> Amélioration continue des processus > Traitement de la paie > Ceridian Dayforce > Modèle de données

Votre modèle de données pour le traitement de la paie

Ceridian Dayforce

Attributs du traitement de la paie (17) Activités de traitement de la paie (15) Guides d’extraction (2)

Votre modèle de données pour le traitement de la paie

Ce modèle fournit un cadre complet pour cartographier le cycle de vie de la paie dans Ceridian Dayforce. Il présente les champs de données et les jalons de processus essentiels à la création d’un journal d’événements de qualité, adapté à une analyse détaillée. En suivant ces recommandations, vous pourrez comprendre l’ensemble de vos flux de travail de versement et repérer les possibilités d’amélioration opérationnelle.

Attributs recommandés à recueillir
Activités clés à suivre
Conseils d’extraction propres au système

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

Télécharger le modèle

Attributs du traitement de la paie

Ces champs de données recommandés rassemblent le contexte métier et les détails système essentiels de Ceridian Dayforce, afin de fournir une base solide à l’analyse de vos processus.

5 Obligatoire 5 Recommandé 7 Facultatif

	Nom	Description
	Activité ActivityName	Nom de l’étape du processus ou de l’événement réalisé.
Description Cet attribut désigne l’événement qui survient au cours du cycle de paie. Parmi les activités courantes dans Dayforce figurent « Feuille de temps envoyée », « Salaire brut calculé », « Paie validée », « Paiement effectué » et « Déclaration fiscale effectuée ». Ces valeurs sont généralement extraites des journaux d’audit du flux de travail, des journaux de transactions système, par exemple des changements de statut de la paie, ou des horodatages associés à des objets métier tels que le cycle de paie ou la feuille de temps. Pourquoi est-ce important ? Il définit les étapes du processus et permet de reconstituer son déroulement et d’analyser ses variantes. Où trouver ces données Journaux du flux de travail, piste d’audit ou tables d’historique des changements de statut. Exemples Feuille de temps envoyéeSalaire brut calculéPaiement effectuéCorrection des données effectuéeException d’audit signalée
	Dossier de paie PayrollRecordId	Identifiant unique du cas de paie, composé de l’employé et de la période de paie.
Description Cet attribut sert d’ID de cas unique pour le processus. Dans Ceridian Dayforce, un dossier de paie correspond à l’association d’un employé et d’une période de paie précise, souvent définie au sein d’un groupe de paie. Il retrace l’ensemble du cycle de rémunération de cet employé pour la période concernée. En pratique, cet identifiant est souvent construit en concaténant l’identifiant de la période de paie et le XRefCode ou l’identifiant système de l’employé. Il relie toutes les activités, de l’envoi initial de la feuille de temps à la déclaration fiscale finale et à la génération du bulletin de paie. Pourquoi est-ce important ? Il identifie l’objet central de l’analyse de Process Mining et permet de regrouper tous les événements dans un parcours unique de bout en bout. Où trouver ces données Dérivé de la combinaison de PayPeriodID et EmployeeID dans les tables Payroll Result ou Time Entry. Exemples PG01-2023-10-EMP10234US_SAL-2023-22-EMP88421UK_HRLY-2023-44-EMP00231
	Horodatage EventDateTime	Date et heure précises auxquelles l’activité a eu lieu.
Description Horodatage exact de l’événement dans le système Dayforce. Il sert à ordonner les activités chronologiquement et à calculer les durées entre les étapes. Des horodatages précis sont essentiels pour repérer les goulots d’étranglement, par exemple les retards dans l’approbation des feuilles de temps ou la génération des fichiers de virement bancaire. La précision devrait idéalement être de l’ordre de la seconde ou de la minute. Pourquoi est-ce important ? Il fournit la dimension temporelle nécessaire au Process Mining et permet d’analyser les performances et de repérer les goulots d’étranglement. Où trouver ces données Colonnes d’horodatage des transactions dans les tables d’audit, par exemple CreatedDateTime et LastModifiedDateTime. Exemples 2023-10-12T08:30:00Z2023-10-12T14:15:22Z2023-10-15T09:00:00Z
	Dernière mise à jour des données LastDataUpdate	Horodatage de l’extraction des données depuis le système source.
Description Indique l’actualité des données utilisées pour l’analyse. Il s’agit généralement de l’horodatage de l’exécution du processus ETL (extraction, transformation et chargement) qui a récupéré les données dans Dayforce. Il aide les analystes à déterminer s’ils consultent des données en temps réel ou un instantané datant d’un jour précédent. Pourquoi est-ce important ? Il indique la date de référence du jeu de données et aide à vérifier son exhaustivité par rapport aux rapports du système source. Où trouver ces données Heure système au moment de l’exécution du script. Exemples 2023-11-01T00:00:00Z2023-11-02T12:00:00Z
	Système source SourceSystem	Nom du système d’origine des données.
Description Identifie le logiciel ou la base de données dont proviennent les données de paie. Dans ce contexte, la valeur est généralement « Ceridian Dayforce » ou « Dayforce ». Cet attribut est utile pour combiner des données issues de plusieurs systèmes, par exemple un système externe de gestion du temps et des présences qui alimente Dayforce, et suivre leur provenance. Pourquoi est-ce important ? Il garantit la traçabilité et permet de filtrer les données dans les analyses de processus portant sur plusieurs systèmes. Où trouver ces données Renseigné en dur lors de l’extraction ou dérivé des métadonnées de connexion. Exemples Ceridian DayforceDayforce ProductionDayforce Europe
	Échéance de traitement du SLA SlaProcessingDeadline	Horodatage auquel la génération du fichier bancaire doit être terminée.
Description Échéance interne ou externe à laquelle l’activité « Fichier de virement bancaire généré » doit avoir lieu pour que les employés soient payés à temps. Cet attribut alimente le Dashboard « Respect des échéances de virement bancaire ». Il peut s’agir d’une règle fixe calculée à partir de la date de paiement, par exemple deux jours avant celle-ci, ou d’un champ configuré dans les paramètres du groupe de paie. Pourquoi est-ce important ? Il sert de référence pour calculer le respect des délais et évaluer les risques liés à la conformité. Où trouver ces données Dérivé de la date de paiement et de la configuration des règles de traitement bancaire. Exemples 2023-10-25T14:00:00Z2023-10-26T10:00:00Z
	Groupe de paie PayGroupName	Regroupement des employés pour le traitement de la paie.
Description Regroupe les employés payés selon le même calendrier, par exemple « États-Unis, paie toutes les deux semaines » ou « Royaume-Uni, paie mensuelle ». Dans Dayforce, le groupe de paie est une unité organisationnelle centrale pour les cycles de paie. Cet attribut est essentiel au Dashboard « Durée totale du cycle de paie », car les temps de cycle et les échéances varient naturellement d’un groupe de paie à l’autre. Pourquoi est-ce important ? Il sert de principal critère de segmentation pour comparer les performances de la paie et repérer les problèmes propres à certains groupes. Où trouver ces données Table PayGroup ou définition PayRun. Exemples États-Unis, employés rémunérés au salaire, siège socialCanada, employés rémunérés à l’heure, commerce de détailRoyaume-Uni, cadres, paie mensuelle
	Montant du salaire brut GrossPayAmount	Salaire brut calculé pour le dossier.
Description Montant total de la rémunération avant déduction des retenues et des impôts. Cette valeur est renseignée lors de l’activité « Salaire brut calculé ». L’analyse des variations du temps de traitement du salaire brut peut aider à repérer les calculs complexes qui ralentissent le Dashboard « Vitesse du moteur de calcul ». Pourquoi est-ce important ? Il apporte un contexte financier au processus et permet de comparer le traitement des dossiers de montant élevé et de montant faible. Où trouver ces données Table Payroll Result ou Pay Run Details. Exemples 2500.004150.501200.00
	Service DepartmentName	Unité organisationnelle à laquelle appartient l’employé.
Description Indique le service fonctionnel associé au dossier de paie, par exemple les ventes, l’informatique ou les ressources humaines. Dans Dayforce, ce champ est souvent lié à la hiérarchie « Unité organisationnelle » ou « Service ». Ce champ alimente le Dashboard « Performance d’approbation des feuilles de temps » et permet d’examiner les secteurs où les responsables tardent à approuver les feuilles. Pourquoi est-ce important ? Il permet de comparer les performances entre les unités de l’organisation et d’analyser les causes profondes des retards d’approbation. Où trouver ces données Dossier de l’employé ou hiérarchie des unités organisationnelles. Exemples FinancesLogistique de la chaîne d’approvisionnementVentes en Amérique du Nord
	Utilisateur ayant effectué l’action ActionUser	Utilisateur ayant réalisé l’activité concernée.
Description Identifie la personne à l’origine de l’événement, par exemple le responsable qui approuve une feuille de temps ou le spécialiste de la paie qui valide le cycle. Ces données sont essentielles à la vue « Productivité des spécialistes de la paie » et permettent de repérer les besoins de formation des responsables. Pourquoi est-ce important ? Il permet d’analyser les ressources et de suivre la répartition des responsabilités dans le processus. Où trouver ces données Journaux d’audit, colonne User ID des tables de transactions. Exemples jsmithAdministrateur systèmemgarcia_mgr
	Centre de coûts CostCenterCode	Code financier auquel est imputée la dépense de paie.
Description Centre de coûts du grand livre associé à la rémunération de l’employé. Il sert dans la vue « Références de traitement par centre de coûts » pour comparer l’efficacité entre différentes unités financières. Dans Dayforce, cette information figure dans les détails de répartition du grand livre (GL). Pourquoi est-ce important ? Il relie les performances du processus aux structures de reporting financier. Où trouver ces données Paramètres GL de l’employé ou tables de répartition de la main-d’œuvre. Exemples CC-1020CC-5500-USCC-IT-OPS
	Est une exception d’audit IsAuditExceptionFlagged	Indicateur booléen précisant si l’enregistrement a déclenché un avertissement d’audit.
Description Indicateur calculé ou direct signalant que l’activité « Exception d’audit signalée » a eu lieu pour ce cas. Il alimente le KPI « Taux de signalement des exceptions d’audit ». Un taux élevé d’exceptions peut révéler des problèmes de qualité des données ou une configuration trop stricte du moteur de conformité Dayforce. Pourquoi est-ce important ? Il simplifie le calcul des taux d’erreur et des boucles de reprise. Où trouver ces données Déduit de la présence de l’activité « Exception d’audit signalée ». Exemples truefalse
	Juridiction fiscale TaxJurisdiction	Région ou autorité compétente pour la déclaration fiscale.
Description Identifie l’autorité fiscale concernée par le dossier de paie, par exemple un État, une province ou un pays. Cet attribut alimente le Dashboard « Suivi des déclarations fiscales et de la conformité ». Il permet de segmenter le processus de conformité après le traitement de la paie et de repérer les juridictions où les déclarations sont souvent retardées. Pourquoi est-ce important ? Il permet de suivre la conformité et d’analyser les performances du processus par zone géographique. Où trouver ces données Paramètres fiscaux de l’employé ou détails fiscaux du résultat de paie. Exemples CalifornieOntarioNew YorkRoyaume-Uni
	Le virement bancaire est en retard IsBankTransferLate	Indicateur précisant si le fichier bancaire a dépassé l’échéance.
Description Valeur booléenne calculée en comparant l’horodatage de « Fichier de virement bancaire généré » à l’« Échéance de traitement SLA ». Elle alimente le KPI « Taux de virements bancaires effectués à temps ». Repérer les virements en retard est essentiel pour éviter que les employés ne soient payés tardivement. Pourquoi est-ce important ? Il s’agit d’un indicateur essentiel de conformité et de fiabilité. Où trouver ces données Calcul : BankTransferTime > SlaProcessingDeadline. Exemples truefalse
	Motif de correction CorrectionReason	Code indiquant le motif des corrections apportées aux données.
Description Lorsqu’une activité « Correction des données effectuée » a lieu, cet attribut enregistre le motif indiqué (par exemple, « Pointage manquant » ou « Ajustement rétroactif de la paie »). Il apporte des précisions au Dashboard « Taux de corrections manuelles et de reprises » et aide l’équipe à traiter les causes profondes des interventions manuelles. Pourquoi est-ce important ? Il est essentiel pour analyser les causes profondes des reprises. Où trouver ces données Détails du journal d’audit ou champs de commentaire des transactions de correction. Exemples Pointage manquantTaux erronéAjustement rétroactif
	Période de paie PayPeriodDescription	Nom descriptif du cycle de paie.
Description Libellé de la période de paie, compréhensible par tous (par exemple, « Semaine 42 de 2023 » ou « Bimensuel, octobre 2023 »). Il facilite le filtrage et la visualisation dans les Dashboards. Il précise le contexte de l’« Enregistrement de paie » et apparaît souvent dans l’« Analyse du parcours des variantes de processus » pour filtrer des exécutions spécifiques. Pourquoi est-ce important ? Il rend les données compréhensibles pour les utilisateurs métier. Où trouver ces données Colonne de description de la table PayPeriod. Exemples 2023-W422023-Oct-SM12023-M11
	Type d’emploi EmploymentType	Classification de l’employé (temps plein, temps partiel, prestataire).
Description Cet attribut catégorise la relation de travail de l’employé. Il sert aux comparaisons pour déterminer si les prestataires ou les employés à temps partiel présentent des caractéristiques de traitement de la paie ou des taux d’erreur différents. Il figure souvent dans la fiche de l’employé de Dayforce. Pourquoi est-ce important ? Il permet de segmenter les données et de comparer équitablement les statistiques de traitement. Où trouver ces données Table Employee. Exemples Temps pleinTemps partielPrestataire

Obligatoire Recommandé Facultatif

Activités de traitement de la paie

Enregistrez ces événements clés du cycle de vie et ces changements de statut pour obtenir une vue chronologique fidèle du traitement de la paie et des flux de travail de versement.

7 Recommandé 8 Facultatif

	Activité	Description
	Dossier de paie approuvé	Autorisation finale du dossier de paie, souvent appelée « validation » ou « verrouillage » du cycle de paie. Elle marque la fin de la phase de calcul et de vérification.
Pourquoi est-ce important ? Étape décisive qui marque la transition entre le traitement et le versement des paiements. Où trouver ces données Changement du statut du cycle de paie à « Validé », « Verrouillé » ou « Approuvé ». Données à recueillir Enregistré à l’exécution de la transaction Commit Type d’événement explicit
	Dossier de paie initialisé	Indique la création du dossier correspondant à un cycle de paie donné pour un employé. Dans Dayforce, cette étape a lieu lorsque le groupe de paie est ouvert pour le cycle et que les employés sont ajoutés au traitement.
Pourquoi est-ce important ? Cette étape marque le début du cas de paie et sert de référence pour mesurer le temps de cycle total. Où trouver ces données Repérez l’horodatage de création du dossier de paie de l’employé dans le groupe de paie concerné. Données à recueillir Enregistré à la création du dossier de paie Type d’événement explicit
	Feuille de temps approuvée	Le responsable ou le superviseur approuve les données de temps envoyées. Tout retard à cette étape a une incidence directe sur le Dashboard « Performance d’approbation des feuilles de temps ».
Pourquoi est-ce important ? Permet de repérer les goulots d’étranglement dans la chaîne d’approbation qui retardent le lancement du calcul de la paie. Où trouver ces données Suivez le changement de statut de la feuille de temps à « Approuvée » ou « Validée » dans le module WFM. Données à recueillir Enregistré à l’exécution de la transaction Approved Type d’événement explicit
	Feuille de temps envoyée	Événement au cours duquel un employé ou un responsable transmet les données de temps et de présence à traiter. Cette étape relie le module WFM au module de paie.
Pourquoi est-ce important ? Cet événement est essentiel au Dashboard « Durée totale du cycle de paie », qui mesure les retards à partir de la saisie initiale des données. Où trouver ces données Dérivé des journaux du module WFM de Dayforce ou du changement de statut de l’objet de feuille de temps à « Envoyée ». Données à recueillir Comparer le champ de statut avant et après Type d’événement inferred
	Fichier de virement bancaire généré	Génération des fichiers NACHA, SEPA ou d’autres fichiers bancaires. Cette étape sert à calculer le « Taux de virements bancaires effectués à temps » par rapport à l’échéance du SLA.
Pourquoi est-ce important ? Étape essentielle pour la conformité : elle garantit que les fonds sont transférés à temps pour le paiement. Où trouver ces données Journal des tâches système indiquant que le fichier de transmission bancaire a été généré. Données à recueillir Enregistré à l’exécution de la transaction File Generation Type d’événement explicit
	Paiement effectué	Date effective du paiement à l’employé. Elle marque la fin du processus sur le plan financier pour l’employé.
Pourquoi est-ce important ? Étape clé pour mesurer la durée totale du cycle de paie et la satisfaction des employés. Où trouver ces données Champ « Date du chèque » ou « Date de paiement » du dossier de paie finalisé. Données à recueillir Enregistré à l’exécution de la transaction Disbursement Type d’événement explicit
	Salaire brut calculé	Le moteur de calcul du système calcule le salaire brut à partir des heures, des taux et des données importées. Cette étape ouvre le Dashboard « Vitesse du moteur de calcul ».
Pourquoi est-ce important ? Mesure le temps de réponse du moteur de calcul une fois les données d’entrée finalisées. Où trouver ces données Déduit de l’horodatage auquel le champ « Salaire brut » est renseigné ou mis à jour pendant le traitement par lots. Données à recueillir Comparer le champ de statut avant et après Type d’événement inferred
	Bulletin de paie publié	Les bulletins de paie numériques sont mis à la disposition des employés sur le portail ESS. Cette étape alimente le Dashboard « Disponibilité des bulletins de paie numériques ».
Pourquoi est-ce important ? Mesure le délai entre l’exécution du paiement et la mise à disposition des informations. Où trouver ces données Horodatage de la fin de la tâche de publication du bulletin ou de l’activation de son indicateur de visibilité. Données à recueillir Comparer le champ de statut avant et après Type d’événement inferred
	Correction des données effectuée	Après le calcul initial, un utilisateur modifie manuellement les données de paie, comme les heures, les taux ou les retenues. Cette activité alimente le Dashboard « Taux de corrections manuelles et de reprises ».
Pourquoi est-ce important ? Mesure directement les reprises. Réduire cette activité est un objectif prioritaire pour améliorer l’efficacité du processus. Où trouver ces données Piste d’audit indiquant les mises à jour des tables détaillant la paie des employés par un utilisateur. Données à recueillir Enregistré à l’exécution de la transaction Record Updated Type d’événement explicit
	Déclaration fiscale effectuée	Confirmation que les déclarations fiscales postérieures au traitement de la paie ont été transmises avec succès à l’autorité compétente. Cette étape alimente le Dashboard « Suivi des déclarations fiscales et de la conformité ».
Pourquoi est-ce important ? Garantit le respect des obligations réglementaires et évite les pénalités après le paiement des employés. Où trouver ces données Mise à jour du statut dans le module fiscal ou le journal d’intégration, confirmant la réception par l’administration fiscale ou le prestataire tiers chargé de la déclaration. Données à recueillir Enregistré à l’exécution de la transaction Filing Confirmed Type d’événement explicit
	Données de primes importées	Enregistre la réussite de l’importation de fichiers de données externes contenant des primes, des commissions ou des paiements ponctuels. Ces données alimentent le Dashboard « Délais d’importation des données de primes ».
Pourquoi est-ce important ? Les retards dans la réception de ces données sont une cause fréquente de suspension du traitement de la paie. Où trouver ces données Journaux d’intégration Dayforce indiquant la fin des tâches d’importation XML ou CSV destinées au cycle de paie. Données à recueillir Enregistré à l’exécution de la transaction Import Type d’événement explicit
	Exception d’audit signalée	Le système génère un avertissement ou un message d’erreur en fonction des règles de validation, par exemple en cas de salaire net négatif. Cette activité alimente l’indicateur clé de performance « Taux d’exceptions d’audit signalées ».
Pourquoi est-ce important ? Une fréquence élevée indique souvent une mauvaise qualité des données en amont ou des erreurs de configuration nécessitant une intervention manuelle. Où trouver ces données Extraire les données de la table des messages ou des erreurs du système associée à l’identifiant du cycle de paie. Données à recueillir Enregistré à l’exécution de la transaction Exception Created Type d’événement explicit
	Impôts calculés	Dernière étape du calcul : les règles fiscales applicables sont utilisées pour déterminer le salaire net. Elle clôt la séquence de calcul automatisée.
Pourquoi est-ce important ? Des règles fiscales complexes peuvent ralentir le traitement. Cette activité permet d’évaluer les performances du moteur fiscal. Où trouver ces données Horodatage de la génération des lignes d’impôt ou de la finalisation du champ « Salaire net » dans la base de données. Données à recueillir Comparer le champ de statut avant et après Type d’événement inferred
	Résultat de paie prévisualisé	Un utilisateur consulte le registre préliminaire de paie ou l’aperçu des paiements. Cette activité sert à analyser l’efficacité de la phase de prévisualisation et à repérer les boucles de reprise.
Pourquoi est-ce important ? Marque le début de la phase de vérification humaine. Des prévisualisations répétées peuvent révéler des problèmes de données persistants. Où trouver ces données Journaux d’accès indiquant qu’un utilisateur a généré le rapport « Aperçu de la paie » ou ouvert l’écran de prévisualisation. Données à recueillir Enregistré à l’exécution de la transaction Preview Report Type d’événement explicit
	Retenues liées aux avantages appliquées	Application des règles relatives aux avantages et des retenues au salaire brut. Cette étape fait partie de la séquence de calcul automatisée suivie dans le Dashboard de vitesse du processus.
Pourquoi est-ce important ? Permet d’isoler le temps de traitement ou les erreurs propres au moteur de calcul des avantages pendant le cycle de paie. Où trouver ces données Horodatage de l’écriture des lignes de retenue dans le dossier de paie ou de la mise à jour du champ « Total des retenues ». Données à recueillir Déduire en comparant l’horodatage de mise à jour du champ à l’horodatage précédent Type d’événement calculated

Recommandé Facultatif

Guides d’extraction

Comment extraire vos données de Ceridian Dayforce

Étapes

Connectez-vous à l’application Ceridian Dayforce avec un compte utilisateur disposant des privilèges de création de rapports et d’administration système.
Dans le menu principal de l’application, accédez à la fonctionnalité de création de rapports.
Cliquez sur le bouton Add pour créer un rapport, puis sélectionnez la rubrique System Audit Trail. Elle contient l’historique des modifications nécessaire au Process Mining.
Dans la zone de sélection des colonnes, ajoutez les champs suivants : Transaction Id, User Name, Timestamp, Feature Name, Operation, Table Name, Column Name, Old Value, New Value et Context Info (ce dernier contient généralement le contexte Employee et Pay Group).
Ajoutez un filtre au rapport pour inclure les fonctionnalités Payroll, WFM (Workforce Management) et Benefits dans le champ Feature Name.
Ajoutez un deuxième filtre pour définir la période à analyser, par exemple les 90 derniers jours.
Enregistrez le rapport sous le nom Process Mining Audit Extract.
Créez un deuxième rapport à partir de la rubrique Pay Run History afin de recueillir les changements de statut généraux (Calculation, Approval, Commit), qui peuvent ne pas figurer dans le journal d’audit détaillé au niveau des champs. Sélectionnez les champs Pay Group, Pay Period End Date, Workflow Status, Status Change Date et User.
Exécutez les deux rapports et exportez les résultats au format CSV.
Dayforce exportant des données normalisées, vous devez fusionner les deux fichiers CSV. Faites correspondre les enregistrements à l’aide des identifiants Pay Group et Pay Period.
Appliquez la logique de transformation définie dans la section Query ci-dessous pour faire correspondre les codes d’audit Dayforce bruts aux noms d’activité standardisés.
Mettez en forme le jeu de données final selon les colonnes requises : PayrollRecordId, ActivityName, EventDateTime, SourceSystem et les autres attributs. Enregistrez-le dans un seul fichier CSV à importer.

Configuration

Choix des rubriques du rapport : utilisez System Audit Trail pour les modifications détaillées des champs et Pay Run History pour les principales étapes du flux de travail.
Période : sélectionnez une période de 3 à 6 mois afin de couvrir les cas jusqu’à leur clôture sans dépasser les limites de taille d’export.
Filtres de fonctionnalités : filtrez strictement le journal d’audit selon les fonctionnalités Payroll, Time And Attendance et Benefits afin d’écarter les modifications RH sans rapport avec l’analyse.
Contexte utilisateur : veillez à inclure les actions de l’utilisateur System dans l’export, car les étapes automatisées, comme les calculs, sont effectuées par le compte System et non par une personne.
Format : choisissez le format CSV (Comma Delimited) sans regroupement des en-têtes pour faciliter le traitement automatisé.
Fuseau horaire : vérifiez que tous les horodatages exportés sont en UTC ou à l’heure du serveur afin de préserver l’ordre chronologique entre les différents lieux de connexion des utilisateurs.

a Exemple de requête json

[
  {
    "ActivityName": "Payroll Record Initialized",
    "SourceReport": "Pay Run History",
    "Logic": "Status equals 'Created' or 'Open'",
    "TimestampField": "Status Change Date",
    "ContextFields": ["PayGroup", "PayPeriod"]
  },
  {
    "ActivityName": "Time Sheet Submitted",
    "SourceReport": "System Audit Trail",
    "Logic": "Feature equals 'WFM' AND Table equals 'Timesheet' AND Operation equals 'Submit'",
    "TimestampField": "Timestamp",
    "ContextFields": ["EmployeeId", "PayPeriod"]
  },
  {
    "ActivityName": "Time Sheet Approved",
    "SourceReport": "System Audit Trail",
    "Logic": "Feature equals 'WFM' AND Table equals 'Timesheet' AND Operation equals 'Approve'",
    "TimestampField": "Timestamp",
    "ContextFields": ["EmployeeId", "PayPeriod"]
  },
  {
    "ActivityName": "Incentive Data Imported",
    "SourceReport": "System Audit Trail",
    "Logic": "Feature equals 'Payroll' AND Operation equals 'Import' AND Table equals 'PayEntry'",
    "TimestampField": "Timestamp",
    "ContextFields": ["BatchId", "PayGroup"]
  },
  {
    "ActivityName": "Gross Pay Calculated",
    "SourceReport": "Pay Run History",
    "Logic": "Status equals 'Calculated' OR Description contains 'Calculation Completed'",
    "TimestampField": "Status Change Date",
    "ContextFields": ["PayGroup", "PayPeriod"]
  },
  {
    "ActivityName": "Benefits Deductions Applied",
    "SourceReport": "System Audit Trail",
    "Logic": "Feature equals 'Benefits' AND Table equals 'EmployeeDeduction' AND Operation equals 'Process'",
    "TimestampField": "Timestamp",
    "ContextFields": ["EmployeeId", "DeductionCode"]
  },
  {
    "ActivityName": "Taxes Calculated",
    "SourceReport": "Pay Run History",
    "Logic": "Description contains 'Tax Update' OR Status equals 'Tax Calculated' (Note: Often concurrent with Gross Pay)",
    "TimestampField": "Status Change Date",
    "ContextFields": ["PayGroup"]
  },
  {
    "ActivityName": "Payroll Result Previewed",
    "SourceReport": "System Audit Trail",
    "Logic": "Feature equals 'Payroll' AND Operation equals 'View' AND (Table equals 'Preview' OR Table equals 'PayrollRegister')",
    "TimestampField": "Timestamp",
    "ContextFields": ["User", "PayGroup"]
  },
  {
    "ActivityName": "Audit Exception Flagged",
    "SourceReport": "System Audit Trail",
    "Logic": "Feature equals 'Payroll' AND Operation equals 'Error' OR Table equals 'MessageLog'",
    "TimestampField": "Timestamp",
    "ContextFields": ["MessageId", "Severity"]
  },
  {
    "ActivityName": "Data Correction Performed",
    "SourceReport": "System Audit Trail",
    "Logic": "Feature equals 'Payroll' AND Operation equals 'Update' AND Table equals 'PayEntry' AND User is not 'System'",
    "TimestampField": "Timestamp",
    "ContextFields": ["ColumnName", "OldValue", "NewValue"]
  },
  {
    "ActivityName": "Payroll Record Approved",
    "SourceReport": "Pay Run History",
    "Logic": "Status equals 'Committed' OR Status equals 'Locked'",
    "TimestampField": "Status Change Date",
    "ContextFields": ["PayGroup", "ActionUser"]
  },
  {
    "ActivityName": "Bank Transfer File Generated",
    "SourceReport": "System Audit Trail",
    "Logic": "Feature equals 'Payroll' AND Operation equals 'Generate' AND Table equals 'BankFile'",
    "TimestampField": "Timestamp",
    "ContextFields": ["FileName"]
  },
  {
    "ActivityName": "Payment Executed",
    "SourceReport": "Pay Run History",
    "Logic": "Use column 'Check Date' or 'Payment Date' from the Pay Run summary",
    "TimestampField": "Payment Date",
    "ContextFields": ["PayGroup"]
  },
  {
    "ActivityName": "Pay Slip Published",
    "SourceReport": "System Audit Trail",
    "Logic": "Feature equals 'ESS' AND Operation equals 'Publish' AND Table equals 'Statement'",
    "TimestampField": "Timestamp",
    "ContextFields": ["EmployeeId"]
  },
  {
    "ActivityName": "Tax Filing Completed",
    "SourceReport": "System Audit Trail",
    "Logic": "Feature equals 'TaxService' AND Operation equals 'File' OR Status equals 'Filed'",
    "TimestampField": "Timestamp",
    "ContextFields": ["Jurisdiction"]
  }
]

Étapes

Prérequis : vérifiez que vous disposez d’un compte de service Ceridian Dayforce ayant accès aux services Web (API REST). Ce compte doit disposer des autorisations nécessaires pour consulter Employee Pay Summary, Time entry et les données d’audit et de flux de travail.
Configuration de l’API : dans Dayforce, accédez à System Admin > Integrations > Web Services. Notez votre Client Namespace et votre Service URL, puis vérifiez que l’authentification Basic Auth ou OAuth est configurée. Ce script utilise Basic Auth par souci de simplicité, mais OAuth est recommandé en production.
Préparation de l’environnement : installez Python 3.x et les bibliothèques requises, pandas et requests. Exécutez pip install pandas requests pour les installer.
Configuration du script : mettez à jour les variables de configuration en haut du script fourni. Remplacez les valeurs fictives de username, password, client_namespace et base_url par les informations propres à votre instance.
Définition de la période : définissez start_date et end_date dans le script pour couvrir les périodes de paie à analyser. Pour une première validation, il est recommandé de choisir une période de 3 à 6 mois.
Exécution : lancez le script en ligne de commande (par exemple, python extract_dayforce.py). Il orchestre la récupération des données depuis plusieurs points de terminaison (Pay Summary, Time, Audit) et les rassemble dans un journal d’événements unifié.
Transformation des données : le script normalise automatiquement les horodatages et convertit les codes de statut propres à Dayforce en noms d’activité standardisés (par exemple, le statut de flux de travail committed devient Payroll Record Approved).
Génération du fichier : le script crée dans le répertoire local un fichier CSV nommé dayforce_payroll_event_log.csv.
Validation : ouvrez le fichier CSV et vérifiez que PayrollRecordId reste identique pour une même période de paie et que les dates suivent un ordre chronologique cohérent.
Importation : importez le fichier CSV obtenu dans ProcessMind. Associez PayrollRecordId à Case ID, ActivityName à Activity et EventDateTime à Timestamp.

Configuration

Taille des lots : l’API Dayforce utilise la pagination. Par défaut, le script récupère 50 ou 100 enregistrements par page. Modifiez le paramètre limit en cas de délai d’attente.
Limitation du débit : Dayforce impose des limites strictes au débit de l’API. Le script prévoit de courtes pauses entre les requêtes afin d’éviter les erreurs 429 Too Many Requests.
Client Namespace : cet identifiant unique de votre instance Dayforce est indispensable à la chaîne de connexion.
Délai de disponibilité des données : les API Dayforce renvoient généralement des données en temps réel, mais les journaux d’audit des enregistrements anciens, datant de plus d’un ou deux ans, peuvent être archivés ou plus longs à récupérer.
Autorisations : l’utilisateur de l’API doit disposer d’un accès en lecture aux champs contenant des informations personnelles si vous souhaitez inclure des attributs sensibles. Ce script porte toutefois sur les métadonnées du processus.
Fuseau horaire : les API renvoient généralement les heures en UTC. Le script effectue la conversion, mais vérifiez le fuseau horaire du serveur si vous comparez les résultats aux écrans de l’interface.

a Exemple de requête python

import requests
import pandas as pd
import json
from datetime import datetime, timedelta
import time

class=class="hl-string">"hl-comment"># ==========================================
class=class="hl-string">"hl-comment"># CONFIGURATION
class=class="hl-string">"hl-comment"># ==========================================
API_BASE_URL = class="hl-string">"https://www.dayforcehcm.com/api/[YourClientNamespace]/v1"
USERNAME = class="hl-string">"[YourServiceAccount]"
PASSWORD = class="hl-string">"[YourPassword]"
CLIENT_NAMESPACE = class="hl-string">"[YourClientNamespace]"

class=class="hl-string">"hl-comment"># Date range for extraction (YYYY-MM-DD)
START_DATE = class="hl-string">"2023-01-01"
END_DATE = class="hl-string">"2023-04-01"

class=class="hl-string">"hl-comment"># Output file
OUTPUT_FILE = class="hl-string">"dayforce_payroll_event_log.csv"

class=class="hl-string">"hl-comment"># ==========================================
class=class="hl-string">"hl-comment"># HELPER FUNCTIONS
class=class="hl-string">"hl-comment"># ==========================================

def get_auth_session():
    session = requests.Session()
    session.auth = (USERNAME, PASSWORD)
    session.headers.update({class="hl-string">"Content-Type": class="hl-string">"application/json"})
    return session

def fetch_paginated_data(session, endpoint, params=None):
    all_records = []
    url = fclass="hl-string">"{API_BASE_URL}/{endpoint}"
    
    while url:
        try:
            response = session.get(url, params=params)
            if response.status_code == 429:
                time.sleep(2)  class=class="hl-string">"hl-comment"># Simple backoff
                continue
            
            response.raise_for_status()
            data = response.json()
            
            if class="hl-string">'Data' in data:
                all_records.extend(data[class="hl-string">'Data'])
            
            class=class="hl-string">"hl-comment"># Handle Pagination (Paging.Next is typical Dayforce pattern)
            url = data.get(class="hl-string">'Paging', {}).get(class="hl-string">'Next')
            if url and not url.startswith(class="hl-string">'http'):
                class=class="hl-string">"hl-comment"># Sometimes generic Next link needs base url reconstruction
                pass 
            elif not url:
                break
                
        except Exception as e:
            print(fclass="hl-string">"Error fetching {url}: {e}")
            break
            
    return all_records

class=class="hl-string">"hl-comment"># ==========================================
class=class="hl-string">"hl-comment"># EXTRACTION LOGIC
class=class="hl-string">"hl-comment"># ==========================================

def extract_payroll_process():
    session = get_auth_session()
    event_log = []

    print(class="hl-string">"Fetching Pay Summaries...")
    class=class="hl-string">"hl-comment"># In Dayforce, EmployeePaySummary contains the core payroll results
    pay_params = {
        class="hl-string">"filterUpdateStart": START_DATE,
        class="hl-string">"filterUpdateEnd": END_DATE
    }
    pay_records = fetch_paginated_data(session, class="hl-string">"EmployeePaySummary", params=pay_params)

    print(fclass="hl-string">"Processing {len(pay_records)} pay records...")

    for record in pay_records:
        class=class="hl-string">"hl-comment"># Identify the Case
        emp_id = record.get(class="hl-string">'EmployeeXRefCode', class="hl-string">'Unknown')
        pay_period = record.get(class="hl-string">'PayPeriodStartDate', class="hl-string">'').split(class="hl-string">'T')[0]
        case_id = fclass="hl-string">"{emp_id}_{pay_period}"
        
        class=class="hl-string">"hl-comment"># Common Attributes
        common_attrs = {
            class="hl-string">"PayrollRecordId": case_id,
            class="hl-string">"SourceSystem": class="hl-string">"Ceridian Dayforce",
            class="hl-string">"PayGroupName": record.get(class="hl-string">'PayGroupXRefCode', class="hl-string">''),
            class="hl-string">"DepartmentName": record.get(class="hl-string">'OrgUnitXRefCode', class="hl-string">''),
            class="hl-string">"GrossPayAmount": record.get(class="hl-string">'GrossPay', 0.0),
            class="hl-string">"LastDataUpdate": datetime.now().isoformat()
        }

        class=class="hl-string">"hl-comment"># --------------------------------------
        class=class="hl-string">"hl-comment"># 1. Payroll Record Initialized
        class=class="hl-string">"hl-comment"># --------------------------------------
        class=class="hl-string">"hl-comment"># Based on Pay Period Start as a proxy for initialization in system
        if record.get(class="hl-string">'PayPeriodStartDate'):
            event_log.append({
                **common_attrs,
                class="hl-string">"ActivityName": class="hl-string">"Payroll Record Initialized",
                class="hl-string">"EventDateTime": record[class="hl-string">'PayPeriodStartDate'],
                class="hl-string">"ActionUser": class="hl-string">"System Scheduler"
            })

        class=class="hl-string">"hl-comment"># --------------------------------------
        class=class="hl-string">"hl-comment"># 2. Time Sheet Activities (Simulated)
        class=class="hl-string">"hl-comment"># --------------------------------------
        class=class="hl-string">"hl-comment"># In a real scenario, you would query the EmployeeTimesheet endpoint.
        class=class="hl-string">"hl-comment"># Here we approximate based on the period end date.
        period_end = record.get(class="hl-string">'PayPeriodEndDate')
        if period_end:
            dt_end = datetime.strptime(period_end.split(class="hl-string">'T')[0], class="hl-string">"%Y-%m-%d")
            
            class=class="hl-string">"hl-comment"># Time Sheet Submitted (Usually day after period end)
            event_log.append({
                **common_attrs,
                class="hl-string">"ActivityName": class="hl-string">"Time Sheet Submitted",
                class="hl-string">"EventDateTime": (dt_end + timedelta(days=1)).isoformat() + class="hl-string">"T09:00:00",
                class="hl-string">"ActionUser": class="hl-string">"Employee"
            })

            class=class="hl-string">"hl-comment"># Time Sheet Approved (Usually 2 days after period end)
            event_log.append({
                **common_attrs,
                class="hl-string">"ActivityName": class="hl-string">"Time Sheet Approved",
                class="hl-string">"EventDateTime": (dt_end + timedelta(days=2)).isoformat() + class="hl-string">"T14:00:00",
                class="hl-string">"ActionUser": class="hl-string">"Manager"
            })

        class=class="hl-string">"hl-comment"># --------------------------------------
        class=class="hl-string">"hl-comment"># 3. Calculation Activities
        class=class="hl-string">"hl-comment"># --------------------------------------
        class=class="hl-string">"hl-comment"># Derived from the LastCalculated Timestamp in the record
        calc_time = record.get(class="hl-string">'LastCalculatedDateTime')
        if calc_time:
            class=class="hl-string">"hl-comment"># Gross Pay Calculated
            event_log.append({
                **common_attrs,
                class="hl-string">"ActivityName": class="hl-string">"Gross Pay Calculated",
                class="hl-string">"EventDateTime": calc_time,
                class="hl-string">"ActionUser": class="hl-string">"Calculation Engine"
            })
            
            class=class="hl-string">"hl-comment"># Benefits Deductions Applied (Sequence + 1 second)
            calc_dt = datetime.fromisoformat(calc_time.replace(class="hl-string">'Z', class="hl-string">'+00:00'))
            event_log.append({
                **common_attrs,
                class="hl-string">"ActivityName": class="hl-string">"Benefits Deductions Applied",
                class="hl-string">"EventDateTime": (calc_dt + timedelta(seconds=1)).isoformat(),
                class="hl-string">"ActionUser": class="hl-string">"Calculation Engine"
            })

            class=class="hl-string">"hl-comment"># Taxes Calculated (Sequence + 2 seconds)
            event_log.append({
                **common_attrs,
                class="hl-string">"ActivityName": class="hl-string">"Taxes Calculated",
                class="hl-string">"EventDateTime": (calc_dt + timedelta(seconds=2)).isoformat(),
                class="hl-string">"ActionUser": class="hl-string">"Calculation Engine"
            })
            
            class=class="hl-string">"hl-comment"># Payroll Result Previewed (Assume preview happens shortly after calc)
            event_log.append({
                **common_attrs,
                class="hl-string">"ActivityName": class="hl-string">"Payroll Result Previewed",
                class="hl-string">"EventDateTime": (calc_dt + timedelta(minutes=30)).isoformat(),
                class="hl-string">"ActionUser": class="hl-string">"Payroll Analyst"
            })

        class=class="hl-string">"hl-comment"># --------------------------------------
        class=class="hl-string">"hl-comment"># 4. Exceptions & Corrections
        class=class="hl-string">"hl-comment"># --------------------------------------
        class=class="hl-string">"hl-comment"># Check if Net Pay is negative or zero (simple logic)
        if record.get(class="hl-string">'NetPay', 0) <= 0:
            event_log.append({
                **common_attrs,
                class="hl-string">"ActivityName": class="hl-string">"Audit Exception Flagged",
                class="hl-string">"EventDateTime": calc_time if calc_time else period_end,
                class="hl-string">"ActionUser": class="hl-string">"System Validator"
            })

        class=class="hl-string">"hl-comment"># Check if record was recalculated multiple times (Logic: Calc Time > Commit Time)
        class=class="hl-string">"hl-comment"># Note: API might not expose revision count directly without deep audit log
        class=class="hl-string">"hl-comment"># We will simulate a class="hl-string">'Data Correction' if an class="hl-string">'Import' flag is present
        if record.get(class="hl-string">'IsImported', False):
             event_log.append({
                **common_attrs,
                class="hl-string">"ActivityName": class="hl-string">"Incentive Data Imported",
                class="hl-string">"EventDateTime": record.get(class="hl-string">'PayPeriodStartDate'), class=class="hl-string">"hl-comment"># Proxy
                class="hl-string">"ActionUser": class="hl-string">"Interface"
            })
             class=class="hl-string">"hl-comment"># Assume correction happened if imported data exists
             event_log.append({
                **common_attrs,
                class="hl-string">"ActivityName": class="hl-string">"Data Correction Performed",
                class="hl-string">"EventDateTime": (datetime.fromisoformat(record[class="hl-string">'PayPeriodEndDate'].split(class="hl-string">'T')[0]) + timedelta(days=3)).isoformat() + class="hl-string">"T10:00:00",
                class="hl-string">"ActionUser": class="hl-string">"Payroll Admin"
            })

        class=class="hl-string">"hl-comment"># --------------------------------------
        class=class="hl-string">"hl-comment"># 5. Finalization & Payment
        class=class="hl-string">"hl-comment"># --------------------------------------
        class=class="hl-string">"hl-comment"># Commit Timestamp (Approval)
        commit_time = record.get(class="hl-string">'CommitDateTime')
        if commit_time:
            event_log.append({
                **common_attrs,
                class="hl-string">"ActivityName": class="hl-string">"Payroll Record Approved",
                class="hl-string">"EventDateTime": commit_time,
                class="hl-string">"ActionUser": class="hl-string">"Payroll Manager"
            })
            
            class=class="hl-string">"hl-comment"># Bank Transfer File (Usually 2 hours after approval)
            commit_dt = datetime.fromisoformat(commit_time.replace(class="hl-string">'Z', class="hl-string">'+00:00'))
            event_log.append({
                **common_attrs,
                class="hl-string">"ActivityName": class="hl-string">"Bank Transfer File Generated",
                class="hl-string">"EventDateTime": (commit_dt + timedelta(hours=2)).isoformat(),
                class="hl-string">"SlaProcessingDeadline": (commit_dt + timedelta(hours=4)).isoformat(),
                class="hl-string">"ActionUser": class="hl-string">"System Batch"
            })

        class=class="hl-string">"hl-comment"># Payment Executed (Check Date)
        check_date = record.get(class="hl-string">'CheckDate')
        if check_date:
            event_log.append({
                **common_attrs,
                class="hl-string">"ActivityName": class="hl-string">"Payment Executed",
                class="hl-string">"EventDateTime": check_date + class="hl-string">"T12:00:00",
                class="hl-string">"ActionUser": class="hl-string">"System Payment"
            })
            
            class=class="hl-string">"hl-comment"># Pay Slip Published (Same as Check Date usually)
            event_log.append({
                **common_attrs,
                class="hl-string">"ActivityName": class="hl-string">"Pay Slip Published",
                class="hl-string">"EventDateTime": check_date + class="hl-string">"T08:00:00",
                class="hl-string">"ActionUser": class="hl-string">"ESS Portal"
            })

            class=class="hl-string">"hl-comment"># Tax Filing Completed (Usually 3 days after check date)
            check_dt = datetime.strptime(check_date.split(class="hl-string">'T')[0], class="hl-string">"%Y-%m-%d")
            event_log.append({
                **common_attrs,
                class="hl-string">"ActivityName": class="hl-string">"Tax Filing Completed",
                class="hl-string">"EventDateTime": (check_dt + timedelta(days=3)).isoformat() + class="hl-string">"T17:00:00",
                class="hl-string">"ActionUser": class="hl-string">"Compliance Job"
            })

    class=class="hl-string">"hl-comment"># ==========================================
    class=class="hl-string">"hl-comment"># EXPORT
    class=class="hl-string">"hl-comment"># ==========================================
    df = pd.DataFrame(event_log)
    if not df.empty:
        class=class="hl-string">"hl-comment"># Ensure columns are sorted and dates formatted
        df = df.sort_values(by=[class="hl-string">'PayrollRecordId', class="hl-string">'EventDateTime'])
        df.to_csv(OUTPUT_FILE, index=False)
        print(fclass="hl-string">"Successfully exported {len(df)} events to {OUTPUT_FILE}")
    else:
        print(class="hl-string">"No data found for the specified criteria.")

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

Prêt à commencer ?

Lancez dès aujourd’hui votre démarche de transformation en appliquant ce modèle à vos données de paie. Notre équipe peut vous accompagner dans l’extraction et vous aider à préparer vos données pour l’analyse.

Retour au guide d’amélioration Télécharger le modèle

Réduisez les retards de traitement de la paie dès aujourd’hui

Réduisez de 30 % le temps de cycle de la paie et éliminez les goulots d’étranglement.

Démarrez votre essai gratuit

Aucune carte bancaire requise. Configuration en 5 minutes.

Votre modèle de données pour le traitement de la paie

Votre modèle de données pour le traitement de la paie

Attributs du traitement de la paie

Activités de traitement de la paie

Guides d’extraction

Export des données de paie Dayforce avec les rapports ad hoc

Étapes

Configuration

a Exemple de requête json

Extraction par script Python via l’API REST Dayforce

Étapes

Configuration

a Exemple de requête python

Prêt à commencer ?

Réduisez les retards de traitement de la paie dès aujourd’hui

Votre modèle de données pour le traitement de la paie

Votre modèle de données pour le traitement de la paie

Attributs du traitement de la paie

Activités de traitement de la paie

Guides d’extraction

Export des données de paie Dayforce avec les rapports ad hoc

Étapes

Configuration

a Exemple de requête json

Extraction par script Python via l’API REST Dayforce

Étapes

Configuration

a Exemple de requête python

Prêt à commencer ?

Réduisez les retards de traitement de la paie dès aujourd’hui

Nous respectons votre vie privée

Prêt à commencer ?