> Melhoria contínua de processos > Lead to Cash > Pipedrive > Template de dados

Seu Template de dados de Lead to Cash

Pipedrive

Atributos de Lead to Cash (20) Atividades de Lead to Cash (13) Guias de extração (3)

Seu Template de dados de Lead to Cash

Este Template oferece um roteiro claro para coletar os dados essenciais necessários à análise do seu processo de Lead to Cash no Pipedrive. Ele apresenta os atributos fundamentais e as principais atividades a serem acompanhadas, além de orientações práticas para extrair essas informações diretamente do seu sistema Pipedrive. Use este recurso para preparar seus dados para um Process Mining completo e para a otimização do processo.

Atributos recomendados para coletar
Principais atividades a acompanhar
Orientações para extração do Pipedrive

Novo em Event Logs? Aprenda como criar um Event Log de Process Mining.

Baixar Template

Atributos de Lead to Cash

Estes campos de dados recomendados são essenciais para criar um Event Log robusto, permitindo uma análise completa do processo de Lead to Cash.

3 Obrigatório 4 Recomendado 13 Opcional

	Nome	Descrição
	Hora do evento EventTime	O timestamp que indica quando a atividade ocorreu.
Descrição O Event Time, ou Start Time, registra a data e o horário exatos em que uma atividade específica foi registrada. Esses dados temporais são essenciais para ordenar os eventos cronologicamente e calcular as durações entre diferentes etapas do processo. Na análise, esse timestamp é usado para calcular indicadores-chave de performance, como tempo de ciclo, tempo de processamento e tempo de espera. Ele permite criar Dashboards baseados em tempo para monitorar a performance e identificar atrasos no processo de vendas. Por que isso importa Esse timestamp é essencial para ordenar eventos, calcular as durações do processo e analisar a performance em relação a metas baseadas em tempo. Onde obter É obtido de campos como "add_time" ou "update_time" em Deal, Activity ou objetos relacionados na API do Pipedrive. Exemplos 2023-04-15T10:00:00Z2023-04-16T14:30:00Z2023-05-01T09:05:00Z
	Nome da atividade ActivityName	O nome do evento ou da tarefa de negócio específica que ocorreu no processo de vendas.
Descrição Esse atributo descreve uma única etapa do processo Lead to Cash, como "Deal Created", "Proposal Sent" ou "Payment Received". As atividades são os blocos fundamentais usados para visualizar o fluxo do processo. Analisar a sequência e a frequência das atividades ajuda a identificar os caminhos mais comuns do processo, os gargalos onde o trabalho se acumula e quaisquer desvios do procedimento padrão de vendas. Isso é essencial para entender como o processo é realmente executado. Por que isso importa Ele define as etapas do processo, permitindo visualizar e analisar o fluxo do processo, identificar gargalos e realizar verificações de conformidade. Onde obter Normalmente, ele é obtido mapeando eventos do Pipedrive, como mudanças de etapa do negócio ou a criação de objetos relacionados, como faturas, para uma lista definida de atividades. Exemplos Negócio criadoProposta enviadaNegócio ganhoNota fiscal enviadaPagamento recebido
	Oportunidade de venda SalesOpportunityId	O identificador exclusivo de uma oportunidade de vendas, que funciona como o ID do caso para acompanhar todo o processo Lead to Cash.
Descrição O ID da oportunidade de vendas é a chave primária que conecta todas as atividades relacionadas, desde a criação inicial do lead até o pagamento final. Ele representa uma única venda potencial acompanhada no Pipedrive. Na análise de processos, esse identificador é essencial para reconstruir a jornada de ponta a ponta de cada negócio. Ele permite agrupar todos os eventos, como "Deal Created", "Proposal Sent" e "Payment Received", em um caso coerente, possibilitando analisar variantes do processo, tempos de ciclo e taxas de conversão. Por que isso importa Esse identificador é a base da visão do processo, conectando todos os eventos relacionados para formar um histórico completo de cada negócio de vendas. Onde obter É obtido no campo "id" do objeto Deal por meio da API do Pipedrive. Exemplos 12543125441254512546
	Percentual de desconto DiscountPercentage	O percentual de desconto aplicado ao negócio.
Descrição Esse atributo representa o percentual de desconto concedido em um negócio de vendas, quando aplicável. Ele é um fator essencial para entender a estratégia de preços e seu impacto na rentabilidade. Analisar o Discount Percentage ajuda a avaliar a eficácia das estratégias de desconto. Ele pode ser relacionado a outros atributos, como Deal Value, Sales Representative ou Product, para identificar onde os descontos são mais comuns e se eles levam a taxas de ganho maiores ou simplesmente reduzem as margens. Por que isso importa Ele é essencial para analisar estratégias de preços, margens de vendas e a rentabilidade geral dos negócios. Onde obter Geralmente, este é um campo personalizado no objeto Deal do Pipedrive. Consulte a documentação do Pipedrive para configurar campos personalizados. Exemplos 0.050.100.150.0
	Responsável pelo negócio DealOwner	O representante de vendas responsável por gerenciar a oportunidade de vendas.
Descrição Deal Owner é o usuário atribuído a um negócio específico. Esse atributo é essencial para entender a alocação de recursos e a performance da equipe de vendas. Esse atributo permite analisar a performance no nível individual ou da equipe. Os Dashboards podem ser filtrados por Deal Owner para comparar métricas como tempo do ciclo de vendas, taxas de conversão e valor médio do negócio, ajudando a identificar os melhores desempenhos e as áreas que precisam de orientação. Por que isso importa Permite analisar a performance por representante de vendas, ajudando a identificar os melhores desempenhos e as áreas que precisam de melhoria. Onde obter É obtido no campo "user_id" do objeto Deal, que se vincula ao objeto User na API do Pipedrive. Exemplos John SmithJane DoePeter Jones
	Status do negócio DealStatus	O resultado ou estado atual do negócio, como ganho, perdido ou aberto.
Descrição Deal Status indica o resultado final ou o estado geral atual de uma oportunidade de vendas. Essa é uma dimensão principal para analisar as taxas de sucesso das vendas e a eficiência do processo. Esse atributo é fundamental para calcular as taxas de ganhos e perdas e filtrar o mapa do processo para comparar as jornadas dos negócios ganhos e perdidos. Essa comparação geralmente revela diferenças importantes na execução do processo que contribuem para o sucesso ou o insucesso, fornecendo insights valiosos para a melhoria do processo. Por que isso importa Ele é essencial para calcular as taxas de ganhos e perdas e comparar os fluxos do processo de negócios bem-sucedidos e malsucedidos. Onde obter É obtido no campo "status" do objeto Deal na API do Pipedrive. Exemplos ganhoperdidoaberto
	Valor do negócio DealValue	O valor monetário total da oportunidade de vendas.
Descrição Deal Value representa a receita potencial ou real associada a uma oportunidade de vendas. É uma métrica fundamental para priorizar negócios e avaliar o impacto financeiro do pipeline de vendas. Na análise de processos, esse atributo é usado para segmentar casos por tamanho financeiro, permitindo comparar a execução do processo em negócios de alto e baixo valor. Ele também é um componente central de Dashboards que analisam a performance de vendas, a eficácia dos descontos e a geração geral de receita. Por que isso importa Ele permite analisar financeiramente o processo de vendas, ajudando a priorizar negócios de alto valor e entender o impacto na receita. Onde obter É obtido no campo "value" do objeto Deal na API do Pipedrive. Exemplos 5000.0025000.501500.75
	Condições de pagamento PaymentTerms	As condições de pagamento acordadas, como “Net 30” ou “Net 60”.
Descrição Payment Terms define o prazo em que o cliente deve pagar uma fatura depois que ela é enviada. Esse atributo é fundamental para gerenciar contas a receber e fluxo de caixa. No Process Mining, esse atributo serve como referência para avaliar a performance dos pagamentos. Ele é usado para calcular KPIs como a taxa de pagamentos em dia, comparando a data real do pagamento com a data de vencimento calculada a partir da data da fatura e dessas condições. Por que isso importa Fornece a referência para medir a performance dos pagamentos em dia e analisar atrasos no processo de recebimento. Onde obter Normalmente, esse é um campo personalizado no objeto Deal ou Organization do Pipedrive, mas também pode vir de um sistema contábil integrado. Exemplos Líquido em 30 diasLíquido em 60 diasVencimento no recebimento
	É retrabalho IsRework	Um indicador que identifica atividades que fazem parte de um loop de retrabalho.
Descrição É retrabalho é um indicador booleano normalmente calculado pela ferramenta de Process Mining para destacar situações em que o processo se desvia de um fluxo linear e repete etapas anteriores. Por exemplo, um negócio que volta de “Negotiation” para “Proposal Sent” seria considerado retrabalho. Identificar retrabalho é fundamental para otimizar o processo, pois ele representa ineficiência, esforço desperdiçado e possível confusão para o cliente. Analisar as atividades marcadas como retrabalho ajuda a localizar pontos em que o processo está falhando, permitindo implementar melhorias direcionadas. Por que isso importa Ajuda a quantificar a ineficiência do processo identificando e marcando atividades que fazem parte de um caminho repetido ou circular. Onde obter Calculado pelo software de Process Mining por meio da análise da sequência de atividades em cada caso. Exemplos truefalse
	Etapa do negócio DealStage	A etapa específica do pipeline de vendas em que o negócio está atualmente.
Descrição Deal Stage representa uma etapa específica do pipeline de vendas definido pela empresa, como "Qualified", "Proposal Made" ou "Negotiation". Ele oferece uma visão mais detalhada do progresso de um negócio do que o Deal Status geral. Analisar as etapas dos negócios é essencial para entender o funil de vendas e identificar onde os negócios tendem a ficar parados. Ao acompanhar o tempo gasto em cada etapa, as equipes podem localizar gargalos e concentrar os esforços de melhoria nas partes mais problemáticas do ciclo de vendas. Por que isso importa Oferece uma visão detalhada do progresso de um negócio pelo funil de vendas, ajudando a identificar gargalos e taxas de conversão entre as etapas. Onde obter É obtido no campo "stage_id" do objeto Deal, que se vincula ao objeto Stage na API do Pipedrive. Exemplos Lead recebidoContato realizadoDemonstração agendadaProposal MadeNegociações iniciadas
	Hora de término do evento EventEndTime	O registro de data e hora que indica quando uma atividade com duração foi concluída.
Descrição A hora de término do evento marca a conclusão de uma atividade com duração mensurável, como uma reunião ou tarefa. Ela complementa a hora de início, permitindo calcular com precisão quanto tempo atividades específicas levaram. Esse atributo é essencial para calcular o tempo de processamento de atividades individuais. Analisar essa duração ajuda a identificar quais tarefas consomem mais tempo e revela oportunidades de otimização, automação ou redistribuição de recursos. Por que isso importa Permite calcular com precisão a duração de cada atividade, o que é essencial para identificar tarefas demoradas e gargalos. Onde obter Obtido de campos como “due_date” ou de um registro de conclusão nos objetos Activity da API do Pipedrive. Exemplos 2023-04-15T11:00:00Z2023-04-16T15:00:00Z2023-05-01T09:35:00Z
	Moeda do negócio DealCurrency	A moeda associada ao valor do negócio.
Descrição Esse atributo especifica a moeda, por exemplo, USD, EUR ou GBP, na qual o Deal Value é denominado. Ele fornece o contexto necessário para todas as métricas financeiras. Ao analisar negócios de várias regiões ou países, esse atributo é essencial para gerar relatórios e agregações financeiras corretos. Ele garante que as conversões de moeda possam ser aplicadas corretamente antes da consolidação dos dados financeiros, evitando conclusões imprecisas. Por que isso importa Fornece o contexto essencial para o Deal Value, garantindo uma análise e uma geração de relatórios financeiros precisas em diferentes regiões. Onde obter É obtido no campo "currency" do objeto Deal na API do Pipedrive. Exemplos USDEURGBP
	Nome da organização OrganizationName	O nome da empresa ou organização do cliente associada ao negócio.
Descrição Esse atributo identifica o cliente corporativo vinculado à oportunidade de vendas. Ele fornece contexto sobre quais empresas estão no pipeline de vendas. Analisar os dados por Organization Name ajuda a entender o comportamento dos clientes e identificar contas estratégicas. Ele pode ser usado para segmentar a análise do processo e verificar se os processos diferem entre clientes estratégicos e clientes menores, ou para acompanhar todo o histórico de vendas de uma empresa específica. Por que isso importa Identifica o cliente, permitindo uma análise centrada no cliente e a segmentação do processo de vendas. Onde obter É obtido no campo "org_id" do objeto Deal, que se vincula ao objeto Organization na API do Pipedrive. Exemplos ABC CorporationGlobal Tech Inc.Innovate Solutions
	Origem do lead LeadSource	A fonte ou o canal pelo qual o lead foi adquirido.
Descrição Lead Source identifica como um potencial cliente foi encontrado inicialmente, por exemplo, "Webinar", "Cold Call" ou "Partner Referral". Essas informações são essenciais para as estratégias de marketing e vendas. Analisar o Lead Source ajuda a determinar a eficácia de diferentes canais de marketing. Ele pode ser usado para comparar taxas de conversão e tempos de ciclo de vendas de leads provenientes de várias fontes, permitindo que a empresa otimize os investimentos em marketing e os esforços de vendas. Por que isso importa Ajuda a medir a eficácia de diferentes canais de marketing analisando as taxas de conversão e a performance do processo dos leads de cada fonte. Onde obter É obtido no campo "source_name" do objeto Lead, que depois é associado ao Deal. Exemplos Busca orgânicaMídia social pagaIndicaçãoFeira comercial
	Pagamento em dia IsOnTimePayment	Um indicador booleano que informa se o pagamento foi recebido dentro das condições de pagamento acordadas.
Descrição Esse atributo é um indicador binário (True/False) que informa se o pagamento foi feito em dia. Ele é derivado da comparação entre o tempo real de pagamento da fatura e as condições de pagamento especificadas. Esse indicador simplifica a análise do comportamento de pagamento. Ele pode ser usado para calcular rapidamente o KPI da taxa de pagamentos em dia e filtrar pagamentos atrasados, permitindo uma análise focada das causas-raiz dos atrasos de determinados clientes ou tipos de negócio. Por que isso importa Simplifica a análise da adesão às condições de pagamento e é usado para calcular o KPI da taxa de pagamentos em dia. Onde obter Calculado comparando “InvoicePaymentTime” com o atributo “PaymentTerms”. Por exemplo, se PaymentTerms for “Net 30” e InvoicePaymentTime for <= 30 dias, o valor será True. Exemplos truefalse
	Produto ProductAttached	O produto ou serviço associado à oportunidade de vendas.
Descrição Esse atributo especifica o produto ou serviço vendido no negócio. Ele permite uma análise mais detalhada das atividades de vendas relacionadas a ofertas específicas. Ao incluir o produto, a análise pode ser segmentada para comparar os processos de vendas entre diferentes linhas de produtos. Isso pode revelar se determinados produtos têm ciclos de vendas mais longos, taxas de conversão diferentes ou exigem etapas de processo distintas, levando a estratégias de vendas mais personalizadas. Por que isso importa Permite analisar o processo de vendas por linha de produto, ajudando a identificar variações nos ciclos de vendas ou nas taxas de sucesso de diferentes ofertas. Onde obter É obtido no objeto Product vinculado a um Deal na API do Pipedrive. Exemplos Assinatura SaaS padrãoLicença de plataforma corporativaPacote de serviços profissionais
	Região Region	A região geográfica associada ao cliente ou à oportunidade de venda.
Descrição Esse atributo categoriza os negócios por áreas geográficas, como América do Norte, EMEA ou APAC. Ele permite analisar a performance e os processos de vendas por localização. Ao segmentar o processo por região, as empresas conseguem identificar diferenças regionais no tempo do ciclo de vendas, nas taxas de conversão e nas variantes do processo. Esses insights podem orientar estratégias de vendas regionais, alocação de recursos e iniciativas de padronização de processos. Por que isso importa Permite analisar o processo de vendas por região, destacando diferenças regionais na performance e no comportamento dos clientes. Onde obter Normalmente, esse é um campo personalizado no objeto Deal ou Organization. Os campos de endereço da Organization também podem ser usados para derivar essa informação. Exemplos América do NorteEMEAAPACLATAM
	Sistema de origem SourceSystem	Identifica o sistema do qual os dados foram extraídos.
Descrição Esse atributo especifica a origem dos dados, que neste caso é o Pipedrive. Ele é especialmente útil em ambientes onde dados de vários sistemas são consolidados para formar uma visão holística do processo. Embora geralmente seja um valor estático em uma análise de sistema único, ele fornece contexto essencial e ajuda na governança e na rastreabilidade dos dados. Ele confirma que os eventos e atributos estão relacionados à instância do Pipedrive. Por que isso importa Fornece contexto essencial sobre a origem dos dados, garantindo rastreabilidade e clareza, especialmente quando dados de vários sistemas são combinados. Onde obter Normalmente, este é um valor estático adicionado durante o processo de transformação dos dados. Exemplos Pipedrive
	Tempo de pagamento da fatura InvoicePaymentTime	O período entre o envio da fatura e o recebimento do pagamento.
Descrição O tempo de pagamento da fatura mede a eficiência do processo de contas a receber. Ele acompanha especificamente o tempo decorrido entre a atividade “Invoice Sent” e a atividade “Payment Received”. Essa métrica é essencial para monitorar o fluxo de caixa e identificar atrasos na cobrança. Analisar essa duração ajuda a entender o comportamento de pagamento dos clientes e a eficácia das estratégias de cobrança e recuperação, impactando diretamente o ciclo de Quote to Payment. Por que isso importa Mede diretamente a eficiência do processo de recebimento e é essencial para gerenciar o fluxo de caixa. Onde obter Calculado como a diferença entre os registros de data e hora das atividades “Payment Received” e “Invoice Sent” de um determinado caso. Exemplos 28 dias45 dias10 dias
	Última atualização dos dados LastDataUpdate	O timestamp da atualização mais recente dos dados do sistema de origem.
Descrição Esse atributo indica a última vez em que os dados foram extraídos e atualizados no conjunto de dados de Process Mining. Ele fornece um ponto de referência claro sobre a atualidade dos dados analisados. Em qualquer análise, saber quando os dados foram atualizados é essencial. Esse atributo ajuda os usuários a entender se os insights exibidos refletem o estado mais atual do processo, algo fundamental para o monitoramento operacional e a tomada de decisões. Por que isso importa Indica a atualidade dos dados, garantindo que os usuários saibam quão recente é a análise do processo. Onde obter Este valor é gerado e registrado durante o processo de ingestão de dados ou ETL. Exemplos 2023-10-27T02:00:00Z2023-10-28T02:00:00Z

Obrigatório Recomendado Opcional

Atividades de Lead to Cash

Estas principais etapas e marcos do processo devem ser registrados no seu Event Log para garantir uma descoberta precisa do processo e uma otimização eficaz.

5 Recomendado 8 Opcional

	Atividade	Descrição
	Negócio criado	Marca o início oficial de uma oportunidade de vendas. Esse evento é acionado quando um novo negócio é criado manualmente ou gerado automaticamente a partir de um lead convertido.
Por que isso importa Esta é a principal atividade de início do ciclo de vendas. Analisar o tempo entre esse evento e "Deal Won" ou "Deal Lost" mostra a duração geral do ciclo de vendas. Onde obter Este é um evento explícito capturado na entidade Deals do Pipedrive. O timestamp de criação ("add_time") do registro do negócio funciona como o horário do evento. Captura Use o campo "add_time" da entidade Deals. Tipo de evento explicit
	Negócio ganho	Marca o fechamento bem-sucedido de um negócio, indicando um acordo verbal ou escrito com o cliente. Essa é uma mudança de status padrão e explícita no Pipedrive.
Por que isso importa Este é o marco de sucesso mais importante. Ele é essencial para calcular as taxas de ganho, a duração do ciclo de vendas dos negócios ganhos e a performance geral de vendas. Onde obter Este é um evento explícito capturado quando o status de um negócio muda para "won". O campo "won_time" da entidade Deals fornece o timestamp exato. Captura Use o timestamp "won_time" da entidade Deals. Tipo de evento explicit
	Negócio perdido	Marca o fechamento malsucedido de um negócio. Isso ocorre quando o processo de vendas é encerrado porque o cliente escolheu um concorrente, perdeu o interesse ou por outros motivos.
Por que isso importa Este é o principal ponto final de insucesso. Analisar quando e por que os negócios são perdidos fornece insights essenciais para melhorar a estratégia de vendas, o treinamento e os processos de qualificação. Onde obter Este é um evento explícito capturado quando o status de um negócio muda para "lost". O campo "lost_time" da entidade Deals registra o timestamp. Captura Use o timestamp "lost_time" da entidade Deals. Tipo de evento explicit
	Pagamento recebido	Marca o recebimento bem-sucedido do pagamento do cliente, concluindo o ciclo de caixa da oportunidade. Este é o evento final do processo Lead to Cash e tem origem em um sistema financeiro.
Por que isso importa Esta é a etapa final que gera valor. Ela representa o verdadeiro fim do processo Lead to Cash e é essencial para medir o tempo do ciclo de ponta a ponta e analisar atrasos nos pagamentos. Onde obter É capturado em um sistema de contabilidade ou processamento de pagamentos. A confirmação do pagamento precisa ser vinculada novamente ao negócio do Pipedrive. Captura Dados de eventos de um sistema financeiro externo, vinculados ao negócio por meio de um identificador exclusivo. Tipo de evento explicit
	Proposta enviada	Representa o momento em que uma cotação ou proposta formal é enviada ao cliente. Muitas vezes, isso é inferido quando o negócio passa para uma etapa específica do pipeline, como "Proposal Made" ou "Quote Sent".
Por que isso importa Este é um marco importante no processo de vendas. Analisar o tempo entre esse evento e "Deal Won" ajuda a entender a duração da etapa de decisão e negociação. Onde obter É inferido a partir do changelog do Deal quando o "stage_id" muda para uma etapa designada para propostas. O timestamp da mudança de etapa é usado. Captura Detecte quando o "stage_id" de um Deal é atualizado para uma etapa específica de "Proposal". Tipo de evento inferred
	Contato inicial realizado	Representa a primeira interação relevante com o potencial cliente associado ao negócio. Normalmente, ela é registrada como uma atividade concluída, como uma ligação, um e-mail ou uma reunião vinculada ao negócio.
Por que isso importa Acompanhar esse evento ajuda a medir o tempo até o primeiro contato e garante que os leads sejam abordados rapidamente. Ele fornece um insight sobre a capacidade de resposta da equipe de vendas. Onde obter É capturado na entidade Activities do Pipedrive. Ele é identificado encontrando a atividade concluída mais antiga vinculada ao ID do negócio. Captura Encontre a primeira Activity concluída associada a um Deal, com base no campo "done_time". Tipo de evento explicit
	Follow-up da proposta	Registra qualquer atividade de vendas, como uma ligação ou um e-mail, que ocorra depois do envio de uma proposta ao cliente. Esse evento indica um envolvimento ativo durante a etapa de avaliação.
Por que isso importa Mede a rapidez e a frequência das ações de acompanhamento, que são essenciais para manter o ritmo e fechar negócios. Ele dá suporte ao Dashboard "Proposal Follow-up Timeliness". Onde obter É capturado na entidade Activities do Pipedrive. Ele é identificado como uma atividade concluída que ocorre depois do evento "Proposal Sent" para o mesmo negócio. Captura Identifique uma Activity concluída cujo "done_time" seja posterior ao timestamp da atividade "Proposal Sent". Tipo de evento explicit
	Negociação iniciada	Sinaliza o início da negociação ativa sobre preço, condições ou escopo. Normalmente, isso é inferido quando um negócio passa para a etapa "Negotiation" do pipeline depois do envio de uma proposta.
Por que isso importa Isolar a etapa de negociação ajuda a identificar quanto tempo essa parte específica do ciclo leva e quais negócios envolvem negociações longas. Onde obter É inferido a partir do changelog do Deal quando o "stage_id" é atualizado para uma etapa explicitamente nomeada para negociação. Captura Identifique, no histórico do negócio, a mudança para uma etapa "Negotiation" predefinida. Tipo de evento inferred
	Negócio qualificado	Indica que o negócio atende a critérios predefinidos e é considerado uma oportunidade viável que vale a pena perseguir. Normalmente, isso é inferido quando um negócio passa de uma etapa inicial do pipeline, como "Lead In", para uma etapa mais qualificada, como "Contact Made" ou "Needs Defined".
Por que isso importa Esse marco ajuda a analisar a eficácia do processo de qualificação de leads e mostra quanto tempo os negócios permanecem nas etapas iniciais, ainda não qualificadas. Onde obter É inferido a partir do changelog ou histórico do Deal quando o campo "stage_id" muda para uma etapa que indica qualificação. Captura Identifique, no histórico do negócio, a mudança para uma etapa "qualified" predefinida. Tipo de evento inferred
	Negócio reaberto	Representa um negócio que havia sido marcado como perdido, mas foi reativado para novas atividades de vendas. Esse evento é inferido quando o status de um negócio muda de "lost" para "open".
Por que isso importa Essa atividade destaca loops de retrabalho e esforços de reengajamento. Analisar essas ocorrências pode revelar padrões no comportamento do cliente ou na eficácia do acompanhamento de vendas. Onde obter É inferido a partir do changelog do Deal. Ele é detectado quando o campo "status" muda de "lost" para "open". Captura Identifique, no histórico do negócio, uma mudança de status de "lost" para "open". Tipo de evento inferred
	Nota fiscal enviada	Representa o momento em que uma fatura é enviada ao cliente para pagamento. Esse evento geralmente é acionado em um sistema externo de contabilidade ou faturamento depois do atendimento do pedido.
Por que isso importa Marca o início do ciclo de pagamento. O tempo entre esse evento e "Payment Received" é essencial para monitorar contas a receber e o fluxo de caixa. Onde obter Tem origem em um sistema externo de contabilidade ou ERP, como Xero ou QuickBooks. Os dados do evento precisam ser integrados e associados ao negócio do Pipedrive. Captura Dados de eventos de um sistema externo de faturamento, associados ao negócio por meio de uma integração via API. Tipo de evento explicit
	Pedido atendido	Indica que o produto foi enviado ou que o serviço foi entregue ao cliente. Esse evento tem origem em um sistema externo de atendimento de pedidos ou de operações.
Por que isso importa Acompanhar o atendimento do pedido é essencial para entender o tempo do ciclo entre o pedido e a entrega. Atrasos nessa etapa afetam diretamente a satisfação do cliente e o reconhecimento da receita. Onde obter É capturado em um ERP, sistema de estoque ou sistema de gestão de serviços externo. Esses dados precisam ser vinculados novamente ao negócio correspondente no Pipedrive. Captura Dados de eventos de um sistema externo, vinculados pelo ID do negócio ou por outro identificador comum. Tipo de evento explicit
	Pedido de venda criado	Representa a criação de um pedido de vendas formal em um sistema posterior, como um ERP ou uma plataforma de contabilidade, depois que um negócio é ganho. Essa atividade não é nativa do Pipedrive e depende de dados de um sistema integrado.
Por que isso importa Esse evento marca a transferência de responsabilidade de Vendas para Operações ou Finanças. Analisar o tempo entre "Deal Won" e essa atividade revela possíveis atrasos no processamento do pedido. Onde obter Normalmente, é capturado em um ERP ou sistema financeiro conectado. Os dados precisam ser ingeridos e vinculados ao ID do negócio no Pipedrive. Captura Dados de eventos enviados por um sistema externo via API, geralmente atualizando um campo personalizado no negócio do Pipedrive. Tipo de evento explicit

Recomendado Opcional

Guias de extração

Como obter seus dados do Pipedrive

Etapas

Faça login no Pipedrive: acesse sua conta do Pipedrive usando um perfil com permissão para exportar dados. Normalmente, esse é um usuário Admin.
Acesse a exportação de dados: clique na sua foto de perfil no canto superior direito e selecione “Settings”. No menu de navegação à esquerda, localize a seção “Tools and apps” e clique em “Export data”.
Exporte os dados de Deals: na tela “Export data”, selecione “Deals”. Escolha o formato de arquivo “CSV”. Recomendamos aplicar um filtro para um período específico, como os últimos 6 meses, para manter o tamanho do arquivo sob controle. Clique em “Export” e aguarde a geração e o download do arquivo. Ele conterá informações importantes dos negócios, incluindo horário de criação, horário de ganho e horário de perda.
Exporte os dados de Activities: repita o processo para “Activities”. Selecione “Activities”, escolha “CSV”, aplique o mesmo filtro de período usado para os negócios e exporte o arquivo. Ele conterá registros de ligações, e-mails, reuniões e atividades personalizadas vinculadas aos negócios.
Reúna dados externos: obtenha os dados correspondentes dos seus sistemas posteriores. Você precisará de exportações do seu ERP, sistema contábil ou sistema de fulfillment para eventos como “Sales Order Created”, “Order Fulfilled”, “Invoice Sent” e “Payment Received”. Verifique se esses arquivos contêm um identificador comum que possa ser associado ao ID do Deal no Pipedrive.
Configure um ambiente de processamento de dados: use uma ferramenta capaz de lidar com vários arquivos CSV e combiná-los, como Python com a biblioteca pandas, Microsoft Excel com Power Query ou outra ferramenta de preparação de dados.
Carregue e combine os dados: carregue os arquivos Deals.csv e Activities.csv. Carregue também os arquivos de dados externos reunidos na etapa anterior.
Crie o Event Log: crie um Event Log unificado transformando os dados brutos no formato de atividade necessário. Para cada uma das 13 atividades obrigatórias, crie um conjunto correspondente de linhas. Por exemplo:
- Os eventos “Deal Created” são gerados a partir da coluna add_time do arquivo Deals.csv.
- Os eventos “Deal Won” são gerados a partir da coluna won_time do arquivo Deals.csv.
- “Initial Contact Made” é a primeira atividade concluída de cada negócio no arquivo Activities.csv.
- Outras atividades, como “Proposal Sent” ou “Negotiation Started”, são inferidas a partir de assuntos ou tipos específicos de atividade em Activities.csv.
Mapeie os atributos: em cada linha de evento, verifique se todas as colunas obrigatórias estão preenchidas: SalesOpportunityId, ActivityName e EventTime. Adicione atributos recomendados, como DealValue, DealOwner e DealStatus, fazendo uma junção com os dados dos negócios.
Exporte o arquivo final: depois que o Event Log estiver totalmente criado e validado, salve a tabela final como um único arquivo CSV com codificação UTF-8. O arquivo estará pronto para ser carregado no ProcessMind para análise.

Configuração

Exporte os objetos: você deve exportar pelo menos “Deals” e “Activities”. Talvez também seja necessário exportar “Organizations” ou “People” se você precisar de dados dimensionais adicionais.
Formato do arquivo: escolha CSV para obter a maior compatibilidade com ferramentas de processamento de dados, como Python ou Power Query.
Filtro de período: use a opção “Filter by” para selecionar um período específico, por exemplo, “Deal add time” dentro dos “últimos 180 dias”. Isso é fundamental para controlar a performance da exportação e o tamanho do arquivo.
Permissões do usuário: você precisa ser um usuário Admin ou ter um conjunto de permissões que autorize explicitamente a exportação de dados da conta do Pipedrive.
Tipos de atividade personalizados: a extração bem-sucedida de etapas como “Deal Qualified” ou “Proposal Sent” depende muito do uso de Activity Types personalizados pela sua organização no Pipedrive. Verifique se eles estão configurados e sendo usados de forma consistente pelo time de vendas.

a Consulta de exemplo 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.')

Etapas

Configure o ambiente Python: verifique se o Python 3.6 ou uma versão mais recente está instalado no seu sistema. Abra um terminal ou prompt de comando e instale as bibliotecas Python necessárias executando o comando: pip install requests pandas.
Obtenha as credenciais da API do Pipedrive: faça login na sua conta do Pipedrive. Acesse Settings clicando na sua foto de perfil, selecione “Personal preferences” e abra a aba “API”. Copie seu token pessoal da API. Você também precisará do domínio da empresa, que é o prefixo da URL do Pipedrive, por exemplo, your-company em your-company.pipedrive.com.
Configure o script de extração: abra o script Python fornecido em um editor de texto ou IDE. Localize a seção de configuração no início e substitua os valores de exemplo de API_TOKEN e COMPANY_DOMAIN pelas suas credenciais.
Defina o período de extração: na seção de configuração do script, defina a variável START_DATE como a data de criação mais antiga dos negócios que você quer incluir na análise. O formato deve ser “YYYY-MM-DD”.
Mapeie os IDs do pipeline e das etapas: o script infere várias atividades com base na movimentação dos negócios entre etapas. Você precisa fornecer os IDs específicos do seu pipeline de vendas e das principais etapas. É possível encontrar esses IDs acessando a etapa na interface do Pipedrive e verificando a URL ou usando a API. Atualize no script as variáveis PIPELINE_ID, QUALIFIED_STAGE_ID, PROPOSAL_STAGE_ID e NEGOTIATION_STAGE_ID.
Execute o script: execute o script no terminal usando o comando: python your_script_name.py. O script começará a fazer chamadas à API do Pipedrive para buscar negócios, atividades e logs de alterações.
Monitore o processo: o script exibirá atualizações de progresso no console, indicando quais dados estão sendo buscados. O processo pode levar vários minutos, dependendo do volume de dados e dos limites de requisições da API.
Implemente a extração de dados externos: para atividades como “Sales Order Created” e “Payment Received”, o script contém funções de exemplo. Você precisa modificar essas funções para conectá-las aos seus sistemas externos, como uma plataforma de ERP ou contabilidade, e recuperar os dados de eventos relevantes. Mapeie o SalesOpportunityId do Pipedrive aos registros desses outros sistemas.
Revise o resultado: quando o script terminar, ele gerará um arquivo CSV chamado pipedrive_event_log.csv. Esse arquivo contém o Event Log estruturado com todas as atividades extraídas.
Prepare o upload: abra o arquivo CSV para verificar se ele foi criado corretamente. As colunas devem incluir SalesOpportunityId, ActivityName, EventTime e outros atributos recomendados. O arquivo estará pronto para ser carregado no ProcessMind para análise.

Configuração

Credenciais da API: o script exige um API_TOKEN válido e o seu COMPANY_DOMAIN para autenticar na API do Pipedrive. Verifique se o usuário associado ao token tem permissões suficientes para ler negócios, atividades e usuários.
Período: a variável START_DATE filtra os negócios criados na data especificada ou depois dela. Para uma análise inicial, recomendamos um período de 3 a 6 meses para manter o volume de dados sob controle.
IDs do pipeline e das etapas: para inferir corretamente etapas como “Deal Qualified” ou “Proposal Sent”, você precisa configurar o script com os IDs numéricos corretos do seu PIPELINE_ID principal e os valores de STAGE_ID específicos de cada marco importante. IDs incorretos resultarão em atividades ausentes.
Performance e limites de requisições: o script inclui uma breve pausa entre as chamadas à API para respeitar os limites do Pipedrive. Em organizações com um volume muito alto de negócios, talvez seja necessário ajustar essa pausa ou implementar uma estratégia de backoff mais sofisticada para evitar erros da API.
Mapeamento de campos personalizados: se você usa campos personalizados para atributos importantes, como DiscountPercentage, precisará encontrar a chave da API desse campo, que é uma string longa de hash, e não o nome exibido, e referenciá-la na lógica de transformação dos dados.
Integração com sistemas externos: a extração de eventos originados fora do Pipedrive, como faturamento ou fulfillment, é feita por funções de exemplo. Você precisa personalizar essas seções para conectá-las às suas fontes de dados externas específicas.

a Consulta de exemplo 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}")

Etapas

Selecione e licencie um serviço comercial de ETL ou automação com um conector compatível com o Pipedrive, como Fivetran ou Make. Confirme se o produto escolhido consegue extrair negócios, atividades, histórico de etapas, alterações de status, pessoas, organizações e campos personalizados, além de gravar os dados no seu data warehouse ou data lake de destino.
Crie uma conexão do Pipedrive autorizada para leitura usando o método de autenticação compatível com o conector. Configure a conta, o workspace ou a organização de origem de acordo com a ferramenta escolhida. Não presuma um caminho fixo de menu ou endpoint de API, pois eles variam conforme o produto e a versão do conector.
Configure a conexão de destino e crie uma área de aterrissagem para os objetos de origem sincronizados. Use os nomes de tabelas ou coleções gerados pelo conector ou substitua os nomes no script pelos nomes criados no seu ambiente. Preserve identificadores de origem, registros de data e hora, valores de status, valores de etapa, identificadores de responsáveis, valores monetários e campos personalizados.
Configure a sincronização incremental para o período necessário, normalmente os 3 a 6 meses anteriores, com uma janela de sobreposição quando o conector oferecer suporte. Inclua os registros históricos necessários para identificar negócios reabertos e inclua o histórico de etapas ou status, não apenas o snapshot atual do negócio.
Sincronize os objetos do Pipedrive e todos os objetos posteriores integrados necessários para “Sales Order Created”, “Order Fulfilled”, “Invoice Sent” e “Payment Received”. Essas quatro atividades não são eventos nativos do Pipedrive e exigem dados de origem de um sistema de ERP, fulfillment, contabilidade, faturamento ou financeiro. Se o conector não expuser esses objetos, carregue-os no destino por meio de outro conector compatível.
Crie visualizações ou tabelas normalizadas que mapeiem a saída do conector aos objetos lógicos de origem referenciados pelo script de extração. Substitua cada nome de tabela de exemplo no script pela tabela ou visualização correspondente no seu destino. Configure os nomes de etapas, valores de status, tipos de atividade e chaves de relacionamento com sistemas externos específicos da origem na seção de configuração indicada.
Execute o script de extração. Ele cria explicitamente linhas para “Deal Created”, “Initial Contact Made”, “Deal Qualified”, “Proposal Sent”, “Proposal Follow-Up”, “Negotiation Started”, “Deal Won”, “Sales Order Created”, “Order Fulfilled”, “Invoice Sent”, “Payment Received”, “Deal Lost” e “Deal Reopened”. Eventos inferidos do histórico de etapas ou status só são gerados quando o histórico de origem contém a transição necessária. O ProcessMind não infere eventos ausentes depois do upload.
Valide se SalesOpportunityId, ActivityName e EventTime estão preenchidos, se os registros de data e hora estão normalizados para um fuso horário consistente e se os registros de origem duplicados foram removidos ou controlados usando o identificador do evento de origem e o registro de data e hora do evento. Revise os atributos recomendados e mantenha valores NULL quando a origem não os fornecer.
Exporte o resultado como um CSV simples ou em outro formato de Event Log compatível com o ProcessMind. Use SalesOpportunityId como identificador do caso, ActivityName como coluna de atividade e EventTime como registro de data e hora do evento. Inclua DealValue, DealOwner, DealStatus e DiscountPercentage como atributos adicionais. Carregue o arquivo ou conecte o dataset de destino no ProcessMind e verifique se os nomes das atividades correspondem exatamente aos rótulos obrigatórios.

Configuração

Conector de origem: configure um conector compatível com o Pipedrive no serviço de ETL ou automação escolhido. Os recursos do conector, os modos de sincronização, os nomes das tabelas geradas e as opções de autenticação variam conforme o produto e a versão.
Dados de origem obrigatórios: inclua negócios, atividades, histórico de etapas, histórico de status, responsáveis ou usuários e todos os campos usados para identificar leads convertidos. Inclua dados posteriores de pedidos de venda, fulfillment, faturas e pagamentos dos sistemas integrados.
Objetos de destino: substitua [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] e [Your payments table] pelas tabelas geradas pelo conector ou por visualizações organizadas.
Período: comece com 3 a 6 meses de dados. Amplie o período quando o ciclo do processo for mais longo, quando for necessário analisar negócios reabertos ou quando forem necessárias transições históricas de etapas e status.
Parâmetros de data: defina [Start date] e [End date] no formato de data compatível com o destino. Use um período de sobreposição em cargas incrementais para capturar atualizações tardias, registros de data e hora corrigidos e transações posteriores atrasadas.
Configuração de etapas: configure os nomes exatos das etapas ou as categorias normalizadas usadas pela conta do Pipedrive para qualificação, proposta e negociação. Não dependa de nomes de exemplo, a menos que eles correspondam aos valores da origem.
Configuração de atividades: configure os tipos exatos de atividades concluídas que representam o contato inicial e o acompanhamento da proposta, como ligação, e-mail ou reunião, com base nos valores normalizados pelo conector.
Vinculação com sistemas externos: configure a chave de relacionamento que vincula um pedido de venda posterior a um negócio do Pipedrive. Se o sistema posterior usar outra chave, crie uma visualização de mapeamento antes de executar a extração.
Filtros: aplique filtros de empresa, organização, pipeline, time, moeda ou unidade de negócio somente quando forem necessários. Documente cada filtro, pois ele altera a completude dos casos e eventos.
Performance: use sincronização incremental, filtros de data na origem, tabelas de destino particionadas e colunas de caso e registro de data e hora indexadas ou agrupadas para grandes volumes de dados. Evite consultar repetidamente tabelas completas de histórico.
Deduplicação: mantenha um identificador estável do evento de origem quando disponível. Caso contrário, faça a deduplicação usando o identificador do caso, o nome da atividade, o registro de data e hora do evento e o identificador do registro de origem, preservando atividades repetidas legítimas, como vários acompanhamentos.
Pré-requisitos: são necessários a licença do conector, a autorização do Pipedrive, permissões de gravação no destino, acesso ao histórico e às atividades dos negócios e acesso aos dados posteriores de ERP, fulfillment, contabilidade, faturamento ou finanças. Campos personalizados e dados históricos de alterações podem exigir permissões adicionais do produto ou recursos específicos do conector.

a Consulta de exemplo 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")

Pronto para começar?

Use este Template para preparar seus dados de Lead to Cash com eficiência e começar a descobrir insights valiosos sobre o processo. Comece hoje a otimizar suas operações no Pipedrive.

Voltar ao guia de melhoria Baixar Template

Aumente as taxas de conversão: otimize hoje o Lead to Cash do Pipedrive

Aumente sua taxa de conversão em 20% e reduza os ciclos de vendas. Comece agora.

Comece seu teste grátis

Não é necessário cartão de crédito. Teste grátis por 14 dias.

Seu Template de dados de Lead to Cash

Seu Template de dados de Lead to Cash

Atributos de Lead to Cash

Atividades de Lead to Cash

Guias de extração

Exportação nativa de dados do Pipedrive para CSV/Excel

Etapas

Configuração

a Consulta de exemplo python

Extração por script Python usando a API REST do Pipedrive

Etapas

Configuração

a Consulta de exemplo python

Ferramenta de ETL de terceiros com conector do Pipedrive

Etapas

Configuração

a Consulta de exemplo python

Pronto para começar?

Aumente as taxas de conversão: otimize hoje o Lead to Cash do Pipedrive

Seu Template de dados de Lead to Cash

Seu Template de dados de Lead to Cash

Atributos de Lead to Cash

Atividades de Lead to Cash

Guias de extração

Exportação nativa de dados do Pipedrive para CSV/Excel

Etapas

Configuração

a Consulta de exemplo python

Extração por script Python usando a API REST do Pipedrive

Etapas

Configuração

a Consulta de exemplo python

Ferramenta de ETL de terceiros com conector do Pipedrive

Etapas

Configuração

a Consulta de exemplo python

Pronto para começar?

Aumente as taxas de conversão: otimize hoje o Lead to Cash do Pipedrive

Valorizamos sua privacidade