D-CAT Group ↗ Kontakt ENTRDEESAZ
12 Fragen 4-Wochen-Pilot starten
4-Wochen-Pilot starten

Lösungen · nach Branche · Banken

Banken: Einlagen, Rückstände und Filialen jeden Morgen gelesen, auf Ihren Servern, ohne eine Kreditentscheidung

CIO und CISO (die Runtime wird neben dem Warehouse installiert; nur lesende Gateways; Zugangsdaten verlassen die Bank nie; Row-Level-Bereich je Region und Segment) · Leiter Privatkundengeschäft (Einlagen, Abwanderung, Cross-Selling) · Leiter Kreditüberwachung und Interne Revision (Rückstandsmigration als Muster, die eine Prüfung erfordern, nie als Entscheidungen) · Filialnetzdirektor und Leiter digitale Kanäle (Kosten je Transaktion, Wartezeit, Onboarding). Der Käufer ist der CIO zusammen mit dem Leiter Privatkundengeschäft; die täglichen Leser sind Segmentmanager und regionale Filialleiter.

Wie die drei Agents auf dieser Seite ein semantisches Modell lesenLinks ein semantisches Modell; in der Mitte drei geplante Agents - Agent des Privatkundendirektors, Kreditportfolio-Agent, Filial- und Kanalbetriebs-Agent; jeder veröffentlicht rechts Findings, Recommendations und einen Brief.semantisches Modellimportiert aus Axoria Data Studiodeposit_balancecasa_ratioaccount_countaccounts_closedattrition_rateAgent desPrivatkundendirektorsmonatlich am 2. · 06:00FFindingRRecomm.BBriefKreditportfolio-Agentmonatlich am 4. · 06:30FFindingRRecomm.BBriefFilial- undKanalbetriebs-Agentwöchentlich · Montag 06:00FFindingRRecomm.BBriefjede Zahl in einer Aufzeichnung trägt eine Nachweisadresse

Fragen

Die drei Fragen, die ein Bankvorstand jeden Monat stellt

  • Bewegt sich die Einlagenbasis von Sicht- zu Termineinlagen, und wo?
  • Wo steigen die frühen Rückstände — welches Segment, welcher Sektor und welcher Jahrgang — bevor sie die notleidende Linie erreichen?
  • Was kostet eine Filialtransaktion jetzt, da die Transaktionen die Filiale verlassen?

In der Unterhaltung

Beispielfragen, die Menschen in die Unterhaltung eingeben

Vertiefungspfad — der Nachweis des Findings wird eingefroren mitgeführt; eine neue Zahl braucht eine neue Abfrage, und der Agent sagt das

  • "Schlüssele den Abfluss von Sichteinlagen nach Segment und Region auf."
  • "Welche Altersgruppe hat im August die meisten Girokonten geschlossen?"
  • "Zeig den 31–60-Tage-Bucket nach Vergabejahrgang für Bau-KMU."
  • "Was kostet eine Schaltertransaktion im Provinzcluster?"
  • "Wie aktuell sind die Saldendaten?"

Personas

Drei Beispiel-Agenten

Die Agenten unten sind Beispiele für diese Branche, keine feste Auswahl: Agent des Privatkundendirektors · Kreditportfolio-Agent · Filial- und Kanalbetriebs-Agent. Der geplante Lauf jedes einzelnen wird in den folgenden Beispiel-Sets gezeigt.

Set 1

Agent des Privatkundendirektors

Zielgruppe: der Leiter Privatkundengeschäft, Segmentmanager, der Einlagen-Desk.

Set 2

Kreditportfolio-Agent

Zielgruppe: Leiter Kreditüberwachung, Interne Revision, der Leiter der Kreditabwicklung.

Set 3

Filial- und Kanalbetriebs-Agent

Zielgruppe: der Filialnetzdirektor, der Leiter digitale Kanäle, der Betriebscontroller.

Der Name eines Agenten sagt, welche Messgrößen er liest und für wen. Er trägt nichts von der Autorität der Rolle: Er entscheidet, genehmigt oder handelt nicht — und er trifft, empfiehlt oder bewertet nie eine Kreditentscheidung.

Agenten für die Themen, die Sie wählen

Ein Agent ist eine Aufgabenbeschreibung, ein gebundenes semantisches Modell und ein Zeitplan — kein Code —, also legen Sie die Themen fest, die er beobachtet: einen Kostenträger, einen Leistungsbereich, eine Kampagne, einen Lieferanten. Die ersten schreiben wir gemeinsam mit Ihnen.

Bauen Sie Ihre Agenten mit uns →

Beispielsets

Drei Beispielsets, je ein Lauf

Jedes Set ist eine Agent-Persona und die Ausgabe eines geplanten Laufs — der Brief, die Recommendations und die Findings, auf denen sie beruhen — im eigenen Aufzeichnungsumschlag des Produkts. Das erste Set ist geöffnet; die anderen beiden sind eingeklappt. Das Modell und die Kennzahlen, die die Sets voraussetzen, sind am Fuß der Seite aufgeführt.

VeranschaulichendSet 1Agent des Privatkundendirektors
Persona
Liest die Einlagenbasis, die Kontoabwanderung und die Produktausgabe für eine mittelgroße Privatkunden- und KMU-Bank mit 214 Filialen in einem Land; unterscheidet "die Einlagen sind gewachsen" von "Sichteinlagen wurden zu Termineinlagen" und "mehr Karten" von "mehr genutzte Karten". · Zielgruppe: der Leiter Privatkundengeschäft, Segmentmanager, der Einlagen-Desk. · Tonfall: formell, abgewogen, Sprache einer Management-Zusammenfassung. · Ausgabesprache: en
Signale, die er beobachtet
(1) CASA-Quote — Anteil der Sichteinlagen an den Gesamteinlagen, Monat über Monat. (2) Kontoabwanderung nach Altersgruppe, Segment und Schließungsgrund. (3) Produktausgabe je Kanal, mit dem Kanalanteil. (4) Gehaltskonto-Zuflüsse als Anzahl von Kunden, nicht als Beträge. (5) Nominales Wachstum neben einer Quote gelesen, nie allein — Beträge in diesem Modell sind nicht inflationsbereinigt.
Schwellen, die ihm vorgegeben wurden
finding 15 % · critical 40 % · Verhältniskennzahlen (CASA-Quote, Abwanderungsrate, Kanalanteil) 8 % · Mindestanteil 2 % der Privatkundenbasis · Schweregrad-Regel: medium, wenn eine Schwelle überschritten wird, high, wenn sich eine Verhältniskennzahl um mehr als 1.25× ihrer Schwelle bewegt oder eine Zählkennzahl um mehr als 1.5× der Finding-Schwelle, critical oberhalb der kritischen Schwelle; ein Finding mit einer Aufschlüsselungszelle übernimmt den Schweregrad der Bewegung der Zelle selbst; ein ongoing-Thema behält den Schweregrad, den es erhalten hat

Laufkopf

  • Geplant monatlich am 2. um 06:00, Europe/Istanbul
  • Zeitraum: August 2026 vs Juli 2026 (Monat über Monat — 21 vs 23 Geschäftstage; Saldenquoten sind Stichtagswerte zum Monatsende und nicht betroffen; Ausgabezahlen werden je Monat ausgewiesen, und der Tagesunterschied ist vermerkt)
  • Daten vollständig bis 2026-09-01, gemessen über max(BALANCE_DATE) (Monatsendsalden)
  • Geltungsbereich: Der Agent läuft unter dem Geltungsbereich Privatkundengeschäft (alle Regionen, keine Kreditbuch-Kennzahlen)
  • Modell: das freigegebene Modell des Arbeitsbereichs, auf den Lauf geschrieben
  • Kosten: auf dem Lauf festgehalten
  • Beträge in nominalen ₺
Brief

August 2026: Privatkundeneinlagen +6.18 % nominal, während der Sichteinlagenanteil auf 34.08 % fiel, Girokontoschließungen 0.62 % → 0.91 %, angeführt von der 18–25-Altersgruppe, Kartenausgabe +18.40 % über den Mobilkanal

Annahmenstreifen

Ein Vergleich Monat über Monat (August vs Juli 2026) wurde verwendet, weil die Beträge in diesem Modell nominal und nicht inflationsbereinigt sind; die Quoten tragen die Lesart. Saldenquoten sind Stichtagswerte zum Monatsende. Kreditbuch-Kennzahlen liegen außerhalb des Bereichs dieses Agenten und erscheinen nicht.

Die Privatkunden-Einlagenbasis wuchs im August nominal um 6.18 %, aber das Wachstum waren Termineinlagen (+13.63 %), während die Sichteinlagen um 5.78 % fielen, was den Sichteinlagenanteil von 38.41 % auf 34.08 % brachte. Die Girokontoschließungen stiegen von 0.62 % auf 0.91 % der Anfangsbasis, wobei die Altersgruppe 18–25 mit 1.84 % schloss und 28.70 % der Schließungen auf 14.20 % der Basis trug; 61.00 % der Schließungen tragen den nichtssagenden Grund customer request. Die Kartenausgabe stieg um 18.40 %, vollständig und darüber hinaus über den Mobilkanal, der jetzt 66.93 % der Karten ausgibt; ob die Karten genutzt werden, ist nicht im Modell. Ein Satz, der die Einlagenverschiebung dem Termineinlagenzins der Bank zuschrieb, wurde von der Aussagenprüfung einmal zurückgegeben; die Umformulierung nennt die Verschiebung ohne Ursache und ist durchgegangen, weil der Zins nicht im Modell ist.

covers: Finding 1, Finding 2, Finding 3

— Lauf: monatlich, das freigegebene Modell des Arbeitsbereichs, Daten vollständig bis 2026-09-01. Guard Ledger: held 0 nach einer angeleiteten Umformulierung — Kandidat f-01 Entwurf trug drawn by the new time-deposit rate, Gate 4 gab ihn als unbelegte Kausalität zurück, die Umformulierung ließ den Nebensatz weg und ist durchgegangen; not_selected 0; duplicate 0.

Recommendation 1

Schlüssele die Sicht- und Termineinlagen im August nach Kundensegment und nach Region nebeneinander auf, und stelle die Zahl der Konten, die zwischen den beiden Produkten gewechselt haben, daneben, wenn das Modell sie zählen kann

based_on: Finding 1 · Verantwortlich: Leiter Privatkundeneinlagen

Sitzen der Abfluss bei Sichteinlagen und der Zufluss bei Termineinlagen in denselben Segmenten, ist das Geld innerhalb der Bank gewandert; unterscheiden sich die Segmente, sind die beiden getrennte Geschichten. Beide Saldenschnitte sind in diesem Modell auf Monatsend-Granularität. Eine Zählung der Konten, die zwischen Produkten gewechselt haben, ist hier heute keine Kennzahl; der Einlagenleiter liest das Übertragungsprotokoll neben der Aufzeichnung.

Die Findings, auf denen das beruht

Finding 1

Verschiebung im Einlagenmix: Anteil der Sichteinlagen an den Privatkundeneinlagen 38.41 % → 34.08 % (−11.26 %), während Privatkundeneinlagen gesamt +6.18 % MoM — Termineinlagen +13.63 %, Sichteinlagen −5.78 %

severity highdirection downnovelty newtrust AAufschlüsselung DEPOSIT_TYPE = Demand

Die Privatkundeneinlagen standen Ende August 2026 bei 196.0 B ₺ gegenüber 184.6 B ₺ Ende Juli (+6.18 %, nominal). Das Wachstum sind ausschließlich Termineinlagen: 129.2 B ₺ gegenüber 113.7 B ₺ (+13.63 %), während die Sichteinlagen von 70.9 B ₺ auf 66.8 B ₺ fielen (−5.78 %). Die CASA-Quote bewegte sich daher von 38.41 % auf 34.08 % (66.8 von 196.0 B ₺ gegenüber 70.9 von 184.6 B ₺), eine Veränderung von −11.26 % in einer Verhältniskennzahl, 1.41× der 8 %-Schwelle — Schweregrad high. Die Verschiebung ist in allen sechs Regionen vorhanden; der Metropolcluster trägt die größere absolute Bewegung. Diese Daten können nicht sagen, ob der eigene Termineinlagenzins der Bank das Geld angezogen hat — Produktzinssätze sind keine Kennzahlen in diesem Modell, und die Aufzeichnung stellt keine Behauptung über sie auf.

Recommendation 2

Setze die Girokontoschließungen auf eine wöchentliche Beobachtung nach Altersgruppe und Filialregion, und frage den Modellverantwortlichen, ob sich die Schließungsgrund-Codes feiner fassen lassen als "customer request"

based_on: Finding 2 · Verantwortlich: Leiter Privatkundengeschäft, mit dem Datenmodell-Verantwortlichen

Ein Grund-Code, der 61.00 % der Zeilen hält, erklärt nichts. Die wöchentliche Beobachtung wird zeigen, ob die Rate der Altersgruppe 18–25 ein einzelner Monat oder eine Serie ist; der Agent stempelt eine Wiederholung ongoing, statt erneut zu alarmieren. Feinere Grund-Codes sind eine Änderung im Quellsystem, keine Agenten-Änderung.

Die Findings, auf denen das beruht

Finding 2

Girokontoschließungen 0.62 % → 0.91 % der Anfangsbasis (+46.79 %) — die Altersgruppe 18–25 schließt mit 1.84 % und hält 28.70 % der Schließungen im August auf 14.20 % der Basis

severity criticaldirection upnovelty newtrust AAufschlüsselung AGE_BAND = 18–25

Von 2.94 M Privatkunden-Girokonten, offen zu Beginn des August 2026, wurden 26,760 im Laufe des Monats geschlossen (0.91 %) gegenüber 18,230 im Juli (0.62 %): eine Veränderung von +46.79 % in einer Verhältniskennzahl, oberhalb der kritischen Schwelle von 40 % — Schweregrad critical. Die Altersgruppe 18–25 schloss 7,680 ihrer 417,500 Konten (1.84 %), das Doppelte der Rate des Gesamtnetzes; die Gruppe hält 14.20 % der Basis und 28.70 % der Schließungen des Monats. Der Schließungsgrund-Code ist im Modell und klärt die Frage nicht: 16,324 der 26,760 Schließungen im August (61.00 %) tragen customer request. In dieser Aufzeichnung wird kein Kunde genannt; die Altersgruppe ist der feinste Schnitt, den der Agent öffnet. Diese Daten können nicht sagen, wohin die geschlossenen Konten gegangen sind — es gibt kein Feld für die Zielbank, und die Aufzeichnung rät nicht.

Ebenfalls in diesem Lauf veröffentlicht, ohne dass eine Recommendation darauf beruht

Finding 3

Kartenausgabe +18.40 % MoM, getragen vom Mobilkanal: Digitale Ausgabe 24,100 → 32,650 (+35.48 %), während Filialausgabe 17,100 → 16,130 (−5.67 %) — Digitaler Anteil 58.50 % → 66.93 %

severity highdirection upnovelty newtrust AAufschlüsselung CHANNEL = Mobile

Die ausgegebenen Kreditkarten stiegen von 41,200 im Juli 2026 auf 48,780 im August (+18.40 %, bei zwei Geschäftstagen weniger). Die mobile Ausgabe stieg von 24,100 auf 32,650 (+35.48 %, 2.37× der 15 %-Finding-Schwelle — Schweregrad high auf der Aufschlüsselungszelle), und die Filialausgabe fiel von 17,100 auf 16,130 (−5.67 %), was den mobilen Anteil an der Ausgabe von 58.50 % auf 66.93 % brachte (32,650 von 48,780; +14.42 % in einer Verhältniskennzahl). Die Ausgabe des Gesamtnetzes von +18.40 % für sich allein würde als medium gelesen, 1.23× der Schwelle. Ausgabe ist nicht Nutzung: Die Kennzahl zur ersten Transaktion (Aktivierung) ist nicht in diesem Modell, ob die zusätzlichen Karten genutzt werden, lässt sich hier also nicht ablesen.

Was dieser Lauf nicht sehen konnte.

Produktzinssätze, der Verbleib geschlossener Konten, Kartenaktivierung und inflationsbereinigtes Wachstum. Das Kreditbuch liegt absichtlich außerhalb des Bereichs dieses Agenten.

VeranschaulichendSet 2Kreditportfolio-Agent
Persona
Liest das KMU- und Privatkunden-Kreditbuch nach Überfälligkeits-Bucket, Segment, Sektor und Vergabejahrgang sowie die Vergabe-Pipeline nach Stufe; benennt Muster, die eine Prüfung erfordern, für das Kreditüberwachungsteam und nie einen Kunden, nie eine Entscheidung. · Zielgruppe: Leiter Kreditüberwachung, Interne Revision, der Leiter der Kreditabwicklung. · Tonfall: formell; jede Quote trägt ihre Basis; jedes Muster ist "prüfungsbedürftig", nie ein Urteil. · Ausgabesprache: en
Signale, die er beobachtet
(1) Migration in den frühen Rückstand — der 31–60-Tage-Bucket als Anteil am Segmentbuch, Monat über Monat. (2) Sektorkonzentration innerhalb eines Buckets. (3) Quote der notleidenden Kredite, nur neben den früheren Buckets gelesen. (4) Durchlaufzeit der Vergabe nach Stufe, mit ausgewiesenem Anteil der Anträge ohne Zeitstempel. (5) Zahl der vorzeitigen Rückzahlungen und Restrukturierungen, wo das Modell sie führt.
Schwellen, die ihm vorgegeben wurden
finding 15 % · critical 40 % · Verhältniskennzahlen (Bucket-Anteile, Durchlaufzeit in Tagen) 8 % · Mindestanteil 2 % des Segmentbuchs · Schweregrad-Regel: medium, wenn eine Schwelle überschritten wird, high, wenn sich eine Verhältniskennzahl um mehr als 1.25× ihrer Schwelle bewegt oder eine Zählkennzahl um mehr als 1.5× der Finding-Schwelle, critical oberhalb der kritischen Schwelle; ein Finding mit einer Aufschlüsselungszelle übernimmt den Schweregrad der Bewegung der Zelle selbst; ein ongoing-Thema behält den Schweregrad, den es erhalten hat

Laufkopf

  • Geplant monatlich am 4. um 06:30, Europe/Istanbul
  • Zeitraum: August 2026 vs Juli 2026 (Monatsend-Buckets sind Stichtagswerte; die Durchlaufzeit wird an den im Monat ausgezahlten Anträgen gemessen — 21 vs 23 Geschäftstage, ausgewiesen)
  • Daten vollständig bis 2026-09-01, gemessen über max(BUCKET_DATE); die Zeitstempel der Vergabestufen haben ihren eigenen Datenstand, 2026-09-03
  • Geltungsbereich: Der Agent läuft unter dem Geltungsbereich Kreditüberwachung (alle Segmente, keine Kundenkennungen)
  • Modell: das freigegebene Modell des Arbeitsbereichs
  • Kosten: auf dem Lauf festgehalten
  • Beträge in nominalen ₺
Brief

August 2026: Früher KMU-Rückstand 1.84 % → 2.61 % des Buchs, konzentriert in Construction & Contracting — Durchlaufzeit der Vergabe 6.8 → 9.4 Tage bei einem Fünftel mehr Anträgen — Vorzeitige Hypothekenrückzahlungen nicht geladen

Annahmenstreifen

Ein Vergleich Monat über Monat wurde verwendet; Buckets sind Stichtagswerte zum Monatsende. Die Kennzahl zu vorzeitigen Hypothekenrückzahlungen lieferte für August keine Zeilen und ist als data state festgehalten, nicht als Finding. Dieser Agent nennt keinen Kunden und trifft keine Kreditentscheidung; die Muster unten sind zur Prüfung durch Menschen bestimmt.

Der vordere Teil der KMU-Rückstandsleiter bewegte sich im August: Die 31–60 Tage überfälligen Salden stiegen von 1.84 % auf 2.61 % eines Buchs von 62.4 B ₺, während sich der 61–90-Tage-Bucket und die Quote der notleidenden Kredite wenig bewegten. Construction & contracting hält 22.22 % des frühen Buckets auf 11.79 % des Buchs. Ob neu terminierte restrukturierte Kredite in der Zahl enthalten sind, lässt sich aus diesem Modell nicht ablesen. An der Eingangstür stiegen die KMU-Anträge um 21.37 %, und die mittlere Zeit bis zur Auszahlung stieg von 6.8 auf 9.4 Tage, gemessen an den 86 % der Anträge, die Stufen-Zeitstempel tragen. Die Zahl der vorzeitigen Hypothekenrückzahlungen konnte nicht aktualisiert werden: Ihr August-Ladevorgang lief nicht.

covers: Finding 1, Finding 2

— Lauf: monatlich, das freigegebene Modell des Arbeitsbereichs, Daten vollständig bis 2026-09-01 (Buckets) und 2026-09-03 (Vergabestufen). Guard Ledger: held 0; data state 1 — Umschlag e5 (prepayment_count, Privatkunden-Hypotheken) lieferte 0 Zeilen für 2026-08, Quellenladung nicht gelaufen; not_selected 0; duplicate 0.

Recommendation 1

Den SME-Bucket 31–60 Tage nach Vergabejahrgang und nach Sektor für Juli und August nebeneinander aufschlüsseln und die Aufzeichnung der Kreditüberwachung als Prüfliste von Segmenten übergeben, nicht von Kunden

based_on: Finding 1 · Verantwortlich: Leiter der Kreditüberwachung

Sitzen die zusätzlichen frühen Verzugsfälle in den 2025-H2-Jahrgängen, ist die Frage das Underwriting dieses Zeitraums; sitzen sie über Jahrgänge hinweg in einem Sektor, ist es der Sektor. Beide Schnitte sind in diesem Modell auf Segment-Granularität; die Kunden-Granularität liegt nicht im Geltungsbereich dieses Agenten, und die Prüfung, die folgt, ist eine menschliche.

Die Findings, auf denen das beruht

Finding 1

Migration in den frühen Verzug im SME-Buch: 31–60 Tage überfällig 1.84 % → 2.61 % des 62.4 B ₺ großen Buchs (+41.90 %) — Construction & Contracting bei 4.92 % seines Sektorsaldos, 22.22 % des Buckets auf 11.79 % des Buchs — Muster mit Prüfbedarf

severity criticaldirection upnovelty newtrust AAufschlüsselung DPD_BUCKET = 31–60 × SECTOR = Construction & contracting

Das SME-Buch stand bei 62.4 B ₺ am Ende des August 2026. Die 31–60 Tage überfälligen Salden stiegen von 1.148 B ₺ (1.84 %) Ende Juli auf 1.629 B ₺ (2.61 %), eine Veränderung von +41.90 % in einer Verhältniskennzahl, über der kritischen Schwelle von 40 % — Schweregrad critical. Der nächste Bucket, 61–90 Tage, bewegte sich von 1.14 % auf 1.27 % (+11.27 %, über der Verhältnisschwelle von 8 %, aber unter critical), und die Quote der notleidenden Kredite von 3.12 % auf 3.18 % (+1.92 %, unter der Schwelle): Die Bewegung liegt am Anfang der Leiter. Construction & contracting trägt 0.362 B ₺ des Buckets 31–60 (22.22 %) auf 11.79 % des Buchs, und sein eigener Frühverzugsanteil liegt bei 4.92 %. Diese Aufzeichnung nennt keinen Kunden und trifft keine Kreditbeurteilung; sie ist ein Muster mit Prüfbedarf durch das Kreditüberwachungsteam. Diese Daten können einen neuen Verzugsfall nicht von einem restrukturierten Kredit mit zurückgesetztem Verzugsalter trennen — das Restrukturierungskennzeichen ist nicht in diesem Modell.

Recommendation 2

Die SME-Durchlaufzeit im August nach Stufe (Antrag → Prüfung → Entscheidung → Auszahlung) und nach Filialregion aufschlüsseln und den Modellverantwortlichen fragen, warum 14 % der Anträge keine Stufenzeitstempel haben

based_on: Finding 2 · Verantwortlich: Leiter der Kreditabwicklung, mit dem Datenmodell-Verantwortlichen

Die Anträge wuchsen um 21.37 % und die mittlere Dauer um 38.24 %; der Stufenschnitt wird sagen, wohin die Tage gingen. Die fehlenden Zeitstempel sind ein Fehler des Quellsystems und gehören zum Modellverantwortlichen; bis sie gefüllt sind, ist der Mittelwert auf 86 % der Anträge angegeben, und das steht auf der Aufzeichnung.

Die Findings, auf denen das beruht

Finding 2

Durchlaufzeit der SME-Kreditvergabe 6.8 → 9.4 Tage (+38.24 %) bei Anträgen +21.37 % — 14 % der Anträge haben keinen Stufenzeitstempel und sind ausgeschlossen

severity highdirection upnovelty newtrust AAufschlüsselung SEGMENT = SME

Die Anträge auf SME-Kredite stiegen von 12,400 im Juli 2026 auf 15,050 im August (+21.37 %, bei zwei Werktagen weniger), und die Auszahlungen von 7,930 auf 8,620 (+8.70 %). Die mittlere Zahl der Tage von Antrag bis Auszahlung, gemessen an den im Monat ausgezahlten Krediten, bewegte sich von 6.8 auf 9.4 (+38.24 %, 4.78× die Verhältnisschwelle von 8 % — Schweregrad high; die kritische Schwelle von 40 % ist nicht erreicht). Die Stufenzeitstempel-Felder fehlen bei 2,107 der 15,050 Anträge des August (14.00 %); diese sind aus dem Mittelwert ausgeschlossen, und der Ausschluss wird angegeben statt aufgefüllt. Die Aufzeichnung liest Volumen und Dauer nebeneinander und behauptet nichts über Genehmigungen — das Entscheidungsergebnis ist keine Kennzahl, die dieser Agent öffnet. Diese Daten können nicht sagen, welche Stufe sich verlängert hat — der Schnitt je Stufe ist im Modell, wurde in diesem Lauf aber nicht geöffnet.

Data state

Data state (kein Finding): Die Kennzahl prepayment_count der Privatkunden-Hypotheken lieferte für August 2026 keine Zeilen — die monatliche Ladung der Quelltabelle ist nicht gelaufen. Kein Schweregrad, keine Recommendation beruht darauf; der Modellverantwortliche ist benachrichtigt.

Was dieser Lauf nicht sehen konnte.

Das Restrukturierungskennzeichen, die Dauer je Stufe (im Modell, nicht geöffnet), das Entscheidungsergebnis (per Design außerhalb des Geltungsbereichs) und die Hypotheken-Vorauszahlungen des August.

VeranschaulichendSet 3Filial- und Kanalbetriebs-Agent
Persona
Liest Schaltertransaktionen, Filialbetriebskosten, Wartezeit in der Schlange und den Mobile-Onboarding-Funnel derselben Bank; trennt "Transaktionen haben die Filiale verlassen" von "die Filiale wurde je Transaktion teurer" und "weniger Abschlüsse" von "eine andere App-Version". · Zielgruppe: der Filialnetzdirektor, der Leiter der digitalen Kanäle, der Betriebscontroller. · Ton: schlicht und operativ. · Ausgabesprache: en
Signale, die er beobachtet
(1) Kosten je Schaltertransaktion nach Filialcluster. (2) Filialen mit geringem Volumen als Anteil des Netzes. (3) Wartezeit in der Schlange nach Cluster, neben dem Transaktionsvolumen. (4) Mobile-Onboarding-Abschluss nach Schritt und App-Version. (5) Kanalmigration — der Anteil der Transaktionen nach Kanal.
Schwellen, die ihm vorgegeben wurden
Finding 15 % · critical 40 % · Verhältniskennzahlen (Kosten je Transaktion, Warteminuten, Abschlussquote) 8 % · Mindestanteil 2 % der Filialen oder der Onboarding-Starts · Schweregradregel: medium, wenn eine Schwelle überschritten wird, high, wenn sich eine Verhältniskennzahl um mehr als 1.25× ihrer Schwelle oder eine Zählkennzahl um mehr als 1.5× der Finding-Schwelle bewegt, critical über der kritischen Schwelle; ein Finding mit einer Aufschlüsselungszelle nimmt den Schweregrad der eigenen Bewegung der Zelle; ein ongoing-Thema behält den Schweregrad, der ihm gegeben wurde

Laufkopf

  • Geplant wöchentlich, Montag 06:00, Europe/Istanbul
  • Zeitraum: August 2026 vs. Juli 2026 (21 vs. 23 Werktage — Transaktionszahlen sind betroffen, und der Unterschied wird angegeben; Kosten je Transaktion und Quoten sind es nicht)
  • Daten vollständig bis 2026-09-06, gemessen über max(TRANSACTION_DATE), vor 6 Stunden; Filialkostenbuchungen schließen monatlich, und ihr Rand liegt bei 2026-08-31
  • Geltungsbereich: Der Agent läuft unter dem Geltungsbereich Filialbetrieb (alle Filialen, keine Salden, keine Kreditkennzahlen)
  • Modell: das freigegebene Modell des Arbeitsbereichs
  • Kosten: auf dem Lauf festgehalten
  • Beträge in nominalen ₺
Brief

August 2026: Kosten je Schaltertransaktion 211.6 ₺ → 241.9 ₺, während Transaktionen die Filiale verließen, Wartezeit in den Metropolfilialen 11.2 → 15.8 Minuten, Mobile-Onboarding-Abschluss 71.30 % → 63.90 % auf App-Version 6.2

Annahmenstreifen

Der Monatsvergleich wurde verwendet (21 vs. 23 Werktage; Zahlen sind betroffen, Quoten nicht). Filialkosten schließen monatlich, und ihr Rand liegt bei 2026-08-31; Transaktionen laufen bis 2026-09-06. Die Wartezeit wird nur gemessen, wo eine Wartemarkenausgabe existiert — der Provinzcluster fehlt in dieser Kennzahl per Konstruktion.

Die Schaltertransaktionen fielen im August um 11.41 %, während die Filialbetriebskosten stabil blieben, sodass jede Transaktion 241.9 ₺ kostete gegenüber 211.6 ₺ im Juli; siebenunddreißig Provinzfilialen, 17.29 % des Netzes, wickelten im Monat weniger als 8,000 Transaktionen ab. Die Metropolfilialen bewegten sich bei der Zeit in die andere Richtung: Die Wartezeit stieg von 11.2 auf 15.8 Minuten bei 8.02 % weniger Transaktionen. In der App wuchsen die Onboarding-Starts um 7.94 %, aber der Abschluss fiel von 71.30 % auf 63.90 %, und der Rückgang sitzt auf Version 6.2 am Schritt der Identitätsprüfung. Der Satz, der die Wartezeiten der Unterbesetzung zuschrieb, wurde zurückgehalten; der Dienstplan ist nicht im Modell.

covers: Finding 1, Finding 2, Finding 3

— Lauf: wöchentlich, das freigegebene Modell des Arbeitsbereichs, Daten vollständig bis 2026-09-06 (Transaktionen) und 2026-08-31 (Kosten). Guard Ledger: held 1 — Entwurf des Kandidaten f-02 mit Grund unevidenced_causality (Gate 4): Die Klausel because the branches were understaffed hatte keinen Dienstplan-Umschlag, eine angeleitete Neuformulierung behielt eine schwächere Form davon bei, dann zurückgehalten; duplicate 1 — Kandidat f-04 (Kosten je Transaktion nach Cluster) über den Fingerabdruck cost_per_txn|2026-08|provincial in Finding 1 zusammengeführt; not_selected 0.

Recommendation 1

Die Kosten je Schaltertransaktion nach Filialcluster und nach Filiale für Juli und August aufschlüsseln, mit der Wartezeit jeder Filiale daneben, wo die Wartezeit gemessen wird

based_on: Finding 1, Finding 2 · Verantwortlich: Filialnetzdirektor

Siebenunddreißig Filialen tragen das Ende mit geringem Volumen und einundvierzig das Ende mit langer Wartezeit; der Filialschnitt wird zeigen, ob eine Filiale auf beiden Listen steht. Kosten werden monatlich gebucht und Transaktionen täglich; die beiden werden auf ihrer eigenen Granularität gelesen. Der Dienstplan ist nicht in diesem Modell, und der Satz, den der Agent über Unterbesetzung entwarf, wurde nach einer Neuformulierung zurückgehalten.

Die Findings, auf denen das beruht

Finding 1

Kosten je Schaltertransaktion 211.6 ₺ → 241.9 ₺ (+14.32 %), da die Transaktionen um −11.41 % ggü. Vormonat fielen, während die Filialbetriebskosten stabil blieben (+1.27 %) — 37 von 214 Filialen (17.29 %) unter 8,000 Transaktionen im Monat

severity highdirection upnovelty newtrust AAufschlüsselung BRANCH_CLUSTER = Provincial

Die Schaltertransaktionen fielen von 4.82 M im Juli 2026 auf 4.27 M im August (−11.41 %; zwei Werktage weniger erklären einen Teil davon, und die Zahl je Tag fiel trotzdem). Die Filialbetriebskosten bewegten sich von 1.02 B ₺ auf 1.033 B ₺ (+1.27 %, unter der Schwelle), sodass die Kosten je Schaltertransaktion von 211.6 ₺ auf 241.9 ₺ stiegen (1.033 B ₺ über 4.27 M gegen 1.02 B ₺ über 4.82 M; +14.32 %, 1.79× die Verhältnisschwelle von 8 % — Schweregrad high). Siebenunddreißig Filialen, 17.29 % des Netzes und alle im Provinzcluster, verzeichneten im August weniger als 8,000 Schaltertransaktionen. Diese Daten können nicht sagen, was diese Filialen neben der Schalterarbeit tun — Beratungs- und Vertriebsaktivität werden in diesem Sternschema nicht gezählt.

Finding 2

Wartezeit in den 41 Metropolfilialen 11.2 → 15.8 Minuten (+41.07 %), während ihre Transaktionen um −8.02 % fielen

severity criticaldirection upnovelty newtrust AAufschlüsselung BRANCH_CLUSTER = Metropolitan

Die mittlere Wartezeit in den 41 Metropolfilialen (19.16 % des Netzes) stieg von 11.2 Minuten im Juli 2026 auf 15.8 im August (+41.07 %, über der kritischen Schwelle von 40 % — Schweregrad critical), während ihre Schaltertransaktionen von 1.31 M auf 1.205 M fielen (−8.02 %). Längere Wartezeiten bei weniger Transaktionen ist die Form, die eine Personaländerung hinterlassen würde, aber der Dienstplan ist nicht in diesem Modell, und die Aufzeichnung schließt nicht auf eine. Die Wartezeitkennzahl stammt aus dem Wartemarkensystem und deckt nur Filialen mit Wartemarkenausgabe ab — der Provinzcluster fehlt darin per Konstruktion.

Recommendation 2

Den Mobile-Onboarding-Abschluss nach App-Version und nach Schritt auf eine tägliche Beobachtung setzen und die Quote des Identitätsprüfungsschritts auf Version 6.2 dem Team für digitale Kanäle übergeben

based_on: Finding 3 · Verantwortlich: Leiter der digitalen Kanäle

Der Versionsschnitt isoliert den Rückgang; der Schrittschnitt verortet ihn. Beide sind in diesem Modell auf Tages-Granularität. Ob der Rückgang des Schritts an der App oder am Identitätsanbieter liegt, lässt sich hier nicht lesen — die Antwortcodes des Anbieters sind nicht im Modell.

Die Findings, auf denen das beruht

Finding 3

Mobile-Onboarding-Abschluss 71.30 % → 63.90 % der Starts (−10.38 %) bei Starts +7.94 % — App-Version 6.2 schließt mit 61.10 % ab gegenüber 72.40 % für Version 6.1

severity highdirection downnovelty newtrust AAufschlüsselung APP_VERSION = 6.2

Die Onboarding-Starts in der mobilen App stiegen von 214,000 im Juli 2026 auf 231,000 im August (+7.94 %), während die Abschlüsse zurückgingen von 152,582 auf 147,609, was die Abschlussquote von 71.30 % auf 63.90 % brachte (−10.38 %, 1.30× die Verhältnisschwelle von 8 % — Schweregrad high). Der App-Versionsschnitt ist in diesem Modell und ist der Ort, an dem die Bewegung sitzt: 173,800 der August-Starts liefen auf Version 6.2 und 106,196 davon wurden abgeschlossen (61.10 %); 57,200 liefen auf Version 6.1 und 41,413 wurden abgeschlossen (72.40 %). Der Schrittschnitt zeigt den Rückgang bei der Identitätsprüfung. Das Veröffentlichungsdatum von 6.2 ist keine Tatsache in diesem Modell; die Aufzeichnung nennt den Versionsunterschied und nichts über die Veröffentlichung.

Was dieser Lauf nicht sehen konnte.

Der Dienstplan, die Nicht-Schalter-Aktivität in den Filialen mit geringem Volumen, die Antwortcodes des Identitätsanbieters und das Veröffentlichungsdatum der App-Version 6.2. Salden und das Kreditbuch liegen per Design außerhalb des Geltungsbereichs dieses Agenten.

Jede Zahl trägt eine Adresse

Im Produkt bindet sich jede Zahl an eine Nachweisadresse — Umschlag, Zeile, Zelle, Prüfziffer —, und eine Zahl ohne eine solche wird zurückgehalten, nicht veröffentlicht. Die Anatomie einer Aufzeichnung →

Abgeleitete Zahlen zeigen ihre Operation

Eine Änderung, ein Anteil oder eine Lücke wird von der Engine berechnet und trägt ihre Operanden; das Modell dividiert nie. Wie jede Zahl bewiesen wird →

KI-Governance ist die Publikationsschicht

Acht deterministische Gates, die Trust-Stufe, gekennzeichnete Interpretation, ein Annahmenstreifen, der sich nicht abschalten lässt, und das Guard Ledger. Wohin das Modell reichen kann und wohin nicht →

FAQ

Vier Fragen, die dieser Seite üblicherweise gestellt werden

01Verlässt irgendetwas die Bank?

Nein. Die Runtime wird neben dem Warehouse installiert; Gateways sind nur lesend; Zugangsdaten bleiben auf den Servern der Bank; das Modell erhält versiegelte Abfrageergebnisse, nie Tabellen und nie eine Kundenkennung.

02Bewertet der Agent Kunden oder markiert er sie für Kreditmaßnahmen?

Nein. Er berichtet Bucket-Anteile nach Segment, Sektor und Jahrgang als Muster mit Prüfbedarf. Er kann die Kunden-Granularität nicht öffnen, und er versieht ein Muster nie mit einem rechtlichen oder regulatorischen Wort.

03Wie wird der Row-Level-Bereich gehandhabt?

Jeder Agent läuft unter einem benannten Geltungsbereich, der auf jede Aufzeichnung eingefroren wird — Privatkundengeschäft, Kreditüberwachung, Filialbetrieb in den Sets oben — und der Geltungsbereich wird erneut geprüft, wenn eine Person die Aufzeichnung öffnet.

04Was, wenn die Quellenladung fehlschlägt?

Die Kennzahl liefert keine Zeilen, und der Lauf zeichnet einen data state auf, sichtbar, ohne Schweregrad und ohne Recommendation darauf — nie eine Null, nie ein Finding.

Kostenlose Data-Discovery-Studie

Sehen Sie, welche dieser Signale Ihr eigenes Warehouse tragen kann.

Senden Sie uns den Namen Ihrer Datenplattform und den Bereich, über den Sie am meisten streiten. Wir lesen Ihr semantisches Modell gemeinsam mit Ihnen und antworten schriftlich: welche der Signale auf dieser Seite Ihr Modell heute trägt, welche eine Änderung in Axoria Data Studio brauchen und was ein vierwöchiger Pilot messen würde. Keine Kosten, keine Sequenz — ein Mensch antwortet innerhalb von zwei Werktagen.

Kostenlose Data-Discovery-Studie anfragen → 4-Wochen-Pilot starten

Was die Beispiele voraussetzen

Die Daten, das Modell und die Kennzahlen hinter den drei Sets

Nichts in einem Set beruht auf einer Quelle außerhalb des hier beschriebenen Modells. Öffnen Sie, was Sie abgleichen möchten.

01Angenommene Datenquellen — Daten, die eine Bank bereits hat

Kernbanksystem (Konten, Salden, Transaktionen nach Kanal, Eröffnungen und Schließungen mit Grundcodes), das Kreditbuch (Salden nach Produkt, Segment, Sektor und Vergabejahrgang, Überfälligkeits-Buckets), das Vergabesystem (Zeitstempel für Antrag, Entscheidung und Auszahlung), das Kartensystem (Ausgabe nach Kanal), das Filial-Wartemarkensystem (Wartezeiten), das Ereignisprotokoll der mobilen App (Onboarding-Schritte nach App-Version), Filialkostenbuchungen. Typische Warehouse-Granularität: eine Zeile je Konto und Tag für Salden, eine je Transaktion, eine je Kredit und Monat für Buckets.

02Angenommenes semantisches Modell — das Minimum für die drei Personas
Kennzahlen
deposit_balance (Sicht, Termin) · casa_ratio (von der Engine abgeleitet) · account_count · accounts_closed · attrition_rate (von der Engine abgeleitet) · cards_issued · loan_balance · balance_by_dpd_bucket · dpd_bucket_share (von der Engine abgeleitet) · npl_ratio · applications · disbursements · turnaround_days (Mittelwert, aus Stufenzeitstempeln) · teller_transactions · branch_operating_cost · cost_per_transaction (von der Engine abgeleitet) · queue_wait_minutes (Mittelwert) · app_onboarding_starts · app_onboarding_completions · completion_rate (von der Engine abgeleitet).
Dimensionen
Datum · Filiale · Region · Filialcluster (Metropol / Provinz) · Kundensegment (Privatkunden / SME) · Altersgruppe · Produkt · Kanal (Filiale / Mobil / Web / Callcenter) · Kreditsektor · Vergabejahrgang · Überfälligkeits-Bucket · Schließungsgrundcode · App-Version · Onboarding-Schritt. Als personenbezogen markiert und nie aufgeschlüsselt nach: Kunde, Kontonummer, Kundenbetreuer.
Datenrand
von der Engine gemessen über max(BALANCE_DATE) für Salden und max(TRANSACTION_DATE) für Transaktionen; das Modell deklariert beide. Beträge sind nominale ₺ — das Modell führt keine Inflationsbereinigung, daher vergleichen die Agenten Monat zu Monat und lesen Verhältnisse, und sagen das auch.
03Angenommene KPIs — was Führungskräfte einer Bank verfolgen
KPIDefinitionEinheitTypische BandbreiteÜbliche Aufschlüsselung
Nettozinsmarge(Zinsertrag − Zinsaufwand) / zinstragende Aktiva%US-Banken zuletzt ≈ 3.0–3.4 % [Anbieter unter Berufung auf Aufsichtsdaten]Segment · Produkt
Cost-Income-RatioBetriebsaufwand / Betriebsertrag%< 60 % gilt als gut [Anbieter]Geschäftsfeld · Filiale
Eigenkapital- / GesamtkapitalrenditeJahresüberschuss / Eigenkapital oder Bilanzsumme%ROE der US-Geschäftsbanken ≈ 11–13 % [Anbieter]Segment
NPL-Quotenotleidende Kredite / Bruttokredite%kein einheitliches Band; Dashboards der Aufsicht veröffentlichen esProdukt · Segment
RisikokostenRisikovorsorge / durchschnittliche KreditebpsunternehmensspezifischProdukt · Jahrgang
CASA-QuoteSicht- + Spareinlagen / Gesamteinlagen%unternehmensspezifischFiliale · Segment
Kredit-Einlagen-VerhältnisKredite / Einlagen%unternehmensspezifischEinheit
Kapitaladäquanz (CET1)regulatorisches Kapital / risikogewichtete Aktiva%regulatorische Mindestwerte plus PufferEinheit
Durchlaufzeit der SME-KreditvergabeAntrag bis AuszahlungTageunternehmensspezifischProdukt · Kanal
Produkte je Kundeaktive Produkte / KundenVerhältnisunternehmensspezifischSegment
Digital aktive Nutzer / digitaler VerkaufsanteilAnteil der Kunden oder Verkäufe über digitale Kanäle%unternehmensspezifischKanal
Kundenabwanderunggeschlossene Konten / Anfangsbestand%unternehmensspezifischSegment · Filiale
Net Promoter ScoreUmfrageIndexunternehmensspezifischSegment · Kanal
Migration zwischen Überfälligkeits-BucketsSaldo in einem Bucket / Segmentbuch, Monat zu Monat%unternehmensspezifischSegment · Sektor · Jahrgang

Verwandt

Wohin diese Seiten führen

Die Abteilungen, zu denen diese Personas gehören

Auf dieser Website