员工入职数据模板

BambooHR

← 返回改进指南

员工入职属性 (20) 员工入职活动 (15) 提取指南 (2)

员工入职数据模板

本模板为您提供了收集数据以进行入职流程深度分析的所有必要指南。它列出了关键的数据属性和待追踪的活动，并提供了从 BambooHR 高效提取数据的明确说明。利用此资源构建稳健的事件日志，确保获取准确的入职旅程洞察。

建议收集的属性
用于流程发现的关键跟踪活动
BambooHR 数据提取分步指南

不熟悉事件日志？了解如何创建流程挖掘事件日志.

下载模板

员工入职属性

这些是事件日志中必选的数据字段，能够支持对员工入职流程进行全面分析。

5 必填 6 推荐 9 可选

	名称	描述
	事件timestamp EventTimestamp	入职活动完成或发生的精确日期和时间。
描述事件 timestamp 记录了特定活动发生的精确时刻。这类时间数据对于按时间顺序排列事件以及计算流程中各环节的时长至关重要。该属性是 Process Mining 中所有时间维度分析的基础，用于计算周期时间、等待时间及整体流程时长。通过分析 timestamp，企业可以识别出耗时最长的阶段，衡量实际表现与服务等级协议（SLA）的差距，并精准定位影响新员工体验的延迟环节。为何重要该 timestamp 提供了事件的时间顺序，对于所有绩效和时长分析（如计算周期时间和识别延迟）都必不可少。获取方式从 BambooHR 中对应活动完成情况的各种日期字段中提取，例如“接受录用日期”、“背景调查完成日期”或记录状态更改的系统日志。示例 2023-10-01T10:00:00Z2023-10-05T14:30:00Z2023-10-15T09:00:00Z
	入职 case OnboardingCase	将单个新员工的所有入职活动关联在一起的唯一标识符。
描述入职 case 是整个员工入职流程的核心标识符。它将从接受 Offer 到完成 30 天面谈的所有相关事件联结成一个完整的旅程。在 Process Mining 分析中，该属性对于重构每位员工的端到端流程至关重要。它支持流程图的可视化、计算 case 级 KPI（如总周期时间）以及分析不同的流程变体。如果没有统一的 case 标识符，就无法追踪单个员工在各个入职阶段的流转情况。为何重要这是关联所有相关事件的主键，使得分析每位新员工的完整入职旅程成为可能。获取方式这是一个概念性标识符。由于 BambooHR 可能没有单一显式的“入职案例 ID”，因此通常需要在数据准备阶段通过结合员工 ID 与入职批次或日期来构建。示例 ONB-00123ONB-00124ONB-00125
	活动名称 ActivityName	入职流程中特定任务或里程碑的名称。
描述该属性记录了入职旅程中每个独立 event 或步骤的名称，如“接受 Offer”、“背景调查完成”和“首日入职培训完成”。在分析中，活动名称用于构建流程图，展示事件顺序和工作流。它是识别瓶颈、分析活动频率以及理解新员工所经路径（即变体）的关键。通过审查这些活动的顺序，分析师可以发现流程偏离情况及改进机会。为何重要它定义了流程的步骤，构成了流程图的骨架，支持对工作流、瓶颈和变体进行分析。获取方式根据 BambooHR 入职清单或招聘工作流中的状态更改、任务完成情况或特定日期字段推导得出。示例已接受 Offer入职资料包已发送IT 配置已请求30 天入职跟进已完成
	最后数据更新 LastDataUpdate	指示源系统数据上次刷新时间的时间戳。
描述该属性记录了最近一次 data 提取或更新的时间。它让用户清楚地了解数据的实时性和关联性。在任何分析（尤其是流程监控）中，了解数据的时效性都至关重要。该 timestamp 有助于用户确认当前查看的是最新业务状态还是历史快照，这对于追踪活跃入职案例的 dashboard 尤为关键。为何重要告知用户数据的时效性，确保他们了解流程分析的实时程度。获取方式该 timestamp 在数据提取和加载时生成并附加到数据集中。示例 2024-05-21T08:00:00Z
	源系统 SourceSystem	指示提取此数据的原始系统。
描述该属性指定数据的来源系统（此处为 BambooHR）。它有助于数据治理，尤其是在整合多个系统的数据时提供背景信息。明确标注来源系统对于数据溯源和故障排查非常重要。在大型分析环境中，这能确保用户理解数据背景，并在出现疑问或不一致时能够追根溯源。为何重要提供有关 data 来源的关键信息，这对于数据治理、验证以及多源数据集成至关重要。获取方式这是一个静态值“BambooHR”，在数据转换过程中添加。示例 BambooHR
	员工ID EmployeeId	BambooHR 为每位员工分配的唯一标识符。
描述员工 ID 是 HR 系统中识别特定员工的唯一标识符。在员工的整个任职期间，该 ID 保持不变。虽然入职 case 是流程分析的主要标识，但员工 ID 对于将入职数据关联回员工主记录至关重要。通过关联，您可以补充职位、部门等其他属性，从而深入分析入职体验在不同类型员工之间的差异。为何重要唯一识别新员工，支持关联其他员工数据，并可追踪其入职后的整个职业生命周期。获取方式作为标准字段存在于 BambooHR 的员工记录中。示例 601856018660187
	地点 Location	新员工的主要工作地点或办公办公室。
描述该属性标识新员工所在的办公地点或地理位置，可以是城市、大楼或“远程”。按地区分析有助于发现入职流程中的地域差异。例如，不同城市的设备交付周期可能大不相同，各办公室也可能有独特的本地培训流程。此类分析有助于在推进标准化的同时，合理兼顾必要的地区差异。为何重要有助于识别不同地区的流程绩效差异，例如设备交付延迟或当地培训程序的差异。获取方式 BambooHR 员工档案中的标准字段，通常位于聘用或地点详情下。示例纽约办公室英国伦敦远程（美国）旧金山总部
	招聘经理 HiringManager	新员工所属直属经理的姓名。
描述该属性识别新员工的直属经理。招聘经理在入职流程中扮演关键角色，负责团队介绍、目标设定等任务。按经理分析入职绩效，可以发现哪些经理在人才融入方面表现卓越，而哪些经理可能需要额外支持或培训。这有助于推广优秀管理经验，提升全公司入职体验的一致性和质量。为何重要支持按经理进行绩效分析，识别哪些经理擅长带教入职，哪些经理可能需要更多支持。获取方式通常位于 BambooHR 的员工职位信息或汇报结构详情中。示例 Jane Doe约翰·史密斯Emily Jones
	结束 Timestamp EndTimestamp	活动的完成 timestamp（如果该活动具有可测量的时长）。
描述 StartTime (EventTimestamp) 记录活动开始的时间，而 EndTimestamp 则记录其完成的时间。这对于非即时性活动（如“背景调查”，包含启动和完成两个状态）尤为重要。同时使用开始和结束 timestamp 可以更精确地计算单个活动的实际处理时间。这有助于区分处理任务的有效时间与等待下一步开始的空转时间，这种精细度的指标对于深度瓶颈分析至关重要。为何重要支持精确计算活动处理时间，区分实际工作时间和等待时间。获取方式根据后续活动的时间戳推导得出。例如，“启动背景调查”的 EndTimestamp 将是“背景调查完成”的时间戳。示例 2023-10-02T11:00:00Z2023-10-06T16:45:00Z2023-10-16T10:00:00Z
	职位名称 JobTitle	新员工的具体职位。
描述该属性记录新员工的官方职位名称（例如“软件工程师”、“客户执行”或“产品经理”），为入职流程分析提供了一个重要维度。不同职位可能有独特的入职要求，如专项培训或特定设备。按职位进行分析可以揭示某些角色是否存在更严重的延迟或特殊的流程路径。这有助于根据岗位需求量身定制并优化入职体验。为何重要支持根据职位复杂程度和要求分析入职流程，有助于为不同岗位量身定制入职体验。获取方式 BambooHR 中与员工职位信息关联的标准字段。示例高级软件工程师市场协调员大区销售总监
	部门 Department	新员工加入的部门。
描述该属性指定新员工所属的组织部门（如“工程”、“销售”或“市场”），是进行流程绩效切片和对比的核心维度。按部门分析入职流程对于理解全公司的绩效差异至关重要。它可以解答类似“哪个部门的入职周期最长？”或“某些部门的强制培训完成率是否偏低？”等问题。这些洞察有助于实施针对性优化，并在部门间分享成功经验。为何重要支持在组织的不同部门之间比较入职效率、周期时长和合规率。获取方式 BambooHR 中与员工职位信息关联的标准字段。示例工程部销售市场营销人力资源
	事件执行人 EventPerformer	执行入职活动的具体用户或系统。
描述该属性识别负责完成某项活动的个人、团队或自动化系统。例如，HR 专员负责“发送入职资料包”，而招聘经理负责“团队引见”。这些信息对于资源分析和了解工作负荷分布至关重要。它能帮助找出哪些团队或角色正身处最耗时或成为瓶颈的环节，从而为资源调配和自动化策略提供数据支持。为何重要识别谁在执行每项任务，这对于工作量分析、资源优化以及理解特定用户的行为至关重要。获取方式这些信息可能会在 BambooHR 的审计日志或任务完成详情中捕捉，通常与执行更新的用户相关联。示例 HR 行政陈大卫 (招聘经理)系统自动化IT支持
	入职周期时间 OnboardingCycleTime	单个 case 入职流程的总时长。
描述该计算指标衡量每个入职案例的端到端周期时间（通常从“接受 Offer”到“30 天面谈完成”），代表了整个流程的总耗时。这是评估整体流程效率的核心 KPI。在仪表板中，它被用于追踪平均入职时长、对比各部门或职位的表现，并衡量优化措施的成效。更短的周期时间通常意味着更佳的员工入职体验和更低的行政成本。为何重要这是衡量流程整体效率并追踪长期改进效果的关键 KPI。获取方式通过计算 case 中第一个活动与最后一个活动的时间戳之差得出。示例 35天42 天28天
	团队 Team	新员工在部门中被分配的具体团队。
描述该属性提供比“部门”更精细的组织信息，指定具体的业务团队（如“前端开发组”或“大客户销售团队”）。虽然部门级分析很有用，但团队级分析能挖掘更具象的洞察，揭示职能相似团队间的绩效差异，并评估团队特定活动（如小组介绍或培训）对入职旅程的影响。这对于需要进行精细化管理的大型部门尤为重要。为何重要提供比“部门”更精细的视图，支持分析不同团队之间的绩效和流程差异。获取方式这可能是 BambooHR 中的标准或自定义字段，通常属于员工组织分配信息的一部分。示例平台工程部中型市场销售部内容营销
	国家/地区 Country	新员工入职的国家/地区。
描述该属性指定入职国家/地区。对于跨国企业，这是一个至关重要的分析维度。入职流程和法规在不同国家差异巨大。按国家分析有助于企业了解这些差异，确保符合当地法律，并寻找跨区域标准化的机会。它还能解释因各国法定假日或行政程序不同而导致的周期时长波动。为何重要对于全球化企业分析流程变体、确保当地合规以及管理特定地区的入职要求至关重要。获取方式 BambooHR 中员工地点或地址信息里的一个标准字段。示例美国英国德国加拿大
	开始日期 StartDate	新员工正式上班的第一天。
描述入职日期是流程中的关键里程碑。它将背景调查和文书等“预入职活动”与入职后的“培训活动”区分开来。该日期在多项分析中作为关键参考点。例如，用于计算“首日就绪率”KPI，以评估所有必要的预入职任务是否在员工报到前完成。此外，它还有助于分析预入职环节的时效性及其对首日生产力的影响。为何重要作为区分入职前与入职后活动的关键里程碑，用于衡量新员工在入职第一天是否准备就绪。获取方式这对应于 BambooHR 员工记录中标准的“入职日期”字段。示例 2023-11-012023-11-152023-12-01
	新员工姓名 NewHireName	正在办理入职的员工全名。
描述该属性包含新员工的姓名，主要用于需要识别具体人员的报表或 dashboard。在流程挖掘分析中，为了符合数据隐私法规，姓名通常会被脱敏或由员工 ID 代替。但在 HR 或经理用于追踪进行中案例的运营控制台中，显示姓名可以提供更直观、便捷的信息背景。为何重要为具体案例提供易读且人性化的信息背景，尤其适用于 HR 和经理查看的运营 dashboard。获取方式 BambooHR 中员工个人信息里的一个标准字段。示例爱丽丝·约翰逊Robert WilliamsMaria Garcia
	是否返工 IsRework	一个标识活动是否为重复执行步骤的标记。
描述这是一个计算出的布尔属性，如果某个活动（如“发送资料包”）在同一个入职 case 中出现多次，则设为 true。这通常意味着某个步骤被重复执行，往往暗示存在错误、信息缺失或效率低下。识别返工（Rework）是 Process Mining 的核心能力。该标识符可以轻松过滤并量化返工实例，直接支持以返工为核心的 KPI 和控制台分析，帮助指出流程摩擦点。减少返工能显著缩短周期，并提升员工和 HR 团队的体验。为何重要通过标记必须重复执行的活动，突出流程中的低效、错误和无用功。获取方式这是一个计算字段。逻辑是在 Process Mining 工具内部实现的，用于检测 case 内重复出现的活动序列。示例 truefalse
	雇佣状态 EmploymentStatus	新员工在雇佣生命周期中的当前状态。
描述该属性追踪新员工在入职过程中的状态变更，例如从“接受 Offer”到“预入职”再到“正式员工”。它提供了员工所处阶段的高层级视图。在 Process Mining 中，这可用作 case 级属性，用于过滤进行中的案例或分析各状态的停留时长。这对于提供实时进度概览的 dashboard 尤为有用，方便 HR 和经理实时监控。为何重要提供入职 case 的高层级状态，支持过滤进行中的案例并监控整体进度。获取方式这是 BambooHR 员工记录中的标准字段。示例在职未激活已终止休假中
	预入职周期时间 PreHireCycleTime	正式入职日期前所有活动的持续时长。
描述该计算指标衡量完成所有预入职任务（如文书处理、背景调查）所需的时间，通常从“接受 Offer”计算至入职日期前的最后一项活动。该 KPI 对于“预入职活动完成耗时”控制台至关重要。它能帮助企业识别并解决员工报到前的延迟，确保其首日即可投入工作。缩短预入职周期有助于提升准员工的体验并减少行政阻碍。为何重要有助于衡量并优化必须在员工入职首日之前完成的行政任务的效率。获取方式通过计算第一个入职前活动与最后一个入职前活动之间的时间差得出。示例 10 天14 天7天

必填推荐可选

员工入职活动

这些是事件日志中需要捕捉的关键步骤和里程碑，旨在确保准确的流程发现和绩效监控。

7 推荐 8 可选

	活动	描述
	30 天入职跟进已完成	代表新员工与经理之间的首次正式沟通（通常在入职 30 天左右）。当“30 天面谈”任务或绩效考评表在 BambooHR 中标记为已完成时，系统会记录该事件。
为何重要该里程碑对于获取早期反馈、解决疑虑和提升员工留存率至关重要。追踪其完成情况可确保在关键时期与新员工保持持续沟通。获取方式从 BambooHR 中“30 天跟进”任务或绩效评估表的完成时间戳中获取。捕获当经理将跟进任务或表格标记为“已完成”时，系统会记录该事件。事件类型 explicit
	入职资料包签署完毕	当新员工完成资料包中所有必要文件的签署时，会触发该 event。当员工完成资料包内所有电子签名后，BambooHR 会自动记录。
为何重要完成文书工作是新员工入职第一天的关键前提。分析这一里程碑对于确保合规性和就绪状态至关重要，能有效防止返工和入职日期延迟。获取方式从 BambooHR 中已发送的新员工材料包状态变为“已完成”的时间戳中获取。捕获当新员工材料包中最后一个必需的电子签名完成后，系统会记录一个离散事件。事件类型 explicit
	已完成的入职任务	此活动标志着新员工入职清单中所有分配任务的完成。当入职任务列表的完成百分比达到 100% 或勾选了最后的“完成入职”任务时，即可判定为该 event。
为何重要这标志着入职流程中结构化、任务驱动部分的最终结束。它确认所有行政和准备步骤均已成功执行。获取方式根据员工入职任务清单中最后一项完成任务的时间戳，或当整体入职流程状态被标记为“完成”时推导得出。捕获识别与单个入职 case 关联的所有任务中最新的完成时间戳。事件类型 inferred
	已接受 Offer	此活动标志着入职流程的正式开始，发生于候选人正式接受 Offer 时。在 BambooHR 中，当候选人在招聘系统（ATS）中的状态更改为“已雇用”时，会触发创建员工档案和入职清单，从而记录该 event。
为何重要这是每个入职 case 的关键起点。分析从该 event 到其他环节的时间，有助于衡量预入职流程的整体效率和速度。获取方式根据候选人状态在 BambooHR ATS 模块中更新为“已录用”的日期，或填充员工入职日期字段的日期推导得出。捕获识别申请人的 'status' 字段更改为 'Hired' 的时间戳。事件类型 inferred
	强制性培训已完成	标志着新员工顺利完成了必修培训课程。当培训跟踪模块中的课程状态更新为“已完成”时，BambooHR 会记录该 event。
为何重要这是一个关键的合规里程碑。跟踪其完成情况可确保公司符合法律和内部制度要求，并保证员工掌握了岗位所需的必要知识。获取方式从 BambooHR 培训模块中培训记录状态更改为“已完成”的时间戳中获取。捕获当培训记录的状态字段更新为“已完成”时，系统会记录一个离散事件。事件类型 explicit
	背调已完成	此活动表示新员工的背景调查已顺利完成且结果可用。在 BambooHR 中，当入职清单中的“背景调查”任务标记为“已完成”时，即记录该信息。
为何重要这是核心合规里程碑。从启动到完成之间的延迟可能是主要瓶颈，追踪此环节有助于确保在入职日期前满足所有预聘要求。获取方式从新员工入职任务清单中“背景调查”任务的完成时间戳中获取。捕获当背景调查任务状态更新为“已完成”时，系统会记录该事件。事件类型 explicit
	首日入职培训已完成	标志着新员工入职培训（Orientation）的完成。该环节涵盖企业文化、规章制度及团队介绍。当 HR 或招聘经理在 BambooHR 入职清单中勾选完成“首日入职培训”任务时，系统会自动记录该 event。
为何重要这是员工参与度和融入情况的关键里程碑。确保该环节准时、一致地执行，对于帮助新员工取得成功并建立积极的职场体验至关重要。获取方式从入职任务清单中“首日入职培训”任务的完成时间戳中获取。捕获当入职培训任务被标记为“已完成”时，系统会记录该事件。事件类型 explicit
	IT 配置已请求	此活动标志着正式向 IT 部门发送请求，以为新员工创建必要的账户和权限。在 BambooHR 中，当入职清单中创建并分配了预设的“IT 配置”任务时，系统会捕捉到该信息。
为何重要及时的 IT 配置对首日高效工作至关重要。追踪此 event 有助于衡量 IT 部门的响应速度，并诊断新员工获取系统访问权限时的延迟原因。获取方式从新员工入职任务清单中“IT 账号配置”或类似任务的创建日期和时间中获取。捕获当在入职清单中创建 IT 配置任务时，系统会记录该事件。事件类型 explicit
	入职资料包已发送	标志着新员工入职资料包（包含 I-9、W-4 及公司制度等文件）已发送给员工进行审阅和签署。当 HR 管理员通过 BambooHR 系统发送文档时，系统会记录这一 event。
为何重要此活动启动了一个关键的行政 workflow。通过测量从此时点到文书完成的时间，有助于评估文档处理流程的效率。获取方式从 BambooHR 中将新员工材料包发送给员工进行电子签名的时间戳中获取。捕获当执行“发送材料包”操作时，系统会记录一个离散事件。事件类型 explicit
	团队介绍已完成	代表新员工正式引荐给直系团队成员。这通常是由经理引导的非正式活动，通过 BambooHR 入职清单中相应任务的完成来记录。
为何重要社交融入是成功入职的关键。跟踪此活动有助于确保经理完成了欢迎新员工的必要步骤，从而增强团队凝聚力。获取方式从入职任务清单中“团队介绍”任务的完成时间戳中获取，该任务通常分配给招聘经理。捕获当经理将“团队介绍”任务标记为“已完成”时，系统会记录该事件。事件类型 explicit
	已创建员工档案	代表在 HRIS 系统中正式创建新员工记录，将其身份从候选人转变为员工。这通常是根据 BambooHR 数据库中员工记录的创建日期来推断的（一般发生在接受 Offer 之后）。
为何重要此活动是后续所有入职步骤（如 IT 配置和薪资设置）的基础，为员工正式进入系统提供了明确的 timestamp。获取方式根据核心员工数据表中新员工记录的系统创建时间戳推导得出。捕获使用员工主记录中的“created_at”或等效的元数据 timestamp。事件类型 inferred
	已发起背景调查	代表通过集成服务为新员工申请背景调查的时间点。通常在 BambooHR 的入职任务列表中创建或启动“背景调查”任务时捕捉。
为何重要追踪背景调查的启动，有助于发现预聘筛查环节的延迟。这通常是确保合规和按时入职的关键路径。获取方式从 BambooHR 入职任务清单中“背景调查”任务的创建或开始日期中获取。捕获当背景调查任务创建或其状态更改为“进行中”时，系统会记录该事件。事件类型 explicit
	强制性培训已分配	当向新员工分配强制性合规培训或岗位培训时，会触发该 event。在 BambooHR 中，当员工记录中新增培训项目时，系统会在培训跟踪模块中明确记录。
为何重要这是衡量培训合规性的起点。分析从分配到完成的时长，有助于确保员工及时满足监管及公司制度要求。获取方式从 BambooHR 培训模块中分配给特定员工的培训记录创建日期中获取。捕获当员工培训跟踪表中创建新条目时，系统会记录一个离散事件。事件类型 explicit
	设备已订购	代表为新员工订购必要硬件设备（如笔记本电脑或手机）的时间点。通常在 BambooHR 入职清单中的“订购设备”任务标记为完成时记录。
为何重要该活动是确保新员工获得办公工具的关键里程碑。此处的延误会直接影响员工的首日就绪状态和工作效率。获取方式从 BambooHR 入职任务清单中“订购设备”任务的完成时间戳中获取。捕获当“订购设备”任务的状态更新为“已完成”时，系统会记录该事件。事件类型 explicit
	设备已送达	此活动表示订购的设备已送达并准备就绪。在 BambooHR 入职清单中，这通常通过“设备已送达”或“工位设置”任务的完成来追踪。
为何重要追踪从订购到交付的时长，可以揭示潜在的供应链或物流瓶颈，确保所有办公资产在员工入职前准备就绪。获取方式从入职任务清单中“设备已送达”或“办公位设置”任务的完成时间戳中获取。捕获当交付或设置任务的状态更新为“已完成”时，系统会记录该事件。事件类型 explicit

推荐可选

提取指南

如何从 BambooHR 获取数据

步骤

登录 BambooHR：使用具有创建和运行自定义报告权限的用户账号访问您的 BambooHR 实例。
导航至自定义报告：从主导航菜单进入“报告 (Reports)”。在“管理报告 (Manage Reports)”部分，点击“添加报告 (Add Report)”。
配置报告：为报告起一个描述性的名称，如“入职流程挖掘导出”。如果需要，可以提供简短描述。
选择报告字段：在“字段 (Fields)”选项卡中，选择事件日志所需的所有列。这包括选择员工标识符、关键属性以及与入职活动相对应的所有相关日期字段。您需要选择如下字段：
- Employee #
- 名字 (First Name)、姓氏 (Last Name)
- 部门 (Department)、职位 (Job Title)、地点 (Location)
- 招聘经理 (Hiring Manager)
- 入职日期 (Hire Date)（用于标识“创建员工档案”活动）
- 您用于标记里程碑的任何自定义日期字段，例如“接受录用日期”。
- 所有相关入职和离职任务的完成日期。您需要选择每个具体任务，例如：“背景调查完成日期”、“入职材料包发送日期”、“入职材料包完成日期”、“IT 配置请求日期”等。
- 来自培训模块的日期，例如“强制培训分配日期”和“强制培训完成日期”。
设置报告筛选器：转到“筛选器 (Filters)”选项卡以定义数据范围。强烈建议按“入职日期”进行筛选，以获取特定时期内（例如过去 6 个月）的员工。这可以防止报告过大导致超时。
保存并生成报告：配置完所有字段和筛选器后，点击“保存并运行 (Save & Run)”。在 BambooHR 界面中检查结果，确保包含预期的员工和数据列。
导出数据：点击导出按钮（通常由云图标或箭头图标表示），选择“逗号分隔值 (.csv)”作为格式。将文件保存到本地计算机，并命名为 bamboohr_onboarding_export.csv。
准备转换脚本：复制本文档“查询 (query)”部分提供的完整 Python 脚本，并将其保存为名为 transform_bamboohr.py 的文件，放在导出的 CSV 文件所在的同一目录下。
安装必要的库：如果您尚未安装 pandas，请打开终端或命令行界面，运行命令：pip install pandas。
执行转换：打开终端或命令行界面，导航到包含文件的目录，使用命令运行脚本：python transform_bamboohr.py。这将处理宽格式的 CSV 导出文件，并生成一个名为 event_log.csv 的长格式文件，以便进行流程挖掘。
上传至 ProcessMind：event_log.csv 文件现在可以上传到 ProcessMind 应用程序进行分析了。

配置

前提条件：您必须拥有 BambooHR Advantage 套件，其中包含高级报告和入职功能。您的用户角色需要拥有创建、查看和导出包含员工数据的自定义报告的权限。
报告字段：该方法的核心在于选择正确的字段。报告必须以“宽”格式构建，即每名员工占一行，每个入职活动都有自己的日期列。您必须包含 Employee # 作为 case identifier，以及 Department、Job Title 和 Hiring Manager 等所有相关的属性列。
自定义字段和任务：数据提取高度依赖于贵公司对 BambooHR 的使用方式。诸如“接受录用”或“订购设备”之类的活动必须记录在特定的自定义日期字段中，或作为入职清单中的任务。请务必选择这些任务的完成日期字段，而不仅仅是任务名称。
日期范围筛选器：为了确保性能和相关性，请务必按“入职日期”筛选报告。通常 6 到 12 个月的滚动周期足以进行流程分析，且不会导致导出的文件过大。
报告调度：为了实现持续监测，可以考虑使用 BambooHR 的定时报告功能，通过电子邮件定期（例如每周）发送给您。这有助于实现数据提取第一阶段的自动化。

a 查询示例 config

import pandas as pd
import numpy as np
from datetime import datetime

# --- Configuration ---
# The input file exported from BambooHR.
BAMBOOHR_EXPORT_FILE = 'bamboohr_onboarding_export.csv'

# The final output file ready for ProcessMind.
EVENT_LOG_FILE = 'event_log.csv'

# This dictionary maps the column names from your BambooHR export to the desired Activity Name.
# You MUST update the keys (the column names) to exactly match the headers in your exported CSV file.
# For example, if your 'Background Check Completed' task completion date column is named 'Onboarding: Background Check - Completed On', update it below.
ACTIVITY_MAPPING = {
    '[Offer Accepted Date Custom Field]': 'Offer Accepted',
    '[Background Check Initiated Task Completion Date]': 'Background Check Initiated',
    '[Background Check Completed Task Completion Date]': 'Background Check Completed',
    '[Paperwork Packet Sent Task Completion Date]': 'Paperwork Packet Sent',
    '[Paperwork Packet Completed Task Completion Date]': 'Paperwork Packet Completed',
    'Hire Date': 'Employee Profile Created',
    '[IT Provisioning Requested Task Completion Date]': 'IT Provisioning Requested',
    '[Equipment Ordered Task Completion Date]': 'Equipment Ordered',
    '[Equipment Delivered Task Completion Date]': 'Equipment Delivered',
    '[First Day Orientation Completed Task Completion Date]': 'First Day Orientation Completed',
    '[Mandatory Training Assigned Date]': 'Mandatory Training Assigned',
    '[Team Introduction Completed Task Completion Date]': 'Team Introduction Completed',
    '[Mandatory Training Completed Date]': 'Mandatory Training Completed',
    '[30-Day Check-in Completed Task Completion Date]': '30-Day Check-in Completed',
    '[Onboarding Tasks Completed Date]': 'Onboarding Tasks Completed'
}

# --- Main Script ---
def transform_bamboohr_export():
    """Loads the wide BambooHR report, transforms it into a long event log format, and saves it to a new CSV."""
    print(f"Reading BambooHR export from '{BAMBOOHR_EXPORT_FILE}'...")
    try:
        df = pd.read_csv(BAMBOOHR_EXPORT_FILE)
    except FileNotFoundError:
        print(f"Error: The file '{BAMBOOHR_EXPORT_FILE}' was not found. Please ensure it is in the same directory as the script.")
        return

    print("Identifying attribute and activity columns...")
    # Use Employee # as the unique case identifier.
    id_vars = ['Employee #']
    
    # Define recommended attributes to keep for each event.
    # Update these column names if they are different in your export.
    attribute_vars = [
        'Department', 
        'Job Title', 
        'Location', 
        'Hiring Manager'
    ]

    # All columns that exist in the dataframe and are in our mapping are treated as value_vars for melting.
    value_vars = [col for col in ACTIVITY_MAPPING.keys() if col in df.columns]
    
    if not value_vars:
        print("Error: None of the specified activity columns in ACTIVITY_MAPPING were found in the CSV.")
        print("Please check your column names.")
        return

    # Ensure all identifier and attribute columns are present.
    all_id_vars = id_vars + attribute_vars
    missing_cols = [col for col in all_id_vars if col not in df.columns]
    if missing_cols:
        print(f"Warning: The following columns were not found and will be skipped: {', '.join(missing_cols)}")
        all_id_vars = [col for col in all_id_vars if col in df.columns]

    print("Unpivoting data to create event log...")
    # Unpivot the dataframe from wide to long format.
    event_log_df = df.melt(
        id_vars=all_id_vars,
        value_vars=value_vars,
        var_name='ActivityName',
        value_name='EventTimestamp'
    )

    # Drop rows where the event did not occur (timestamp is null).
    event_log_df.dropna(subset=['EventTimestamp'], inplace=True)
    
    print("Formatting columns for ProcessMind...")
    # Replace the source column names with the clean activity names.
    event_log_df['ActivityName'] = event_log_df['ActivityName'].map(ACTIVITY_MAPPING)

    # Rename columns to match the required schema.
    event_log_df.rename(columns={'Employee #': 'OnboardingCase'}, inplace=True)
    event_log_df['EmployeeId'] = event_log_df['OnboardingCase']

    # Add static columns required by the schema.
    event_log_df['SourceSystem'] = 'BambooHR'
    event_log_df['LastDataUpdate'] = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
    event_log_df['EndTimestamp'] = event_log_df['EventTimestamp'] # Assuming point-in-time events
    
    # Ensure timestamp format is consistent.
    event_log_df['EventTimestamp'] = pd.to_datetime(event_log_df['EventTimestamp']).dt.strftime('%Y-%m-%d %H:%M:%S')
    event_log_df['EndTimestamp'] = pd.to_datetime(event_log_df['EndTimestamp']).dt.strftime('%Y-%m-%d %H:%M:%S')

    # Reorder columns for clarity.
    final_columns = [
        'OnboardingCase', 'ActivityName', 'EventTimestamp', 'SourceSystem', 'LastDataUpdate',
        'EmployeeId', 'Department', 'Job Title', 'Location', 'HiringManager', 'EndTimestamp'
    ]
    # Filter to only include columns that exist.
    final_columns = [col for col in final_columns if col in event_log_df.columns]
    event_log_df = event_log_df[final_columns]

    # Sort the data.
    event_log_df.sort_values(by=['OnboardingCase', 'EventTimestamp'], inplace=True)

    print(f"Saving event log to '{EVENT_LOG_FILE}'...")
    event_log_df.to_csv(EVENT_LOG_FILE, index=False)
    print("Transformation complete.")

if __name__ == '__main__':
    transform_bamboohr_export()

步骤

前提条件与环境搭建：确保您的系统中安装了 Python 3.6 或更高版本。在终端中运行以下命令安装必要的库：pip install pandas requests。
生成 BambooHR API Key：以管理员权限登录您的 BambooHR 账号。点击右上角的个人资料图标，选择“API Keys”，然后创建一个新的 API Key。为该 Key 起一个描述性的名称，如“ProcessMiningExtraction”，并确保其拥有对员工数据、入职任务和培训记录的只读权限。安全地复制生成的 Key。
配置 Python 脚本：将提供的 Python 脚本保存为文件，例如 extract_onboarding.py。打开该文件，将 COMPANY_SUBDOMAIN 替换为您公司唯一的子域名（即 BambooHR URL 中 '.bamboohr.com' 之前的部分），并将 API_KEY 替换为您在上一步中生成的 Key。
设置数据提取日期范围：修改脚本中的 START_DATE 和 END_DATE 变量。这些参数定义了纳入提取范围的新员工入职时间窗口。请使用 'YYYY-MM-DD' 格式。
执行脚本：在终端中使用命令运行脚本：python extract_onboarding.py。脚本将连接到 BambooHR API，获取所需数据并开始处理。
了解 API 调用机制：脚本首先调用员工目录报告端点，以获取在指定日期范围内入职的所有员工列表。此列表构成了 OnboardingCase 标识符的基础。
迭代数据抓取：对于识别出的每位新员工，脚本会发起后续 API 调用，以检索其详细档案信息、分配的入职任务和培训记录。这确保了每位员工入职旅程中的所有相关数据点都能被采集到。
数据转换与映射：脚本将来自 API 的原始 JSON 数据转换为结构化的事件日志。它使用预定义的字典 TASK_TO_ACTIVITY_MAP，将 BambooHR 中的入职任务标题映射到流程挖掘所需的标准化活动名称。诸如“接受录用”和“创建员工档案”之类的事件是根据员工入职和创建日期推导出来的。
检查控制台输出：脚本运行时会在控制台打印进度更新，包括发现的新员工人数以及正在处理的每位员工姓名。监控这些输出，以便及时发现可能出现的任何错误或警告。
生成事件日志文件：脚本处理完所有员工后，会将数据编译成单个数据框，并保存为名为 bamboohr_onboarding_event_log.csv 的 CSV 文件。该文件的结构完全符合 ProcessMind 的列要求。
准备上传：打开生成的 CSV 文件检查其内容。在将文件上传到流程挖掘工具之前，请确保 OnboardingCase、ActivityName 和 EventTimestamp 列已正确填充。

配置

API Key 权限：用于提取数据的 API Key 必须至少拥有对以下数据的只读权限：员工个人详情、职位信息、聘用状态、入职任务和培训记录。
公司子域名：脚本需要您公司唯一的 BambooHR 子域名来构建正确的 API 端点 URL。
日期范围 (START_DATE, END_DATE)：这些脚本变量根据员工入职日期控制提取窗口。建议先从最近 3 到 6 个月的数据开始，以确保数据质量并控制提取量。如需进行完整的历史分析，可以扩大范围，但需注意 API 的速率限制。
活动映射 (TASK_TO_ACTIVITY_MAP)：脚本中的这个字典至关重要。它将贵公司在 BambooHR 中入职任务的准确标题映射到标准化的活动名称。您必须检查并自定义此映射，以匹配贵公司独特的 BambooHR 配置。
源系统标识符：脚本中的 SOURCE_SYSTEM 变量硬编码为“BambooHR”。如果您在最终的事件日志中需要不同的标识符，可以进行调整。
性能注意事项：对于在选定日期范围内有数千名新员工的组织，由于每名员工都需要多次 API 调用，脚本运行可能需要较长时间。建议在非高峰时段运行脚本，以避免影响性能或触发 API 速率限制。

a 查询示例 python

import requests
import pandas as pd
from datetime import datetime

class=class="hl-string">"hl-comment"># --- Configuration Settings --- #
class=class="hl-string">"hl-comment"># Replace with your companyclass="hl-string">'s subdomain (e.g., 'yourcompany' from yourcompany.bamboohr.com)
COMPANY_SUBDOMAIN = class="hl-string">'[Your Company Subdomain]'
class=class="hl-string">"hl-comment"># Replace with your BambooHR API Key
API_KEY = class="hl-string">'[Your BambooHR API Key]'

class=class="hl-string">"hl-comment"># Define the date range for new hires to extract (based on hire date)
START_DATE = class="hl-string">'2023-01-01'
END_DATE = class="hl-string">'2023-12-31'

SOURCE_SYSTEM = class="hl-string">'BambooHR'

class=class="hl-string">"hl-comment"># --- Critical: Customize this mapping to match your BambooHR task names --- #
TASK_TO_ACTIVITY_MAP = {
    class="hl-string">'Background Check': class="hl-string">'Background Check Completed',
    class="hl-string">'Send New Hire Packet': class="hl-string">'Paperwork Packet Sent',
    class="hl-string">'Complete New Hire Packet': class="hl-string">'Paperwork Packet Completed',
    class="hl-string">'IT Provisioning Request': class="hl-string">'IT Provisioning Requested',
    class="hl-string">'Order Equipment': class="hl-string">'Equipment Ordered',
    class="hl-string">'Equipment Delivered': class="hl-string">'Equipment Delivered',
    class="hl-string">'First Day Orientation': class="hl-string">'First Day Orientation Completed',
    class="hl-string">'Introduce to Team': class="hl-string">'Team Introduction Completed',
    class="hl-string">'30-Day Check-in': class="hl-string">'30-Day Check-in Completed',
    class="hl-string">'Complete Onboarding': class="hl-string">'Onboarding Tasks Completed'
}

class=class="hl-string">"hl-comment"># --- Main Script Logic --- #

def get_new_hires(start_date, end_date):
    class="hl-string">"""Fetches employees hired within the specified date range."""
    url = fclass="hl-string">'https://api.bamboohr.com/api/gateway.php/{COMPANY_SUBDOMAIN}/v1/reports/custom'
    headers = {class="hl-string">'Accept': class="hl-string">'application/json'}
    auth = (API_KEY, class="hl-string">'x')
    
    payload = {
        class="hl-string">'title': class="hl-string">'New Hire Report',
        class="hl-string">'fields': [class="hl-string">'employeeId', class="hl-string">'created', class="hl-string">'hireDate', class="hl-string">'department', class="hl-string">'jobTitle', class="hl-string">'location', class="hl-string">'supervisor'],
        class="hl-string">'filters': {
            class="hl-string">'lastChanged': {
                class="hl-string">'includeNull': class="hl-string">'false'
            },
            class="hl-string">'hireDate': {
                class="hl-string">'operator': class="hl-string">'between',
                class="hl-string">'value': start_date,
                class="hl-string">'value2': end_date
            }
        }
    }
    
    print(fclass="hl-string">"Fetching new hires from {start_date} to {end_date}...")
    response = requests.post(url, auth=auth, headers=headers, json=payload)
    response.raise_for_status()
    data = response.json()
    print(fclass="hl-string">"Found {len(data.get('employees', []))} new hires.")
    return data.get(class="hl-string">'employees', [])

def get_onboarding_tasks(employee_id):
    class="hl-string">"""Fetches onboarding tasks for a specific employee."""
    url = fclass="hl-string">'https://api.bamboohr.com/api/gateway.php/{COMPANY_SUBDOMAIN}/v1/employees/{employee_id}/onboarding/tasks'
    headers = {class="hl-string">'Accept': class="hl-string">'application/json'}
    auth = (API_KEY, class="hl-string">'x')
    response = requests.get(url, auth=auth, headers=headers)
    if response.status_code == 200:
        return response.json().get(class="hl-string">'tasks', [])
    return []

def get_training_records(employee_id):
    class="hl-string">"""Fetches training records for a specific employee."""
    url = fclass="hl-string">'https://api.bamboohr.com/api/gateway.php/{COMPANY_SUBDOMAIN}/v1/employees/{employee_id}/training/'
    headers = {class="hl-string">'Accept': class="hl-string">'application/json'}
    auth = (API_KEY, class="hl-string">'x')
    response = requests.get(url, auth=auth, headers=headers)
    if response.status_code == 200:
        return response.json()
    return []

def main():
    class="hl-string">"""Main function to orchestrate the extraction and transformation."""
    try:
        new_hires = get_new_hires(START_DATE, END_DATE)
    except requests.exceptions.HTTPError as e:
        print(fclass="hl-string">"Error fetching new hires: {e}")
        print(fclass="hl-string">"Response content: {e.response.text}")
        return

    event_log = []
    last_data_update = datetime.utcnow().isoformat() + class="hl-string">'Z'

    for employee in new_hires:
        emp_id = employee[class="hl-string">'employeeId']
        print(fclass="hl-string">"Processing Employee ID: {emp_id}...")

        base_event = {
            class="hl-string">'OnboardingCase': emp_id,
            class="hl-string">'EmployeeId': emp_id,
            class="hl-string">'Department': employee.get(class="hl-string">'department'),
            class="hl-string">'JobTitle': employee.get(class="hl-string">'jobTitle'),
            class="hl-string">'Location': employee.get(class="hl-string">'location'),
            class="hl-string">'HiringManager': employee.get(class="hl-string">'supervisor'),
            class="hl-string">'SourceSystem': SOURCE_SYSTEM,
            class="hl-string">'LastDataUpdate': last_data_update
        }

        class=class="hl-string">"hl-comment"># 1. Offer Accepted (inferred from hireDate)
        if employee.get(class="hl-string">'hireDate'):
            event_log.append({
                **base_event,
                class="hl-string">'ActivityName': class="hl-string">'Offer Accepted',
                class="hl-string">'EventTimestamp': fclass="hl-string">"{employee['hireDate']}T09:00:00Z",
                class="hl-string">'EndTimestamp': fclass="hl-string">"{employee['hireDate']}T09:00:00Z"
            })

        class=class="hl-string">"hl-comment"># 2. Employee Profile Created
        if employee.get(class="hl-string">'created'):
            event_log.append({
                **base_event,
                class="hl-string">'ActivityName': class="hl-string">'Employee Profile Created',
                class="hl-string">'EventTimestamp': employee[class="hl-string">'created'].replace(class="hl-string">' ', class="hl-string">'T'),
                class="hl-string">'EndTimestamp': employee[class="hl-string">'created'].replace(class="hl-string">' ', class="hl-string">'T')
            })
        
        class=class="hl-string">"hl-comment"># 3. Onboarding Task Events
        tasks = get_onboarding_tasks(emp_id)
        task_completion_dates = []
        for task in tasks:
            activity_name = TASK_TO_ACTIVITY_MAP.get(task.get(class="hl-string">'title'))
            if activity_name and task.get(class="hl-string">'completedDate'):
                event_log.append({
                    **base_event,
                    class="hl-string">'ActivityName': activity_name,
                    class="hl-string">'EventTimestamp': fclass="hl-string">"{task['completedDate']}T17:00:00Z",
                    class="hl-string">'EndTimestamp': fclass="hl-string">"{task['completedDate']}T17:00:00Z"
                })
                task_completion_dates.append(task.get(class="hl-string">'completedDate'))

            class=class="hl-string">"hl-comment"># Handle Background Check Initiated (assumed from task creation)
            if task.get(class="hl-string">'title') == class="hl-string">'Background Check' and task.get(class="hl-string">'createdDate'):
                 event_log.append({
                    **base_event,
                    class="hl-string">'ActivityName': class="hl-string">'Background Check Initiated',
                    class="hl-string">'EventTimestamp': fclass="hl-string">"{task['createdDate']}T17:00:00Z",
                    class="hl-string">'EndTimestamp': fclass="hl-string">"{task['createdDate']}T17:00:00Z"
                })

        class=class="hl-string">"hl-comment"># 4. Training Events
        trainings = get_training_records(emp_id)
        for training in trainings:
            if training.get(class="hl-string">'type') in [class="hl-string">'Compliance Training', class="hl-string">'Role-Specific Training', class="hl-string">'Mandatory Training']:
                if training.get(class="hl-string">'assignedDate'):
                    event_log.append({
                        **base_event,
                        class="hl-string">'ActivityName': class="hl-string">'Mandatory Training Assigned',
                        class="hl-string">'EventTimestamp': fclass="hl-string">"{training['assignedDate']}T17:00:00Z",
                        class="hl-string">'EndTimestamp': fclass="hl-string">"{training['assignedDate']}T17:00:00Z"
                    })
                if training.get(class="hl-string">'completed'):
                    event_log.append({
                        **base_event,
                        class="hl-string">'ActivityName': class="hl-string">'Mandatory Training Completed',
                        class="hl-string">'EventTimestamp': fclass="hl-string">"{training['completed']}T17:00:00Z",
                        class="hl-string">'EndTimestamp': fclass="hl-string">"{training['completed']}T17:00:00Z"
                    })

    if not event_log:
        print(class="hl-string">"No events were generated. Please check your date range and API permissions.")
        return

    df = pd.DataFrame(event_log)
    df[class="hl-string">'EventTimestamp'] = pd.to_datetime(df[class="hl-string">'EventTimestamp'])
    df = df.sort_values(by=[class="hl-string">'OnboardingCase', class="hl-string">'EventTimestamp'])
    
    output_filename = class="hl-string">'bamboohr_onboarding_event_log.csv'
    df.to_csv(output_filename, index=False, date_format=class="hl-string">'%Y-%m-%d %H:%M:%S')
    print(fclass="hl-string">"\nExtraction complete. Event log saved to '{output_filename}'.")

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

员工入职数据模板

员工入职数据模板

员工入职属性

员工入职活动

提取指南

BambooHR 内置自定义报告导出

步骤

配置

a 查询示例 config

通过 BambooHR REST API 的 Python 脚本提取

步骤

配置

a 查询示例 python

准备好开始了吗？

立即优化您的 BambooHR 员工入职流程

员工入职数据模板

员工入职数据模板

员工入职属性

员工入职活动

提取指南

BambooHR 内置自定义报告导出

步骤

配置

a 查询示例 config

通过 BambooHR REST API 的 Python 脚本提取

步骤

配置

a 查询示例 python

我们重视您的隐私

准备好开始了吗？

立即优化您的 BambooHR 员工入职流程