> 持续流程改进 > 销售到回款 (Lead to Cash) > SAP Sales Cloud > 数据模板

您的“从线索到现金” (Lead to Cash) 数据模板

SAP Sales Cloud

Lead to Cash 属性 (18) Lead to Cash 活动 (15) 提取指南 (2)

您的“从线索到现金” (Lead to Cash) 数据模板

此模板为收集分析“线索到现金”流程所需的数据提供了结构化指南。它概述了构建全面事件日志所需的关键属性和活动。此外，您还将获得从 SAP Sales Cloud 系统提取这些数据的实用指导，确保您的 Process Mining 旅程顺畅开启。

建议收集的属性
需要追踪的关键活动
SAP Sales Cloud 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

Lead to Cash 属性

为了对 SAP Sales Cloud 中的“线索到现金”流程进行全面分析，建议在事件日志中包含以下数据字段。

3 必填 6 推荐 9 可选

	名称	描述
	Event 时间 EventTime	指示特定活动或事件发生时间的时间戳。
描述 Event Time 记录了活动完成的确切日期和时间。这类时间数据对于理解流程步骤的时机和时长至关重要。它提供了构建流程图所需的按时间顺序排列的逻辑。在流程分析中，timestamp 用于计算活动之间的周期时间、衡量销售流程的总时长，并识别延迟或瓶颈。通过对 timestamp 进行时序分析，还可以揭示流程绩效的发展趋势。为何重要时间戳对于按时间顺序排列事件以及进行所有基于时间的分析（包括周期时间和瓶颈识别）至关重要。获取方式通常存在于 SAP Sales Cloud 中与线索、机会、报价单和销售订单等业务对象相关的“创建日期”或“最后更改日期”字段中。示例 2023-04-15T10:30:00Z2023-05-02T14:00:00Z2023-06-20T09:15:00Z
	活动名称 ActivityName	流程中特定时间点发生的业务活动或事件的名称。
描述 “活动名称”描述了“线索到现金”流程中的具体步骤或事件，例如“线索转合格”、“创建报价单”或“收到付款”。这些事件构成了每个销售机会流程流转的动作序列。分析这些活动是 Process Mining 的核心。它能实现流程图的可视化，识别各步骤间的瓶颈，并测量不同流程路径的频率，揭示销售流程的实际执行情况。为何重要此属性定义了流程图中的步骤，是实现流程流转可视化和分析的基础。获取方式源自 SAP Sales Cloud 中业务对象的状态变更、单据创建 event 或事务日志中记录的特定用户操作。示例捕获线索销售机会已创建报价单已发送给客户已收到付款
	销售机会 SalesOpportunityId	销售机会的唯一标识符，作为“线索到现金”流程的主要 Case ID。
描述 “销售机会 ID” 唯一标识了从线索萌芽到成单或丢单的每一次潜在销售。它是连接线索合格化、报价单创建、订单处理和付款等所有相关活动的中心纽带。在 Process Mining 分析中，此 ID 对于重建每个机会的端到端旅程至关重要。它允许关联所有事件，从而能够针对单个机会分析流程变体、周期时长和转化率。为何重要这是必不可少的 Case ID，它连接了流程中的所有活动，使得追踪每个销售机会的完整生命周期成为可能。获取方式这是 SAP Sales Cloud 中销售机会业务对象的主键。示例 OP-8000123456OP-8000123457OP-8000123458
	产品类别 ProductCategory	销售机会中涉及的产品或服务类别。
描述 Product Category（产品类别）将销售机会中的具体项目或服务划分为大类，如“硬件”、“软件”或“咨询服务”。当涉及大量单体产品时，这能极大简化分析工作。按产品类别进行分析，对于理解不同类型的方案在销售流程上的差异至关重要。它常用于“折扣分布”和“订单履约效率”等仪表板中，以观察某些类别是否对应更高的折扣或更长的履约时间。为何重要支持根据所售产品或服务的类型进行流程变体分析，不同类型的销售周期往往存在显著差异。获取方式源自 SAP Sales Cloud 中销售报价或销售订单行项目所关联的产品主数据。示例软件许可硬件专业服务支持订阅
	折扣百分比 DiscountPercentage	销售报价或订单中应用的折扣比例。
描述此属性记录应用于销售机会的整体折扣率，通常发生在报价或订单阶段，以标价的百分比表示。这是财务绩效和销售纪律分析的关键指标。“折扣分布”仪表板利用此属性监控不同销售代表和产品的打折行为。它还用于“折扣审批合规性”KPI，以确保大额折扣遵循正确的审批流程。为何重要对于分析定价策略、销售团队的折扣行为及其对盈利能力的影响至关重要。获取方式根据 SAP Sales Cloud 中关联的销售报价或销售订单业务对象的定价元素计算得出。示例 0.050.100.25
	线索来源 LeadSource	初始线索的营销渠道或来源。
描述 Lead Source（线索来源）指明了最初识别潜在客户的方式，例如通过网页表单、贸易展会或合作伙伴推荐。此信息通常在线索创建时捕获。该属性对于“按来源划分的线索转化率”仪表板至关重要。通过对该维度的分析，市场和销售团队可以了解哪些渠道产生的线索最有价值，从而更合理地分配资源并优化营销活动。为何重要对于衡量不同营销渠道的有效性及优化线索生成策略至关重要。获取方式存在于 SAP Sales Cloud 中的 Lead 和 Opportunity 业务对象。字段名称通常为“Source”或“Origin”。示例网络研讨会合作伙伴推荐贸易展会网站咨询
	销售代表 SalesRepresentative	负责管理该销售机会的员工。
描述此属性标识负责该线索或销售机会的用户或员工。他们通常是客户的主要联系人，负责推动交易进入销售漏斗。在分析中，“销售代表”是业绩对比的关键维度。它支持按个人、团队或地区评估销售周期、赢率和流程合规性，有助于识别表现优异者以及需要辅导的领域。为何重要支持按员工进行绩效分析，有助于识别销售人员的培训需求并挖掘内部最佳实践。获取方式关联到 SAP Sales Cloud 中 Opportunity 或 Lead 业务对象的“Owner”或“Employee Responsible”参与方角色。示例约翰·史密斯Maria Garcia陈伟
	销售机会状态 OpportunityStatus	销售机会的当前状态或结果，例如“进行中”、“赢得”或“流失”。
描述此属性反映了销售机会在特定时间点的整体状态。它指示机会是仍在进行中、已成功赢得，还是因竞争对手或其他原因流失。分析最终状态是计算“机会赢率”等关键 KPI 的基础。它还支持通过过滤分析来仅关注成功路径，或调查最常导致丢单的流程模式。为何重要定义 case 的结果，这对于计算赢/输率以及分析成功与失败销售机会的流程路径至关重要。获取方式 SAP Sales Cloud 中销售机会业务对象的“状态”字段。示例未结处理中成交丢单已停止
	销售订单金额 SalesOrderAmount	与销售机会相关的销售订单总金额。
描述此属性代表赢得机会并创建销售订单后，所售商品或服务的总价值。它反映了成功完成销售流程后产生的收入。 “销售订单金额”是分析中关键的财务维度。它可用于按规模（如小额、中额、大额交易）对销售机会进行细分，以观察流程行为是否存在差异。它还为赢率等 KPI 提供了价值背景，展示了赢得与流失机会的总价值对比。为何重要为流程引入财务维度，支持基于价值的销售周期及结果分析。获取方式此值将源自 SAP Sales Cloud 中相关销售订单业务对象的“总净值”字段。示例 50000.00125000.507800.00
	付款条款 PaymentTerms	约定的付款条件，例如“Net 30”或“Net 60”。
描述 Payment Terms（付款条款）规定了客户支付货款或服务费的条件。这在销售订单或合同签订阶段确定，并决定了发票的截止付款日期。该属性是“回款周期时长”仪表板的关键维度。通过按付款条款进行细分，企业可以评估客户是否遵守约定的时间表，并识别哪些条款与较长或较短的支付周期相关联。为何重要为回款分析提供背景信息，有助于判断延迟是源于客户行为还是过于宽松的付款条款。获取方式位于 SAP Sales Cloud 的销售订单或客户主数据中。示例净 30 天净 60 天见票即付
	最后数据更新 LastDataUpdate	从源系统最后一次抽取或刷新数据的时间。
描述此属性指示事件日志数据的最后更新时间。它为所分析数据的时效性提供了参考依据，对于理解研究结果的相关性至关重要。对于任何流程分析，了解数据的近期性都非常关键。它能帮助利益相关者判断洞察结果是反映当前运营状况还是过去某个时期，从而影响基于分析的决策制定。为何重要提供有关数据新鲜度的关键背景，确保分析和决策基于最新信息。获取方式这是在数据提取和转换 (ETL) 过程中添加的元数据时间戳。示例 2024-07-20T02:00:00Z2024-07-21T02:00:00Z
	区域 Region	客户或销售团队所在的地理区域。
描述 “地区”代表分配给销售机会的地理区域，通常基于客户位置或销售组织结构，可以是国家、省份或自定义销售区域。这是细分分析的关键属性。它直接应用于“机会赢率表现”仪表板，用于对比不同地区的业绩。这有助于发现各地区在流程效率、市场成功率和销售策略方面的差异。为何重要支持销售业绩的地理位置分析，突出不同地区在赢单率、周期时长和流程执行方面的差异。获取方式通常根据客户地址或 SAP Sales Cloud 中分配给该机会的销售组织推断得出。示例北美欧洲、中东和非洲亚太拉美地区
	处理时间 ProcessingTime	主动处理任务所花费的时间，不包括等待时间。
描述 Processing Time（处理时间）又称“接触时间”，衡量资源实际投入到某项任务的时长。它不同于周期时间，后者还包括了 case 在活动之间等待的时间。分析处理时间有助于区分流程延迟是由工作效率低下引起的，还是由于等待资源或信息造成的。它为销售流程中每项活动所需的实际投入提供了更精确的衡量尺度。为何重要衡量实际工作时长，有助于区分流程中的低效任务与漫长的等待时间。获取方式计算方式为活动结束时间与开始时间的差值。需要每个 event 都具备这两个 timestamp。示例 PT1H30MPT8H2天4小时
	客户名称 CustomerName	与销售机会相关的公司或个人名称。
描述此属性标识销售交易的潜在客户。它将销售流程与系统中的特定账户关联起来。按客户进行分析可以提供以客户为中心的销售流程视角。它有助于识别哪些客户的销售周期最长或需要最多的返工，对于按客户细分的“回款周期时长”等 KPI 至关重要。为何重要支持以客户为中心的分析，以识别特定客户的销售周期模式或付款行为。获取方式关联到 SAP Sales Cloud 中 Opportunity 业务对象的“Account”或“Prospect”参与方角色。示例 Global Tech Inc.Innovate Solutions Ltd.Dynamic Corp
	是否返工 IsReworked	用于标识活动或 case 是否经历过返工的标记。
描述如果流程中检测到返工循环，此布尔标志将设置为 true，例如销售订单在初次创建后被修改，或报价单被多次修订。该标志通过分析活动序列派生而来。这一计算属性对于量化流程效率低下至关重要。它直接支持“销售订单返工频率”仪表板和“销售订单返工率”KPI，使分析工具无需复杂的模式匹配即可轻松过滤和统计返工实例。为何重要通过标记带有返工循环的 case，直接量化流程的低效程度，简化对返工频率及其原因的分析。获取方式此属性不在源系统中。它是通过检测重复的活动序列（例如“创建销售订单”后紧跟“销售订单返工”）在数据转换过程中计算得出的。示例 truefalse
	源系统 SourceSystem	标识 data 的来源系统。
描述此属性指定生成事件数据的源应用程序。在此流程中，通常为“SAP Sales Cloud”，但也可能包括用于获取线索的营销自动化平台等其他集成系统。在多系统环境中，此属性对于了解数据血缘和排查数据集成问题至关重要。它确保分析是建立在清晰了解信息来源的基础之上的。为何重要有助于在集成环境中区分数据来源，确保分析过程中的数据血缘和上下文清晰明确。获取方式这通常是在数据提取过程中添加的静态值，用于标记记录的来源。示例 SAP Sales CloudSAP C4CSSC_PROD_100
	配送方式 ShippingMethod	将实物产品交付给客户所采用的方法。
描述此属性指定订单的物流或交付方式，如“陆运”、“空运”或“电子交付”，适用于涉及实物商品的流程。在“订单履行效率”仪表板中，此属性有助于分析不同运输方式是否与不同的履约时间相关。这可以揭示特定物流渠道的效率低下问题，或帮助更准确地设定客户预期。为何重要通过按物流渠道细分交付表现，帮助诊断订单履约环节的瓶颈。获取方式通常位于 SAP Sales Cloud 中销售订单业务对象的行项目或抬头级别。示例陆运次日达空运数字下载运费
	销售组织 SalesOrganization	负责该销售笔业务的组织单位。
描述 “销售组织”代表公司内部负责销售交易的特定单位、部门或团队。它是 SAP 企业结构的关键要素。该属性支持按不同业务部门进行细分分析。它可用于比较不同业务单元或销售部门的流程绩效、赢率和周期时长，从而从组织层面的高度观察运营效率。为何重要支持跨不同业务单元或公司部门进行绩效基准评估和流程分析。获取方式这是 SAP Sales Cloud 中销售机会或销售订单上的关键组织分配字段。示例 US01DE01北方大区企业销售部

必填推荐可选

Lead to Cash 活动

以下是为准确发现和分析“线索到现金”流程而需要在事件日志中捕获的关键步骤和里程碑。

7 推荐 8 可选

	活动	描述
	已创建销售订单	此活动标志着正式销售订单的创建，它是启动履约和计费的正式内部文件。当用户创建销售订单对象并将其链接到父级销售机会时，系统会明确记录此活动。
为何重要这是从销售到运营的关键交接点。分析从“赢得机会”到“创建销售订单”的时间可以揭示内部延迟，而跟踪此后的返工则能突出数据质量问题。获取方式此事件对应于与该销售机会相关的销售订单业务对象的创建时间戳。捕获使用相关销售订单记录的创建日期和时间。事件类型 explicit
	已收到付款	此活动确认客户的付款已收到并已处理，完成了财务交易。此信息几乎总是源自外部财务或 ERP 系统，并由其更新 SAP Sales Cloud 中的发票或订单状态。
为何重要这是“线索到现金”流程中最后的价值实现步骤。测量从发票到付款的“回款周期时长”是管理现金流和评估应收账款绩效的关键 KPI。获取方式通过发票或销售订单对象的状态变更为“Paid”或“Cleared”推断得出。该数据源自外部财务系统。捕获识别发票状态变更为“Paid”或“Cleared”时的 timestamp。事件类型 inferred
	报价单已发送给客户	此活动代表正式报价单正式提交给客户审核的时刻。此事件通常根据销售报价单对象的状态更改来推断，例如从“准备中”更改为“已发送”或“已建议”。
为何重要这是一个关键里程碑，标志着客户谈判和决策时间的开始。分析此事件与报价接受之间的时间间隔，对于理解交易速度和谈判瓶颈至关重要。获取方式通过销售报价业务对象的状态变更历史记录推断得出。寻找状态更新为表示“已发送”值时的 timestamp。捕获识别销售报价对象上状态变更为“Sent”的 timestamp。事件类型 inferred
	机会关闭（丢失）	此活动标志着未成功机会的最终结束，即交易败给竞争对手或客户决定不购买。当用户将机会状态更改为“流失”或“关闭且流失”时，系统会捕获此活动。
为何重要分析销售机会何时以及为何丢失，对于优化销售策略至关重要。通过这个“失败”终点，可以分析丢失的交易，例如交易平均在哪个阶段中断，以及常见的流失原因。获取方式通过 Opportunity 业务对象的状态变更历史记录推断得出。即状态更新为“Lost”或“Closed Lost”时的 timestamp。捕获识别 Opportunity 对象上状态变更为“Lost”的 timestamp。事件类型 inferred
	机会关闭（成交）	此活动是在订单创建和履行等所有下游活动完成后，成功机会的最终结束状态。当用户将机会状态更改为最终的“已关闭”且动因为“赢得”时，系统会捕获此活动。
为何重要此事件作为 Process Mining 分析的成功终点，可用于计算所有成单交易的端到端销售周期时长，提供清晰且确定的流程结论。获取方式通过 Opportunity 对象的状态变更历史记录推断得出，具体为状态更新为“Closed”且原因为“Won”时的 timestamp。捕获识别状态变更为“Closed”且原因码为“Won”时的 timestamp。事件类型 inferred
	机会赢单	此活动表示交易已成功达成，组织已获得该业务。通过用户将机会状态更改为“赢得”来捕获，这是系统中的标准显式操作。
为何重要这是衡量赢率和销售绩效的关键里程碑。它通常作为订单创建和履行等下游流程的触发器，是“线索到现金”周期中的核心过渡点。获取方式通过 Opportunity 业务对象的状态变更历史记录推断得出。即状态更新为“Won”时的 timestamp。捕获识别 Opportunity 对象上状态变更为“Won”的 timestamp。事件类型 inferred
	销售机会已创建	这是销售机会的正式开始，标志着合格线索转化为具体的销售推进。系统在创建销售机会业务对象时会明确捕获此事件，通常会沿用原始线索的数据。
为何重要作为销售周期分析的主要起点，此活动至关重要。它支持从交易具象化的那一刻起，衡量销售周期时长、opportunity 赢单率以及销售团队的绩效表现。获取方式此事件对应于 SAP Sales Cloud 中销售机会业务对象的创建时间戳。捕获使用销售机会记录的创建日期和时间。事件类型 explicit
	准入线索	代表线索已通过审核并符合销售意向标准的时点。通常在用户手动将线索状态更改为“合格”或类似状态时捕获，表示已准备好进行转化。
为何重要此活动将原始线索与意向客户区分开，从而能够分析合格化流程的效率。它有助于确定各来源线索的质量，并识别从获取线索到主动销售之间的瓶颈。获取方式通过 Lead 业务对象的状态变更历史记录推断得出。需寻找状态字段更新为“Qualified”时的 timestamp。捕获识别 Lead 对象上状态变更为“Qualified”的 timestamp。事件类型 inferred
	客户已接受报价	表示客户已通过正式或非正式方式同意报价条款。这通常由销售代表在销售报价或 Opportunity 对象上手动更新状态来完成。
为何重要这是一个强烈的购买信号，也是合同最终确定或订单创建前的关键里程碑。它有助于衡量提案的有效性以及客户决策周期的长度。获取方式通过销售报价对象的状态变更为“Accepted”或关联的 Opportunity 对象的类似状态变更推断得出。捕获识别销售报价状态变更为“Accepted”时的 timestamp。事件类型 inferred
	已提出解决方案	此活动表示已向客户展示了潜在的解决方案或产品配置。它通常通过销售机会对象上的销售阶段或状态更改来推断，例如进入“提案”或“方案设计”阶段。
为何重要分析在此阶段停留的时间以及向报价阶段转换的过程，有助于识别方案设计环节的瓶颈。它能揭示从初次接触到提出具体提案所需的时间。获取方式通过 Opportunity 对象的变更日志或状态历史记录推断得出，具体表现为销售阶段更新为“方案建议”或“价值主张”等值。捕获识别 Opportunity 的销售阶段字段变更为提案状态时的 timestamp。事件类型 inferred
	已生成发票	代表客户发票的创建，标志着流程进入最后的财务阶段。此事件可以从 SAP Sales Cloud 中的发票对象创建中获取，或更常见地从集成的计费系统中获取。
为何重要此活动是回款周期的触发点。发票生成的延迟会直接影响现金流，因此监控从履约到开票的时间对财务健康至关重要。获取方式可以是与销售订单关联的发票业务对象的创建 timestamp，也可以是来自外部 ERP 的更新。来源取决于系统架构。捕获使用发票记录的创建日期或来自集成 ERP 的活动日志条目。事件类型 explicit
	报价单已创建	标志着与该销售机会关联的正式销售报价单据的创建。这是报价单发给客户前的内部步骤，在用户生成新报价记录时会被明确捕获。
为何重要此活动将内部准备时间与客户持有报价的时间区分开。它有助于分析报价单生成流程的效率，以及销售代表准备定价所需的时间。获取方式此事件是与该销售机会相关的销售报价单业务对象的创建时间戳。捕获使用相关销售报价单记录的创建日期和时间。事件类型 explicit
	捕获线索	此活动标志着在 SAP Sales Cloud 中初始创建线索记录。它代表了潜在客户的第一次接触或兴趣点，通常通过网页表单、列表导入或手动录入自动捕获。
为何重要跟踪此事件对于分析不同线索来源的有效性以及衡量整体线索生成量至关重要。它是计算线索转化率和了解销售漏斗顶端情况的起点。获取方式此事件捕获自线索业务对象的创建时间戳。线索的来源通常可作为同一对象上的属性获得。捕获使用线索记录的创建日期和时间。事件类型 explicit
	订单已履行	此活动表示产品已发货或服务已交付给客户。该事件通常通过与 ERP 或物流系统的集成来捕获，并由其更新 SAP Sales Cloud 中的销售订单状态。
为何重要这标志着流程中交付环节的完成。测量从“创建销售订单”到“订单履行”的时间对于监控履约效率及其对客户满意度的影响至关重要。获取方式通常根据销售订单对象的状态更改来推断，例如“已履行”或“已发货”。此状态通常通过外部系统集成进行更新。捕获识别销售订单状态变更为“Fulfilled”或“Delivered”的 timestamp。事件类型 inferred
	销售订单已返工	代表销售订单提交后的修改或更正。此事件通过检测销售订单状态的循环来推断，例如状态从“已提交”退回至“处理中”或“待修订”。
为何重要识别返工是发现流程效率低下、录入错误以及销售与运营部门之间沟通鸿沟的关键。频繁的返工表明存在质量问题，这会导致流程延迟并增加成本。获取方式通过销售订单对象的状态变更历史记录推断得出。需要分析状态变更序列，以识别回退操作或循环。捕获检测代表循环的状态转换，例如从“已提交”回到“处理中”。事件类型 inferred

推荐可选

提取指南

如何从 SAP Sales Cloud 获取您的数据

步骤

先决条件：确保您在 SAP Sales Cloud 中拥有访问 Analytics 工作中心的权限，特别是创建和编辑数据源及报表的权限。
创建组合数据源：导航至 Business Analytics 工作中心内的 Design Data Sources 视图。创建一个新的组合数据源。使用左外连接（left outer join）连接以下标准数据源，以确保捕获所有 opportunity：Lead Information -> Opportunity Header and Item -> Sales Quote Header and Item -> Sales Order Header and Item。连接条件通常基于 Opportunity ID 或后续单据 ID。
构建自定义报表：导航至 Design Reports 视图。基于上一步创建的组合数据源创建新报表。向报表视图添加所有必要的特征和关键指标，包括标识符（Lead ID, Opportunity ID）、所有相关的状态字段以及所有 timestamp 字段（创建日期、状态变更日期等）。同时包含所需的属性（attributes），如销售代表、线索来源（Lead Source）和订单金额。
将报表发布为 OData 服务：在 Design Reports 视图中选择新创建的报表。在报表的配置或设置中，找到将报表发布为 OData 查询的选项。通常是一个标有 Enable for OData 的复选框。保存更改后，系统将为该报表生成一个唯一的 OData URL。
获取 OData URL：前往 Administrator 工作中心的 OData Services 视图。在列表中找到您的自定义报表并复制其服务 URL。您在 Python 脚本中会用到它。
设置 Python 环境：确保已安装 Python 以及 requests 和 pandas 库。您可以使用 pip 安装：pip install requests pandas。
配置 Python 脚本：复制提供的 Python 脚本。将 C4C_TENANT_URL、OData_SERVICE_PATH、USERNAME 和 PASSWORD 的占位符替换为您具体的 SAP Sales Cloud 凭据以及上一步获取的 OData URL。
执行提取脚本：运行 Python 脚本。脚本将通过 OData API 进行身份验证，分页获取 data 以处理大数据量，并将其加载到 pandas DataFrame 中。
Data 转换：脚本会自动将宽格式 data（每个 opportunity 一行）转换为长格式的事件日志（event log）。它会循环检查每个潜在活动是否有有效的 timestamp。如果 timestamp 存在，则创建一个带有正确 ActivityName 的对应 event 记录。
导出事件日志：脚本运行完成后，将在同目录下保存最终的事件日志文件 lead_to_cash_event_log.csv。该文件格式已优化，可直接上传至 Process Mining 工具。

配置

数据源配置：本方法的核心是在 SAP Sales Cloud Analytics 中建立组合数据源。关键在于必须以 Opportunity 对象为起点使用 Left Outer Joins（左外连接），以确保完整捕获那些最终未生成报价或订单的机会。
报表特征：自定义报表必须包含所有与所需活动对应的日期和时间字段。这包括 lead、opportunity、报价和订单的创建 timestamp，以及状态变更的 timestamp。
OData API 过滤：为了管理性能和 data 卷，请在 Python 脚本的 OData URL 中使用 $filter 参数。强烈建议按日期范围进行过滤，例如 OpportunityCreationDate。初始分析的典型日期范围通常为 6 到 12 个月。
分页处理：提供的脚本使用 $top 和 $skip 参数处理 OData 分页。这对于提取大型数据集且不导致 API 连接超时至关重要。
先决条件：此方法需要一个专用的分析用户，该用户需具备访问 OData API 以及 lead、opportunity、报价和订单底层数据源的权限。

a 查询示例 python

import requests
import pandas as pd
import numpy as np

class=class="hl-string">"hl-comment"># --- Configuration Placeholders ---
C4C_TENANT_URL = class="hl-string">"[Your SAP Sales Cloud Tenant URL, e.g., my123456.crm.ondemand.com]"
class=class="hl-string">"hl-comment"># The service path comes from the OData Services view for your custom report
ODATA_SERVICE_PATH = class="hl-string">"/sap/c4c/odata/analytics/ds/CUST_REPORT_ID.svc"
USERNAME = class="hl-string">"[Your_Username]"
PASSWORD = class="hl-string">"[Your_Password]"

class=class="hl-string">"hl-comment"># --- OData Service Details ---
class=class="hl-string">"hl-comment"># The entity set is usually the report ID followed by class="hl-string">'ResultSet'
ENTITY_SET = class="hl-string">"CUST_REPORT_IDResultSet"
BASE_API_URL = fclass="hl-string">"https://{C4C_TENANT_URL}{ODATA_SERVICE_PATH}/{ENTITY_SET}"

class=class="hl-string">"hl-comment"># --- Data Extraction ---
def get_odata_data(api_url, username, password):
    records = []
    page_size = 1000
    skip = 0
    
    class=class="hl-string">"hl-comment"># It is highly recommended to add a date filter for performance
    class=class="hl-string">"hl-comment"># e.g., class="hl-string">"$filter=OpportunityCreationDate ge datetime'2023-01-01T00:00:00'"
    odata_params = {
        class="hl-string">"$format": class="hl-string">"json",
        class="hl-string">"$top": page_size,
        class="hl-string">"$skip": skip,
        class="hl-string">"$inlinecount": class="hl-string">"allpages"
        class=class="hl-string">"hl-comment"># class="hl-string">"$filter": class="hl-string">"[Your OData Filter String]"
    }

    print(class="hl-string">"Starting data extraction from SAP Sales Cloud...")
    while True:
        odata_params[class="hl-string">'$skip'] = skip
        response = requests.get(api_url, auth=(username, password), params=odata_params)
        
        if response.status_code != 200:
            print(fclass="hl-string">"Error: Failed to fetch data. Status code: {response.status_code}")
            print(response.text)
            break

        data = response.json()[class="hl-string">'d']
        if class="hl-string">'results' in data and data[class="hl-string">'results']:
            records.extend(data[class="hl-string">'results'])
            count = len(data[class="hl-string">'results'])
            print(fclass="hl-string">"Fetched {len(records)} records...")
            if count < page_size:
                break
            skip += page_size
        else:
            break
            
    print(class="hl-string">"Extraction complete.")
    return pd.DataFrame(records)

source_df = get_odata_data(BASE_API_URL, USERNAME, PASSWORD)

class=class="hl-string">"hl-comment"># --- Data Transformation ---
if not source_df.empty:
    print(class="hl-string">"Starting data transformation into event log format...")
    
    class=class="hl-string">"hl-comment"># Rename columns for clarity (adjust these based on your report's field names)
    class=class="hl-string">"hl-comment"># These are example API field names from the OData service.
    class=class="hl-string">"hl-comment"># You MUST inspect your OData metadata to get the correct field names.
    column_mapping = {
        class="hl-string">'C_OpportunityId': class="hl-string">'SalesOpportunityId',
        class="hl-string">'LeadCreationDateTime': class="hl-string">'LeadCaptured_Time',
        class="hl-string">'LeadConversionDateTime': class="hl-string">'LeadQualified_Time',
        class="hl-string">'OpportunityCreationDateTime': class="hl-string">'OpportunityCreated_Time',
        class="hl-string">'OpportunityProposalStageDateTime': class="hl-string">'SolutionProposed_Time',
        class="hl-string">'QuoteCreationDateTime': class="hl-string">'QuoteCreated_Time',
        class="hl-string">'QuoteSentToCustomerDateTime': class="hl-string">'QuoteSentToCustomer_Time',
        class="hl-string">'QuoteAcceptedDateTime': class="hl-string">'QuoteAccepted_Time',
        class="hl-string">'OpportunityWonDateTime': class="hl-string">'OpportunityWon_Time',
        class="hl-string">'SalesOrderCreationDateTime': class="hl-string">'SalesOrderCreated_Time',
        class="hl-string">'SalesOrderReworkedDateTime': class="hl-string">'SalesOrderReworked_Time',
        class="hl-string">'SalesOrderFulfilledDateTime': class="hl-string">'OrderFulfilled_Time',
        class="hl-string">'InvoiceGeneratedDateTime': class="hl-string">'InvoiceGenerated_Time',
        class="hl-string">'PaymentReceivedDateTime': class="hl-string">'PaymentReceived_Time',
        class="hl-string">'OpportunityClosedWonDateTime': class="hl-string">'OpportunityClosedWon_Time',
        class="hl-string">'OpportunityClosedLostDateTime': class="hl-string">'OpportunityClosedLost_Time',
        class="hl-string">'SalesRepresentativeName': class="hl-string">'SalesRepresentative',
        class="hl-string">'LeadSourceName': class="hl-string">'LeadSource',
        class="hl-string">'OpportunityStatusName': class="hl-string">'OpportunityStatus',
        class="hl-string">'SalesOrderAmountValue': class="hl-string">'SalesOrderAmount',
        class="hl-string">'ProductCategoryName': class="hl-string">'ProductCategory',
        class="hl-string">'QuoteDiscountPercentage': class="hl-string">'DiscountPercentage'
    }
    source_df.rename(columns=column_mapping, inplace=True)

    class=class="hl-string">"hl-comment"># Convert date strings to datetime objects, coercing errors to NaT (Not a Time)
    date_cols = [col for col in source_df.columns if class="hl-string">'_Time' in col]
    for col in date_cols:
        class=class="hl-string">"hl-comment"># OData date format is /Date(timestamp)/. We need to extract the timestamp.
        source_df[col] = source_df[col].str.extract(rclass="hl-string">'\/Date\((\d+)\)\/').astype(float)
        source_df[col] = pd.to_datetime(source_df[col], unit=class="hl-string">'ms', errors=class="hl-string">'coerce')

    class=class="hl-string">"hl-comment"># Define the activities and their corresponding timestamp columns
    activity_mapping = {
        class="hl-string">'Lead Captured': class="hl-string">'LeadCaptured_Time',
        class="hl-string">'Lead Qualified': class="hl-string">'LeadQualified_Time',
        class="hl-string">'Opportunity Created': class="hl-string">'OpportunityCreated_Time',
        class="hl-string">'Solution Proposed': class="hl-string">'SolutionProposed_Time',
        class="hl-string">'Quote Created': class="hl-string">'QuoteCreated_Time',
        class="hl-string">'Quote Sent to Customer': class="hl-string">'QuoteSentToCustomer_Time',
        class="hl-string">'Quote Accepted by Customer': class="hl-string">'QuoteAccepted_Time',
        class="hl-string">'Opportunity Won': class="hl-string">'OpportunityWon_Time',
        class="hl-string">'Sales Order Created': class="hl-string">'SalesOrderCreated_Time',
        class="hl-string">'Sales Order Reworked': class="hl-string">'SalesOrderReworked_Time',
        class="hl-string">'Order Fulfilled': class="hl-string">'OrderFulfilled_Time',
        class="hl-string">'Invoice Generated': class="hl-string">'InvoiceGenerated_Time',
        class="hl-string">'Payment Received': class="hl-string">'PaymentReceived_Time',
        class="hl-string">'Opportunity Closed Won': class="hl-string">'OpportunityClosedWon_Time',
        class="hl-string">'Opportunity Closed Lost': class="hl-string">'OpportunityClosedLost_Time'
    }

    class=class="hl-string">"hl-comment"># Unpivot the DataFrame into an event log format
    event_log_df = pd.DataFrame()
    for activity, time_col in activity_mapping.items():
        if time_col in source_df.columns:
            temp_df = source_df[[class="hl-string">'SalesOpportunityId'] + [col for col in column_mapping.values() if col in source_df.columns]].copy()
            temp_df = temp_df.dropna(subset=[time_col])
            if not temp_df.empty:
                temp_df[class="hl-string">'ActivityName'] = activity
                temp_df.rename(columns={time_col: class="hl-string">'EventTime'}, inplace=True)
                event_log_df = pd.concat([event_log_df, temp_df])

    class=class="hl-string">"hl-comment"># Select and order final columns
    required_cols = [class="hl-string">'SalesOpportunityId', class="hl-string">'ActivityName', class="hl-string">'EventTime']
    recommended_cols = [class="hl-string">'SalesRepresentative', class="hl-string">'LeadSource', class="hl-string">'OpportunityStatus', class="hl-string">'SalesOrderAmount', class="hl-string">'ProductCategory', class="hl-string">'DiscountPercentage']
    final_cols = required_cols + [col for col in recommended_cols if col in event_log_df.columns]
    
    event_log_df = event_log_df[final_cols]
    event_log_df.sort_values(by=[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime'], inplace=True)

    class=class="hl-string">"hl-comment"># --- Export to CSV ---
    event_log_df.to_csv(class="hl-string">'lead_to_cash_event_log.csv', index=False)
    print(class="hl-string">"Event log saved to 'lead_to_cash_event_log.csv'.")
else:
    print(class="hl-string">"No data extracted. Skipping transformation and export.")

步骤

先决条件：确保您在 SAP Sales Cloud 中拥有访问 Analytics 工作中心的权限，特别是创建和编辑数据源及报表的权限。
创建组合数据源：导航至 Business Analytics 工作中心内的 Design Data Sources 视图。创建一个新的组合数据源。使用左外连接（left outer join）连接以下标准数据源，以确保捕获所有 opportunity：Lead Information -> Opportunity Header and Item -> Sales Quote Header and Item -> Sales Order Header and Item。连接条件通常基于 Opportunity ID 或后续单据 ID。
构建自定义报表：导航至 Design Reports 视图。基于上一步创建的组合数据源创建新报表。向报表视图添加所有必要的特征和关键指标，包括标识符（Lead ID, Opportunity ID）、所有相关的状态字段以及所有 timestamp 字段（创建日期、状态变更日期等）。同时包含所需的属性（attributes），如销售代表、线索来源（Lead Source）和订单金额。
将报表发布为 OData 服务：在 Design Reports 视图中选择新创建的报表。在报表的配置或设置中，找到将报表发布为 OData 查询的选项。通常是一个标有 Enable for OData 的复选框。保存更改后，系统将为该报表生成一个唯一的 OData URL。
获取 OData URL：前往 Administrator 工作中心的 OData Services 视图。在列表中找到您的自定义报表并复制其服务 URL。您在 Python 脚本中会用到它。
设置 Python 环境：确保已安装 Python 以及 requests 和 pandas 库。您可以使用 pip 安装：pip install requests pandas。
配置 Python 脚本：复制提供的 Python 脚本。将 C4C_TENANT_URL、OData_SERVICE_PATH、USERNAME 和 PASSWORD 的占位符替换为您具体的 SAP Sales Cloud 凭据以及上一步获取的 OData URL。
执行提取脚本：运行 Python 脚本。脚本将通过 OData API 进行身份验证，分页获取 data 以处理大数据量，并将其加载到 pandas DataFrame 中。
Data 转换：脚本会自动将宽格式 data（每个 opportunity 一行）转换为长格式的事件日志（event log）。它会循环检查每个潜在活动是否有有效的 timestamp。如果 timestamp 存在，则创建一个带有正确 ActivityName 的对应 event 记录。
导出事件日志：脚本运行完成后，将在同目录下保存最终的事件日志文件 lead_to_cash_event_log.csv。该文件格式已优化，可直接上传至 Process Mining 工具。

配置

数据源配置：本方法的核心是在 SAP Sales Cloud Analytics 中建立组合数据源。关键在于必须以 Opportunity 对象为起点使用 Left Outer Joins（左外连接），以确保完整捕获那些最终未生成报价或订单的机会。
报表特征：自定义报表必须包含所有与所需活动对应的日期和时间字段。这包括 lead、opportunity、报价和订单的创建 timestamp，以及状态变更的 timestamp。
OData API 过滤：为了管理性能和 data 卷，请在 Python 脚本的 OData URL 中使用 $filter 参数。强烈建议按日期范围进行过滤，例如 OpportunityCreationDate。初始分析的典型日期范围通常为 6 到 12 个月。
分页处理：提供的脚本使用 $top 和 $skip 参数处理 OData 分页。这对于提取大型数据集且不导致 API 连接超时至关重要。
先决条件：此方法需要一个专用的分析用户，该用户需具备访问 OData API 以及 lead、opportunity、报价和订单底层数据源的权限。

a 查询示例 python

import requests
import pandas as pd
import numpy as np

class=class="hl-string">"hl-comment"># --- Configuration Placeholders ---
C4C_TENANT_URL = class="hl-string">"[Your SAP Sales Cloud Tenant URL, e.g., my123456.crm.ondemand.com]"
class=class="hl-string">"hl-comment"># The service path comes from the OData Services view for your custom report
ODATA_SERVICE_PATH = class="hl-string">"/sap/c4c/odata/analytics/ds/CUST_REPORT_ID.svc"
USERNAME = class="hl-string">"[Your_Username]"
PASSWORD = class="hl-string">"[Your_Password]"

class=class="hl-string">"hl-comment"># --- OData Service Details ---
class=class="hl-string">"hl-comment"># The entity set is usually the report ID followed by class="hl-string">'ResultSet'
ENTITY_SET = class="hl-string">"CUST_REPORT_IDResultSet"
BASE_API_URL = fclass="hl-string">"https://{C4C_TENANT_URL}{ODATA_SERVICE_PATH}/{ENTITY_SET}"

class=class="hl-string">"hl-comment"># --- Data Extraction ---
def get_odata_data(api_url, username, password):
    records = []
    page_size = 1000
    skip = 0
    
    class=class="hl-string">"hl-comment"># It is highly recommended to add a date filter for performance
    class=class="hl-string">"hl-comment"># e.g., class="hl-string">"$filter=OpportunityCreationDate ge datetime'2023-01-01T00:00:00'"
    odata_params = {
        class="hl-string">"$format": class="hl-string">"json",
        class="hl-string">"$top": page_size,
        class="hl-string">"$skip": skip,
        class="hl-string">"$inlinecount": class="hl-string">"allpages"
        class=class="hl-string">"hl-comment"># class="hl-string">"$filter": class="hl-string">"[Your OData Filter String]"
    }

    print(class="hl-string">"Starting data extraction from SAP Sales Cloud...")
    while True:
        odata_params[class="hl-string">'$skip'] = skip
        response = requests.get(api_url, auth=(username, password), params=odata_params)
        
        if response.status_code != 200:
            print(fclass="hl-string">"Error: Failed to fetch data. Status code: {response.status_code}")
            print(response.text)
            break

        data = response.json()[class="hl-string">'d']
        if class="hl-string">'results' in data and data[class="hl-string">'results']:
            records.extend(data[class="hl-string">'results'])
            count = len(data[class="hl-string">'results'])
            print(fclass="hl-string">"Fetched {len(records)} records...")
            if count < page_size:
                break
            skip += page_size
        else:
            break
            
    print(class="hl-string">"Extraction complete.")
    return pd.DataFrame(records)

source_df = get_odata_data(BASE_API_URL, USERNAME, PASSWORD)

class=class="hl-string">"hl-comment"># --- Data Transformation ---
if not source_df.empty:
    print(class="hl-string">"Starting data transformation into event log format...")
    
    class=class="hl-string">"hl-comment"># Rename columns for clarity (adjust these based on your report's field names)
    class=class="hl-string">"hl-comment"># These are example API field names from the OData service.
    class=class="hl-string">"hl-comment"># You MUST inspect your OData metadata to get the correct field names.
    column_mapping = {
        class="hl-string">'C_OpportunityId': class="hl-string">'SalesOpportunityId',
        class="hl-string">'LeadCreationDateTime': class="hl-string">'LeadCaptured_Time',
        class="hl-string">'LeadConversionDateTime': class="hl-string">'LeadQualified_Time',
        class="hl-string">'OpportunityCreationDateTime': class="hl-string">'OpportunityCreated_Time',
        class="hl-string">'OpportunityProposalStageDateTime': class="hl-string">'SolutionProposed_Time',
        class="hl-string">'QuoteCreationDateTime': class="hl-string">'QuoteCreated_Time',
        class="hl-string">'QuoteSentToCustomerDateTime': class="hl-string">'QuoteSentToCustomer_Time',
        class="hl-string">'QuoteAcceptedDateTime': class="hl-string">'QuoteAccepted_Time',
        class="hl-string">'OpportunityWonDateTime': class="hl-string">'OpportunityWon_Time',
        class="hl-string">'SalesOrderCreationDateTime': class="hl-string">'SalesOrderCreated_Time',
        class="hl-string">'SalesOrderReworkedDateTime': class="hl-string">'SalesOrderReworked_Time',
        class="hl-string">'SalesOrderFulfilledDateTime': class="hl-string">'OrderFulfilled_Time',
        class="hl-string">'InvoiceGeneratedDateTime': class="hl-string">'InvoiceGenerated_Time',
        class="hl-string">'PaymentReceivedDateTime': class="hl-string">'PaymentReceived_Time',
        class="hl-string">'OpportunityClosedWonDateTime': class="hl-string">'OpportunityClosedWon_Time',
        class="hl-string">'OpportunityClosedLostDateTime': class="hl-string">'OpportunityClosedLost_Time',
        class="hl-string">'SalesRepresentativeName': class="hl-string">'SalesRepresentative',
        class="hl-string">'LeadSourceName': class="hl-string">'LeadSource',
        class="hl-string">'OpportunityStatusName': class="hl-string">'OpportunityStatus',
        class="hl-string">'SalesOrderAmountValue': class="hl-string">'SalesOrderAmount',
        class="hl-string">'ProductCategoryName': class="hl-string">'ProductCategory',
        class="hl-string">'QuoteDiscountPercentage': class="hl-string">'DiscountPercentage'
    }
    source_df.rename(columns=column_mapping, inplace=True)

    class=class="hl-string">"hl-comment"># Convert date strings to datetime objects, coercing errors to NaT (Not a Time)
    date_cols = [col for col in source_df.columns if class="hl-string">'_Time' in col]
    for col in date_cols:
        class=class="hl-string">"hl-comment"># OData date format is /Date(timestamp)/. We need to extract the timestamp.
        source_df[col] = source_df[col].str.extract(rclass="hl-string">'\/Date\((\d+)\)\/').astype(float)
        source_df[col] = pd.to_datetime(source_df[col], unit=class="hl-string">'ms', errors=class="hl-string">'coerce')

    class=class="hl-string">"hl-comment"># Define the activities and their corresponding timestamp columns
    activity_mapping = {
        class="hl-string">'Lead Captured': class="hl-string">'LeadCaptured_Time',
        class="hl-string">'Lead Qualified': class="hl-string">'LeadQualified_Time',
        class="hl-string">'Opportunity Created': class="hl-string">'OpportunityCreated_Time',
        class="hl-string">'Solution Proposed': class="hl-string">'SolutionProposed_Time',
        class="hl-string">'Quote Created': class="hl-string">'QuoteCreated_Time',
        class="hl-string">'Quote Sent to Customer': class="hl-string">'QuoteSentToCustomer_Time',
        class="hl-string">'Quote Accepted by Customer': class="hl-string">'QuoteAccepted_Time',
        class="hl-string">'Opportunity Won': class="hl-string">'OpportunityWon_Time',
        class="hl-string">'Sales Order Created': class="hl-string">'SalesOrderCreated_Time',
        class="hl-string">'Sales Order Reworked': class="hl-string">'SalesOrderReworked_Time',
        class="hl-string">'Order Fulfilled': class="hl-string">'OrderFulfilled_Time',
        class="hl-string">'Invoice Generated': class="hl-string">'InvoiceGenerated_Time',
        class="hl-string">'Payment Received': class="hl-string">'PaymentReceived_Time',
        class="hl-string">'Opportunity Closed Won': class="hl-string">'OpportunityClosedWon_Time',
        class="hl-string">'Opportunity Closed Lost': class="hl-string">'OpportunityClosedLost_Time'
    }

    class=class="hl-string">"hl-comment"># Unpivot the DataFrame into an event log format
    event_log_df = pd.DataFrame()
    for activity, time_col in activity_mapping.items():
        if time_col in source_df.columns:
            temp_df = source_df[[class="hl-string">'SalesOpportunityId'] + [col for col in column_mapping.values() if col in source_df.columns]].copy()
            temp_df = temp_df.dropna(subset=[time_col])
            if not temp_df.empty:
                temp_df[class="hl-string">'ActivityName'] = activity
                temp_df.rename(columns={time_col: class="hl-string">'EventTime'}, inplace=True)
                event_log_df = pd.concat([event_log_df, temp_df])

    class=class="hl-string">"hl-comment"># Select and order final columns
    required_cols = [class="hl-string">'SalesOpportunityId', class="hl-string">'ActivityName', class="hl-string">'EventTime']
    recommended_cols = [class="hl-string">'SalesRepresentative', class="hl-string">'LeadSource', class="hl-string">'OpportunityStatus', class="hl-string">'SalesOrderAmount', class="hl-string">'ProductCategory', class="hl-string">'DiscountPercentage']
    final_cols = required_cols + [col for col in recommended_cols if col in event_log_df.columns]
    
    event_log_df = event_log_df[final_cols]
    event_log_df.sort_values(by=[class="hl-string">'SalesOpportunityId', class="hl-string">'EventTime'], inplace=True)

    class=class="hl-string">"hl-comment"># --- Export to CSV ---
    event_log_df.to_csv(class="hl-string">'lead_to_cash_event_log.csv', index=False)
    print(class="hl-string">"Event log saved to 'lead_to_cash_event_log.csv'.")
else:
    print(class="hl-string">"No data extracted. Skipping transformation and export.")

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

Lead to Cash 属性

Lead to Cash 活动

提取指南

SAP Sales Cloud Analytics OData API 提取

步骤

配置

a 查询示例 python

SAP Sales Cloud 标准 OData 业务对象查询

步骤

配置

a 查询示例 python

准备好开始了吗？

立即优化 Lead to Cash 流程，大幅提升赢单率！

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

Lead to Cash 属性

Lead to Cash 活动

提取指南

SAP Sales Cloud Analytics OData API 提取

步骤

配置

a 查询示例 python

SAP Sales Cloud 标准 OData 业务对象查询

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 Lead to Cash 流程，大幅提升赢单率！