> Perbaikan proses berkelanjutan > Manajemen Kualitas > Veeva Vault Quality > Templat data

Templat data manajemen kualitas Anda

Veeva Vault Quality

Atribut manajemen kualitas(21) Aktivitas manajemen kualitas(13) Panduan ekstraksi data(2)

Templat data manajemen kualitas Anda

Templat ini memandu Anda mengumpulkan data penting untuk menganalisis proses manajemen kualitas. Templat ini menjelaskan atribut dan aktivitas utama, serta memberi panduan praktis untuk mengambil data dari Veeva Vault Quality. Dengan begitu, Anda dapat memulai process mining dengan lebih mudah.

Atribut yang disarankan untuk dikumpulkan
Aktivitas utama yang perlu dilacak
Panduan ekstraksi data

Baru mengenal log peristiwa? Pelajari cara membuat log peristiwa process mining.

Unduh template

Atribut manajemen kualitas

Berikut kolom data yang disarankan untuk disertakan dalam event log agar Anda dapat menganalisis proses manajemen kualitas secara menyeluruh.

5 Wajib 7 Disarankan 9 Opsional

	Nama	Deskripsi
	Peristiwa Kualitas QualityEvent	Pengenal unik untuk satu peristiwa kualitas, seperti penyimpangan, ketidaksesuaian, atau CAPA.
Deskripsi Peristiwa Kualitas berfungsi sebagai pengenal kasus utama yang menghubungkan semua aktivitas, investigasi, dan penyelesaian terkait masalah kualitas tertentu. Peristiwa ini menjadi penghubung sepanjang siklus hidup insiden, dari laporan awal hingga penutupan akhir. Dalam process mining, atribut ini penting untuk merekonstruksi perjalanan setiap peristiwa kualitas dari awal hingga akhir. Atribut ini memungkinkan analisis variasi proses, waktu siklus, dan kepatuhan untuk berbagai jenis peristiwa. Hasilnya, Anda mendapat gambaran tentang cara setiap insiden kualitas ditangani, diinvestigasi, dan diselesaikan. Mengapa ini penting Ini adalah ID Kasus utama yang mengelompokkan semua aktivitas terkait ke dalam satu instans proses, sehingga analisis dari awal hingga akhir dapat dilakukan. Sumber data Ini adalah pengenal utama untuk catatan Peristiwa Kualitas di Veeva Vault Quality, yang sering disebut 'Name' atau kolom ID unik pada objek Peristiwa Kualitas. Contoh QE-2023-00123CAPA-2023-00456DEV-2023-00789
	Nama aktivitas ActivityName	Nama tugas atau langkah tertentu yang terjadi selama siklus hidup peristiwa kualitas.
Deskripsi Atribut ini menjelaskan aktivitas bisnis atau peristiwa tertentu yang terjadi selama penanganan peristiwa kualitas. Contohnya adalah langkah proses seperti 'Investigasi dimulai' atau 'Rencana tindakan korektif disetujui'. Analisis urutan dan frekuensi aktivitas ini merupakan inti process mining. Analisis tersebut membantu menemukan alur proses yang sebenarnya, mengidentifikasi hambatan antarlangkah, dan mendeteksi penyimpangan dari prosedur operasi standar. Mengapa ini penting Atribut ini menentukan langkah-langkah proses sehingga alur proses dapat divisualisasikan dan dianalisis. Sumber data Biasanya, atribut ini diperoleh dari nama tugas workflow, perubahan status, atau entri jejak audit di Veeva Vault Quality. Contoh Triage awal selesaiAnalisis akar masalah dilakukanPeninjauan akhir dan penutupan
	Pembaruan data terakhir LastDataUpdate	Stempel waktu penyegaran atau pengambilan data terakhir dari sistem sumber.
Deskripsi Atribut ini menunjukkan seberapa baru data yang dianalisis. Informasi ini mencatat tanggal dan waktu terakhir data diambil dari Veeva Vault Quality dan dimuat ke alat process mining. Informasi ini penting agar pengguna memahami seberapa mutakhir analisis dan apakah dasbor mencerminkan kondisi operasional terbaru. Atribut ini juga penting untuk tata kelola data. Mengapa ini penting Memberi tahu pengguna tentang kemutakhiran dan relevansi data, sehingga mereka memahami seberapa baru analisis proses yang ditampilkan. Sumber data Stempel waktu ini dibuat dan ditambahkan selama proses ekstraksi, transformasi, dan pemuatan data (ETL). Contoh 2024-05-20T08:00:00Z2024-05-21T08:00:00Z
	Sistem sumber SourceSystem	Sistem tempat data Manajemen Kualitas diambil.
Deskripsi Atribut ini menunjukkan asal data, dalam hal ini Veeva Vault Quality. Informasi ini membantu tata kelola data dan memberi konteks, terutama saat data dari beberapa sistem digabungkan. Dalam analisis, atribut ini digunakan untuk memfilter data dan memastikan asal-usulnya dapat ditelusuri. Memahami sistem sumber membantu Anda menafsirkan data dengan benar dan mengatasi masalah kualitas data. Mengapa ini penting Memberi konteks penting tentang asal data untuk mendukung tata kelola, keterlacakan, dan analisis dari beberapa sistem. Sumber data Tambahkan nilai tetap ini saat transformasi data untuk menandai semua catatan dari sumber ini. Contoh Veeva Vault Quality
	Waktu peristiwa EventTime	Stempel waktu yang menunjukkan kapan aktivitas tertentu dimulai atau terjadi.
Deskripsi Atribut ini mencatat tanggal dan waktu persis saat aktivitas dilakukan. Informasi ini memberi konteks kronologis untuk semua peristiwa dalam suatu kasus. Stempel waktu ini menjadi dasar analisis process mining berbasis waktu. Data ini digunakan untuk menghitung waktu siklus, waktu tunggu antaraktivitas, dan durasi langkah tertentu. Semua metrik tersebut penting untuk menemukan keterlambatan dan hambatan kinerja. Mengapa ini penting Stempel waktu ini penting untuk mengurutkan peristiwa secara kronologis dan menghitung semua metrik kinerja, seperti waktu siklus dan waktu tunggu. Sumber data Data ini sesuai dengan tanggal pembuatan atau penyelesaian tugas, atau stempel waktu peristiwa dalam jejak audit objek Peristiwa Kualitas. Contoh 2023-10-26T10:00:00Z2023-11-01T14:35:10Z2023-11-15T09:21:05Z
	Departemen yang Ditugaskan AssignedDepartment	Departemen atau bidang fungsi yang bertanggung jawab atas peristiwa kualitas atau aktivitas.
Deskripsi Atribut ini menunjukkan unit bisnis atau departemen, seperti Quality Assurance, Manufacturing, atau R&D, yang bertanggung jawab menangani peristiwa kualitas atau tugas tertentu. Informasi ini sering diperoleh dari profil pengguna yang ditugaskan. Dimensi ini penting untuk analisis kinerja tingkat tinggi. Anda dapat membandingkan efisiensi proses dan kepatuhan di berbagai bagian organisasi, menemukan masalah sistemik di departemen tertentu, dan mendukung dasbor 'Distribusi beban kerja investigator'. Mengapa ini penting Memungkinkan Anda memfilter dan membandingkan kinerja proses di berbagai unit bisnis untuk menemukan hambatan atau praktik terbaik di tiap departemen. Sumber data Informasi ini biasanya tersimpan di data profil pengguna yang terhubung dengan 'Investigator yang ditugaskan', atau langsung di kolom objek Peristiwa Kualitas. Contoh Jaminan KualitasOperasional ManufakturRiset dan Pengembangan
	Investigator yang Ditugaskan AssignedInvestigator	Pengguna atau sumber daya yang ditugaskan untuk melakukan investigasi atau tugas tertentu.
Deskripsi Atribut ini menunjukkan orang, peran, atau tim yang bertanggung jawab menjalankan aktivitas dalam siklus peristiwa kualitas. Penanggung jawab dapat berupa pemilik peristiwa kualitas atau pengguna yang ditugaskan untuk tugas alur kerja tertentu. Analisis atribut ini membantu memahami pembagian beban kerja dan kinerja sumber daya, serta menemukan tim atau individu yang kelebihan beban. Atribut ini penting untuk dasbor 'Distribusi beban kerja investigator' dan membantu mengoptimalkan alokasi sumber daya demi meningkatkan efisiensi. Mengapa ini penting Mencatat siapa yang mengerjakan tugas, sehingga Anda dapat menganalisis beban kerja, efisiensi sumber daya, dan kebutuhan pelatihan. Sumber data Tersedia di kolom pemilik atau pengguna yang ditugaskan pada objek Peristiwa Kualitas atau objek tugas alur kerja terkait di Veeva Vault Quality. Contoh Alice JohnsonBob WilliamsTim Investigasi QA
	Jenis Quality Event QualityEventType	Klasifikasi Quality Event, seperti CAPA, Deviasi, atau Keluhan.
Deskripsi Atribut ini mengelompokkan peristiwa kualitas berdasarkan sifatnya. Berbagai jenis peristiwa kualitas sering mengikuti jalur proses yang berbeda, dengan persyaratan kepatuhan dan waktu penyelesaian yang berbeda pula. Analisis berdasarkan jenis peristiwa menjadi dasar untuk memahami variasi proses. Misalnya, Anda dapat membandingkan kinerja dan efisiensi penanganan penyimpangan dengan CAPA, lalu menyesuaikan inisiatif perbaikan dengan konteks proses tertentu. Mengapa ini penting Membedakan jenis proses kualitas yang memiliki alur kerja, SLA, dan aturan kepatuhan tersendiri. Sumber data Ini adalah kolom klasifikasi standar pada objek Peristiwa Kualitas di Veeva Vault Quality, yang sering berbentuk daftar pilihan. Contoh DeviasiTindakan Korektif dan Pencegahan (CAPA)KetidaksesuaianKeluhan
	Status Quality Event QualityEventStatus	Status terkini Quality Event dalam siklus hidupnya.
Deskripsi Atribut ini menunjukkan status peristiwa kualitas saat ini, seperti 'Terbuka', 'Sedang diinvestigasi', 'Menunggu persetujuan', atau 'Ditutup'. Atribut ini memberikan gambaran posisi setiap kasus dalam siklusnya. Atribut ini penting untuk dasbor 'Ikhtisar progres peristiwa kualitas' yang memantau kasus berjalan secara langsung. Manajer dapat melacak progres, menemukan peristiwa yang terhenti, dan mengelola keseluruhan beban kerja dengan lebih efektif. Mengapa ini penting Memberi gambaran status terkini suatu kasus, yang penting untuk memantau pekerjaan berjalan dan menemukan peristiwa yang terhenti. Sumber data Ini adalah kolom standar pada objek Peristiwa Kualitas di Veeva Vault Quality yang menunjukkan posisi peristiwa dalam siklusnya. Contoh Dalam TriageDalam InvestigasiCAPA DiusulkanDitutup
	Tanggal Target Penyelesaian TargetResolutionDate	Tanggal yang direncanakan atau diwajibkan untuk penutupan akhir peristiwa kualitas.
Deskripsi Atribut ini menetapkan perjanjian tingkat layanan (SLA) atau batas waktu target untuk menyelesaikan peristiwa kualitas. Tanggal ini sering dihitung berdasarkan tanggal pembuatan dan tingkat keparahan atau jenis peristiwa. Tanggal ini menjadi tolok ukur untuk mengukur kinerja aktual. Tanggal ini penting bagi dasbor 'Kinerja penyelesaian tepat waktu' dan KPI 'Tingkat penyelesaian tepat waktu', yang membantu mengetahui apakah peristiwa diselesaikan sesuai jadwal dan faktor apa yang menyebabkan keterlambatan. Mengapa ini penting Menetapkan SLA penyelesaian kasus agar kinerja ketepatan waktu dapat diukur dan keterlambatan dianalisis. Sumber data Kemungkinan berupa kolom tanggal pada objek Peristiwa Kualitas, yang dapat diisi secara manual atau dihitung otomatis oleh sistem. Contoh 2024-01-15T23:59:59Z2024-02-28T23:59:59Z2024-03-10T23:59:59Z
	Tingkat Keparahan SeverityLevel	Tingkat keparahan atau risiko peristiwa kualitas yang dinilai, seperti tinggi, sedang, atau rendah.
Deskripsi Atribut ini mengklasifikasikan peristiwa kualitas berdasarkan potensi dampaknya terhadap kualitas produk, keselamatan pasien, atau kepatuhan terhadap peraturan. Tingkat keparahan sering menentukan urgensi dan kedalaman investigasi yang diperlukan. Analisis berdasarkan tingkat keparahan penting untuk menentukan prioritas perbaikan. Analisis ini membantu mengetahui apakah peristiwa dengan tingkat keparahan tinggi membutuhkan waktu lebih lama untuk diselesaikan, mengikuti jalur proses yang berbeda, atau lebih sering mengalami pengerjaan ulang. Dengan begitu, masalah paling kritis mendapat perhatian yang memadai. Mengapa ini penting Mengelompokkan peristiwa berdasarkan dampaknya agar Anda dapat menganalisis risiko dan memprioritaskan perbaikan proses di area berisiko tinggi. Sumber data Ini adalah kolom klasifikasi standar pada objek Peristiwa Kualitas, yang sering berupa daftar pilihan berdasarkan matriks risiko. Contoh TinggiSedangRendah
	Waktu selesai EndTime	Stempel waktu yang menunjukkan kapan aktivitas selesai.
Deskripsi Atribut ini mencatat tanggal dan waktu saat aktivitas atau tugas tertentu selesai. Nilainya berbeda dari StartTime (EventTime) dan penting untuk mengetahui durasi setiap langkah dalam proses. Dalam process mining, EndTime digunakan bersama StartTime untuk menghitung waktu pemrosesan aktivitas. Informasi ini membantu menemukan tugas yang paling lama dikerjakan, yang berkontribusi pada total waktu siklus dan potensi keterlambatan. Mengapa ini penting Memungkinkan penghitungan waktu pemrosesan aktivitas, yang penting untuk menemukan hambatan pada tingkat tugas. Sumber data Stempel waktu ini biasanya tersedia dalam riwayat alur kerja atau data jejak audit untuk Peristiwa Kualitas, sering kali sebagai kolom 'tanggal penyelesaian' atau 'diubah pada' untuk tugas atau status tertentu. Contoh 2023-10-26T11:30:00Z2023-11-01T18:00:10Z2023-11-15T09:45:00Z
	Akar Masalah RootCause	Akar masalah yang teridentifikasi sebagai penyebab peristiwa kualitas.
Deskripsi Atribut ini berisi kesimpulan akhir dari investigasi analisis akar masalah (RCA). Atribut ini mengelompokkan penyebab utama masalah kualitas, seperti kerusakan peralatan, kesalahan manusia, atau kekurangan prosedur. Analisis akar masalah penting untuk menyelesaikan masalah secara efektif. Analisis ini membantu menemukan masalah sistemik yang berulang dan perlu ditangani melalui tindakan korektif dan pencegahan. Atribut ini mendukung dashboard 'Waktu Siklus Analisis Akar Masalah' dan 'Efektivitas CAPA'. Mengapa ini penting Mengelompokkan penyebab utama masalah kualitas agar Anda dapat menganalisisnya dan mencegah masalah serupa terulang. Sumber data Biasanya berupa kolom teks atau daftar pilihan pada objek Quality Event atau objek Root Cause Analysis terkait. Contoh Kerusakan PeralatanKesalahan ProsedurPelatihan Tidak MemadaiCacat Material
	Apakah Berulang IsRecurrence	Penanda yang menunjukkan apakah peristiwa kualitas ini merupakan pengulangan masalah yang pernah ditemukan sebelumnya.
Deskripsi Atribut boolean ini menandakan bahwa peristiwa kualitas bukan masalah baru yang unik, melainkan pengulangan masalah yang pernah terjadi. Ini merupakan indikator penting bahwa tindakan korektif sebelumnya belum berhasil. Penanda ini menjadi dasar bagi dasbor 'Efektivitas CAPA dan tingkat kejadian berulang'. Pelacakan kejadian berulang memberikan gambaran langsung tentang keberhasilan jangka panjang sistem manajemen kualitas dan membantu menemukan masalah sistemik yang belum ditangani dengan baik. Mengapa ini penting Menunjukkan tindakan korektif yang belum berhasil, sehingga Anda dapat menganalisis penyebab masalah berulang dan memperbaiki solusi jangka panjang. Sumber data Dapat berupa kolom kotak centang pada objek Quality Event atau kolom turunan berdasarkan tautan ke peristiwa serupa sebelumnya. Contoh truefalse
	Apakah Pengerjaan Ulang IsRework	Penanda hasil perhitungan untuk mengidentifikasi aktivitas atau kasus yang melibatkan pengerjaan ulang.
Deskripsi Atribut boolean ini menandakan bahwa suatu aktivitas atau rangkaian aktivitas merupakan pengerjaan ulang, misalnya investigasi yang diulang atau CAPA yang dibuka kembali setelah ditutup. Atribut ini bukan kolom standar, melainkan dihitung berdasarkan pola alur proses. Dalam process mining, penanda ini digunakan untuk mengukur upaya dan biaya yang terbuang dalam proses. Atribut ini penting untuk dasbor 'Analisis pengerjaan ulang' dan KPI 'Tingkat pengerjaan ulang peristiwa kualitas', yang membantu menemukan penyebab inefisiensi dan rendahnya kualitas pada pengerjaan pertama. Mengapa ini penting Mengukur inefisiensi proses dengan menandai pekerjaan yang berulang, sehingga Anda dapat menemukan akar masalah kualitas dan upaya yang terbuang. Sumber data Atribut ini tidak diambil langsung dari sumber data. Atribut dihitung saat transformasi data dengan mendeteksi nama aktivitas yang berulang atau perulangan dalam proses untuk suatu kasus. Contoh truefalse
	Apakah Penyelesaian Tepat Waktu IsOnTimeResolution	Penanda hasil perhitungan yang menunjukkan apakah peristiwa kualitas ditutup sebelum atau pada tanggal target.
Deskripsi Atribut boolean ini diperoleh dengan membandingkan tanggal penutupan aktual peristiwa kualitas dengan 'Target Resolution Date'. Hasilnya berupa status sederhana: tepat waktu atau terlambat. Penanda ini menjadi dasar dashboard 'On-Time Resolution Performance' dan KPI 'On-Time Resolution Rate'. Anda dapat mengelompokkan dan memfilter data untuk mengetahui jenis peristiwa, departemen, atau lokasi yang kesulitan memenuhi tenggat. Mengapa ini penting Memberi ukuran yang jelas untuk menunjukkan apakah tenggat terpenuhi, sehingga analisis dan pelaporan kinerja lebih mudah. Sumber data Dihitung dengan membandingkan stempel waktu aktivitas 'Tinjauan Akhir dan Penutupan' dengan atribut 'TargetResolutionDate'. Rumus: Waktu Penutupan <= TargetResolutionDate. Contoh truefalse
	Hasil Pemeriksaan Efektivitas EffectivenessCheckResult	Hasil langkah verifikasi untuk memastikan apakah tindakan korektif berhasil.
Deskripsi Atribut ini mencatat hasil pemeriksaan efektivitas yang dilakukan setelah tindakan korektif diterapkan. Hasilnya biasanya 'Efektif' atau 'Tidak Efektif'. Atribut ini mengukur langsung keberhasilan proses CAPA dan penting untuk dashboard 'Efektivitas CAPA dan Tingkat Kejadian Berulang' serta KPI 'Tingkat Efektivitas CAPA'. Hasilnya menunjukkan apakah solusi yang diterapkan benar-benar mencegah masalah terulang. Mengapa ini penting Mengukur langsung keberhasilan tindakan korektif dan memberi masukan penting untuk memperbaiki proses penyelesaian masalah. Sumber data Kolom ini kemungkinan berupa daftar pilihan pada objek Tindakan CAPA atau Pemeriksaan Efektivitas yang terkait dengan Peristiwa Kualitas utama. Contoh EfektifTidak EfektifMenunggu Verifikasi
	Lokasi Site	Lokasi, pabrik, atau tempat manufaktur terjadinya atau ditemukannya Quality Event.
Deskripsi Atribut ini menunjukkan lokasi fisik, seperti pabrik atau laboratorium, yang terkait dengan peristiwa kualitas. Informasi ini memberikan konteks geografis atau organisasi untuk masalah tersebut. Dimensi ini berguna untuk analisis perbandingan. Manajemen dapat membandingkan kinerja proses, jenis masalah, dan waktu penyelesaian di berbagai lokasi. Analisis ini dapat membantu menemukan masalah khusus di suatu lokasi atau membagikan praktik baik dari lokasi dengan kinerja tinggi. Mengapa ini penting Memberi dimensi geografis atau organisasi untuk analisis, sehingga Anda dapat membandingkan kinerja dan menemukan masalah khusus di lokasi tertentu. Sumber data Sering kali berupa kolom standar pada objek Peristiwa Kualitas yang terhubung ke daftar lokasi atau fasilitas perusahaan. Contoh Lokasi A - New JerseyLokasi B - IrlandiaLokasi C - Swiss
	Produk Product	Produk atau bahan yang terkait dengan peristiwa kualitas.
Deskripsi Atribut ini menghubungkan peristiwa kualitas dengan produk, bahan, atau batch tertentu. Hubungan ini penting untuk ketertelusuran dan analisis dampak di industri yang diatur. Analisis peristiwa kualitas berdasarkan produk membantu menemukan produk yang lebih rentan mengalami masalah, sehingga perbaikan produk atau penyesuaian proses produksi dapat dilakukan. Anda juga dapat memfilter dasbor untuk melihat kinerja lini produk tertentu. Mengapa ini penting Menghubungkan peristiwa kualitas dengan produk tertentu agar masalah dan tren khusus produk dapat dianalisis. Sumber data Biasanya berupa kolom referensi pada objek Peristiwa Kualitas yang terhubung ke objek Produk atau Bahan di Veeva Vault. Contoh Produk A-100Produk B-200Bahan Baku C-300
	Waktu Persetujuan ApprovalTime	Waktu yang dibutuhkan untuk menyelesaikan aktivitas persetujuan tertentu.
Deskripsi Metrik ini mengukur durasi langkah persetujuan, seperti 'Rencana Tindakan Korektif Disetujui'. Waktunya dihitung sejak persetujuan diminta hingga disetujui atau ditolak. Atribut ini dirancang untuk mendukung dashboard 'Hambatan dalam Alur Kerja Persetujuan' dan KPI 'Waktu Siklus Alur Kerja Persetujuan'. Dengan memisahkan waktu tunggu persetujuan, Anda dapat menemukan dan mengatasi keterlambatan akibat pengambilan keputusan yang lambat atau proses persetujuan yang tidak efisien. Mengapa ini penting Menunjukkan keterlambatan pada langkah pengambilan keputusan penting, sehingga Anda dapat menyederhanakan alur kerja persetujuan dan mengurangi waktu siklus keseluruhan. Sumber data Metrik ini dihitung dari selisih waktu mulai dan selesai aktivitas terkait persetujuan dalam log peristiwa. Contoh 3 hari 4 jam1 hari 0 jam7 hari 8 jam
	Waktu Siklus CycleTime	Total waktu sejak Quality Event dibuat hingga ditutup.
Deskripsi Metrik ini menunjukkan durasi dari awal hingga akhir penyelesaian peristiwa kualitas. Perhitungannya menggunakan selisih waktu antara aktivitas pertama, misalnya 'Quality Event Created', dan aktivitas terakhir, misalnya 'Final Review and Closure'. Waktu siklus menjadi KPI utama untuk mengukur efisiensi proses secara keseluruhan. Dashboard 'Quality Event Resolution Time' menggunakannya untuk menganalisis tren, menemukan faktor yang memperpanjang waktu penyelesaian, dan menetapkan tolok ukur perbaikan proses. Mengapa ini penting Mengukur efisiensi proses dari awal hingga akhir. KPI ini penting untuk memantau kinerja keseluruhan dan dampak inisiatif perbaikan. Sumber data Metrik ini dihitung pada tingkat kasus dengan mengurangi stempel waktu peristiwa pertama dari stempel waktu peristiwa terakhir. Contoh 30 hari 12 jam65 hari 4 jam15 hari 2 jam

Wajib Disarankan Opsional

Aktivitas manajemen kualitas

Berikut langkah dan pencapaian penting yang perlu dicatat dalam event log agar proses manajemen kualitas dapat ditemukan dan dianalisis dengan akurat.

7 Disarankan 6 Opsional

	Aktivitas	Deskripsi
	Analisis akar masalah dilakukan	Menandai selesainya tahap analisis akar masalah (RCA), saat penyebab utama peristiwa kualitas telah ditemukan. Aktivitas ini biasanya tercatat saat penyelidik menyelesaikan tugas RCA atau mengubah status peristiwa menjadi 'Pending CAPA'.
Mengapa ini penting Aktivitas ini penting untuk mengukur KPI 'Rata-rata Waktu Analisis Akar Masalah'. Analisis durasinya membantu menemukan hambatan dalam proses analisis dan meningkatkan kualitas investigasi. Sumber data Biasanya disimpulkan dari perubahan status siklus hidup objek Peristiwa Kualitas, misalnya menjadi 'RCA Complete' atau 'Pending Action Plan'. Aktivitas ini juga dapat ditandai dengan selesainya tugas workflow tertentu. Pengumpulan data Gunakan stempel waktu perubahan status atau penyelesaian tugas terkait RCA. Jenis peristiwa inferred
	Efektivitas tindakan diverifikasi	Aktivitas ini memastikan tindakan korektif yang diterapkan berhasil mencegah masalah terulang. Verifikasi resmi diselesaikan dan didokumentasikan. Aktivitas ini tercatat saat status CAPA atau Peristiwa Kualitas diperbarui menjadi 'Effectiveness Verified'.
Mengapa ini penting Ini adalah validasi akhir atas keberhasilan solusi dan penting untuk menghitung 'Tingkat Efektivitas CAPA'. Kegagalan pada tahap ini sering menyebabkan pengerjaan ulang dan investigasi dibuka kembali. Sumber data Disimpulkan dari perubahan status siklus hidup objek Peristiwa Kualitas atau CAPA menjadi status seperti 'Verified' atau 'Closed - Effective'. Pengumpulan data Gunakan stempel waktu perubahan status yang menandakan verifikasi berhasil. Jenis peristiwa inferred
	Investigasi dimulai	Menandai dimulainya investigasi resmi untuk mencari akar penyebab peristiwa kualitas. Penyelidik atau tim biasanya ditugaskan, lalu peristiwa memasuki tahap investigasi aktif. Aktivitas ini tercatat saat status siklus hidup Peristiwa Kualitas berubah menjadi 'Under Investigation'.
Mengapa ini penting Tonggak ini penting untuk mengukur KPI 'Waktu dari Identifikasi Masalah hingga Investigasi'. Keterlambatan sebelum tahap ini menunjukkan adanya penumpukan pekerjaan dalam penugasan sumber daya atau dimulainya analisis penting. Sumber data Disimpulkan dari stempel waktu saat status siklus hidup objek Peristiwa Kualitas diperbarui menjadi 'Under Investigation' atau status serupa. Penugasan penyelidik juga dapat menjadi pemicu. Pengumpulan data Gunakan stempel waktu saat status berubah menjadi 'Under Investigation'. Jenis peristiwa inferred
	Peninjauan akhir dan penutupan	Menandai peninjauan administratif terakhir atas catatan Peristiwa Kualitas sebelum resmi ditutup. Langkah ini memastikan semua dokumentasi lengkap dan seluruh tahapan proses telah diikuti. Ini adalah langkah terakhir sebelum kasus dinyatakan selesai.
Mengapa ini penting Aktivitas akhir ini penting untuk menghitung total 'Waktu Siklus Peristiwa Kualitas'. Aktivitas ini menandai selesainya seluruh pekerjaan. Stempel waktunya dibandingkan dengan 'Tanggal Target Penyelesaian' untuk mengukur kinerja. Sumber data Disimpulkan dari perubahan status siklus hidup objek Peristiwa Kualitas menjadi 'Closed', 'Resolved', atau status akhir serupa. Pengumpulan data Gunakan stempel waktu perubahan status terakhir menjadi 'Closed'. Jenis peristiwa inferred
	Peristiwa Kualitas dibuat	Ini adalah awal proses, yaitu saat catatan Peristiwa Kualitas resmi dibuat di Veeva. Aktivitas ini biasanya dimulai ketika masalah kualitas, ketidaksesuaian, atau keluhan baru ditemukan dan dicatat di sistem.
Mengapa ini penting Aktivitas ini menandai awal siklus kasus. Karena itu, aktivitas ini penting untuk menghitung total Waktu Siklus Peristiwa Kualitas dan mengukur durasi tahap awal proses, seperti waktu hingga investigasi dimulai. Sumber data Peristiwa ini tercatat secara eksplisit berdasarkan stempel waktu pembuatan objek Peristiwa Kualitas di Veeva Vault. Jejak audit objek tersebut menunjukkan tanggal, waktu, dan pengguna yang membuatnya. Pengumpulan data Gunakan stempel waktu pembuatan catatan utama Peristiwa Kualitas. Jenis peristiwa explicit
	Rencana tindakan korektif disetujui	Menandai persetujuan resmi atas rencana tindakan korektif yang diajukan oleh pemangku kepentingan terkait, seperti dewan peninjau kualitas. Persetujuan ini merupakan tahap penting sebelum tindakan korektif dapat diterapkan. Aktivitas ini tercatat saat status catatan Rencana CAPA berubah menjadi 'Approved'.
Mengapa ini penting Tahap persetujuan ini sering menjadi hambatan utama. Mengukur 'Waktu Siklus Alur Kerja Persetujuan' untuk aktivitas ini membantu menemukan dan mengatasi keterlambatan dalam proses peninjauan, sehingga penyelesaian keseluruhan dapat dipercepat. Sumber data Disimpulkan dari stempel waktu perubahan status siklus hidup objek Rencana CAPA terkait menjadi 'Approved'. Peristiwa ini mungkin juga tercermin sebagai perubahan status pada Peristiwa Kualitas induk. Pengumpulan data Gunakan stempel waktu perubahan status pada objek Rencana CAPA yang terhubung. Jenis peristiwa inferred
	Tindakan korektif diterapkan	Menandai selesainya semua tugas yang tercantum dalam rencana tindakan korektif yang disetujui. Aktivitas ini memastikan tindakan yang diperlukan untuk menangani akar masalah telah dilakukan. Aktivitas ini tercatat saat status catatan CAPA diperbarui menjadi 'Implementation Complete'.
Mengapa ini penting Tonggak penting ini menandai peralihan dari perencanaan ke pelaksanaan. Waktu antara tahap ini dan persetujuan CAPA menunjukkan efisiensi tahap penerapan. Sumber data Disimpulkan dari perubahan status siklus hidup objek CAPA terkait menjadi status seperti 'Implemented' atau 'Pending Effectiveness Check'. Pengumpulan data Gunakan stempel waktu perubahan status pada objek CAPA yang terhubung. Jenis peristiwa inferred
	Masalah dikategorikan dan diprioritaskan	Aktivitas ini menandai saat peristiwa kualitas secara resmi dikategorikan berdasarkan jenis, tingkat keparahan, dan prioritas. Langkah penting ini menentukan jalur dan jadwal investigasi berikutnya. Biasanya, aktivitas ini tercatat melalui perubahan status yang menunjukkan bahwa klasifikasi telah selesai.
Mengapa ini penting Peristiwa ini penting untuk mengelompokkan analisis proses berdasarkan tingkat keparahan atau jenis peristiwa. Analisis ini membantu mengetahui apakah masalah berprioritas tinggi ditangani lebih cepat daripada masalah berprioritas rendah, serta memastikan sumber daya dialokasikan secara efektif. Sumber data Disimpulkan dari perubahan status siklus hidup objek Peristiwa Kualitas, misalnya saat status berubah menjadi 'Categorized' atau 'Pending Investigation'. Peristiwa ini juga dapat disimpulkan dari stempel waktu saat kolom klasifikasi utama diisi. Pengumpulan data Disimpulkan dari perubahan status atau pengisian kolom seperti 'Severity' dan 'Priority'. Jenis peristiwa inferred
	Pemangku kepentingan diberi tahu tentang penyelesaian	Aktivitas ini mencakup komunikasi kepada pemangku kepentingan terkait untuk memberi tahu bahwa peristiwa kualitas telah selesai ditangani. Komunikasi dapat berupa notifikasi email otomatis setelah penutupan akhir atau tugas komunikasi yang dicatat secara manual.
Mengapa ini penting Komunikasi tepat waktu penting untuk menjaga kepuasan pemangku kepentingan dan transparansi. Aktivitas ini membantu mengukur KPI 'Waktu Tunda Notifikasi kepada Pemangku Kepentingan' dan menunjukkan keterlambatan komunikasi. Sumber data Peristiwa ini dapat tercatat secara eksplisit jika Veeva Vault mengirim notifikasi otomatis yang dicatat dalam sistem. Jika tidak, peristiwa ini dapat disimpulkan dari waktu penyelesaian tugas workflow manual 'Notify Stakeholders'. Pengumpulan data Gunakan log notifikasi sistem atau stempel waktu penyelesaian tugas komunikasi. Jenis peristiwa explicit
	Pemeriksaan efektivitas dimulai	Menandai dimulainya periode pemantauan efektivitas tindakan korektif yang telah diterapkan. Ini bukan peristiwa pada satu titik waktu, melainkan awal tahap verifikasi. Aktivitas ini tercatat saat Peristiwa Kualitas atau catatan CAPA memasuki status 'Monitoring' atau 'Pending Effectiveness Verification'.
Mengapa ini penting Aktivitas ini memulai tahap validasi akhir. Durasi pemeriksaan efektivitas penting untuk memahami waktu yang dibutuhkan guna memastikan solusi berhasil. Sumber data Disimpulkan dari perubahan status siklus hidup objek Peristiwa Kualitas atau CAPA menjadi status seperti 'Under Effectiveness Review'. Pengumpulan data Gunakan stempel waktu perubahan status ke status terkait pemantauan. Jenis peristiwa inferred
	Rencana tindakan korektif diajukan	Aktivitas ini terjadi saat rencana resmi untuk memperbaiki akar masalah disusun dan diajukan untuk ditinjau. Proses ini sering mencakup pembuatan catatan CAPA (Tindakan Korektif dan Pencegahan) yang terhubung dengan Peristiwa Kualitas. Peristiwa ini tercatat saat catatan CAPA dibuat atau status Peristiwa Kualitas diperbarui.
Mengapa ini penting Melacak langkah ini membantu mengukur waktu yang dibutuhkan untuk beralih dari analisis ke penyusunan solusi. Data ini penting untuk memahami 'Waktu Siklus Analisis Akar Masalah', dari selesainya RCA hingga pengajuan CAPA. Sumber data Peristiwa ini dapat disimpulkan dari perubahan status siklus hidup objek Peristiwa Kualitas menjadi 'Pending CAPA Approval' atau dari stempel waktu pembuatan catatan Rencana CAPA yang terhubung. Pengumpulan data Gunakan stempel waktu pembuatan catatan CAPA yang terhubung atau waktu perubahan status. Jenis peristiwa inferred
	Tindakan pencegahan diidentifikasi	Aktivitas ini terjadi saat tindakan pencegahan untuk mengatasi kemungkinan masalah berulang di masa mendatang diidentifikasi, biasanya sebagai hasil investigasi. Aktivitas ini tercatat saat catatan Tindakan Pencegahan (PA) yang terhubung dengan peristiwa kualitas dibuat.
Mengapa ini penting Aktivitas ini tidak terjadi pada setiap kasus. Namun, melacaknya membantu Anda memahami seberapa proaktif proses kualitas. Data ini menunjukkan fokus organisasi pada pencegahan jangka panjang dibandingkan perbaikan langsung. Sumber data Disimpulkan dari stempel waktu pembuatan catatan Tindakan Pencegahan yang terhubung di Veeva Vault. Pengumpulan data Gunakan stempel waktu pembuatan catatan Tindakan Pencegahan yang terhubung. Jenis peristiwa inferred
	Triage awal selesai	Menandai selesainya peninjauan dan penilaian awal atas peristiwa kualitas. Pada tahap ini, informasi dasar dikumpulkan dan diverifikasi untuk menentukan validitas peristiwa serta dampak langsungnya. Aktivitas ini biasanya tercatat saat status catatan berubah dari 'New' menjadi 'Under Assessment' atau status serupa.
Mengapa ini penting Analisis waktu yang dihabiskan untuk triage membantu menemukan keterlambatan dalam penanganan awal peristiwa kualitas. Analisis ini juga memberi gambaran tentang beban kerja dan alokasi sumber daya sejak awal proses. Sumber data Disimpulkan dari stempel waktu saat status siklus hidup objek Peristiwa Kualitas diperbarui untuk menandakan triage selesai, misalnya saat status berubah dari 'New' menjadi 'In Assessment' atau 'Triaged'. Pengumpulan data Gunakan stempel waktu perubahan status pada objek Peristiwa Kualitas. Jenis peristiwa inferred

Disarankan Opsional

Panduan ekstraksi data

Cara mengambil data dari Veeva Vault Quality

Langkah

Prasyarat: Pastikan Python 3.6+ sudah terpasang, beserta pustaka requests dan pandas. Anda dapat memasangnya dengan pip: pip install requests pandas. Anda juga memerlukan kredensial API untuk Veeva Vault, termasuk DNS Vault (misalnya, yourcompany.veevavault.com), nama pengguna, dan kata sandi untuk pengguna yang memiliki akses API serta izin baca pada Quality Event dan objek terkait.
Konfigurasikan skrip: Salin skrip Python yang tersedia ke file bernama extract_quality_events.py. Buka file tersebut dan isi variabel placeholder di bagian atas dengan kredensial Veeva Vault Anda: VAULT_DNS, USERNAME, dan PASSWORD.
Atur rentang tanggal: Temukan kueri VQL di dalam skrip. Setiap kueri memiliki klausa WHERE dengan placeholder seperti created_date__v > '2023-01-01T00:00:00.000Z'. Ubah tanggal ini untuk menentukan rentang waktu ekstraksi data. Sebaiknya terapkan filter pada kolom tanggal utama agar pengambilan data awal tetap terbatas.
Periksa nama objek dan kolom: Konfigurasi Veeva Vault dapat berbeda-beda. Skrip yang tersedia menggunakan nama API umum untuk objek (quality_event__v, capa__v) dan kolom (status__v, severity_level__c). Cocokkan nama tersebut dengan konfigurasi Vault Anda melalui dokumentasi API Vault atau alat seperti Vault Field and Object Reference. Sesuaikan nama dalam kueri VQL jika diperlukan.
Jalankan skrip: Buka terminal atau command prompt, pindah ke direktori tempat skrip disimpan, lalu jalankan perintah: python extract_quality_events.py. Skrip akan melakukan autentikasi, menjalankan serangkaian kueri, dan memproses data.
Pantau prosesnya: Skrip akan menampilkan pesan status di konsol, termasuk aktivitas yang sedang diekstrak dan jumlah rekaman yang ditemukan. Pesan ini membantu Anda memantau kemajuan dan menemukan masalah, seperti kegagalan autentikasi atau hasil kueri yang kosong.
Ambil file hasil: Setelah proses berhasil, skrip akan membuat file CSV bernama quality_event_log.csv di direktori yang sama. File ini berisi log peristiwa yang diekstrak.
Transformasi dan pengayaan data: Skrip melakukan transformasi dasar dengan memetakan kolom sumber ke kolom log peristiwa yang diperlukan. Skrip menghitung stempel waktu LastDataUpdate dan menetapkan nilai SourceSystem yang tetap. Jika diperlukan perhitungan tambahan, seperti ActivityDuration, Anda dapat mengubah bagian manipulasi pandas DataFrame sebelum ekspor CSV terakhir.
Siapkan file untuk diunggah: Buka quality_event_log.csv di aplikasi spreadsheet untuk meninjaunya. Pastikan kolom QualityEvent, ActivityName, dan EventTime terisi dengan benar. File ini kini siap diunggah ke perangkat lunak process mining.

Konfigurasi

Kredensial API: Anda memerlukan akun pengguna API khusus dengan 'Security Policy' yang mengizinkan akses API. 'Permission Set' pengguna harus memberikan setidaknya akses 'Read' ke objek quality_event__v, semua kolom yang dikueri, dan objek terkait seperti capa__v.
DNS Vault: Skrip memerlukan DNS khusus untuk instans Vault Anda, misalnya yourcompany.veevavault.com. DNS ini digunakan untuk menyusun URL endpoint API.
Filter rentang tanggal: Untuk mengendalikan volume data yang diekstrak, terapkan filter tanggal pada klausa WHERE di setiap kueri VQL. Sebaiknya mulai dengan periode terbaru selama 3 hingga 6 bulan, misalnya created_date__v > 'YYYY-MM-DD', agar kinerja tetap terjaga dan pengujian lebih cepat.
Nama API objek dan kolom: Semua kueri VQL harus menggunakan nama API internal sistem, yang mungkin berbeda dari label di antarmuka pengguna. Nama kolom khusus biasanya diakhiri __c. Periksa semua nama objek dan kolom di konfigurasi Vault Anda.
Penanganan paginasi: Skrip menangani paginasi API Veeva secara otomatis. Skrip akan terus meminta URL 'next_page' dari API hingga semua hasil untuk kueri VQL terkait diperoleh. Anda tidak perlu mengatur apa pun secara manual.
Pertimbangan kinerja: Ekstraksi data untuk periode panjang atau dari Vault yang memiliki jutaan Quality Event dapat memakan waktu dan terkena batas laju API. Jalankan ekstraksi di luar jam sibuk dan gunakan filter tanggal yang ketat untuk mengurangi dampaknya.

Contoh kueri python

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

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

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

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

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

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


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

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

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

    all_events_df = pd.DataFrame()

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

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

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

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

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

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

Langkah

Pasang dan konfigurasikan Veeva Vault Loader: Unduh alat baris perintah Veeva Vault Loader dari tab Apps di Vault Anda. Ekstrak file ke direktori khusus. Pastikan Java 1.8 atau versi lebih baru terpasang di komputer yang akan digunakan untuk ekstraksi.
Siapkan file konfigurasi: Buat file CSV untuk menentukan kueri ekspor. File ini berisi satu entri berupa kueri VQL. Misalnya, buat file bernama vql_query.csv.
Susun kueri VQL: Buka vql_query.csv dan tambahkan baris judul query. Pada baris kedua, masukkan kueri VQL lengkap yang tersedia di bagian query di bawah. Kueri ini dirancang untuk mengekstrak semua kolom yang diperlukan dari objek Quality Event dan rekaman terkait guna menyusun log peristiwa.
Buat skrip Bash: Buat file skrip Bash, misalnya run_export.sh, untuk mengotomatiskan penggunaan Vault Loader. Salin skrip dari bagian query ke file ini. Skrip akan menangani autentikasi dan menjalankan ekspor.
Atur variabel skrip: Edit skrip run_export.sh dan ganti semua nilai placeholder. Isinya mencakup DNS Vault, nama pengguna, kata sandi, lokasi file vault-loader.jar, serta lokasi file masukan dan keluaran.
Jalankan ekstraksi: Buka terminal atau command prompt, pindah ke direktori yang berisi skrip, lalu jalankan perintah: bash run_export.sh. Skrip akan terhubung ke Veeva Vault, menjalankan kueri VQL, dan mengunduh hasilnya ke file CSV bernama quality_events_raw.csv.
Ubah format data mentah: File keluaran quality_events_raw.csv berupa tabel lebar dengan satu baris untuk setiap Quality Event. Ubah data ini menjadi log peristiwa berformat panjang. Gunakan alat atau skrip persiapan data, seperti Python atau alat ETL, untuk mengubah berbagai kolom tanggal menjadi baris terpisah. Untuk setiap Quality Event, buat satu baris untuk setiap kolom tanggal yang terisi dan petakan ke ActivityName yang sesuai.
Petakan ke skema log peristiwa: Saat melakukan transformasi, petakan kolom dari hasil ekstraksi mentah ke skema log peristiwa yang diperlukan. Misalnya, kolom id menjadi QualityEvent, sedangkan setiap kolom tanggal yang diubah menjadi baris menjadi EventTime. Tambahkan kolom SourceSystem dengan nilai tetap seperti 'Veeva Vault Quality' dan kolom LastDataUpdate dengan stempel waktu saat ini.
Buat keluaran akhir: Simpan data hasil transformasi sebagai file CSV log peristiwa akhir yang siap diunggah ke ProcessMind. Pastikan pengodean file menggunakan UTF-8 dan judul kolom sesuai dengan atribut yang diperlukan.

Konfigurasi

Prasyarat: Anda harus memiliki akun pengguna Veeva Vault dengan akses API dan izin yang memadai untuk membaca objek Quality Event (quality_event__v) serta objek terkait seperti CAPA (capa__v). Alat baris perintah Veeva Vault Loader juga harus sudah terpasang.
Autentikasi: Skrip menggunakan nama pengguna dan kata sandi untuk autentikasi. Pastikan akun yang digunakan memiliki profil keamanan yang mengizinkan interaksi API.
Cakupan data: Kueri VQL memiliki klausa WHERE untuk memfilter data. Atur filter created_date__v agar ekstraksi terbatas pada periode yang relevan, misalnya 6 hingga 12 bulan terakhir. Langkah ini penting untuk mengendalikan ukuran file dan menjaga kinerja.
Pemilihan objek dan kolom: Kueri yang tersedia menggunakan nama objek standar seperti quality_event__v dan capa__v. Periksa nama tersebut serta nama kolom khusus, seperti triage_completion_date__c, di konfigurasi Veeva Vault Anda, lalu sesuaikan kueri jika diperlukan.
Lokasi keluaran: Skrip menetapkan OUTPUTDIR. Pastikan pengguna yang menjalankan skrip memiliki izin menulis ke direktori ini. File CSV hasil ekstraksi akan disimpan di sana.
Penjadwalan: Untuk mengotomatiskan proses, jadwalkan skrip Bash ini menggunakan cron (di Linux) atau alat penjadwalan serupa. Anda dapat menjalankannya secara berkala, misalnya setiap hari atau minggu di luar jam sibuk.

Contoh kueri bash

#!/bin/bash

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

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

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

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

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

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

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

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

Siap memulai?

Siapkan data Anda sekarang untuk menemukan wawasan baru dan meningkatkan proses manajemen kualitas. Mulailah meningkatkan kepatuhan dan kinerja operasional di sini.

Kembali ke panduan perbaikan

Unduh template

Tingkatkan manajemen kualitas, mulai uji coba gratis hari ini

Kurangi inefisiensi, percepat waktu siklus hingga 30%, dan tingkatkan kepatuhan.

Mulai uji coba gratis

Tidak perlu kartu kredit. Mulai melakukan perbaikan dalam hitungan menit.

Templat data manajemen kualitas Anda

Templat data manajemen kualitas Anda

Atribut manajemen kualitas

Aktivitas manajemen kualitas

Panduan ekstraksi data

Ekstraksi Veeva Vault API menggunakan skrip Python

Langkah

Konfigurasi

Contoh kueri python

Ekspor data massal melalui command line Veeva Vault Loader

Langkah

Konfigurasi

Contoh kueri bash

Siap memulai?

Tingkatkan manajemen kualitas, mulai uji coba gratis hari ini