> Melhoria contínua de processos > Gestão da qualidade > Qualidade no Veeva Vault > Template de dados

Seu Template de dados de gestão da qualidade

Qualidade no Veeva Vault

Atributos de gestão da qualidade(21) Atividades de gestão da qualidade(13) Guias de extração(2)

Seu Template de dados de gestão da qualidade

Este Template apresenta um roteiro claro para coletar os dados essenciais à análise dos processos de gestão da qualidade. Ele destaca os principais atributos e atividades e traz orientações práticas para extrair essas informações do Veeva Vault Quality, ajudando você a começar sua jornada de Process Mining.

Atributos recomendados para coleta
Principais atividades para acompanhar
Orientações para extração

Novidade em Event Logs? Saiba como criar um Event Log para Process Mining.

Baixar Template

Atributos de gestão da qualidade

Estes são os campos de dados recomendados para incluir no Event Log e analisar o processo de gestão da qualidade de forma abrangente.

5 Obrigatório 7 Recomendado 9 Opcional

	Nome	Descrição
	Evento de qualidade QualityEvent	Identificador exclusivo de um evento de qualidade, como um desvio, uma não conformidade ou uma CAPA.
Descrição O evento de qualidade é o principal identificador do caso e reúne todas as atividades, investigações e resoluções relacionadas a um problema de qualidade específico. Ele conecta todo o ciclo de vida de um incidente, do registro inicial ao encerramento final. No Process Mining, esse atributo é essencial para reconstruir a jornada completa de cada evento de qualidade. Ele permite analisar variações do processo, tempos de ciclo e conformidade entre diferentes tipos de evento, oferecendo uma visão abrangente de como cada incidente de qualidade é gerenciado, investigado e resolvido. Por que isso importa Este é o ID do caso essencial para agrupar todas as atividades relacionadas em uma única instância do processo e permitir a análise de ponta a ponta. Onde encontrar Este é o identificador principal dos registros de eventos de qualidade no Veeva Vault Quality, geralmente chamado de 'Nome' ou representado por um campo de ID exclusivo no objeto de evento de qualidade. Exemplos QE-2023-00123CAPA-2023-00456DEV-2023-00789
	Data e hora do evento EventTime	Data e hora que indicam quando uma atividade específica começou ou ocorreu.
Descrição Este atributo registra a data e a hora exatas em que uma atividade foi realizada. Ele fornece o contexto cronológico de todos os eventos de um caso. Essa data e hora são fundamentais para todas as análises de Process Mining baseadas em tempo. Elas são usadas para calcular tempos de ciclo, tempos de espera entre atividades e a duração de etapas específicas, essenciais para identificar atrasos e gargalos de performance. Por que isso importa Esta data e hora são essenciais para ordenar os eventos cronologicamente e calcular todas as métricas de performance, como tempo de ciclo e tempo de espera. Onde encontrar Corresponde à data e hora de criação ou conclusão das tarefas, ou ao registro de data e hora dos eventos na trilha de auditoria de um objeto de evento de qualidade. Exemplos 2023-10-26T10:00:00Z2023-11-01T14:35:10Z2023-11-15T09:21:05Z
	Nome da atividade ActivityName	Nome de uma tarefa ou etapa específica realizada durante o ciclo de vida do evento de qualidade.
Descrição Este atributo descreve uma atividade ou um evento de negócio específico que ocorre durante a gestão de um evento de qualidade. São as etapas do processo, como 'Investigação iniciada' ou 'Plano de ação corretiva aprovado'. Analisar a sequência e a frequência dessas atividades é a base do Process Mining. Isso ajuda a descobrir o fluxo real do processo, identificar gargalos entre etapas e detectar desvios do procedimento operacional padrão. Por que isso importa Define as etapas do processo e permite visualizar e analisar o fluxo do processo. Onde encontrar Geralmente, é derivado dos nomes das tarefas do fluxo de trabalho, das mudanças de status ou das entradas da trilha de auditoria no Veeva Vault Quality. Exemplos Triagem inicial concluídaAnálise de causa raiz realizadaAnálise final e encerramento
	Sistema de origem SourceSystem	Sistema do qual os dados de Gestão da Qualidade foram extraídos.
Descrição Este atributo identifica a origem dos dados, que neste caso é o Veeva Vault Quality. Ele ajuda na governança de dados e fornece contexto, especialmente quando dados de vários sistemas são combinados. Na análise, é usado para filtrar dados e garantir sua linhagem. Conhecer o sistema de origem ajuda a interpretar os dados corretamente e a investigar problemas de qualidade dos dados. Por que isso importa Fornece contexto essencial sobre a origem dos dados, fundamental para a governança, a rastreabilidade e a análise de vários sistemas. Onde encontrar Este é um valor estático que deve ser adicionado durante a transformação dos dados para identificar todos os registros dessa origem. Exemplos Qualidade no Veeva Vault
	Última atualização dos dados LastDataUpdate	Data e hora da última atualização ou extração dos dados do sistema de origem.
Descrição Este atributo indica o grau de atualização dos dados analisados. Ele mostra a data e a hora em que os dados foram extraídos pela última vez do Veeva Vault Quality e carregados na ferramenta de Process Mining. Essa informação é essencial para que você entenda a atualidade da análise e saiba se os Dashboards refletem o estado mais recente das operações. É um atributo importante para a governança de dados. Por que isso importa Informa se os dados estão atualizados e são relevantes, ajudando você a entender o quanto a análise do processo é recente. Onde encontrar Esta data e hora são geradas e adicionadas durante o processo de extração, transformação e carregamento dos dados (ETL). Exemplos 2024-05-20T08:00:00Z2024-05-21T08:00:00Z
	Data e hora de término EndTime	Data e hora que indicam quando uma atividade foi concluída.
Descrição Este atributo registra a data e a hora em que uma atividade ou tarefa específica foi concluída. É diferente de StartTime (EventTime) e essencial para entender a duração de cada etapa do processo. Em Process Mining, EndTime é usado junto com StartTime para calcular o tempo de processamento das atividades. Esse dado é fundamental para identificar quais tarefas levam mais tempo, contribuindo para o tempo de ciclo total e possíveis atrasos. Por que isso importa Permite calcular o tempo de processamento das atividades, o que é essencial para identificar gargalos no nível das tarefas. Onde encontrar Esse registro de data e hora geralmente está disponível no histórico do fluxo de trabalho ou nos dados da trilha de auditoria de um evento de qualidade, muitas vezes em um campo como 'data de conclusão' ou 'modificado em' associado a uma tarefa ou status específico. Exemplos 2023-10-26T11:30:00Z2023-11-01T18:00:10Z2023-11-15T09:45:00Z
	Data prevista para resolução TargetResolutionDate	Data planejada ou exigida para o encerramento definitivo do evento de qualidade.
Descrição Este atributo define o acordo de nível de serviço (SLA) ou o prazo previsto para resolver um evento de qualidade. Muitas vezes, é calculado com base na data de criação e na gravidade ou no tipo do evento. Essa data serve de referência para medir a performance real. É essencial para o Dashboard 'Performance de resolução no prazo' e para o KPI 'Taxa de resolução no prazo', ajudando a identificar se os eventos estão sendo resolvidos dentro do prazo e quais fatores causam atrasos. Por que isso importa Define o SLA para a resolução de casos, permitindo medir a performance dentro do prazo e analisar atrasos. Onde encontrar Provavelmente é um campo de data no objeto Quality Event, preenchido manualmente ou calculado automaticamente pelo sistema. Exemplos 2024-01-15T23:59:59Z2024-02-28T23:59:59Z2024-03-10T23:59:59Z
	Departamento responsável AssignedDepartment	Departamento ou área funcional responsável pelo evento ou pela atividade de qualidade.
Descrição Este atributo especifica a unidade de negócio ou o departamento, como Garantia da Qualidade, Manufatura ou Pesquisa e Desenvolvimento, responsável por tratar o evento de qualidade ou uma tarefa específica. Em geral, essa informação é obtida do perfil do usuário designado. Essa dimensão é essencial para análises de performance em nível estratégico. Ela permite comparar a eficiência e a conformidade dos processos entre diferentes áreas da organização, ajudando a identificar problemas sistêmicos em departamentos específicos e contribuindo para o Dashboard 'Distribuição da carga de trabalho dos investigadores'. Por que isso importa Permite filtrar e comparar a performance dos processos entre diferentes unidades de negócio, revelando gargalos departamentais e boas práticas. Onde encontrar Essas informações geralmente ficam nos dados do perfil do usuário vinculado a 'Investigador responsável' ou em um campo direto do próprio objeto Quality Event. Exemplos Garantia da qualidadeOperações de manufaturaPesquisa e desenvolvimento
	Investigador responsável AssignedInvestigator	Usuário ou recurso designado para conduzir uma investigação ou executar uma tarefa específica.
Descrição Este atributo identifica a pessoa, a função ou a equipe responsável por executar uma atividade no ciclo de vida do evento de qualidade. Pode ser o responsável pelo próprio evento ou a pessoa designada para uma tarefa específica do fluxo de trabalho. A análise desse atributo ajuda a entender a distribuição da carga de trabalho e a performance dos recursos, além de identificar equipes ou pessoas sobrecarregadas. É essencial para o Dashboard 'Distribuição da carga de trabalho dos investigadores' e para otimizar a alocação de recursos e aumentar a eficiência. Por que isso importa Registra quem executa o trabalho, permitindo analisar a carga de trabalho e a eficiência dos recursos, além de identificar necessidades de treinamento. Onde encontrar Encontrado nos campos de responsável ou usuário designado do objeto Quality Event ou nos objetos de tarefas do fluxo de trabalho relacionados, no Veeva Vault Quality. Exemplos Alice JohnsonBob WilliamsEquipe de investigação de qualidade
	Nível de gravidade SeverityLevel	Nível de gravidade ou risco atribuído ao evento de qualidade, como alto, médio ou baixo.
Descrição Este atributo classifica o evento de qualidade de acordo com seu possível impacto na qualidade do produto, na segurança do paciente ou na conformidade regulatória. A gravidade costuma determinar a urgência e o nível de aprofundamento necessário na investigação. Analisar os dados por nível de gravidade é essencial para priorizar as iniciativas de melhoria. Isso ajuda a entender se eventos de alta gravidade levam mais tempo para serem resolvidos, seguem caminhos diferentes no processo ou têm uma taxa maior de retrabalho, garantindo que os problemas mais críticos recebam mais atenção. Por que isso importa Classifica os eventos por impacto, permitindo analisar os riscos e priorizar melhorias nos processos das áreas de maior risco. Onde encontrar É um campo de classificação padrão do objeto Quality Event, geralmente uma lista de opções baseada em uma matriz de risco. Exemplos AltoMédioBaixo
	Status do evento de qualidade QualityEventStatus	Estado atual do ciclo de vida do evento de qualidade.
Descrição Este atributo indica o status atual do evento de qualidade, como 'Aberto', 'Em investigação', 'Aguardando aprovação' ou 'Fechado'. Ele mostra em que etapa do ciclo de vida cada caso se encontra. É essencial para o Dashboard 'Visão geral do andamento dos eventos de qualidade', que permite acompanhar os casos em andamento em tempo real. Ajuda os gestores a monitorar o progresso, identificar eventos parados e administrar a carga de trabalho geral com eficiência. Por que isso importa Mostra o estado atual de um caso, informação essencial para acompanhar o trabalho em andamento e identificar eventos parados. Onde encontrar É um campo padrão do objeto Quality Event no Veeva Vault Quality que indica sua etapa no ciclo de vida. Exemplos Em triagemEm investigaçãoCAPA propostaFechado
	Tipo de evento de qualidade QualityEventType	Classificação do evento de qualidade, como CAPA, desvio ou reclamação.
Descrição Este atributo classifica o evento de qualidade de acordo com sua natureza. Eventos de tipos diferentes costumam seguir caminhos distintos no processo e ter requisitos de conformidade e prazos de resolução próprios. Analisar os dados por tipo de evento é fundamental para entender as variações do processo. Isso permite, por exemplo, comparar a performance e a eficiência no tratamento de desvios e CAPAs, além de ajudar a direcionar iniciativas de melhoria para cada contexto específico. Por que isso importa Diferencia os tipos de processos de qualidade, que costumam ter fluxos de trabalho, SLAs e regras de conformidade próprios. Onde encontrar É um campo de classificação padrão do objeto Quality Event no Veeva Vault Quality, geralmente uma lista de opções. Exemplos DesvioAção corretiva e preventiva (CAPA)Não conformidadeReclamação
	A resolução ocorreu no prazo IsOnTimeResolution	Indicador calculado que informa se o evento de qualidade foi encerrado até a data prevista.
Descrição Este atributo booleano é derivado da comparação entre a data real de encerramento do evento de qualidade e a 'Data prevista para resolução'. Ele fornece um resultado simples, com duas possibilidades, para indicar se a resolução ocorreu no prazo. Este indicador é a base do Dashboard 'Performance de resolução no prazo' e do KPI 'Taxa de resolução no prazo'. Ele permite agrupar e filtrar os dados para entender quais tipos de evento, departamentos ou unidades têm dificuldade para cumprir os prazos. Por que isso importa Indica claramente se os prazos foram cumpridos, simplificando a análise e os relatórios de performance. Onde encontrar Calculado comparando o registro de data e hora da atividade 'Revisão final e encerramento' com o atributo 'TargetResolutionDate'. Fórmula: Closure Time <= TargetResolutionDate. Exemplos truefalse
	Causa raiz RootCause	Causa subjacente identificada para o evento de qualidade.
Descrição Este atributo contém a conclusão final da investigação de análise de causa raiz (RCA). Ele classifica a causa fundamental do problema de qualidade, como falha de equipamento, erro humano ou deficiência de procedimento. Analisar as causas raiz é essencial para resolver problemas com eficácia. Isso ajuda a identificar problemas sistêmicos recorrentes que precisam ser tratados com ações corretivas e preventivas. Este atributo contribui diretamente para os Dashboards 'Tempo de ciclo da análise de causa raiz' e 'Eficácia de CAPA'. Por que isso importa Classifica as causas fundamentais dos problemas de qualidade, permitindo uma análise estratégica para evitar que voltem a ocorrer. Onde encontrar Geralmente é um campo de texto ou uma lista de opções no objeto Quality Event ou em um objeto relacionado de análise de causa raiz. Exemplos Falha de equipamentoErro de procedimentoTreinamento inadequadoDefeito de material
	É recorrência IsRecurrence	Indicador que informa se o evento de qualidade é uma recorrência de um problema identificado anteriormente.
Descrição Este atributo booleano indica que o evento de qualidade não é um problema novo e isolado, mas a repetição de algo que já ocorreu. É um indicador importante de que as ações corretivas anteriores não foram eficazes. Este indicador é fundamental para o Dashboard 'Eficácia de CAPA e taxa de recorrência'. Acompanhar as recorrências fornece feedback direto sobre o sucesso do sistema de gestão da qualidade a longo prazo e ajuda a identificar problemas sistêmicos que não estão sendo tratados adequadamente. Por que isso importa Evidencia falhas nas ações corretivas, permitindo analisar por que os problemas se repetem e como melhorar as soluções de longo prazo. Onde encontrar Pode ser um campo de caixa de seleção no objeto Quality Event ou um campo derivado de vínculos com eventos anteriores semelhantes. Exemplos truefalse
	É retrabalho IsRework	Indicador calculado que identifica atividades ou casos que representam retrabalho.
Descrição Este atributo é um indicador booleano que sinaliza quando uma atividade ou sequência de atividades representa retrabalho, como repetir uma investigação ou reabrir uma CAPA encerrada. Não é um campo padrão: é calculado com base nos padrões do fluxo do processo. Em Process Mining, esse indicador é usado para quantificar o esforço desperdiçado e os custos do processo. É essencial para o Dashboard 'Análise de retrabalho' e para o KPI 'Taxa de retrabalho em eventos de qualidade', ajudando a identificar as causas da ineficiência e da baixa qualidade na primeira execução. Por que isso importa Quantifica a ineficiência do processo ao sinalizar trabalho repetido, ajudando a identificar as causas raiz dos problemas de qualidade e do esforço desperdiçado. Onde encontrar Este atributo não é obtido diretamente da fonte. Ele é calculado durante a transformação dos dados, identificando nomes de atividades repetidos ou ciclos no processo de um caso. Exemplos truefalse
	Produto Product	Produto ou material associado ao evento de qualidade.
Descrição Este atributo vincula o evento de qualidade a um produto, material ou lote específico. Essa relação é fundamental para a rastreabilidade e a análise de impacto em setores regulamentados. Analisar os eventos de qualidade por produto ajuda a identificar se determinados produtos apresentam mais problemas, orientando melhorias no produto ou ajustes no processo de manufatura. Também permite filtrar os Dashboards para consultar a performance de linhas de produtos específicas. Por que isso importa Vincula eventos de qualidade a produtos específicos, permitindo identificar problemas e tendências relacionados a cada produto. Onde encontrar Geralmente é um campo de referência no objeto Quality Event que aponta para um objeto Product ou Material no Veeva Vault. Exemplos Produto A-100Produto B-200Matéria-prima C-300
	Resultado da verificação de eficácia EffectivenessCheckResult	Resultado da etapa de verificação que confirma se uma ação corretiva foi eficaz.
Descrição Este atributo registra o resultado da verificação de eficácia, realizada após a implementação de uma ação corretiva. O resultado geralmente é 'Eficaz' ou 'Ineficaz'. É uma medida direta do sucesso do processo de CAPA e essencial para o Dashboard 'Eficácia de CAPA e taxa de recorrência' e para o KPI 'Taxa de eficácia de CAPA'. Ele fornece feedback claro sobre se as soluções implementadas estão realmente evitando a repetição do problema. Por que isso importa Mede diretamente o sucesso das ações corretivas e fornece feedback essencial para melhorar o processo de resolução de problemas. Onde encontrar Provavelmente é um campo, possivelmente uma lista de opções, em um objeto CAPA Action ou Effectiveness Check relacionado ao evento de qualidade principal. Exemplos EficazIneficazAguardando verificação
	Tempo de aprovação ApprovalTime	Tempo necessário para concluir uma atividade específica de aprovação.
Descrição Esta métrica mede a duração das etapas de aprovação, como 'Plano de ação corretiva aprovado'. É calculada pelo tempo entre a solicitação de aprovação e sua concessão ou rejeição. Este atributo foi criado para apoiar o Dashboard 'Gargalos no fluxo de trabalho de aprovação' e o KPI 'Tempo de ciclo do fluxo de trabalho de aprovação'. Ao isolar o tempo de espera por aprovações, ajuda a identificar e resolver atrasos causados por decisões lentas ou processos de aprovação ineficientes. Por que isso importa Identifica atrasos em etapas críticas de tomada de decisão, ajudando a simplificar os fluxos de trabalho de aprovação e reduzir o tempo de ciclo geral. Onde encontrar Esta métrica é calculada pela diferença entre o início e o fim das atividades relacionadas à aprovação no Event Log. Exemplos 3 dias e 4 horas1 dia e 0 horas7 dias e 8 horas
	Tempo de ciclo CycleTime	Tempo total entre a criação do evento de qualidade e seu encerramento definitivo.
Descrição Esta métrica representa o tempo total necessário para resolver um evento de qualidade. É calculada pela diferença entre a primeira atividade, por exemplo, 'Evento de qualidade criado', e a última, por exemplo, 'Revisão final e encerramento'. O tempo de ciclo é um dos principais indicadores de performance da eficiência geral do processo. Ele é usado no Dashboard 'Tempo de resolução de eventos de qualidade' para analisar tendências, identificar fatores que prolongam a resolução e definir referências para a melhoria do processo. Por que isso importa Mede a eficiência do processo de ponta a ponta e fornece um KPI essencial para acompanhar a performance geral e o impacto das iniciativas de melhoria. Onde encontrar Esta é uma métrica calculada no nível do caso, subtraindo o registro de data e hora do primeiro evento do registro do último. Exemplos 30 dias e 12 horas65 dias e 4 horas15 dias e 2 horas
	Unidade Site	Unidade de manufatura, fábrica ou local onde o evento de qualidade ocorreu ou foi identificado.
Descrição Este atributo especifica o local físico, como uma fábrica ou um laboratório, associado ao evento de qualidade. Ele fornece um contexto geográfico ou organizacional para o problema. Essa dimensão é útil para análises comparativas, permitindo que a gestão compare a performance dos processos, os tipos de problemas e os prazos de resolução entre diferentes unidades. Ela pode ajudar a identificar problemas específicos de uma unidade ou compartilhar boas práticas de locais com melhor performance. Por que isso importa Fornece uma dimensão geográfica ou organizacional para a análise, ajudando a comparar a performance e identificar problemas específicos de cada unidade. Onde encontrar Geralmente é um campo padrão do objeto Quality Event, vinculado a uma lista de unidades ou locais da empresa. Exemplos Unidade A - Nova JerseyUnidade B - IrlandaUnidade C - Suíça

Obrigatório Recomendado Opcional

Atividades de gestão da qualidade

Estas são as etapas e os marcos essenciais do processo que devem ser registrados no Event Log para descobrir e analisar a gestão da qualidade com precisão.

7 Recomendado 6 Opcional

	Atividade	Descrição
	Ação corretiva implementada	Representa a conclusão de todas as tarefas definidas no plano de ação corretiva aprovado. Esta atividade confirma que as ações necessárias foram realizadas para tratar a causa raiz. O registro é feito quando o status do registro de CAPA é atualizado para 'Implementação concluída'.
Por que isso importa Este é um marco importante, que indica a passagem do planejamento para a execução. O tempo entre esse momento e a aprovação de CAPA revela a eficiência da etapa de implementação. Onde encontrar Inferido a partir de uma mudança no estado do ciclo de vida do objeto de CAPA associado para um status como 'Implementado' ou 'Aguardando verificação de eficácia'. Coleta Da data e hora da mudança de estado no objeto de CAPA vinculado. Tipo de evento inferred
	Análise de causa raiz realizada	Representa a conclusão da etapa de análise de causa raiz, quando a causa subjacente do evento de qualidade é identificada. Em geral, isso é registrado quando o investigador conclui a tarefa de análise de causa raiz ou muda o evento para o estado 'Aguardando CAPA'.
Por que isso importa Esta atividade é essencial para medir o KPI 'Tempo médio de análise de causa raiz'. Analisar sua duração ajuda a identificar gargalos no processo analítico e a melhorar a qualidade das investigações. Onde encontrar Geralmente, é inferido a partir de uma mudança no estado do ciclo de vida do objeto de evento de qualidade, como a passagem para 'Análise de causa raiz concluída' ou 'Aguardando plano de ação'. Também pode corresponder à conclusão de uma tarefa específica do fluxo de trabalho. Coleta Da data e hora da mudança de estado ou da conclusão de uma tarefa relacionada à análise de causa raiz. Tipo de evento inferred
	Análise final e encerramento	Representa a última análise administrativa do registro do evento de qualidade antes do encerramento oficial. Esta etapa garante que toda a documentação esteja completa e que todas as etapas do processo tenham sido seguidas. É a última atividade antes de o caso ser considerado resolvido.
Por que isso importa Esta atividade final é essencial para calcular o 'Tempo de ciclo do evento de qualidade' total. Ela marca a conclusão de todo o trabalho, e sua data e hora são comparadas à 'Data prevista para resolução' para medir a performance. Onde encontrar Inferido a partir de uma mudança no estado do ciclo de vida do objeto de evento de qualidade para 'Encerrado', 'Resolvido' ou um estado final semelhante. Coleta Da data e hora da mudança final de estado para 'Encerrado'. Tipo de evento inferred
	Eficácia da ação verificada	Esta atividade confirma que as ações corretivas implementadas evitaram a recorrência do problema. A verificação formal é concluída e documentada. O registro é feito quando o status da CAPA ou do evento de qualidade é atualizado para 'Eficácia verificada'.
Por que isso importa Esta é a validação final do sucesso da solução e é essencial para calcular a 'Taxa de eficácia de CAPA'. Uma falha nesta etapa costuma gerar retrabalho e reabrir a investigação. Onde encontrar Inferido a partir de uma mudança no estado do ciclo de vida do objeto de evento de qualidade ou de CAPA para um status como 'Verificado' ou 'Encerrado: eficaz'. Coleta Da data e hora da mudança de estado que indica uma verificação bem-sucedida. Tipo de evento inferred
	Evento de qualidade criado	Este é o ponto de partida do processo: a criação formal de um registro de evento de qualidade no Veeva. Essa atividade geralmente começa quando um novo problema de qualidade, uma não conformidade ou uma reclamação é identificado e registrado no sistema.
Por que isso importa Esta atividade marca o início do ciclo de vida do caso e é essencial para calcular o tempo de ciclo total do evento de qualidade e medir a duração das etapas iniciais do processo, como o tempo até o início de uma investigação. Onde encontrar Este é um evento explícito, registrado com base na data e hora de criação do objeto de evento de qualidade no Veeva Vault. A trilha de auditoria do objeto mostra a data, a hora e o usuário exatos da criação. Coleta Use a data e hora de criação do registro principal do evento de qualidade. Tipo de evento explicit
	Investigação iniciada	Marca o início formal da investigação da causa raiz do evento de qualidade. Geralmente, um investigador ou uma equipe é designado, e o evento entra na fase ativa de investigação. Isso é registrado quando o estado do ciclo de vida do evento de qualidade muda para 'Em investigação'.
Por que isso importa Este é um marco importante para medir o KPI 'Tempo entre a identificação do problema e o início da investigação'. Atrasos antes desse ponto indicam acúmulo de casos na alocação de recursos ou no início de análises críticas. Onde encontrar Inferido a partir da data e hora em que o estado do ciclo de vida do objeto de evento de qualidade é atualizado para 'Em investigação' ou um status semelhante. A designação de um investigador também pode servir como gatilho. Coleta Use a data e hora da mudança de estado para 'Em investigação'. Tipo de evento inferred
	Plano de ação corretiva aprovado	Marca a aprovação formal do plano de ação corretiva proposto pelas partes interessadas relevantes, como um comitê de análise da qualidade. Esta é uma etapa crítica antes da implementação de qualquer ação corretiva. O registro é feito quando o plano de CAPA passa para o estado 'Aprovado'.
Por que isso importa Esta etapa de aprovação costuma ser um gargalo importante. Medir o 'Tempo de ciclo do fluxo de trabalho de aprovação' dessa atividade ajuda a identificar e resolver atrasos na análise, acelerando a resolução geral. Onde encontrar Inferido a partir da data e hora da mudança do estado do ciclo de vida do objeto de plano de CAPA associado para 'Aprovado'. Esse evento também pode aparecer como uma mudança de estado no evento de qualidade principal. Coleta Da data e hora da mudança de estado no objeto de plano de CAPA vinculado. Tipo de evento inferred
	Ação preventiva identificada	Esta atividade ocorre quando uma ação preventiva é identificada para evitar possíveis recorrências futuras, geralmente como resultado da investigação. Ela é registrada pela criação de um registro de ação preventiva vinculado ao evento de qualidade.
Por que isso importa Embora não faça parte de todos os casos, acompanhar esta atividade ajuda a entender o quanto o processo de qualidade é proativo. Isso oferece insights sobre o foco da organização na prevenção de longo prazo em comparação com a correção imediata. Onde encontrar Inferido a partir da data e hora de criação de um registro de ação preventiva vinculado no Veeva Vault. Coleta Use a data e hora de criação de um registro de ação preventiva vinculado. Tipo de evento inferred
	Partes interessadas notificadas sobre a resolução	Esta atividade representa a comunicação enviada às partes interessadas relevantes para informar a resolução do evento de qualidade. Pode ser uma notificação automática por e-mail, acionada pela etapa final de encerramento, ou uma tarefa de comunicação registrada manualmente.
Por que isso importa A comunicação oportuna é essencial para a satisfação das partes interessadas e a transparência. Esta atividade permite medir o KPI 'Atraso na notificação das partes interessadas' e identificar atrasos na comunicação. Onde encontrar Este pode ser um evento explícito, caso o Veeva Vault envie notificações automáticas que sejam registradas. Outra possibilidade é inferi-lo pela conclusão de uma tarefa manual do fluxo de trabalho 'Notificar partes interessadas'. Coleta Dos registros de notificações do sistema ou da data e hora de conclusão de uma tarefa de comunicação. Tipo de evento explicit
	Plano de ação corretiva proposto	Esta atividade ocorre quando um plano formal para corrigir a causa raiz identificada é elaborado e enviado para análise. Muitas vezes, envolve a criação de um registro de CAPA (ação corretiva e preventiva) relacionado ao evento de qualidade. O evento é registrado quando o registro de CAPA é criado ou o status do evento de qualidade é atualizado.
Por que isso importa Acompanhar esta etapa ajuda a analisar o tempo entre a análise e a elaboração da solução. É um dado importante para entender o 'Tempo de ciclo da análise de causa raiz', da conclusão da análise de causa raiz à proposta de CAPA. Onde encontrar Isso pode ser inferido a partir de uma mudança no estado do ciclo de vida do objeto de evento de qualidade para 'Aguardando aprovação de CAPA' ou da data e hora de criação de um registro de plano de CAPA vinculado. Coleta Use a data e hora de criação de um registro de CAPA vinculado ou uma mudança de estado. Tipo de evento inferred
	Problema categorizado e priorizado	Esta atividade marca o momento em que o evento de qualidade é formalmente categorizado por tipo, nível de gravidade e prioridade. É uma etapa crítica, pois determina o caminho e o cronograma da investigação. Em geral, é registrada por uma mudança de status que indica a conclusão dessa classificação.
Por que isso importa Este evento é essencial para segmentar a análise do processo por gravidade ou tipo de evento. Ele ajuda a entender se os problemas de alta prioridade são tratados mais rapidamente que os de baixa prioridade e se os recursos são alocados de forma eficaz. Onde encontrar Inferido a partir de uma mudança no estado do ciclo de vida do objeto de evento de qualidade, como a passagem para um estado como 'Categorizado' ou 'Aguardando investigação'. Também pode ser inferido pela data e hora em que os principais campos de classificação são preenchidos. Coleta Inferido a partir de uma mudança de estado ou do preenchimento de campos como 'Gravidade' e 'Prioridade'. Tipo de evento inferred
	Triagem inicial concluída	Representa a conclusão da análise e avaliação iniciais do evento de qualidade. Nesta etapa, informações básicas são coletadas e verificadas para determinar a validade do evento e seu impacto imediato. Em geral, isso é registrado quando o status muda de 'Novo' para 'Em avaliação' ou um estado semelhante.
Por que isso importa Analisar o tempo gasto na triagem ajuda a identificar atrasos no tratamento inicial dos eventos de qualidade. Isso oferece insights sobre a carga de trabalho e a alocação de recursos logo no início do processo. Onde encontrar Inferido a partir da data e hora em que o estado do ciclo de vida do objeto de evento de qualidade é atualizado para indicar a conclusão da triagem, por exemplo, ao mudar de 'Novo' para 'Em avaliação' ou 'Triado'. Coleta Da data e hora da mudança de estado no objeto de evento de qualidade. Tipo de evento inferred
	Verificação de eficácia iniciada	Marca o início do período de monitoramento da eficácia das ações corretivas implementadas. Não é um evento pontual, mas o começo de uma etapa de verificação. O registro é feito quando o evento de qualidade ou o registro de CAPA entra no estado 'Em monitoramento' ou 'Aguardando verificação de eficácia'.
Por que isso importa Esta atividade inicia o ciclo final de validação. A duração da etapa de verificação de eficácia ajuda a entender quanto tempo leva para confirmar o sucesso de uma resolução. Onde encontrar Inferido a partir de uma mudança no estado do ciclo de vida do objeto de evento de qualidade ou de CAPA para um status como 'Em análise de eficácia'. Coleta Da data e hora da mudança de estado para um estado relacionado ao monitoramento. Tipo de evento inferred

Recomendado Opcional

Guias de extração

Como obter seus dados do Veeva Vault Quality

Etapas

Pré-requisitos: Verifique se o Python 3.6 ou superior e as bibliotecas requests e pandas estão instalados. Você pode instalá-las com o pip: pip install requests pandas. Também serão necessárias credenciais de API da sua instância do Veeva Vault: o DNS do Vault (por exemplo, yourcompany.veevavault.com), um nome de usuário e a senha de um usuário com acesso à API e permissão de leitura no Quality Event e nos objetos relacionados.
Configure o script: Copie o script Python fornecido para um arquivo chamado extract_quality_events.py. Abra o arquivo e substitua as variáveis de exemplo no início: VAULT_DNS, USERNAME e PASSWORD, pelas credenciais da sua instância do Veeva Vault.
Defina o período: Localize as consultas VQL no script. Cada consulta contém uma cláusula WHERE com um valor de exemplo, como created_date__v > '2023-01-01T00:00:00.000Z'. Altere essa data para definir o período da extração. Recomendamos aplicar o filtro a um campo de data principal para limitar a extração inicial.
Confira os nomes dos objetos e campos: As configurações do Veeva Vault podem variar. O script fornecido usa nomes de API comuns para objetos (quality_event__v, capa__v) e campos (status__v, severity_level__c). Confira esses nomes na configuração do seu Vault usando a documentação da API ou ferramentas como Vault Field and Object Reference. Ajuste os nomes nas consultas VQL conforme necessário.
Execute o script: Abra um terminal ou prompt de comando, acesse o diretório onde salvou o script e execute o comando: python extract_quality_events.py. O script fará a autenticação, executará uma série de consultas e processará os dados.
Acompanhe a execução: O script exibirá mensagens de status no console, indicando qual atividade está sendo extraída e quantos registros foram encontrados. Assim, você pode acompanhar o progresso e identificar possíveis problemas, como falhas de autenticação ou consultas sem resultados.
Localize o arquivo de saída: Quando a execução for concluída, o script vai gerar um arquivo CSV chamado quality_event_log.csv no mesmo diretório. Esse arquivo contém o Event Log extraído.
Transforme e enriqueça os dados: O script faz uma transformação básica, mapeando os campos de origem para as colunas necessárias do Event Log. Ele calcula o timestamp de LastDataUpdate e define um valor fixo para SourceSystem. Se precisar de cálculos adicionais, como ActivityDuration, você pode modificar a seção de manipulação do DataFrame do pandas antes da exportação final para CSV.
Prepare o arquivo para carregamento: Abra o arquivo quality_event_log.csv em uma ferramenta de planilha e revise os dados. Confirme se as colunas QualityEvent, ActivityName e EventTime estão preenchidas corretamente. O arquivo está pronto para ser carregado no software de Process Mining.

Configuração

Credenciais de API: É necessária uma conta de usuário de API dedicada, com uma 'Security Policy' que permita o acesso à API. O 'Permission Set' do usuário deve conceder, no mínimo, acesso de 'Read' ao objeto quality_event__v, a todos os campos consultados e a objetos relacionados, como capa__v.
DNS do Vault: O script precisa do DNS específico da sua instância do Vault, por exemplo, yourcompany.veevavault.com. Esse endereço é usado para criar as URLs dos endpoints da API.
Filtro de período: Para controlar o volume de dados extraídos, é fundamental aplicar um filtro de data na cláusula WHERE de cada consulta VQL. Recomendamos começar com um período recente de 3 a 6 meses (por exemplo, created_date__v > 'YYYY-MM-DD') para manter um bom desempenho e agilizar os testes.
Nomes de API de objetos e campos: Todas as consultas VQL devem usar os nomes internos de API do sistema, que podem ser diferentes dos rótulos exibidos na interface. Os nomes dos campos personalizados geralmente terminam em __c. Confira todos os nomes de objetos e campos na configuração do seu Vault.
Paginação: O script gerencia automaticamente a paginação da API do Veeva. Ele consulta repetidamente a URL 'next_page' fornecida pela API até recuperar todos os resultados de cada consulta VQL. Não é necessário fazer nenhuma configuração manual.
Considerações de performance: A extração de dados de um período longo ou de um Vault com milhões de Quality Events pode demorar e atingir os limites de requisições da API. Execute a extração fora dos horários de pico e use filtros de data restritivos para reduzir o impacto.

Consulta de exemplo python

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

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

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

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

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

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


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

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

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

    all_events_df = pd.DataFrame()

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

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

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

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

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

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

Etapas

Instale e configure o Veeva Vault Loader: Baixe a ferramenta de linha de comando Veeva Vault Loader na aba Apps do seu Vault. Descompacte o arquivo em um diretório específico. Verifique se o Java 1.8 ou superior está instalado na máquina usada para a extração.
Prepare o arquivo de configuração: Crie um arquivo CSV para definir a consulta de exportação. Esse arquivo terá uma única entrada com a consulta VQL. Por exemplo, crie um arquivo chamado vql_query.csv.
Monte a consulta VQL: Abra vql_query.csv e adicione uma linha de cabeçalho query. Na segunda linha, insira a consulta VQL completa fornecida na seção query abaixo. Ela foi criada para extrair todos os campos necessários do objeto Quality Event e dos registros relacionados para montar o Event Log.
Crie o script Bash: Crie um arquivo de script Bash, por exemplo, run_export.sh, para automatizar a execução do Vault Loader. Copie para esse arquivo o script da seção query. Ele fará a autenticação e executará a exportação.
Defina as variáveis do script: Edite o script run_export.sh e substitua todos os valores de exemplo. Informe o DNS do Vault, o nome de usuário, a senha, o caminho do arquivo vault-loader.jar e os caminhos dos arquivos de entrada e saída.
Execute a extração: Abra um terminal ou prompt de comando, acesse o diretório que contém o script e execute o comando: bash run_export.sh. O script se conectará ao Veeva Vault, executará a consulta VQL e baixará os resultados em um arquivo CSV chamado quality_events_raw.csv.
Transforme os dados brutos: O arquivo de saída quality_events_raw.csv é uma tabela em formato wide, com uma linha por Quality Event. É necessário transformar esses dados em um Event Log no formato long. Use uma ferramenta ou um script de preparação de dados, como Python ou uma ferramenta de ETL, para transformar as diversas colunas de data em linhas separadas. Para cada Quality Event, crie uma linha para cada campo de data preenchido e associe-o ao ActivityName correspondente.
Mapeie os dados para o esquema do Event Log: Durante a transformação, mapeie as colunas da extração bruta para o esquema necessário do Event Log. Por exemplo, a coluna id passa a ser QualityEvent, e cada coluna de data transformada passa a ser EventTime. Adicione uma coluna SourceSystem com um valor fixo, como 'Veeva Vault Quality', e uma coluna LastDataUpdate com a data e hora atuais.
Gere o arquivo final: Salve os dados transformados como o arquivo CSV final do Event Log, pronto para carregar no ProcessMind. Verifique se a codificação do arquivo é UTF-8 e se os cabeçalhos correspondem aos atributos necessários.

Configuração

Pré-requisitos: Você precisa de uma conta de usuário do Veeva Vault com acesso à API e permissões suficientes para ler o objeto Quality Event (quality_event__v) e objetos relacionados, como CAPA (capa__v). A ferramenta de linha de comando Veeva Vault Loader também precisa estar instalada.
Autenticação: O script usa nome de usuário e senha para autenticação. Verifique se a conta tem um perfil de segurança que permita o acesso à API.
Escopo dos dados: A consulta VQL contém uma cláusula WHERE para filtrar os dados. Configure o filtro created_date__v para limitar a extração a um período relevante, como os últimos 6 a 12 meses, e controlar o tamanho do arquivo e a performance.
Seleção de objetos e campos: A consulta fornecida pressupõe nomes de objetos padrão, como quality_event__v e capa__v. Confira esses nomes e os nomes dos campos personalizados, como triage_completion_date__c, na configuração da sua instância do Veeva Vault e ajuste a consulta conforme necessário.
Local de saída: O script define um OUTPUTDIR. Verifique se o usuário que executa o script tem permissão de gravação nesse diretório, onde o arquivo CSV extraído será salvo.
Agendamento: Para automatizar a execução, você pode agendar esse script Bash com um cron job no Linux ou uma ferramenta semelhante, em intervalos regulares, como diariamente ou semanalmente, fora dos horários de pico.

Consulta de exemplo bash

#!/bin/bash

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

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

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

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

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

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

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

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

Pronto para começar?

Prepare seus dados hoje para descobrir novos insights e otimizar seu processo de gestão da qualidade. Sua jornada rumo a uma conformidade mais sólida e à excelência operacional começa aqui.

Voltar ao guia de melhoria

Baixar Template

Otimize a gestão da qualidade: comece hoje seu teste grátis

Elimine ineficiências, reduza o tempo de ciclo em 30% e fortaleça a conformidade.

Começar o teste grátis

Não é necessário informar cartão de crédito. Comece a otimizar em poucos minutos.

Seu Template de dados de gestão da qualidade

Seu Template de dados de gestão da qualidade

Atributos de gestão da qualidade

Atividades de gestão da qualidade

Guias de extração

Extração da API do Veeva Vault com script Python

Etapas

Configuração

Consulta de exemplo python

Exportação em massa de dados pela linha de comando do Veeva Vault Loader

Etapas

Configuração

Consulta de exemplo bash

Pronto para começar?

Otimize a gestão da qualidade: comece hoje seu teste grátis