> Perbaikan proses berkelanjutan > Pemrosesan penggajian > Ceridian Dayforce > Templat data

Templat Data Pemrosesan Penggajian

Ceridian Dayforce

Atribut Pemrosesan Penggajian(17) Aktivitas Pemrosesan Penggajian(15) Panduan Ekstraksi(2)

Templat Data Pemrosesan Penggajian

Templat ini menyediakan kerangka untuk memetakan siklus penggajian Anda di Ceridian Dayforce. Templat ini menjelaskan kolom data penting dan tahapan proses yang diperlukan untuk membuat log peristiwa berkualitas tinggi untuk analisis mendalam. Ikuti panduan ini untuk melihat seluruh alur pembayaran dan menemukan peluang perbaikan operasional.

Atribut yang disarankan untuk dikumpulkan
Aktivitas utama yang perlu dilacak
Panduan ekstraksi khusus sistem

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

Unduh template

Atribut Pemrosesan Penggajian

Kolom data yang disarankan ini mencakup konteks bisnis dan detail sistem penting dari Ceridian Dayforce sebagai dasar analisis proses Anda.

5 Wajib 5 Disarankan 7 Opsional

	Nama	Deskripsi
	Aktivitas ActivityName	Nama langkah proses atau peristiwa yang dilakukan.
Deskripsi Atribut ini menunjukkan peristiwa tertentu dalam siklus penggajian. Aktivitas standar di Dayforce mencakup 'Lembar waktu dikirim', 'Gaji kotor dihitung', 'Penggajian ditetapkan', 'Pembayaran dilakukan', dan 'Pelaporan pajak selesai'. Nilai ini biasanya diambil dari log audit alur kerja, log transaksi sistem, misalnya perubahan status penggajian, atau stempel waktu yang terkait dengan objek bisnis tertentu seperti Pay Run atau lembar waktu. Mengapa ini penting Atribut ini menentukan langkah-langkah proses dan penting untuk menyusun kembali alur proses serta menganalisis variasinya. Sumber data Log alur kerja, jejak audit, atau tabel riwayat perubahan status. Contoh Lembar waktu dikirimGaji kotor dihitungPembayaran dilakukanData dikoreksiPengecualian audit ditandai
	Catatan penggajian PayrollRecordId	Pengenal unik untuk kasus penggajian, yang menggabungkan karyawan dan periode penggajian.
Deskripsi Atribut ini berfungsi sebagai ID Kasus unik untuk proses tersebut. Di Ceridian Dayforce, catatan penggajian secara konseptual merupakan gabungan seorang karyawan dan periode penggajian tertentu, yang biasanya ditetapkan dalam Pay Group. Catatan ini melacak seluruh siklus pembayaran karyawan tersebut. Secara teknis, ID ini biasanya dibuat dengan menggabungkan Pay Period ID dan Employee XRefCode atau System ID. ID ini menghubungkan semua aktivitas, mulai dari pengiriman lembar waktu hingga pelaporan pajak akhir dan pembuatan slip gaji. Mengapa ini penting Atribut ini mengidentifikasi objek utama dalam analisis process mining, sehingga semua peristiwa dapat dikelompokkan dalam satu rangkaian proses dari awal hingga akhir. Sumber data Diambil dari gabungan PayPeriodID dan EmployeeID dalam tabel Payroll Result atau Time Entry. Contoh PG01-2023-10-EMP10234US_SAL-2023-22-EMP88421UK_HRLY-2023-44-EMP00231
	Stempel waktu EventDateTime	Tanggal dan waktu saat aktivitas terjadi.
Deskripsi Stempel waktu persis yang menandai kapan suatu peristiwa terjadi di sistem Dayforce. Data ini digunakan untuk mengurutkan aktivitas secara kronologis dan menghitung durasi antar langkah. Stempel waktu yang akurat penting untuk menemukan hambatan, seperti keterlambatan pada tahap 'Lembar waktu disetujui' atau 'Berkas transfer bank dibuat'. Idealnya, data waktu memiliki ketelitian hingga detik atau menit. Mengapa ini penting Atribut ini menyediakan dimensi waktu yang diperlukan untuk process mining, sehingga kinerja proses dapat dianalisis dan hambatan dapat ditemukan. Sumber data Kolom stempel waktu transaksi dalam tabel audit, misalnya CreatedDateTime dan LastModifiedDateTime. Contoh 2023-10-12T08:30:00Z2023-10-12T14:15:22Z2023-10-15T09:00:00Z
	Pembaruan data terakhir LastDataUpdate	Stempel waktu saat data diambil dari sistem sumber.
Deskripsi Menunjukkan seberapa baru data yang digunakan untuk analisis. Biasanya, ini adalah stempel waktu proses ETL (Extract, Transform, Load) yang mengambil data dari Dayforce. Informasi ini membantu analis mengetahui apakah data yang dilihat bersifat real-time atau merupakan rekam data dari hari sebelumnya. Mengapa ini penting Atribut ini menunjukkan kebaruan kumpulan data dan membantu memeriksa kelengkapan data dengan membandingkannya dengan laporan sistem sumber. Sumber data Waktu sistem saat skrip dijalankan. Contoh 2023-11-01T00:00:00Z2023-11-02T12:00:00Z
	Sistem sumber SourceSystem	Nama sistem asal data.
Deskripsi Mengidentifikasi perangkat lunak atau basis data tempat data penggajian diambil. Dalam konteks ini, nilainya selalu 'Ceridian Dayforce' atau 'Dayforce'. Atribut ini berguna saat menggabungkan data dari beberapa sistem, misalnya sistem Waktu dan Kehadiran eksternal yang mengirimkan data ke Dayforce, untuk melacak asal-usul data. Mengapa ini penting Atribut ini memastikan data dapat ditelusuri dan memungkinkan pemfilteran dalam penerapan process mining yang menggunakan beberapa sistem. Sumber data Diisi dengan nilai tetap saat ekstraksi atau diambil dari metadata koneksi. Contoh Ceridian DayforceDayforce ProductionDayforce EU
	Departemen DepartmentName	Unit organisasi tempat karyawan bekerja.
Deskripsi Menunjukkan departemen fungsional, misalnya Penjualan, TI, atau SDM, yang terkait dengan catatan penggajian. Di Dayforce, data ini biasanya terhubung ke hierarki 'Org Unit' atau 'Department'. Kolom ini mendukung dashboard 'Time Sheet Approval Performance'. Anda dapat menelusuri area bisnis tertentu untuk melihat apakah manajer menunda persetujuan. Mengapa ini penting Atribut ini memungkinkan perbandingan kinerja antarbagian organisasi dan analisis akar penyebab keterlambatan persetujuan. Sumber data Catatan karyawan atau hierarki Organization Unit. Contoh KeuanganLogistik rantai pasokPenjualan Amerika Utara
	Jumlah gaji kotor GrossPayAmount	Jumlah gaji kotor yang dihitung untuk catatan tersebut.
Deskripsi Total kompensasi sebelum potongan dan pajak. Nilai ini diisi selama aktivitas 'Gaji kotor dihitung'. Menganalisis variasi waktu pemrosesan gaji kotor dapat membantu menemukan perhitungan rumit yang memperlambat dashboard 'Calculation Engine Flow Speed'. Mengapa ini penting Atribut ini memberi konteks keuangan pada proses dan memungkinkan analisis pemrosesan catatan bernilai tinggi dibandingkan dengan catatan bernilai rendah. Sumber data Tabel Payroll Result atau Pay Run Details. Contoh 2500.004150.501200.00
	Pay Group PayGroupName	Pengelompokan karyawan untuk pemrosesan penggajian.
Deskripsi Mengelompokkan karyawan yang dibayar dengan jadwal yang sama, misalnya 'US Bi-Weekly' atau 'UK Monthly'. Di Dayforce, Pay Group menjadi unit organisasi utama untuk proses penggajian. Atribut ini penting bagi dashboard 'End To End Payroll Cycle Duration', karena durasi siklus dan tenggat dapat berbeda untuk setiap Pay Group. Mengapa ini penting Atribut ini menjadi dasar segmentasi untuk membandingkan kinerja penggajian dan menemukan masalah pada kelompok tertentu. Sumber data Tabel PayGroup atau definisi PayRun. Contoh Karyawan bergaji korporat ASKaryawan ritel per jam KanadaEksekutif bulanan Inggris
	Pengguna yang melakukan aktivitas ActionUser	Pengguna yang melakukan aktivitas tertentu.
Deskripsi Mengidentifikasi orang yang bertanggung jawab atas suatu peristiwa, seperti manajer yang menyetujui lembar waktu atau spesialis penggajian yang menetapkan proses penggajian. Data ini penting untuk tampilan 'Payroll Specialist Productivity' dan untuk menemukan kebutuhan pelatihan bagi manajer. Mengapa ini penting Atribut ini mendukung analisis sumber daya dan pelacakan tanggung jawab dalam proses. Sumber data Log audit, kolom User ID dalam tabel transaksi. Contoh jsmithAdministrator sistemmgarcia_mgr
	Tenggat pemrosesan SLA SlaProcessingDeadline	Batas waktu yang ditetapkan untuk menyelesaikan pembuatan berkas bank.
Deskripsi Tenggat internal atau eksternal untuk aktivitas 'Berkas transfer bank dibuat' agar karyawan dibayar tepat waktu. Data ini digunakan dalam dashboard 'Bank Transfer Deadline Compliance'. Atribut ini dapat berupa aturan tetap berdasarkan tanggal pembayaran, misalnya tanggal pembayaran dikurangi dua hari, atau kolom yang dikonfigurasi dalam pengaturan Pay Group. Mengapa ini penting Atribut ini menjadi tolok ukur untuk menghitung ketepatan waktu dan risiko kepatuhan. Sumber data Diambil dari tanggal pembayaran dan konfigurasi aturan pemrosesan bank. Contoh 2023-10-25T14:00:00Z2023-10-26T10:00:00Z
	Alasan Koreksi CorrectionReason	Kode alasan untuk koreksi data.
Deskripsi Jika aktivitas 'Koreksi Data Dilakukan' terjadi, atribut ini mencatat alasan yang dimasukkan, misalnya 'Lupa Mencatat Jam Masuk' atau 'Penyesuaian Gaji Retroaktif'. Detail ini melengkapi dasbor 'Tingkat Koreksi Manual dan Pengerjaan Ulang', sehingga tim dapat menangani penyebab utama pekerjaan manual. Mengapa ini penting Atribut ini penting untuk menganalisis penyebab utama pengerjaan ulang. Sumber data Detail log audit atau kolom komentar pada transaksi koreksi. Contoh Lupa Mencatat Jam MasukTarif SalahPenyesuaian Retroaktif
	Apakah Ada Pengecualian Audit IsAuditExceptionFlagged	Penanda boolean yang menunjukkan apakah catatan memicu peringatan audit.
Deskripsi Penanda hasil perhitungan atau penanda langsung yang menunjukkan bahwa aktivitas 'Pengecualian Audit Ditandai' terjadi pada kasus ini. Penanda ini menjadi dasar KPI 'Tingkat Penandaan Pengecualian Audit'. Tingkat pengecualian yang tinggi dapat menunjukkan masalah kualitas data atau konfigurasi mesin kepatuhan Dayforce yang terlalu ketat. Mengapa ini penting Penanda ini memudahkan penghitungan tingkat kesalahan dan putaran pengerjaan ulang. Sumber data Ditentukan berdasarkan ada atau tidaknya aktivitas 'Pengecualian Audit Ditandai'. Contoh truefalse
	Apakah Transfer Bank Terlambat IsBankTransferLate	Penanda yang menunjukkan apakah file bank melewati tenggat.
Deskripsi Nilai boolean yang dihitung dengan membandingkan stempel waktu 'File Transfer Bank Dibuat' dengan 'Tenggat Pemrosesan SLA'. Nilai ini menjadi dasar KPI 'Tingkat Transfer Bank Tepat Waktu'. Mengetahui transfer yang terlambat penting untuk mencegah keterlambatan pembayaran gaji karyawan. Mengapa ini penting Ini adalah indikator penting untuk kepatuhan dan keandalan. Sumber data Dihitung: BankTransferTime > SlaProcessingDeadline. Contoh truefalse
	Jenis Kepegawaian EmploymentType	Klasifikasi karyawan, seperti penuh waktu, paruh waktu, atau kontraktor.
Deskripsi Mengelompokkan hubungan kerja karyawan. Data ini digunakan dalam tolok ukur untuk melihat apakah kontraktor atau staf paruh waktu memiliki karakteristik pemrosesan penggajian atau tingkat kesalahan yang berbeda. Biasanya, data ini tersedia di catatan Employee dalam Dayforce. Mengapa ini penting Atribut ini membantu mengelompokkan data dan membandingkan statistik pemrosesan secara adil. Sumber data Tabel Employee. Contoh Penuh WaktuParuh WaktuKontraktor
	Periode Penggajian PayPeriodDescription	Nama deskriptif untuk siklus penggajian.
Deskripsi Label periode penggajian yang mudah dibaca, misalnya 'Minggu ke-42 2023' atau 'Setengah Bulanan Oktober 2023'. Label ini membantu Anda memfilter dan menampilkan data di dasbor. Label ini memberi konteks untuk 'Catatan Penggajian' dan sering ditampilkan dalam 'Analisis Jalur Varian Proses' untuk memfilter proses tertentu. Mengapa ini penting Label ini membuat data lebih mudah dipahami oleh pengguna bisnis. Sumber data Kolom deskripsi pada tabel PayPeriod. Contoh 2023-W422023-Oct-SM12023-M11
	Pusat Biaya CostCenterCode	Kode keuangan yang dibebankan untuk biaya penggajian.
Deskripsi Pusat biaya buku besar umum yang terkait dengan penghasilan karyawan. Data ini digunakan dalam tampilan 'Tolok Ukur Pemrosesan Pusat Biaya' untuk membandingkan efisiensi antarunit keuangan. Di Dayforce, data ini termasuk dalam detail alokasi General Ledger (GL). Mengapa ini penting Data ini menghubungkan kinerja proses dengan struktur pelaporan keuangan. Sumber data Pengaturan GL karyawan atau tabel Distribusi Tenaga Kerja. Contoh CC-1020CC-5500-USCC-IT-OPS
	Yurisdiksi pajak TaxJurisdiction	Wilayah atau otoritas yang menangani pelaporan pajak.
Deskripsi Mengidentifikasi otoritas pajak tertentu, seperti negara bagian, provinsi, atau negara, yang terkait dengan catatan penggajian. Mendukung dashboard 'Tax Filing and Compliance Monitor'. Atribut ini memungkinkan segmentasi proses kepatuhan setelah penggajian dan menyoroti yurisdiksi yang sering mengalami keterlambatan pelaporan. Mengapa ini penting Atribut ini memungkinkan pemantauan kepatuhan dan analisis kinerja proses berdasarkan wilayah. Sumber data Pengaturan pajak karyawan atau rincian pajak Payroll Result. Contoh CaliforniaOntarioNew YorkBritania Raya

Wajib Disarankan Opsional

Aktivitas Pemrosesan Penggajian

Catat peristiwa penting dalam siklus proses dan perubahan status berikut untuk mendapatkan gambaran kronologis yang akurat tentang pemrosesan penggajian dan alur pembayaran.

7 Disarankan 8 Opsional

	Aktivitas	Deskripsi
	Berkas transfer bank dibuat	Pembuatan berkas NACHA, SEPA, atau berkas perbankan lainnya. Digunakan untuk menghitung 'On-Time Bank Transfer Rate' berdasarkan tenggat SLA.
Mengapa ini penting Tahap penting untuk memastikan dana ditransfer tepat waktu agar pembayaran dapat dilakukan sesuai jadwal. Sumber data Log tugas sistem yang menunjukkan keberhasilan pembuatan berkas transfer bank. Pengumpulan data Dicatat saat transaksi File Generation dijalankan Jenis peristiwa explicit
	Catatan penggajian dibuat	Menandai pembuatan catatan siklus pembayaran untuk seorang karyawan. Di Dayforce, proses ini terjadi saat Pay Group dibuka untuk siklus tersebut dan karyawan dimasukkan ke dalam proses penggajian.
Mengapa ini penting Menandai awal kasus penggajian dan menjadi dasar untuk mengukur total durasi siklus. Sumber data Temukan waktu pembuatan catatan proses penggajian karyawan dalam Pay Group. Pengumpulan data Dicatat saat catatan proses penggajian dibuat Jenis peristiwa explicit
	Catatan penggajian disetujui	Otorisasi akhir catatan penggajian, yang sering disebut 'Committing' atau 'Locking' proses penggajian. Menandai akhir tahap perhitungan dan pemeriksaan.
Mengapa ini penting Tonggak akhir yang memisahkan pemrosesan dari pencairan pembayaran. Sumber data Perubahan status Pay Run menjadi 'Committed', 'Locked', atau 'Approved'. Pengumpulan data Dicatat saat transaksi Commit dijalankan Jenis peristiwa explicit
	Gaji kotor dihitung	Mesin perhitungan sistem menghitung gaji kotor berdasarkan jam kerja, tarif, dan data yang diimpor. Ini merupakan tahap pertama dalam dashboard 'Calculation Engine Flow Speed'.
Mengapa ini penting Mengukur waktu respons mesin perhitungan setelah semua masukan ditetapkan. Sumber data Disimpulkan dari waktu saat kolom 'Gross Pay' diisi atau diperbarui selama proses perhitungan. Pengumpulan data Bandingkan kolom status sebelum dan sesudah Jenis peristiwa inferred
	Lembar waktu dikirim	Peristiwa saat karyawan atau manajer mengirimkan data waktu dan kehadiran untuk diproses. Tahap ini menghubungkan modul WFM dengan modul Payroll.
Mengapa ini penting Penting bagi dashboard 'End To End Payroll Cycle Duration' untuk mengukur keterlambatan sejak data pertama kali dimasukkan. Sumber data Diambil dari log modul Dayforce WFM atau perubahan status objek kartu waktu menjadi 'Submitted'. Pengumpulan data Bandingkan kolom status sebelum dan sesudah Jenis peristiwa inferred
	Lembar waktu disetujui	Manajer atau supervisor menyetujui data waktu yang dikirimkan. Keterlambatan pada tahap ini berdampak langsung pada dashboard 'Time Sheet Approval Performance'.
Mengapa ini penting Menemukan hambatan dalam rantai persetujuan yang menunda dimulainya perhitungan penggajian. Sumber data Lacak perubahan status kartu waktu menjadi 'Approved' atau 'Signed Off' di modul WFM. Pengumpulan data Dicatat saat transaksi Approved dijalankan Jenis peristiwa explicit
	Pembayaran dilakukan	Tanggal efektif pembayaran kepada karyawan. Tahap ini menandai selesainya proses bagi karyawan.
Mengapa ini penting Tonggak penting untuk 'End To End Payroll Cycle Duration' dan kepuasan karyawan. Sumber data Kolom 'Check Date' atau 'Payment Date' pada catatan penggajian yang telah ditetapkan. Pengumpulan data Dicatat saat transaksi Disbursement dijalankan Jenis peristiwa explicit
	Data dikoreksi	Pengguna mengubah data pembayaran secara manual, seperti jam kerja, tarif, atau potongan, setelah perhitungan awal. Aktivitas ini dipantau melalui dashboard 'Manual Correction and Rework Rates'.
Mengapa ini penting Ukuran langsung pekerjaan ulang. Mengurangi aktivitas ini menjadi salah satu sasaran utama peningkatan efisiensi proses. Sumber data Catatan jejak audit yang menunjukkan pembaruan oleh pengguna pada tabel rincian pembayaran karyawan. Pengumpulan data Dicatat saat transaksi Record Updated dijalankan Jenis peristiwa explicit
	Data insentif diimpor	Mencatat keberhasilan impor berkas data eksternal yang berisi bonus, komisi, atau pembayaran satu kali. Mendukung dashboard 'Incentive Data Import Lead Times'.
Mengapa ini penting Keterlambatan menerima data ini sering menyebabkan pemrosesan penggajian tertunda. Sumber data Log integrasi Dayforce yang menunjukkan selesainya tugas impor XML atau CSV untuk proses penggajian. Pengumpulan data Dicatat saat transaksi Import dijalankan Jenis peristiwa explicit
	Hasil penggajian ditinjau	Pengguna melihat daftar penggajian sementara atau pratinjau pembayaran. Data ini digunakan untuk menganalisis 'Preview Phase Efficiency' dan menemukan pengulangan kerja.
Mengapa ini penting Menandai awal tahap pemeriksaan oleh pengguna. Pratinjau yang berulang dapat menunjukkan masalah data yang belum terselesaikan. Sumber data Log akses yang menunjukkan pengguna membuat laporan 'Payroll Preview' atau membuka layar pratinjau. Pengumpulan data Dicatat saat transaksi Preview Report dijalankan Jenis peristiwa explicit
	Pajak dihitung	Tahap akhir perhitungan, saat aturan yurisdiksi pajak diterapkan untuk menentukan gaji bersih. Tahap ini menyelesaikan rangkaian perhitungan otomatis.
Mengapa ini penting Aturan pajak yang rumit dapat memperlambat pemrosesan. Aktivitas ini membantu mengukur kinerja mesin pajak. Sumber data Waktu saat baris pajak dibuat atau kolom 'Net Pay' ditetapkan di basis data. Pengumpulan data Bandingkan kolom status sebelum dan sesudah Jenis peristiwa inferred
	Pelaporan pajak selesai	Konfirmasi bahwa pelaporan pajak setelah penggajian berhasil diproses untuk yurisdiksi terkait. Mendukung 'Tax Filing and Compliance Monitor'.
Mengapa ini penting Memastikan kepatuhan terhadap peraturan dan menghindari denda setelah karyawan dibayar. Sumber data Pembaruan status di modul pajak atau log integrasi yang mengonfirmasi penerimaan oleh otoritas pajak atau penyedia pelaporan pihak ketiga. Pengumpulan data Dicatat saat transaksi Filing Confirmed dijalankan Jenis peristiwa explicit
	Pengecualian audit ditandai	Sistem membuat peringatan atau pesan kesalahan berdasarkan aturan validasi, misalnya gaji bersih negatif. Mendukung KPI 'Audit Exception Flagging Rate'.
Mengapa ini penting Frekuensi yang tinggi menunjukkan kualitas data awal yang buruk atau kesalahan konfigurasi yang memerlukan penanganan manual. Sumber data Ambil data dari tabel log pesan atau kesalahan sistem yang terhubung ke Pay Run ID. Pengumpulan data Dicatat saat transaksi Exception Created dijalankan Jenis peristiwa explicit
	Potongan tunjangan diterapkan	Menerapkan aturan tunjangan dan potongan pada gaji kotor. Tahap ini merupakan bagian dari rangkaian perhitungan otomatis yang dipantau melalui dashboard kecepatan alur.
Mengapa ini penting Memisahkan waktu pemrosesan atau kesalahan yang khusus terjadi pada mesin tunjangan selama proses penggajian. Sumber data Waktu saat baris potongan ditulis ke catatan penggajian atau kolom 'Total Deductions' diperbarui. Pengumpulan data Tentukan dengan membandingkan Update Timestamp dan Previous Timestamp pada kolom Jenis peristiwa calculated
	Slip gaji diterbitkan	Slip gaji digital tersedia bagi karyawan di portal ESS. Mendukung dashboard 'Digital Pay Slip Availability'.
Mengapa ini penting Mengukur jeda antara pelaksanaan pembayaran dan tersedianya informasi. Sumber data Waktu saat tugas penerbitan slip selesai atau penanda visibilitas diatur ke true. Pengumpulan data Bandingkan kolom status sebelum dan sesudah Jenis peristiwa inferred

Disarankan Opsional

Panduan Ekstraksi

Cara mengambil data dari Ceridian Dayforce

Langkah

Masuk ke aplikasi Ceridian Dayforce dengan akun pengguna yang memiliki hak akses Reporting dan System Admin.
Buka fitur Reporting dari menu utama aplikasi.
Klik tombol Add untuk membuat laporan baru, lalu pilih topik System Audit Trail. Topik ini berisi catatan historis perubahan yang diperlukan untuk process mining.
Di bagian Column Selection, tambahkan kolom berikut: Transaction Id, User Name, Timestamp, Feature Name, Operation, Table Name, Column Name, Old Value, New Value, dan Context Info (biasanya berisi konteks Employee dan Pay Group).
Tambahkan Filter pada laporan untuk membatasi Feature Name ke Payroll, WFM (Workforce Management), dan Benefits.
Tambahkan Filter kedua untuk Date Range sesuai periode analisis yang diinginkan, misalnya Last 90 Days.
Simpan laporan dengan nama Process Mining Audit Extract.
Buat laporan kedua menggunakan topik Pay Run History untuk mencatat perubahan status tingkat tinggi (Calculation, Approval, Commit) yang mungkin tidak muncul di catatan audit terperinci per kolom. Pilih kolom: Pay Group, Pay Period End Date, Workflow Status, Status Change Date, dan User.
Jalankan kedua laporan, lalu ekspor hasilnya ke format CSV.
Dayforce mengekspor data dalam format ternormalisasi, jadi Anda perlu menggabungkan kedua file CSV. Cocokkan catatan berdasarkan pengenal Pay Group dan Pay Period.
Terapkan logika transformasi yang dijelaskan di bagian Query di bawah untuk memetakan kode audit mentah Dayforce ke Activity Name standar.
Susun dataset akhir dengan kolom yang diperlukan: PayrollRecordId, ActivityName, EventDateTime, SourceSystem, dan atribut lainnya. Simpan sebagai satu file CSV untuk diunggah.

Konfigurasi

Pemilihan topik laporan: Gunakan 'System Audit Trail' untuk perubahan terperinci pada kolom dan 'Pay Run History' untuk pencapaian alur kerja tingkat tinggi.
Rentang tanggal: Pilih rentang 3 hingga 6 bulan agar kasus selesai tercakup tanpa melewati batas ukuran ekspor.
Filter fitur: Batasi Audit Trail hanya pada fitur 'Payroll', 'Time And Attendance', dan 'Benefits' agar perubahan HR yang tidak terkait tidak ikut tercatat.
Konteks pengguna: Pastikan tindakan pengguna 'System' disertakan dalam ekspor. Langkah otomatis seperti Calculation dilakukan oleh akun System, bukan pengguna manusia.
Format: Atur format ekspor ke CSV (Comma Delimited) tanpa pengelompokan header agar mudah diproses mesin.
Zona waktu: Pastikan semua timestamp ekspor menggunakan UTC atau waktu server agar urutannya konsisten untuk pengguna di lokasi berbeda.

Contoh kueri 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"]
  }
]

Langkah

Persiapan prasyarat: Pastikan Anda memiliki akun layanan di Ceridian Dayforce yang dapat mengakses Web Services (REST API). Akun tersebut memerlukan izin untuk Employee Pay Summary, Time entry, serta data Audit/Workflow.
Konfigurasi API: Buka System Admin > Integrations > Web Services di Dayforce. Catat Client Namespace dan Service URL, lalu pastikan Basic Auth atau OAuth sudah dikonfigurasi. Demi kesederhanaan, skrip ini menggunakan Basic Auth. Untuk penggunaan produksi, sebaiknya gunakan OAuth.
Persiapan lingkungan: Instal Python 3.x dan pustaka yang diperlukan, yaitu pandas dan requests. Jalankan pip install pandas requests untuk menginstalnya.
Konfigurasi skrip: Perbarui variabel konfigurasi di bagian atas skrip yang disediakan. Ganti placeholder username, password, client_namespace, dan base_url dengan detail instans Anda.
Tentukan rentang tanggal: Atur start_date dan end_date dalam skrip sesuai periode penggajian yang ingin dianalisis. Untuk validasi awal, disarankan menggunakan rentang 3 hingga 6 bulan.
Jalankan skrip: Jalankan skrip melalui command line, misalnya python extract_dayforce.py. Skrip ini mengambil data dari beberapa endpoint (Pay Summary, Time, Audit), lalu menggabungkannya menjadi satu log peristiwa.
Transformasi data: Skrip menormalkan timestamp secara otomatis dan memetakan kode status khusus Dayforce ke nama Activity standar yang diperlukan. Contohnya, Workflow Status committed dipetakan ke Payroll Record Approved.
Buat file keluaran: Skrip menyimpan file CSV bernama dayforce_payroll_event_log.csv di direktori lokal.
Validasi: Buka file CSV dan pastikan PayrollRecordId konsisten untuk satu periode penggajian serta tanggal tersusun secara kronologis.
Impor: Unggah file CSV yang dihasilkan ke ProcessMind. Petakan PayrollRecordId ke Case ID, ActivityName ke Activity, dan EventDateTime ke Timestamp.

Konfigurasi

Ukuran batch: Dayforce API menggunakan pagination. Secara default, skrip mengambil 50 atau 100 catatan per halaman. Sesuaikan parameter limit jika terjadi timeout.
Pembatasan permintaan: Dayforce menerapkan batas laju API yang ketat. Skrip menyisipkan jeda singkat antarpermintaan untuk mencegah error 429 Too Many Requests.
Client Namespace: Nilai ini penting untuk string koneksi. Ini adalah pengenal unik untuk instans Dayforce Anda.
Keterlambatan data: API Dayforce biasanya menampilkan data secara real-time. Namun, log audit untuk catatan lama, lebih dari 1 hingga 2 tahun, mungkin sudah diarsipkan atau lebih lambat diambil.
Izin: Pengguna API harus memiliki akses baca ke kolom PII jika Anda ingin menyertakan atribut sensitif. Skrip ini berfokus pada metadata proses.
Zona waktu: API biasanya mengembalikan waktu dalam UTC. Skrip menangani konversi, tetapi pastikan Anda mengetahui zona waktu server jika membandingkan data dengan layar UI.

Contoh kueri 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()

Siap Memulai?

Mulai tingkatkan proses Anda hari ini dengan menerapkan templat ini pada data penggajian. Tim kami siap membantu Anda menjalani proses ekstraksi dan memastikan data siap dianalisis.

Kembali ke panduan perbaikan

Unduh template

Atasi Keterlambatan Pemrosesan Penggajian dan Tingkatkan Efisiensi

Pangkas waktu siklus penggajian hingga 30% dan hilangkan hambatan.

Mulai uji coba gratis

Tidak perlu kartu kredit. Siapkan dalam 5 menit.

Templat Data Pemrosesan Penggajian

Templat Data Pemrosesan Penggajian

Atribut Pemrosesan Penggajian

Aktivitas Pemrosesan Penggajian

Panduan Ekstraksi

Ekspor Data Penggajian dari Dayforce Ad-Hoc Reporting

Langkah

Konfigurasi

Contoh kueri json

Ekstraksi dengan skrip Python melalui Dayforce REST API

Langkah

Konfigurasi

Contoh kueri python

Siap Memulai?

Atasi Keterlambatan Pemrosesan Penggajian dan Tingkatkan Efisiensi