> Continu verbeteren van processen > Kwaliteitsbeheer > Veeva Vault Quality > Datatemplate

Datatemplate voor kwaliteitsbeheer

Veeva Vault Quality

Attributen voor kwaliteitsbeheer (21) Activiteiten voor kwaliteitsbeheer (13) Extractiegidsen (2)

Datatemplate voor kwaliteitsbeheer

Deze template geeft je een duidelijk overzicht van de essentiële datapunten die nodig zijn om processen voor kwaliteitsbeheer te analyseren. Je vindt er de belangrijkste attributen en activiteiten, plus praktische aanwijzingen om deze data uit Veeva Vault Quality te halen. Zo kun je goed van start met process mining.

Aanbevolen attributen om te verzamelen
Belangrijke activiteiten om bij te houden
Instructies voor data-extractie

Nieuw met event logs? Lees hoe je een event log voor process mining maakt.

Template downloaden

Attributen voor kwaliteitsbeheer

Dit zijn de aanbevolen datavelden voor je event log, zodat je het proces voor kwaliteitsbeheer volledig kunt analyseren.

5 Verplicht 7 Aanbevolen 9 Optioneel

	Naam	Beschrijving
	Kwaliteitsgebeurtenis QualityEvent	De unieke identificatiecode van één kwaliteitsgebeurtenis, zoals een afwijking, non-conformiteit of CAPA.
Beschrijving De kwaliteitsgebeurtenis is de primaire case-ID. Deze koppelt alle activiteiten, onderzoeken en afhandelingen aan één specifiek kwaliteitsprobleem. Zo vormt ze de rode draad door de hele levenscyclus van een incident, van de eerste melding tot de definitieve afsluiting. Bij process mining is dit attribuut essentieel om het volledige verloop van elke kwaliteitsgebeurtenis te reconstrueren. Je kunt procesvariaties, doorlooptijden en compliance voor verschillende typen gebeurtenissen analyseren. Zo zie je hoe afzonderlijke kwaliteitsincidenten worden beheerd, onderzocht en afgehandeld. Waarom dit belangrijk is Dit is de essentiële case-ID die alle bijbehorende activiteiten groepeert in één procesinstantie. Zo wordt analyse van begin tot eind mogelijk. Waar vind je dit? Dit is de primaire identificatiecode voor records van kwaliteitsgebeurtenissen in Veeva Vault Quality. De code heet vaak ‘Naam’ of staat in een uniek-ID-veld van het object voor de kwaliteitsgebeurtenis. Voorbeelden QE-2023-00123CAPA-2023-00456DEV-2023-00789
	Activiteitsnaam ActivityName	De naam van een specifieke taak of stap tijdens de levenscyclus van de kwaliteitsgebeurtenis.
Beschrijving Dit attribuut beschrijft een afzonderlijke bedrijfsactiviteit of gebeurtenis tijdens het beheer van een kwaliteitsgebeurtenis. Het gaat om processtappen zoals ‘Onderzoek gestart’ of ‘Plan voor corrigerende acties goedgekeurd’. De volgorde en frequentie van deze activiteiten analyseren is de kern van process mining. Zo ontdek je hoe het proces werkelijk verloopt, vind je bottlenecks tussen stappen en spoor je afwijkingen van de standaardprocedure op. Waarom dit belangrijk is Dit attribuut beschrijft de processtappen en maakt het mogelijk de processtroom in beeld te brengen en te analyseren. Waar vind je dit? Dit wordt meestal afgeleid uit namen van workflowtaken, statuswijzigingen of vermeldingen in het auditspoor van Veeva Vault Quality. Voorbeelden Eerste beoordeling afgerondOorzaakanalyse uitgevoerdLaatste beoordeling en afsluiting
	Bronsysteem SourceSystem	Het systeem waaruit de data voor kwaliteitsmanagement is gehaald.
Beschrijving Dit attribuut geeft aan waar de data vandaan komt, in dit geval Veeva Vault Quality. Het helpt bij datagovernance en geeft context, vooral wanneer data uit meerdere systemen wordt gecombineerd. Bij analyses gebruik je dit attribuut om te filteren en de herkomst van data te volgen. Als je het bronsysteem kent, kun je de data goed interpreteren en problemen met de datakwaliteit opsporen. Waarom dit belangrijk is Geeft belangrijke context over de herkomst van data. Dat is belangrijk voor datagovernance, traceerbaarheid en analyses met meerdere systemen. Waar vind je dit? Dit is een vaste waarde die tijdens de datatransformatie wordt toegevoegd om alle records uit deze bron te labelen. Voorbeelden Veeva Vault Quality
	Laatste data-update LastDataUpdate	De timestamp van de laatste data-update of extractie uit het bronsysteem.
Beschrijving Dit attribuut geeft aan hoe actueel de geanalyseerde data is. Het toont wanneer de data voor het laatst uit Veeva Vault Quality is gehaald en in de process mining-tool is geladen. Zo weten gebruikers hoe actueel de analyse is en of de dashboards de huidige stand van zaken in de bedrijfsvoering weergeven. Dit is een belangrijk attribuut voor datagovernance. Waarom dit belangrijk is Laat gebruikers zien hoe actueel en relevant de data is, zodat duidelijk is hoe recent de procesanalyse is. Waar vind je dit? Deze timestamp wordt gegenereerd en toegevoegd tijdens het proces voor data-extractie, -transformatie en -laden (ETL). Voorbeelden 2024-05-20T08:00:00Z2024-05-21T08:00:00Z
	Tijdstip van gebeurtenis EventTime	De timestamp die aangeeft wanneer een activiteit is gestart of plaatsvond.
Beschrijving Dit attribuut legt de exacte datum en tijd vast waarop een activiteit is uitgevoerd. Het geeft alle gebeurtenissen binnen een case een chronologische context. Deze timestamp is de basis voor alle tijdsanalyses met process mining. Je gebruikt hem om doorlooptijden, wachttijden tussen activiteiten en de duur van afzonderlijke stappen te berekenen. Daarmee kun je vertragingen en prestatiebottlenecks opsporen. Waarom dit belangrijk is Deze timestamp is nodig om gebeurtenissen chronologisch te ordenen en alle prestatiemaatstaven te berekenen, zoals doorlooptijd en wachttijd. Waar vind je dit? Dit is de aanmaak- of afrondingsdatum van taken, of de timestamp van gebeurtenissen in het auditspoor van een object voor een kwaliteitsgebeurtenis. Voorbeelden 2023-10-26T10:00:00Z2023-11-01T14:35:10Z2023-11-15T09:21:05Z
	Beoogde afhandelingsdatum TargetResolutionDate	De geplande of vereiste datum waarop het kwaliteitsevent definitief moet zijn afgesloten.
Beschrijving Dit attribuut bepaalt de SLA of streefdatum voor de afhandeling van een kwaliteitsevent. De datum wordt vaak berekend op basis van de aanmaakdatum en de ernst of het type van het event. Je vergelijkt de werkelijke prestaties met deze datum. Het attribuut is belangrijk voor het dashboard 'Tijdige afhandeling' en de KPI 'Percentage tijdige afhandeling'. Zo zie je of events op tijd worden afgehandeld en welke factoren vertraging veroorzaken. Waarom dit belangrijk is Bepaalt de SLA voor de afhandeling van een case. Zo kun je meten of deadlines worden gehaald en vertragingen analyseren. Waar vind je dit? Dit is waarschijnlijk een datumveld op het Quality Event-object. De datum kan handmatig worden ingevoerd of automatisch door het systeem worden berekend. Voorbeelden 2024-01-15T23:59:59Z2024-02-28T23:59:59Z2024-03-10T23:59:59Z
	Eindtijd EndTime	De timestamp die aangeeft wanneer een activiteit is afgerond.
Beschrijving Dit attribuut legt de datum en tijd vast waarop een specifieke activiteit of taak is afgerond. Het verschilt van StartTime (EventTime) en is essentieel om te bepalen hoelang afzonderlijke processtappen duren. Bij process mining gebruik je EndTime samen met StartTime om de verwerkingstijd van activiteiten te berekenen. Zo zie je welke taken de meeste tijd kosten en bijdragen aan de totale doorlooptijd of vertragingen. Waarom dit belangrijk is Hiermee bereken je de verwerkingstijd van activiteiten en zie je waar taken vastlopen. Waar vind je dit? Deze timestamp staat meestal in de workflowgeschiedenis of auditspoorgegevens van een Quality Event, bijvoorbeeld als veld 'completed date' of 'modified on' bij een specifieke taak of status. Voorbeelden 2023-10-26T11:30:00Z2023-11-01T18:00:10Z2023-11-15T09:45:00Z
	Ernstniveau SeverityLevel	De ingeschatte ernst of het risiconiveau van het kwaliteitsevent, bijvoorbeeld hoog, gemiddeld of laag.
Beschrijving Dit attribuut classificeert het kwaliteitsevent op basis van de mogelijke impact op productkwaliteit, patiëntveiligheid of compliance. De ernst bepaalt vaak hoe snel en hoe grondig het onderzoek moet zijn. Analyse per ernstniveau helpt je verbeteracties te prioriteren. Je ziet of events met een hoge ernst langer duren, een ander proces volgen of vaker tot herhaalwerk leiden. Zo krijgen de belangrijkste problemen de meeste aandacht. Waarom dit belangrijk is Deelt events in naar impact. Zo kun je risico’s analyseren en verbeteracties richten op gebieden met een hoog risico. Waar vind je dit? Dit is een standaardclassificatieveld op het Quality Event-object, vaak een keuzelijst op basis van een risicomatrix. Voorbeelden HoogGemiddeldLaag
	Status van kwaliteitsevent QualityEventStatus	De huidige status van het kwaliteitsevent in de levenscyclus.
Beschrijving Dit attribuut geeft de huidige status van het kwaliteitsevent aan, zoals 'Open', 'In onderzoek', 'Wacht op goedkeuring' of 'Gesloten'. Je ziet hiermee waar elke case zich in de levenscyclus bevindt. Dit attribuut is nodig voor het dashboard 'Voortgang van kwaliteitsevents'. Daarmee kun je lopende cases realtime volgen, de voortgang bewaken, vastgelopen events opsporen en de werklast beheren. Waarom dit belangrijk is Geeft de huidige status van een case weer. Zo kun je lopend werk volgen en vastgelopen events opsporen. Waar vind je dit? Dit is een standaardveld op het Quality Event-object in Veeva Vault Quality dat de status in de levenscyclus weergeeft. Voorbeelden In eerste beoordelingIn onderzoekCAPA voorgesteldGesloten
	Toegewezen afdeling AssignedDepartment	De afdeling of het functionele gebied dat verantwoordelijk is voor het kwaliteitsevent of de activiteit.
Beschrijving Dit attribuut geeft de bedrijfseenheid of afdeling aan die verantwoordelijk is voor de afhandeling van het kwaliteitsevent of een specifieke taak, zoals kwaliteitsborging, productie of R&D. De waarde is vaak afgeleid van het profiel van de toegewezen gebruiker. Deze dimensie is belangrijk voor analyses op hoofdlijnen. Je kunt de procesefficiëntie en compliance van verschillende onderdelen van de organisatie vergelijken. Zo spoor je structurele problemen binnen afdelingen op en ondersteun je het dashboard 'Verdeling van de werklast van onderzoekers'. Waarom dit belangrijk is Hiermee kun je de procesprestaties van verschillende bedrijfseenheden filteren en vergelijken. Zo komen knelpunten en goede werkwijzen per afdeling aan het licht. Waar vind je dit? Deze informatie staat meestal in de profielgegevens van de gebruiker die aan 'Toegewezen onderzoeker' is gekoppeld. Het kan ook een rechtstreeks veld op het Quality Event-object zijn. Voorbeelden KwaliteitsborgingProductieOnderzoek en ontwikkeling
	Toegewezen onderzoeker AssignedInvestigator	De gebruiker of bron die een onderzoek of specifieke taak uitvoert.
Beschrijving Dit attribuut geeft aan welke persoon, rol of welk team verantwoordelijk is voor een activiteit binnen de levenscyclus van een kwaliteitsevent. Dit kan de eigenaar van het kwaliteitsevent zijn of de toegewezen gebruiker van een specifieke workflowtaak. Met dit attribuut krijg je inzicht in de verdeling van het werk en de prestaties van bronnen. Je ziet ook welke teams of personen te veel werk hebben. Het is nodig voor het dashboard 'Verdeling van de werklast van onderzoekers' en helpt om bronnen beter toe te wijzen en efficiënter te werken. Waarom dit belangrijk is Legt vast wie het werk uitvoert. Zo kun je de werklast en efficiëntie van bronnen analyseren en opleidingsbehoeften vaststellen. Waar vind je dit? Te vinden in de velden voor eigenaar of toegewezen gebruiker van het Quality Event-object, of in de bijbehorende workflowtaakobjecten in Veeva Vault Quality. Voorbeelden Alice JohnsonBob WilliamsOnderzoeksteam kwaliteitsborging
	Type kwaliteitsevent QualityEventType	De classificatie van het kwaliteitsevent, zoals CAPA, afwijking of klacht.
Beschrijving Dit attribuut deelt kwaliteitsevents in op basis van hun aard. Verschillende typen volgen vaak een ander proces en hebben eigen compliance-eisen en termijnen voor afhandeling. Door kwaliteitsevents op type te analyseren, zie je hoe processen van elkaar verschillen. Je kunt bijvoorbeeld de prestaties en efficiëntie van de afhandeling van afwijkingen vergelijken met die van CAPA’s. Zo stem je verbeteracties af op de specifieke situatie. Waarom dit belangrijk is Maakt onderscheid tussen typen kwaliteitsprocessen, die vaak eigen workflows, SLA’s en complianceregels hebben. Waar vind je dit? Dit is een standaardclassificatieveld op het Quality Event-object in Veeva Vault Quality, vaak een keuzelijst. Voorbeelden AfwijkingCorrigerende en preventieve actie (CAPA)Non-conformiteitKlacht
	Doorlooptijd CycleTime	De totale tijd vanaf het aanmaken van een kwaliteitsevent tot de definitieve afsluiting.
Beschrijving Deze metriek geeft aan hoelang het duurt om een kwaliteitsevent van begin tot eind af te handelen. Je berekent de tijd tussen de eerste activiteit, bijvoorbeeld 'Kwaliteitsevent aangemaakt', en de laatste activiteit, bijvoorbeeld 'Eindbeoordeling en afsluiting'. De doorlooptijd is een belangrijke KPI voor de procesefficiëntie. In het dashboard 'Afhandelingstijd van kwaliteitsevents' gebruik je deze metriek om trends te analyseren, oorzaken van lange afhandelingstijden op te sporen en streefwaarden voor procesverbetering vast te stellen. Waarom dit belangrijk is Meet de procesefficiëntie van begin tot eind. Deze KPI laat zien hoe het proces presteert en wat verbeteracties opleveren. Waar vind je dit? Dit is een berekende metriek. Per case wordt de timestamp van de eerste gebeurtenis afgetrokken van die van de laatste gebeurtenis. Voorbeelden 30 dagen en 12 uur65 dagen en 4 uur15 dagen en 2 uur
	Goedkeuringstijd ApprovalTime	De tijd die nodig is om een specifieke goedkeuringsactiviteit af te ronden.
Beschrijving Deze metriek meet hoelang goedkeuringsstappen duren, zoals 'Corrigerend actieplan goedgekeurd'. De tijd loopt vanaf het moment waarop goedkeuring wordt aangevraagd tot het moment waarop deze wordt verleend of afgewezen. Dit attribuut ondersteunt het dashboard 'Knelpunten in de goedkeuringsworkflow' en de KPI 'Doorlooptijd van de goedkeuringsworkflow'. Door de wachttijd op goedkeuringen apart te meten, zie je vertragingen door trage besluitvorming of inefficiënte goedkeuringsprocessen. Waarom dit belangrijk is Brengt vertragingen bij belangrijke besluitvormingsstappen aan het licht. Zo kun je goedkeuringsworkflows verbeteren en de totale doorlooptijd verkorten. Waar vind je dit? Deze metriek wordt berekend door in het event log het tijdsverschil tussen het begin en einde van goedkeuringsactiviteiten te bepalen. Voorbeelden 3 dagen en 4 uur1 dag en 0 uur7 dagen en 8 uur
	Grondoorzaak RootCause	De vastgestelde onderliggende oorzaak van het kwaliteitsevent.
Beschrijving Dit attribuut bevat de eindconclusie van het onderzoek naar de grondoorzaak (RCA). Het geeft de belangrijkste reden voor het kwaliteitsprobleem aan, zoals een defect aan apparatuur, een menselijke fout of een tekortkoming in een procedure. Analyse van grondoorzaken helpt problemen effectief op te lossen. Je ontdekt terugkerende structurele problemen die met corrigerende en preventieve acties moeten worden aangepakt. Dit attribuut ondersteunt rechtstreeks de dashboards 'Doorlooptijd van grondoorzaakanalyse' en 'CAPA-effectiviteit'. Waarom dit belangrijk is Deelt kwaliteitsproblemen in naar oorzaak. Zo kun je gericht analyseren hoe je herhaling voorkomt. Waar vind je dit? Dit is meestal een tekstveld of keuzelijst op het Quality Event-object of een gekoppeld Root Cause Analysis-object. Voorbeelden Defecte apparatuurProcedurefoutOnvoldoende opleidingMateriaaldefect
	Is herhaalwerk IsRework	Een berekende aanduiding die activiteiten of cases markeert waarbij werk opnieuw wordt uitgevoerd.
Beschrijving Dit booleaanse attribuut geeft aan dat een activiteit of reeks activiteiten herhaalwerk is, bijvoorbeeld wanneer een onderzoek opnieuw wordt uitgevoerd of een gesloten CAPA wordt heropend. Het is geen standaardveld, maar wordt berekend op basis van patronen in het procesverloop. Bij process mining gebruik je deze aanduiding om de verspilde inspanning en kosten in het proces te berekenen. Het attribuut is nodig voor het dashboard 'Analyse van herhaalwerk' en de KPI 'Percentage herhaalwerk bij kwaliteitsevents'. Zo spoor je oorzaken van inefficiëntie en kwaliteitsproblemen op. Waarom dit belangrijk is Maakt inefficiëntie zichtbaar door herhaald werk te markeren. Zo kun je de oorzaken van kwaliteitsproblemen en verspilde inspanning opsporen. Waar vind je dit? Dit attribuut komt niet rechtstreeks uit de brondata. Het wordt tijdens de datatransformatie berekend door herhaalde activiteitsnamen of lussen in het proces voor een case te herkennen. Voorbeelden truefalse
	Is herhaling IsRecurrence	Een aanduiding die aangeeft of dit kwaliteitsevent een herhaling is van een eerder vastgesteld probleem.
Beschrijving Dit booleaanse attribuut geeft aan dat een kwaliteitsevent geen nieuw, uniek probleem is, maar een herhaling van een eerder probleem. Dit wijst erop dat eerdere corrigerende acties mogelijk niet hebben gewerkt. Deze aanduiding is belangrijk voor het dashboard 'CAPA-effectiviteit en herhalingspercentage'. Door herhalingen bij te houden, krijg je zicht op het langetermijnresultaat van het kwaliteitsmanagementsysteem en spoor je structurele problemen op die niet goed worden aangepakt. Waarom dit belangrijk is Maakt zichtbaar waar corrigerende acties tekortschieten. Zo kun je analyseren waarom problemen terugkomen en hoe je oplossingen voor de lange termijn verbetert. Waar vind je dit? Dit kan een selectievakje op het Quality Event-object zijn, of een afgeleid veld op basis van koppelingen met eerdere, vergelijkbare events. Voorbeelden truefalse
	Is tijdig afgehandeld IsOnTimeResolution	Een berekende aanduiding die aangeeft of het kwaliteitsevent uiterlijk op de beoogde datum is gesloten.
Beschrijving Dit booleaanse attribuut wordt afgeleid door de werkelijke sluitingsdatum van een kwaliteitsevent te vergelijken met de 'Beoogde afhandelingsdatum'. Het geeft een eenvoudige uitkomst: op tijd of te laat. Deze aanduiding vormt de basis voor het dashboard 'Tijdige afhandeling' en de KPI 'Percentage tijdige afhandeling'. Je kunt de gegevens eenvoudig groeperen en filteren om te zien welke typen events, afdelingen of locaties moeite hebben om deadlines te halen. Waarom dit belangrijk is Geeft duidelijk aan of deadlines zijn gehaald. Zo worden prestatieanalyses en rapportages eenvoudiger. Waar vind je dit? Berekend door de timestamp van de activiteit 'Eindbeoordeling en afsluiting' te vergelijken met het attribuut 'TargetResolutionDate'. Formule: Closure Time <= TargetResolutionDate. Voorbeelden truefalse
	Locatie Site	De productielocatie, fabriek of vestiging waar het kwaliteitsevent plaatsvond of werd vastgesteld.
Beschrijving Dit attribuut geeft de fysieke locatie aan, zoals een fabriek of laboratorium, die bij het kwaliteitsevent hoort. Het biedt geografische of organisatorische context voor het probleem. Je kunt deze dimensie gebruiken om procesprestaties, typen problemen en afhandelingstijden tussen locaties te vergelijken. Zo spoor je locatiegebonden problemen op en deel je goede werkwijzen van locaties die goed presteren. Waarom dit belangrijk is Biedt geografische of organisatorische context voor analyses. Zo kun je prestaties vergelijken en locatiegebonden problemen opsporen. Waar vind je dit? Dit is vaak een standaardveld op het Quality Event-object dat verwijst naar een lijst met bedrijfslocaties. Voorbeelden Locatie A - New JerseyLocatie B - IerlandLocatie C - Zwitserland
	Product Product	Het product of materiaal dat bij het kwaliteitsevent hoort.
Beschrijving Dit attribuut koppelt het kwaliteitsevent aan een specifiek product, materiaal of batch. In gereguleerde sectoren is deze koppeling belangrijk voor traceerbaarheid en impactanalyse. Door kwaliteitsevents per product te analyseren, zie je of bepaalde producten vaker problemen opleveren. Dat helpt bij productverbetering en aanpassingen aan het productieproces. Je kunt dashboards filteren om de prestaties van specifieke productlijnen te bekijken. Waarom dit belangrijk is Koppelt kwaliteitsevents aan specifieke producten. Zo kun je productgebonden problemen en trends opsporen. Waar vind je dit? Dit is meestal een referentieveld op het Quality Event-object dat verwijst naar een Product- of Material-object in Veeva Vault. Voorbeelden Product A-100Product B-200Grondstof C-300
	Resultaat effectiviteitscontrole EffectivenessCheckResult	De uitkomst van de controle waarmee wordt vastgesteld of een corrigerende actie effectief was.
Beschrijving Dit attribuut registreert het resultaat van de effectiviteitscontrole na de uitvoering van een corrigerende actie. De uitkomst is meestal 'Effectief' of 'Niet effectief'. Dit is een directe maat voor het succes van het CAPA-proces en is belangrijk voor het dashboard 'CAPA-effectiviteit en herhalingspercentage' en de KPI 'CAPA-effectiviteitspercentage'. Je ziet hiermee of de uitgevoerde oplossingen het probleem daadwerkelijk helpen voorkomen. Waarom dit belangrijk is Meet rechtstreeks het resultaat van corrigerende acties en geeft feedback om de probleemoplossing te verbeteren. Waar vind je dit? Dit is waarschijnlijk een veld, vaak een keuzelijst, op een CAPA Action- of Effectiveness Check-object dat aan het primaire Quality Event is gekoppeld. Voorbeelden EffectiefNiet effectiefWacht op verificatie

Verplicht Aanbevolen Optioneel

Activiteiten voor kwaliteitsbeheer

Dit zijn de essentiële processtappen en mijlpalen voor je event log. Zo kun je het proces voor kwaliteitsbeheer goed in kaart brengen en analyseren.

7 Aanbevolen 6 Optioneel

	Activiteit	Beschrijving
	Corrigerende actie uitgevoerd	Dit geeft aan dat alle taken uit het goedgekeurde plan voor corrigerende acties zijn afgerond. De activiteit bevestigt dat de benodigde acties zijn uitgevoerd om de oorzaak aan te pakken. Dit wordt vastgelegd wanneer de status van het CAPA-record wordt bijgewerkt naar ‘Implementatie afgerond’.
Waarom dit belangrijk is Dit is een belangrijke mijlpaal: het proces gaat van planning naar uitvoering. De tijd tussen deze stap en de goedkeuring van de CAPA laat zien hoe efficiënt de implementatiefase verloopt. Waar vind je dit? Af te leiden uit een statuswijziging in de levenscyclus van het gekoppelde CAPA-object naar bijvoorbeeld ‘Geïmplementeerd’ of ‘Wacht op effectiviteitscontrole’. Vastleggen Gebruik de timestamp van de statuswijziging op het gekoppelde CAPA-object. Gebeurtenistype inferred
	Effectiviteit van de actie geverifieerd	Deze activiteit bevestigt dat de uitgevoerde corrigerende acties herhaling van het probleem hebben voorkomen. De formele verificatie wordt afgerond en vastgelegd. Dit gebeurt wanneer de status van de CAPA of kwaliteitsgebeurtenis wordt bijgewerkt naar ‘Effectiviteit geverifieerd’.
Waarom dit belangrijk is Dit is de laatste controle of de oplossing werkt en is belangrijk voor het berekenen van het ‘CAPA-effectiviteitspercentage’. Als de actie in deze fase niet effectief blijkt, is vaak herstelwerk nodig en wordt het onderzoek opnieuw geopend. Waar vind je dit? Af te leiden uit een statuswijziging in de levenscyclus van het object voor de kwaliteitsgebeurtenis of het CAPA-object naar bijvoorbeeld ‘Geverifieerd’ of ‘Afgesloten, effectief’. Vastleggen Gebruik de timestamp van de statuswijziging die aangeeft dat de verificatie is geslaagd. Gebeurtenistype inferred
	Kwaliteitsgebeurtenis aangemaakt	Dit is het begin van het proces: een kwaliteitsgebeurtenis wordt formeel vastgelegd in Veeva. Dit gebeurt meestal wanneer een nieuw kwaliteitsprobleem, een afwijking of een klacht wordt vastgesteld en in het systeem geregistreerd.
Waarom dit belangrijk is Deze activiteit markeert het begin van de levenscyclus van de case. Dat maakt haar belangrijk voor het berekenen van de totale doorlooptijd van een kwaliteitsgebeurtenis en voor het meten van de eerste procesfasen, zoals de tijd tot de start van een onderzoek. Waar vind je dit? Dit is een expliciete gebeurtenis, vastgelegd op basis van de aanmaaktimestamp van het object voor de kwaliteitsgebeurtenis in Veeva Vault. Het auditspoor van het object toont de exacte aanmaakdatum, -tijd en gebruiker. Vastleggen Gebruik de aanmaaktimestamp van het hoofdrecord van de kwaliteitsgebeurtenis. Gebeurtenistype explicit
	Laatste beoordeling en afsluiting	Dit is de laatste administratieve beoordeling van het record van de kwaliteitsgebeurtenis voordat het officieel wordt afgesloten. Hierbij wordt gecontroleerd of alle documentatie compleet is en alle processtappen zijn gevolgd. Dit is de laatste stap voordat de case als afgehandeld geldt.
Waarom dit belangrijk is Deze laatste activiteit is belangrijk voor het berekenen van de totale ‘Doorlooptijd van de kwaliteitsgebeurtenis’. Ze markeert het einde van al het werk. De timestamp wordt vergeleken met de ‘Streefdatum voor afhandeling’ om de prestaties te meten. Waar vind je dit? Af te leiden uit een statuswijziging in de levenscyclus van het object voor de kwaliteitsgebeurtenis naar ‘Afgesloten’, ‘Opgelost’ of een vergelijkbare eindstatus. Vastleggen Gebruik de timestamp van de laatste statuswijziging naar ‘Afgesloten’. Gebeurtenistype inferred
	Onderzoek gestart	Dit markeert de formele start van het onderzoek naar de oorzaak van de kwaliteitsgebeurtenis. Meestal wordt een onderzoeker of team toegewezen en begint de actieve onderzoeksfase. Dit wordt vastgelegd wanneer de status van de kwaliteitsgebeurtenis verandert in ‘In onderzoek’.
Waarom dit belangrijk is Dit is een belangrijke mijlpaal voor het meten van de KPI ‘Tijd van probleemidentificatie tot onderzoek’. Vertraging vóór dit moment wijst op achterstanden bij het toewijzen van middelen of het starten van een belangrijk onderzoek. Waar vind je dit? Af te leiden uit de timestamp waarop de status van het object voor de kwaliteitsgebeurtenis wordt bijgewerkt naar ‘In onderzoek’ of een vergelijkbare status. Ook het toewijzen van een onderzoeker kan als startpunt dienen. Vastleggen Gebruik de timestamp van de statuswijziging naar ‘In onderzoek’. Gebeurtenistype inferred
	Oorzaakanalyse uitgevoerd	Dit geeft aan dat de fase van de oorzaakanalyse (RCA) is afgerond en de onderliggende oorzaak van de kwaliteitsgebeurtenis is vastgesteld. Dit wordt vaak vastgelegd wanneer de onderzoeker de RCA-taak afrondt of de gebeurtenis verplaatst naar de status ‘Wacht op CAPA’.
Waarom dit belangrijk is Deze activiteit is belangrijk voor het meten van de KPI ‘Gemiddelde tijd voor oorzaakanalyse’. Door de doorlooptijd te analyseren, kun je bottlenecks in het analyseproces opsporen en de kwaliteit van onderzoeken verbeteren. Waar vind je dit? Meestal af te leiden uit een statuswijziging in de levenscyclus van het object voor de kwaliteitsgebeurtenis, bijvoorbeeld naar ‘RCA afgerond’ of ‘Wacht op actieplan’. De activiteit kan ook overeenkomen met het afronden van een specifieke workflowtaak. Vastleggen Gebruik de timestamp van de statuswijziging of de afronding van een RCA-gerelateerde taak. Gebeurtenistype inferred
	Plan voor corrigerende acties goedgekeurd	Dit markeert de formele goedkeuring van het voorgestelde plan voor corrigerende acties door relevante betrokkenen, zoals een kwaliteitscommissie. Dit is een belangrijke voorwaarde voordat corrigerende acties kunnen worden uitgevoerd. De goedkeuring wordt vastgelegd wanneer de status van het CAPA-planrecord verandert in ‘Goedgekeurd’.
Waarom dit belangrijk is Deze goedkeuringsstap is vaak een belangrijke bottleneck. Door de ‘Doorlooptijd van de goedkeuringsworkflow’ voor deze activiteit te meten, kun je vertragingen in het beoordelingsproces opsporen en aanpakken. Zo wordt de hele afhandeling sneller. Waar vind je dit? Af te leiden uit de timestamp van de statuswijziging naar ‘Goedgekeurd’ op het bijbehorende CAPA-planobject. Deze gebeurtenis kan ook als statuswijziging op de bovenliggende kwaliteitsgebeurtenis worden vastgelegd. Vastleggen Gebruik de timestamp van de statuswijziging op het gekoppelde CAPA-planobject. Gebeurtenistype inferred
	Betrokkenen geïnformeerd over de afhandeling	Deze activiteit staat voor de communicatie aan relevante betrokkenen over de afhandeling van de kwaliteitsgebeurtenis. Dit kan een automatische e-mailmelding zijn die wordt verstuurd bij de laatste afsluitstap, of een handmatig geregistreerde communicatietaak.
Waarom dit belangrijk is Tijdige communicatie is belangrijk voor de tevredenheid van betrokkenen en transparantie. Met deze activiteit kun je de KPI ‘Vertraging bij melding aan betrokkenen’ meten en vertragingen in de communicatie zichtbaar maken. Waar vind je dit? Dit kan een expliciete gebeurtenis zijn als Veeva Vault automatische meldingen verstuurt en registreert. Je kunt de activiteit ook afleiden uit de afronding van een handmatige workflowtaak ‘Betrokkenen informeren’. Vastleggen Gebruik systeemmeldingslogs of de afrondingstimestamp van een communicatietaak. Gebeurtenistype explicit
	Eerste beoordeling afgerond	Dit geeft aan dat de eerste beoordeling van de kwaliteitsgebeurtenis is afgerond. In deze fase wordt basisinformatie verzameld en gecontroleerd om de geldigheid en directe impact van de gebeurtenis vast te stellen. Dit wordt vaak vastgelegd wanneer de status van het record verandert van ‘Nieuw’ naar ‘In beoordeling’ of een vergelijkbare status.
Waarom dit belangrijk is Door de tijd voor de eerste beoordeling te analyseren, zie je vertragingen bij de eerste afhandeling van kwaliteitsgebeurtenissen. Dit geeft inzicht in de werklast en de inzet van middelen aan het begin van het proces. Waar vind je dit? Af te leiden uit de timestamp waarop de status van het object voor de kwaliteitsgebeurtenis wordt bijgewerkt om aan te geven dat de eerste beoordeling is afgerond, bijvoorbeeld van ‘Nieuw’ naar ‘In beoordeling’ of ‘Eerste beoordeling afgerond’. Vastleggen Gebruik de timestamp van de statuswijziging van het object voor de kwaliteitsgebeurtenis. Gebeurtenistype inferred
	Effectiviteitscontrole gestart	Dit markeert het begin van de periode waarin de effectiviteit van de uitgevoerde corrigerende acties wordt gemonitord. Het gaat niet om één moment, maar om de start van een verificatiefase. Dit wordt vastgelegd wanneer de kwaliteitsgebeurtenis of het CAPA-record de status ‘Monitoring’ of ‘Wacht op effectiviteitsverificatie’ krijgt.
Waarom dit belangrijk is Met deze activiteit begint de laatste validatieronde. De doorlooptijd van de effectiviteitscontrole laat zien hoe lang het duurt om te bevestigen dat de oplossing werkt. Waar vind je dit? Af te leiden uit een statuswijziging in de levenscyclus van het object voor de kwaliteitsgebeurtenis of het CAPA-object naar bijvoorbeeld ‘Effectiviteit wordt beoordeeld’. Vastleggen Gebruik de timestamp van de statuswijziging naar een status voor monitoring. Gebeurtenistype inferred
	Plan voor corrigerende acties voorgesteld	Deze activiteit vindt plaats wanneer een formeel plan om de vastgestelde oorzaak aan te pakken is opgesteld en ter beoordeling is ingediend. Vaak wordt hiervoor een gekoppeld CAPA-record (corrigerende en preventieve acties) aangemaakt. De gebeurtenis wordt vastgelegd wanneer het CAPA-record wordt aangemaakt of de status van de kwaliteitsgebeurtenis wordt bijgewerkt.
Waarom dit belangrijk is Door deze stap te volgen, zie je hoeveel tijd er verstrijkt tussen de analyse en het uitwerken van een oplossing. Dit is een belangrijke maatstaf voor de ‘Doorlooptijd van de oorzaakanalyse’, van de afronding van de RCA tot het voorstel voor een CAPA. Waar vind je dit? Dit is af te leiden uit een statuswijziging van het object voor de kwaliteitsgebeurtenis naar ‘Wacht op goedkeuring van CAPA’ of uit de aanmaaktimestamp van een gekoppeld CAPA-planrecord. Vastleggen Gebruik de aanmaaktimestamp van een gekoppeld CAPA-record of een statuswijziging. Gebeurtenistype inferred
	Preventieve actie vastgesteld	Deze activiteit vindt plaats wanneer een preventieve actie wordt vastgesteld om mogelijke herhaling in de toekomst te voorkomen, vaak naar aanleiding van het onderzoek. Dit wordt vastgelegd wanneer een record voor een preventieve actie (PA) wordt aangemaakt en aan de kwaliteitsgebeurtenis wordt gekoppeld.
Waarom dit belangrijk is Deze activiteit komt niet in elke case voor. Door haar toch te volgen, zie je hoe proactief het kwaliteitsproces is. Dit geeft inzicht in de aandacht van de organisatie voor preventie op lange termijn tegenover directe correctie. Waar vind je dit? Af te leiden uit de aanmaaktimestamp van een gekoppeld record voor een preventieve actie in Veeva Vault. Vastleggen Gebruik de aanmaaktimestamp van een gekoppeld record voor een preventieve actie. Gebeurtenistype inferred
	Probleem gecategoriseerd en geprioriteerd	Deze activiteit markeert het moment waarop de kwaliteitsgebeurtenis formeel is ingedeeld naar type, ernst en prioriteit. Deze belangrijke stap bepaalt het vervolg van het onderzoek en de planning. Meestal wordt dit vastgelegd met een statuswijziging die aangeeft dat de classificatie is afgerond.
Waarom dit belangrijk is Deze gebeurtenis is belangrijk om procesanalyses uit te splitsen naar ernst of type gebeurtenis. Zo zie je of problemen met hoge prioriteit sneller worden afgehandeld dan problemen met lage prioriteit en of middelen goed worden ingezet. Waar vind je dit? Af te leiden uit een statuswijziging in de levenscyclus van het object voor de kwaliteitsgebeurtenis, bijvoorbeeld naar ‘Gecategoriseerd’ of ‘Wacht op onderzoek’. Dit kan ook worden afgeleid uit de timestamp waarop belangrijke classificatievelden worden ingevuld. Vastleggen Af te leiden uit een statuswijziging of het invullen van velden zoals ‘Ernst’ en ‘Prioriteit’. Gebeurtenistype inferred

Aanbevolen Optioneel

Extractiegidsen

Zo haal je data uit Veeva Vault Quality

Stappen

Vereisten: Zorg dat Python 3.6 of hoger en de bibliotheken requests en pandas zijn geïnstalleerd. Je kunt ze installeren met pip: pip install requests pandas. Je hebt ook API-inloggegevens nodig voor je Veeva Vault-omgeving: de Vault-DNS (bijvoorbeeld yourcompany.veevavault.com), een gebruikersnaam en een wachtwoord voor een gebruiker met API-toegang en leesrechten voor Quality Event en gerelateerde objecten.
Configureer het script: Kopieer het Python-script naar een bestand met de naam extract_quality_events.py. Open het bestand en vervang bovenaan de tijdelijke waarden VAULT_DNS, USERNAME en PASSWORD door de inloggegevens van je Veeva Vault-omgeving.
Stel het datumbereik in: Zoek de VQL-query’s in het script. Elke query bevat een WHERE-clausule met een tijdelijke waarde, zoals created_date__v > '2023-01-01T00:00:00.000Z'. Pas deze datum aan om de periode voor de data-extractie in te stellen. Gebruik bij voorkeur een primair datumveld als filter om de eerste data-ophaling te beperken.
Controleer object- en veldnamen: De configuratie van Veeva Vault kan per omgeving verschillen. Het script gebruikt gangbare API-namen voor objecten (quality_event__v, capa__v) en velden (status__v, severity_level__c). Controleer deze namen aan de hand van de configuratie van je Vault, bijvoorbeeld met de Vault API-documentatie of de Vault Field and Object Reference. Pas de namen in de VQL-query’s zo nodig aan.
Voer het script uit: Open een terminal of opdrachtprompt, ga naar de map waarin je het script hebt opgeslagen en voer de opdracht python extract_quality_events.py uit. Het script meldt zich aan, voert een reeks query’s uit en verwerkt de data.
Houd de uitvoering in de gaten: Het script toont statusmeldingen in de console. Je ziet welke activiteit wordt geëxtraheerd en hoeveel records zijn gevonden. Zo kun je de voortgang volgen en problemen opsporen, zoals mislukte authenticatie of lege queryresultaten.
Haal het uitvoerbestand op: Na afloop maakt het script in dezelfde map een CSV-bestand met de naam quality_event_log.csv. Dit bestand bevat het geëxtraheerde event log.
Data omzetten en aanvullen: Het script zet de bronvelden om naar de vereiste kolommen van het event log. Het berekent de timestamp LastDataUpdate en vult SourceSystem met een vaste waarde. Als je extra berekeningen nodig hebt, zoals ActivityDuration, kun je het gedeelte aanpassen waarin het pandas DataFrame wordt bewerkt, vóór de definitieve CSV-export.
Maak het bestand klaar om te uploaden: Open quality_event_log.csv in een spreadsheetprogramma en controleer of de kolommen QualityEvent, ActivityName en EventTime correct zijn ingevuld. Het bestand heeft nu de juiste indeling om te uploaden naar process mining-software.

Configuratie

API-inloggegevens: Je hebt een speciaal API-gebruikersaccount nodig met een 'Security Policy' die API-toegang toestaat. De 'Permission Set' van deze gebruiker moet minimaal 'Read'-toegang geven tot het object quality_event__v, alle opgevraagde velden en eventuele gerelateerde objecten, zoals capa__v.
Vault-DNS: Het script heeft de specifieke DNS-naam van je Vault-omgeving nodig, bijvoorbeeld yourcompany.veevavault.com. Deze wordt gebruikt om de API-endpoint-URL’s samen te stellen.
Filter op datumbereik: Beperk de hoeveelheid data door in de WHERE-clausule van elke VQL-query een datumfilter op te nemen. Begin bij voorkeur met een recente periode van 3 tot 6 maanden, bijvoorbeeld created_date__v > 'YYYY-MM-DD'. Zo blijven de prestaties beheersbaar en kun je sneller testen.
API-namen van objecten en velden: Gebruik in alle VQL-query’s de interne API-namen van het systeem. Die kunnen afwijken van de labels in de gebruikersinterface. Aangepaste velden eindigen meestal op __c. Controleer alle object- en veldnamen in de configuratie van je Vault.
Paginering: Het script verwerkt de paginering van de Veeva-API automatisch. Het vraagt herhaaldelijk de URL voor de 'next_page' op die de API aanlevert, totdat alle resultaten voor een VQL-query zijn opgehaald. Je hoeft hiervoor niets handmatig in te stellen.
Prestaties: Data over een lange periode ophalen, of data uit een Vault met miljoenen kwaliteitsgebeurtenissen, kan veel tijd kosten en de API-limieten bereiken. Voer de extractie buiten piekuren uit en gebruik strenge datumfilters om de impact te beperken.

a Voorbeeldquery 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()

Stappen

Installeer en configureer Veeva Vault Loader: Download de opdrachtregeltool Veeva Vault Loader via het tabblad Apps van je Vault-omgeving. Pak het bestand uit in een aparte map. Zorg dat Java 1.8 of hoger is geïnstalleerd op de computer waarop je de extractie uitvoert.
Maak het configuratiebestand klaar: Maak een CSV-bestand om de exportquery in vast te leggen. Dit bestand bevat één regel met de VQL-query. Maak bijvoorbeeld een bestand met de naam vql_query.csv.
Stel de VQL-query op: Open vql_query.csv en voeg de kopregel query toe. Zet op de tweede regel de volledige VQL-query uit het onderstaande gedeelte query. Deze query haalt de benodigde velden uit het object Quality Event en gerelateerde records op om het event log samen te stellen.
Maak het Bash-script: Maak een Bash-script, bijvoorbeeld run_export.sh, om de uitvoering van Vault Loader te automatiseren. Kopieer het script uit het gedeelte query naar dit bestand. Het script regelt de authenticatie en voert de export uit.
Stel de scriptvariabelen in: Bewerk run_export.sh en vervang alle tijdelijke waarden. Vul de Vault-DNS, gebruikersnaam en het wachtwoord in, plus het pad naar het bestand vault-loader.jar en de paden voor de invoer- en uitvoerbestanden.
Voer de extractie uit: Open een terminal of opdrachtprompt, ga naar de map met het script en voer de opdracht bash run_export.sh uit. Het script maakt verbinding met Veeva Vault, voert de VQL-query uit en downloadt de resultaten naar een CSV-bestand met de naam quality_events_raw.csv.
Zet de ruwe data om: Het uitvoerbestand quality_events_raw.csv is een tabel met een brede indeling en één rij per kwaliteitsgebeurtenis. Zet deze data om naar een event log met een lange indeling. Gebruik hiervoor een datavoorbereidingstool of script, zoals Python of een ETL-tool, om de verschillende datumkolommen om te zetten naar afzonderlijke rijen. Maak voor elke kwaliteitsgebeurtenis een rij voor elk niet-leeg datumveld en koppel die aan de bijbehorende ActivityName.
Koppel de data aan de event log-structuur: Koppel tijdens de omzetting de kolommen uit de ruwe extractie aan de vereiste structuur van het event log. De kolom id wordt bijvoorbeeld QualityEvent en elke datumkolom die je omzet wordt EventTime. Voeg een kolom SourceSystem met een vaste waarde, zoals 'Veeva Vault Quality', en een kolom LastDataUpdate met de huidige timestamp toe.
Maak het definitieve bestand: Sla de omgezette data op als het definitieve CSV-bestand van het event log, klaar om naar ProcessMind te uploaden. Gebruik UTF-8-codering en zorg dat de kolomkoppen overeenkomen met de vereiste attributen.

Configuratie

Vereisten: Je hebt een Veeva Vault-gebruikersaccount nodig met API-toegang en voldoende rechten om het object Quality Event (quality_event__v) en eventuele gerelateerde objecten, zoals CAPA (capa__v), te lezen. Ook moet de opdrachtregeltool Veeva Vault Loader zijn geïnstalleerd.
Authenticatie: Het script gebruikt een gebruikersnaam en wachtwoord om je aan te melden. Controleer of het account een beveiligingsprofiel heeft dat API-toegang toestaat.
Databereik: De VQL-query bevat een WHERE-clausule om de data te filteren. Stel het filter voor created_date__v in op een relevante periode, bijvoorbeeld de afgelopen 6 tot 12 maanden. Zo houd je de bestandsgrootte en verwerkingstijd beheersbaar.
Objecten en velden selecteren: De voorbeeldquery gaat uit van standaardobjectnamen zoals quality_event__v en capa__v. Controleer of deze namen en de aangepaste veldnamen, zoals triage_completion_date__c, overeenkomen met de configuratie van je Veeva Vault-omgeving. Pas de query zo nodig aan.
Uitvoermap: Het script bevat de variabele OUTPUTDIR. Zorg dat de gebruiker die het script uitvoert schrijfrechten heeft voor deze map. Het geëxtraheerde CSV-bestand wordt daar opgeslagen.
Planning: Je kunt dit Bash-script automatisch uitvoeren met een cron-taak op Linux of een vergelijkbare planningstool. Stel bijvoorbeeld een dagelijkse of wekelijkse uitvoering buiten piekuren in.

a Voorbeeldquery 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"

Klaar om aan de slag te gaan?

Bereid vandaag je data voor en ontdek nieuwe inzichten om het proces voor kwaliteitsbeheer te verbeteren. Zo zet je de eerste stap naar betere compliance en een efficiëntere bedrijfsvoering.

Terug naar de verbetergids Template downloaden

Verbeter kwaliteitsbeheer: start vandaag je gratis proefperiode

Verminder inefficiëntie, verkort doorlooptijden met 30% en verbeter compliance.

Start je gratis proefperiode

Geen creditcard nodig. Je kunt binnen enkele minuten aan de slag.

Datatemplate voor kwaliteitsbeheer

Datatemplate voor kwaliteitsbeheer

Attributen voor kwaliteitsbeheer

Activiteiten voor kwaliteitsbeheer

Extractiegidsen

Data uit Veeva Vault halen met een Python-script via de API

Stappen

Configuratie

a Voorbeeldquery python

Bulkexport van data uit Veeva Vault Loader via de opdrachtregel

Stappen

Configuratie

a Voorbeeldquery bash

Klaar om aan de slag te gaan?

Verbeter kwaliteitsbeheer: start vandaag je gratis proefperiode

Datatemplate voor kwaliteitsbeheer

Datatemplate voor kwaliteitsbeheer

Attributen voor kwaliteitsbeheer

Activiteiten voor kwaliteitsbeheer

Extractiegidsen

Data uit Veeva Vault halen met een Python-script via de API

Stappen

Configuratie

a Voorbeeldquery python

Bulkexport van data uit Veeva Vault Loader via de opdrachtregel

Stappen

Configuratie

a Voorbeeldquery bash

Klaar om aan de slag te gaan?

Verbeter kwaliteitsbeheer: start vandaag je gratis proefperiode

We gaan zorgvuldig om met je privacy