> Amélioration continue des processus > Lead to Cash > Pipedrive > Modèle de données

Votre modèle de données Lead to Cash

Pipedrive

Attributs Lead to Cash(20) Activités Lead to Cash(13) Guides d’extraction(3)

Votre modèle de données Lead to Cash

Ce modèle vous guide dans la collecte des données nécessaires à l’analyse de votre processus Lead to Cash dans Pipedrive. Il présente les attributs essentiels et les principales activités à suivre, ainsi que des conseils pratiques pour extraire ces informations directement de votre système Pipedrive. Utilisez cette ressource pour préparer vos données à une analyse approfondie par Process Mining et à l’optimisation de vos processus.

Attributs recommandés à collecter
Activités clés à suivre
Conseils pour extraire les données de Pipedrive

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

Télécharger le modèle

Attributs Lead to Cash

Ces champs de données recommandés sont essentiels pour constituer un journal d’événements complet et analyser votre processus Lead to Cash.

3 Obligatoire 4 Recommandé 13 Facultatif

	Nom	Description
	Heure de l’événement EventTime	Horodatage indiquant le moment où l’activité a eu lieu.
Description L’heure de l’événement, ou heure de début, indique la date et l’heure précises auxquelles une activité a été enregistrée. Ces données temporelles sont indispensables pour classer les événements par ordre chronologique et calculer la durée entre les différentes étapes du processus. Lors de l’analyse, cet horodatage sert à calculer des indicateurs clés tels que le temps de cycle, la durée de traitement et le temps d’attente. Il permet de créer des Dashboards temporels pour suivre les performances et repérer les retards dans le processus de vente. Pourquoi est-ce important ? Cet horodatage est essentiel pour ordonner les événements, calculer la durée du processus et évaluer les performances au regard des objectifs temporels. Où trouver ces données Récupéré dans des champs tels que « add_time » ou « update_time » des objets Deal, Activity ou associés, via l’API Pipedrive. Exemples 2023-04-15T10:00:00Z2023-04-16T14:30:00Z2023-05-01T09:05:00Z
	Nom de l’activité ActivityName	Nom de l’événement métier ou de la tâche qui s’est produit dans le processus de vente.
Description Cet attribut décrit une étape du processus Lead to Cash, par exemple « Affaire créée », « Proposition envoyée » ou « Paiement reçu ». Les activités sont les éléments de base utilisés pour représenter le flux du processus. L’analyse de leur séquence et de leur fréquence permet de repérer les parcours les plus courants, les goulots d’étranglement où le travail s’accumule et les écarts par rapport à la procédure de vente standard. Elle aide ainsi à comprendre comment le processus se déroule réellement. Pourquoi est-ce important ? Il définit les étapes du processus et permet de représenter et d’analyser son flux, de repérer les goulots d’étranglement et de vérifier la conformité. Où trouver ces données Il est généralement obtenu en associant les événements Pipedrive, comme les changements d’étape d’une affaire ou la création d’objets associés tels que des factures, à une liste d’activités définie. Exemples Affaire crééeProposition envoyéeAffaire remportéeFacture envoyéePaiement reçu
	Opportunité commerciale SalesOpportunityId	Identifiant unique d’une opportunité commerciale, utilisé comme ID de cas pour suivre l’ensemble du processus Lead to Cash.
Description L’ID de l’opportunité commerciale est la clé principale qui relie toutes les activités associées, de la création initiale du prospect au paiement final. Il représente une vente potentielle suivie dans Pipedrive. Dans l’analyse des processus, cet identifiant est essentiel pour reconstituer le parcours complet de chaque affaire. Il permet de regrouper tous les événements, tels que « Affaire créée », « Proposition envoyée » et « Paiement reçu », dans un même cas cohérent, afin d’analyser les variantes du processus, les temps de cycle et les taux de conversion. Pourquoi est-ce important ? Cet identifiant est à la base de la vue du processus : il relie tous les événements associés pour constituer l’historique complet de chaque affaire. Où trouver ces données Récupéré dans le champ « id » de l’objet Deal via l’API Pipedrive. Exemples 12543125441254512546
	Pourcentage de remise DiscountPercentage	Pourcentage de remise accordé sur l’affaire.
Description Cet attribut indique le pourcentage de remise éventuellement accordé sur une affaire. Il est essentiel pour comprendre la stratégie tarifaire et son incidence sur la rentabilité. L’analyse du pourcentage de remise permet d’évaluer l’efficacité des stratégies de remise. En le comparant à d’autres attributs, comme la valeur de l’affaire, le commercial ou le produit, vous pouvez repérer les situations où les remises sont les plus fréquentes et déterminer si elles augmentent le taux de réussite ou réduisent simplement les marges. Pourquoi est-ce important ? Essentiel pour analyser les stratégies tarifaires, les marges commerciales et la rentabilité globale des affaires. Où trouver ces données Il s’agit souvent d’un champ personnalisé de l’objet Deal dans Pipedrive. Consultez la documentation Pipedrive pour savoir comment configurer les champs personnalisés. Exemples 0.050.100.150.0
	Responsable de l’affaire DealOwner	Commercial chargé de gérer l’opportunité commerciale.
Description Le responsable de l’affaire est l’utilisateur auquel une affaire est attribuée. Cet attribut est essentiel pour comprendre la répartition des ressources et les performances de l’équipe commerciale. Il permet d’analyser les performances à l’échelle individuelle ou collective. Les Dashboards peuvent être filtrés par responsable de l’affaire afin de comparer des métriques telles que le temps de cycle de vente, les taux de conversion et la valeur moyenne des affaires. Ces comparaisons aident à repérer les meilleurs résultats et les besoins d’accompagnement. Pourquoi est-ce important ? Permet d’analyser les performances par commercial, de repérer les meilleurs résultats et de cerner les points à améliorer. Où trouver ces données Récupéré dans le champ « user_id » de l’objet Deal, qui renvoie à l’objet User dans l’API Pipedrive. Exemples Jean MartinJeanne DupontPierre Jones
	Statut de l’affaire DealStatus	Résultat ou état actuel de l’affaire, par exemple conclue, perdue ou en cours.
Description Le statut de l’affaire indique son résultat final ou son état général actuel. C’est une dimension essentielle pour analyser les taux de réussite commerciale et l’efficacité du processus. Cet attribut sert à calculer les taux de réussite et d’échec et à filtrer la carte du processus pour comparer les parcours des affaires conclues et des affaires perdues. Cette comparaison révèle souvent des différences importantes dans le déroulement du processus, qui peuvent expliquer la réussite ou l’échec et orienter les améliorations. Pourquoi est-ce important ? Essentiel pour calculer les taux de réussite et d’échec et comparer les flux des affaires conclues avec ceux des affaires perdues. Où trouver ces données Récupéré dans le champ « status » de l’objet Deal via l’API Pipedrive. Exemples conclueperdueen cours
	Valeur de l’affaire DealValue	Valeur monétaire totale de l’opportunité commerciale.
Description La valeur de l’affaire correspond au chiffre d’affaires potentiel ou réel associé à une opportunité commerciale. C’est une métrique essentielle pour hiérarchiser les affaires et évaluer leur incidence financière sur le pipeline commercial. Dans l’analyse des processus, cet attribut permet de répartir les cas selon leur valeur financière et de comparer le déroulement des affaires à forte et à faible valeur. Il entre également dans les Dashboards consacrés aux performances commerciales, à l’efficacité des remises et à la génération globale de chiffre d’affaires. Pourquoi est-ce important ? Permet d’analyser les aspects financiers du processus de vente, de hiérarchiser les affaires à forte valeur et d’en comprendre les retombées sur le chiffre d’affaires. Où trouver ces données Récupérée dans le champ « value » de l’objet Deal via l’API Pipedrive. Exemples 5000.0025000.501500.75
	Conditions de paiement PaymentTerms	Conditions de paiement convenues, par exemple « paiement à 30 jours » ou « paiement à 60 jours ».
Description Les conditions de paiement définissent le délai dont dispose le client pour régler une facture après son envoi. Cet attribut est essentiel à la gestion des créances clients et de la trésorerie. En Process Mining, il sert de référence pour évaluer le respect des délais de paiement. Il permet de calculer des indicateurs clés, comme le taux de paiement à temps, en comparant la date réelle du paiement à la date d’échéance calculée à partir de la date de facturation et des conditions convenues. Pourquoi est-ce important ? Fournit une référence pour mesurer le respect des délais de paiement et analyser les retards dans le processus d’encaissement. Où trouver ces données Il s’agit généralement d’un champ personnalisé de l’objet Deal ou Organization dans Pipedrive, ou d’une information provenant d’un système comptable intégré. Exemples Paiement à 30 joursPaiement à 60 joursPaiement à réception
	Délai de paiement de la facture InvoicePaymentTime	Durée entre l’envoi d’une facture et la réception du paiement.
Description Le délai de paiement de la facture mesure l’efficacité du processus de gestion des créances clients. Il correspond au temps écoulé entre l’activité « Facture envoyée » et l’activité « Paiement reçu ». Cette métrique est essentielle au suivi de la trésorerie et à la détection des retards d’encaissement. Son analyse aide à comprendre le comportement des clients en matière de paiement et l’efficacité des stratégies de relance et de recouvrement. Elle a une incidence directe sur le cycle entre le devis et le paiement. Pourquoi est-ce important ? Mesure directement l’efficacité du processus d’encaissement et joue un rôle essentiel dans la gestion de la trésorerie. Où trouver ces données Calculé en soustrayant l’horodatage de l’activité « Facture envoyée » de celui de l’activité « Paiement reçu » pour un cas donné. Exemples 28 jours45 jours10 jours
	Dernière mise à jour des données LastDataUpdate	Horodatage de la dernière actualisation des données provenant du système source.
Description Cet attribut indique la dernière extraction et mise à jour des données dans le jeu de données de Process Mining. Il permet de savoir à quelle date les données analysées ont été actualisées. Pour toute analyse, il est essentiel de connaître l’actualité des données. Cet attribut aide à déterminer si les résultats consultés reflètent l’état le plus récent du processus, ce qui est important pour le suivi opérationnel et la prise de décision. Pourquoi est-ce important ? Indique l’actualité des données et permet de savoir si l’analyse du processus repose sur des informations récentes. Où trouver ces données Cette valeur est générée et enregistrée lors de l’importation des données ou du processus ETL. Exemples 2023-10-27T02:00:00Z2023-10-28T02:00:00Z
	Devise de l’affaire DealCurrency	Devise dans laquelle est exprimée la valeur de l’affaire.
Description Cet attribut précise la devise, par exemple USD, EUR ou GBP, dans laquelle est exprimée la valeur de l’affaire. Il apporte le contexte nécessaire à l’interprétation de toutes les métriques financières. Lors de l’analyse d’affaires provenant de plusieurs régions ou pays, cet attribut est indispensable à l’exactitude des rapports et des agrégations financières. Il permet d’appliquer correctement les conversions de devises avant de totaliser les données financières et d’éviter ainsi des conclusions erronées. Pourquoi est-ce important ? Apporte le contexte nécessaire à l’interprétation de la valeur de l’affaire et garantit l’exactitude des analyses et rapports financiers entre les régions. Où trouver ces données Récupérée dans le champ « currency » de l’objet Deal via l’API Pipedrive. Exemples USDEURGBP
	Étape de l’affaire DealStage	Étape précise du pipeline commercial à laquelle se trouve actuellement l’affaire.
Description L’étape de l’affaire correspond à une phase précise du pipeline commercial défini par l’entreprise, par exemple « Qualifiée », « Proposition présentée » ou « Négociation ». Elle décrit l’avancement de l’affaire plus précisément que son statut général. L’analyse des étapes permet de comprendre le pipeline commercial et de repérer les moments où les affaires ont tendance à stagner. En suivant le temps passé à chaque étape, les équipes peuvent identifier les goulots d’étranglement et concentrer leurs efforts sur les points les plus problématiques du cycle de vente. Pourquoi est-ce important ? Décrit précisément l’avancement d’une affaire dans le pipeline commercial et aide à repérer les goulots d’étranglement ainsi que les taux de conversion entre les étapes. Où trouver ces données Récupérée dans le champ « stage_id » de l’objet Deal, qui renvoie à l’objet Stage dans l’API Pipedrive. Exemples Prospect reçuPremier contact établiDémonstration planifiéeProposition présentéeDébut des négociations
	Heure de fin de l’événement EventEndTime	Horodatage indiquant le moment où une activité avec une durée mesurable a pris fin.
Description L’heure de fin de l’événement indique la fin d’une activité dont la durée peut être mesurée, comme une réunion ou une tâche. Associée à l’heure de début, elle permet de calculer précisément le temps consacré à chaque activité. Cet attribut est essentiel pour calculer la durée de traitement des activités. L’analyse de ces durées permet de repérer les tâches les plus longues et de déterminer où optimiser le processus, automatiser certaines opérations ou réaffecter des ressources. Pourquoi est-ce important ? Permet de calculer précisément la durée de chaque activité, ce qui aide à repérer les tâches longues et les goulots d’étranglement. Où trouver ces données Récupérée dans des champs tels que « due_date » ou dans un horodatage de fin des objets Activity via l’API Pipedrive. Exemples 2023-04-15T11:00:00Z2023-04-16T15:00:00Z2023-05-01T09:35:00Z
	Nom de l’organisation OrganizationName	Nom de l’entreprise ou de l’organisation du client associée à l’affaire.
Description Cet attribut identifie le client professionnel associé à l’opportunité commerciale. Il précise quelles entreprises figurent dans le pipeline commercial. L’analyse des données par nom d’organisation aide à comprendre le comportement des clients et à repérer les comptes clés. Elle permet de segmenter l’analyse du processus pour comparer les pratiques concernant les clients stratégiques et les petites entreprises, ou de suivre l’historique commercial complet d’une entreprise donnée. Pourquoi est-ce important ? Identifie le client et permet d’analyser le processus de vente en fonction de ses caractéristiques. Où trouver ces données Récupéré dans le champ « org_id » de l’objet Deal, qui renvoie à l’objet Organization dans l’API Pipedrive. Exemples ABC CorporationGlobal Tech Inc.Innovate Solutions
	Paiement effectué à temps IsOnTimePayment	Indicateur booléen précisant si le paiement a été reçu dans le délai convenu.
Description Cet attribut est un indicateur binaire (vrai/faux) qui précise si le paiement a été effectué à temps. Il est calculé en comparant le délai réel de paiement de la facture aux conditions de paiement convenues. Cet indicateur simplifie l’analyse du comportement de paiement. Il permet de calculer rapidement le taux de paiement à temps et de filtrer les paiements en retard, afin d’examiner les causes des retards pour certains clients ou types d’affaires. Pourquoi est-ce important ? Simplifie l’analyse du respect des conditions de paiement et sert au calcul de l’indicateur clé du taux de paiement à temps. Où trouver ces données Calculé en comparant « InvoicePaymentTime » à l’attribut « PaymentTerms ». Par exemple, si « PaymentTerms » vaut « Net 30 » et que « InvoicePaymentTime » est inférieur ou égal à 30 jours, la valeur est « True ». Exemples truefalse
	Produit ProductAttached	Produit ou service associé à l’opportunité commerciale.
Description Cet attribut précise le produit ou le service vendu dans le cadre de l’affaire. Il permet d’analyser plus en détail les activités commerciales liées à des offres précises. La prise en compte du produit permet de comparer les processus de vente entre différentes gammes. Vous pouvez ainsi déterminer si certains produits entraînent des cycles de vente plus longs, des taux de conversion différents ou des étapes particulières, puis adapter la stratégie commerciale en conséquence. Pourquoi est-ce important ? Permet d’analyser le processus de vente par gamme de produits et de repérer les différences de durée des cycles ou de taux de réussite entre les offres. Où trouver ces données Récupéré dans l’objet Product associé à un Deal via l’API Pipedrive. Exemples Abonnement SaaS standardLicence de plateforme EntrepriseForfait de services professionnels
	Région Region	Région géographique associée au client ou à l’opportunité commerciale.
Description Cet attribut répartit les affaires par zone géographique, par exemple l’Amérique du Nord, l’EMEA ou l’Asie-Pacifique. Il permet d’analyser les performances et les processus commerciaux selon la région. La segmentation du processus par région peut révéler des différences dans les temps de cycle de vente, les taux de réussite et les variantes du processus. Ces résultats peuvent orienter les stratégies commerciales régionales, la répartition des ressources et les efforts de standardisation des processus. Pourquoi est-ce important ? Permet d’analyser le processus de vente par zone géographique et de mettre en évidence les différences régionales de performance et de comportement client. Où trouver ces données Il s’agit généralement d’un champ personnalisé de l’objet Deal ou Organization. Les champs d’adresse de l’organisation peuvent également servir à déterminer cette information. Exemples Amérique du NordEMEAAsie-PacifiqueAmérique latine
	Reprise IsRework	Indicateur qui repère les activités faisant partie d’une boucle de reprise.
Description L’indicateur de reprise est une valeur booléenne généralement calculée par l’outil de Process Mining. Il met en évidence les cas où le processus s’écarte d’un déroulement linéaire et revient à des étapes précédentes. Par exemple, une affaire qui passe de « Négociation » à « Proposition envoyée » comporte une reprise. Repérer les reprises est essentiel pour améliorer le processus, car elles signalent des inefficacités, des efforts inutiles et une possible confusion pour le client. L’analyse des activités marquées comme des reprises permet de localiser les points de rupture et de cibler les améliorations. Pourquoi est-ce important ? Aide à mesurer les inefficacités du processus en repérant les activités qui s’inscrivent dans un parcours répété ou circulaire. Où trouver ces données Calculé par le logiciel de Process Mining à partir de la séquence des activités de chaque cas. Exemples truefalse
	Source du prospect LeadSource	Source ou canal par lequel le prospect a été acquis.
Description La source du prospect indique comment un client potentiel a été identifié pour la première fois, par exemple lors d’un webinaire, d’un appel à froid ou d’une recommandation d’un partenaire. Cette information est essentielle à la stratégie marketing et commerciale. L’analyse de la source du prospect permet d’évaluer l’efficacité des différents canaux marketing. Vous pouvez comparer les taux de conversion et les temps de cycle de vente des prospects selon leur origine, puis ajuster les dépenses marketing et les efforts commerciaux. Pourquoi est-ce important ? Permet de mesurer l’efficacité des différents canaux marketing en comparant les taux de conversion et les performances du processus pour les prospects issus de chaque source. Où trouver ces données Récupérée dans le champ « source_name » de l’objet Lead, puis associée à l’objet Deal. Exemples Recherche naturelleRéseaux sociaux payantsRecommandationSalon professionnel
	Système source SourceSystem	Indique le système dont proviennent les données extraites.
Description Cet attribut précise l’origine des données, ici Pipedrive. Il est particulièrement utile lorsque les données de plusieurs systèmes sont regroupées pour obtenir une vue d’ensemble du processus. Même s’il s’agit souvent d’une valeur fixe dans une analyse portant sur un seul système, cet attribut apporte un contexte essentiel et facilite la gouvernance et la traçabilité des données. Il confirme que les événements et les attributs proviennent de l’instance Pipedrive. Pourquoi est-ce important ? Précise l’origine des données et garantit leur traçabilité, notamment lorsque des données provenant de plusieurs systèmes sont regroupées. Où trouver ces données Il s’agit généralement d’une valeur fixe ajoutée lors de la transformation des données. Exemples Pipedrive

Obligatoire Recommandé Facultatif

Activités Lead to Cash

Consignez ces étapes clés et ces jalons dans votre journal d’événements pour découvrir le processus avec précision et l’améliorer efficacement.

5 Recommandé 8 Facultatif

	Activité	Description
	Affaire créée	Marque le début officiel d’une opportunité commerciale. Cet événement est déclenché lorsqu’une nouvelle affaire est créée manuellement ou générée automatiquement à partir d’un prospect converti.
Pourquoi est-ce important ? Il s’agit de l’activité qui marque le début du cycle de vente. Le temps écoulé entre cet événement et « Deal Won » ou « Deal Lost » permet de mesurer la durée totale du cycle de vente. Où trouver ces données Cet événement explicite est enregistré dans l’entité Deals de Pipedrive. L’horodatage de création (« add_time ») de l’enregistrement de l’affaire sert d’heure de l’événement. Données à recueillir Utilisez le champ « add_time » de l’entité Deals. Type d’événement explicit
	Affaire perdue	Indique qu’une affaire n’a pas abouti. Le processus de vente prend fin parce que le client a choisi un concurrent, n’est plus intéressé ou pour une autre raison.
Pourquoi est-ce important ? C’est le principal point de sortie en cas d’échec. Analyser quand et pourquoi les affaires sont perdues aide à améliorer la stratégie commerciale, la formation et la qualification des prospects. Où trouver ces données Cet événement explicite est enregistré lorsque le statut d’une affaire passe à « lost ». Le champ « lost_time » de l’entité Deals consigne l’horodatage. Données à recueillir Utilisez l’horodatage « lost_time » de l’entité Deals. Type d’événement explicit
	Affaire remportée	Indique qu’une affaire a été conclue avec succès, après un accord verbal ou écrit du client. Dans Pipedrive, ce changement de statut est explicite et standard.
Pourquoi est-ce important ? C’est le principal jalon de réussite. Il est essentiel pour calculer le taux de réussite, la durée du cycle de vente des affaires conclues et les performances commerciales globales. Où trouver ces données Cet événement explicite est enregistré lorsque le statut d’une affaire passe à « won ». Le champ « won_time » de l’entité Deals fournit l’horodatage précis. Données à recueillir Utilisez l’horodatage « won_time » de l’entité Deals. Type d’événement explicit
	Paiement reçu	Indique que le paiement du client a bien été reçu, ce qui clôt le cycle de trésorerie de l’opportunité. Il s’agit du dernier événement du processus Lead to Cash, enregistré dans un système financier.
Pourquoi est-ce important ? C’est l’étape finale, celle où la valeur se concrétise. Elle marque la véritable fin du processus Lead to Cash et permet de mesurer le temps de cycle de bout en bout ainsi que d’analyser les retards de paiement. Où trouver ces données Données issues d’un système comptable ou de traitement des paiements. La confirmation du paiement doit être associée à l’affaire correspondante dans Pipedrive. Données à recueillir Données d’événement provenant d’un système financier externe et associées à l’affaire au moyen d’un identifiant unique. Type d’événement explicit
	Proposition envoyée	Correspond au moment où un devis ou une proposition officielle est transmis au client. Cet événement est souvent déduit du passage de l’affaire à une étape précise du pipeline, comme « Proposal Made » ou « Quote Sent ».
Pourquoi est-ce important ? Il s’agit d’une étape clé du processus de vente. Le temps écoulé entre cet événement et « Deal Won » permet de mesurer la durée de la prise de décision et des négociations. Où trouver ces données Cet événement est déduit du journal des modifications de l’affaire lorsque le champ « stage_id » prend la valeur d’une étape réservée aux propositions. L’horodatage du changement d’étape est utilisé. Données à recueillir Repérez le passage du champ « stage_id » d’une affaire à une étape « Proposal » précise. Type d’événement inferred
	Affaire qualifiée	Indique que l’affaire répond à des critères prédéfinis et constitue une opportunité viable à poursuivre. Cet événement est généralement déduit du passage de l’affaire d’une étape initiale du pipeline, comme « Lead In », à une étape plus avancée, comme « Contact Made » ou « Needs Defined ».
Pourquoi est-ce important ? Cette étape clé permet d’évaluer l’efficacité de la qualification des prospects et de mesurer le temps passé par les affaires dans les premières étapes, avant leur qualification. Où trouver ces données Cet événement est déduit du journal des modifications ou de l’historique de l’affaire, lorsque le champ « stage_id » prend la valeur d’une étape correspondant à la qualification. Données à recueillir Dans l’historique de l’affaire, repérez le passage à une étape prédéfinie comme « qualified ». Type d’événement inferred
	Affaire rouverte	Indique qu’une affaire précédemment marquée comme perdue a été réactivée pour reprendre les activités commerciales. Cet événement est déduit lorsque le statut de l’affaire passe de « lost » à « open ».
Pourquoi est-ce important ? Cette activité met en évidence les reprises et les efforts de relance. Leur analyse peut révéler des tendances dans le comportement des clients ou dans l’efficacité du suivi commercial. Où trouver ces données Déduit de l’historique des modifications de l’affaire. L’événement est détecté lorsque le champ « status » passe de « lost » à « open ». Données à recueillir Repérez dans l’historique de l’affaire le passage du statut « lost » à « open ». Type d’événement inferred
	Commande client créée	Indique la création d’une commande client officielle dans un système en aval, tel qu’un ERP ou une plateforme comptable, après la conclusion d’une affaire. Cette activité n’est pas native à Pipedrive et nécessite des données provenant d’un système intégré.
Pourquoi est-ce important ? Cet événement marque le passage de relais entre les équipes commerciales et les opérations ou la finance. Le délai entre « Affaire conclue » et cette activité permet de repérer d’éventuels retards dans le traitement des commandes. Où trouver ces données Généralement enregistré dans un ERP ou un système financier connecté. Les données doivent être importées et associées à l’ID de l’affaire dans Pipedrive. Données à recueillir Données d’événement transmises par API depuis un système externe, souvent pour mettre à jour un champ personnalisé de l’affaire dans Pipedrive. Type d’événement explicit
	Commande exécutée	Indique que le produit a été expédié ou que le service a été fourni au client. Cet événement provient d’un système externe de gestion des livraisons ou des opérations.
Pourquoi est-ce important ? Le suivi de l’exécution des commandes est essentiel pour comprendre le temps de cycle entre la commande et la livraison. Les retards à cette étape ont une incidence directe sur la satisfaction client et la comptabilisation du chiffre d’affaires. Où trouver ces données Données issues d’un ERP externe, d’un système de gestion des stocks ou d’un outil de gestion des services. Elles doivent être associées à l’affaire correspondante dans Pipedrive. Données à recueillir Données d’événement provenant d’un système externe et associées à l’affaire au moyen de son ID ou d’un autre identifiant commun. Type d’événement explicit
	Facture envoyée	Indique le moment où une facture est envoyée au client pour paiement. Cet événement est généralement déclenché dans un système externe de comptabilité ou de facturation après l’exécution de la commande.
Pourquoi est-ce important ? Cet événement marque le début du cycle de paiement. Le délai entre son enregistrement et la réception du paiement est essentiel pour suivre les créances clients et la trésorerie. Où trouver ces données Provient d’un système comptable ou d’un ERP externe, comme Xero ou QuickBooks. Les données de l’événement doivent être intégrées et associées à l’affaire dans Pipedrive. Données à recueillir Données d’événement provenant d’un système de facturation externe et associées à l’affaire par intégration API. Type d’événement explicit
	Négociation commencée	Marque le début des négociations sur le prix, les conditions ou le périmètre. Cet événement est généralement déduit du passage de l’affaire à une étape « Negotiation » du pipeline après l’envoi d’une proposition.
Pourquoi est-ce important ? L’analyse distincte de la phase de négociation permet de mesurer sa durée et de repérer les affaires qui donnent lieu à de longues négociations. Où trouver ces données Cet événement est déduit du journal des modifications de l’affaire lorsque le champ « stage_id » prend la valeur d’une étape explicitement consacrée à la négociation. Données à recueillir Dans l’historique de l’affaire, repérez le passage à une étape prédéfinie « Negotiation ». Type d’événement inferred
	Premier contact établi	Correspond à la première interaction significative avec le client potentiel associé à l’affaire. Elle est généralement enregistrée comme une activité terminée, par exemple un appel, un courriel ou une réunion lié à l’affaire.
Pourquoi est-ce important ? Le suivi de cette activité permet de mesurer le délai avant le premier contact et de vérifier que les prospects sont contactés rapidement. Il renseigne sur la réactivité de l’équipe commerciale. Où trouver ces données Cet événement est extrait de l’entité Activities de Pipedrive. Il correspond à la première activité terminée associée à l’identifiant de l’affaire. Données à recueillir Recherchez la première activité terminée associée à une affaire, à partir du champ « done_time ». Type d’événement explicit
	Relance après l’envoi d’une proposition	Correspond à toute activité commerciale, comme un appel ou un courriel, effectuée après l’envoi d’une proposition au client. Cet événement indique que le client est activement suivi pendant sa période de réflexion.
Pourquoi est-ce important ? Mesure la rapidité et la fréquence des relances, essentielles pour maintenir l’intérêt du client et conclure les affaires. Cet indicateur alimente le Dashboard « Proposal Follow-up Timeliness ». Où trouver ces données Cet événement est extrait de l’entité Activities de Pipedrive. Il correspond à une activité terminée après l’événement « Proposal Sent » pour la même affaire. Données à recueillir Repérez une activité terminée dont le champ « done_time » est postérieur à l’horodatage de l’activité « Proposal Sent ». Type d’événement explicit

Recommandé Facultatif

Guides d’extraction

Comment extraire vos données de Pipedrive

Étapes

Connectez-vous à Pipedrive : accédez à votre compte avec un profil utilisateur autorisé à exporter des données. Il s’agit généralement d’un compte administrateur.
Accédez à l’export des données : cliquez sur votre photo de profil en haut à droite, puis sélectionnez « Paramètres ». Dans le menu de navigation à gauche, repérez la section « Outils et applications », puis cliquez sur « Exporter les données ».
Exportez les données des affaires : dans la vue « Exporter les données », sélectionnez « Affaires », puis le format de fichier « CSV ». Il est recommandé de filtrer les données sur une période précise, par exemple les six derniers mois, afin de limiter la taille du fichier. Cliquez sur « Exporter » et attendez que le fichier soit généré et téléchargé. Il contiendra des informations clés sur les affaires, notamment leur date de création, leur date de gain et leur date de perte.
Exportez les données des activités : répétez la procédure pour les « Activités ». Sélectionnez « Activités », choisissez le format « CSV », appliquez le même filtre de dates que pour les affaires, puis exportez le fichier. Celui-ci contient les appels, les e-mails, les réunions et les activités personnalisées associés aux affaires.
Rassemblez les données externes : récupérez les données correspondantes dans vos systèmes en aval. Vous aurez besoin d’exports de votre ERP, de votre système comptable ou de votre système de traitement des commandes pour des événements tels que « Commande client créée », « Commande exécutée », « Facture envoyée » et « Paiement reçu ». Vérifiez que ces fichiers contiennent un identifiant commun pouvant être associé à l’identifiant de l’affaire Pipedrive.
Configurez un environnement de traitement des données : utilisez un outil capable de traiter et de fusionner plusieurs fichiers CSV, par exemple Python avec la bibliothèque pandas, Microsoft Excel avec Power Query ou un autre outil de préparation des données.
Chargez et regroupez les données : chargez les fichiers Deals.csv et Activities.csv, ainsi que les fichiers de données externes rassemblés à l’étape précédente.
Créez le journal d’événements : transformez les données brutes à l’aide d’un script pour obtenir le format d’activité requis et constituer un journal d’événements unifié. Créez un ensemble de lignes correspondant à chacune des 13 activités requises. Par exemple :
- Les événements « Affaire créée » sont générés à partir de la colonne add_time du fichier Deals.csv.
- Les événements « Affaire gagnée » sont générés à partir de la colonne won_time du fichier Deals.csv.
- « Premier contact établi » correspond à la première activité terminée pour chaque affaire dans le fichier Activities.csv.
- D’autres activités, comme « Proposition envoyée » ou « Négociation commencée », sont déduites des sujets ou des types d’activité spécifiques dans Activities.csv.
Associez les attributs : pour chaque ligne d’événement, renseignez toutes les colonnes requises : SalesOpportunityId, ActivityName et EventTime. Ajoutez les attributs recommandés, tels que DealValue, DealOwner et DealStatus, en les associant aux données des affaires.
Exportez le fichier final : une fois le journal d’événements constitué et validé, enregistrez le tableau final dans un seul fichier CSV encodé en UTF-8. Vous pouvez alors importer ce fichier dans ProcessMind pour l’analyser.

Configuration

Objets à exporter : exportez au minimum les objets « Affaires » et « Activités ». Vous pouvez également devoir exporter les objets « Organisations » ou « Personnes » pour obtenir des données dimensionnelles supplémentaires.
Format de fichier : choisissez le format CSV, compatible avec la plupart des outils de traitement des données, comme Python ou Power Query.
Filtre de période : utilisez l’option « Filtrer par » pour sélectionner une période précise, par exemple « Date d’ajout de l’affaire » au cours des « 180 derniers jours ». Ce filtre est essentiel pour maîtriser les performances de l’export et la taille du fichier.
Autorisations utilisateur : vous devez disposer d’un compte administrateur ou d’un ensemble d’autorisations autorisant explicitement l’export des données du compte Pipedrive.
Types d’activité personnalisés : l’extraction d’étapes telles que « Affaire qualifiée » ou « Proposition envoyée » dépend largement de l’utilisation des types d’activité personnalisés dans Pipedrive. Vérifiez qu’ils sont configurés et utilisés de manière cohérente par votre équipe commerciale.

Exemple de requête python

import pandas as pd

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

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

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

for col in [class="hl-string">'EventTime_Created', class="hl-string">'EventTime_Won', class="hl-string">'EventTime_Lost']: 
    deals_df[col] = pd.to_datetime(deals_df[col], errors=class="hl-string">'coerce')
activities_df[class="hl-string">'EventTime'] = pd.to_datetime(activities_df[class="hl-string">'EventTime'], errors=class="hl-string">'coerce')


class=class="hl-string">"hl-comment"># --- 3. Extract Activities from Pipedrive Data ---

class=class="hl-string">"hl-comment"># Activity: Deal Created
event_created = deals_df[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime_Created']].copy()
event_created.rename(columns={class="hl-string">'EventTime_Created': class="hl-string">'EventTime'}, inplace=True)
event_created[class="hl-string">'ActivityName'] = class="hl-string">'Deal Created'

class=class="hl-string">"hl-comment"># Activity: Deal Won
event_won = deals_df[deals_df[class="hl-string">'EventTime_Won'].notna()][[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime_Won']].copy()
event_won.rename(columns={class="hl-string">'EventTime_Won': class="hl-string">'EventTime'}, inplace=True)
event_won[class="hl-string">'ActivityName'] = class="hl-string">'Deal Won'

class=class="hl-string">"hl-comment"># Activity: Deal Lost
event_lost = deals_df[deals_df[class="hl-string">'EventTime_Lost'].notna()][[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime_Lost']].copy()
event_lost.rename(columns={class="hl-string">'EventTime_Lost': class="hl-string">'EventTime'}, inplace=True)
event_lost[class="hl-string">'ActivityName'] = class="hl-string">'Deal Lost'

class=class="hl-string">"hl-comment"># Filter for relevant, completed activities linked to a deal
completed_activities = activities_df[activities_df[class="hl-string">'EventTime'].notna() & activities_df[class="hl-string">'SalesOpportunityId'].notna()].copy()
completed_activities[class="hl-string">'SalesOpportunityId'] = completed_activities[class="hl-string">'SalesOpportunityId'].astype(int)

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

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

event_proposal_sent = completed_activities[completed_activities[class="hl-string">'ActivityName'].str.contains(class="hl-string">'proposal|quote', case=False, na=False)].copy()
event_proposal_sent[class="hl-string">'ActivityName'] = class="hl-string">'Proposal Sent'

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

event_negotiation = completed_activities[completed_activities[class="hl-string">'ActivityName'].str.contains(class="hl-string">'negotiation|negotiate', case=False, na=False)].copy()
event_negotiation[class="hl-string">'ActivityName'] = class="hl-string">'Negotiation Started'

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

class=class="hl-string">"hl-comment"># --- 4. Extract Activities from External Data (Placeholders) ---

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


class=class="hl-string">"hl-comment"># --- 5. Combine and Finalize Event Log ---

event_log_frames = [
    event_created,
    event_won,
    event_lost,
    event_initial_contact,
    event_qualified[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime', class="hl-string">'ActivityName']],
    event_proposal_sent[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime', class="hl-string">'ActivityName']],
    event_follow_up[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime', class="hl-string">'ActivityName']],
    event_negotiation[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime', class="hl-string">'ActivityName']],
    event_reopened,
    event_so_created,
    event_fulfilled,
    event_invoice_sent,
    event_payment_received
]

event_log = pd.concat(event_log_frames)

class=class="hl-string">"hl-comment"># Merge with deal attributes
final_event_log = pd.merge(event_log, deals_df[[class="hl-string">'SalesOpportunityId', class="hl-string">'DealValue', class="hl-string">'DealOwner', class="hl-string">'Status']], on=class="hl-string">'SalesOpportunityId', how=class="hl-string">'left')

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

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

class=class="hl-string">"hl-comment"># Reorder columns to match requirements
output_columns = [class="hl-string">'SalesOpportunityId', class="hl-string">'ActivityName', class="hl-string">'EventTime', class="hl-string">'DealValue', class="hl-string">'DealOwner', class="hl-string">'DealStatus', class="hl-string">'DiscountPercentage']
final_event_log = final_event_log[output_columns]

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

print(class="hl-string">'Event log created successfully.')

Étapes

Configurez l’environnement Python : vérifiez que Python 3.6 ou une version ultérieure est installé sur votre système. Ouvrez un terminal ou une invite de commandes et installez les bibliothèques Python nécessaires en exécutant la commande suivante : pip install requests pandas.
Récupérez vos identifiants d’API Pipedrive : connectez-vous à votre compte Pipedrive. Cliquez sur votre photo de profil, ouvrez les paramètres, puis sélectionnez « Préférences personnelles » et accédez à l’onglet « API ». Copiez votre jeton d’API personnel. Vous aurez également besoin du domaine de votre entreprise, c’est-à-dire du préfixe de votre URL Pipedrive, par exemple votre-entreprise dans votre-entreprise.pipedrive.com.
Configurez le script d’extraction : ouvrez le script Python fourni dans un éditeur de texte ou un environnement de développement intégré. Repérez la section de configuration en haut du fichier et remplacez les valeurs fictives de API_TOKEN et COMPANY_DOMAIN par vos identifiants.
Définissez la période d’extraction : dans la section de configuration du script, définissez la variable START_DATE sur la date de création la plus ancienne des affaires à inclure dans l’analyse. Utilisez le format « AAAA-MM-JJ ».
Associez les identifiants de vos pipelines et étapes : le script déduit plusieurs activités à partir des changements d’étape des affaires. Vous devez indiquer les identifiants de votre pipeline commercial et de ses étapes clés. Vous pouvez les trouver en ouvrant l’étape dans l’interface Pipedrive et en consultant l’URL, ou en utilisant l’API. Mettez à jour les variables PIPELINE_ID, QUALIFIED_STAGE_ID, PROPOSAL_STAGE_ID et NEGOTIATION_STAGE_ID dans le script.
Exécutez le script : lancez-le depuis votre terminal à l’aide de la commande python nom_de_votre_script.py. Le script commencera à interroger l’API Pipedrive pour récupérer les affaires, les activités et les journaux de modifications.
Suivez l’exécution : le script affiche dans la console des informations sur l’avancement et les données récupérées. Selon le volume de données et les limites de fréquence de l’API, l’opération peut prendre plusieurs minutes.
Ajoutez l’extraction des données externes : pour des activités comme « Commande client créée » et « Paiement reçu », le script contient des fonctions provisoires. Vous devez les modifier pour les connecter à vos systèmes externes, par exemple un ERP ou une plateforme comptable, et récupérer les événements correspondants. Associez SalesOpportunityId de Pipedrive aux enregistrements de ces autres systèmes.
Vérifiez le résultat : à la fin de l’exécution, le script génère un fichier CSV nommé pipedrive_event_log.csv. Celui-ci contient le journal d’événements structuré et toutes les activités extraites.
Préparez l’importation : ouvrez le fichier CSV et vérifiez qu’il a été créé correctement. Il doit contenir les colonnes SalesOpportunityId, ActivityName, EventTime et les autres attributs recommandés. Vous pouvez alors l’importer dans ProcessMind pour l’analyser.

Configuration

Identifiants d’API : le script nécessite un API_TOKEN valide et votre COMPANY_DOMAIN pour s’authentifier auprès de l’API Pipedrive. Vérifiez que l’utilisateur associé au jeton dispose des autorisations nécessaires pour lire les affaires, les activités et les utilisateurs.
Période : la variable START_DATE filtre les affaires créées à partir de la date indiquée. Pour une première analyse, une période de 3 à 6 mois est recommandée afin de conserver un volume de données raisonnable.
Identifiants de pipeline et d’étape : pour déduire correctement des étapes comme « Affaire qualifiée » ou « Proposition envoyée », vous devez configurer le script avec les identifiants numériques exacts de votre pipeline commercial principal (PIPELINE_ID) et les valeurs STAGE_ID correspondant à chaque jalon clé. Des identifiants incorrects entraîneront l’absence de certaines activités.
Performances et limitation du débit : le script marque une courte pause entre les appels à l’API afin de respecter les limites de fréquence de Pipedrive. Pour les organisations qui gèrent un très grand nombre d’affaires, il peut être nécessaire d’ajuster cette pause ou de mettre en place une stratégie de temporisation progressive plus élaborée afin d’éviter les erreurs d’API.
Association des champs personnalisés : si vous utilisez des champs personnalisés pour des attributs importants comme DiscountPercentage, vous devrez trouver la clé d’API de ce champ, une longue chaîne de hachage et non son nom d’affichage, puis la référencer dans la logique de transformation des données.
Connexion aux systèmes externes : l’extraction des événements provenant de systèmes autres que Pipedrive, comme la facturation ou le traitement des commandes, est gérée par des fonctions provisoires. Vous devez personnaliser ces sections pour les connecter à vos sources de données externes.

Exemple de requête python

import requests
import pandas as pd
import time
import datetime

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

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

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

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

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

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

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

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

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

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

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

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

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

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


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

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

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

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

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

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

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

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

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

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

        lost_then_reopened = False
        was_lost = False

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

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

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

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

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

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

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

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

Étapes

Choisissez et souscrivez une licence pour un service commercial d’ETL ou d’automatisation doté d’un connecteur Pipedrive compatible, comme Fivetran ou Make. Vérifiez que le produit choisi peut extraire les affaires, les activités, l’historique des étapes et des changements de statut des affaires, les personnes, les organisations et les champs personnalisés, puis écrire les données dans votre entrepôt ou lac de données cible.
Créez une connexion Pipedrive autorisée en lecture à l’aide de la méthode d’authentification prise en charge par le connecteur. Configurez le compte source, l’espace de travail ou l’organisation selon l’outil choisi. Ne partez pas du principe que les menus ou les points de terminaison d’API sont identiques d’un produit ou d’une version de connecteur à l’autre.
Configurez la connexion de destination et créez une zone d’atterrissage pour les objets source synchronisés. Utilisez les noms de tables ou de collections générés par le connecteur, ou remplacez les noms du script par ceux créés dans votre environnement. Conservez les identifiants source, les horodatages, les valeurs de statut et d’étape, les identifiants des responsables, les valeurs monétaires et les champs personnalisés.
Configurez une synchronisation incrémentielle pour la période requise, généralement les 3 à 6 derniers mois, avec une fenêtre de chevauchement si le connecteur le permet. Incluez les enregistrements historiques nécessaires pour repérer les affaires rouvertes, ainsi que l’historique des étapes ou des statuts, et pas seulement l’état actuel des affaires.
Synchronisez les objets Pipedrive et tous les objets des systèmes en aval nécessaires aux activités « Commande client créée », « Commande exécutée », « Facture envoyée » et « Paiement reçu ». Ces quatre activités ne sont pas des événements natifs de Pipedrive : elles nécessitent des données provenant d’un ERP, d’un système de traitement des commandes, de comptabilité, de facturation ou d’un système financier. Si le connecteur ne donne pas accès à ces objets, chargez-les dans la destination à l’aide d’un autre connecteur compatible.
Créez des vues ou des tables normalisées qui associent les données du connecteur aux objets source logiques référencés par le script d’extraction. Remplacez chaque nom de table provisoire du script par la table ou la vue correspondante dans votre destination. Dans la section de configuration indiquée, définissez les noms d’étape propres à la source, les valeurs de statut, les types d’activité et les clés de relation avec les systèmes externes.
Exécutez le script d’extraction. Il crée explicitement des lignes pour les activités suivantes : Affaire créée, Premier contact établi, Affaire qualifiée, Proposition envoyée, Relance de la proposition, Négociation commencée, Affaire gagnée, Commande client créée, Commande exécutée, Facture envoyée, Paiement reçu, Affaire perdue et Affaire rouverte. Les événements déduits de l’historique des étapes ou des statuts ne sont générés que si l’historique source contient la transition requise. ProcessMind ne déduit pas les événements manquants après l’importation.
Vérifiez que SalesOpportunityId, ActivityName et EventTime sont renseignés, que les horodatages utilisent un fuseau horaire cohérent et que les doublons sont supprimés ou gérés à l’aide de l’identifiant d’événement source et de son horodatage. Vérifiez les attributs recommandés et conservez les valeurs NULL lorsque la source ne les fournit pas.
Exportez le résultat dans un fichier CSV plat ou dans un autre format de journal d’événements pris en charge par ProcessMind. Utilisez SalesOpportunityId comme identifiant de cas, ActivityName comme colonne d’activité et EventTime comme horodatage de l’événement. Ajoutez DealValue, DealOwner, DealStatus et DiscountPercentage comme attributs supplémentaires. Importez le fichier ou connectez le jeu de données de destination dans ProcessMind, puis vérifiez que les noms d’activité correspondent exactement aux libellés requis.

Configuration

Connecteur source : configurez un connecteur Pipedrive compatible dans le service d’ETL ou d’automatisation choisi. Les fonctionnalités du connecteur, les modes de synchronisation, les noms de tables générés et les options d’authentification varient selon le produit et sa version.
Données source requises : incluez les affaires, les activités, l’historique des étapes et des statuts des affaires, les responsables ou les utilisateurs, ainsi que les champs permettant d’identifier les prospects convertis. Ajoutez les données des systèmes intégrés en aval sur les commandes, leur traitement, les factures et les paiements.
Objets de destination : remplacez [Votre table des affaires], [Votre table des activités], [Votre table d’historique des étapes], [Votre table d’historique des statuts], [Votre table des commandes clients], [Votre table de traitement des commandes], [Votre table des factures] et [Votre table des paiements] par les tables générées par le connecteur ou par des vues préparées.
Période : commencez par 3 à 6 mois de données. Étendez la période si le cycle du processus est plus long, si vous devez analyser les affaires rouvertes ou si l’historique des changements d’étape et de statut est nécessaire.
Paramètres de date : définissez [Date de début] et [Date de fin] au format pris en charge par la destination. Pour les chargements incrémentiels, prévoyez une période de chevauchement afin de récupérer les mises à jour tardives, les horodatages corrigés et les transactions en aval différées.
Configuration des étapes : indiquez les noms exacts des étapes ou les catégories normalisées utilisées dans le compte Pipedrive pour la qualification, la proposition et la négociation. Ne reprenez pas les noms d’étape des exemples s’ils ne correspondent pas aux valeurs de la source.
Configuration des activités : indiquez les types exacts d’activités terminées qui correspondent au premier contact et à la relance d’une proposition, par exemple un appel, un e-mail ou une réunion, en fonction des valeurs normalisées par le connecteur.
Lien avec les systèmes externes : définissez la clé de relation qui associe une commande client en aval à une affaire Pipedrive. Si le système en aval utilise une autre clé, créez une vue d’association avant de lancer l’extraction.
Filtres : appliquez des filtres sur l’entreprise, l’organisation, le pipeline, l’équipe, la devise ou l’unité opérationnelle uniquement si nécessaire. Documentez chaque filtre, car il influe sur l’exhaustivité des cas et des événements.
Performances : pour les grands jeux de données, utilisez la synchronisation incrémentielle, les filtres de date côté source, des tables de destination partitionnées et des colonnes d’identifiant de cas et d’horodatage indexées ou regroupées. Évitez de parcourir à répétition l’intégralité des tables d’historique.
Déduplication : conservez un identifiant d’événement source stable lorsqu’il est disponible. Sinon, dédupliquez à partir de l’identifiant de cas, du nom de l’activité, de l’horodatage de l’événement et de l’identifiant de l’enregistrement source, tout en préservant les répétitions légitimes, comme plusieurs relances.
Prérequis : vous devez disposer d’une licence pour le connecteur, d’une autorisation Pipedrive, des droits d’écriture sur la destination, d’un accès à l’historique des affaires et aux activités, ainsi que d’un accès aux données des systèmes en aval : ERP, traitement des commandes, comptabilité, facturation ou données financières. L’accès aux champs personnalisés et à l’historique des modifications peut nécessiter des autorisations ou des fonctionnalités supplémentaires du produit.

Exemple de requête python

import os
from datetime import datetime, timezone
import pandas as pd
from sqlalchemy import create_engine, text

CONNECTION_STRING = os.getenv(class="hl-string">"DESTINATION_CONNECTION_STRING", class="hl-string">"[Connection string]")
START_DATE = os.getenv(class="hl-string">"START_DATE", class="hl-string">"[Start date]")
END_DATE = os.getenv(class="hl-string">"END_DATE", class="hl-string">"[End date]")

DEALS_TABLE = class="hl-string">"[Your deals table]"
ACTIVITIES_TABLE = class="hl-string">"[Your activities table]"
DEAL_STAGE_HISTORY_TABLE = class="hl-string">"[Your deal stage history table]"
DEAL_STATUS_HISTORY_TABLE = class="hl-string">"[Your deal status history table]"
SALES_ORDERS_TABLE = class="hl-string">"[Your sales orders table]"
FULFILLMENT_TABLE = class="hl-string">"[Your fulfillment table]"
INVOICES_TABLE = class="hl-string">"[Your invoices table]"
PAYMENTS_TABLE = class="hl-string">"[Your payments table]"

engine = create_engine(CONNECTION_STRING)

sql = fclass="hl-string">"""
WITH
base_deals AS (
    SELECT
        CAST(d.id AS VARCHAR(255)) AS SalesOpportunityId,
        d.id AS deal_source_id,
        d.add_time AS deal_created_time,
        d.value AS DealValue,
        d.owner_name AS DealOwner,
        d.status AS DealStatus,
        d.discount_percentage AS DiscountPercentage
    FROM {DEALS_TABLE} d
    WHERE d.add_time >= :start_date
      AND d.add_time < :end_date
),
completed_activities AS (
    SELECT
        CAST(a.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        a.id AS activity_source_id,
        a.done AS activity_done,
        a.activity_type,
        a.subject,
        a.done_time AS activity_time,
        a.add_time AS activity_created_time
    FROM {ACTIVITIES_TABLE} a
    WHERE a.deal_id IS NOT NULL
      AND COALESCE(a.done_time, a.add_time) >= :start_date
      AND COALESCE(a.done_time, a.add_time) < :end_date
      AND a.done = TRUE
),
stage_history AS (
    SELECT
        CAST(h.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        h.stage_name,
        h.changed_at,
        LAG(h.stage_name) OVER (PARTITION BY h.deal_id ORDER BY h.changed_at, h.id) AS previous_stage
    FROM {DEAL_STAGE_HISTORY_TABLE} h
    WHERE h.changed_at >= :start_date
      AND h.changed_at < :end_date
),
status_history AS (
    SELECT
        CAST(h.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        LOWER(h.status) AS status,
        LOWER(LAG(h.status) OVER (PARTITION BY h.deal_id ORDER BY h.changed_at, h.id)) AS previous_status,
        h.changed_at
    FROM {DEAL_STATUS_HISTORY_TABLE} h
    WHERE h.changed_at >= :start_date
      AND h.changed_at < :end_date
),
external_sales_orders AS (
    SELECT
        CAST(o.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        o.created_at AS event_time,
        o.order_value AS DealValue,
        o.owner_name AS DealOwner,
        o.status AS DealStatus,
        o.discount_percentage AS DiscountPercentage
    FROM {SALES_ORDERS_TABLE} o
    WHERE o.deal_id IS NOT NULL
      AND o.created_at >= :start_date
      AND o.created_at < :end_date
),
external_fulfillment AS (
    SELECT
        CAST(f.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        f.fulfilled_at AS event_time,
        f.order_value AS DealValue,
        f.owner_name AS DealOwner,
        f.status AS DealStatus,
        f.discount_percentage AS DiscountPercentage
    FROM {FULFILLMENT_TABLE} f
    WHERE f.deal_id IS NOT NULL
      AND f.fulfilled_at >= :start_date
      AND f.fulfilled_at < :end_date
),
external_invoices AS (
    SELECT
        CAST(i.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        i.sent_at AS event_time,
        i.invoice_value AS DealValue,
        i.owner_name AS DealOwner,
        i.status AS DealStatus,
        i.discount_percentage AS DiscountPercentage
    FROM {INVOICES_TABLE} i
    WHERE i.deal_id IS NOT NULL
      AND i.sent_at >= :start_date
      AND i.sent_at < :end_date
),
external_payments AS (
    SELECT
        CAST(p.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        p.received_at AS event_time,
        p.payment_value AS DealValue,
        p.owner_name AS DealOwner,
        p.status AS DealStatus,
        p.discount_percentage AS DiscountPercentage
    FROM {PAYMENTS_TABLE} p
    WHERE p.deal_id IS NOT NULL
      AND p.received_at >= :start_date
      AND p.received_at < :end_date
),
events AS (
    SELECT b.SalesOpportunityId, 'Deal Created' AS ActivityName, b.deal_created_time AS EventTime, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM base_deals b
    WHERE b.deal_created_time IS NOT NULL
    UNION ALL
    SELECT a.SalesOpportunityId, 'Initial Contact Made', COALESCE(a.activity_time, a.activity_created_time), b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM completed_activities a
    JOIN base_deals b ON b.SalesOpportunityId = a.SalesOpportunityId
    WHERE LOWER(COALESCE(a.activity_type, '')) IN ('call', 'email', 'meeting')
       OR LOWER(COALESCE(a.subject, '')) LIKE '%initial contact%'
    UNION ALL
    SELECT h.SalesOpportunityId, 'Deal Qualified', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM stage_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE LOWER(COALESCE(h.stage_name, '')) IN ('contact made', 'needs defined', 'qualified')
      AND LOWER(COALESCE(h.previous_stage, '')) IN ('lead in', 'lead', 'new')
    UNION ALL
    SELECT h.SalesOpportunityId, 'Proposal Sent', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM stage_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE LOWER(COALESCE(h.stage_name, '')) IN ('proposal made', 'quote sent', 'proposal sent')
    UNION ALL
    SELECT a.SalesOpportunityId, 'Proposal Follow-Up', COALESCE(a.activity_time, a.activity_created_time), b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM completed_activities a
    JOIN base_deals b ON b.SalesOpportunityId = a.SalesOpportunityId
    WHERE LOWER(COALESCE(a.activity_type, '')) IN ('call', 'email', 'meeting')
      AND COALESCE(a.activity_time, a.activity_created_time) > COALESCE((SELECT MIN(h.changed_at) FROM stage_history h WHERE h.SalesOpportunityId = a.SalesOpportunityId AND LOWER(COALESCE(h.stage_name, '')) IN ('proposal made', 'quote sent', 'proposal sent')), TIMESTAMP '1900-01-01')
    UNION ALL
    SELECT h.SalesOpportunityId, 'Negotiation Started', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM stage_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE LOWER(COALESCE(h.stage_name, '')) IN ('negotiation', 'negotiating')
      AND EXISTS (SELECT 1 FROM stage_history p WHERE p.SalesOpportunityId = h.SalesOpportunityId AND LOWER(COALESCE(p.stage_name, '')) IN ('proposal made', 'quote sent', 'proposal sent') AND p.changed_at <= h.changed_at)
    UNION ALL
    SELECT h.SalesOpportunityId, 'Deal Won', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM status_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE h.status = 'won' AND COALESCE(h.previous_status, '') <> 'won'
    UNION ALL
    SELECT o.SalesOpportunityId, 'Sales Order Created', o.event_time, COALESCE(o.DealValue, b.DealValue), COALESCE(o.DealOwner, b.DealOwner), COALESCE(o.DealStatus, b.DealStatus), COALESCE(o.DiscountPercentage, b.DiscountPercentage)
    FROM external_sales_orders o
    LEFT JOIN base_deals b ON b.SalesOpportunityId = o.SalesOpportunityId
    UNION ALL
    SELECT f.SalesOpportunityId, 'Order Fulfilled', f.event_time, COALESCE(f.DealValue, b.DealValue), COALESCE(f.DealOwner, b.DealOwner), COALESCE(f.DealStatus, b.DealStatus), COALESCE(f.DiscountPercentage, b.DiscountPercentage)
    FROM external_fulfillment f
    LEFT JOIN base_deals b ON b.SalesOpportunityId = f.SalesOpportunityId
    UNION ALL
    SELECT i.SalesOpportunityId, 'Invoice Sent', i.event_time, COALESCE(i.DealValue, b.DealValue), COALESCE(i.DealOwner, b.DealOwner), COALESCE(i.DealStatus, b.DealStatus), COALESCE(i.DiscountPercentage, b.DiscountPercentage)
    FROM external_invoices i
    LEFT JOIN base_deals b ON b.SalesOpportunityId = i.SalesOpportunityId
    UNION ALL
    SELECT p.SalesOpportunityId, 'Payment Received', p.event_time, COALESCE(p.DealValue, b.DealValue), COALESCE(p.DealOwner, b.DealOwner), COALESCE(p.DealStatus, b.DealStatus), COALESCE(p.DiscountPercentage, b.DiscountPercentage)
    FROM external_payments p
    LEFT JOIN base_deals b ON b.SalesOpportunityId = p.SalesOpportunityId
    UNION ALL
    SELECT h.SalesOpportunityId, 'Deal Lost', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM status_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE h.status = 'lost' AND COALESCE(h.previous_status, '') <> 'lost'
    UNION ALL
    SELECT h.SalesOpportunityId, 'Deal Reopened', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM status_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE h.status = 'open' AND h.previous_status = 'lost'
)
SELECT SalesOpportunityId, ActivityName, EventTime, DealValue, DealOwner, DealStatus, DiscountPercentage
FROM events
WHERE SalesOpportunityId IS NOT NULL
  AND EventTime IS NOT NULL
ORDER BY SalesOpportunityId, EventTime, ActivityName
"""

with engine.connect() as connection:
    event_log = pd.read_sql(text(sql), connection, params={class="hl-string">"start_date": START_DATE, class="hl-string">"end_date": END_DATE})

event_log[class="hl-string">"EventTime"] = pd.to_datetime(event_log[class="hl-string">"EventTime"], utc=True, errors=class="hl-string">"coerce")
event_log = event_log.dropna(subset=[class="hl-string">"SalesOpportunityId", class="hl-string">"ActivityName", class="hl-string">"EventTime"])
event_log = event_log.sort_values([class="hl-string">"SalesOpportunityId", class="hl-string">"EventTime", class="hl-string">"ActivityName"])
event_log.to_csv(class="hl-string">"processmind_lead_to_cash_event_log.csv", index=False)
print(event_log.to_string(index=False))
print(fclass="hl-string">"Exported {len(event_log)} event rows to processmind_lead_to_cash_event_log.csv")

Prêt à commencer ?

Utilisez ce modèle pour préparer efficacement vos données Lead to Cash et commencer à dégager des enseignements utiles sur vos processus. Commencez dès aujourd’hui à optimiser vos opérations dans Pipedrive.

Retour au guide d’amélioration

Télécharger le modèle

Augmentez votre taux de réussite : optimisez dès aujourd’hui votre processus Lead to Cash dans Pipedrive

Augmentez votre taux de réussite de 20 % et raccourcissez vos cycles de vente. Commencez dès maintenant.

Démarrez l’essai gratuit

Aucune carte bancaire requise. Essai gratuit de 14 jours.

Votre modèle de données Lead to Cash

Votre modèle de données Lead to Cash

Attributs Lead to Cash

Activités Lead to Cash

Guides d’extraction

Export natif des données Pipedrive au format CSV/Excel

Étapes

Configuration

Exemple de requête python

Extraction par script Python via l’API REST de Pipedrive

Étapes

Configuration

Exemple de requête python

Outil ETL tiers avec connecteur Pipedrive

Étapes

Configuration

Exemple de requête python

Prêt à commencer ?

Augmentez votre taux de réussite : optimisez dès aujourd’hui votre processus Lead to Cash dans Pipedrive

Votre modèle de données Lead to Cash

Votre modèle de données Lead to Cash

Attributs Lead to Cash

Activités Lead to Cash

Guides d’extraction

Export natif des données Pipedrive au format CSV/Excel

Étapes

Configuration

Exemple de requête python

Extraction par script Python via l’API REST de Pipedrive

Étapes

Configuration

Exemple de requête python

Outil ETL tiers avec connecteur Pipedrive

Étapes

Configuration

Exemple de requête python

Prêt à commencer ?

Augmentez votre taux de réussite : optimisez dès aujourd’hui votre processus Lead to Cash dans Pipedrive

Prêt à commencer ?

Augmentez votre taux de réussite : optimisez dès aujourd’hui votre processus Lead to Cash dans Pipedrive