您的“从线索到现金” (Lead to Cash) 数据模板

Pipedrive

您的“从线索到现金” (Lead to Cash) 数据模板

本模板为收集分析 Pipedrive 中“从线索到现金”流程所需的关键数据提供了清晰的路线图。它概述了需要跟踪的核心属性和关键活动，并提供了如何直接从 Pipedrive 系统提取这些信息的实际指导。利用此资源为全面的流程挖掘和优化做好数据准备。

建议收集的属性
需要追踪的关键活动
Pipedrive 数据提取指南

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

从线索到现金属性

这些推荐的数据字段对于构建强大的事件日志至关重要，能够对您的“从线索到现金”流程进行全面分析。

3 必填 4 推荐 14 可选

	名称	描述
	Event 时间 EventTime	活动发生的时间戳。
描述事件时间（即开始时间）记录了特定活动发生的精确日期和时间。这一时间数据对于按时间顺序排列事件以及计算不同流程步骤之间的持续时间至关重要。在分析中，此时间戳用于计算循环时间、处理时间和等待时间等关键绩效指标。它支持创建基于时间的仪表板，以监控绩效并识别销售流程中的延迟。为何重要此时间戳对于排列事件顺序、计算流程持续时间以及根据时间目标分析绩效至关重要。获取方式从 Pipedrive API 中的 Deal、Activity 或相关对象的 'add_time' 或 'update_time' 等字段中获取。示例 2023-04-15T10:00:00Z2023-04-16T14:30:00Z2023-05-01T09:05:00Z
	活动名称 ActivityName	销售流程中发生的特定业务事件或任务的名称。
描述此属性描述了“从线索到现金”流程中的单个步骤，例如“交易已创建”、“提案已发送”或“货款已收”。活动是用于流程流转可视化的基本构建块。分析活动的顺序和频率有助于识别最常见的流程路径、工作堆积的瓶颈，以及任何偏离标准销售程序的情况。这对于理解流程的实际执行方式至关重要。为何重要它定义了流程中的步骤，从而实现流程流向的可视化和分析、瓶颈识别以及一致性检查。获取方式这通常是通过将 Pipedrive 事件（如交易阶段更改或发票等相关对象的创建）映射到定义的活动列表得出的。示例交易已创建提案已发送交易已赢得发票已发送已收到付款
	销售机会 SalesOpportunityId	销售机会的唯一标识符，作为 Case ID 用于跟踪整个从线索到现金流程。
描述销售机会 ID 是连接所有相关活动（从最初的线索创建到最后的付款）的主键。它代表在 Pipedrive 中跟踪的单笔潜在销售。在流程分析中，此标识符对于还原每笔交易的端到端旅程至关重要。它允许将所有事件（如“交易已创建”、“提案已发送”和“货款已收”）归类为一个连贯的 Case，从而支持对流程变体、周期时长和转化率的深入分析。为何重要此标识符是流程视图的基础，它连接了所有相关事件，为每笔销售交易形成了完整的 Case 历史记录。获取方式通过 Pipedrive API 从 Deal 对象的 'id' 字段获取。示例 12543125441254512546
	交易价值 DealValue	销售机会的总金额价值。
描述 “交易价值”代表与销售机会相关的潜在或实际收入。它是确定交易优先级和评估销售管线财务影响的基础指标。在流程分析中，此属性用于按财务规模对 case 进行细分，从而比较高价值与低价值交易的流程执行情况。它也是分析销售业绩、折扣效果和整体收入生成的 dashboard 的核心组件。为何重要它支持销售流程的财务分析，有助于确定高价值交易的优先级并了解收入影响。获取方式从 Pipedrive API 中 Deal 对象的 'value' 字段获取。示例 5000.0025000.501500.75
	交易状态 DealStatus	交易的当前结果或状态，如赢单、流失或开启。
描述 “交易状态”指示销售机会的最终结果或当前的高级状态。这是分析销售成功率和流程效率的主要维度。此属性是计算赢/输率以及筛选流程图以对比“赢单”与“丢单”旅程的基础。这种对比通常能揭示导致成功或失败的流程执行关键差异，从而为流程改进提供宝贵的见解。为何重要它对于计算赢/输率以及对比成功与不成功交易的流程流向至关重要。获取方式从 Pipedrive API 中 Deal 对象的 'status' 字段获取。示例赢单丢失开启
	交易负责人 DealOwner	负责管理该销售机会的销售代表。
描述交易所有者是分配给特定交易的用户。此属性是了解销售团队内部资源分配和绩效的关键。该属性支持个人或团队维度的绩效分析。仪表板可以按交易所有者进行过滤，以比较销售周期、转化率和平均交易价值等指标，从而识别表现优异者并发现需要辅导的领域。为何重要支持按销售代表进行绩效分析，有助于识别优秀员工和需要改进的领域。获取方式从 Deal 对象的 'user_id' 字段获取，该字段关联 Pipedrive API 中的 User 对象。示例约翰·史密斯Jane DoePeter Jones
	折扣百分比 DiscountPercentage	应用于交易的折扣百分比。
描述此属性代表销售交易中给予的折扣百分比（如有）。它是理解定价策略及其对盈利能力影响的关键因素。分析折扣百分比有助于评估折扣策略的有效性。它可以与交易价值、销售代表或产品等其他属性相关联，以观察折扣在哪些环节最常见，以及它们是促成了更高的赢单率，还是仅仅侵蚀了利润。为何重要这对于分析定价策略、销售利润率以及交易的整体盈利能力至关重要。获取方式这通常是 Pipedrive 中 Deal 对象上的一个自定义字段。请参阅 Pipedrive 文档以了解自定义字段设置。示例 0.050.100.150.0
	事件结束时间 EventEndTime	指示具有持续时间的活动何时完成的 timestamp。
描述事件结束时间标志着具有可衡量持续时间的活动（如会议或任务）的完成。它与开始时间相配合，能够精确计算特定活动所需的时间。此属性对于计算单个活动的处理时间至关重要。分析这一持续时间有助于识别哪些特定任务最耗时，并为优化、自动化或资源重新分配提供机会。为何重要支持精确计算单项活动的持续时间，这是识别耗时任务和瓶颈的关键。获取方式从 Pipedrive API 中的 Activity 对象的 'due_date' 或完成时间戳等字段中获取。示例 2023-04-15T11:00:00Z2023-04-16T15:00:00Z2023-05-01T09:35:00Z
	交易币种 DealCurrency	与交易价值关联的货币。
描述此属性指定交易价值的货币单位（例如 USD、EUR 或 GBP）。它为所有财务指标提供必要的背景信息。在分析来自多个地区或国家的交易时，此属性对于准确的财务报告和汇总至关重要。它确保在汇总财务数据之前能够正确应用货币转换，从而防止得出不准确的结论。为何重要为交易价值提供必要的上下文，确保跨不同地区的财务分析和报告的准确性。获取方式从 Pipedrive API 中 Deal 对象的 'currency' 字段获取。示例美元EURGBP
	交易阶段 DealStage	交易当前所处的销售流水线具体阶段。
描述交易阶段代表公司定义的销售流水线中的特定步骤，例如“已核准”、“已提出提案”或“谈判”。它提供了比整体“交易状态”更细致的进度视图。分析交易阶段对于理解销售漏斗和识别交易停滞点至关重要。通过跟踪在每个阶段花费的时间，团队可以精准定位瓶颈，并将改进重点放在销售周期中最具挑战性的环节。为何重要提供交易在销售漏斗中进度的详细视图，有助于识别各阶段之间的瓶颈和转化率。获取方式从 Deal 对象的 'stage_id' 字段获取，该字段关联 Pipedrive API 中的 Stage 对象。示例潜在客户进入已建立联系已安排演示已提出提案已开始谈判
	产品 ProductAttached	与销售机会关联的产品或服务。
描述此属性指定交易中销售的产品或服务。它允许对与特定产品相关的销售活动进行更详细的分析。通过包含产品属性，可以对分析进行细分，以比较不同产品线的销售流程。这可以揭示某些产品是否具有更长的销售周期、不同的转化率或需要不同的流程步骤，从而帮助制定更具针对性的销售策略。为何重要支持按产品线分析销售流程，有助于识别不同产品的销售周期或成功率差异。获取方式从 Pipedrive API 中与交易关联的 Product 对象获取。示例标准 SaaS 订阅企业平台许可证专业服务方案
	付款条款 PaymentTerms	约定的付款条款，例如“Net 30”或“Net 60”。
描述付款条款定义了客户在发票发出后应付账款的时间范围。该属性对于管理应收账款和现金流至关重要。在流程挖掘中，此属性作为评估付款绩效的基准。它通过将实际付款日期与根据发票日期和这些条款计算出的到期日进行比较，来计算诸如及时付款率等 KPI。为何重要为衡量及时付款绩效和分析收款流程中的延迟提供基准。获取方式这通常是 Pipedrive 中 Deal 或 Organization 对象上的自定义字段，也可能来自集成的会计系统。示例净 30 天净 60 天见票即付
	最后数据更新 LastDataUpdate	源系统最近一次数据刷新时间戳。
描述此属性表示流程挖掘数据集中数据的最后提取和更新时间。它为分析数据的时效性提供了明确的参考点。对于任何分析，了解数据的及时性都至关重要。此属性帮助用户了解他们所看到的洞察是否反映了流程的最新状态，这对于运营监控和决策制定必不可少。为何重要指示数据的时效性，确保用户了解流程分析的最新程度。获取方式此值在数据摄取或 ETL 过程中生成并记录。示例 2023-10-27T02:00:00Z2023-10-28T02:00:00Z
	区域 Region	与客户或销售机会关联的地理区域。
描述此属性将交易按地理区域分类，如北美、欧洲中东和非洲 (EMEA) 或亚太地区 (APAC)。它支持基于地理位置的销售绩效和流程分析。通过按区域对流程进行细分，企业可以发现销售周期、赢单率和流程变体方面的地区差异。这些洞察可以为制定区域销售策略、资源分配和流程标准化工作提供依据。为何重要支持销售流程的地域分析，突显绩效和客户行为的区域差异。获取方式这通常是 Deal 或 Organization 对象上的自定义字段。Organization 的地址字段也可用于推导出此信息。示例北美欧洲、中东和非洲亚太拉美地区
	发票付款时间 InvoicePaymentTime	发票发出到收到付款之间的时间跨度。
描述 “发票付款时间”衡量应收账款流程的效率。它专门跟踪从“发票已发送”活动到“收到回款”活动之间经过的时间。此指标对于监控现金流和识别收款延迟至关重要。分析这一时长有助于企业了解客户付款行为以及其催款和收款策略的有效性，直接影响从报价到付款的循环。为何重要直接衡量回款流程的效率，对于管理现金流至关重要。获取方式通过计算特定 case 中“已收到回款”和“发票已发送”活动的时间戳之差得出。示例 28天45天10 天
	是否按时付款 IsOnTimePayment	一个布尔标记，指示是否在约定的付款期限内收到回款。
描述此属性是一个二元标志（真/假），表示付款是否及时。它是通过将实际的发票付款时间与指定的付款条款进行比较得出的。该标志简化了对付款行为的分析。它可用于快速计算及时付款率 KPI，并过滤延迟付款，从而针对某些客户或交易类型导致付款延迟的原因进行深入的根因分析。为何重要简化了付款合规性分析，并用于计算及时付款率 KPI。获取方式通过比较 'InvoicePaymentTime' 与 'PaymentTerms' 属性得出。例如，如果 PaymentTerms 为 'Net 30' 且 InvoicePaymentTime 小于等于 30 天，则值为 True。示例 truefalse
	是否返工 IsRework	用于识别属于返工循环一部分的活动的标记。
描述 “是否返工”是一个布尔标记，通常由 Process Mining 工具计算得出，旨在突出显示流程偏离线性流向并重复之前步骤的情况。例如，交易从“谈判”退回到“报价已发送”将被视为返工。识别返工对于流程优化至关重要，因为它代表了低效、精力的浪费以及给客户带来的潜在困惑。分析标记为返工的活动有助于精准定位流程发生中断的环节，从而实现针对性改进。为何重要通过识别和标记属于重复或循环流程路径的活动，帮助量化流程的低效程度。获取方式这是由流程挖掘软件通过分析每个 Case 内的活动顺序计算得出的。示例 truefalse
	源系统 SourceSystem	用于标识数据提取自哪个系统。
描述此属性指定数据的来源，在本案例中为 Pipedrive。在需要整合多个系统数据以获得整体流程视图的环境中，它特别有用。虽然在单系统分析中通常是一个静态值，但它提供了必要的背景信息，有助于数据治理和可追溯性。它证实了相关事件和属性与 Pipedrive 实例相关。为何重要提供有关数据来源的关键上下文，确保可追溯性和清晰度，尤其是在合并来自多个系统的数据时。获取方式这通常是在数据转换过程中添加的静态值。示例 Pipedrive
	线索来源 LeadSource	获取线索的来源或渠道。
描述 “线索来源”识别潜在客户最初是如何被发现的，例如“网络研讨会”、“冷启动通话”或“合作伙伴转介绍”。此信息对营销和销售策略至关重要。分析线索来源有助于确定不同营销渠道的有效性。它可用于比较来自不同来源线索的转化率和销售周期，从而让企业优化其营销支出和销售投入。为何重要通过分析来自各渠道线索的转化率和流程绩效，帮助衡量不同营销渠道的有效性。获取方式从 Lead 对象的 'source_name' 字段获取，随后与 Deal 关联。示例自然搜索付费社交媒体推荐展会
	组织名称 OrganizationName	与交易关联的客户公司或组织名称。
描述此属性标识与销售机会关联的企业客户。它提供了销售流水线中涉及哪些公司的背景信息。按组织名称分析数据有助于理解客户行为并识别关键客户。它可用于细分流程分析，查看战略客户与小型客户的流程是否存在差异，或者跟踪与特定公司的整个销售历史。为何重要识别客户，从而实现以客户为中心的销售流程分析和细分。获取方式从 Deal 对象的 'org_id' 字段获取，该字段关联 Pipedrive API 中的 Organization 对象。示例 ABC CorporationGlobal Tech Inc.创新解决方案
	销售周期时长 SalesCycleTime	从创建交易到关闭交易（赢单或流失）的总时长。
描述销售周期时长是一个关键绩效指标，衡量从第一个事件“交易已创建”到最终结果事件（如“交易赢单”或“交易流失”）所经过的总时间。这个计算出的指标提供了销售速度的宏观概览。分析其平均值和分布有助于识别整体流程中的趋势和系统性延迟。它是专注于销售效率和绩效的仪表板中的核心 KPI。为何重要这是衡量从开始到结束的整个销售流程效率和速度的关键 KPI。获取方式通过计算每个 SalesOpportunityId 的第一个和最后一个活动之间的时间戳差值得出。示例 30 天 4 小时92 天 8 小时15天2小时

必填推荐可选

从线索到现金活动

应在您的事件日志中捕获这些关键流程步骤和里程碑，以确保准确的流程发现和有效的优化。

5 推荐 8 可选

	活动	描述
	交易已创建	标志着销售机会的正式开始。当手动创建新交易或由转换后的线索自动生成交易时，会触发此 event。
为何重要这是销售周期的主要起始活动。分析从该事件到“交易赢单”或“交易流失”的时间，可以得出整体销售周期时长。获取方式这是 Pipedrive Deals 实体中捕获的显式事件。交易记录的创建时间戳 ('add_time') 作为事件时间。捕获使用 Deals 实体中的 'add_time' 字段。事件类型 explicit
	交易已赢得	标志着交易成功关闭，表示客户已达成口头或书面协议。这是 Pipedrive 中标准的、显式的状态变更。
为何重要这是最重要的成功里程碑。它对于计算赢单率、成功交易的销售周期长度以及整体销售绩效至关重要。获取方式这是在交易状态更改为“赢单”时捕获的显式事件。Deals 实体中的 'won_time' 字段提供了精确的时间戳。捕获使用 Deals 实体中的 'won_time' 时间戳。事件类型 explicit
	商机流失	标志着交易未能成功关闭。当销售流程因客户选择竞争对手、失去兴趣或其他原因而终止时，会发生此情况。
为何重要这是主要的失败终点。分析交易流失的时间和原因，可以为改进销售策略、培训和核准流程提供关键见解。获取方式这是在交易状态更改为“已流失”时捕获的显式事件。Deals 实体中的 'lost_time' 字段记录了该时间戳。捕获使用 Deals 实体中的 'lost_time' 时间戳。事件类型 explicit
	已收到付款	标志着已成功收到客户付款，完成了该销售机会的现金循环。这是从线索到现金流程中的最后一个 event，源自财务系统。
为何重要这是最终的价值实现步骤。它是从线索到现金流程的真实终点，对于衡量端到端循环时间和分析付款延迟至关重要。获取方式从会计或支付处理系统捕获。付款确认必须关联回对应的 Pipedrive 交易。捕获来自外部财务系统的事件数据，通过唯一标识符关联到交易。事件类型 explicit
	提案已发送	代表向客户交付正式报价或提案的时间点。这通常可以通过交易进入特定的流水线阶段（如“已提出提案”或“报价单已发送”）来推断。
为何重要这是销售流程中的关键里程碑。分析从该事件到“交易赢单”的时间，有助于了解决策和谈判阶段的长度。获取方式当 'stage_id' 变更为指定的报价阶段时，从交易变更日志中推断得出。使用阶段变更的时间戳。捕获检测交易的 'stage_id' 何时更新为特定的“报价”阶段。事件类型 inferred
	交易合格	表示交易已达到预定义标准，被视为值得跟进的有效商机。这通常推断自交易从早期流水线阶段（如“潜在客户进入”）移动到更成熟的阶段（如“已建立联系”或“需求已确定”）。
为何重要这一里程碑有助于分析线索核准流程的有效性，并精确指出交易在初始未核准阶段花费的时间。获取方式当 'stage_id' 字段变更为代表合格阶段时，从交易变更日志或历史记录中推断得出。捕获从交易历史中识别变更为预定义的“合格”阶段的动作。事件类型 inferred
	交易已重新开启	代表之前被标记为“流失”但已重新激活以进行进一步销售活动的交易。当交易状态从“已流失”变回“开启”时，即可推断出此事件。
为何重要该活动突出了返工循环和重新介入的努力。分析这些实例可以揭示客户行为模式或销售回访的有效性。获取方式从交易变更日志中推断得出。当检测到 'status' 字段从“丢失”变更为“开启”时触发。捕获在交易历史记录中识别从“丢失”到“开启”的状态变更。事件类型 inferred
	发票已发送	代表向客户发送付款发票的时刻。该事件通常在订单履行后，由外部会计或计费系统触发。
为何重要这标志着付款周期的开始。该事件与“货款已收”之间的时间对于监控应收账款和现金流至关重要。获取方式源自外部会计或 ERP 系统（如 Xero 或 QuickBooks）。事件数据需要与 Pipedrive 交易进行集成和关联。捕获来自外部计费系统的事件数据，通过 API 集成与交易相关联。事件类型 explicit
	已创建销售订单	代表在交易赢单后，在 ERP 或会计平台等下游系统中创建正式销售订单。此活动非 Pipedrive 原生，需依赖集成系统的数据。
为何重要该事件标志着从销售部门到运营或财务部门的交接。分析从“交易赢单”到此活动的时间，可以揭示订单处理中的潜在延迟。获取方式通常从连接的 ERP 或财务系统捕获。数据需要被摄取并与 Pipedrive 交易 ID 关联。捕获通过 API 从外部系统推送的事件数据，通常用于更新 Pipedrive 交易上的自定义字段。事件类型 explicit
	已发起初始接触	代表与该交易相关的潜在客户的首次实质性互动。这通常记录为与交易关联的已完成活动，如电话、电子邮件或会议。
为何重要跟踪此项有助于衡量首次接触的时间，并确保线索得到及时处理。它能反映出销售团队的响应速度。获取方式从 Pipedrive 的活动 (Activities) 实体中捕获。通过查找关联到交易 ID 的最早完成活动来识别。捕获根据 'done_time' 字段，查找与交易关联的第一个已完成活动。事件类型 explicit
	提案回访	捕获在向客户发送报价后发生的任何销售活动，如电话或电子邮件。此 event 表示在客户考虑阶段进行的积极互动。
为何重要衡量跟进动作的及时性和频率，这对于保持势头和促成交易至关重要。它为“报价跟进及时性”仪表板提供支持。获取方式从 Pipedrive 的活动 (Activities) 实体中捕获。识别为在同一交易的“报价已发送” event 之后发生的已完成活动。捕获识别一个已完成的活动，其 'done_time' 晚于“报价已发送”活动的时间戳。事件类型 explicit
	订单已履行	表示产品已发货或服务已交付给客户。此 event 源自外部履约或运营系统。
为何重要跟踪订单履行情况是了解“从订单到交付”周期时长的关键。此处的延迟直接影响客户满意度和收入确认。获取方式从外部 ERP、库存或服务管理系统捕获。此数据必须关联回对应的 Pipedrive 交易。捕获来自外部系统的事件数据，通过交易 ID 或其他共同标识符关联。事件类型 explicit
	谈判已开始	标志着就价格、条款或范围开始进行正式谈判。这通常是在提案发送后，交易进入“谈判”流水线阶段时推断出来的。
为何重要隔离谈判阶段有助于识别该特定周期部分的耗时，以及哪些交易涉及冗长的谈判。获取方式当 'stage_id' 更新为明确命名为谈判的阶段时，从交易变更日志中推断得出。捕获从交易历史中识别变更为预定义的“谈判”阶段的动作。事件类型 inferred

推荐可选

提取指南

如何从 Pipedrive 获取数据

步骤

登录 Pipedrive：使用具有数据导出权限的用户配置文件（通常为管理员用户）访问您的 Pipedrive 账户。
导航至数据导出：点击右上角的个人头像，选择“设置”。在左侧导航栏中，找到“工具和应用”部分，然后点击“导出数据”。
导出交易数据：在“导出数据”视图中，选择“交易”。文件格式选择“CSV”。建议应用特定日期范围的筛选（例如过去 6 个月），以保持文件大小易于管理。点击“导出”，等待文件生成并下载。该文件将包含关键的交易信息，包括创建时间、赢得时间和丢失时间。
导出活动数据：对“活动”重复上述步骤。选择“活动”，选择“CSV”，应用与交易相同的日期筛选条件，然后导出文件。该文件包含与交易相关的电话、邮件、会议和自定义活动的记录。
收集外部数据：从您的下游系统中获取相应的数据。您需要从 ERP、会计或履约系统中导出诸如“销售订单已创建”、“订单已履约”、“发票已发送”和“已收到回款”等 event 的数据。确保这些文件包含可以映射回 Pipedrive 交易 ID 的共同标识符。
搭建数据处理环境：使用能够处理和合并多个 CSV 文件的工具，例如带有 pandas 库的 Python、带有 Power Query 的 Microsoft Excel 或其他数据准备工具。
加载并合并数据：加载 Deals.csv 和 Activities.csv 文件，同时加载在上一步中收集的外部数据文件。
构建事件日志：通过脚本将原始数据转换为所需的活动格式，从而创建一个统一的事件日志。为 13 个必需活动中的每一个创建相应的行集。例如：
- “交易已创建” event 是根据 Deals.csv 文件中的 add_time 列生成的。
- “交易已赢得” event 是根据 Deals.csv 文件中的 won_time 列生成的。
- “首次取得联系”是 Activities.csv 文件中每个交易最早完成的活动。
- 其他活动如“报价已发送”或“开始谈判”则是从 Activities.csv 中的特定活动主题或类型推断出来的。
映射属性：对于每个 event 行，确保填写了所有必需列：SalesOpportunityId、ActivityName 和 EventTime。通过与交易数据关联，添加推荐属性，如 DealValue、DealOwner 和 DealStatus。
最终导出：事件日志构建并验证完毕后，将最终表格保存为采用 UTF-8 编码的单个 CSV 文件。该文件现在可以上传到 ProcessMind 进行分析了。

配置

导出对象：您必须至少导出“交易” (Deals) 和“活动” (Activities)。如果您需要额外的维度数据，可能还需要导出“组织”或“人员”。
文件格式：选择 CSV 格式，以获得与 Python 或 Power Query 等数据处理工具的最佳兼容性。
日期范围筛选：使用“筛选依据”选项选择特定时间段，例如“交易添加时间”在“过去 180 天内”。这对于管理导出性能和文件大小至关重要。
用户权限：您需要是管理员用户，或拥有明确允许从 Pipedrive 账户导出数据的权限集。
自定义活动类型：能否成功提取“交易合格”或“报价已发送”等流程步骤，在很大程度上取决于您的组织在 Pipedrive 中对自定义活动类型的使用情况。请确保销售团队一致地配置并使用这些类型。

a 查询示例 config

import pandas as pd

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

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

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

for col in ['EventTime_Created', 'EventTime_Won', 'EventTime_Lost']: 
    deals_df[col] = pd.to_datetime(deals_df[col], errors='coerce')
activities_df['EventTime'] = pd.to_datetime(activities_df['EventTime'], errors='coerce')


# --- 3. Extract Activities from Pipedrive Data ---

# Activity: Deal Created
event_created = deals_df[['SalesOpportunityId', 'EventTime_Created']].copy()
event_created.rename(columns={'EventTime_Created': 'EventTime'}, inplace=True)
event_created['ActivityName'] = 'Deal Created'

# Activity: Deal Won
event_won = deals_df[deals_df['EventTime_Won'].notna()][['SalesOpportunityId', 'EventTime_Won']].copy()
event_won.rename(columns={'EventTime_Won': 'EventTime'}, inplace=True)
event_won['ActivityName'] = 'Deal Won'

# Activity: Deal Lost
event_lost = deals_df[deals_df['EventTime_Lost'].notna()][['SalesOpportunityId', 'EventTime_Lost']].copy()
event_lost.rename(columns={'EventTime_Lost': 'EventTime'}, inplace=True)
event_lost['ActivityName'] = 'Deal Lost'

# Filter for relevant, completed activities linked to a deal
completed_activities = activities_df[activities_df['EventTime'].notna() & activities_df['SalesOpportunityId'].notna()].copy()
completed_activities['SalesOpportunityId'] = completed_activities['SalesOpportunityId'].astype(int)

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

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

event_proposal_sent = completed_activities[completed_activities['ActivityName'].str.contains('proposal|quote', case=False, na=False)].copy()
event_proposal_sent['ActivityName'] = 'Proposal Sent'

# 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[['SalesOpportunityId', 'EventTime']].rename(columns={'EventTime':'ProposalTime'}), on='SalesOpportunityId')
    follow_ups = merged_followup[merged_followup['EventTime'] > merged_followup['ProposalTime']]
    event_follow_up = follow_ups[follow_ups['ActivityName'].str.contains('call|email|follow-up', case=False, na=False)].copy()
    event_follow_up['ActivityName'] = 'Proposal Follow-Up'
else:
    event_follow_up = pd.DataFrame(columns=['SalesOpportunityId', 'EventTime', 'ActivityName'])

event_negotiation = completed_activities[completed_activities['ActivityName'].str.contains('negotiation|negotiate', case=False, na=False)].copy()
event_negotiation['ActivityName'] = 'Negotiation Started'

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

# --- 4. Extract Activities from External Data (Placeholders) ---

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


# --- 5. Combine and Finalize Event Log ---

event_log_frames = [
    event_created,
    event_won,
    event_lost,
    event_initial_contact,
    event_qualified[['SalesOpportunityId', 'EventTime', 'ActivityName']],
    event_proposal_sent[['SalesOpportunityId', 'EventTime', 'ActivityName']],
    event_follow_up[['SalesOpportunityId', 'EventTime', 'ActivityName']],
    event_negotiation[['SalesOpportunityId', 'EventTime', 'ActivityName']],
    event_reopened,
    event_so_created,
    event_fulfilled,
    event_invoice_sent,
    event_payment_received
]

event_log = pd.concat(event_log_frames)

# Merge with deal attributes
final_event_log = pd.merge(event_log, deals_df[['SalesOpportunityId', 'DealValue', 'DealOwner', 'Status']], on='SalesOpportunityId', how='left')

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

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

# Reorder columns to match requirements
output_columns = ['SalesOpportunityId', 'ActivityName', 'EventTime', 'DealValue', 'DealOwner', 'DealStatus', 'DiscountPercentage']
final_event_log = final_event_log[output_columns]

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

print('Event log created successfully.')

步骤

搭建 Python 环境：确保您的系统中安装了 Python 3.6 或更高版本。打开终端或命令提示符，运行以下命令安装必要的 Python 库：pip install requests pandas。
获取 Pipedrive API 凭证：登录 Pipedrive 账户。点击头像进入“设置”，选择“个人偏好设置”并前往“API”选项卡。复制您的个人 API 令牌。您还需要公司域名，即 Pipedrive URL 中的前缀，例如 your-company.pipedrive.com 中的 your-company。
配置提取脚本：在文本编辑器或 IDE 中打开提供的 Python 脚本。找到顶部的配置部分，将 API_TOKEN 和 COMPANY_DOMAIN 的占位符替换为您的真实凭证。
定义提取期限：在脚本的配置部分，将 START_DATE 变量设置为您希望包含在分析中的交易最早创建日期。格式应为“YYYY-MM-DD”。
映射流水线和阶段 ID：脚本会根据交易在不同阶段间的移动来推断多项活动。您必须提供销售流水线和关键阶段的具体 ID。您可以通过在 Pipedrive 界面中导航至相应阶段并查看 URL 来找到这些 ID，或通过 API 获取。更新脚本中的 PIPELINE_ID、QUALIFIED_STAGE_ID、PROPOSAL_STAGE_ID 和 NEGOTIATION_STAGE_ID 变量。
执行脚本：在终端中使用以下命令运行脚本：python your_script_name.py。脚本将开始调用 Pipedrive API 以获取交易、活动和变更日志。
监控进度：脚本将在控制台打印进度更新，显示正在获取哪些数据。根据数据量和 API 速率限制，该过程可能需要几分钟时间。
实施外部数据提取：对于“销售订单已创建”和“已收到回款”等活动，脚本包含占位符函数。您必须修改这些函数以连接到您的外部系统（如 ERP 或会计平台），并检索相关的 event data。将 Pipedrive 的 SalesOpportunityId 与这些系统中的记录进行映射。
查看输出结果：脚本完成后，将生成一个名为 pipedrive_event_log.csv 的 CSV 文件。该文件包含所有提取活动结构化后的事件日志。
准备上传：打开 CSV 文件确认创建无误。列应包括 SalesOpportunityId、ActivityName、EventTime 以及其他推荐属性。该文件现在可以上传到 ProcessMind 进行分析了。

配置

API 凭证：脚本需要有效的 API_TOKEN 和您的 COMPANY_DOMAIN 才能通过 Pipedrive API 身份验证。请确保与令牌关联的用户拥有读取交易 (deals)、活动 (activities) 和用户 (users) 的足够权限。
日期范围：START_DATE 变量用于过滤在指定日期或之后创建的交易。对于初步分析，建议选择 3 到 6 个月的时间段，以确保数据量适中。
流水线与阶段 ID：为了准确推断“交易合格”或“报价已发送”等流程步骤，您必须在脚本中配置主销售 PIPELINE_ID 以及每个关键里程碑对应的特定 STAGE_ID 数值。如果 ID 不匹配，将导致活动信息缺失。
性能与速率限制：脚本在 API 调用之间设置了短延迟，以遵守 Pipedrive 的速率限制。对于交易量非常大的组织，可能需要调整此延迟，或实施更复杂的退避策略以避免 API 错误。
自定义字段映射：如果您使用自定义字段来记录 DiscountPercentage 等重要属性，则需要找到该自定义字段的 API 密钥（一串长哈希字符串，而非其显示名称），并在数据转换逻辑中引用它。
外部系统集成：对于源自 Pipedrive 外部（如开票或履约）的 event 提取，目前由占位符函数处理。您必须自定义这些部分，以连接到特定的外部数据源。

a 查询示例 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}")

步骤

登录 Pipedrive：使用具有数据导出权限的用户配置文件（通常为管理员用户）访问您的 Pipedrive 账户。
导航至数据导出：点击右上角的个人头像，选择“设置”。在左侧导航栏中，找到“工具和应用”部分，然后点击“导出数据”。
导出交易数据：在“导出数据”视图中，选择“交易”。文件格式选择“CSV”。建议应用特定日期范围的筛选（例如过去 6 个月），以保持文件大小易于管理。点击“导出”，等待文件生成并下载。该文件将包含关键的交易信息，包括创建时间、赢得时间和丢失时间。
导出活动数据：对“活动”重复上述步骤。选择“活动”，选择“CSV”，应用与交易相同的日期筛选条件，然后导出文件。该文件包含与交易相关的电话、邮件、会议和自定义活动的记录。
收集外部数据：从您的下游系统中获取相应的数据。您需要从 ERP、会计或履约系统中导出诸如“销售订单已创建”、“订单已履约”、“发票已发送”和“已收到回款”等 event 的数据。确保这些文件包含可以映射回 Pipedrive 交易 ID 的共同标识符。
搭建数据处理环境：使用能够处理和合并多个 CSV 文件的工具，例如带有 pandas 库的 Python、带有 Power Query 的 Microsoft Excel 或其他数据准备工具。
加载并合并数据：加载 Deals.csv 和 Activities.csv 文件，同时加载在上一步中收集的外部数据文件。
构建事件日志：通过脚本将原始数据转换为所需的活动格式，从而创建一个统一的事件日志。为 13 个必需活动中的每一个创建相应的行集。例如：
- “交易已创建” event 是根据 Deals.csv 文件中的 add_time 列生成的。
- “交易已赢得” event 是根据 Deals.csv 文件中的 won_time 列生成的。
- “首次取得联系”是 Activities.csv 文件中每个交易最早完成的活动。
- 其他活动如“报价已发送”或“开始谈判”则是从 Activities.csv 中的特定活动主题或类型推断出来的。
映射属性：对于每个 event 行，确保填写了所有必需列：SalesOpportunityId、ActivityName 和 EventTime。通过与交易数据关联，添加推荐属性，如 DealValue、DealOwner 和 DealStatus。
最终导出：事件日志构建并验证完毕后，将最终表格保存为采用 UTF-8 编码的单个 CSV 文件。该文件现在可以上传到 ProcessMind 进行分析了。

配置

导出对象：您必须至少导出“交易” (Deals) 和“活动” (Activities)。如果您需要额外的维度数据，可能还需要导出“组织”或“人员”。
文件格式：选择 CSV 格式，以获得与 Python 或 Power Query 等数据处理工具的最佳兼容性。
日期范围筛选：使用“筛选依据”选项选择特定时间段，例如“交易添加时间”在“过去 180 天内”。这对于管理导出性能和文件大小至关重要。
用户权限：您需要是管理员用户，或拥有明确允许从 Pipedrive 账户导出数据的权限集。
自定义活动类型：能否成功提取“交易合格”或“报价已发送”等流程步骤，在很大程度上取决于您的组织在 Pipedrive 中对自定义活动类型的使用情况。请确保销售团队一致地配置并使用这些类型。

a 查询示例 config

import pandas as pd

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

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

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

for col in ['EventTime_Created', 'EventTime_Won', 'EventTime_Lost']: 
    deals_df[col] = pd.to_datetime(deals_df[col], errors='coerce')
activities_df['EventTime'] = pd.to_datetime(activities_df['EventTime'], errors='coerce')


# --- 3. Extract Activities from Pipedrive Data ---

# Activity: Deal Created
event_created = deals_df[['SalesOpportunityId', 'EventTime_Created']].copy()
event_created.rename(columns={'EventTime_Created': 'EventTime'}, inplace=True)
event_created['ActivityName'] = 'Deal Created'

# Activity: Deal Won
event_won = deals_df[deals_df['EventTime_Won'].notna()][['SalesOpportunityId', 'EventTime_Won']].copy()
event_won.rename(columns={'EventTime_Won': 'EventTime'}, inplace=True)
event_won['ActivityName'] = 'Deal Won'

# Activity: Deal Lost
event_lost = deals_df[deals_df['EventTime_Lost'].notna()][['SalesOpportunityId', 'EventTime_Lost']].copy()
event_lost.rename(columns={'EventTime_Lost': 'EventTime'}, inplace=True)
event_lost['ActivityName'] = 'Deal Lost'

# Filter for relevant, completed activities linked to a deal
completed_activities = activities_df[activities_df['EventTime'].notna() & activities_df['SalesOpportunityId'].notna()].copy()
completed_activities['SalesOpportunityId'] = completed_activities['SalesOpportunityId'].astype(int)

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

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

event_proposal_sent = completed_activities[completed_activities['ActivityName'].str.contains('proposal|quote', case=False, na=False)].copy()
event_proposal_sent['ActivityName'] = 'Proposal Sent'

# 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[['SalesOpportunityId', 'EventTime']].rename(columns={'EventTime':'ProposalTime'}), on='SalesOpportunityId')
    follow_ups = merged_followup[merged_followup['EventTime'] > merged_followup['ProposalTime']]
    event_follow_up = follow_ups[follow_ups['ActivityName'].str.contains('call|email|follow-up', case=False, na=False)].copy()
    event_follow_up['ActivityName'] = 'Proposal Follow-Up'
else:
    event_follow_up = pd.DataFrame(columns=['SalesOpportunityId', 'EventTime', 'ActivityName'])

event_negotiation = completed_activities[completed_activities['ActivityName'].str.contains('negotiation|negotiate', case=False, na=False)].copy()
event_negotiation['ActivityName'] = 'Negotiation Started'

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

# --- 4. Extract Activities from External Data (Placeholders) ---

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


# --- 5. Combine and Finalize Event Log ---

event_log_frames = [
    event_created,
    event_won,
    event_lost,
    event_initial_contact,
    event_qualified[['SalesOpportunityId', 'EventTime', 'ActivityName']],
    event_proposal_sent[['SalesOpportunityId', 'EventTime', 'ActivityName']],
    event_follow_up[['SalesOpportunityId', 'EventTime', 'ActivityName']],
    event_negotiation[['SalesOpportunityId', 'EventTime', 'ActivityName']],
    event_reopened,
    event_so_created,
    event_fulfilled,
    event_invoice_sent,
    event_payment_received
]

event_log = pd.concat(event_log_frames)

# Merge with deal attributes
final_event_log = pd.merge(event_log, deals_df[['SalesOpportunityId', 'DealValue', 'DealOwner', 'Status']], on='SalesOpportunityId', how='left')

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

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

# Reorder columns to match requirements
output_columns = ['SalesOpportunityId', 'ActivityName', 'EventTime', 'DealValue', 'DealOwner', 'DealStatus', 'DiscountPercentage']
final_event_log = final_event_log[output_columns]

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

print('Event log created successfully.')

您的“从线索到现金” (Lead to Cash) 数据模板

您的“从线索到现金” (Lead to Cash) 数据模板

从线索到现金属性

从线索到现金活动

提取指南

Pipedrive 原生数据导出至 CSV/Excel

步骤

配置

a 查询示例 config

通过 Pipedrive REST API 使用 Python 脚本提取

步骤

配置

a 查询示例 python

带有 Pipedrive 连接器的第三方 ETL 工具

步骤

配置

a 查询示例 config

准备好开始了吗？

提升赢单率：立即优化 Pipedrive 从线索到现金流程

您的“从线索到现金” (Lead to Cash) 数据模板

您的“从线索到现金” (Lead to Cash) 数据模板

从线索到现金属性

从线索到现金活动

提取指南

Pipedrive 原生数据导出至 CSV/Excel

步骤

配置

a 查询示例 config

通过 Pipedrive REST API 使用 Python 脚本提取

步骤

配置

a 查询示例 python

带有 Pipedrive 连接器的第三方 ETL 工具

步骤

配置

a 查询示例 config

我们重视您的隐私

准备好开始了吗？

提升赢单率：立即优化 Pipedrive 从线索到现金流程