les données du profil utilisateur associé à « Enquêteur affecté ». Elles peuvent aussi figurer directement dans l’objet Quality Event. Exemples Assurance qualitéOpérations de productionRecherche et développement
	Statut de l’événement qualité QualityEventStatus	État actuel de l’événement qualité dans son cycle de vie.
Description Cet attribut indique le statut actuel de l’événement qualité, par exemple « Ouvert », « En cours d’enquête », « En attente d’approbation » ou « Clos ». Il donne une vue de l’étape à laquelle se trouve chaque dossier dans son cycle de vie. Il est indispensable au Dashboard « Vue d’ensemble de l’avancement des événements qualité », qui permet de suivre les dossiers en cours. Les responsables peuvent ainsi suivre leur progression, repérer les événements qui n’avancent plus et gérer la charge de travail globale. Pourquoi est-ce important ? Donne une vue de l’état actuel d’un dossier, indispensable pour suivre le travail en cours et repérer les événements qui n’avancent plus. Où trouver ces données Il s’agit d’un champ standard de l’objet Quality Event dans Veeva Vault Quality, qui indique où en est l’événement dans son cycle de vie. Exemples En phase de triageEn cours d’enquêteCAPA proposéeClos
	Type d’événement qualité QualityEventType	Classification de l’événement qualité, par exemple CAPA, déviation ou réclamation.
Description Cet attribut classe l’événement qualité selon sa nature. Les différents types d’événements suivent souvent des parcours distincts, avec des exigences de conformité et des délais de résolution qui leur sont propres. L’analyse par type d’événement permet de comprendre les variations du processus. Elle sert, par exemple, à comparer le traitement des déviations et des CAPA, et à adapter les initiatives d’amélioration au contexte de chaque processus. Pourquoi est-ce important ? Distingue les différents types de processus qualité, qui peuvent avoir des flux de travail, des SLA et des règles de conformité spécifiques. Où trouver ces données Il s’agit d’un champ de classification standard de l’objet Quality Event dans Veeva Vault Quality, souvent présenté sous forme de liste de sélection. Exemples DéviationAction corrective et préventive (CAPA)Non-conformitéRéclamation
	Cause racine RootCause	Cause sous-jacente identifiée de l’événement qualité.
Description Cet attribut contient la conclusion définitive de l’enquête d’analyse des causes racines (RCA). Il classe la cause fondamentale du problème qualité, par exemple une défaillance d’équipement, une erreur humaine ou une procédure inadéquate. L’analyse des causes racines est essentielle pour résoudre efficacement les problèmes. Elle permet de repérer les problèmes systémiques récurrents auxquels il faut remédier par des actions correctives et préventives. Cet attribut alimente directement les Dashboards « Temps de cycle de l’analyse des causes racines » et « Efficacité des CAPA ». Pourquoi est-ce important ? Classe les causes fondamentales des problèmes qualité afin d’orienter l’analyse et de prévenir leur réapparition. Où trouver ces données Il s’agit généralement d’un champ texte ou d’une liste de sélection dans l’objet Quality Event ou dans un objet associé à l’analyse des causes racines. Exemples Dysfonctionnement de l’équipementErreur de procédureFormation insuffisanteDéfaut de matériau
	Durée d’approbation ApprovalTime	Temps nécessaire à la réalisation d’une activité d’approbation précise.
Description Cette métrique mesure la durée des étapes d’approbation, par exemple « Plan d’action corrective approuvé ». Elle correspond au temps écoulé entre la demande d’approbation et son acceptation ou son rejet. Elle est conçue pour alimenter le Dashboard « Goulots d’étranglement des flux d’approbation » et l’indicateur clé de performance « Temps de cycle des flux d’approbation ». En isolant le temps d’attente des approbations, elle aide à repérer et à réduire les retards dus à des décisions lentes ou à des processus d’approbation inefficaces. Pourquoi est-ce important ? Repère les retards dans les étapes de décision importantes afin d’optimiser les flux d’approbation et de réduire le temps de cycle global. Où trouver ces données Cette métrique est calculée à partir de l’écart entre le début et la fin des activités liées à l’approbation dans le journal d’événements. Exemples 3 jours et 4 heures1 jour et 0 heure7 jours et 8 heures
	Produit Product	Produit ou matériau associé à l’événement qualité.
Description Cet attribut associe l’événement qualité à un produit, un matériau ou un lot précis. Ce lien est essentiel à la traçabilité et à l’analyse d’impact dans les secteurs réglementés. L’analyse des événements qualité par produit permet de repérer ceux qui sont davantage sujets à des problèmes et d’orienter les améliorations du produit ou les ajustements du processus de production. Elle permet aussi de filtrer les Dashboards pour examiner les performances de gammes de produits précises. Pourquoi est-ce important ? Associe les événements qualité à des produits précis afin de repérer les problèmes et les tendances propres à chaque produit. Où trouver ces données Il s’agit généralement d’un champ de référence de l’objet Quality Event, qui renvoie à un objet Product ou Material dans Veeva Vault. Exemples Produit A-100Produit B-200Matière première C-300
	Récurrence IsRecurrence	Indique si cet événement qualité est la réapparition d’un problème déjà identifié.
Description Cet attribut booléen indique que l’événement qualité n’est pas un problème nouveau, mais la réapparition d’un problème antérieur. Il signale que les actions correctives précédentes n’ont pas été efficaces. Cet indicateur est essentiel au Dashboard « Efficacité des CAPA et taux de récurrence ». Le suivi des récurrences renseigne directement sur l’efficacité à long terme du système de gestion de la qualité et aide à repérer les problèmes systémiques qui ne sont pas traités de manière adéquate. Pourquoi est-ce important ? Signale les échecs des actions correctives et permet d’analyser les raisons de la réapparition des problèmes et les moyens d’y remédier durablement. Où trouver ces données Il peut s’agir d’une case à cocher dans l’objet Quality Event ou d’un champ calculé à partir de liens avec des événements antérieurs similaires. Exemples truefalse
	Reprises IsRework	Indicateur calculé qui repère les activités ou les dossiers comportant des reprises.
Description Cet attribut booléen indique qu’une activité ou une séquence d’activités correspond à des reprises, par exemple lorsqu’une enquête est répétée ou qu’une CAPA clôturée est rouverte. Il ne s’agit pas d’un champ standard : il est calculé à partir des parcours du processus. En Process Mining, cet indicateur sert à quantifier le travail et les coûts perdus dans le processus. Il est essentiel au Dashboard « Analyse des retouches » et à l’indicateur clé de performance « Taux de reprises des événements qualité ». Il aide à repérer les causes de l’inefficacité et des problèmes de qualité dès la première exécution. Pourquoi est-ce important ? Quantifie les inefficacités du processus en repérant les tâches répétées, afin d’identifier les causes des problèmes qualité et du travail perdu. Où trouver ces données Cet attribut n’est pas directement extrait des données sources. Il est calculé lors de leur transformation, en repérant les noms d’activités répétés ou les boucles du processus pour un dossier donné. Exemples truefalse
	Résolution dans les délais IsOnTimeResolution	Indicateur calculé qui précise si l’événement qualité a été clos au plus tard à la date cible.
Description Cet attribut booléen est calculé en comparant la date réelle de clôture de l’événement qualité à sa « Date cible de résolution ». Il indique simplement si le délai a été respecté ou non. Cet indicateur est à la base du Dashboard « Respect des délais de résolution » et de l’indicateur clé de performance « Taux de résolution dans les délais ». Il permet de regrouper et de filtrer facilement les résultats pour déterminer quels types d’événements, quels services ou quels sites ont du mal à respecter les échéances. Pourquoi est-ce important ? Indique clairement si les échéances sont respectées et simplifie l’analyse et le suivi des performances. Où trouver ces données Calculé en comparant l’horodatage de l’activité « Revue finale et clôture » à l’attribut « TargetResolutionDate ». Formule : Closure Time <= TargetResolutionDate. Exemples truefalse
	Résultat du contrôle d’efficacité EffectivenessCheckResult	Résultat de l’étape de vérification visant à confirmer l’efficacité d’une action corrective.
Description Cet attribut consigne le résultat du contrôle d’efficacité effectué après la mise en œuvre d’une action corrective. Le résultat est généralement « Efficace » ou « Inefficace ». Il mesure directement la réussite du processus CAPA et est essentiel au Dashboard « Efficacité des CAPA et taux de récurrence » ainsi qu’à l’indicateur clé de performance « Taux d’efficacité des CAPA ». Il permet de vérifier si les solutions mises en place empêchent réellement le problème de se reproduire. Pourquoi est-ce important ? Mesure directement la réussite des actions correctives et fournit des indications utiles pour améliorer la résolution des problèmes. Où trouver ces données Il s’agirait d’un champ, probablement une liste de sélection, dans un objet CAPA Action ou Effectiveness Check associé à l’événement qualité principal. Exemples EfficaceInefficaceEn attente de vérification
	Site Site	Site de production, usine ou lieu où l’événement qualité s’est produit ou a été détecté.
Description Cet attribut indique le lieu physique, par exemple une usine ou un laboratoire, associé à l’événement qualité. Il situe le problème dans un contexte géographique ou organisationnel. Cette dimension permet de comparer les performances des processus, les types de problèmes et les délais de résolution entre différents sites. Elle aide à repérer les problèmes propres à un site et à partager les bonnes pratiques des sites les plus performants. Pourquoi est-ce important ? Fournit une dimension géographique ou organisationnelle pour comparer les performances et repérer les problèmes propres à chaque site. Où trouver ces données Il s’agit souvent d’un champ standard de l’objet Quality Event, associé à une liste de sites ou de lieux de l’entreprise. Exemples Site A - New JerseySite B - IrlandeSite C - Suisse
	Temps de cycle CycleTime	Durée totale entre la création d’un événement qualité et sa clôture définitive.
Description Cette métrique mesure la durée totale nécessaire à la résolution d’un événement qualité. Elle correspond à l’écart entre la première activité, par exemple « Événement qualité créé », et la dernière, par exemple « Revue finale et clôture ». Le temps de cycle est un indicateur clé de l’efficacité globale du processus. Le Dashboard « Délai de résolution des événements qualité » permet de suivre son évolution, de repérer les facteurs qui allongent les délais et de définir des références pour améliorer le processus. Pourquoi est-ce important ? Mesure l’efficacité du processus de bout en bout et fournit un indicateur clé pour suivre les performances globales et les effets des initiatives d’amélioration. Où trouver ces données Cette métrique est calculée au niveau du dossier en soustrayant l’horodatage du premier événement de celui du dernier. Exemples 30 jours et 12 heures65 jours et 4 heures15 jours et 2 heures

Obligatoire Recommandé Facultatif

Activités de gestion de la qualité

Voici les étapes et les jalons essentiels à consigner dans votre journal d’événements pour découvrir et analyser avec précision le processus de gestion de la qualité.

7 Recommandé 6 Facultatif

	Activité	Description
	Action corrective mise en œuvre	Cette activité correspond à la fin de toutes les tâches prévues dans le plan d’actions correctives approuvé. Elle confirme que les mesures nécessaires ont été prises pour traiter la cause profonde. Elle est enregistrée lorsque le statut de l’enregistrement CAPA passe à « Implementation Complete ».
Pourquoi est-ce important ? Cette étape clé marque le passage de la planification à la mise en œuvre. Le temps écoulé entre cette étape et l’approbation de la CAPA indique l’efficacité de la phase de mise en œuvre. Où trouver ces données Déduite d’un changement d’état du cycle de vie de l’objet CAPA associé, par exemple lors du passage à « Implemented » ou « Pending Effectiveness Check ». Données à recueillir À partir de l’horodatage du changement d’état de l’objet CAPA associé. Type d’événement inferred
	Analyse des causes profondes réalisée	Cette activité correspond à la fin de la phase d’analyse des causes profondes (RCA), au cours de laquelle la cause sous-jacente de l’événement qualité est identifiée. Elle est souvent enregistrée lorsque l’enquêteur termine la tâche RCA ou que l’événement passe à l’état « Pending CAPA ».
Pourquoi est-ce important ? Cette activité est nécessaire pour mesurer le KPI « Durée moyenne de l’analyse des causes profondes ». L’analyse de sa durée permet de repérer les goulots d’étranglement dans le travail d’analyse et d’améliorer la qualité des investigations. Où trouver ces données Généralement déduite d’un changement d’état du cycle de vie de l’objet événement qualité, par exemple lors du passage à « RCA Complete » ou « Pending Action Plan ». Elle peut également correspondre à la fin d’une tâche précise du flux de travail. Données à recueillir À partir de l’horodatage du changement d’état ou de la fin d’une tâche liée à la RCA. Type d’événement inferred
	Efficacité de l’action vérifiée	Cette activité confirme que les actions correctives mises en œuvre ont permis d’éviter la réapparition du problème. La vérification officielle est effectuée et documentée. Elle est enregistrée lorsque le statut de la CAPA ou de l’événement qualité passe à « Effectiveness Verified ».
Pourquoi est-ce important ? Cette étape valide définitivement la réussite de la solution et permet de calculer le « taux d’efficacité des CAPA ». Un échec à ce stade entraîne souvent des reprises et la réouverture de l’investigation. Où trouver ces données Déduite d’un changement d’état du cycle de vie de l’objet événement qualité ou CAPA, par exemple lors du passage à « Verified » ou « Closed - Effective ». Données à recueillir À partir de l’horodatage du changement d’état indiquant que la vérification a réussi. Type d’événement inferred
	Événement qualité créé	Cette activité marque le début du processus : un enregistrement d’événement qualité est créé dans Veeva. Elle est généralement déclenchée lorsqu’un nouveau problème qualité, une non-conformité ou une réclamation est identifié et consigné dans le système.
Pourquoi est-ce important ? Cette activité marque le début du cycle de vie du cas. Elle est donc indispensable pour calculer le temps de cycle total de l’événement qualité et mesurer la durée des premières étapes du processus, par exemple le délai avant le début d’une investigation. Où trouver ces données Il s’agit d’un événement explicite, enregistré à partir de l’horodatage de création de l’objet événement qualité dans Veeva Vault. La piste d’audit de l’objet indique la date et l’heure exactes de création ainsi que l’utilisateur concerné. Données à recueillir Utilisez l’horodatage de création de l’enregistrement principal de l’événement qualité. Type d’événement explicit
	Examen final et clôture	Cette activité correspond au dernier examen administratif de l’enregistrement de l’événement qualité avant sa clôture officielle. Elle permet de vérifier que la documentation est complète et que toutes les étapes du processus ont été suivies. C’est la dernière étape avant la résolution du cas.
Pourquoi est-ce important ? Cette activité finale est indispensable pour calculer le « temps de cycle total de l’événement qualité ». Elle marque la fin de toutes les tâches. Son horodatage est comparé à la « date cible de résolution » pour mesurer les résultats. Où trouver ces données Déduite du passage de l’objet événement qualité à l’état « Closed », « Resolved » ou à un état final similaire. Données à recueillir À partir de l’horodatage du dernier passage à l’état « Closed ». Type d’événement inferred
	Investigation lancée	Cette activité marque le début officiel de l’investigation sur la cause profonde de l’événement qualité. Un enquêteur ou une équipe est généralement désigné, et l’événement entre dans une phase d’investigation active. Elle est enregistrée lorsque l’état du cycle de vie de l’événement qualité passe à « Under Investigation ».
Pourquoi est-ce important ? Cette étape clé permet de mesurer le KPI « Délai entre l’identification du problème et le début de l’investigation ». Un retard avant cette étape peut révéler un arriéré dans l’affectation des ressources ou le lancement d’une analyse essentielle. Où trouver ces données Déduite de l’horodatage auquel l’état du cycle de vie de l’objet événement qualité passe à « Under Investigation » ou à un statut similaire. L’affectation d’un enquêteur peut également servir de déclencheur. Données à recueillir Utilisez l’horodatage du passage à l’état « Under Investigation ». Type d’événement inferred
	Plan d’actions correctives approuvé	Cette activité marque l’approbation officielle du plan d’actions correctives proposé par les parties prenantes concernées, par exemple un comité d’examen qualité. Cette étape est indispensable avant la mise en œuvre des actions correctives. Elle est enregistrée lorsque l’état de l’enregistrement du plan CAPA passe à « Approved ».
Pourquoi est-ce important ? Cette étape d’approbation constitue souvent un goulot d’étranglement important. Mesurer le « temps de cycle du flux de travail d’approbation » permet de repérer et de corriger les retards d’examen, et d’accélérer la résolution globale. Où trouver ces données Déduite de l’horodatage du passage de l’objet Plan CAPA associé à l’état « Approved ». Cet événement peut également être reflété par un changement d’état de l’événement qualité parent. Données à recueillir À partir de l’horodatage du changement d’état de l’objet Plan CAPA associé. Type d’événement inferred
	Action préventive identifiée	Cette activité a lieu lorsqu’une action préventive est définie pour éviter de futurs problèmes, souvent à la suite de l’investigation. Elle est enregistrée lors de la création d’un enregistrement d’action préventive (PA) associé à l’événement qualité.
Pourquoi est-ce important ? Cette activité ne concerne pas tous les cas, mais son suivi permet d’évaluer le caractère préventif du processus qualité. Elle indique si l’organisation privilégie la prévention à long terme ou la correction immédiate. Où trouver ces données Déduite de l’horodatage de création d’un enregistrement d’action préventive associé dans Veeva Vault. Données à recueillir Utilisez l’horodatage de création d’un enregistrement d’action préventive associé. Type d’événement inferred
	Parties prenantes informées de la résolution	Cette activité correspond au message envoyé aux parties prenantes concernées pour les informer de la résolution de l’événement qualité. Il peut s’agir d’une notification automatique par courriel déclenchée à la clôture finale ou d’une tâche de communication consignée manuellement.
Pourquoi est-ce important ? Une communication rapide est essentielle à la satisfaction des parties prenantes et à la transparence. Cette activité permet de mesurer le KPI « délai de notification des parties prenantes » et de repérer les retards de communication. Où trouver ces données Il peut s’agir d’un événement explicite si Veeva Vault envoie des notifications automatiques qui sont consignées. Sinon, l’événement peut être déduit de la fin d’une tâche manuelle du flux de travail « Notify Stakeholders ». Données à recueillir À partir des journaux de notifications du système ou de l’horodatage de fin d’une tâche de communication. Type d’événement explicit
	Plan d’actions correctives proposé	Cette activité a lieu lorsqu’un plan officiel visant à corriger la cause profonde identifiée est rédigé et soumis à examen. Elle implique souvent la création d’un enregistrement CAPA (action corrective et préventive) associé à l’événement qualité. L’événement est enregistré à la création de l’enregistrement CAPA ou lors de la mise à jour du statut de l’événement qualité.
Pourquoi est-ce important ? Le suivi de cette étape permet d’analyser le temps nécessaire pour passer de l’analyse à la conception d’une solution. Il contribue au calcul du « temps de cycle de l’analyse des causes profondes », entre la fin de la RCA et la proposition de la CAPA. Où trouver ces données Cette étape peut être déduite du passage de l’objet événement qualité à l’état « Pending CAPA Approval », ou de l’horodatage de création d’un enregistrement de plan CAPA associé. Données à recueillir Utilisez l’horodatage de création d’un enregistrement CAPA associé ou celui d’un changement d’état. Type d’événement inferred
	Problème catégorisé et priorisé	Cette activité marque le moment où l’événement qualité est officiellement classé selon son type, son niveau de gravité et sa priorité. Cette étape détermine le parcours et le calendrier de l’investigation. Elle est généralement enregistrée par un changement de statut indiquant que la classification est terminée.
Pourquoi est-ce important ? Cet événement permet de segmenter l’analyse du processus selon la gravité ou le type d’événement. Il aide à déterminer si les problèmes prioritaires sont traités plus rapidement que les autres et si les ressources sont réparties efficacement. Où trouver ces données Déduite d’un changement d’état du cycle de vie de l’objet événement qualité, par exemple lors du passage à « Categorized » ou « Pending Investigation ». Elle peut aussi être déduite de l’horodatage auquel les principaux champs de classification sont renseignés. Données à recueillir Déduite d’un changement d’état ou du renseignement de champs comme « Severity » et « Priority ». Type d’événement inferred
	Triage initial terminé	Cette activité correspond à la fin de l’examen et de l’évaluation initiaux de l’événement qualité. À cette étape, les informations de base sont recueillies et vérifiées afin de déterminer la validité de l’événement et ses conséquences immédiates. Elle est souvent enregistrée lorsque le statut du dossier passe de « New » à « Under Assessment » ou à un état similaire.
Pourquoi est-ce important ? L’analyse du temps consacré au triage permet de repérer les retards dans le traitement initial des événements qualité. Elle renseigne également sur la charge de travail et la répartition des ressources dès le début du processus. Où trouver ces données Déduite de l’horodatage de la mise à jour de l’état du cycle de vie de l’objet événement qualité indiquant la fin du triage, par exemple lors du passage de « New » à « In Assessment » ou « Triaged ». Données à recueillir À partir de l’horodatage du changement d’état de l’objet événement qualité. Type d’événement inferred
	Vérification de l’efficacité lancée	Cette activité marque le début de la période pendant laquelle l’efficacité des actions correctives mises en œuvre est suivie. Il ne s’agit pas d’un événement ponctuel, mais du début d’une phase de vérification. Elle est enregistrée lorsque l’événement qualité ou l’enregistrement CAPA passe à l’état « Monitoring » ou « Pending Effectiveness Verification ».
Pourquoi est-ce important ? Cette activité lance la dernière boucle de validation. La durée de la phase de vérification de l’efficacité permet de savoir combien de temps il faut pour confirmer la réussite de la résolution. Où trouver ces données Déduite d’un changement d’état du cycle de vie de l’objet événement qualité ou CAPA, par exemple lors du passage à « Under Effectiveness Review ». Données à recueillir À partir de l’horodatage du passage à un état lié au suivi. Type d’événement inferred

Recommandé Facultatif

Guides d’extraction

Comment extraire vos données de Veeva Vault Quality

Étapes

Prérequis : Vérifiez que Python 3.6 ou une version ultérieure est installé, ainsi que les bibliothèques requests et pandas. Vous pouvez les installer avec pip : pip install requests pandas. Vous aurez également besoin des identifiants API de votre instance Veeva Vault : le DNS du Vault (par exemple, yourcompany.veevavault.com), un nom d’utilisateur et le mot de passe d’un compte disposant d’un accès API et d’autorisations de lecture sur l’objet Quality Event et les objets associés.
Configurez le script : Copiez le script Python fourni dans un fichier nommé extract_quality_events.py. Ouvrez le fichier et remplacez les variables fictives en haut du script, VAULT_DNS, USERNAME et PASSWORD, par les identifiants de votre instance Veeva Vault.
Définissez la période : Repérez les requêtes VQL dans le script. Chacune contient une clause WHERE avec une valeur fictive, par exemple created_date__v > '2023-01-01T00:00:00.000Z'. Modifiez cette date pour définir la période d’extraction. Il est recommandé d’appliquer ce filtre à un champ de date principal afin de limiter l’extraction initiale.
Vérifiez les noms des objets et des champs : La configuration de Veeva Vault peut varier. Le script fourni utilise des noms d’API courants pour les objets (quality_event__v, capa__v) et les champs (status__v, severity_level__c). Vérifiez ces noms dans la configuration de votre Vault à l’aide de la documentation de l’API ou d’outils comme Vault Field and Object Reference. Modifiez les noms dans les requêtes VQL si nécessaire.
Exécutez le script : Ouvrez un terminal ou une invite de commandes, accédez au répertoire où vous avez enregistré le script, puis lancez la commande python extract_quality_events.py. Le script s’authentifiera, exécutera plusieurs requêtes et traitera les données.
Suivez l’exécution : Le script affiche des messages d’état dans la console, indiquant l’activité en cours d’extraction et le nombre d’enregistrements trouvés. Vous pouvez ainsi suivre l’avancement et repérer d’éventuels problèmes, comme un échec d’authentification ou des résultats de requête vides.
Récupérez le fichier de sortie : Une fois l’exécution terminée, le script génère un fichier CSV nommé quality_event_log.csv dans le même répertoire. Ce fichier contient le journal d’événements extrait.
Transformez et enrichissez les données : Le script effectue une transformation de base en associant les champs sources aux colonnes requises du journal d’événements. Il calcule l’horodatage LastDataUpdate et attribue une valeur fixe à SourceSystem. Si d’autres calculs sont nécessaires, par exemple pour ActivityDuration, vous pouvez modifier la section de manipulation du DataFrame pandas avant l’export final au format CSV.
Préparez le fichier à importer : Ouvrez le fichier quality_event_log.csv dans un tableur pour le vérifier. Assurez-vous que les colonnes QualityEvent, ActivityName et EventTime sont correctement renseignées. Le fichier est maintenant au format requis pour être importé dans un logiciel de Process Mining.

Configuration

Identifiants API : Un compte utilisateur dédié à l’API est nécessaire. Sa « Security Policy » doit autoriser l’accès à l’API. Son « Permission Set » doit accorder au minimum un accès en lecture à l’objet quality_event__v, à tous les champs interrogés et aux objets associés, comme capa__v.
DNS du Vault : Le script nécessite le DNS spécifique de votre instance Vault, par exemple yourcompany.veevavault.com. Il sert à construire les URL des points de terminaison de l’API.
Filtrage par période : Pour maîtriser le volume de données extraites, il est essentiel d’ajouter un filtre de date à la clause WHERE de chaque requête VQL. Nous vous recommandons de commencer par une période récente de trois à six mois, par exemple created_date__v > 'YYYY-MM-DD', afin de faciliter le traitement et d’accélérer les tests.
Noms d’API des objets et des champs : Toutes les requêtes VQL doivent utiliser les noms d’API internes du système, qui peuvent différer des libellés affichés dans l’interface. Les noms des champs personnalisés se terminent généralement par __c. Vérifiez tous les noms d’objets et de champs dans la configuration de votre Vault.
Gestion de la pagination : Le script gère automatiquement la pagination de l’API Veeva. Il interroge à plusieurs reprises l’URL next_page fournie par l’API jusqu’à récupérer tous les résultats d’une requête VQL. Aucune configuration manuelle n’est nécessaire.
Performances : L’extraction d’une longue période ou de données provenant d’un Vault contenant des millions d’événements qualité peut prendre du temps et atteindre les limites de débit de l’API. Effectuez l’extraction en dehors des heures de pointe et utilisez des filtres de date restrictifs pour en limiter l’impact.

Exemple de requête python

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

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

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

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

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

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


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

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

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

    all_events_df = pd.DataFrame()

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

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

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

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

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

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

Étapes

Installez et configurez Veeva Vault Loader : Téléchargez l’outil en ligne de commande Veeva Vault Loader depuis l’onglet Apps de votre Vault. Décompressez le fichier dans un répertoire dédié. Vérifiez que Java 1.8 ou une version ultérieure est installé sur la machine qui servira à l’extraction.
Préparez le fichier de configuration : Créez un fichier CSV pour définir la requête d’export. Ce fichier contiendra une seule entrée avec la requête VQL. Par exemple, créez un fichier nommé vql_query.csv.
Rédigez la requête VQL : Ouvrez vql_query.csv et ajoutez une ligne d’en-tête query. Sur la deuxième ligne, insérez la requête VQL complète fournie dans la section query ci-dessous. Cette requête extrait les champs nécessaires de l’objet Quality Event et des enregistrements associés pour constituer le journal d’événements.
Créez le script Bash : Créez un fichier de script Bash, par exemple run_export.sh, pour automatiser l’exécution de Vault Loader. Copiez dans ce fichier le script de la section query. Il gérera l’authentification et lancera l’export.
Définissez les variables du script : Modifiez le script run_export.sh et remplacez toutes les valeurs fictives, notamment le DNS de votre Vault, le nom d’utilisateur, le mot de passe, le chemin vers le fichier vault-loader.jar et les chemins des fichiers d’entrée et de sortie.
Lancez l’extraction : Ouvrez un terminal ou une invite de commandes, accédez au répertoire contenant votre script, puis exécutez la commande bash run_export.sh. Le script se connectera à Veeva Vault, exécutera la requête VQL et téléchargera les résultats dans un fichier CSV nommé quality_events_raw.csv.
Transformez les données brutes : Le fichier quality_events_raw.csv contient un tableau au format large, avec une ligne par événement qualité. Vous devez convertir ces données en un journal d’événements au format long. Utilisez un outil ou un script de préparation des données, comme Python ou un outil ETL, pour transformer les différentes colonnes de dates en lignes distinctes. Pour chaque événement qualité, créez une ligne pour chaque champ de date renseigné et associez-la à l’ActivityName correspondant.
Associez les données au schéma du journal d’événements : Pendant la transformation, associez les colonnes de l’extraction brute aux champs requis du journal d’événements. Par exemple, la colonne id devient QualityEvent et chaque colonne de date transformée devient EventTime. Ajoutez une colonne SourceSystem avec une valeur fixe, comme « Veeva Vault Quality », et une colonne LastDataUpdate contenant l’horodatage actuel.
Générez le fichier final : Enregistrez les données transformées dans le fichier CSV final du journal d’événements, prêt à être importé dans ProcessMind. Vérifiez que le fichier est encodé en UTF-8 et que ses en-têtes correspondent aux attributs requis.

Configuration

Prérequis : Vous devez disposer d’un compte utilisateur Veeva Vault avec un accès API et des autorisations suffisantes pour lire l’objet Quality Event (quality_event__v) et les objets associés, comme CAPA (capa__v). L’outil en ligne de commande Veeva Vault Loader doit également être installé.
Authentification : Le script utilise un nom d’utilisateur et un mot de passe pour s’authentifier. Vérifiez que le profil de sécurité du compte utilisé autorise les interactions avec l’API.
Périmètre des données : La requête VQL contient une clause WHERE pour filtrer les données. Il est essentiel de configurer le filtre created_date__v afin de limiter l’extraction à une période pertinente, par exemple les six à douze derniers mois, et de maîtriser la taille du fichier et les temps de traitement.
Sélection des objets et des champs : La requête fournie suppose que les noms d’objets standard sont utilisés, comme quality_event__v et capa__v. Vérifiez ces noms ainsi que ceux des champs personnalisés, comme triage_completion_date__c, dans la configuration de votre instance Veeva Vault, puis adaptez la requête en conséquence.
Emplacement de sortie : Le script définit un répertoire OUTPUTDIR. Vérifiez que l’utilisateur qui exécute le script dispose d’autorisations d’écriture dans ce répertoire, où sera enregistré le fichier CSV extrait.
Planification : Pour automatiser l’extraction, vous pouvez planifier l’exécution du script Bash à intervalles réguliers, par exemple chaque jour ou chaque semaine en dehors des heures de pointe, à l’aide d’une tâche cron sous Linux ou d’un outil équivalent.

Exemple de requête bash

#!/bin/bash

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

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

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

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

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

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

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

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

Prêt à commencer ?

Préparez vos données dès aujourd’hui pour mieux comprendre et optimiser votre processus de gestion de la qualité. Votre démarche d’amélioration de la conformité et de l’efficacité opérationnelle commence ici.

Retour au guide d’amélioration

Télécharger le modèle

Optimisez la gestion de la qualité : démarrez votre essai gratuit dès aujourd’hui

Réduisez les inefficacités, raccourcissez les temps de cycle de 30 % et renforcez la conformité.

Démarrez votre essai gratuit

Aucune carte bancaire requise. Commencez à optimiser vos processus en quelques minutes.

Votre modèle de données pour la gestion de la qualité

Votre modèle de données pour la gestion de la qualité

Attributs de gestion de la qualité

Activités de gestion de la qualité

Guides d’extraction

Extraction de données de Veeva Vault par API à l’aide d’un script Python

Étapes

Configuration

Exemple de requête python

Export groupé de données depuis Veeva Vault Loader en ligne de commande

Étapes

Configuration

Exemple de requête bash

Prêt à commencer ?

Optimisez la gestion de la qualité : démarrez votre essai gratuit dès aujourd’hui

Votre modèle de données pour la gestion de la qualité

Votre modèle de données pour la gestion de la qualité

Attributs de gestion de la qualité

Activités de gestion de la qualité

Guides d’extraction

Extraction de données de Veeva Vault par API à l’aide d’un script Python

Étapes

Configuration

Exemple de requête python

Export groupé de données depuis Veeva Vault Loader en ligne de commande

Étapes

Configuration

Exemple de requête bash

Prêt à commencer ?

Optimisez la gestion de la qualité : démarrez votre essai gratuit dès aujourd’hui

Prêt à commencer ?

Optimisez la gestion de la qualité : démarrez votre essai gratuit dès aujourd’hui