> Ciągłe doskonalenie procesów > Od pozyskania leada do płatności > Pipedrive > Szablon danych

Szablon danych dla procesu od leada do płatności

Pipedrive

← Wróć do przewodnika ulepszania procesów

Atrybuty procesu od leada do płatności(20) Aktywności w procesie od leada do płatności(13) Instrukcje pobierania danych(3)

Szablon danych dla procesu od leada do płatności

Ten szablon pomaga zebrać dane potrzebne do analizy procesu od leada do płatności w Pipedrive. Zawiera listę najważniejszych atrybutów i aktywności do śledzenia oraz praktyczne wskazówki, jak pobrać te informacje bezpośrednio z Pipedrive. Dzięki niemu przygotują Państwo dane do analizy process mining i usprawniania procesu.

Zalecane atrybuty do zebrania
Najważniejsze aktywności do śledzenia
Wskazówki dotyczące pobierania danych z Pipedrive

Pierwszy raz spotykają się Państwo z dziennikiem zdarzeń? Dowiedz się jak utworzyć dziennik zdarzeń na potrzeby process mining.

Pobierz szablon

Atrybuty procesu od leada do płatności

Te zalecane pola danych są potrzebne do przygotowania dziennika zdarzeń i przeprowadzenia pełnej analizy procesu od leada do płatności.

3 Wymagane 4 Zalecane 13 Opcjonalne

	Nazwa	Opis
	Czas zdarzenia EventTime	Znacznik czasu wskazujący, kiedy wystąpiło działanie.
Opis Czas zdarzenia, nazywany też czasem rozpoczęcia, określa dokładną datę i godzinę zarejestrowania danego działania. Te dane czasowe są niezbędne do uporządkowania zdarzeń chronologicznie i obliczenia czasu między poszczególnymi krokami procesu. W analizie znacznik czasu służy do obliczania KPI, takich jak czas cyklu, czas przetwarzania i czas oczekiwania. Umożliwia tworzenie dashboardów opartych na czasie, które monitorują wyniki i wskazują opóźnienia w procesie sprzedaży. Dlaczego to ważne Ten znacznik czasu jest niezbędny do uporządkowania zdarzeń, obliczania czasu trwania procesu i analizy wyników względem celów czasowych. Skąd pobrać Pobierany z pól takich jak „add_time” lub „update_time” obiektów Deal, Activity lub obiektów powiązanych w Pipedrive API. Przykłady 2023-04-15T10:00:00Z2023-04-16T14:30:00Z2023-05-01T09:05:00Z
	Nazwa działania ActivityName	Nazwa konkretnego zdarzenia biznesowego lub zadania, które wystąpiło w procesie sprzedaży.
Opis Ten atrybut opisuje pojedynczy krok procesu od leada do gotówki, na przykład „Utworzenie transakcji”, „Wysłanie oferty” lub „Otrzymanie płatności”. Działania są podstawowymi elementami służącymi do wizualizacji przebiegu procesu. Analiza kolejności i częstotliwości działań pomaga wskazać najczęstsze ścieżki procesu, wąskie gardła, w których gromadzi się praca, oraz odstępstwa od standardowej procedury sprzedaży. To niezbędne, by zrozumieć, jak proces przebiega w praktyce. Dlaczego to ważne Określa kroki procesu, umożliwiając wizualizację i analizę jego przebiegu, wykrywanie wąskich gardeł oraz sprawdzanie zgodności. Skąd pobrać Zwykle atrybut powstaje przez przypisanie zdarzeń z Pipedrive, takich jak zmiany etapu transakcji lub utworzenie powiązanych obiektów, na przykład faktur, do zdefiniowanej listy działań. Przykłady Utworzono transakcjęWysłano ofertęWygrano transakcjęWysłanie fakturyOtrzymanie płatności
	Szansa sprzedaży SalesOpportunityId	Unikalny identyfikator szansy sprzedaży, który pełni funkcję identyfikatora case i pozwala śledzić cały proces od leada do gotówki.
Opis Identyfikator szansy sprzedaży to klucz główny łączący wszystkie powiązane działania, od utworzenia leada po otrzymanie płatności. Oznacza pojedynczą potencjalną sprzedaż śledzoną w Pipedrive. W analizie procesów ten identyfikator jest niezbędny do odtworzenia całej ścieżki każdej transakcji. Pozwala grupować zdarzenia, takie jak „Utworzenie transakcji”, „Wysłanie oferty” i „Otrzymanie płatności”, w spójny case. Dzięki temu można analizować warianty procesu, czas jego trwania i współczynniki konwersji. Dlaczego to ważne Ten identyfikator stanowi podstawę widoku procesu. Łączy powiązane zdarzenia, tworząc pełną historię każdej transakcji sprzedażowej. Skąd pobrać Pobierany z pola „id” obiektu Deal za pośrednictwem Pipedrive API. Przykłady 12543125441254512546
	Procent rabatu DiscountPercentage	Procentowy rabat udzielony w ramach transakcji.
Opis Ten atrybut określa procentowy rabat udzielony w ramach transakcji, jeśli taki rabat zastosowano. Ma istotne znaczenie przy analizie strategii cenowej i jej wpływu na rentowność. Analiza procentu rabatu pozwala ocenić skuteczność strategii rabatowych. Można zestawić go z innymi atrybutami, takimi jak wartość transakcji, przedstawiciel handlowy lub produkt, aby sprawdzić, gdzie rabaty są najczęstsze i czy zwiększają współczynnik wygranych, czy tylko obniżają marżę. Dlaczego to ważne Umożliwia analizę strategii cenowych, marż sprzedażowych i ogólnej rentowności transakcji. Skąd pobrać Często jest to pole niestandardowe obiektu Deal w Pipedrive. Informacje o konfiguracji pól niestandardowych można znaleźć w dokumentacji Pipedrive. Przykłady 0.050.100.150.0
	Status transakcji DealStatus	Bieżący wynik lub stan transakcji, na przykład wygrana, przegrana albo otwarta.
Opis Status transakcji określa jej końcowy wynik lub ogólny bieżący stan. To podstawowy wymiar analizy skuteczności sprzedaży i sprawności procesu. Atrybut ten jest niezbędny do obliczania współczynników wygranych i przegranych oraz filtrowania mapy procesu, by porównać ścieżki wygranych i przegranych transakcji. Takie porównanie często ujawnia istotne różnice w przebiegu procesu, które wpływają na sukces lub niepowodzenie, i dostarcza informacji przydatnych do ulepszania procesów. Dlaczego to ważne Jest niezbędny do obliczania współczynników wygranych i przegranych oraz porównywania przebiegu procesu dla transakcji zakończonych sukcesem i niepowodzeniem. Skąd pobrać Pobierany z pola „status” obiektu Deal w Pipedrive API. Przykłady wygranaprzegranaotwarta
	Wartość transakcji DealValue	Łączna wartość pieniężna szansy sprzedaży.
Opis Wartość transakcji oznacza potencjalny lub rzeczywisty przychód związany z daną szansą sprzedaży. To podstawowa miara przy ustalaniu priorytetów transakcji i ocenie ich wpływu finansowego na lejek sprzedażowy. W analizie procesów atrybut ten służy do podziału case’ów według wartości finansowej. Umożliwia porównanie przebiegu procesu dla transakcji o wysokiej i niskiej wartości. Jest też podstawą dashboardów do analizy wyników sprzedaży, skuteczności rabatów i łącznych przychodów. Dlaczego to ważne Umożliwia analizę finansową procesu sprzedaży, pomaga ustalać priorytety transakcji o wysokiej wartości i oceniać ich wpływ na przychody. Skąd pobrać Pobierana z pola „value” obiektu Deal w Pipedrive API. Przykłady 5000.0025000.501500.75
	Właściciel transakcji DealOwner	Przedstawiciel handlowy odpowiedzialny za prowadzenie szansy sprzedaży.
Opis Właściciel transakcji to użytkownik przypisany do danej transakcji. Atrybut ten pomaga analizować przydział zasobów i wyniki zespołu sprzedaży. Umożliwia analizę wyników poszczególnych osób i zespołów. Dashboardy można filtrować według właściciela transakcji, aby porównywać takie miary jak długość cyklu sprzedaży, współczynnik konwersji i średnia wartość transakcji. Ułatwia to wskazanie osób osiągających najlepsze wyniki oraz obszarów wymagających wsparcia. Dlaczego to ważne Umożliwia analizę wyników przedstawicieli handlowych, wskazując osoby osiągające najlepsze wyniki i obszary wymagające poprawy. Skąd pobrać Pobierany z pola „user_id” obiektu Deal, które wskazuje obiekt User w Pipedrive API. Przykłady Jan KowalskiAnna NowakPiotr Wiśniewski
	Czas zakończenia zdarzenia EventEndTime	Znacznik czasu wskazujący, kiedy zakończono działanie o określonym czasie trwania.
Opis Czas zakończenia zdarzenia wskazuje moment zakończenia działania o mierzalnym czasie trwania, takiego jak spotkanie lub zadanie. W połączeniu z czasem rozpoczęcia pozwala dokładnie obliczyć, ile trwało dane działanie. Atrybut ten jest niezbędny do obliczania czasu przetwarzania poszczególnych działań. Analiza czasu trwania pomaga wskazać najbardziej czasochłonne zadania i określić możliwości ich usprawnienia, automatyzacji lub zmiany przydziału zasobów. Dlaczego to ważne Umożliwia dokładne obliczanie czasu trwania poszczególnych działań, co pomaga wskazać czasochłonne zadania i wąskie gardła. Skąd pobrać Pobierany z pól takich jak „due_date” lub znacznika czasu zakończenia obiektów Activity w Pipedrive API. Przykłady 2023-04-15T11:00:00Z2023-04-16T15:00:00Z2023-05-01T09:35:00Z
	Czas zapłaty faktury InvoicePaymentTime	Czas od wysłania faktury do otrzymania płatności.
Opis Czas zapłaty faktury mierzy sprawność procesu obsługi należności. Określa czas, jaki upływa od działania „Wysłanie faktury” do działania „Otrzymanie płatności”. Ta miara ma duże znaczenie przy monitorowaniu przepływów pieniężnych i wykrywaniu opóźnień w odzyskiwaniu należności. Analiza czasu pozwala lepiej zrozumieć zachowania płatnicze klientów oraz skuteczność działań przypominających i windykacyjnych. Bezpośrednio wpływa też na długość cyklu od oferty do płatności. Dlaczego to ważne Bezpośrednio mierzy sprawność odzyskiwania należności i ma duże znaczenie dla zarządzania przepływami pieniężnymi. Skąd pobrać Obliczany jako różnica między znacznikami czasu działań „Otrzymanie płatności” i „Wysłanie faktury” w danym case. Przykłady 28 dni45 dni10 dni
	Data ostatniej aktualizacji danych LastDataUpdate	Znacznik czasu ostatniego odświeżenia danych z systemu źródłowego.
Opis Ten atrybut wskazuje, kiedy ostatnio dane zostały pobrane i zaktualizowane w zbiorze danych do process mining. Pozwala ocenić, jak aktualne są analizowane dane. W każdej analizie ważna jest wiedza o aktualności danych. Atrybut pomaga ustalić, czy wyświetlane informacje odzwierciedlają obecny stan procesu. Ma to znaczenie przy monitorowaniu operacji i podejmowaniu decyzji. Dlaczego to ważne Informuje o aktualności danych, dzięki czemu wiadomo, jak aktualna jest analiza procesu. Skąd pobrać Wartość jest generowana i zapisywana podczas wczytywania danych lub procesu ETL. Przykłady 2023-10-27T02:00:00Z2023-10-28T02:00:00Z
	Etap transakcji DealStage	Bieżący etap transakcji w lejku sprzedażowym.
Opis Etap transakcji oznacza konkretny krok w zdefiniowanym przez firmę lejku sprzedażowym, na przykład „Zakwalifikowana”, „Przedstawiono ofertę” lub „Negocjacje”. Pokazuje postęp transakcji dokładniej niż jej ogólny status. Analiza etapów transakcji jest niezbędna do zrozumienia lejka sprzedażowego i wskazania miejsc, w których transakcje często się zatrzymują. Śledzenie czasu spędzonego na każdym etapie pozwala wykryć wąskie gardła i skupić działania naprawcze na najbardziej problematycznych częściach cyklu sprzedaży. Dlaczego to ważne Pokazuje szczegółowy postęp transakcji w lejku sprzedażowym, pomagając wykrywać wąskie gardła i analizować współczynniki konwersji między etapami. Skąd pobrać Pobierany z pola „stage_id” obiektu Deal, które wskazuje obiekt Stage w Pipedrive API. Przykłady Pozyskany leadNawiązanie kontaktuZaplanowanie prezentacjiZłożenie propozycjiRozpoczęcie negocjacji
	Nazwa organizacji OrganizationName	Nazwa firmy lub organizacji klienta powiązanej z transakcją.
Opis Ten atrybut wskazuje klienta biznesowego powiązanego z szansą sprzedaży. Informuje, które firmy znajdują się w lejku sprzedażowym. Analiza według nazwy organizacji pomaga zrozumieć zachowania klientów i wskazać najważniejsze konta. Można podzielić dane, aby sprawdzić, czy proces przebiega inaczej dla klientów strategicznych niż dla mniejszych firm, albo prześledzić całą historię sprzedaży z daną organizacją. Dlaczego to ważne Wskazuje klienta, umożliwiając analizę z jego perspektywy i podział procesu sprzedaży na segmenty. Skąd pobrać Pobierana z pola „org_id” obiektu Deal, które wskazuje obiekt Organization w Pipedrive API. Przykłady ABC CorporationGlobal Tech Inc.Innovate Solutions
	Płatność w terminie IsOnTimePayment	Wartość logiczna wskazująca, czy płatność wpłynęła w uzgodnionym terminie.
Opis Ten atrybut przyjmuje jedną z dwóch wartości (prawda/fałsz) i wskazuje, czy płatność została dokonana w terminie. Jest wyliczany przez porównanie faktycznego czasu zapłaty faktury z uzgodnionymi warunkami płatności. Ułatwia analizę zachowań płatniczych. Pozwala szybko obliczyć KPI określający współczynnik płatności w terminie i filtrować opóźnione płatności, aby skupić analizę przyczyn na klientach lub typach transakcji, w przypadku których występują opóźnienia. Dlaczego to ważne Ułatwia analizę terminowości płatności i służy do obliczania KPI określającego współczynnik płatności w terminie. Skąd pobrać Obliczany przez porównanie atrybutów „InvoicePaymentTime” i „PaymentTerms”. Na przykład, jeśli „PaymentTerms” ma wartość „Net 30”, a „InvoicePaymentTime” wynosi nie więcej niż 30 dni, wynik to prawda. Przykłady truefalse
	Powtórna praca IsRework	Wskaźnik identyfikujący działania należące do pętli powtórnej pracy.
Opis Atrybut „Powtórna praca” przyjmuje wartość logiczną i jest zwykle obliczany przez narzędzie process mining, aby wskazać przypadki, w których proces odchodzi od liniowego przebiegu i powtarza wcześniejsze kroki. Na przykład przejście transakcji z etapu „Negocjacje” z powrotem do „Wysłanie oferty” oznacza powtórną pracę. Wykrywanie powtórnej pracy jest ważne przy ulepszaniu procesów, ponieważ oznacza nieefektywność, zmarnowany wysiłek i możliwe nieporozumienia po stronie klienta. Analiza oznaczonych w ten sposób działań pomaga wskazać miejsca, w których proces nie przebiega prawidłowo, i zaplanować konkretne usprawnienia. Dlaczego to ważne Pomaga mierzyć nieefektywność procesu przez wskazywanie działań należących do powtarzających się lub zapętlonych ścieżek. Skąd pobrać Wartość oblicza oprogramowanie process mining na podstawie kolejności działań w każdym case. Przykłady truefalse
	Produkt ProductAttached	Produkt lub usługa powiązane z szansą sprzedaży.
Opis Ten atrybut określa produkt lub usługę sprzedawane w ramach transakcji. Umożliwia dokładniejszą analizę działań sprzedażowych dotyczących konkretnych ofert. Podział analizy według produktu pozwala porównywać procesy sprzedaży dla różnych linii produktowych. Można sprawdzić, czy sprzedaż niektórych produktów trwa dłużej, ma inne współczynniki konwersji lub wymaga dodatkowych kroków, a następnie odpowiednio dostosować strategię sprzedaży. Dlaczego to ważne Umożliwia analizę procesu sprzedaży według linii produktowej i pomaga wykrywać różnice w długości cyklu sprzedaży oraz skuteczności poszczególnych ofert. Skąd pobrać Pobierany z obiektu Product powiązanego z Deal w Pipedrive API. Przykłady Standardowa subskrypcja SaaSLicencja na platformę dla dużych firmPakiet usług profesjonalnych
	Region Region	Region geograficzny powiązany z klientem lub szansą sprzedaży.
Opis Ten atrybut przypisuje transakcje do obszarów geograficznych, takich jak Ameryka Północna, EMEA lub APAC. Umożliwia analizę wyników sprzedaży i przebiegu procesów według lokalizacji. Podział procesu według regionu pozwala wykryć różnice w długości cyklu sprzedaży, współczynnikach wygranych i wariantach procesu. Wnioski mogą pomóc w opracowaniu regionalnych strategii sprzedaży, przydziale zasobów i standaryzacji procesów. Dlaczego to ważne Umożliwia geograficzną analizę procesu sprzedaży i wskazuje regionalne różnice w wynikach oraz zachowaniach klientów. Skąd pobrać Zwykle jest to pole niestandardowe obiektu Deal lub Organization. Region można też określić na podstawie pól adresowych obiektu Organization. Przykłady Ameryka PółnocnaEMEAAPACAmeryka Łacińska
	System źródłowy SourceSystem	Wskazuje system, z którego pobrano dane.
Opis Ten atrybut określa źródło danych, którym w tym przypadku jest Pipedrive. Jest szczególnie przydatny, gdy dane z wielu systemów są łączone, aby uzyskać pełny obraz procesu. W analizie jednego systemu często ma stałą wartość, ale zapewnia ważny kontekst oraz ułatwia zarządzanie danymi i śledzenie ich pochodzenia. Potwierdza, że zdarzenia i atrybuty dotyczą instancji Pipedrive. Dlaczego to ważne Informuje o pochodzeniu danych, zapewniając możliwość ich śledzenia i jasny kontekst, zwłaszcza gdy łączone są dane z wielu systemów. Skąd pobrać Zwykle jest to stała wartość dodawana podczas przekształcania danych. Przykłady Pipedrive
	Waluta transakcji DealCurrency	Waluta, w której podana jest wartość transakcji.
Opis Ten atrybut określa walutę, na przykład USD, EUR lub GBP, w której podana jest wartość transakcji. Zapewnia niezbędny kontekst dla wszystkich miar finansowych. Przy analizie transakcji z różnych regionów lub krajów atrybut ten jest niezbędny do prawidłowego raportowania i agregowania danych finansowych. Pozwala poprawnie przeliczyć waluty przed podsumowaniem danych, co zapobiega błędnym wnioskom. Dlaczego to ważne Zapewnia niezbędny kontekst dla wartości transakcji i pozwala rzetelnie analizować oraz raportować dane finansowe z różnych regionów. Skąd pobrać Pobierana z pola „currency” obiektu Deal w Pipedrive API. Przykłady USDEURGBP
	Warunki płatności PaymentTerms	Uzgodnione warunki płatności, na przykład „Net 30” lub „Net 60”.
Opis Warunki płatności określają termin, w którym klient powinien zapłacić fakturę od momentu jej wysłania. Atrybut ten ma zasadnicze znaczenie dla zarządzania należnościami i przepływami pieniężnymi. W process mining służy jako punkt odniesienia przy ocenie terminowości płatności. Pozwala obliczać KPI, takie jak współczynnik płatności w terminie, przez porównanie faktycznej daty płatności z terminem wyznaczonym na podstawie daty faktury i uzgodnionych warunków. Dlaczego to ważne Stanowi punkt odniesienia przy pomiarze terminowości płatności i analizie opóźnień w procesie odzyskiwania należności. Skąd pobrać Zwykle jest to pole niestandardowe obiektu Deal lub Organization w Pipedrive. Dane mogą też pochodzić ze zintegrowanego systemu księgowego. Przykłady Net 30Net 60Płatność przy odbiorze
	Źródło leada LeadSource	Źródło lub kanał, z którego pozyskano leada.
Opis Źródło leada wskazuje, w jaki sposób po raz pierwszy zidentyfikowano potencjalnego klienta, na przykład podczas webinaru, rozmowy telefonicznej z nieznajomą osobą lub dzięki poleceniu partnera. Informacja ta ma duże znaczenie dla strategii marketingowej i sprzedażowej. Analiza źródła leada pomaga ocenić skuteczność różnych kanałów marketingowych. Można porównać współczynniki konwersji i długość cyklu sprzedaży dla leadów z poszczególnych źródeł, a następnie lepiej rozdysponować budżet marketingowy i nakład pracy zespołu sprzedaży. Dlaczego to ważne Pomaga ocenić skuteczność kanałów marketingowych przez analizę współczynników konwersji i przebiegu procesu dla leadów z każdego źródła. Skąd pobrać Pobierane z pola „source_name” obiektu Lead, a następnie powiązywane z obiektem Deal. Przykłady Wyniki wyszukiwania organicznegoPłatne media społecznościowePolecenieTargi branżowe

Wymagane Zalecane Opcjonalne

Aktywności w procesie od leada do płatności

Te etapy i kamienie milowe warto uwzględnić w dzienniku zdarzeń, aby prawidłowo odkryć przebieg procesu i skutecznie go usprawnić.

5 Zalecane 8 Opcjonalne

	Działanie	Opis
	Otrzymanie płatności	Oznacza otrzymanie płatności od klienta, co zamyka cykl przepływu środków dla danej szansy sprzedaży. To ostatnie zdarzenie w procesie od leada do gotówki, pochodzące z systemu finansowego.
Dlaczego to ważne To ostatni etap, na którym firma uzyskuje przychód. Oznacza faktyczny koniec procesu od leada do gotówki i jest niezbędny do pomiaru czasu całego procesu oraz analizy opóźnień w płatnościach. Skąd pobrać Dane pochodzą z systemu księgowego lub systemu obsługi płatności. Potwierdzenie płatności należy powiązać z transakcją w Pipedrive. Rejestrowanie Dane o zdarzeniu z zewnętrznego systemu finansowego, powiązane z transakcją za pomocą unikalnego identyfikatora. Typ zdarzenia explicit
	Przegrana transakcja	Oznacza niepomyślne zamknięcie transakcji. Proces sprzedaży kończy się, gdy klient wybierze konkurencję, straci zainteresowanie lub z innego powodu zrezygnuje.
Dlaczego to ważne To główny punkt końcowy procesu w przypadku niepowodzenia. Analiza tego, kiedy i dlaczego transakcje są przegrywane, dostarcza ważnych informacji przy ulepszaniu strategii sprzedaży, szkoleń i kwalifikacji leadów. Skąd pobrać To jawne zdarzenie rejestrowane, gdy status transakcji zmienia się na „lost”. Znacznik czasu zapisuje pole „lost_time” w encji Deals. Rejestrowanie Użyj znacznika czasu „lost_time” z encji Deals. Typ zdarzenia explicit
	Utworzono transakcję	Oznacza oficjalne rozpoczęcie pracy nad szansą sprzedażową. Zdarzenie jest rejestrowane, gdy nowa transakcja zostaje utworzona ręcznie lub automatycznie po konwersji leada.
Dlaczego to ważne To główne zdarzenie rozpoczynające cykl sprzedaży. Analiza czasu od tego zdarzenia do „Wygrano transakcję” lub „Przegrano transakcję” pozwala określić długość całego cyklu sprzedaży. Skąd pobrać To jawne zdarzenie rejestrowane w obiekcie Deals w Pipedrive. Czas utworzenia rekordu transakcji („add_time”) służy jako czas zdarzenia. Rejestrowanie Użyj pola „add_time” z obiektu Deals. Typ zdarzenia explicit
	Wygrano transakcję	Oznacza pomyślne zamknięcie transakcji, czyli ustne lub pisemne potwierdzenie zawarcia umowy przez klienta. W Pipedrive jest to standardowa, jawna zmiana statusu.
Dlaczego to ważne To najważniejszy etap potwierdzający sukces. Ma zasadnicze znaczenie przy obliczaniu współczynnika wygranych, długości cyklu sprzedaży dla wygranych transakcji i ogólnych wyników sprzedaży. Skąd pobrać To jawne zdarzenie rejestrowane, gdy status transakcji zmienia się na „won”. Dokładny znacznik czasu znajduje się w polu „won_time” encji Deals. Rejestrowanie Użyj znacznika czasu „won_time” z encji Deals. Typ zdarzenia explicit
	Wysłano ofertę	Oznacza moment dostarczenia klientowi formalnej oferty lub propozycji. Zazwyczaj wnioskuje się o tym na podstawie przejścia transakcji do określonego etapu lejka, na przykład „Przygotowano ofertę” lub „Wysłano ofertę”.
Dlaczego to ważne To ważny etap procesu sprzedaży. Analiza czasu od tego zdarzenia do „Wygrano transakcję” pozwala określić długość podejmowania decyzji i negocjacji. Skąd pobrać Zdarzenie jest ustalane na podstawie dziennika zmian transakcji, gdy pole „stage_id” zmienia się na etap przeznaczony dla ofert. Jako czas zdarzenia przyjmuje się znacznik czasu zmiany etapu. Rejestrowanie Wykryj zmianę pola „stage_id” transakcji na określony etap „Oferta”. Typ zdarzenia inferred
	Kontakt po wysłaniu oferty	Rejestruje działania sprzedażowe, takie jak rozmowa telefoniczna lub e-mail, podjęte po wysłaniu oferty klientowi. Zdarzenie wskazuje na aktywny kontakt z klientem w czasie rozważania oferty.
Dlaczego to ważne Pozwala mierzyć terminowość i częstotliwość kontaktów, które pomagają utrzymać zainteresowanie klienta i sfinalizować transakcję. Zasila dashboard „Terminowość kontaktu po wysłaniu oferty”. Skąd pobrać Zdarzenie jest pobierane z obiektu Activities w Pipedrive. Oznacza zakończone działanie, które nastąpiło po zdarzeniu „Wysłano ofertę” dla tej samej transakcji. Rejestrowanie Znajdź zakończone działanie z polem „done_time” późniejszym niż znacznik czasu zdarzenia „Wysłano ofertę”. Typ zdarzenia explicit
	Nawiązano pierwszy kontakt	Oznacza pierwszą istotną interakcję z potencjalnym klientem powiązanym z transakcją. Zazwyczaj jest rejestrowana jako zakończone działanie, na przykład rozmowa telefoniczna, e-mail lub spotkanie powiązane z transakcją.
Dlaczego to ważne Śledzenie tego zdarzenia pozwala mierzyć czas do pierwszego kontaktu i sprawdzać, czy leady są obsługiwane bez zbędnej zwłoki. Pokazuje też, jak szybko reaguje zespół sprzedaży. Skąd pobrać Zdarzenie jest pobierane z obiektu Activities w Pipedrive. Można je ustalić, znajdując najwcześniejsze zakończone działanie powiązane z identyfikatorem transakcji. Rejestrowanie Znajdź pierwsze zakończone działanie (Activity) powiązane z transakcją (Deal), korzystając z pola „done_time”. Typ zdarzenia explicit
	Ponowne otwarcie transakcji	Oznacza transakcję, która wcześniej została oznaczona jako przegrana, ale została ponownie uruchomiona i wróciła do dalszych działań sprzedażowych. Zdarzenie jest wnioskowane na podstawie zmiany statusu transakcji z „lost” na „open”.
Dlaczego to ważne To działanie wskazuje na powroty do wcześniejszych etapów i ponowne nawiązanie kontaktu z klientem. Analiza takich przypadków może ujawnić wzorce zachowań klientów lub skuteczność dalszych działań sprzedażowych. Skąd pobrać Zdarzenie jest wnioskowane z historii zmian transakcji. Wykrywa się je, gdy pole „status” zmienia wartość z „lost” na „open”. Rejestrowanie W historii transakcji znajdź zmianę statusu z „lost” na „open”. Typ zdarzenia inferred
	Realizacja zamówienia	Oznacza wysłanie produktu lub dostarczenie usługi klientowi. Zdarzenie pochodzi z zewnętrznego systemu realizacji zamówień lub systemu operacyjnego.
Dlaczego to ważne Śledzenie realizacji zamówień pozwala określić czas od złożenia zamówienia do dostawy. Opóźnienia na tym etapie bezpośrednio wpływają na zadowolenie klientów i ujęcie przychodów. Skąd pobrać Dane pochodzą z zewnętrznego systemu ERP, systemu zarządzania zapasami lub systemu zarządzania usługami. Należy je powiązać z odpowiednią transakcją w Pipedrive. Rejestrowanie Dane o zdarzeniu z systemu zewnętrznego, powiązane za pomocą identyfikatora transakcji lub innego wspólnego identyfikatora. Typ zdarzenia explicit
	Rozpoczęto negocjacje	Oznacza początek aktywnych negocjacji dotyczących ceny, warunków lub zakresu. Zazwyczaj wnioskuje się o tym, gdy po wysłaniu oferty transakcja przechodzi do etapu „Negocjacje”.
Dlaczego to ważne Wyodrębnienie etapu negocjacji pozwala ustalić, ile trwa ta część cyklu i które transakcje wymagają długich negocjacji. Skąd pobrać Zdarzenie jest ustalane na podstawie dziennika zmian transakcji, gdy pole „stage_id” zmienia się na etap wyraźnie oznaczony jako negocjacje. Rejestrowanie W historii transakcji znajdź zmianę etapu na wcześniej zdefiniowany etap „Negocjacje”. Typ zdarzenia inferred
	Utworzenie zamówienia sprzedaży	Oznacza utworzenie formalnego zamówienia sprzedaży w systemie dalszego etapu, takim jak ERP lub platforma księgowa, po wygraniu transakcji. To działanie nie jest dostępne natywnie w Pipedrive i wymaga danych z połączonego systemu.
Dlaczego to ważne To zdarzenie oznacza przekazanie sprawy z działu sprzedaży do operacji lub finansów. Analiza czasu od „Wygrana transakcja” do tego działania pozwala wykryć możliwe opóźnienia w obsłudze zamówień. Skąd pobrać Dane są zwykle pobierane z połączonego systemu ERP lub finansowego. Należy je zaimportować i powiązać z identyfikatorem transakcji w Pipedrive. Rejestrowanie Dane o zdarzeniu są przesyłane z systemu zewnętrznego przez API. Często aktualizują pole niestandardowe w transakcji Pipedrive. Typ zdarzenia explicit
	Wysłanie faktury	Oznacza moment wysłania klientowi faktury do zapłaty. Zdarzenie jest zwykle rejestrowane w zewnętrznym systemie księgowym lub rozliczeniowym po realizacji zamówienia.
Dlaczego to ważne To początek cyklu płatności. Czas między tym zdarzeniem a „Otrzymanie płatności” ma zasadnicze znaczenie dla monitorowania należności i przepływów pieniężnych. Skąd pobrać Zdarzenie pochodzi z zewnętrznego systemu księgowego lub ERP, takiego jak Xero albo QuickBooks. Dane należy zintegrować i powiązać z transakcją w Pipedrive. Rejestrowanie Dane o zdarzeniu z zewnętrznego systemu rozliczeniowego, powiązane z transakcją przez integrację API. Typ zdarzenia explicit
	Zakwalifikowano transakcję	Oznacza, że transakcja spełnia wcześniej ustalone kryteria i jest uznawana za szansę wartą dalszej pracy. Zazwyczaj wnioskuje się o tym na podstawie przejścia transakcji z początkowego etapu lejka, takiego jak „Nowy lead”, na bardziej zaawansowany, na przykład „Nawiązano kontakt” lub „Określono potrzeby”.
Dlaczego to ważne Ten etap pozwala ocenić skuteczność kwalifikacji leadów i ustalić, jak długo transakcje pozostają na początkowych etapach, zanim zostaną zakwalifikowane. Skąd pobrać Zdarzenie jest ustalane na podstawie dziennika zmian lub historii transakcji, gdy pole „stage_id” zmienia się na etap oznaczający kwalifikację. Rejestrowanie W historii transakcji znajdź zmianę etapu na wcześniej zdefiniowany etap „zakwalifikowano”. Typ zdarzenia inferred

Zalecane Opcjonalne

Instrukcje pobierania danych

Jak pobrać dane z Pipedrive

Kroki

Zaloguj się do Pipedrive: Zaloguj się na konto Pipedrive za pomocą profilu użytkownika z uprawnieniami do eksportu danych. Zazwyczaj jest to konto administratora.
Przejdź do eksportu danych: Kliknij zdjęcie profilowe w prawym górnym rogu, a następnie wybierz „Ustawienia”. W menu po lewej stronie znajdź sekcję „Narzędzia i aplikacje” i kliknij „Eksportuj dane”.
Wyeksportuj dane transakcji: W widoku „Eksportuj dane” wybierz „Transakcje”, a następnie format pliku „CSV”. Zaleca się ustawienie filtra zakresu dat, na przykład ostatnich 6 miesięcy, aby ograniczyć rozmiar pliku. Kliknij „Eksportuj” i poczekaj na wygenerowanie oraz pobranie pliku. Będzie on zawierał najważniejsze informacje o transakcjach, w tym datę utworzenia, wygrania i przegrania.
Wyeksportuj dane aktywności: Powtórz te czynności dla „Aktywności”. Wybierz „Aktywności”, format „CSV” i ten sam zakres dat co dla transakcji, a następnie wyeksportuj plik. Zawiera on dane o połączeniach, e-mailach, spotkaniach i niestandardowych aktywnościach powiązanych z transakcjami.
Zbierz dane z systemów zewnętrznych: Pobierz powiązane dane z systemów używanych w dalszych etapach procesu. Potrzebne będą eksporty z systemu ERP, księgowego lub realizacji zamówień, obejmujące zdarzenia takie jak „Utworzono zamówienie sprzedaży”, „Zrealizowano zamówienie”, „Wysłano fakturę” i „Otrzymano płatność”. Upewnij się, że pliki zawierają wspólny identyfikator, który można powiązać z identyfikatorem transakcji Pipedrive.
Przygotuj środowisko do przetwarzania danych: Użyj narzędzia, które umożliwia obsługę i łączenie wielu plików CSV, na przykład Pythona z biblioteką pandas, Microsoft Excel z Power Query lub innego narzędzia do przygotowania danych.
Wczytaj i połącz dane: Wczytaj pliki Deals.csv i Activities.csv. Wczytaj również pliki z danymi zewnętrznymi zebrane w poprzednim kroku.
Utwórz dziennik zdarzeń: Przygotuj jeden dziennik zdarzeń, przekształcając surowe dane do wymaganego formatu aktywności. Utwórz odpowiednie wiersze dla każdej z 13 wymaganych aktywności. Na przykład:
- Zdarzenia „Utworzono transakcję” pochodzą z kolumny add_time w pliku Deals.csv.
- Zdarzenia „Wygrano transakcję” pochodzą z kolumny won_time w pliku Deals.csv.
- „Nawiązano pierwszy kontakt” to najwcześniejsza zakończona aktywność dla danej transakcji z pliku Activities.csv.
- Pozostałe aktywności, takie jak „Wysłano ofertę” lub „Rozpoczęto negocjacje”, można określić na podstawie konkretnych tematów lub typów aktywności w pliku Activities.csv.
Przypisz atrybuty: Upewnij się, że każdy wiersz zdarzenia zawiera wszystkie wymagane kolumny: SalesOpportunityId, ActivityName i EventTime. Dodaj zalecane atrybuty, takie jak DealValue, DealOwner i DealStatus, łącząc dane z informacjami o transakcjach.
Eksport końcowy: Po utworzeniu i sprawdzeniu dziennika zdarzeń zapisz tabelę jako jeden plik CSV w kodowaniu UTF-8. Plik będzie gotowy do przesłania do ProcessMind w celu analizy.

Konfiguracja

Eksportowane obiekty: Należy wyeksportować co najmniej „Transakcje” i „Aktywności”. W razie potrzeby dodatkowych danych wymiarowych można też wyeksportować „Organizacje” lub „Osoby”.
Format pliku: Wybierz CSV, aby zapewnić zgodność z narzędziami do przetwarzania danych, takimi jak Python lub Power Query.
Filtr zakresu dat: Użyj opcji „Filtruj według”, aby wybrać konkretny okres, na przykład „Data dodania transakcji” przypadająca w ciągu „ostatnich 180 dni”. To ważne dla czasu eksportu i rozmiaru pliku.
Uprawnienia użytkownika: Eksport danych z konta Pipedrive wymaga uprawnień administratora lub zestawu uprawnień, który wyraźnie na to zezwala.
Niestandardowe typy aktywności: Prawidłowe pobranie etapów procesu, takich jak „Zakwalifikowano transakcję” lub „Wysłano ofertę”, zależy w dużej mierze od używania niestandardowych typów aktywności w Pipedrive. Należy je skonfigurować i stosować konsekwentnie w zespole sprzedaży.

Przykładowe zapytanie python

import pandas as pd

class=class="hl-string">"hl-comment"># --- 1. Load Data ---
class=class="hl-string">"hl-comment"># Load Pipedrive exports. Replace class="hl-string">'deals.csv' and class="hl-string">'activities.csv' with your actual file paths.
deals_df = pd.read_csv(class="hl-string">'deals.csv')
activities_df = pd.read_csv(class="hl-string">'activities.csv')

class=class="hl-string">"hl-comment"># Placeholder: Load data from external systems. These files should contain a Deal ID column.
class=class="hl-string">"hl-comment"># Replace with actual file loads from your ERP, Accounting, or Fulfillment systems.
sales_orders_df = pd.DataFrame({class="hl-string">'Deal ID': [], class="hl-string">'Order Created Date': []}) class=class="hl-string">"hl-comment"># Example from ERP
fulfillments_df = pd.DataFrame({class="hl-string">'Deal ID': [], class="hl-string">'Fulfillment Date': []})   class=class="hl-string">"hl-comment"># Example from Fulfillment System
invoices_df = pd.DataFrame({class="hl-string">'Deal ID': [], class="hl-string">'Invoice Sent Date': []})         class=class="hl-string">"hl-comment"># Example from Accounting System
payments_df = pd.DataFrame({class="hl-string">'Deal ID': [], class="hl-string">'Payment Received Date': []})     class=class="hl-string">"hl-comment"># Example from Accounting System

class=class="hl-string">"hl-comment"># --- 2. Prepare and Clean Data ---
class=class="hl-string">"hl-comment"># Rename columns for consistency and convert date columns to datetime objects
deals_df.rename(columns={class="hl-string">'ID': class="hl-string">'SalesOpportunityId', class="hl-string">'Value': class="hl-string">'DealValue', class="hl-string">'Owner name': class="hl-string">'DealOwner', class="hl-string">'Status': class="hl-string">'DealStatus', class="hl-string">'Add time': class="hl-string">'EventTime_Created', class="hl-string">'Won time': class="hl-string">'EventTime_Won', class="hl-string">'Lost time': class="hl-string">'EventTime_Lost'}, inplace=True)
activities_df.rename(columns={class="hl-string">'Deal ID': class="hl-string">'SalesOpportunityId', class="hl-string">'Subject': class="hl-string">'ActivityName', class="hl-string">'Done time': class="hl-string">'EventTime'}, inplace=True)

for col in [class="hl-string">'EventTime_Created', class="hl-string">'EventTime_Won', class="hl-string">'EventTime_Lost']: 
    deals_df[col] = pd.to_datetime(deals_df[col], errors=class="hl-string">'coerce')
activities_df[class="hl-string">'EventTime'] = pd.to_datetime(activities_df[class="hl-string">'EventTime'], errors=class="hl-string">'coerce')


class=class="hl-string">"hl-comment"># --- 3. Extract Activities from Pipedrive Data ---

class=class="hl-string">"hl-comment"># Activity: Deal Created
event_created = deals_df[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime_Created']].copy()
event_created.rename(columns={class="hl-string">'EventTime_Created': class="hl-string">'EventTime'}, inplace=True)
event_created[class="hl-string">'ActivityName'] = class="hl-string">'Deal Created'

class=class="hl-string">"hl-comment"># Activity: Deal Won
event_won = deals_df[deals_df[class="hl-string">'EventTime_Won'].notna()][[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime_Won']].copy()
event_won.rename(columns={class="hl-string">'EventTime_Won': class="hl-string">'EventTime'}, inplace=True)
event_won[class="hl-string">'ActivityName'] = class="hl-string">'Deal Won'

class=class="hl-string">"hl-comment"># Activity: Deal Lost
event_lost = deals_df[deals_df[class="hl-string">'EventTime_Lost'].notna()][[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime_Lost']].copy()
event_lost.rename(columns={class="hl-string">'EventTime_Lost': class="hl-string">'EventTime'}, inplace=True)
event_lost[class="hl-string">'ActivityName'] = class="hl-string">'Deal Lost'

class=class="hl-string">"hl-comment"># Filter for relevant, completed activities linked to a deal
completed_activities = activities_df[activities_df[class="hl-string">'EventTime'].notna() & activities_df[class="hl-string">'SalesOpportunityId'].notna()].copy()
completed_activities[class="hl-string">'SalesOpportunityId'] = completed_activities[class="hl-string">'SalesOpportunityId'].astype(int)

class=class="hl-string">"hl-comment"># Activity: Initial Contact Made (first completed activity for each deal)
event_initial_contact = completed_activities.sort_values(class="hl-string">'EventTime', ascending=True).drop_duplicates(class="hl-string">'SalesOpportunityId')
event_initial_contact = event_initial_contact[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime']].copy()
event_initial_contact[class="hl-string">'ActivityName'] = class="hl-string">'Initial Contact Made'

class=class="hl-string">"hl-comment"># Infer other activities based on activity subject keywords. Adjust keywords as needed.
event_qualified = completed_activities[completed_activities[class="hl-string">'ActivityName'].str.contains(class="hl-string">'qualify|qualification', case=False, na=False)].copy()
event_qualified[class="hl-string">'ActivityName'] = class="hl-string">'Deal Qualified'

event_proposal_sent = completed_activities[completed_activities[class="hl-string">'ActivityName'].str.contains(class="hl-string">'proposal|quote', case=False, na=False)].copy()
event_proposal_sent[class="hl-string">'ActivityName'] = class="hl-string">'Proposal Sent'

class=class="hl-string">"hl-comment"># Proposal Follow-Up: Any call or email activity after a proposal was sent
if not event_proposal_sent.empty:
    merged_followup = pd.merge(completed_activities, event_proposal_sent[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime']].rename(columns={class="hl-string">'EventTime':class="hl-string">'ProposalTime'}), on=class="hl-string">'SalesOpportunityId')
    follow_ups = merged_followup[merged_followup[class="hl-string">'EventTime'] > merged_followup[class="hl-string">'ProposalTime']]
    event_follow_up = follow_ups[follow_ups[class="hl-string">'ActivityName'].str.contains(class="hl-string">'call|email|follow-up', case=False, na=False)].copy()
    event_follow_up[class="hl-string">'ActivityName'] = class="hl-string">'Proposal Follow-Up'
else:
    event_follow_up = pd.DataFrame(columns=[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime', class="hl-string">'ActivityName'])

event_negotiation = completed_activities[completed_activities[class="hl-string">'ActivityName'].str.contains(class="hl-string">'negotiation|negotiate', case=False, na=False)].copy()
event_negotiation[class="hl-string">'ActivityName'] = class="hl-string">'Negotiation Started'

class=class="hl-string">"hl-comment"># Placeholder for Deal Reopened: Logic is complex and not reliably available from standard export.
event_reopened = pd.DataFrame(columns=[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime', class="hl-string">'ActivityName'])

class=class="hl-string">"hl-comment"># --- 4. Extract Activities from External Data (Placeholders) ---

class=class="hl-string">"hl-comment"># Rename columns and convert dates for external data
class=class="hl-string">"hl-comment"># This section needs to be adapted to your specific file structures
event_so_created = sales_orders_df.rename(columns={class="hl-string">'Deal ID': class="hl-string">'SalesOpportunityId', class="hl-string">'Order Created Date': class="hl-string">'EventTime'}).assign(ActivityName=class="hl-string">'Sales Order Created')
event_fulfilled = fulfillments_df.rename(columns={class="hl-string">'Deal ID': class="hl-string">'SalesOpportunityId', class="hl-string">'Fulfillment Date': class="hl-string">'EventTime'}).assign(ActivityName=class="hl-string">'Order Fulfilled')
event_invoice_sent = invoices_df.rename(columns={class="hl-string">'Deal ID': class="hl-string">'SalesOpportunityId', class="hl-string">'Invoice Sent Date': class="hl-string">'EventTime'}).assign(ActivityName=class="hl-string">'Invoice Sent')
event_payment_received = payments_df.rename(columns={class="hl-string">'Deal ID': class="hl-string">'SalesOpportunityId', class="hl-string">'Payment Received Date': class="hl-string">'EventTime'}).assign(ActivityName=class="hl-string">'Payment Received')


class=class="hl-string">"hl-comment"># --- 5. Combine and Finalize Event Log ---

event_log_frames = [
    event_created,
    event_won,
    event_lost,
    event_initial_contact,
    event_qualified[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime', class="hl-string">'ActivityName']],
    event_proposal_sent[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime', class="hl-string">'ActivityName']],
    event_follow_up[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime', class="hl-string">'ActivityName']],
    event_negotiation[[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime', class="hl-string">'ActivityName']],
    event_reopened,
    event_so_created,
    event_fulfilled,
    event_invoice_sent,
    event_payment_received
]

event_log = pd.concat(event_log_frames)

class=class="hl-string">"hl-comment"># Merge with deal attributes
final_event_log = pd.merge(event_log, deals_df[[class="hl-string">'SalesOpportunityId', class="hl-string">'DealValue', class="hl-string">'DealOwner', class="hl-string">'Status']], on=class="hl-string">'SalesOpportunityId', how=class="hl-string">'left')

class=class="hl-string">"hl-comment"># Clean up and select final columns
final_event_log.rename(columns={class="hl-string">'Status':class="hl-string">'DealStatus'}, inplace=True)
final_event_log.dropna(subset=[class="hl-string">'EventTime', class="hl-string">'SalesOpportunityId'], inplace=True)

class=class="hl-string">"hl-comment"># Placeholder for DiscountPercentage - Assuming it's a custom field in your deals export
if class="hl-string">'Discount percentage' in deals_df.columns:
    final_event_log = pd.merge(final_event_log, deals_df[[class="hl-string">'SalesOpportunityId', class="hl-string">'Discount percentage']], on=class="hl-string">'SalesOpportunityId', how=class="hl-string">'left')
    final_event_log.rename(columns={class="hl-string">'Discount percentage':class="hl-string">'DiscountPercentage'}, inplace=True)
else:
    final_event_log[class="hl-string">'DiscountPercentage'] = None

class=class="hl-string">"hl-comment"># Reorder columns to match requirements
output_columns = [class="hl-string">'SalesOpportunityId', class="hl-string">'ActivityName', class="hl-string">'EventTime', class="hl-string">'DealValue', class="hl-string">'DealOwner', class="hl-string">'DealStatus', class="hl-string">'DiscountPercentage']
final_event_log = final_event_log[output_columns]

class=class="hl-string">"hl-comment"># --- 6. Save Final Event Log ---
final_event_log.to_csv(class="hl-string">'pipedrive_event_log.csv', index=False, date_format=class="hl-string">'%Y-%m-%d %H:%M:%S')

print(class="hl-string">'Event log created successfully.')

Kroki

Przygotuj środowisko Python: Upewnij się, że w systemie jest zainstalowany Python 3.6 lub nowszy. Otwórz terminal lub wiersz polecenia i zainstaluj wymagane biblioteki Python, uruchamiając polecenie: pip install requests pandas.
Uzyskaj dane dostępowe do API Pipedrive: Zaloguj się na konto Pipedrive. Otwórz „Ustawienia”, klikając zdjęcie profilowe, wybierz „Preferencje osobiste”, a następnie przejdź do karty „API”. Skopiuj osobisty token API. Potrzebna będzie również domena firmy, czyli prefiks adresu URL Pipedrive, na przykład your-company w your-company.pipedrive.com.
Skonfiguruj skrypt pobierający dane: Otwórz udostępniony skrypt Python w edytorze tekstu lub środowisku IDE. Znajdź sekcję konfiguracji na początku pliku i zastąp wartości zastępcze API_TOKEN oraz COMPANY_DOMAIN własnymi danymi.
Określ okres pobierania danych: W sekcji konfiguracji skryptu ustaw zmienną START_DATE na najwcześniejszą datę utworzenia transakcji, które mają zostać uwzględnione w analizie. Użyj formatu „YYYY-MM-DD”.
Przypisz identyfikatory lejka i etapów: Skrypt określa część aktywności na podstawie przejść transakcji między etapami. Należy podać identyfikatory lejka sprzedażowego i najważniejszych etapów. Można je znaleźć, otwierając dany etap w interfejsie Pipedrive i sprawdzając adres URL albo korzystając z API. Zaktualizuj w skrypcie zmienne PIPELINE_ID, QUALIFIED_STAGE_ID, PROPOSAL_STAGE_ID i NEGOTIATION_STAGE_ID.
Uruchom skrypt: Uruchom skrypt w terminalu poleceniem: python your_script_name.py. Skrypt zacznie pobierać z API Pipedrive dane o transakcjach, aktywnościach i historii zmian.
Monitoruj przebieg: Skrypt będzie wyświetlać w konsoli informacje o postępie i pobieranych danych. W zależności od ich ilości i limitów API proces może potrwać kilka minut.
Dodaj pobieranie danych z systemów zewnętrznych: Skrypt zawiera funkcje zastępcze dla aktywności takich jak „Utworzono zamówienie sprzedaży” i „Otrzymano płatność”. Należy zmodyfikować te funkcje, aby połączyć się z systemami zewnętrznymi, na przykład ERP lub platformą księgową, i pobrać odpowiednie dane o zdarzeniach. Powiąż SalesOpportunityId z Pipedrive z rekordami w tych systemach.
Sprawdź wynik: Po zakończeniu działania skrypt utworzy plik CSV o nazwie pipedrive_event_log.csv. Będzie on zawierał uporządkowany dziennik zdarzeń ze wszystkimi pobranymi aktywnościami.
Przygotuj plik do przesłania: Otwórz plik CSV i sprawdź, czy został poprawnie utworzony. Powinien zawierać kolumny SalesOpportunityId, ActivityName, EventTime oraz inne zalecane atrybuty. Plik będzie gotowy do przesłania do ProcessMind w celu analizy.

Konfiguracja

Dane dostępowe do API: Skrypt wymaga prawidłowego API_TOKEN i wartości COMPANY_DOMAIN do uwierzytelnienia w API Pipedrive. Upewnij się, że użytkownik powiązany z tokenem ma wystarczające uprawnienia do odczytu danych o transakcjach, aktywnościach i użytkownikach.
Zakres dat: Zmienna START_DATE filtruje transakcje utworzone w podanym dniu lub później. Do wstępnej analizy zaleca się okres od 3 do 6 miesięcy, aby ilość danych była możliwa do obsłużenia.
Identyfikatory lejka i etapów: Aby prawidłowo określić etapy procesu, takie jak „Zakwalifikowano transakcję” lub „Wysłano ofertę”, należy skonfigurować skrypt z prawidłowymi identyfikatorami liczbowymi głównego lejka sprzedażowego PIPELINE_ID oraz wartościami STAGE_ID dla poszczególnych kamieni milowych. Nieprawidłowe identyfikatory spowodują brak aktywności w wynikach.
Wydajność i limity zapytań: Skrypt wprowadza krótką przerwę między wywołaniami API, aby przestrzegać limitów Pipedrive. W organizacjach z dużą liczbą transakcji może być konieczna zmiana długości przerwy lub wdrożenie bardziej zaawansowanej strategii ponawiania prób, aby uniknąć błędów API.
Mapowanie pól niestandardowych: Jeśli ważne atrybuty, takie jak DiscountPercentage, są przechowywane w polach niestandardowych, należy znaleźć klucz API tego pola, czyli długi ciąg znaków, a nie jego nazwę wyświetlaną, i uwzględnić go w logice przekształcania danych.
Integracja z systemami zewnętrznymi: Pobieranie zdarzeń spoza Pipedrive, takich jak fakturowanie lub realizacja zamówień, obsługują funkcje zastępcze. Należy dostosować te sekcje do konkretnych zewnętrznych źródeł danych.

Przykładowe zapytanie python

import requests
import pandas as pd
import time
import datetime

class=class="hl-string">"hl-comment"># --- CONFIGURATION ---
class=class="hl-string">"hl-comment"># Replace with your Pipedrive API token and company domain
API_TOKEN = class="hl-string">'YOUR_API_TOKEN'
COMPANY_DOMAIN = class="hl-string">'YOUR_COMPANY_DOMAIN' class=class="hl-string">"hl-comment"># e.g., class="hl-string">'your-company-name'

class=class="hl-string">"hl-comment"># Set the start date for deal extraction (YYYY-MM-DD)
START_DATE = class="hl-string">'2023-01-01'

class=class="hl-string">"hl-comment"># Configure your specific Pipeline and Stage IDs
class=class="hl-string">"hl-comment"># Find these in your Pipedrive URL or via the API /stages endpoint
PIPELINE_ID = 1 class=class="hl-string">"hl-comment"># Replace with your main sales pipeline ID
QUALIFIED_STAGE_ID = 2 class=class="hl-string">"hl-comment"># Replace with your class="hl-string">'Qualified' stage ID
PROPOSAL_STAGE_ID = 3 class=class="hl-string">"hl-comment"># Replace with your class="hl-string">'Proposal Sent' stage ID
NEGOTIATION_STAGE_ID = 4 class=class="hl-string">"hl-comment"># Replace with your class="hl-string">'Negotiation' stage ID

class=class="hl-string">"hl-comment"># --- SCRIPT --- 

BASE_URL = fclass="hl-string">'https://{COMPANY_DOMAIN}.pipedrive.com/api/v1'

def get_paginated_data(endpoint, params={}):
    class="hl-string">"""Fetches all pages of data from a Pipedrive API endpoint."""
    all_data = []
    start = 0
    limit = 500
    while True:
        request_params = {
            class="hl-string">'start': start,
            class="hl-string">'limit': limit,
            class="hl-string">'api_token': API_TOKEN
        }
        request_params.update(params)
        
        try:
            response = requests.get(fclass="hl-string">"{BASE_URL}/{endpoint}", params=request_params)
            response.raise_for_status()
            data = response.json()

            if not data.get(class="hl-string">'data'):
                break

            all_data.extend(data[class="hl-string">'data'])

            if not data.get(class="hl-string">'additional_data', {}).get(class="hl-string">'pagination', {}).get(class="hl-string">'more_items_in_collection'):
                break
            
            start += limit
            time.sleep(0.2) class=class="hl-string">"hl-comment"># Respect API rate limits
        except requests.exceptions.RequestException as e:
            print(fclass="hl-string">"Error fetching {endpoint}: {e}")
            break
            
    return all_data

def get_deal_flow(deal_id):
    class="hl-string">"""Fetches the change history (flow) for a single deal."""
    params = {class="hl-string">'api_token': API_TOKEN}
    try:
        response = requests.get(fclass="hl-string">"{BASE_URL}/deals/{deal_id}/flow", params=params)
        response.raise_for_status()
        data = response.json()
        return data.get(class="hl-string">'data', [])
    except requests.exceptions.RequestException as e:
        print(fclass="hl-string">"Error fetching flow for deal {deal_id}: {e}")
        return []

class=class="hl-string">"hl-comment"># Placeholder functions for external data
def get_sales_order_data(deal_ids):
    print(class="hl-string">"Placeholder: Fetching sales order data from external ERP/CRM...")
    class=class="hl-string">"hl-comment"># Example: Connect to your ERP, query for orders linked to deal_ids
    class=class="hl-string">"hl-comment"># Return a list of dicts: [{class="hl-string">'SalesOpportunityId': id, class="hl-string">'ActivityName': class="hl-string">'Sales Order Created', class="hl-string">'EventTime': timestamp}, ...]
    return []

def get_fulfillment_data(deal_ids):
    print(class="hl-string">"Placeholder: Fetching order fulfillment data...")
    return []

def get_invoice_data(deal_ids):
    print(class="hl-string">"Placeholder: Fetching invoice data from accounting system...")
    return []

def get_payment_data(deal_ids):
    print(class="hl-string">"Placeholder: Fetching payment data from financial system...")
    return []


class=class="hl-string">"hl-comment"># --- MAIN EXTRACTION LOGIC ---
if __name__ == class="hl-string">'__main__':
    print(class="hl-string">"Starting Pipedrive data extraction...")
    events = []

    class=class="hl-string">"hl-comment"># 1. Fetch all deals created after the START_DATE and in the specified pipeline
    print(class="hl-string">"Fetching deals...")
    deals = get_paginated_data(class="hl-string">'deals', {class="hl-string">'start_date': START_DATE, class="hl-string">'pipeline_id': PIPELINE_ID})
    if not deals:
        print(class="hl-string">"No deals found for the specified criteria. Exiting.")
        exit()

    deal_ids = [d[class="hl-string">'id'] for d in deals]
    print(fclass="hl-string">"Found {len(deals)} deals.")

    class=class="hl-string">"hl-comment"># 2. Fetch all activities related to the deals
    print(class="hl-string">"Fetching activities...")
    all_activities = get_paginated_data(class="hl-string">'activities', {class="hl-string">'user_id': 0}) class=class="hl-string">"hl-comment"># Get for all users
    deal_activities = [act for act in all_activities if act.get(class="hl-string">'deal_id') in deal_ids and act[class="hl-string">'done']]

    activities_by_deal = {}
    for act in deal_activities:
        if act[class="hl-string">'deal_id'] not in activities_by_deal:
            activities_by_deal[act[class="hl-string">'deal_id']] = []
        activities_by_deal[act[class="hl-string">'deal_id']].append(act)

    class=class="hl-string">"hl-comment"># 3. Process each deal to create events
    print(class="hl-string">"Processing deals and activities to generate event log...")
    for deal in deals:
        deal_id = deal[class="hl-string">'id']
        deal_owner_name = deal.get(class="hl-string">'owner_name', class="hl-string">'')
        base_attributes = {
            class="hl-string">'SalesOpportunityId': deal_id,
            class="hl-string">'DealValue': deal.get(class="hl-string">'value', 0),
            class="hl-string">'DealOwner': deal_owner_name,
            class="hl-string">'DealStatus': deal.get(class="hl-string">'status', class="hl-string">'open'),
            class="hl-string">'DiscountPercentage': deal.get(class="hl-string">'discount_percentage', 0)
        }

        class=class="hl-string">"hl-comment"># Activity: Deal Created
        events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Deal Created', class="hl-string">'EventTime': deal[class="hl-string">'add_time']})

        class=class="hl-string">"hl-comment"># Activity: Deal Won / Lost
        if deal[class="hl-string">'status'] == class="hl-string">'won' and deal[class="hl-string">'won_time']:
            events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Deal Won', class="hl-string">'EventTime': deal[class="hl-string">'won_time']})
        elif deal[class="hl-string">'status'] == class="hl-string">'lost' and deal[class="hl-string">'lost_time']:
            events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Deal Lost', class="hl-string">'EventTime': deal[class="hl-string">'lost_time']})

        class=class="hl-string">"hl-comment"># Activity: Initial Contact Made & Proposal Follow-Up
        proposal_sent_time = None
        if deal_id in activities_by_deal:
            sorted_activities = sorted(activities_by_deal[deal_id], key=lambda x: x[class="hl-string">'marked_as_done_time'])
            if sorted_activities:
                first_activity = sorted_activities[0]
                events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Initial Contact Made', class="hl-string">'EventTime': first_activity[class="hl-string">'marked_as_done_time']})
            
            class=class="hl-string">"hl-comment"># Find proposal follow-ups (requires proposal time)
            class=class="hl-string">"hl-comment"># This part is revisited after stage changes are processed

        class=class="hl-string">"hl-comment"># Activities from Stage Changes: Qualified, Proposal Sent, Negotiation, Reopened
        time.sleep(0.2) class=class="hl-string">"hl-comment"># Rate limit for flow endpoint
        flow = get_deal_flow(deal_id)
        if not flow:
            continue

        lost_then_reopened = False
        was_lost = False

        for change in sorted(flow, key=lambda x: x[class="hl-string">'add_time']):
            class=class="hl-string">"hl-comment"># Deal Reopened
            if change.get(class="hl-string">'field_key') == class="hl-string">'status' and change.get(class="hl-string">'old_value') == class="hl-string">'lost' and change.get(class="hl-string">'new_value') == class="hl-string">'open':
                events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Deal Reopened', class="hl-string">'EventTime': change[class="hl-string">'add_time']})
            
            if change.get(class="hl-string">'field_key') != class="hl-string">'stage_id':
                continue

            stage_change_time = change[class="hl-string">'add_time']

            class=class="hl-string">"hl-comment"># Deal Qualified
            if change[class="hl-string">'new_value'] == QUALIFIED_STAGE_ID:
                events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Deal Qualified', class="hl-string">'EventTime': stage_change_time})

            class=class="hl-string">"hl-comment"># Proposal Sent
            if change[class="hl-string">'new_value'] == PROPOSAL_STAGE_ID:
                events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Proposal Sent', class="hl-string">'EventTime': stage_change_time})
                proposal_sent_time = stage_change_time

            class=class="hl-string">"hl-comment"># Negotiation Started
            if change[class="hl-string">'new_value'] == NEGOTIATION_STAGE_ID:
                events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Negotiation Started', class="hl-string">'EventTime': stage_change_time})

        class=class="hl-string">"hl-comment"># Re-check for Proposal Follow-Up now that we have proposal_sent_time
        if proposal_sent_time and deal_id in activities_by_deal:
            for act in activities_by_deal[deal_id]:
                if act[class="hl-string">'marked_as_done_time'] > proposal_sent_time:
                    events.append({**base_attributes, class="hl-string">'ActivityName': class="hl-string">'Proposal Follow-Up', class="hl-string">'EventTime': act[class="hl-string">'marked_as_done_time']})
                    break class=class="hl-string">"hl-comment"># Only capture the first follow-up

    class=class="hl-string">"hl-comment"># 4. Add events from external systems (placeholders)
    print(class="hl-string">"Adding data from external system placeholders...")
    events.extend(get_sales_order_data(deal_ids))
    events.extend(get_fulfillment_data(deal_ids))
    events.extend(get_invoice_data(deal_ids))
    events.extend(get_payment_data(deal_ids))

    class=class="hl-string">"hl-comment"># 5. Create and export the final event log
    if not events:
        print(class="hl-string">"No events were generated. The output file will be empty.")
    else:
        print(class="hl-string">"Creating CSV file...")
        df = pd.DataFrame(events)
        class=class="hl-string">"hl-comment"># Ensure required columns are present
        df = df[[class="hl-string">'SalesOpportunityId', class="hl-string">'ActivityName', class="hl-string">'EventTime', class="hl-string">'DealValue', class="hl-string">'DealOwner', class="hl-string">'DealStatus', class="hl-string">'DiscountPercentage']]
        df.sort_values(by=[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime'], inplace=True)
        
        output_filename = class="hl-string">'pipedrive_event_log.csv'
        df.to_csv(output_filename, index=False)
        print(fclass="hl-string">"Extraction complete. Event log saved to {output_filename}")

Kroki

Wybierz i kup licencję na komercyjną usługę ETL lub automatyzacji z obsługiwanym konektorem Pipedrive, taką jak Fivetran lub Make. Sprawdź, czy wybrane narzędzie pobiera transakcje, aktywności, historię etapów i zmian statusu transakcji, osoby, organizacje oraz pola niestandardowe, a także zapisuje dane w docelowej hurtowni lub jeziorze danych.
Skonfiguruj połączenie z Pipedrive z uprawnieniami do odczytu, korzystając z metody uwierzytelniania obsługiwanej przez konektor. Wybierz konto źródłowe, obszar roboczy lub organizację zgodnie z konfiguracją narzędzia. Nie zakładaj, że ścieżka w menu ani punkt końcowy API będą zawsze takie same, ponieważ zależą od produktu i wersji konektora.
Skonfiguruj połączenie z miejscem docelowym i utwórz obszar do przechowywania synchronizowanych obiektów źródłowych. Użyj nazw tabel lub kolekcji utworzonych przez konektor albo zastąp nazwy w skrypcie nazwami używanymi w danym środowisku. Zachowaj identyfikatory źródłowe, znaczniki czasu, wartości statusu i etapów, identyfikatory właścicieli, wartości pieniężne oraz pola niestandardowe.
Skonfiguruj synchronizację przyrostową dla wymaganego zakresu dat, zwykle poprzednich 3–6 miesięcy, z okresem nakładania się, jeśli konektor to obsługuje. Uwzględnij dane historyczne potrzebne do wykrycia ponownie otwartych transakcji oraz historię etapów i statusów, a nie tylko bieżący stan transakcji.
Zsynchronizuj obiekty Pipedrive oraz wymagane obiekty zintegrowanych systemów używanych w dalszych etapach procesu, potrzebne do rejestracji zdarzeń „Utworzono zamówienie sprzedaży”, „Zrealizowano zamówienie”, „Wysłano fakturę” i „Otrzymano płatność”. Te cztery aktywności nie są natywnymi zdarzeniami Pipedrive, dlatego wymagają danych z systemu ERP, realizacji zamówień, księgowego, rozliczeniowego lub finansowego. Jeśli konektor nie udostępnia tych obiektów, załaduj je do miejsca docelowego za pomocą dodatkowego obsługiwanego konektora.
Utwórz znormalizowane widoki lub tabele, które przypisują dane wyjściowe konektora do logicznych obiektów źródłowych używanych w skrypcie pobierającym dane. Zastąp każdą przykładową nazwę tabeli w skrypcie odpowiednią tabelą lub widokiem w miejscu docelowym. Wskazanej sekcji konfiguracji przypisz nazwy etapów, wartości statusów, typy aktywności i klucze relacji z systemami zewnętrznymi właściwe dla danego źródła.
Uruchom skrypt pobierający dane. Tworzy on wiersze dla zdarzeń: „Utworzono transakcję”, „Nawiązano pierwszy kontakt”, „Zakwalifikowano transakcję”, „Wysłano ofertę”, „Wysłano przypomnienie o ofercie”, „Rozpoczęto negocjacje”, „Wygrano transakcję”, „Utworzono zamówienie sprzedaży”, „Zrealizowano zamówienie”, „Wysłano fakturę”, „Otrzymano płatność”, „Przegrano transakcję” i „Ponownie otwarto transakcję”. Zdarzenia określane na podstawie historii etapów lub statusów są uwzględniane tylko wtedy, gdy historia źródłowa zawiera wymaganą zmianę. ProcessMind nie uzupełnia brakujących zdarzeń po przesłaniu danych.
Sprawdź, czy pola SalesOpportunityId, ActivityName i EventTime są wypełnione, znaczniki czasu mają spójną strefę czasową, a zduplikowane rekordy źródłowe zostały usunięte lub odpowiednio obsłużone na podstawie identyfikatora zdarzenia i znacznika czasu. Sprawdź zalecane atrybuty i pozostaw wartości NULL, jeśli źródło ich nie zawiera.
Wyeksportuj wynik jako płaski plik CSV lub inny format dziennika zdarzeń obsługiwany przez ProcessMind. Użyj SalesOpportunityId jako identyfikatora sprawy, ActivityName jako kolumny aktywności, a EventTime jako znacznika czasu zdarzenia. Dodaj atrybuty DealValue, DealOwner, DealStatus i DiscountPercentage. Prześlij plik lub połącz zbiór danych z miejsca docelowego w ProcessMind, a następnie sprawdź, czy nazwy aktywności dokładnie odpowiadają wymaganym etykietom.

Konfiguracja

Konektor źródłowy: Skonfiguruj obsługiwany konektor Pipedrive w wybranej usłudze ETL lub automatyzacji. Możliwości konektora, tryby synchronizacji, tworzone nazwy tabel i metody uwierzytelniania zależą od produktu i jego wersji.
Wymagane dane źródłowe: Uwzględnij transakcje, aktywności, historię etapów i statusów transakcji, właścicieli lub użytkowników oraz pola służące do identyfikacji przekonwertowanych leadów. Dodaj dane o zamówieniach sprzedaży, realizacji zamówień, fakturach i płatnościach z połączonych systemów.
Obiekty docelowe: Zastąp nazwy [Your deals table], [Your activities table], [Your deal stage history table], [Your deal status history table], [Your sales orders table], [Your fulfillment table], [Your invoices table] i [Your payments table] nazwami tabel utworzonych przez konektor lub przygotowanych widoków.
Zakres dat: Zacznij od danych z 3–6 miesięcy. Wydłuż ten okres, jeśli cykl procesu jest dłuższy, trzeba analizować ponownie otwarte transakcje lub uwzględnić historyczne zmiany etapów i statusów.
Parametry dat: Ustaw [Start date] i [End date] w formacie obsługiwanym przez miejsce docelowe. Przy ładowaniu przyrostowym uwzględnij okres nakładania się, aby pobrać późniejsze aktualizacje, skorygowane znaczniki czasu i opóźnione transakcje w systemach dalszych etapów.
Konfiguracja etapów: Ustaw dokładne nazwy etapów lub znormalizowane kategorie używane na koncie Pipedrive dla kwalifikacji, oferty i negocjacji. Nie używaj przykładowych nazw etapów, jeśli nie odpowiadają wartościom w źródle.
Konfiguracja aktywności: Ustaw dokładne typy zakończonych aktywności oznaczających pierwszy kontakt i przypomnienie o ofercie, na przykład połączenie, e-mail lub spotkanie, zgodnie ze znormalizowanymi wartościami konektora.
Powiązanie z systemami zewnętrznymi: Ustaw klucz relacji łączący zamówienie sprzedaży z dalszego etapu procesu z transakcją w Pipedrive. Jeśli system zewnętrzny używa innego klucza, przed uruchomieniem pobierania danych utwórz widok mapujący.
Filtry: Filtruj według firmy, organizacji, lejka, zespołu, waluty lub jednostki biznesowej tylko wtedy, gdy jest to konieczne. Zapisz zastosowane filtry, ponieważ wpływają na kompletność spraw i zdarzeń.
Wydajność: W przypadku dużych zbiorów danych korzystaj z synchronizacji przyrostowej, filtrów dat po stronie źródła, partycjonowanych tabel docelowych oraz indeksowanych lub klastrowanych kolumn identyfikatora sprawy i znacznika czasu. Unikaj wielokrotnego skanowania pełnych tabel historycznych.
Usuwanie duplikatów: Zachowaj stabilny identyfikator zdarzenia źródłowego, jeśli jest dostępny. W przeciwnym razie usuwaj duplikaty na podstawie identyfikatora sprawy, nazwy aktywności, znacznika czasu zdarzenia i identyfikatora rekordu źródłowego, nie usuwając prawidłowo powtarzających się aktywności, takich jak kolejne przypomnienia.
Wymagania wstępne: Potrzebne są licencja na konektor, autoryzacja Pipedrive, uprawnienia do zapisu w miejscu docelowym, dostęp do historii transakcji i aktywności oraz dostęp do danych z systemów ERP, realizacji zamówień, księgowych, rozliczeniowych lub finansowych. Dostęp do pól niestandardowych i historycznych danych o zmianach może wymagać dodatkowych uprawnień lub funkcji konektora.

Przykładowe zapytanie python

import os
from datetime import datetime, timezone
import pandas as pd
from sqlalchemy import create_engine, text

CONNECTION_STRING = os.getenv(class="hl-string">"DESTINATION_CONNECTION_STRING", class="hl-string">"[Connection string]")
START_DATE = os.getenv(class="hl-string">"START_DATE", class="hl-string">"[Start date]")
END_DATE = os.getenv(class="hl-string">"END_DATE", class="hl-string">"[End date]")

DEALS_TABLE = class="hl-string">"[Your deals table]"
ACTIVITIES_TABLE = class="hl-string">"[Your activities table]"
DEAL_STAGE_HISTORY_TABLE = class="hl-string">"[Your deal stage history table]"
DEAL_STATUS_HISTORY_TABLE = class="hl-string">"[Your deal status history table]"
SALES_ORDERS_TABLE = class="hl-string">"[Your sales orders table]"
FULFILLMENT_TABLE = class="hl-string">"[Your fulfillment table]"
INVOICES_TABLE = class="hl-string">"[Your invoices table]"
PAYMENTS_TABLE = class="hl-string">"[Your payments table]"

engine = create_engine(CONNECTION_STRING)

sql = fclass="hl-string">"""
WITH
base_deals AS (
    SELECT
        CAST(d.id AS VARCHAR(255)) AS SalesOpportunityId,
        d.id AS deal_source_id,
        d.add_time AS deal_created_time,
        d.value AS DealValue,
        d.owner_name AS DealOwner,
        d.status AS DealStatus,
        d.discount_percentage AS DiscountPercentage
    FROM {DEALS_TABLE} d
    WHERE d.add_time >= :start_date
      AND d.add_time < :end_date
),
completed_activities AS (
    SELECT
        CAST(a.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        a.id AS activity_source_id,
        a.done AS activity_done,
        a.activity_type,
        a.subject,
        a.done_time AS activity_time,
        a.add_time AS activity_created_time
    FROM {ACTIVITIES_TABLE} a
    WHERE a.deal_id IS NOT NULL
      AND COALESCE(a.done_time, a.add_time) >= :start_date
      AND COALESCE(a.done_time, a.add_time) < :end_date
      AND a.done = TRUE
),
stage_history AS (
    SELECT
        CAST(h.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        h.stage_name,
        h.changed_at,
        LAG(h.stage_name) OVER (PARTITION BY h.deal_id ORDER BY h.changed_at, h.id) AS previous_stage
    FROM {DEAL_STAGE_HISTORY_TABLE} h
    WHERE h.changed_at >= :start_date
      AND h.changed_at < :end_date
),
status_history AS (
    SELECT
        CAST(h.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        LOWER(h.status) AS status,
        LOWER(LAG(h.status) OVER (PARTITION BY h.deal_id ORDER BY h.changed_at, h.id)) AS previous_status,
        h.changed_at
    FROM {DEAL_STATUS_HISTORY_TABLE} h
    WHERE h.changed_at >= :start_date
      AND h.changed_at < :end_date
),
external_sales_orders AS (
    SELECT
        CAST(o.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        o.created_at AS event_time,
        o.order_value AS DealValue,
        o.owner_name AS DealOwner,
        o.status AS DealStatus,
        o.discount_percentage AS DiscountPercentage
    FROM {SALES_ORDERS_TABLE} o
    WHERE o.deal_id IS NOT NULL
      AND o.created_at >= :start_date
      AND o.created_at < :end_date
),
external_fulfillment AS (
    SELECT
        CAST(f.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        f.fulfilled_at AS event_time,
        f.order_value AS DealValue,
        f.owner_name AS DealOwner,
        f.status AS DealStatus,
        f.discount_percentage AS DiscountPercentage
    FROM {FULFILLMENT_TABLE} f
    WHERE f.deal_id IS NOT NULL
      AND f.fulfilled_at >= :start_date
      AND f.fulfilled_at < :end_date
),
external_invoices AS (
    SELECT
        CAST(i.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        i.sent_at AS event_time,
        i.invoice_value AS DealValue,
        i.owner_name AS DealOwner,
        i.status AS DealStatus,
        i.discount_percentage AS DiscountPercentage
    FROM {INVOICES_TABLE} i
    WHERE i.deal_id IS NOT NULL
      AND i.sent_at >= :start_date
      AND i.sent_at < :end_date
),
external_payments AS (
    SELECT
        CAST(p.deal_id AS VARCHAR(255)) AS SalesOpportunityId,
        p.received_at AS event_time,
        p.payment_value AS DealValue,
        p.owner_name AS DealOwner,
        p.status AS DealStatus,
        p.discount_percentage AS DiscountPercentage
    FROM {PAYMENTS_TABLE} p
    WHERE p.deal_id IS NOT NULL
      AND p.received_at >= :start_date
      AND p.received_at < :end_date
),
events AS (
    SELECT b.SalesOpportunityId, 'Deal Created' AS ActivityName, b.deal_created_time AS EventTime, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM base_deals b
    WHERE b.deal_created_time IS NOT NULL
    UNION ALL
    SELECT a.SalesOpportunityId, 'Initial Contact Made', COALESCE(a.activity_time, a.activity_created_time), b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM completed_activities a
    JOIN base_deals b ON b.SalesOpportunityId = a.SalesOpportunityId
    WHERE LOWER(COALESCE(a.activity_type, '')) IN ('call', 'email', 'meeting')
       OR LOWER(COALESCE(a.subject, '')) LIKE '%initial contact%'
    UNION ALL
    SELECT h.SalesOpportunityId, 'Deal Qualified', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM stage_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE LOWER(COALESCE(h.stage_name, '')) IN ('contact made', 'needs defined', 'qualified')
      AND LOWER(COALESCE(h.previous_stage, '')) IN ('lead in', 'lead', 'new')
    UNION ALL
    SELECT h.SalesOpportunityId, 'Proposal Sent', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM stage_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE LOWER(COALESCE(h.stage_name, '')) IN ('proposal made', 'quote sent', 'proposal sent')
    UNION ALL
    SELECT a.SalesOpportunityId, 'Proposal Follow-Up', COALESCE(a.activity_time, a.activity_created_time), b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM completed_activities a
    JOIN base_deals b ON b.SalesOpportunityId = a.SalesOpportunityId
    WHERE LOWER(COALESCE(a.activity_type, '')) IN ('call', 'email', 'meeting')
      AND COALESCE(a.activity_time, a.activity_created_time) > COALESCE((SELECT MIN(h.changed_at) FROM stage_history h WHERE h.SalesOpportunityId = a.SalesOpportunityId AND LOWER(COALESCE(h.stage_name, '')) IN ('proposal made', 'quote sent', 'proposal sent')), TIMESTAMP '1900-01-01')
    UNION ALL
    SELECT h.SalesOpportunityId, 'Negotiation Started', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM stage_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE LOWER(COALESCE(h.stage_name, '')) IN ('negotiation', 'negotiating')
      AND EXISTS (SELECT 1 FROM stage_history p WHERE p.SalesOpportunityId = h.SalesOpportunityId AND LOWER(COALESCE(p.stage_name, '')) IN ('proposal made', 'quote sent', 'proposal sent') AND p.changed_at <= h.changed_at)
    UNION ALL
    SELECT h.SalesOpportunityId, 'Deal Won', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM status_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE h.status = 'won' AND COALESCE(h.previous_status, '') <> 'won'
    UNION ALL
    SELECT o.SalesOpportunityId, 'Sales Order Created', o.event_time, COALESCE(o.DealValue, b.DealValue), COALESCE(o.DealOwner, b.DealOwner), COALESCE(o.DealStatus, b.DealStatus), COALESCE(o.DiscountPercentage, b.DiscountPercentage)
    FROM external_sales_orders o
    LEFT JOIN base_deals b ON b.SalesOpportunityId = o.SalesOpportunityId
    UNION ALL
    SELECT f.SalesOpportunityId, 'Order Fulfilled', f.event_time, COALESCE(f.DealValue, b.DealValue), COALESCE(f.DealOwner, b.DealOwner), COALESCE(f.DealStatus, b.DealStatus), COALESCE(f.DiscountPercentage, b.DiscountPercentage)
    FROM external_fulfillment f
    LEFT JOIN base_deals b ON b.SalesOpportunityId = f.SalesOpportunityId
    UNION ALL
    SELECT i.SalesOpportunityId, 'Invoice Sent', i.event_time, COALESCE(i.DealValue, b.DealValue), COALESCE(i.DealOwner, b.DealOwner), COALESCE(i.DealStatus, b.DealStatus), COALESCE(i.DiscountPercentage, b.DiscountPercentage)
    FROM external_invoices i
    LEFT JOIN base_deals b ON b.SalesOpportunityId = i.SalesOpportunityId
    UNION ALL
    SELECT p.SalesOpportunityId, 'Payment Received', p.event_time, COALESCE(p.DealValue, b.DealValue), COALESCE(p.DealOwner, b.DealOwner), COALESCE(p.DealStatus, b.DealStatus), COALESCE(p.DiscountPercentage, b.DiscountPercentage)
    FROM external_payments p
    LEFT JOIN base_deals b ON b.SalesOpportunityId = p.SalesOpportunityId
    UNION ALL
    SELECT h.SalesOpportunityId, 'Deal Lost', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM status_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE h.status = 'lost' AND COALESCE(h.previous_status, '') <> 'lost'
    UNION ALL
    SELECT h.SalesOpportunityId, 'Deal Reopened', h.changed_at, b.DealValue, b.DealOwner, b.DealStatus, b.DiscountPercentage
    FROM status_history h
    JOIN base_deals b ON b.SalesOpportunityId = h.SalesOpportunityId
    WHERE h.status = 'open' AND h.previous_status = 'lost'
)
SELECT SalesOpportunityId, ActivityName, EventTime, DealValue, DealOwner, DealStatus, DiscountPercentage
FROM events
WHERE SalesOpportunityId IS NOT NULL
  AND EventTime IS NOT NULL
ORDER BY SalesOpportunityId, EventTime, ActivityName
"""

with engine.connect() as connection:
    event_log = pd.read_sql(text(sql), connection, params={class="hl-string">"start_date": START_DATE, class="hl-string">"end_date": END_DATE})

event_log[class="hl-string">"EventTime"] = pd.to_datetime(event_log[class="hl-string">"EventTime"], utc=True, errors=class="hl-string">"coerce")
event_log = event_log.dropna(subset=[class="hl-string">"SalesOpportunityId", class="hl-string">"ActivityName", class="hl-string">"EventTime"])
event_log = event_log.sort_values([class="hl-string">"SalesOpportunityId", class="hl-string">"EventTime", class="hl-string">"ActivityName"])
event_log.to_csv(class="hl-string">"processmind_lead_to_cash_event_log.csv", index=False)
print(event_log.to_string(index=False))
print(fclass="hl-string">"Exported {len(event_log)} event rows to processmind_lead_to_cash_event_log.csv")

Gotowi do rozpoczęcia?

Skorzystajcie z tego szablonu, aby sprawnie przygotować dane dotyczące procesu od leada do płatności i rozpocząć analizę procesu. Zacznijcie usprawniać operacje w Pipedrive.

Wróć do przewodnika ulepszania procesów

Pobierz szablon

Zwiększ skuteczność sprzedaży: usprawnij proces od leada do płatności w Pipedrive

Zwiększ skuteczność sprzedaży o 20% i skróć cykl sprzedaży. Zacznij już teraz.

Rozpocznij bezpłatny okres próbny

Karta kredytowa nie jest wymagana. Bezpłatny 14-dniowy okres próbny.

Szablon danych dla procesu od leada do płatności

Szablon danych dla procesu od leada do płatności

Atrybuty procesu od leada do płatności

Aktywności w procesie od leada do płatności

Instrukcje pobierania danych

Eksport danych z Pipedrive do CSV/Excel

Kroki

Konfiguracja

Przykładowe zapytanie python

Pobieranie danych za pomocą skryptu Python i REST API Pipedrive

Kroki

Konfiguracja

Przykładowe zapytanie python

Zewnętrzne narzędzie ETL z konektorem Pipedrive

Kroki

Konfiguracja

Przykładowe zapytanie python

Gotowi do rozpoczęcia?

Zwiększ skuteczność sprzedaży: usprawnij proces od leada do płatności w Pipedrive