> Continue verbetering > Lead to Cash > SAP Sales Cloud > datatemplate

Uw Lead to Cash Data Template

SAP Sales Cloud

Lead to Cash Attributes (18) Lead to Cash Activiteiten (15) Extractie Guides (2)

Uw Lead to Cash Data Template

Deze `template` biedt een gestructureerde `guide` voor het verzamelen van de noodzakelijke `data` voor het analyseren van uw Lead to Cash-proces. Het schetst de essentiële `attributes` en `activities` die nodig zijn om een uitgebreide `event log` op te bouwen. U vindt er ook praktische `guidance` voor het extraheren van deze `data` uit uw SAP Sales Cloud-systeem, wat zorgt voor een `smooth start` van uw `process mining journey`.

Aanbevolen attributen om vast te leggen
Belangrijkste activiteiten om te volgen
Extractiebegeleiding voor SAP Sales Cloud

Nieuw met event logs? Leer hoe je een process mining event log creëert.

Template downloaden

Lead to Cash Attributes

Dit zijn de aanbevolen `data fields` om op te nemen in uw `event log` voor een uitgebreide analyse van uw Lead to Cash-proces in SAP Sales Cloud.

3 Verplicht 6 Aanbevolen 9 Optioneel

	Naam	Omschrijving
	Activiteitsnaam ActivityName	De naam van de `business activity` of `event` die op een specifiek punt in het proces heeft plaatsgevonden.
Omschrijving De Activity Name beschrijft een specifieke stap of `event` binnen het Lead to Cash-proces, zoals 'Lead Qualified', 'Quote Created' of 'Payment Received'. Deze `events` vormen de reeks van acties die de `process flow` voor elke `sales opportunity` vormen. Het analyseren van deze `activities` is de kern van `process mining`. Het maakt de visualisatie van `process maps` mogelijk, de identificatie van `bottlenecks` tussen stappen, en de meting van frequenties voor verschillende `process paths`, wat onthult hoe het `sales process` daadwerkelijk wordt uitgevoerd. Het belang Dit `attribute` definieert de stappen in de `process map`, wat fundamenteel is voor het visualiseren en analyseren van de `process flow`. Vindplaats Afgeleid van statuswijzigingen van business objecten, documentaanmaak-events of specifieke gebruikersacties vastgelegd in transactielogs binnen SAP Sales Cloud. Voorbeelden Lead VastgelegdOpportunity GecreëerdOfferte Naar Klant VerzondenBetaling Ontvangen
	Tijdstip Gebeurtenis EventTime	De tijdstempel die aangeeft wanneer een specifieke activiteit of gebeurtenis heeft plaatsgevonden.
Omschrijving Event Time registreert de precieze datum en tijd waarop een activiteit is voltooid. Deze temporele data is essentieel voor het begrijpen van de timing en duur van processtappen. Het biedt de chronologische volgorde die nodig is om de processtroom op te bouwen. In procesanalyse worden timestamps gebruikt om cyclustijden tussen activiteiten te berekenen, de totale duur van het verkoopproces te meten en vertragingen of knelpunten te identificeren. Het analyseren van timestamps over de tijd kan ook trends in procesprestaties onthullen. Het belang De `timestamp` is cruciaal voor het chronologisch ordenen van `events` en voor alle tijdgebaseerde analyse, inclusief `cycle time` en `bottleneck` identificatie. Vindplaats Typisch te vinden in 'Creation Date' of 'Last Changed Date'-velden geassocieerd met `business objects` zoals `Leads`, `Opportunities`, `Quotes` en `Sales Orders` in SAP Sales Cloud. Voorbeelden 2023-04-15T10:30:00Z2023-05-02T14:00:00Z2023-06-20T09:15:00Z
	Verkoopkans SalesOpportunityId	De unieke `identifier` voor een `sales opportunity`, dienend als de primaire `case identifier` voor het Lead to Cash-proces.
Omschrijving De Sales Opportunity ID identificeert elke potentiële verkoop uniek, vanaf het begin als `lead` tot de uiteindelijke afhandeling als een gewonnen of verloren deal. Het fungeert als de centrale draad die alle gerelateerde `activities` verbindt, zoals `lead`kwalificatie, `quote creation`, `order processing` en `payment`. In `process mining` analyse is deze ID cruciaal voor het reconstrueren van het `end-to-end journey` van elke `opportunity`. Het maakt de correlatie van alle `events` mogelijk, waardoor de analyse van `process variants`, `cycle times` en `conversion rates` op een per-`opportunity` basis kan worden uitgevoerd. Het belang Dit is de essentiële `Case ID` die alle `activities` in het `process` met elkaar verbindt, waardoor het mogelijk wordt de complete `lifecycle` van elke `sales opportunity` te traceren. Vindplaats Dit is de `primary key` voor het Opportunity `business object` in SAP Sales Cloud. Voorbeelden OP-8000123456OP-8000123457OP-8000123458
	Kortingspercentage DiscountPercentage	Het kortingspercentage toegepast op de `sales quote` of order.
Omschrijving Dit `attribute` legt het totale `discount rate` vast dat op een `opportunity` is toegepast, doorgaans in de `quote` of order `stage`. Het wordt uitgedrukt als een percentage van de `list price`. Dit is een kritieke `metric` voor `financial performance` en `sales discipline analysis`. Het 'Discount Distribution' `dashboard` gebruikt dit `attribute` om `discounting behavior` te monitoren over `sales reps` en producten. Het wordt ook gebruikt voor de 'Discount Approval `Compliance`' KPI om ervoor te zorgen dat grote `discounts` de juiste `approval workflows` volgen. Het belang Cruciaal voor het analyseren van prijsstrategie, het kortingsgedrag van het verkoopteam en de impact daarvan op de winstgevendheid. Vindplaats Berekend op basis van de prijselementen in de gerelateerde Sales Quote- of Sales Order business objecten in SAP Sales Cloud. Voorbeelden 0.050.100.25
	Lead Bron LeadSource	Het `marketing channel` of de oorsprong van de initiële `lead`.
Omschrijving Lead Source specificeert hoe een potentiële klant voor het eerst werd geïdentificeerd, bijvoorbeeld via een webformulier, beurs of partnerverwijzing. Deze informatie wordt doorgaans vastgelegd wanneer de lead wordt gecreëerd. Dit attribuut is cruciaal voor het 'Lead Conversion Rate by Source' dashboard. Het analyseren van deze dimensie helpt marketing- en verkoopteams te begrijpen welke kanalen de meest waardevolle leads genereren, waardoor een betere toewijzing van resources en optimalisatie van marketingcampagnes mogelijk is. Het belang Essentieel voor het meten van de effectiviteit van verschillende marketingkanalen en het optimaliseren van leadgeneratiestrategieën. Vindplaats Gevonden op de Lead- en Opportunity business objecten in SAP Sales Cloud. Het veld wordt vaak 'Bron' of 'Oorsprong' genoemd. Voorbeelden WebinarPartner VerwijzingBeursWebsite-aanvraag
	Opportunity Status OpportunityStatus	De huidige status of `outcome` van de `sales opportunity`, zoals 'Open', 'Won' of 'Lost'.
Omschrijving Dit `attribute` geeft de algehele status van de `sales opportunity` op een bepaald `point in time` weer. Het geeft aan of de `opportunity` nog in `progress` is, succesvol is `won`, of is `lost` aan een `competitor` of om andere redenen. Het analyseren van de `final status` is fundamenteel voor het berekenen van belangrijke KPI's zoals de Opportunity `Win Rate`. Het maakt ook het filteren van `analysis` mogelijk om zich alleen te richten op succesvolle `paths` of om de `process patterns` te onderzoeken die het vaakst leiden tot `lost deals`. Het belang Definieert de uitkomst van de case, wat cruciaal is voor het berekenen van win/verlies-percentages en het analyseren van de procespaden van succesvolle versus onsuccesvolle opportunities. Vindplaats Het 'Status'-veld op het Opportunity `business object` in SAP Sales Cloud. Voorbeelden OpenIn VerwerkingGewonnenVerlorenGestopt
	Productcategorie ProductCategory	De categorie van het product of de dienst die in de opportunity wordt verkocht.
Omschrijving Product Category groepeert de specifieke items of services in een opportunity in bredere classificaties, zoals 'Hardware', 'Software' of 'Consulting Services'. Dit vereenvoudigt de analyse wanneer veel individuele producten betrokken zijn. Analyseren per Product Category is essentieel voor het begrijpen hoe het verkoopproces verschilt voor diverse soorten aanbiedingen. Het wordt gebruikt in dashboards zoals 'Discount Distribution' en 'Order Fulfillment Efficiency' om te zien of bepaalde categorieën hogere kortingen of langere afhandelingstijden met zich meebrengen. Het belang Maakt analyse mogelijk van procesvariaties op basis van het type product of dienst dat wordt verkocht, wat aanzienlijk verschillende verkoopcycli kan hebben. Vindplaats Afgeleid van de product master data gekoppeld aan de regelitems van een Sales Quote of Sales Order in SAP Sales Cloud. Voorbeelden SoftwarelicentieHardwareProfessionele DienstenSupport Abonnement
	Verkooporderbedrag SalesOrderAmount	De totale monetaire waarde van de `sales order` die gekoppeld is aan de `opportunity`.
Omschrijving Dit `attribute` vertegenwoordigt de `total value` van de goederen of `services` die worden verkocht zodra een `opportunity` is `won` en een `sales order` is `created`. Het weerspiegelt de `revenue` die wordt gegenereerd uit de succesvolle voltooiing van het `sales process`. `Sales Order Amount` is een kritieke `financial dimension` voor `analysis`. Het kan worden gebruikt om `opportunities` te segmenteren op `size` (bijv. `small`, `medium`, `large deals`) om te zien of `process behavior` verschilt. Het biedt ook de `value context` voor KPI's zoals `win rate`, en toont de `total value` van `won` versus `lost opportunities`. Het belang Biedt een financiële dimensie aan het proces, wat waardegerichte analyse van verkoopcycli en -resultaten mogelijk maakt. Vindplaats Deze `value` zou afkomstig zijn uit het 'Total Net Value'-veld van het geassocieerde Sales Order `business object` in SAP Sales Cloud. Voorbeelden 50000.00125000.507800.00
	Verkoopvertegenwoordiger SalesRepresentative	De medewerker die verantwoordelijk is voor het beheren van de `sales opportunity`.
Omschrijving Dit `attribute` identificeert de `user` of `employee` die de eigenaar is van de `lead` of `opportunity`. Dit is vaak het primaire `point of contact` voor de klant en is verantwoordelijk voor het verplaatsen van de `deal` door de `sales pipeline`. In `analysis` is de Sales Representative een belangrijke `dimension` voor `performance comparison`. Het maakt de `evaluation` van `sales cycle times`, `win rates` en `process adherence` mogelijk per individu, team of regio, wat helpt bij het identificeren van `top performers` en `areas for coaching`. Het belang Maakt prestatieanalyse per medewerker mogelijk, wat helpt bij het identificeren van coachingkansen en best practices onder verkoopmedewerkers. Vindplaats Gekoppeld aan de 'Eigenaar'- of 'Verantwoordelijke Medewerker' party role op het Opportunity- of Lead business object in SAP Sales Cloud. Voorbeelden John SmithMaria GarciaChen Wei
	Betalingstermijnen PaymentTerms	De overeengekomen betalingsvoorwaarden, zoals 'Net 30' of 'Net 60'.
Omschrijving Betalingstermijnen definiëren de voorwaarden waaronder een klant wordt verwacht te betalen voor de goederen of diensten. Dit wordt vastgesteld tijdens de sales order- of contractfase en bepaalt de vervaldatum voor de factuur. Dit attribuut is een belangrijke dimensie voor het 'Payment Collection Cycle Time' dashboard. Door te segmenteren op betalingstermijnen, kan een bedrijf beoordelen of klanten zich houden aan de overeengekomen schema's en identificeren welke termijnen geassocieerd zijn met langere of kortere betalingscycli. Het belang Biedt context voor betalingsincasso-analyse, wat helpt te bepalen of vertragingen gerelateerd zijn aan klantgedrag of soepele betalingstermijnen. Vindplaats Gevonden in de Sales Order- of Klant master data in SAP Sales Cloud. Voorbeelden Netto 30Netto 60Verval bij Ontvangst
	Bewerkingstijd ProcessingTime	De tijd die actief aan een taak wordt besteed, exclusief wachttijd.
Omschrijving Processing Time, ook bekend als 'touch time', meet de duur dat een resource actief betrokken was bij een taak. Het verschilt van cyclustijd, die de tijd omvat die een case wacht tussen activiteiten. Het analyseren van processing time helpt onderscheid te maken tussen vertragingen veroorzaakt door inefficiënt werk en vertragingen veroorzaakt door wachten op resources of informatie. Het biedt een nauwkeurigere maatstaf voor de inspanning die nodig is voor elke activiteit in het verkoopproces. Het belang Meet de actieve werkduur, wat helpt om onderscheid te maken tussen inefficiënte taken en lange wachttijden in het proces. Vindplaats Berekend als het verschil tussen de Eindtijd en Starttijd van een activiteit. Vereist dat beide timestamps beschikbaar zijn voor elk event. Voorbeelden PT1H30MPT8HP2DT4H
	Bronsysteem SourceSystem	Identificeert het systeem waaruit de data afkomstig is.
Omschrijving Dit `attribute` specificeert de `source application` waar de `event data` is gegenereerd. Voor dit `process` zal dit typisch 'SAP Sales Cloud' zijn, maar het kan ook andere `integrated systems` omvatten zoals een `marketing automation platform` voor `lead capture`. In een `multi-system landscape` is dit `attribute` van vitaal belang voor het begrijpen van `data lineage` en het `troubleshooting` van `data integration issues`. Het zorgt ervoor dat `analysis` is gebaseerd op een duidelijk begrip van waar elk stuk `information` vandaan komt. Het belang Helpt data-oorsprongen te differentiëren in geïntegreerde omgevingen, zodat data-herkomst en context duidelijk zijn tijdens analyse. Vindplaats Dit is doorgaans een statische waarde die tijdens het data-extractieproces wordt toegevoegd om de herkomst van de records te labelen. Voorbeelden SAP Sales CloudSAP C4CSSC_PROD_100
	Is Herbewerkt IsReworked	Een indicator die aangeeft of een activiteit of case rework heeft ondergaan.
Omschrijving Deze `boolean flag` wordt ingesteld op `true` als een `rework loop` wordt gedetecteerd in het proces, zoals een `sales order` die wordt gewijzigd na de initiële aanmaak of een `quote` die meerdere keren wordt herzien. Het wordt afgeleid door de `sequence` van `activities` te analyseren. Dit berekende `attribute` is essentieel voor het kwantificeren van `process inefficiencies`. Het ondersteunt direct het 'Sales Order Rework Frequency' `dashboard` en de 'Sales Order Rework Rate' KPI door het eenvoudig te maken om te filteren op en gevallen van `rework` te tellen zonder complexe `pattern matching` in de `analysis tool`. Het belang Kwantificeert direct procesinefficiëntie door cases met rework-loops te markeren, wat de analyse van rework-frequentie en de oorzaken ervan vereenvoudigt. Vindplaats Dit `attribute` bevindt zich niet in het `source system`. Het wordt berekend tijdens `data transformation` door herhaalde `sequences` van `activities` te detecteren (bijv. 'Sales Order Created' gevolgd door 'Sales Order Reworked'). Voorbeelden truefalse
	Klantnaam CustomerName	De naam van het bedrijf of de persoon die geassocieerd wordt met de `sales opportunity`.
Omschrijving Dit `attribute` identificeert de `prospective customer` voor de `sales deal`. Het koppelt het `sales process` aan een specifieke `account` in het systeem. Analyseren per klant maakt een `customer-centric view` van het `sales process` mogelijk. Het kan helpen identificeren welke klanten de langste `sales cycles` hebben of het meeste `rework` vereisen, en is essentieel voor KPI's zoals de 'Payment Collection `Cycle Time`' gesegmenteerd per klant. Het belang Maakt klantgerichte analyse mogelijk om patronen in verkoopcycli of betalingsgedrag voor specifieke accounts te identificeren. Vindplaats Gekoppeld aan de 'Account'- of 'Prospect' party role op het Opportunity business object in SAP Sales Cloud. Voorbeelden Global Tech Inc.Innovate Solutions Ltd.Dynamic Corp
	Laatste data-update LastDataUpdate	De `timestamp` waarop de `data` voor het laatst is geëxtraheerd of ververst uit het `bronsysteem`.
Omschrijving Dit `attribute` geeft aan wanneer de `data` voor de `event log` voor het laatst is bijgewerkt. Het biedt `context` voor de `freshness` van de `data` die wordt geanalyseerd, wat belangrijk is voor het begrijpen van de `relevance` van de `findings`. Voor elke `process analysis` is het kennen van de `recency` van de `data` cruciaal. Het helpt `stakeholders` te begrijpen of de `insights` `current operations` of een `past period` weerspiegelen, wat de `decision-making` op basis van de `analysis` beïnvloedt. Het belang Biedt cruciale context over data-actualiteit, en zorgt ervoor dat analyse en beslissingen gebaseerd zijn op up-to-date informatie. Vindplaats Dit is een `metadata timestamp` die is toegevoegd tijdens het `data extraction and transformation (ETL)` proces. Voorbeelden 2024-07-20T02:00:00Z2024-07-21T02:00:00Z
	Regio Region	De geografische regio waar de klant of het verkoopteam zich bevindt.
Omschrijving Regio vertegenwoordigt het geografische gebied dat aan de verkoop-opportunity is toegewezen, vaak gebaseerd op de locatie van de klant of de structuur van de verkooporganisatie. Dit kan een land, staat of een op maat gedefinieerd verkoopgebied zijn. Dit is een belangrijk attribuut voor segmentatie. Het wordt direct gebruikt in het 'Opportunity Win Rate Performance' dashboard om prestaties tussen verschillende regio's te vergelijken. Dit helpt bij het identificeren van regionale verschillen in procesefficiëntie, marktsucces en verkoopstrategieën. Het belang Maakt geografische analyse van verkoopprestaties mogelijk, waarbij regionale variaties in win rates, cyclustijden en procesuitvoering worden belicht. Vindplaats Vaak afgeleid van het adres van de klant of de verkooporganisatie die aan de opportunity is toegewezen in SAP Sales Cloud. Voorbeelden Noord-AmerikaEMEAAPACLATAM
	Verkooporganisatie SalesOrganization	De organisatorische eenheid die verantwoordelijk is voor de verkoop.
Omschrijving De Sales Organization vertegenwoordigt een specifieke eenheid, divisie of team binnen het bedrijf dat verantwoordelijk is voor een `sales transaction`. Het is een sleutelelement van de `enterprise structure` in SAP. Dit `attribute` maakt het mogelijk om analyses te segmenteren op basis van verschillende onderdelen van de `business`. Het kan worden gebruikt om `process performance`, `win rates` en `cycle times` te vergelijken tussen verschillende `business units` of `sales divisions`, wat een `high-level organizational view` van efficiëntie biedt. Het belang Maakt prestatiebenchmarking en procesanalyse mogelijk voor verschillende business units of bedrijfsdivisies. Vindplaats Dit is een belangrijk `organizational assignment field` op de Opportunity of Sales Order in SAP Sales Cloud. Voorbeelden US01DE01Corp Sales Noord
	Verzendmethode ShippingMethod	De methode die wordt gebruikt om het fysieke product aan de klant te leveren.
Omschrijving Dit `attribute` specificeert de `logistics` of `delivery method` voor een order, zoals 'Ground Shipping', 'Air Freight' of 'Digital Delivery'. Het is relevant voor `processes` die fysieke goederen omvatten. Voor het 'Order Fulfillment Efficiency' `dashboard` helpt dit `attribute` te analyseren of verschillende `shipping methods` correleren met verschillende `fulfillment times`. Dit kan `inefficiencies` in specifieke `logistics channels` onthullen of helpen `customer expectations` nauwkeuriger in te stellen. Het belang Helpt knelpunten in het orderafhandelingsgedeelte van het proces te diagnosticeren door de leveringsprestaties per logistiek kanaal te segmenteren. Vindplaats Typisch te vinden op het `line item` of `header level` van het Sales Order `business object` in SAP Sales Cloud. Voorbeelden GrondNext Day AirDigitale DownloadVracht

Verplicht Aanbevolen Optioneel

Lead to Cash Activiteiten

Dit zijn de belangrijkste processtappen en mijlpalen om vast te leggen in uw `event log` voor nauwkeurige ontdekking en analyse van uw Lead to Cash-proces.

7 Aanbevolen 8 Optioneel

	Activiteit	Omschrijving
	Betaling Ontvangen	Deze `activity` bevestigt dat de betaling van de klant is ontvangen en verwerkt, waarmee de financiële `transaction` is voltooid. Deze `information` is vrijwel altijd afkomstig van een extern financieel of ERP-systeem dat de `invoice` of orderstatus in SAP Sales Cloud bijwerkt.
Het belang Dit is de `final value-realization step` in het Lead to Cash-proces. Het meten van de 'Payment Collection `Cycle Time`' van `invoice` tot `payment` is een belangrijke KPI voor het beheren van `cash flow` en het beoordelen van `accounts receivable performance`. Vindplaats Afgeleid van een statuswijziging op het Invoice- of Sales Order-object naar een 'Betaald' of 'Verrekend' status. Deze data is afkomstig uit een extern financieel systeem. Vastleggen Identificeer timestamp wanneer een Invoice-status verandert naar 'Betaald' of 'Verrekend'. Gebeurtenistype inferred
	Offerte Naar Klant Verzonden	Deze `activity` vertegenwoordigt het moment waarop een formele `quote` officieel aan de klant wordt voorgelegd ter `review`. Deze `event` wordt doorgaans afgeleid uit een `status change` op het Sales Quote object, bijvoorbeeld van 'In voorbereiding' naar 'Sent' of 'Proposed'.
Het belang Dit is een belangrijke `milestone` die de klok start voor `customer negotiation` en `decision-making time`. Het analyseren van de `duration` tussen deze `event` en `quote acceptance` is kritiek voor het begrijpen van `deal velocity` en `negotiation bottlenecks`. Vindplaats Afgeleid van de statuswijzigingsgeschiedenis van het Sales Quote business object. Zoek naar de timestamp wanneer de status wordt bijgewerkt naar een waarde die aangeeft dat het is verzonden. Vastleggen Identificeer de timestamp van de statuswijziging naar 'Verzonden' op het Sales Quote-object. Gebeurtenistype inferred
	Opportunity Gecreëerd	Dit is de officiële start van de `sales opportunity`, die de `conversion` van een `qualified lead` naar een concrete `sales pursuit` markeert. Deze `event` wordt expliciet door het systeem vastgelegd bij de `creation` van het Opportunity `business object`, vaak met overdracht van `data` van de originele `lead`.
Het belang Als het primaire startpunt voor de analyse van de verkoopcyclus is deze activiteit fundamenteel. Het maakt de meting mogelijk van de duur van de verkoopcyclus, opportunity-winrates en de prestaties van het verkoopteam vanaf het moment dat een deal concreet wordt. Vindplaats Deze `event` komt overeen met de `creation timestamp` van het Opportunity `business object` in SAP Sales Cloud. Vastleggen Gebruik de `creation date and time` van de Opportunity `record`. Gebeurtenistype explicit
	Opportunity Gesloten Gewonnen	Deze `activity` is de definitieve, afsluitende status van een succesvolle `opportunity` nadat alle `downstream activities` zoals `order creation` en `fulfillment` zijn voltooid. Het wordt vastgelegd wanneer een gebruiker de `Opportunity` status wijzigt naar een definitieve 'Closed' `state` met een reden van 'Won'.
Het belang Deze `event` dient als het succesvolle `endpoint` voor `process mining analysis`, waardoor de berekening van de `end-to-end sales cycle duration` voor alle `won deals` mogelijk wordt. Het biedt een schone en definitieve `process conclusion`. Vindplaats Afgeleid van de statuswijzigingsgeschiedenis van het Opportunity-object, specifiek de timestamp wanneer de status wordt bijgewerkt naar 'Gesloten' en de reden 'Gewonnen' is. Vastleggen Identificeer timestamp van statuswijziging naar 'Gesloten' met een 'Gewonnen' reden. Gebeurtenistype inferred
	Opportunity Gesloten Verloren	Deze `activity` markeert het definitieve einde van een onsuccesvolle `opportunity` waarbij de deal is verloren aan een `competitor` of de klant heeft besloten niet tot aankoop over te gaan. Het wordt vastgelegd wanneer een gebruiker de `Opportunity` status wijzigt naar 'Lost' of 'Closed Lost'.
Het belang Het analyseren wanneer en waarom opportunities verloren gaan, is cruciaal voor het verbeteren van de verkoopstrategie. Dit faalpunt maakt analyse van verloren deals mogelijk, zoals de gemiddelde fase waarin ze afhaken of veelvoorkomende redenen voor verlies. Vindplaats Afgeleid van de statuswijzigingsgeschiedenis van het Opportunity business object. Het is de timestamp wanneer de status wordt bijgewerkt naar 'Verloren' of 'Closed Lost'. Vastleggen Identificeer de timestamp van de statuswijziging naar 'Verloren' op het Opportunity-object. Gebeurtenistype inferred
	Opportunity Gewonnen	Deze `activity` betekent dat de `deal` succesvol is afgesloten en de organisatie de `business` heeft binnengehaald. Het wordt vastgelegd door een gebruiker die de status van de Opportunity wijzigt naar 'Won', wat een standaard, expliciete actie in het systeem is.
Het belang Dit is een cruciale `milestone` voor het meten van `win rates` en `sales performance`. Het dient vaak als de `trigger` voor `downstream processes` zoals `order creation` en `fulfillment`, waardoor het een belangrijke `transition point` is in de Lead to Cash `cycle`. Vindplaats Afgeleid van de statuswijzigingsgeschiedenis van het Opportunity business object. Het is de timestamp wanneer de status wordt bijgewerkt naar 'Gewonnen'. Vastleggen Identificeer de timestamp van de statuswijziging naar 'Gewonnen' op het Opportunity-object. Gebeurtenistype inferred
	Verkooporder aangemaakt	Deze `activity` markeert de aanmaak van een formele `sales order`, wat het officiële interne document is om `fulfillment` en `billing` te starten. Het wordt expliciet gelogd wanneer een gebruiker een Sales Order object aanmaakt en dit koppelt aan de `parent opportunity`.
Het belang Dit is een kritiek `handoff point` van `sales` naar `operations`. Het analyseren van de tijd van 'Opportunity Won' tot 'Sales Order Created' kan interne `delays` onthullen, terwijl het `tracking rework` na dit `point` `data quality issues` benadrukt. Vindplaats Deze `event` komt overeen met de `creation timestamp` van het Sales Order `business object` dat geassocieerd is met de Opportunity. Vastleggen Gebruik de `creation date and time` van de geassocieerde `Sales Order record`. Gebeurtenistype explicit
	Factuur Opgesteld	Vertegenwoordigt de aanmaak van de klantfactuur, waarmee de laatste financiële fase van het proces wordt gestart. Deze gebeurtenis kan worden vastgelegd bij de aanmaak van een Invoice object binnen SAP Sales Cloud of, vaker, vanuit een geïntegreerd facturatiesysteem.
Het belang Deze `activity` is de trigger voor de `payment collection cycle`. Vertragingen in `invoice generation` hebben directe impact op de `cash flow`, dus het monitoren van de tijd van `fulfillment` tot `invoicing` is kritiek voor `financial health`. Vindplaats Kan de aanmaak-timestamp zijn van een Invoice business object gekoppeld aan de Sales Order of een update van een extern ERP. De bron is afhankelijk van de systeemlandschap. Vastleggen Gebruik de `creation date` van `Invoice record` of een `activity log entry` vanuit een `integrated` ERP. Gebeurtenistype explicit
	Lead Gekwalificeerd	Vertegenwoordigt het punt waarop een lead is beoordeeld en voldoet aan de criteria om als een levensvatbaar verkoopprospect te worden beschouwd. Dit wordt meestal vastgelegd wanneer een gebruiker de status van de Lead handmatig wijzigt naar 'Qualified' of een vergelijkbare status, wat aangeeft dat deze klaar is voor conversie.
Het belang Deze `activity` scheidt ruwe `leads` van serieuze `prospects`, waardoor analyse van de `qualification process efficiency` mogelijk wordt. Het helpt de kwaliteit van `leads` uit verschillende `sources` te bepalen en `bottlenecks` te identificeren tussen `lead capture` en `active selling`. Vindplaats Afgeleid van de statuswijzigingsgeschiedenis van het Lead business object. Zoek naar een timestamp wanneer het statusveld wordt bijgewerkt naar 'Gekwalificeerd'. Vastleggen Identificeer de timestamp van de statuswijziging naar 'Gekwalificeerd' op het Lead-object. Gebeurtenistype inferred
	Lead Vastgelegd	Deze `activity` markeert de initiële aanmaak van een `lead record` in SAP Sales Cloud. Het vertegenwoordigt het eerste `point of contact` of `interest` van een potentiële klant en wordt doorgaans automatisch vastgelegd vanuit een `web form`, `list import` of `manual user entry`.
Het belang Het `tracking` van deze `event` is cruciaal voor het analyseren van de `effectiveness` van verschillende `lead sources` en het meten van het algehele `lead generation volume`. Het dient als het `starting point` voor het berekenen van `lead conversion rates` en het begrijpen van de `top of the sales funnel`. Vindplaats Deze `event` wordt vastgelegd vanuit de `creation timestamp` van het Lead `business object`. De `source` van de `lead` is typisch beschikbaar als een `attribute` op hetzelfde `object`. Vastleggen Gebruik de `creation date and time` van de `Lead record`. Gebeurtenistype explicit
	Offerte Geaccepteerd door Klant	Geeft aan dat de klant formeel of informeel akkoord is gegaan met de voorwaarden van de offerte. Dit wordt meestal vastgelegd via een handmatige statusupdate op het Sales Quote- of Opportunity-object door de sales representative.
Het belang Dit is een sterk `buying signal` en een kritieke `milestone` vóór `contract finalization` of `order creation`. Het helpt de `effectiveness` van `proposals` en de lengte van de `customer's decision-making cycle` te meten. Vindplaats Afgeleid van een statuswijziging op het Sales Quote-object naar 'Geaccepteerd' of een vergelijkbare statuswijziging op het gekoppelde Opportunity-object. Vastleggen Identificeer timestamp wanneer de Sales Quote-status verandert naar 'Geaccepteerd'. Gebeurtenistype inferred
	Offerte Gecreëerd	Markeert de aanmaak van een formeel sales quote-document gekoppeld aan de opportunity. Dit is een interne stap voordat de offerte naar de klant wordt verzonden en wordt expliciet vastgelegd wanneer een gebruiker een nieuw Quote record genereert.
Het belang Deze `activity` scheidt de interne voorbereidingstijd van de tijd dat de klant de `quote` heeft. Het helpt bij het analyseren van de `efficiency` van het `quote generation process` en hoe lang het `sales reps` kost om `pricing` voor te bereiden. Vindplaats Deze `event` is de `creation timestamp` van het Sales Quote `business object` dat geassocieerd is met de Opportunity. Vastleggen Gebruik de `creation date and time` van de geassocieerde `Sales Quote record`. Gebeurtenistype explicit
	Oplossing Voorgesteld	Deze `activity` duidt aan dat een potentiële `solution` of `product configuration` aan de klant is gepresenteerd. Het wordt doorgaans afgeleid uit een `sales stage` of `status change` op het Opportunity object, zoals het overgaan naar een 'Proposal' of 'Solution Design' `stage`.
Het belang Het analyseren van de bestede tijd in deze fase en de overgang naar de offertefase helpt knelpunten in het oplossingsproces te identificeren. Het geeft inzicht in hoe lang het duurt om van initieel contact naar een concreet voorstel te gaan. Vindplaats Afgeleid van de changelog of statusgeschiedenis van het Opportunity-object, specifiek wanneer de sales stage wordt bijgewerkt naar een waarde zoals 'Oplossing voorgesteld' of 'Waardepropositie'. Vastleggen Identificeer timestamp wanneer het sales stage-veld van de Opportunity verandert om een voorstel te weerspiegelen. Gebeurtenistype inferred
	Order Afgehandeld	Deze `activity` geeft aan dat de producten zijn verzonden of de `services` aan de klant zijn geleverd. Deze `event` wordt vaak vastgelegd via een `integration` met een ERP of `logistics system`, dat de status van de Sales Order in SAP Sales Cloud bijwerkt.
Het belang Dit markeert de voltooiing van het `delivery part` van het `process`. Het meten van de tijd van 'Sales Order Created' tot 'Order Fulfilled' is essentieel voor het monitoren van `order fulfillment efficiency` en de impact ervan op `customer satisfaction`. Vindplaats Typisch afgeleid uit een `status change` op het Sales Order `object`, zoals 'Fulfilled' of 'Shipped'. Deze `status` wordt vaak bijgewerkt via een `external system integration`. Vastleggen Identificeer timestamp van Sales Order statuswijziging naar 'Afgehandeld' of 'Geleverd'. Gebeurtenistype inferred
	Verkooporder herwerkt	Vertegenwoordigt een wijziging of correctie aan een verkooporder nadat deze al is ingediend. Deze gebeurtenis wordt afgeleid door lussen in de status van de verkooporder te detecteren, zoals een status die van 'Ingediend' teruggaat naar 'In behandeling' of 'Wachtend op revisie'.
Het belang Het identificeren van rework is cruciaal voor het blootleggen van procesinefficiënties, data-invoerfouten en communicatiekloven tussen sales en operations. Een hoge frequentie van rework duidt op kwaliteitsproblemen die vertragingen veroorzaken en kosten verhogen. Vindplaats Afgeleid van de statuswijzigingsgeschiedenis van het Sales Order-object. Het vereist het analyseren van de reeks statuswijzigingen om terugwaartse bewegingen of loops te identificeren. Vastleggen Detecteer statusovergangen die een loop vertegenwoordigen, bijv. 'Ingediend' naar 'In Verwerking'. Gebeurtenistype inferred

Aanbevolen Optioneel

Extractie Guides

Hoe u uw data uit SAP Sales Cloud haalt

Stappen

Vereisten: Zorg ervoor dat u een gebruiker heeft in SAP Sales Cloud met toegang tot het Analytics work center, specifiek met rechten om data sources en reports te creëren en te bewerken.
Creëer een gecombineerde Data Source: Navigeer naar de Design Data Sources view binnen het Business Analytics work center. Creëer een nieuwe Combined Data Source. Voeg de volgende standaard data sources samen met een left outer join om ervoor te zorgen dat alle opportunities worden vastgelegd: Lead Information -> Opportunity Header and Item -> Sales Quote Header and Item -> Sales Order Header and Item. De join-conditie moet doorgaans gebaseerd zijn op de Opportunity ID of opvolgende document-ID's.
Bouw een aangepast rapport: Navigeer naar de Design Reports view. Creëer een nieuw rapport gebaseerd op de gecombineerde data source die in de vorige stap is aangemaakt. Voeg alle benodigde characteristics en key figures toe aan de rapportweergave, inclusief identifiers (Lead ID, Opportunity ID), alle relevante statusvelden en alle timestamp-velden (Creation Date, Status Change Dates, etc.). Voeg ook de vereiste attributes toe, zoals Sales Representative, Lead Source en Order Amount.
Exposeer rapport als OData Service: Selecteer in de Design Reports view het zojuist aangemaakte rapport. Zoek in de configuratie of instellingen van het rapport de optie om het rapport als een OData query te exposeren. Dit is vaak een checkbox met het label Enable for OData. Sla de wijzigingen op. Het systeem genereert een unieke OData URL voor dit rapport.
Identificeer de OData URL: Ga naar de OData Services view in het Administrator work center. Zoek uw aangepaste rapport in de lijst en kopieer de service-URL. Deze heeft u nodig voor het Python-script.
Zet Python Environment op: Zorg ervoor dat Python is geïnstalleerd, samen met de requests en pandas libraries. U kunt deze installeren met pip: pip install requests pandas.
Configureer Python-script: Kopieer het meegeleverde Python-script. Vervang de placeholder-waarden voor C4C_TENANT_URL, OData_SERVICE_PATH, USERNAME en PASSWORD door uw specifieke SAP Sales Cloud credentials en de OData URL uit de vorige stap.
Voer het extractiescript uit: Voer het Python-script uit. Het script zal authenticeren met de OData API, de data in pagina's ophalen om grote volumes te verwerken en deze laden in een pandas DataFrame.
Datatransformatie: Het script transformeert de wide-format data (één rij per opportunity) automatisch naar een long-format event log. Het itereert door elke potentiële activity en controleert op een geldige timestamp. Als een timestamp bestaat, creëert het een corresponderende event record met de juiste ActivityName.
Exporteer de Event Log: Zodra het script is voltooid, wordt de uiteindelijke event log opgeslagen als een lead_to_cash_event_log.csv bestand in dezelfde map. Dit bestand is geformatteerd voor directe upload naar een process mining tool.

Configuratie

Gegevensbronconfiguratie: De kern van deze methode is een Gecombineerde Data Source in SAP Sales Cloud Analytics. Het is cruciaal om Left Outer Joins te gebruiken, startend vanuit het Opportunity-object, om ervoor te zorgen dat u ook opportunities vastlegt die niet resulteren in offertes of orders.
Rapportkenmerken: Het aangepaste rapport moet alle datum- en tijdvelden bevatten die overeenkomen met de gewenste activiteiten. Dit omvat aanmaak-timestamps voor leads, opportunities, offertes en orders, evenals timestamps voor statuswijzigingen.
OData API-filtering: Om de prestaties en het datavolume te beheren, gebruikt u de $filter parameter in de OData URL binnen het Python-script. Het wordt sterk aanbevolen om te filteren op een datumbereik, bijvoorbeeld OpportunityCreationDate. Een typisch datumbereik voor initiële analyse is 6 tot 12 maanden.
Paginering: Het meegeleverde script verwerkt OData-paginering met behulp van de parameters $top en $skip. Dit is essentieel voor het extraheren van grote datasets zonder dat de API-verbinding een timeout krijgt.
Vereisten: Deze methode vereist een toegewijde analytics user met rechten voor toegang tot de OData API en de onderliggende data sources voor leads, opportunities, offertes en orders.

a Voorbeeldquery python

import requests
import pandas as pd
import numpy as np

class=class="hl-string">"hl-comment"># --- Configuration Placeholders ---
C4C_TENANT_URL = class="hl-string">"[Your SAP Sales Cloud Tenant URL, e.g., my123456.crm.ondemand.com]"
class=class="hl-string">"hl-comment"># The service path comes from the OData Services view for your custom report
ODATA_SERVICE_PATH = class="hl-string">"/sap/c4c/odata/analytics/ds/CUST_REPORT_ID.svc"
USERNAME = class="hl-string">"[Your_Username]"
PASSWORD = class="hl-string">"[Your_Password]"

class=class="hl-string">"hl-comment"># --- OData Service Details ---
class=class="hl-string">"hl-comment"># The entity set is usually the report ID followed by class="hl-string">'ResultSet'
ENTITY_SET = class="hl-string">"CUST_REPORT_IDResultSet"
BASE_API_URL = fclass="hl-string">"https://{C4C_TENANT_URL}{ODATA_SERVICE_PATH}/{ENTITY_SET}"

class=class="hl-string">"hl-comment"># --- Data Extraction ---
def get_odata_data(api_url, username, password):
    records = []
    page_size = 1000
    skip = 0
    
    class=class="hl-string">"hl-comment"># It is highly recommended to add a date filter for performance
    class=class="hl-string">"hl-comment"># e.g., class="hl-string">"$filter=OpportunityCreationDate ge datetime'2023-01-01T00:00:00'"
    odata_params = {
        class="hl-string">"$format": class="hl-string">"json",
        class="hl-string">"$top": page_size,
        class="hl-string">"$skip": skip,
        class="hl-string">"$inlinecount": class="hl-string">"allpages"
        class=class="hl-string">"hl-comment"># class="hl-string">"$filter": class="hl-string">"[Your OData Filter String]"
    }

    print(class="hl-string">"Starting data extraction from SAP Sales Cloud...")
    while True:
        odata_params[class="hl-string">'$skip'] = skip
        response = requests.get(api_url, auth=(username, password), params=odata_params)
        
        if response.status_code != 200:
            print(fclass="hl-string">"Error: Failed to fetch data. Status code: {response.status_code}")
            print(response.text)
            break

        data = response.json()[class="hl-string">'d']
        if class="hl-string">'results' in data and data[class="hl-string">'results']:
            records.extend(data[class="hl-string">'results'])
            count = len(data[class="hl-string">'results'])
            print(fclass="hl-string">"Fetched {len(records)} records...")
            if count < page_size:
                break
            skip += page_size
        else:
            break
            
    print(class="hl-string">"Extraction complete.")
    return pd.DataFrame(records)

source_df = get_odata_data(BASE_API_URL, USERNAME, PASSWORD)

class=class="hl-string">"hl-comment"># --- Data Transformation ---
if not source_df.empty:
    print(class="hl-string">"Starting data transformation into event log format...")
    
    class=class="hl-string">"hl-comment"># Rename columns for clarity (adjust these based on your report's field names)
    class=class="hl-string">"hl-comment"># These are example API field names from the OData service.
    class=class="hl-string">"hl-comment"># You MUST inspect your OData metadata to get the correct field names.
    column_mapping = {
        class="hl-string">'C_OpportunityId': class="hl-string">'SalesOpportunityId',
        class="hl-string">'LeadCreationDateTime': class="hl-string">'LeadCaptured_Time',
        class="hl-string">'LeadConversionDateTime': class="hl-string">'LeadQualified_Time',
        class="hl-string">'OpportunityCreationDateTime': class="hl-string">'OpportunityCreated_Time',
        class="hl-string">'OpportunityProposalStageDateTime': class="hl-string">'SolutionProposed_Time',
        class="hl-string">'QuoteCreationDateTime': class="hl-string">'QuoteCreated_Time',
        class="hl-string">'QuoteSentToCustomerDateTime': class="hl-string">'QuoteSentToCustomer_Time',
        class="hl-string">'QuoteAcceptedDateTime': class="hl-string">'QuoteAccepted_Time',
        class="hl-string">'OpportunityWonDateTime': class="hl-string">'OpportunityWon_Time',
        class="hl-string">'SalesOrderCreationDateTime': class="hl-string">'SalesOrderCreated_Time',
        class="hl-string">'SalesOrderReworkedDateTime': class="hl-string">'SalesOrderReworked_Time',
        class="hl-string">'SalesOrderFulfilledDateTime': class="hl-string">'OrderFulfilled_Time',
        class="hl-string">'InvoiceGeneratedDateTime': class="hl-string">'InvoiceGenerated_Time',
        class="hl-string">'PaymentReceivedDateTime': class="hl-string">'PaymentReceived_Time',
        class="hl-string">'OpportunityClosedWonDateTime': class="hl-string">'OpportunityClosedWon_Time',
        class="hl-string">'OpportunityClosedLostDateTime': class="hl-string">'OpportunityClosedLost_Time',
        class="hl-string">'SalesRepresentativeName': class="hl-string">'SalesRepresentative',
        class="hl-string">'LeadSourceName': class="hl-string">'LeadSource',
        class="hl-string">'OpportunityStatusName': class="hl-string">'OpportunityStatus',
        class="hl-string">'SalesOrderAmountValue': class="hl-string">'SalesOrderAmount',
        class="hl-string">'ProductCategoryName': class="hl-string">'ProductCategory',
        class="hl-string">'QuoteDiscountPercentage': class="hl-string">'DiscountPercentage'
    }
    source_df.rename(columns=column_mapping, inplace=True)

    class=class="hl-string">"hl-comment"># Convert date strings to datetime objects, coercing errors to NaT (Not a Time)
    date_cols = [col for col in source_df.columns if class="hl-string">'_Time' in col]
    for col in date_cols:
        class=class="hl-string">"hl-comment"># OData date format is /Date(timestamp)/. We need to extract the timestamp.
        source_df[col] = source_df[col].str.extract(rclass="hl-string">'\/Date\((\d+)\)\/').astype(float)
        source_df[col] = pd.to_datetime(source_df[col], unit=class="hl-string">'ms', errors=class="hl-string">'coerce')

    class=class="hl-string">"hl-comment"># Define the activities and their corresponding timestamp columns
    activity_mapping = {
        class="hl-string">'Lead Captured': class="hl-string">'LeadCaptured_Time',
        class="hl-string">'Lead Qualified': class="hl-string">'LeadQualified_Time',
        class="hl-string">'Opportunity Created': class="hl-string">'OpportunityCreated_Time',
        class="hl-string">'Solution Proposed': class="hl-string">'SolutionProposed_Time',
        class="hl-string">'Quote Created': class="hl-string">'QuoteCreated_Time',
        class="hl-string">'Quote Sent to Customer': class="hl-string">'QuoteSentToCustomer_Time',
        class="hl-string">'Quote Accepted by Customer': class="hl-string">'QuoteAccepted_Time',
        class="hl-string">'Opportunity Won': class="hl-string">'OpportunityWon_Time',
        class="hl-string">'Sales Order Created': class="hl-string">'SalesOrderCreated_Time',
        class="hl-string">'Sales Order Reworked': class="hl-string">'SalesOrderReworked_Time',
        class="hl-string">'Order Fulfilled': class="hl-string">'OrderFulfilled_Time',
        class="hl-string">'Invoice Generated': class="hl-string">'InvoiceGenerated_Time',
        class="hl-string">'Payment Received': class="hl-string">'PaymentReceived_Time',
        class="hl-string">'Opportunity Closed Won': class="hl-string">'OpportunityClosedWon_Time',
        class="hl-string">'Opportunity Closed Lost': class="hl-string">'OpportunityClosedLost_Time'
    }

    class=class="hl-string">"hl-comment"># Unpivot the DataFrame into an event log format
    event_log_df = pd.DataFrame()
    for activity, time_col in activity_mapping.items():
        if time_col in source_df.columns:
            temp_df = source_df[[class="hl-string">'SalesOpportunityId'] + [col for col in column_mapping.values() if col in source_df.columns]].copy()
            temp_df = temp_df.dropna(subset=[time_col])
            if not temp_df.empty:
                temp_df[class="hl-string">'ActivityName'] = activity
                temp_df.rename(columns={time_col: class="hl-string">'EventTime'}, inplace=True)
                event_log_df = pd.concat([event_log_df, temp_df])

    class=class="hl-string">"hl-comment"># Select and order final columns
    required_cols = [class="hl-string">'SalesOpportunityId', class="hl-string">'ActivityName', class="hl-string">'EventTime']
    recommended_cols = [class="hl-string">'SalesRepresentative', class="hl-string">'LeadSource', class="hl-string">'OpportunityStatus', class="hl-string">'SalesOrderAmount', class="hl-string">'ProductCategory', class="hl-string">'DiscountPercentage']
    final_cols = required_cols + [col for col in recommended_cols if col in event_log_df.columns]
    
    event_log_df = event_log_df[final_cols]
    event_log_df.sort_values(by=[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime'], inplace=True)

    class=class="hl-string">"hl-comment"># --- Export to CSV ---
    event_log_df.to_csv(class="hl-string">'lead_to_cash_event_log.csv', index=False)
    print(class="hl-string">"Event log saved to 'lead_to_cash_event_log.csv'.")
else:
    print(class="hl-string">"No data extracted. Skipping transformation and export.")

Stappen

Vereisten: Zorg ervoor dat u een gebruiker heeft in SAP Sales Cloud met toegang tot het Analytics work center, specifiek met rechten om data sources en reports te creëren en te bewerken.
Creëer een gecombineerde Data Source: Navigeer naar de Design Data Sources view binnen het Business Analytics work center. Creëer een nieuwe Combined Data Source. Voeg de volgende standaard data sources samen met een left outer join om ervoor te zorgen dat alle opportunities worden vastgelegd: Lead Information -> Opportunity Header and Item -> Sales Quote Header and Item -> Sales Order Header and Item. De join-conditie moet doorgaans gebaseerd zijn op de Opportunity ID of opvolgende document-ID's.
Bouw een aangepast rapport: Navigeer naar de Design Reports view. Creëer een nieuw rapport gebaseerd op de gecombineerde data source die in de vorige stap is aangemaakt. Voeg alle benodigde characteristics en key figures toe aan de rapportweergave, inclusief identifiers (Lead ID, Opportunity ID), alle relevante statusvelden en alle timestamp-velden (Creation Date, Status Change Dates, etc.). Voeg ook de vereiste attributes toe, zoals Sales Representative, Lead Source en Order Amount.
Exposeer rapport als OData Service: Selecteer in de Design Reports view het zojuist aangemaakte rapport. Zoek in de configuratie of instellingen van het rapport de optie om het rapport als een OData query te exposeren. Dit is vaak een checkbox met het label Enable for OData. Sla de wijzigingen op. Het systeem genereert een unieke OData URL voor dit rapport.
Identificeer de OData URL: Ga naar de OData Services view in het Administrator work center. Zoek uw aangepaste rapport in de lijst en kopieer de service-URL. Deze heeft u nodig voor het Python-script.
Zet Python Environment op: Zorg ervoor dat Python is geïnstalleerd, samen met de requests en pandas libraries. U kunt deze installeren met pip: pip install requests pandas.
Configureer Python-script: Kopieer het meegeleverde Python-script. Vervang de placeholder-waarden voor C4C_TENANT_URL, OData_SERVICE_PATH, USERNAME en PASSWORD door uw specifieke SAP Sales Cloud credentials en de OData URL uit de vorige stap.
Voer het extractiescript uit: Voer het Python-script uit. Het script zal authenticeren met de OData API, de data in pagina's ophalen om grote volumes te verwerken en deze laden in een pandas DataFrame.
Datatransformatie: Het script transformeert de wide-format data (één rij per opportunity) automatisch naar een long-format event log. Het itereert door elke potentiële activity en controleert op een geldige timestamp. Als een timestamp bestaat, creëert het een corresponderende event record met de juiste ActivityName.
Exporteer de Event Log: Zodra het script is voltooid, wordt de uiteindelijke event log opgeslagen als een lead_to_cash_event_log.csv bestand in dezelfde map. Dit bestand is geformatteerd voor directe upload naar een process mining tool.

Configuratie

Gegevensbronconfiguratie: De kern van deze methode is een Gecombineerde Data Source in SAP Sales Cloud Analytics. Het is cruciaal om Left Outer Joins te gebruiken, startend vanuit het Opportunity-object, om ervoor te zorgen dat u ook opportunities vastlegt die niet resulteren in offertes of orders.
Rapportkenmerken: Het aangepaste rapport moet alle datum- en tijdvelden bevatten die overeenkomen met de gewenste activiteiten. Dit omvat aanmaak-timestamps voor leads, opportunities, offertes en orders, evenals timestamps voor statuswijzigingen.
OData API-filtering: Om de prestaties en het datavolume te beheren, gebruikt u de $filter parameter in de OData URL binnen het Python-script. Het wordt sterk aanbevolen om te filteren op een datumbereik, bijvoorbeeld OpportunityCreationDate. Een typisch datumbereik voor initiële analyse is 6 tot 12 maanden.
Paginering: Het meegeleverde script verwerkt OData-paginering met behulp van de parameters $top en $skip. Dit is essentieel voor het extraheren van grote datasets zonder dat de API-verbinding een timeout krijgt.
Vereisten: Deze methode vereist een toegewijde analytics user met rechten voor toegang tot de OData API en de onderliggende data sources voor leads, opportunities, offertes en orders.

a Voorbeeldquery python

import requests
import pandas as pd
import numpy as np

class=class="hl-string">"hl-comment"># --- Configuration Placeholders ---
C4C_TENANT_URL = class="hl-string">"[Your SAP Sales Cloud Tenant URL, e.g., my123456.crm.ondemand.com]"
class=class="hl-string">"hl-comment"># The service path comes from the OData Services view for your custom report
ODATA_SERVICE_PATH = class="hl-string">"/sap/c4c/odata/analytics/ds/CUST_REPORT_ID.svc"
USERNAME = class="hl-string">"[Your_Username]"
PASSWORD = class="hl-string">"[Your_Password]"

class=class="hl-string">"hl-comment"># --- OData Service Details ---
class=class="hl-string">"hl-comment"># The entity set is usually the report ID followed by class="hl-string">'ResultSet'
ENTITY_SET = class="hl-string">"CUST_REPORT_IDResultSet"
BASE_API_URL = fclass="hl-string">"https://{C4C_TENANT_URL}{ODATA_SERVICE_PATH}/{ENTITY_SET}"

class=class="hl-string">"hl-comment"># --- Data Extraction ---
def get_odata_data(api_url, username, password):
    records = []
    page_size = 1000
    skip = 0
    
    class=class="hl-string">"hl-comment"># It is highly recommended to add a date filter for performance
    class=class="hl-string">"hl-comment"># e.g., class="hl-string">"$filter=OpportunityCreationDate ge datetime'2023-01-01T00:00:00'"
    odata_params = {
        class="hl-string">"$format": class="hl-string">"json",
        class="hl-string">"$top": page_size,
        class="hl-string">"$skip": skip,
        class="hl-string">"$inlinecount": class="hl-string">"allpages"
        class=class="hl-string">"hl-comment"># class="hl-string">"$filter": class="hl-string">"[Your OData Filter String]"
    }

    print(class="hl-string">"Starting data extraction from SAP Sales Cloud...")
    while True:
        odata_params[class="hl-string">'$skip'] = skip
        response = requests.get(api_url, auth=(username, password), params=odata_params)
        
        if response.status_code != 200:
            print(fclass="hl-string">"Error: Failed to fetch data. Status code: {response.status_code}")
            print(response.text)
            break

        data = response.json()[class="hl-string">'d']
        if class="hl-string">'results' in data and data[class="hl-string">'results']:
            records.extend(data[class="hl-string">'results'])
            count = len(data[class="hl-string">'results'])
            print(fclass="hl-string">"Fetched {len(records)} records...")
            if count < page_size:
                break
            skip += page_size
        else:
            break
            
    print(class="hl-string">"Extraction complete.")
    return pd.DataFrame(records)

source_df = get_odata_data(BASE_API_URL, USERNAME, PASSWORD)

class=class="hl-string">"hl-comment"># --- Data Transformation ---
if not source_df.empty:
    print(class="hl-string">"Starting data transformation into event log format...")
    
    class=class="hl-string">"hl-comment"># Rename columns for clarity (adjust these based on your report's field names)
    class=class="hl-string">"hl-comment"># These are example API field names from the OData service.
    class=class="hl-string">"hl-comment"># You MUST inspect your OData metadata to get the correct field names.
    column_mapping = {
        class="hl-string">'C_OpportunityId': class="hl-string">'SalesOpportunityId',
        class="hl-string">'LeadCreationDateTime': class="hl-string">'LeadCaptured_Time',
        class="hl-string">'LeadConversionDateTime': class="hl-string">'LeadQualified_Time',
        class="hl-string">'OpportunityCreationDateTime': class="hl-string">'OpportunityCreated_Time',
        class="hl-string">'OpportunityProposalStageDateTime': class="hl-string">'SolutionProposed_Time',
        class="hl-string">'QuoteCreationDateTime': class="hl-string">'QuoteCreated_Time',
        class="hl-string">'QuoteSentToCustomerDateTime': class="hl-string">'QuoteSentToCustomer_Time',
        class="hl-string">'QuoteAcceptedDateTime': class="hl-string">'QuoteAccepted_Time',
        class="hl-string">'OpportunityWonDateTime': class="hl-string">'OpportunityWon_Time',
        class="hl-string">'SalesOrderCreationDateTime': class="hl-string">'SalesOrderCreated_Time',
        class="hl-string">'SalesOrderReworkedDateTime': class="hl-string">'SalesOrderReworked_Time',
        class="hl-string">'SalesOrderFulfilledDateTime': class="hl-string">'OrderFulfilled_Time',
        class="hl-string">'InvoiceGeneratedDateTime': class="hl-string">'InvoiceGenerated_Time',
        class="hl-string">'PaymentReceivedDateTime': class="hl-string">'PaymentReceived_Time',
        class="hl-string">'OpportunityClosedWonDateTime': class="hl-string">'OpportunityClosedWon_Time',
        class="hl-string">'OpportunityClosedLostDateTime': class="hl-string">'OpportunityClosedLost_Time',
        class="hl-string">'SalesRepresentativeName': class="hl-string">'SalesRepresentative',
        class="hl-string">'LeadSourceName': class="hl-string">'LeadSource',
        class="hl-string">'OpportunityStatusName': class="hl-string">'OpportunityStatus',
        class="hl-string">'SalesOrderAmountValue': class="hl-string">'SalesOrderAmount',
        class="hl-string">'ProductCategoryName': class="hl-string">'ProductCategory',
        class="hl-string">'QuoteDiscountPercentage': class="hl-string">'DiscountPercentage'
    }
    source_df.rename(columns=column_mapping, inplace=True)

    class=class="hl-string">"hl-comment"># Convert date strings to datetime objects, coercing errors to NaT (Not a Time)
    date_cols = [col for col in source_df.columns if class="hl-string">'_Time' in col]
    for col in date_cols:
        class=class="hl-string">"hl-comment"># OData date format is /Date(timestamp)/. We need to extract the timestamp.
        source_df[col] = source_df[col].str.extract(rclass="hl-string">'\/Date\((\d+)\)\/').astype(float)
        source_df[col] = pd.to_datetime(source_df[col], unit=class="hl-string">'ms', errors=class="hl-string">'coerce')

    class=class="hl-string">"hl-comment"># Define the activities and their corresponding timestamp columns
    activity_mapping = {
        class="hl-string">'Lead Captured': class="hl-string">'LeadCaptured_Time',
        class="hl-string">'Lead Qualified': class="hl-string">'LeadQualified_Time',
        class="hl-string">'Opportunity Created': class="hl-string">'OpportunityCreated_Time',
        class="hl-string">'Solution Proposed': class="hl-string">'SolutionProposed_Time',
        class="hl-string">'Quote Created': class="hl-string">'QuoteCreated_Time',
        class="hl-string">'Quote Sent to Customer': class="hl-string">'QuoteSentToCustomer_Time',
        class="hl-string">'Quote Accepted by Customer': class="hl-string">'QuoteAccepted_Time',
        class="hl-string">'Opportunity Won': class="hl-string">'OpportunityWon_Time',
        class="hl-string">'Sales Order Created': class="hl-string">'SalesOrderCreated_Time',
        class="hl-string">'Sales Order Reworked': class="hl-string">'SalesOrderReworked_Time',
        class="hl-string">'Order Fulfilled': class="hl-string">'OrderFulfilled_Time',
        class="hl-string">'Invoice Generated': class="hl-string">'InvoiceGenerated_Time',
        class="hl-string">'Payment Received': class="hl-string">'PaymentReceived_Time',
        class="hl-string">'Opportunity Closed Won': class="hl-string">'OpportunityClosedWon_Time',
        class="hl-string">'Opportunity Closed Lost': class="hl-string">'OpportunityClosedLost_Time'
    }

    class=class="hl-string">"hl-comment"># Unpivot the DataFrame into an event log format
    event_log_df = pd.DataFrame()
    for activity, time_col in activity_mapping.items():
        if time_col in source_df.columns:
            temp_df = source_df[[class="hl-string">'SalesOpportunityId'] + [col for col in column_mapping.values() if col in source_df.columns]].copy()
            temp_df = temp_df.dropna(subset=[time_col])
            if not temp_df.empty:
                temp_df[class="hl-string">'ActivityName'] = activity
                temp_df.rename(columns={time_col: class="hl-string">'EventTime'}, inplace=True)
                event_log_df = pd.concat([event_log_df, temp_df])

    class=class="hl-string">"hl-comment"># Select and order final columns
    required_cols = [class="hl-string">'SalesOpportunityId', class="hl-string">'ActivityName', class="hl-string">'EventTime']
    recommended_cols = [class="hl-string">'SalesRepresentative', class="hl-string">'LeadSource', class="hl-string">'OpportunityStatus', class="hl-string">'SalesOrderAmount', class="hl-string">'ProductCategory', class="hl-string">'DiscountPercentage']
    final_cols = required_cols + [col for col in recommended_cols if col in event_log_df.columns]
    
    event_log_df = event_log_df[final_cols]
    event_log_df.sort_values(by=[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime'], inplace=True)

    class=class="hl-string">"hl-comment"># --- Export to CSV ---
    event_log_df.to_csv(class="hl-string">'lead_to_cash_event_log.csv', index=False)
    print(class="hl-string">"Event log saved to 'lead_to_cash_event_log.csv'.")
else:
    print(class="hl-string">"No data extracted. Skipping transformation and export.")

Uw Lead to Cash Data Template

Uw Lead to Cash Data Template

Lead to Cash Attributes

Lead to Cash Activiteiten

Extractie Guides

SAP Sales Cloud Analytics OData API Extractie

Stappen

Configuratie

a Voorbeeldquery python

SAP Sales Cloud Standaard OData Business Object Query

Stappen

Configuratie

a Voorbeeldquery python

Klaar om te starten?

Optimaliseer uw Lead to Cash nu, verhoog de Win Rates!

Uw Lead to Cash Data Template

Uw Lead to Cash Data Template

Lead to Cash Attributes

Lead to Cash Activiteiten

Extractie Guides

SAP Sales Cloud Analytics OData API Extractie

Stappen

Configuratie

a Voorbeeldquery python

SAP Sales Cloud Standaard OData Business Object Query

Stappen

Configuratie

a Voorbeeldquery python

Wij hechten veel waarde aan je privacy

Klaar om te starten?

Optimaliseer uw Lead to Cash nu, verhoog de Win Rates!