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

Lösungen · nach Branche · Energie & Versorgung

Versorger: Zuverlässigkeit, Verluste und Inkasso, jeden Morgen aus dem Warehouse gelesen

CIO (das Warehouse enthält bereits OMS-, AMI- und Abrechnungsextrakte; die Runtime bleibt innerhalb des Netzes) · Netzbetriebs-Direktor (Zuverlässigkeit, Wiederherstellung, wiederholte Ausfälle) · Leitung Verlustreduzierung und Zählerwesen · CFO und Inkassoleiter (Abrechnung, Rückstände, Cash). Der Käufer ist der CIO mit dem Betriebsdirektor; das Berichtsteam für die Regulierungsbehörde liest dieselben Aufzeichnungen.

Wie die drei Agents auf dieser Seite ein semantisches Modell lesenLinks ein semantisches Modell; in der Mitte drei geplante Agents - Netzbetriebs-Direktor-Agent, Zähler- und Verlust-Agent, Abrechnungs- und Inkasso-Agent; jeder veröffentlicht rechts Findings, Recommendations und einen Brief.semantisches Modellimportiert aus Axoria Data Studiocustomers_servedcustomer_minutes_interruptedinterruption_countcustomers_interruptedsaidiNetzbetriebs-Direktor-Agentwöchentlich · Montag 05:00FFindingRRecomm.BBriefZähler- undVerlust-Agentmonatlich am 6. · 06:00FFindingRRecomm.BBriefAbrechnungs- undInkasso-Agentmonatlich am 8. · 06:30FFindingRRecomm.BBriefjede Zahl in einer Aufzeichnung trägt eine Nachweisadresse

Fragen

Die drei Fragen, die der Vorstand eines Versorgers jeden Monat stellt

  • Hat sich die Zuverlässigkeit wegen mehr Unterbrechungen oder wegen längerer verschlechtert, und wo?
  • Sind die Verluste technisch oder kommerziell, und in welchen Umspannwerken?
  • Kommt das Geld so schnell herein, wie die Rechnungen hinausgehen, und welche Kundenklasse rutscht ab?

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 die Ausfallminuten der Region Central nach Ursachencode auf."
  • "Welche Feeder hatten im August drei oder mehr ungeplante Ausfälle?"
  • "Zeige die Verlustquote nach Umspannwerk für die letzten drei Monate."
  • "Geschätzte Rechnungen nach Zählertyp und Bezirk."
  • "Wie aktuell sind die Ausfalldaten?"

Personas

Drei Beispiel-Agenten

Die Agenten unten sind Beispiele für diese Branche, kein fester Satz: Netzbetriebs-Direktor-Agent · Zähler- und Verlust-Agent · Abrechnungs- und Inkasso-Agent. Der geplante Lauf jedes einzelnen wird in den folgenden Beispielsets gezeigt.

Set 1

Netzbetriebs-Direktor-Agent

Zielgruppe: der Betriebsdirektor, regionale Betriebsmanager, das Team für regulatorische Berichterstattung.

Set 2

Zähler- und Verlust-Agent

Zielgruppe: Einheit Verlustreduzierung, Leiter Zählerbetrieb, regulatorische Berichterstattung.

Set 3

Abrechnungs- und Inkasso-Agent

Zielgruppe: CFO, Inkassoleiter, Abrechnungsstellen der Bezirke.

Der Name eines Agenten sagt, welche Kennzahlen er liest und für wen. Er besitzt nichts von der Autorität der Rolle: Er entscheidet nicht, genehmigt nicht und handelt nicht.

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 1Netzbetriebs-Direktor-Agent
Persona
Liest die Zuverlässigkeit für einen Stromverteilnetzbetreiber, der 1,412,000 Kunden in sechs Regionen versorgt; trennt "mehr Unterbrechungen" von "längere Unterbrechungen" und eine Netzgeschichte von einer Einzel-Feeder-Geschichte. · Zielgruppe: der Betriebsdirektor, regionale Betriebsmanager, das Team für regulatorische Berichterstattung. · Tonfall: zahlengeführt, schlicht; wo ein Ursachencode fehlt, sagt er es, statt zu raten. · Ausgabesprache: en
Signale, die er beobachtet
(1) SAIDI-Zusammensetzung — Kundenminuten aufgeteilt in Unterbrechungsanzahl (SAIFI) und Dauer je Unterbrechung (CAIDI). (2) Konzentration — welche Regionen und Feeder die Kundenminuten tragen, gegen ihren Anteil an den Kunden. (3) Feeder mit wiederholten Ausfällen — Feeder mit drei oder mehr ungeplanten Ausfällen im Monat und ihr Anteil an den Kundenminuten. (4) Drift der Wiederherstellungszeit — mittlere Wiederherstellungsminuten, mit ausgewiesener Abdeckung des Einsatz-Zeitstempels. (5) Geplant gegen ungeplant — die beiden Linien werden nie in einem Satz addiert.
Schwellen, die ihm vorgegeben wurden
Finding 15 % · critical 40 % · Verhältniskennzahlen (SAIDI, SAIFI, CAIDI, Anteile) 8 % · Mindestanteil 3 % der Netz-Kundenminuten · 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 oberhalb der kritischen Schwelle; ein ongoing-Thema behält den Schweregrad, der ihm gegeben wurde

Laufkopf

  • Geplant wöchentlich, Montag 05:00, Asia/Baku
  • Zeitraum: August 2026 (31 Tage) vs August 2025 (31 Tage) — gleiche Kalendertage; Großereignistage in beiden Jahren durch das modelleigene Kennzeichen ausgeschlossen
  • Daten vollständig bis 2026-09-20, gemessen über max(OUTAGE_END_TS) (Unterbrechungsende, nicht die tägliche SCADA-Ladezeit), vor 7 Stunden
  • Geltungsbereich: der Agent läuft unter dem Netzbetriebs-Geltungsbereich (alle Regionen, keine Rechnungsbeträge)
  • Modell: das freigegebene Modell des Arbeitsbereichs, auf den Lauf geschrieben
  • Kosten: auf dem Lauf festgehalten
Brief

August 2026: Unterbrechungen seltener, aber länger — SAIDI +23.75 % allein durch die Dauer, Region Central 41.20 % der Kundenminuten, Feeder mit wiederholten Ausfällen 3.90 %

Annahmenstreifen

Sie haben keinen Zeitraum angegeben; der letzte volle Monat (August 2026) wurde angenommen. Großereignistage sind in beiden Jahren durch das modelleigene Kennzeichen ausgeschlossen. Rechnungsbeträge liegen außerhalb des Geltungsbereichs dieses Agenten und erscheinen nicht.

Die Zuverlässigkeit im August verschlechterte sich bei der Dauer, nicht bei der Häufigkeit: Kunden wurden seltener unterbrochen (SAIFI 0.182 → 0.171, −6.04 %), aber länger, sodass SAIDI von 11.80 auf 14.60 Minuten je Kunde stieg (+23.75 %) und sich die durchschnittliche Unterbrechung von 64.83 auf 85.38 Minuten verlängerte. Die Minuten sind konzentriert: die Region Central trug 41.20 % davon auf 27.50 % der Kunden, und 46 Feeder (3.90 % des Netzes, gegenüber 2.46 % ein Jahr zuvor) hatten drei oder mehr ungeplante Ausfälle und trugen 22.70 % aller Kundenminuten. Die mittlere Wiederherstellungszeit stieg von 118 auf 142 Minuten (+20.34 %), eine Zahl, die der Agent mit einer Lücke veröffentlicht: 17.31 % der Unterbrechungen tragen keinen Einsatz-Zeitstempel, sodass die Aufteilung zwischen Einsatz- und Vor-Ort-Zeit nur für den Rest bekannt ist. Geplante Ausfallminuten fielen um 12.94 % und werden getrennt berichtet.

covers: Finding 1, Finding 2, Finding 3

— Lauf: wöchentlich, das freigegebene Modell des Arbeitsbereichs, Daten vollständig bis 2026-09-20. Guard Ledger: held 1 — Kandidat f-04, Grund unevidenced_causality: "Sturmaktivität" nennt eine Ursache ohne Wetterquelle im Modell; eine angeleitete Neuformulierung, dann zurückgehalten; Aussagenprüfungs-Neuformulierung 1 — der Titel von Kandidat f-01 trug den Superlativ "schlechtester Monat seit Aufzeichnungsbeginn" ohne stützende Reihe, einmal neu formuliert und ohne ihn als Finding 1 veröffentlicht; duplicate 0; not_selected 0.

Recommendation 1

Schlüssele die August-Kundenminuten der Region Central nach Feeder und nach Ursachencode auf, und stelle das Anlagenaltersband neben jeden Feeder

based_on: Finding 1, Finding 2 · Verantwortlich: regionaler Betriebsmanager, Central, mit der Leitung des Anlagenmanagements

Die Region trägt 41.20 % der Kundenminuten des Netzes auf 27.50 % seiner Kunden, und 31 der 46 Feeder mit wiederholten Ausfällen. Ein Feeder-nach-Ursache-Schnitt wird zeigen, ob die Minuten auf wenigen Feedern mit benannter Ursache sitzen oder mit unbekannten Ursachen gestreut sind; das Anlagenaltersband ist in diesem Modell und kostet nichts extra. Bleibt der Anteil der Ursache "other/unknown" nach dem Schnitt nahe 38.00 %, ist die nächste Messung die Ursachencode-Abdeckung, nicht ein Anlagenprogramm — die Daten können das zweite nicht ohne das erste stützen.

Die Findings, auf denen das beruht

Finding 1

Zuverlässigkeit bei der Dauer verschlechtert, nicht bei der Häufigkeit: SAIDI 11.80 → 14.60 Minuten je Kunde (+23.75 %), während SAIFI 0.182 → 0.171 (−6.04 %) — CAIDI 64.83 → 85.38 Minuten; Region Central trägt 41.20 % der Kundenminuten auf 27.50 % der Kunden

severity highdirection upnovelty newtrust AAufschlüsselung REGION = Central

Ungeplante unterbrochene Kundenminuten, ohne Großereignistage, erreichten im August 2026 insgesamt 20,616,000 gegenüber 16,660,000 im August 2025, sodass SAIDI von 11.80 auf 14.60 Minuten je Kunde stieg (+23.75 %), 2.97× die Verhältnisschwelle von 8 % — severity high. Unterbrechungen je Kunde fielen: SAIFI 0.182 → 0.171 (−6.04 %). Die durchschnittliche Unterbrechung dauerte daher länger — CAIDI (SAIDI ÷ SAIFI) 64.83 → 85.38 Minuten. Die Region Central trug 8,494,000 Kundenminuten (41.20 % des Netzes) mit 388,300 der 1,412,000 Kunden (27.50 %): ihr eigener SAIDI bewegte sich von 16.22 auf 21.87 Minuten (+34.83 %), während sich die anderen fünf Regionen zusammen von 10.12 auf 11.84 bewegten (+17.01 %, auf 1,023,700 Kunden) — beide über der Schwelle, die Bewegung in Central doppelt so groß. Geplante Ausfallminuten bewegten sich in die andere Richtung, 9,120,000 → 7,940,000 (−12.94 %), und werden nicht in diese Zahl addiert. Diese Daten können eine Änderung des Fehlertyps nicht von einer Änderung der Einsatzreaktion trennen: die Ursachencode-Dimension trägt "other/unknown" auf 1,861 der 4,897 Unterbrechungen der Region Central (38.00 %), und das Wetter ist nicht in diesem Modell.

Finding 2

Feeder mit wiederholten Ausfällen: 46 von 1,180 Feedern (3.90 %) hatten im August drei oder mehr ungeplante Ausfälle, gegenüber 29 (2.46 %) ein Jahr zuvor (+58.62 %) — sie tragen 22.70 % der Kundenminuten

severity criticaldirection upnovelty newtrust AAufschlüsselung FEEDER_CLASS = Repeat (≥3 outages)

Von den 1,180 Feedern in Betrieb verzeichneten 46 im August 2026 drei oder mehr ungeplante Unterbrechungen (3.90 %), gegenüber 29 von 1,180 im August 2025 (2.46 %); das Verhältnis stieg um +58.62 %, über der kritischen Schwelle von 40 % — severity critical. Die Gruppe trägt 4,680,000 der 20,616,000 Kundenminuten (22.70 %). Einunddreißig der 46 Feeder (67.39 %) liegen in der Region Central. Das Anlagenaltersband ist in diesem Modell: 29 der 46 Feeder (63.04 %) tragen Betriebsmittel im ältesten Band, gegenüber 217 von 1,180 Feedern netzweit (18.39 %). Diese Daten können nicht sagen, ob die wiederholten Ausfälle eine gemeinsame Ursache haben — der Ursachencode ist bei den meisten von ihnen "other/unknown", und die Lastdaten, die eine Überlastung zeigen würden, sind nicht in diesem Modell.

Recommendation 2

Setze die Abdeckung des Einsatz-Zeitstempels auf eine wöchentliche Beobachtung neben der mittleren Wiederherstellungszeit

based_on: Finding 3 · Verantwortlich: Leiter der Netzleitstelle

Ein Trend der Wiederherstellungszeit, gelesen auf 82.69 % der Datensätze, ist ein Teiltrend. Die Abdeckungsquote ist die Kennzahl, die zuerst zu beobachten ist; kehrt sie über 95 % zurück, wird die Aufteilung in Einsatzzeit und Zeit vor Ort verlässlich, und der Agent wird sie berichten. Bis dahin stempelt der Agent das Wiederherstellungsthema ongoing und alarmiert nicht erneut.

Die Findings, auf denen das beruht

Finding 3

Drift der Wiederherstellungszeit bei unvollständigen Einsatzdatensätzen: mittlere Wiederherstellung 118 → 142 Minuten (+20.34 %) — 17.31 % der August-Unterbrechungen ohne Einsatz-Zeitstempel

severity mediumdirection upnovelty newtrust AAufschlüsselung — (Netz)

Im August 2026, über 12,790 ungeplante Unterbrechungen hinweg, betrug die mittlere Wiederherstellungszeit 142 Minuten gegenüber 118 im August 2025 (+20.34 %), 1.36× die Finding-Schwelle von 15 % — severity medium. Das Finding wird mit einer ausgewiesenen Lücke veröffentlicht: 2,214 der 12,790 Datensätze (17.31 %) tragen keinen Einsatz-Zeitstempel, sodass die Wiederherstellungszeit für diesen Anteil nicht in "Zeit bis zur Entsendung" und "Zeit vor Ort" aufgeteilt werden kann. Auf den 82.69 % der Datensätze, die den Zeitstempel tragen, stieg die Zeit bis zur Entsendung von 31 auf 44 Minuten (+41.94 %) und die Zeit vor Ort von 87 auf 98 (+12.64 %) — beide bewegten sich, die erste stärker. Ob die fehlenden Zeitstempel ein Erfassungsfehler oder eine Prozessänderung sind, lässt sich aus diesen Daten nicht lesen.

Was dieser Lauf nicht sehen konnte.

Wetter und Netzlast sind nicht in diesem Modell; der Ursachencode ist bei 38.00 % der Unterbrechungen der Region Central unbekannt; 17.31 % der Datensätze haben keinen Einsatz-Zeitstempel. Der Agent liest das Warehouse an seiner Datenkante, an der der SCADA-Extrakt des Tages einmal täglich landet — er ist keine Leitwarte und sieht das Netz nicht in Echtzeit.

VeranschaulichendSet 2Zähler- und Verlust-Agent
Persona
Liest die Energiebilanz und das Zählerbuch: Einspeisung gegen abgerechnete Energie nach Umspannwerk, Ablesequote nach Zählertyp, geschätzte Rechnungen und Zähler ohne Verbrauch; unterscheidet einen technischen Verlust von einem kommerziellen nur dort, wo die Daten es können, und sagt sonst "prüfungsbedürftiges Muster". · Zielgruppe: Einheit Verlustreduzierung, Leiter Zählerbetrieb, regulatorische Berichterstattung. · Tonfall: schlicht, vorsichtig mit Etiketten. · Ausgabesprache: en
Signale, die er beobachtet
(1) Verlustquote — (Einspeisung − abgerechnet) ÷ Einspeisung nach Umspannwerk und Region, Monat gegen denselben Monat des Vorjahres. (2) Anteil geschätzter Rechnungen nach Zählertyp und Bezirk. (3) Aktive Zähler ohne Verbrauch über drei aufeinanderfolgende Monate — ein prüfungsbedürftiges Muster, nie eine Feststellung. (4) Ablesequote nach Zählertyp. (5) Einspeisungswachstum gegen Abrechnungswachstum — die beiden Linien nebeneinander.
Schwellen, die ihm vorgegeben wurden
Finding 15 % · critical 40 % · Verhältniskennzahlen 8 % · Mindestanteil 2 % der Energieeinspeisung · Regel für aufeinanderfolgende Monate 3 Monate · 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 oberhalb der kritischen Schwelle; ein ongoing-Thema behält den Schweregrad, der ihm gegeben wurde

Laufkopf

  • Geplant monatlich am 6. um 06:00, Asia/Baku
  • Zeitraum: Abrechnungsmonat August 2026 vs Abrechnungsmonat August 2025 — gleiche Kalendertage; ein Abrechnungsmonat wird am 5. des Folgemonats geschlossen
  • Daten vollständig bis 2026-09-05, gemessen über max(READ_DATE) (Ablesedatum, nicht Buchungsdatum), zum Laufzeitpunkt vor 17 Tagen
  • Bereich: An diesen Agenten ist keine Row-Level-Regel gebunden — der Lauf wurde auf jeder Zeile erzeugt
  • Modell: das freigegebene Modell des Arbeitsbereichs
  • Kosten: auf dem Lauf festgehalten
Brief

August 2026: Verluste 8.26 % → 9.88 % der Einspeisung, während abgerechnete Energie flach hielt — geschätzte Rechnungen 21.70 % der Konten, 31,240 aktive Konten ohne Verbrauch zur Prüfung markiert

Annahmenstreifen

Sie haben keinen Zeitraum angegeben; der letzte geschlossene Abrechnungsmonat (August 2026) wurde angenommen. Die Verlustquote ist ein Residuum aus Einspeisung und abgerechneter Energie und wird nicht in technische und kommerzielle Komponenten aufgeteilt — dieses Modell kann das nicht. An diesen Agenten ist keine Row-Level-Regel gebunden; der Lauf wurde auf jeder Zeile erzeugt.

Die Energiebilanz des August öffnete eine Lücke: die Einspeisung wuchs um 2.39 % auf 612.4 GWh, während die abgerechnete Energie um 0.58 % auf 551.9 GWh wuchs, sodass die Verluste von 49.4 auf 60.5 GWh stiegen und die Verlustquote von 8.26 % auf 9.88 % — eine Veränderung von +19.61 %. Das Umspannwerk South-East Industrial trägt 15.54 % der Verluste auf 8.10 % der Einspeisung. Im selben Monat stiegen die geschätzten Rechnungen von 14.20 % auf 21.70 % der Konten, wobei manuell abgelesene Zähler zu 71.40 % abgelesen wurden, und 31,240 aktive Konten (2.21 %) zeigten im dritten aufeinanderfolgenden Monat keinen Verbrauch, 58.29 % davon gewerblich — ein Muster, das der Agent zur Prüfung markiert und nicht beurteilt. Ein Satz, der die Verlustquote mit einem nationalen Durchschnitt verglich, wurde zurückgehalten: der Durchschnitt ist nicht in diesem Modell.

covers: Finding 1, Finding 2, Finding 3

— Lauf: monatlich, das freigegebene Modell des Arbeitsbereichs, Daten vollständig bis 2026-09-05. Guard Ledger: held 1 — Kandidat f-05, Grund numeric_provenance: Token national average (Verlustquote) hat keine Adresse — keine externe Reihe ist im Modell; duplicate 1 — Kandidat f-04 (geschätzte Rechnungen je Bezirk neu ausgewiesen) über eine Fingerabdruck-Übereinstimmung (Kennzahl + Zeitraum + Zählertyp) in Finding 2 zusammengeführt; not_selected 0.

Recommendation 1

Schlüssele die Verluste des Umspannwerks South-East Industrial nach Feeder und nach Tarifklasse auf, und stelle den Anteil geschätzter Rechnungen jedes Feeders daneben

based_on: Finding 1, Finding 2 · Verantwortlich: Leitung der Einheit Verlustreduzierung, mit dem Leiter Zählerbetrieb

Das Umspannwerk trägt Verluste außer Verhältnis zu seiner Einspeisung, und der Anteil geschätzter Rechnungen im Netz stieg im selben Monat; ob sich die beiden auf denselben Feedern überlappen, ist das Erste, was zu wissen ist, und beide Schnitte sind in diesem Modell. Sind die Feeder mit dem höchsten Verlustanteil auch die Feeder mit dem höchsten Anteil geschätzter Rechnungen, ist die Verlustzahl teilweise ein Abrechnungsartefakt und das Zählerteam ist für den nächsten Schritt verantwortlich; sind es verschiedene Feeder, ist es das Verlustteam. Die Transformatorlast ist nicht in diesem Modell; sie hinzuzufügen ist eine Modelländerung.

Die Findings, auf denen das beruht

Finding 1

Verlustquote 8.26 % → 9.88 % der Energieeinspeisung (+1.62 Punkte, +19.61 %), während die Einspeisung nur um +2.39 % wuchs — das Umspannwerk South-East Industrial trägt 15.54 % der Verluste auf 8.10 % der Einspeisung

severity highdirection upnovelty newtrust AAufschlüsselung SUBSTATION = South-East Industrial

Die Energieeinspeisung lag im August 2026 bei 612.4 GWh gegenüber 598.1 GWh im August 2025 (+2.39 %); die abgerechnete Energie lag bei 551.9 GWh gegenüber 548.7 GWh (+0.58 %). Die Verluste stiegen daher von 49.4 GWh (8.26 % der Einspeisung) auf 60.5 GWh (9.88 %), eine Veränderung von +19.61 % im Verhältnis, 2.45× die Verhältnisschwelle von 8 % — severity high. Von den 41 Umspannwerken entfallen auf das Umspannwerk South-East Industrial 9.4 GWh der 60.5 GWh Verluste (15.54 %) auf 49.6 GWh der 612.4 GWh Einspeisung (8.10 %); die nächsten drei Umspannwerke zusammen halten 12.9 GWh (21.32 %). Die Verlustquote ist ein Residuum aus zwei Zählern — Einspeisung und abgerechnet — und diese Daten können einen technischen Verlust auf der Leitung nicht von unabgerechnetem Verbrauch trennen: die Transformatorlast des Umspannwerks, die den technischen Anteil eingrenzen würde, ist nicht in diesem Modell.

Finding 2

Geschätzte Rechnungen 14.20 % → 21.70 % der Konten (+52.82 %) — manuell abgelesene Zähler zu 71.40 % abgelesen gegenüber 96.10 % bei Smart Metern; der Anstieg sitzt in zwei Bezirken

severity criticaldirection upnovelty newtrust AAufschlüsselung METER_TYPE = Manual

Von 1,412,000 Konten erhielten 306,400 im August 2026 eine geschätzte Rechnung (21.70 %), gegenüber 200,500 im August 2025 (14.20 %); das Verhältnis stieg um +52.82 %, über der kritischen Schwelle von 40 % — severity critical. Die Ablesequote bei Smart Metern lag bei 96.10 % (812,050 von 845,000); bei manuell abgelesenen Zählern bei 71.40 % (404,840 von 567,000), gegenüber 84.70 % (525,140 von 620,000) ein Jahr zuvor. Die Bezirke zweier der sechs Regionen tragen 187,520 der 306,400 geschätzten Rechnungen (61.20 %), während sie 166,700 der 567,000 manuell abgelesenen Zähler halten (29.40 %). Eine geschätzte Rechnung ist ein Abrechnungszustand, kein Verbrauchsfakt: ob diese Konten zu hoch oder zu niedrig abgerechnet sind, lässt sich nicht lesen, bis eine tatsächliche Ablesung die Schätzung ersetzt, und diese Abstimmung ist keine Kennzahl in diesem Modell.

Recommendation 2

Setze die gewerblichen Konten ohne Verbrauch auf eine monatliche Beobachtung, nach Bezirk, und erfasse das Prüfergebnis als Dimension, damit das Muster geschlossen werden kann

based_on: Finding 3 · Verantwortlich: Leiter Zählerbetrieb, mit der Leitung der Vor-Ort-Prüfung

Das Muster verdient die Prüfung durch einen Menschen, kein Etikett. Eine monatliche Beobachtung nach Bezirk wird zeigen, ob die Zahl wächst oder sich auflöst; das Prüfergebnis — leerstehend, defekter Zähler, geschlossenes Konto, sonstiges — ist die Dimension, die den Agenten berichten ließe, was sich hinter dem Muster verbarg. Ohne sie wird der Agent weiter die Zahl berichten und das Thema ongoing stempeln.

Die Findings, auf denen das beruht

Finding 3

Prüfungsbedürftiges Muster: 31,240 aktive Konten (2.21 %) zeigen über drei aufeinanderfolgende Monate keinen Verbrauch, gegenüber 18,900 (1.34 %) ein Jahr zuvor (+65.29 %) — 58.29 % davon in der gewerblichen Tarifklasse, die 9.80 % der Konten hält

severity criticaldirection upnovelty newtrust AAufschlüsselung TARIFF_CLASS = Commercial

Als aktiv markierte Konten, deren Zähler im Juni, Juli und August 2026 keinen Verbrauch aufzeichnete, zählen 31,240 (2.21 % von 1,412,000), gegenüber 18,900 (1.34 %) für dieselben drei Monate 2025 — eine Veränderung von +65.29 % im Verhältnis, über der kritischen Schwelle von 40 % — severity critical. Davon sind 18,210 (58.29 %) in der gewerblichen Tarifklasse, die 138,380 der 1,412,000 Konten hält (9.80 %). Der Agent bezeichnet dies als prüfungsbedürftiges Muster: ein aktives Konto ohne Verbrauch kann ein leerstehendes Objekt, ein defekter Zähler, ein abgeklemmter, im System noch nicht geschlossener Kunde oder ungezählter Verbrauch sein, und diese Daten können diese Fälle nicht auseinanderhalten. Das Ergebnis der Vor-Ort-Prüfung, das es klären würde, ist nicht in diesem Modell, und der Agent trifft über kein Konto eine Feststellung.

Was dieser Lauf nicht sehen konnte.

Transformatorlast, Prüfergebnisse und die Abstimmung geschätzter Rechnungen gegen spätere tatsächliche Ablesungen sind nicht in diesem Modell. Der Agent sieht keinen Zähler in Echtzeit; er liest den geschlossenen Abrechnungsmonat. Kein Konto wird benannt; der feinste Schnitt in diesem Modell ist Bezirk und Tarifklasse.

VeranschaulichendSet 3Abrechnungs- und Inkasso-Agent
Persona
Liest die Cash-Seite des Versorgers: was abgerechnet wurde, was eingezogen wurde, was altert und über welchen Kanal das Geld kam; unterscheidet einen Abrechnungsanstieg von einem Inkassorückgang. · Zielgruppe: CFO, Inkassoleiter, Abrechnungsstellen der Bezirke. · Tonfall: formell, kurz. · Ausgabesprache: en · Währung: Aserbaidschanischer Manat (₼)
Signale, die er beobachtet
(1) Inkassoeffizienz — eingezogen ÷ abgerechnet nach Kundenklasse und Bezirk, Monat gegen denselben Monat des Vorjahres. (2) Alterung der Rückstände — der Anteil der Forderungen über 90 Tage. (3) Abrechnungswachstum gegen Inkassowachstum — die Schere. (4) Zahlungskanal-Mix. (5) Abschalt- und Wiederanschlussaufträge, wo die Kennzahl Zeilen liefert.
Schwellen, die ihm vorgegeben wurden
Finding 15 % · critical 40 % · Verhältniskennzahlen 8 % · Mindestanteil 2 % des abgerechneten Betrags · Schere 4 Punkte · 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 oberhalb der kritischen Schwelle; ein ongoing-Thema behält den Schweregrad, der ihm gegeben wurde

Laufkopf

  • Geplant monatlich am 8. um 06:30, Asia/Baku
  • Zeitraum: August 2026 vs August 2025 (je 31 Tage; ein Abrechnungsmonat schließt am 5. des Folgemonats)
  • Daten vollständig bis 2026-09-06, gemessen über max(PAYMENT_DATE) (Wertstellungsdatum der Zahlung, nicht das Buchungsdatum der Bankdatei), zum Laufzeitpunkt vor 3 Tagen
  • Geltungsbereich: der Agent läuft unter dem Finanz-Geltungsbereich (alle Bezirke; keine Zeilen auf Zählerebene)
  • Modell: das freigegebene Modell des Arbeitsbereichs
  • Kosten: auf dem Lauf festgehalten
Brief

August 2026: Rechnungen +8.46 %, aber Cash +3.55 % — Inkassoeffizienz auf 89.28 % gesunken, Gewerbekunden bei 84.91 %, Rückstände über 90 Tage jetzt 56.82 % der Forderungen

Annahmenstreifen

Sie haben keinen Zeitraum angegeben; der letzte geschlossene Abrechnungsmonat (August 2026) wurde angenommen. Beträge in Aserbaidschanischen Manat. Die Abschalt- und Wiederanschlusskennzahlen lieferten für Juli und August keine Zeilen; dies wird als data state aufgezeichnet, nicht als Finding.

Die Rechnungen des August wuchsen schneller als das Cash: ₼ 71.8 M abgerechnet (+8.46 %) gegenüber ₼ 64.1 M eingezogen (+3.55 %), was die Inkassoeffizienz von 93.50 % auf 89.28 % brachte. Bei Gewerbekunden, 31.48 % des abgerechneten Betrags, lag der Einzug bei 84.91 %; bei Privatkunden bei 91.61 %; bei öffentlichen Stellen bei 89.28 %. Die Forderungen erreichten ₼ 84.3 M, und der Teil älter als 90 Tage wuchs von ₼ 38.4 M auf ₼ 47.9 M (+24.74 %), jetzt 56.82 % der Gesamtsumme; die Dimension Beitreibungsstatus ist in diesem Jahr leer, sodass der Agent nicht sagen kann, welche dieser Salden bereits in der Beitreibung sind. Die Linie der Abschaltaufträge konnte nicht berichtet werden.

covers: Finding 1, Finding 2

— Lauf: monatlich, das freigegebene Modell des Arbeitsbereichs, Daten vollständig bis 2026-09-06. Guard Ledger: held 0; data state 1 — disconnection_orders und reconnection_orders lieferten 0 Zeilen für Juli–August 2026 (Extrakt des Auftragssystems im Juni gestoppt); duplicate 0; not_selected 0.

Recommendation 1

Schlüssele das gewerbliche Inkasso für August nach Bezirk und nach Band des abgerechneten Betrags auf, und stelle das Kennzeichen für geschätzte Rechnungen neben jede Zeile

based_on: Finding 1 · Verantwortlich: Inkassoleiter, mit den Abrechnungsstellen der Bezirke

Gewerbekunden tragen die niedrigste Inkassoquote auf einem Drittel des abgerechneten Betrags. Ist der Fehlbetrag über die Bezirke verteilt und sitzt in geschätzten Rechnungen, gehört der Abgleich in die Abrechnungsstelle; sitzt er in wenigen großen Ist-Rechnungen, gehört die nächste Messung zum Inkassoteam. Beide Schnitte sind in diesem Modell. Das Streitfall-Kennzeichen ist es nicht — bis es das ist, lassen sich strittig und unbezahlt aus diesen Daten nicht auseinanderhalten.

Die Findings, auf denen das beruht

Finding 1

Abrechnungs-Inkasso-Schere: Abgerechnet ₼ 71.8 M (+8.46 %), während ₼ 64.1 M (+3.55 %) eingezogen wurden — Inkassoeffizienz 93.50 % → 89.28 % (−4.23 Punkte); Gewerbekunden bei 84.91 %

severity mediumdirection downnovelty newtrust AAufschlüsselung CUSTOMER_CLASS = Commercial

Die Rechnungen im August 2026 summierten sich auf ₼ 71.8 M gegenüber ₼ 66.2 M im August 2025 (+8.46 %); die Zahlungseingänge im Monat summierten sich auf ₼ 64.1 M gegenüber ₼ 61.9 M (+3.55 %). Der Abstand zwischen den beiden Wachstumsraten beträgt 4.91 Punkte, 1.23× die Scherenschwelle von 4 Punkten — Schweregrad medium; die Inkassoeffizienz fiel von 93.50 % auf 89.28 % (−4.51 % relativ, unter der Quotenschwelle). Nach Klasse: Privatkunden ₼ 38.75 M eingezogen von ₼ 42.3 M abgerechnet (91.61 %); Gewerbekunden ₼ 19.19 M von ₼ 22.6 M (84.91 %); öffentliche Stellen ₼ 6.16 M von ₼ 6.9 M (89.28 %). Gewerbekunden halten ₼ 22.6 M der abgerechneten ₼ 71.8 M (31.48 %) und die niedrigste Quote. Das Kennzeichen für geschätzte Rechnungen ist in diesem Modell, wurde in diesem Lauf aber nicht geöffnet, daher sagt diese Aufzeichnung nicht, wie viel des Abrechnungswachstums Schätzungen sind; und sie kann nicht sagen, wie viel des nicht eingezogenen Betrags strittig statt unbezahlt ist — das Streitfall-Kennzeichen ist nicht in diesem Modell.

Recommendation 2

Den Anteil der Rückstände über 90 Tage nach Kundenklasse in eine monatliche Beobachtung nehmen und die Dimension Beitreibungsstatus für 2026 vor dem nächsten Lauf ergänzen

based_on: Finding 2 · Verantwortlich: CFO, mit der Einheit für gerichtliche Beitreibung und dem Datenmodellverantwortlichen

Die Verschiebung der Altersstruktur ist die Aufzeichnung, die für die Rückstellung zum Jahresende zählt; der Beitreibungsstatus ist das, was aus einem Saldo eine Entscheidung macht. Die Dimension existiert im Modell und ist für dieses Jahr leer; sie zu füllen ist eine Aufgabe des Quellsystems, keine Änderung am Agenten. Der Extrakt der Abschaltaufträge sollte aus demselben Grund wieder anlaufen — die beiden Kennzahlen gehören nebeneinander.

Die Findings, auf denen das beruht

Finding 2

Rückstände älter als 90 Tage ₼ 38.4 M → ₼ 47.9 M (+24.74 %) — jetzt 56.82 % der Forderungen, gegenüber 51.20 % ein Jahr zuvor, während die Gesamtforderungen um +12.40 % wuchsen

severity highdirection upnovelty newtrust AAufschlüsselung AGEING_BAND = 90+ days

Die Forderungen standen Ende August 2026 bei ₼ 84.3 M gegenüber ₼ 75.0 M ein Jahr zuvor (+12.40 %). Das Band über 90 Tage wuchs schneller: ₼ 47.9 M gegenüber ₼ 38.4 M (+24.74 %), 1.65× die Finding-Schwelle von 15 % — Schweregrad high, sodass sein Anteil an den Forderungen von 51.20 % auf 56.82 % stieg. Die jüngeren Bänder zusammen fielen um −0.55 % (₼ 36.6 M → ₼ 36.4 M). Das Band über 90 Tage besteht aus ₼ 29.75 M Schulden von Gewerbekunden und öffentlichen Stellen (62.11 % von ₼ 47.9 M), gegenüber ₼ 29.5 M von ₼ 71.8 M abgerechnet (41.09 %). Diese Daten können nicht sagen, welche dieser Salden in einem Zahlungsplan oder in gerichtlicher Beitreibung sind — die Dimension Beitreibungsstatus ist für 2026 in diesem Modell leer.

Data state

Data state (kein Finding): die Kennzahlen Abschaltaufträge und Wiederanschlussaufträge lieferten für Juli und August 2026 keine Zeilen (das Auftragssystem ist im Juni auf eine neue Plattform umgezogen, und sein Extrakt ist noch nicht wieder angelaufen). Kein Schweregrad; keine Recommendation stützt sich darauf; der Modellverantwortliche ist benachrichtigt.

Was dieser Lauf nicht sehen konnte.

Das Streitfall-Kennzeichen und der Beitreibungsstatus 2026 sind nicht befüllt; Abschalt- und Wiederanschlussaufträge lieferten keine Zeilen. Der Agent liest Wertstellungsdaten aus dem abgeschlossenen Abrechnungsmonat und sieht die Zahlungen von heute nicht. Kein Kunde wird genannt; der feinste Schnitt ist Bezirk und Kundenklasse.

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

01Verbindet sich der Agent direkt mit SCADA oder dem Störungssystem?

Nein. Er liest die Warehouse-Extrakte, die Ihr Team ohnehin schon ablegt, über ein nur lesendes Gateway, und nennt die Datenkante, die er vorgefunden hat.

02Kann er im Netz handeln oder Abschaltaufträge senden?

Nein. Er liest Daten und veröffentlicht Aufzeichnungen; jede Handlung gehört einem Menschen.

03Sieht er einzelne Kunden oder Zähler?

Kundenname, Zählernummer und Straßenadresse sind im Modell als personenbezogen markiert; der feinste Schnitt ist Bezirk und Tarifklasse.

04Was passiert, wenn ein Extrakt ausbleibt, wie in diesem Beispiel die Abschaltaufträge?

Die Kennzahl liefert keine Zeilen; der Agent hält einen data state ohne Schweregrad fest und baut nichts darauf auf; der Modellverantwortliche wird benachrichtigt.

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 ein Verteilnetzbetreiber bereits hat

Störungsmanagementsystem (Beginn und Ende der Unterbrechung, betroffene Kunden, Ursachencode, Abgang, Trupp-Disposition), Advanced Metering und Zählerdatenmanagement (Intervallablesungen, Ablesungserfolg, Schätzkennzeichen), Kundeninformation und Abrechnung (Rechnungen, Zahlungen, Altersstruktur der Rückstände, Tarifklasse, Bezirk), GIS-Anlagenregister (Abgang, Umspannwerk, Anlagenalter), Enterprise Asset Management (Arbeitsaufträge, Auftragsrückstand), täglich abgelegte SCADA-Extrakte. Typische Warehouse-Granularität: eine Zeile je Unterbrechung, je Zählerablesung, je Rechnungsposition.

02Angenommenes semantisches Modell — das Minimum für die drei Personas
Kennzahlen
customers_served · customer_minutes_interrupted · interruption_count · customers_interrupted · saidi und saifi (von der Engine abgeleitet: Kundenminuten ÷ Kunden; Unterbrechungen ÷ Kunden) · caidi (von der Engine abgeleitet) · planned_outage_minutes · unplanned_outage_minutes · mean_restoration_minutes · repeat_outage_feeder_count · energy_input_gwh · energy_billed_gwh · loss_gwh und loss_ratio (von der Engine abgeleitet) · meters_read · meters_estimated · zero_consumption_active_meters · amount_billed · amount_collected · collection_ratio (von der Engine abgeleitet) · receivables_total · receivables_90_plus · complaints_count · work_orders_open.
Dimensionen
Datum (Beginn der Unterbrechung; Ablesedatum; Rechnungsdatum) · Region · Bezirk · Umspannwerk · Abgang · Ursachencode · geplant/ungeplant · Kundenklasse (Privatkunden, Gewerbe, öffentliche Stellen, Industrie) · Tarifklasse · Zählertyp (smart, manuell) · Zahlungskanal · Anlagenaltersband. Als personenbezogen markiert und nie aufgeschlüsselt nach: Kundenname, Zählernummer, Straßenadresse (der feinste erlaubte Schnitt ist der Bezirk).
Datenrand
von der Engine gemessen über max(outage_end_ts) für den Zuverlässigkeits-Stern, max(read_date) für die Zählung, max(bill_date) für die Abrechnung; jeder Stern deklariert seine eigene.
03Angenommene KPIs — was Führungskräfte von Versorgern verfolgen
KPIDefinitionEinheitTypische BandbreiteÜbliche Aufschlüsselung
SAIDIunterbrochene Kundenminuten ÷ versorgte Kundenmin je Kunde je PeriodeUSA ≈125.7 min/Jahr ohne Großereignisse [Verband: EIA über Sekundärquelle]Abgang · Region
SAIFIUnterbrechungen ÷ versorgte KundenAnzahl je Kunde je PeriodeUSA ≈1.1/Jahr ohne Großereignisse [Verband: EIA]Abgang
CAIDISAIDI ÷ SAIFIMinutenkeiner universellRegion
Mittlere WiederversorgungszeitEnde − Beginn der Unterbrechung, Mittelwert oder MedianMinutenkeiner universellUrsache · Region
Abgänge mit wiederholten StörungenAbgänge mit ≥3 ungeplanten Störungen in der Periode ÷ Abgänge%keineRegion · Anlagenalter
Übertragungs- & Verteilverluste(Energieeinspeisung − abgerechnete Energie) ÷ Einspeisung%USA ≈5–6 %; Welt ≈8.3 % [Verband: World Bank / EIA]Umspannwerk · Region
Inkassoeffizienzeingezogener Betrag ÷ abgerechneter Betrag%keiner universellKundenklasse · Bezirk
AT&C-Verlust1 − (abgerechnet × Inkassoquote ÷ Einspeisung)%keiner universellRegion
Ablesequote / Anteil geschätzter Rechnungenabgelesene Zähler ÷ fällige Zähler; geschätzte Rechnungen ÷ Rechnungen%keiner universellZählertyp · Bezirk
Verlorenes und nicht zugeordnetes GasEingänge − Lieferungen ÷ Eingänge%2–5 % typisch; beste <1 % [Verband: NARUC/ICF]Bezirk
Rückstände 90+ TageForderungen älter als 90 Tage ÷ Gesamtforderungen%keineKundenklasse
Beschwerden je 1,000 KundenBeschwerden ÷ Kunden × 1,000AnzahlkeineRegion · Art
Capex-Umsetzung gegen Planausgegebenes Capex ÷ geplant%keineProgramm
Kapazitätsfaktor (Erzeugungsanlagen)tatsächliche ÷ maximale Erzeugung%USA 2024: Wind 34 %, Solar 23 % [Verband: EIA]Anlage · Monat

Verwandt

Wohin diese Seiten führen

Auf dieser Website