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

Lösungen · nach Branche · Gesundheitsversorger

Krankenhäuser: das Bett, der Kostenträger und die Umsatzzeile, jeden Morgen gelesen

CIO / CMIO (Daten bleiben On-Premise; Row-Level-Bereich; Maskierung personenbezogener Daten) · CFO (Umsatzdynamik, Kostenträgermix, Rabatt, Ziel) · Ärztlicher Direktor (Fluss und Qualität) · COO / Ambulanzleitung (Zugang und Kapazität). Der Käufer ist in der Regel der CIO mit dem CFO; der tägliche Leser ist der Ärztliche Direktor.

Wie die drei Agents auf dieser Seite ein semantisches Modell lesenLinks ein semantisches Modell; in der Mitte drei geplante Agents - Ärztlicher-Direktor-Agent, Klinik-CFO-Agent, Ambulanz-Zugangs-Agent; jeder veröffentlicht rechts Findings, Recommendations und einen Brief.semantisches Modellimportiert aus Axoria Data Studiopatient_countencounter_countprocedure_countgross_revenuenet_revenueÄrztlicher-Direktor-Agentwöchentlich · Montag 05:30FFindingRRecomm.BBriefKlinik-CFO-Agentmonatlich am 3. · 06:00FFindingRRecomm.BBriefAmbulanz-Zugangs-Agenttäglich · 06:00FFindingRRecomm.BBriefjede Zahl in einer Aufzeichnung trägt eine Nachweisadresse

Fragen

Die drei Fragen, die ein Krankenhausvorstand jeden Monat stellt

  • Steigt die Auslastung, weil wir mehr aufnehmen oder weil Patienten länger bleiben?
  • Welcher Kostenträger trägt das Umsatzwachstum, und was hat es an Rabatt gekostet?
  • Wo verlieren wir Patienten, bevor wir sie sehen — an der Tür der ED oder im Terminbuch?

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 ALOS-Drift in General Surgery nach Aufnahmeart auf."
  • "Ist die Walk-out-Rate der Nachtschicht auf allen drei Campus gleich?"
  • "Welcher Kostenträger ist im August am schnellsten gewachsen, ohne VAT?"
  • "Zeige die No-Shows in Cardiology nach Buchungskanal."
  • "Wie aktuell sind die Daten?"

Personas

Drei Beispiel-Agenten

Die Agenten unten sind Beispiele für diese Branche, kein fester Satz: Ärztlicher-Direktor-Agent · Klinik-CFO-Agent · Ambulanz-Zugangs-Agent. Der geplante Lauf jedes einzelnen wird in den folgenden Beispielsets gezeigt.

Set 1

Ärztlicher-Direktor-Agent

Zielgruppe: der Ärztliche Direktor, Stationsleitungen, die ED-Leitung.

Set 2

Klinik-CFO-Agent

Zielgruppe: CFO, Vorstand, Campus-Direktoren — Menschen, die die Zahl schon sehen, aber nicht, was sie erzeugt hat.

Set 3

Ambulanz-Zugangs-Agent

Zielgruppe: Leitung des Ambulanzbetriebs, Klinikkoordinatoren, Callcenter-Leitung.

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 1Ärztlicher-Direktor-Agent
Persona
Liest klinischen Fluss und Qualität für eine private Krankenhausgruppe mit 380 Betten und drei Campus in einem Ballungsraum; trennt "mehr Patienten" von "längeren Aufenthalten" und "mehr Ankünfte" von "mehr Walk-outs". · Zielgruppe: der Ärztliche Direktor, Stationsleitungen, die ED-Leitung. · Tonfall: direkt, zahlengeführt, keine Adjektive; wo die Daten zwei Erklärungen nicht trennen können, sagt er das. · Ausgabesprache: en
Signale, die er beobachtet
(1) Verweildauer-Drift ohne Case-Mix-Verschiebung — Belegungstage steigen, während Entlassungen sinken. (2) ED-Walk-outs nach Schicht — die LWBS-Rate und die Door-to-Provider-Minuten nebeneinander. (3) Wiederaufnahme-Beobachtungslinie — 30-Tage-Wiederaufnahmen nach Leistungsbereich gegen eine Beobachtungslinie von 8 %, nur volle Monate. (4) OP-Zeit — genutzte Minuten gegen verfügbare Minuten, und Absagen am OP-Tag. (5) Zusammensetzung der Auslastung — Auslastungsänderung aufgeteilt in Aufnahmeänderung und Verweildaueränderung.
Schwellen, die ihm vorgegeben wurden
Finding 15 % · critical 40 % · Verhältniskennzahlen (ALOS, Raten, Anteile) 8 % · Mindestanteil 2 % der Belegungstage des Verbunds · Wiederaufnahme-Beobachtungslinie 8.00 % · Schweregrad-Regel: medium, wenn eine Schwelle überschritten wird, high, wenn sich eine Verhältniskennzahl um mehr als 1.25× ihre Schwelle bewegt oder eine Zählkennzahl um mehr als 1.5× die Finding-Schwelle, critical oberhalb der critical-Schwelle; ein ongoing-Thema behält den Schweregrad, der ihm gegeben wurde

Laufkopf

  • Geplant wöchentlich, Montag 05:30, Europe/Istanbul
  • Zeitraum: August 2026 (voller Monat, 31 Tage, 21 Werktage) vs. August 2025 (31 Tage, 21 Werktage); Wiederaufnahmen auf Index-Entlassungen vom Juli 2026 (das 30-Tage-Fenster muss geschlossen sein)
  • Daten vollständig bis 2026-09-19, gemessen über max(DISCHARGE_DATE), vor 6 Stunden
  • Bereich: Dieses Datenmodell hat Row-Level-Zugriffsregeln; der Agent läuft unter dem Bereich Klinischer Betrieb (alle Campus, keine Kostenträgerbeträge)
  • Modell: das freigegebene Modell des Arbeitsbereichs, auf den Lauf geschrieben
  • Kosten: auf dem Lauf festgehalten
Brief

August 2026: Belegungstage in General Surgery gestiegen bei weniger Aufnahmen und längeren Aufenthalten — ED-Walk-outs der Nachtschicht bei 5.89 %, Wiederaufnahmen in Internal Medicine ongoing

Annahmenstreifen

Sie haben keinen Zeitraum angegeben; der letzte volle Monat (August 2026) wurde angenommen. Wiederaufnahmen wurden auf Index-Entlassungen vom Juli 2026 gemessen, damit das 30-Tage-Fenster geschlossen ist. Kostenträgerbeträge liegen außerhalb des Bereichs dieses Agenten und erscheinen nicht.

Die August-Auslastung des Verbunds von 79.90 % (9,412 von 11,780 Belegungstagen) kam mit weniger, längeren Aufenthalten in General Surgery: Die Station nahm 1.96 % weniger Patienten auf und entließ 3.16 % weniger als ein Jahr zuvor, verbrauchte aber 7.79 % mehr Belegungstage, was ihre durchschnittliche Verweildauer von 4.86 auf 5.41 Tage brachte (+11.30 %) und ihre Stationsauslastung auf 84.89 %. An der Tür der ED ist das Bild umgekehrt — mehr Ankünfte (+4.60 %) und mehr Menschen, die gehen, bevor sie gesehen wurden: Die Walk-out-Rate stieg von 2.14 % auf 3.47 %, und der Anstieg sitzt in der Nachtschicht, wo 5.89 % von 3,412 Besuchen ohne Arztkontakt endeten und die mittlere Door-to-Provider-Zeit 61 Minuten betrug. Die 30-Tage-Wiederaufnahmerate von Internal Medicine blieb mit 8.85 % über der Beobachtungslinie von 8.00 %, den dritten Monat in Folge; die Verbundrate liegt bei 6.10 %. Die OP-Achse wurde in diesem Lauf nicht aktualisiert.

covers: Finding 1, Finding 2, Finding 3

— Lauf: wöchentlich, das freigegebene Modell des Arbeitsbereichs, Daten vollständig bis 2026-09-19. Guard Ledger: held 1 — Kandidat f-05 (OP-Auslastung), Grund numeric_provenance: Token 71 % ließ sich in diesem Lauf keinem Umschlag zuordnen; not_selected 0; duplicate 0.

Recommendation 1

Belegungstage in General Surgery für August nach Aufnahmeart und Chirurgiegruppe gegen ihren eigenen August 2025 aufschlüsseln — die Drift liegt in drei von fünf Gruppen

based_on: Finding 1 · Verantwortlich: Chefarzt der Chirurgie, mit der Entlassungsplanung

Die Verweildauer-Drift ist ein Fakt auf Stationsebene, noch keine Ursache. Ist der ALOS-Anstieg auf Notfallaufnahmen beschränkt, hat sich die Akuität an der Eingangstür geändert; sitzt er in den elektiven Aufnahmen, geht die nächste Messung an den Entlassungsprozess. Beide Schnitte sind in diesem Modell und kosten je eine Abfrage. Ein Case-Mix-Index ist nicht in diesem Modell; wenn die Chirurgiegruppen es nicht klären, ist das die Kennzahl, die vor der Prüfung des nächsten Quartals hinzuzufügen ist.

Die Findings, auf denen das beruht

Finding 1

Verweildauer-Drift: ALOS in General Surgery 4.86 → 5.41 Tage (+11.30 %), während Entlassungen −3.16 % — Belegungstage +7.79 % bei weniger Aufnahmen

severity highdirection upnovelty newtrust AAufschlüsselung SERVICE_LINE = General Surgery

Im August 2026 entließ General Surgery 399 Patienten gegenüber 412 im August 2025 (−3.16 %), doch seine Belegungstage stiegen von 2,002 auf 2,158 (+7.79 %). Die durchschnittliche Verweildauer (bed_days / discharges) bewegte sich von 4.86 auf 5.41 Tage (+11.30 %), 1.41× die Verhältnisschwelle von 8 % — severity high. Die Aufnahmen im selben Fenster lagen bei 401 gegenüber 409 (−1.96 %), unter jeder Schwelle, die zusätzlichen Belegungstage kamen also nicht von mehr eintretenden Patienten. General Surgery hält 22.93 % der 9,412 August-Belegungstage des Verbunds, die Drift ist also auf Verbundebene sichtbar: Die Auslastung der chirurgischen Station (belegte / verfügbare Belegungstage) steht bei 84.89 % (2,158 von 2,542) gegenüber 78.76 % (2,002 von 2,542) ein Jahr zuvor; die Verbundauslastung liegt bei 79.90 % (9,412 von 11,780). Die Drift ist nicht einheitlich: Drei der fünf Chirurgiegruppen zeigen sie, zwei sind flach. Diese Daten können eine Änderung der Fallkomplexität nicht von einer Verzögerung im Entlassungsprozess trennen — das Modell führt keinen Case-Mix-Index; die Aufschlüsselung nach Chirurgiegruppe ist der nächstgelegene Schnitt, und sie klärt die Frage nicht.

Recommendation 2

Die Walk-out-Rate der Nachtschicht auf eine wöchentliche Beobachtung nach Campus setzen, mit den Door-to-Provider-Minuten daneben

based_on: Finding 2 · Verantwortlich: ED-Leitung und Pflegedirektion

Die Walk-out-Rate des ganzen Monats verbirgt eine Nachtschichtrate, die fast dreimal so hoch ist wie die Tagesrate. Eine wöchentliche Beobachtung nach Campus wird zeigen, ob ein Campus den Anstieg trägt oder alle drei; der Agent wird das Thema mit ongoing stempeln, statt ein drittes Mal zu alarmieren. Der Dienstplan ist nicht in diesem Modell — die Pflegedirektion liest ihn neben der Aufzeichnung.

Die Findings, auf denen das beruht

Finding 2

Walk-outs der Nachtschicht: ED Left-Without-Being-Seen 2.14 % → 3.47 % der Besuche (+62.08 %), während ED-Besuche +4.60 % — der Anstieg sitzt in der Schicht 20:00–08:00 bei 5.89 %

severity criticaldirection upnovelty newtrust AAufschlüsselung SHIFT = Night

Die ED-Besuche erreichten 9,638 im August 2026 gegenüber 9,214 ein Jahr zuvor (+4.60 %). Patienten, die vor dem Arztkontakt gingen, stiegen von 197 auf 334, die Walk-out-Rate bewegte sich also von 2.14 % auf 3.47 % — eine Änderung von +62.08 % in einer Verhältniskennzahl, über der critical-Schwelle von 40 %. Der Anstieg ist nicht über den Tag verteilt: Die Nachtschicht trug 3,412 Besuche (35.40 % des Monats) und 201 Walk-outs (5.89 %), während die Rate der Tagschicht bei 2.14 % liegt (133 von 6,226) — dieselbe wie die Ganzmonatszahl des Vorjahres. Die mittlere Door-to-Provider-Zeit in der Nachtschicht beträgt 61 Minuten gegenüber 34 in der Tagschicht. Das Modell führt Ankünfte und Abgänge nach Schicht, aber keinen Dienstplan; ob die Nachtschicht unterbesetzt war, lässt sich aus diesen Daten nicht lesen.

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

Finding 3

Wiederaufnahme-Beobachtungslinie: 30-Tage-Wiederaufnahmen in Internal Medicine bei 8.85 % im dritten Monat in Folge über 8.00 % — Verbund 6.10 %

severity mediumdirection upnovelty ongoingtrust AAufschlüsselung SERVICE_LINE = Internal Medicine

Von 486 Patienten von Internal Medicine, entlassen im Juli 2026, wurden 43 innerhalb von 30 Tagen wieder aufgenommen (8.85 %). Der Juni stand bei 8.60 % (41 von 477) und der Mai bei 8.42 % (39 von 463); die Linie liegt seit Mai über der Beobachtungslinie von 8.00 %, und der Agent hat sie in jedem der letzten beiden Läufe berichtet. Die Verbundrate für Juli-Entlassungen liegt bei 6.10 % (134 von 2,198). Der Anteil von Internal Medicine an den Juli-Entlassungen des Verbunds beträgt 22.11 %. Diese Daten können nicht sagen, ob die Wiederaufnahmen jeden Monat dieselben Diagnosegruppen sind — die Aufschlüsselung nach Diagnosegruppe ist im Modell, wurde in diesem Lauf aber nicht geöffnet, weil das Abfragebudget auf der ED-Achse ausgegeben wurde.

Was dieser Lauf nicht sehen konnte.

Die OP-Zeit-Abfragen wurden nicht ausgeführt — das Budget wurde nach dem Auftauchen des Walk-out-Signals auf der ED-Achse ausgegeben, und der Agent hat das gesagt, statt den OP-Satz aus dem Gedächtnis zu schreiben (der eine, den er schrieb, wurde zurückgehalten). Ein Case-Mix-Index und der Dienstplan sind nicht in diesem Modell. Mortalitätskennzahlen wurden vom Administrator des Arbeitsbereichs aus dem Bereich dieses Agenten ausgeschlossen.

VeranschaulichendSet 2Klinik-CFO-Agent
Persona
Erstellt das Umsatz-Performance-Briefing für den CFO und den Vorstand; trennt Patientenzahl, Prozedurintensität, Kostenträgermix und Leistungsmix hinter der Umsatzzeile; erklärt Abweichungen mit verwalteten Kennzahlen und einer Evidence Chain. · Zielgruppe: CFO, Vorstand, Campus-Direktoren — Menschen, die die Zahl schon sehen, aber nicht, was sie erzeugt hat. · Tonfall: formell, gemessen, Sprache einer Executive Summary; kurze, exakte Sätze. · Ausgabesprache: en
Signale, die er beobachtet
(1) Umsatz-Volumen-Schere — Umsatz steigt, während Patienten oder Prozeduren sinken. (2) Verschiebung des Umsatzes je Patient — echte Preisbewegung oder Mixverschiebung hin zu teureren Leistungen; die Aufschlüsselung entscheidet, und der Agent sagt nicht "Preise sind gestiegen", bevor er die beiden getrennt hat. (3) Kostenträgermix — Anteile Selbstzahler vs. versichert auf der Basis ohne VAT; eine Mixverschiebung ändert das Cash-Timing, ohne den Umsatz zu ändern. (4) Rabattwachstum — discount_amount wächst schneller als der Umsatz, heißt: Derselbe Umsatz wird mit mehr Rabatt gekauft. (5) Zielabweichung — Ist vs. Ziel, nur volle Monate, mit der Quelle der Lücke (welcher Campus, welcher Kostenträger). (6) Konzentration — Abhängigkeit von einem einzelnen institutionellen Kostenträger.
Schwellen, die ihm vorgegeben wurden
Finding 15 % · critical 40 % · Schere 10 Punkte · Verhältniskennzahlen 8 % · Mindestanteil 1 % des Bruttoumsatzes · Schweregrad-Regel: medium, wenn eine Schwelle überschritten wird, high, wenn sich eine Verhältniskennzahl um mehr als 1.25× ihre Schwelle bewegt oder eine Zählkennzahl um mehr als 1.5× die Finding-Schwelle, critical oberhalb der critical-Schwelle; ein ongoing-Thema behält den Schweregrad, der ihm gegeben wurde

Laufkopf

  • Geplant monatlich am 3. um 06:00, Europe/Istanbul
  • Zeitraum: August 2026 (voller Monat) vs. August 2025 — gleiche Kalendertage
  • Daten vollständig bis 2026-09-20, gemessen über max(ENCOUNTER_DATE) (Falldatum, nicht Buchungsdatum; spät gebuchte Leistungen liegen außerhalb des Randes), vor 9 Stunden
  • Bereich: An diesen Agenten ist keine Row-Level-Regel gebunden — der Lauf wurde auf jeder Zeile erzeugt
  • Modell: das freigegebene Modell des Arbeitsbereichs, auf den Lauf geschrieben
  • Kosten: auf dem Lauf festgehalten
Brief

August 2026: Umsatz +14.53 % aus Preis und Mix, während Patienten −3.32 % — Selbstzahleranteil auf 55.44 % gesunken, Rabattquote 6.20 % → 8.25 %, Campus B −12.38 % gegenüber Ziel

Annahmenstreifen

Sie haben keinen Zeitraum angegeben; der letzte volle Monat (August 2026) wurde angenommen. Kostenträgeranteile werden auf der Basis ohne VAT berechnet und so gekennzeichnet; der Satz zum Gesamtumsatz verwendet die Kennzahl inklusive VAT. An diesen Agenten ist keine Row-Level-Regel gebunden; der Lauf wurde auf jeder Zeile erzeugt.

Der August-Umsatz von 11.27 M € lag 14.53 % über August 2025, aber 3.32 % weniger Patienten und 2.28 % weniger Prozeduren haben ihn erzeugt: Der Umsatz je Patient stieg um 18.47 %; bei diesen Zahlen ist das Wachstum nicht volumengetrieben, und das Modell trennt Tarif nicht von Intensität oder Mix. Der Mix verschob sich zu versicherten Kostenträgern — Selbstzahler fielen von 61.78 % auf 55.44 % des Umsatzes ohne VAT, während die öffentliche Versicherung von 24.09 % auf 29.74 % stieg — und der Rabattbetrag wuchs um 52.46 %, was die Rabattquote von 6.20 % auf 8.25 % brachte. Gegenüber Ziel steht der Verbund bei −5.29 %, und Campus B allein (−12.38 %) trägt 80.00 % des kombinierten Fehlbetrags der beiden Campus unter Ziel. Die Kostenseite konnte in diesem Lauf nicht berichtet werden.

covers: Finding 1, Finding 2, Finding 3

— Lauf: monatlich, das freigegebene Modell des Arbeitsbereichs, Daten vollständig bis 2026-09-20. Guard Ledger: held 2 — Kandidaten f-06 und r-03 (Kostenseite), Grund source_execution_error auf Kennzahl protocol_cost (Umschlag e7 leer); duplicate 1 — Kandidat f-04 (Kostenträgeranteil nach Campus neu dargestellt) auf einen Fingerprint-Treffer (Kennzahl + Zeitraum + Zelle) in Finding 2 zusammengeführt; not_selected 0.

Recommendation 1

Den August-Umsatz von Campus B nach Kostenträgerart gegen sein eigenes Ziel aufschlüsseln und seine Patientenzahl daneben stellen — der Campus trägt 80.00 % des kombinierten Fehlbetrags der beiden Campus

based_on: Finding 3, Finding 1 · Verantwortlich: CFO mit dem Direktor von Campus B

Der Fehlbetrag des Verbunds ist der Fehlbetrag von Campus B. Fiel die Patientenzahl von Campus B im Gleichschritt mit seinem Umsatz, ist die Lücke Volumen und die Frage gehört zum Patientenzugang; hielt seine Patientenzahl, während der Umsatz fiel, ist die Lücke Kostenträger- oder Leistungsmix. Beide Schnitte sind in diesem Modell. Die Methode des Ziels ist es nicht — das Finanzteam sollte bestätigen, dass die drei Campus-Ziele auf derselben Grundlage gesetzt wurden, bevor der Vorstand diese Aufzeichnung liest.

Die Findings, auf denen das beruht

Finding 3

Zielabweichung in einem Campus konzentriert: Verbund −5.29 % gegenüber August-Ziel, während Campus B −12.38 %, Campus C −5.00 %, Campus A +0.39 %

severity highdirection downnovelty newtrust AAufschlüsselung CAMPUS = B

Gegenüber einem August-2026-Ziel von 11.90 M € erreichte der Bruttoumsatz 11.27 M € (−5.29 %). Campus A lieferte 5.12 M € gegenüber 5.10 M € (+0.39 %); Campus B 3.68 M € gegenüber 4.20 M € (−12.38 %); Campus C 2.47 M € gegenüber 2.60 M € (−5.00 %). Die Abweichung von Campus B ist 1.55× die Verhältnisschwelle von 8 % für Zielerreichung — severity high; die Verbundzahl (−5.29 %) liegt unter der Schwelle und wird als Rahmen berichtet, nicht als eigenes Finding. Campus B macht 80.00 % des kombinierten Fehlbetrags der beiden Campus aus (0.52 M € von 0.65 M €). Der Vergleich wird nur auf einem vollen Monat gemacht, wie die Regeln des Agenten es verlangen; der September ist unvollständig und wird nicht verglichen. Ob das Ziel von Campus B auf einer anderen Grundlage gesetzt wurde als die anderen, lässt sich aus diesen Daten nicht lesen — die Zielkennzahl trägt keine Notiz zu ihrer eigenen Methode.

Finding 1

Umsatz-Volumen-Schere: Bruttoumsatz +14.53 % ggü. Vorjahr, während Patienten −3.32 % und Prozeduren −2.28 % — 17.85-Punkte-Lücke; Umsatz je Patient +18.47 %

severity highdirection upnovelty newtrust AAufschlüsselung — (Verbund)

Der Bruttoumsatz für August 2026 betrug 11.27 M € gegenüber 9.84 M € im August 2025 (+14.53 %). Im selben Monat fiel die Patientenzahl von 41,230 auf 39,860 (−3.32 %) und die Prozedurenzahl von 188,400 auf 184,100 (−2.28 %). Die Lücke zwischen der Umsatzänderung und der Änderung der Patientenzahl beträgt 17.85 Prozentpunkte, 1.79× die Scherenschwelle von 10 Punkten — severity high. Der Umsatz je Patient bewegte sich von 238.66 € auf 282.74 € (+18.47 %). Bei den gezeigten Zahlen ist das Wachstum nicht volumengetrieben; ob eine Tarifänderung, eine höhere Leistungsintensität je Patient oder eine Verschiebung zu teureren Leistungsbereichen es erzeugt hat, trennt diese Aufzeichnung nicht — die Aufschlüsselung nach Leistungsbereich in diesem Modell ordnet 80 % des Umsatzes einem Mitglied "unassigned sub-type" zu, der Schnitt, der es klären würde, ist hier also nicht verlässlich.

Recommendation 2

Die Rabatt-zu-Umsatz-Quote auf eine monatliche Beobachtung setzen und für die nächste Modellversion die Aufschlüsselung der Rabattkennzahl nach Kostenträger anfordern

based_on: Finding 2 · Verantwortlich: Leitung Preise und Verträge, mit dem Datenmodell-Verantwortlichen

Der Rabatt wuchs im August viermal so schnell wie der Umsatz. Die Quote ist die Kennzahl, die monatlich zu beobachten ist; eine Aufschlüsselung des Rabatts nach Kostenträger würde sagen, ob das Wachstum vertraglich (öffentliche Versicherung) oder kommerziell (Selbstzahler-Kampagnen) ist. Diese Aufschlüsselung ist heute nicht in diesem Modell; sie hinzuzufügen ist eine Änderung in Data Studio, keine Änderung am Agenten.

Die Findings, auf denen das beruht

Finding 2

Kostenträgermix-Verschiebung mit Rabattwachstum: Selbstzahleranteil 61.78 % → 55.44 % des Umsatzes ohne VAT, während Anteil öffentliche Versicherung 24.09 % → 29.74 % — Rabattbetrag +52.46 %, Rabattquote 6.20 % → 8.25 %

severity criticaldirection downnovelty newtrust AAufschlüsselung PAYER_TYPE = Out-of-pocket

Auf der Basis ohne VAT betrug der Selbstzahlerumsatz 5.91 M € von 10.66 M € im August 2026 (55.44 %) gegenüber 5.77 M € von 9.34 M € ein Jahr zuvor (61.78 %) — ein Anteilsverlust von 6.34 Punkten, während der absolute Betrag noch wuchs. Der Umsatz der öffentlichen Versicherung stieg von 2.25 M € (24.09 %) auf 3.17 M € (29.74 %); der Umsatz der privaten Versicherung von 1.32 M € (14.13 %) auf 1.58 M € (14.82 %). Im selben Monat wuchs der Rabattbetrag von 0.61 M € auf 0.93 M € (+52.46 %), über der critical-Schwelle von 40 %, was die Quote Rabatt zu Bruttoumsatz von 6.20 % auf 8.25 % brachte. Die beiden Fakten stehen nebeneinander, und diese Aufzeichnung verknüpft sie nicht: Das versicherte Segment trug das Umsatzwachstum, und der Rabattbetrag wuchs schneller als der Umsatz. Welcher Kostenträger den Rabatt erhalten hat, lässt sich hier nicht lesen — die Rabattkennzahl ist in diesem Modell nicht nach Kostenträger aufgeschlüsselt.

Was dieser Lauf nicht sehen konnte.

Die Kosten- und Margenkennzahlen in diesem Modell geben einen Source Execution Error zurück und sind in der Modellnotiz als broken markiert; jeder Kostensatz, den der Agent entwarf, wurde zurückgehalten. Der Rabatt ist nicht nach Kostenträger aufgeschlüsselt. Die Terminseite des Modells gibt leer zurück, ein Vergleich des Umsatzes gebucht versus Walk-in lässt sich hier also nicht bauen — das ist eine Lücke im Modell, kein Finding.

VeranschaulichendSet 3Ambulanz-Zugangs-Agent
Persona
Liest das Terminbuch und die Ambulanztür: No-Shows, späte Absagen, Vorlaufzeiten, Walk-in-Anteil und Kliniklast; unterscheidet "Patienten kamen nicht" von "Patienten kamen nicht hinein". · Zielgruppe: Leitung des Ambulanzbetriebs, Klinikkoordinatoren, Callcenter-Leitung. · Tonfall: schlicht und operativ. · Ausgabesprache: en
Signale, die er beobachtet
(1) No-Show-Rate nach Klinik und Buchungskanal, ggü. Vormonat und gegen denselben Monat des Vorjahres. (2) Vorlaufzeit — Tage von Buchung bis Termin — neben die No-Show-Rate derselben Klinik gestellt, ohne kausale Behauptung. (3) Späte Absagen (innerhalb von 24 Stunden) als eigene Zeile getrennt von No-Shows. (4) Walk-in-Anteil an allen Ambulanzbesuchen. (5) Slot-Auslastung der Kliniken, wo die Slot-Kennzahl existiert.
Schwellen, die ihm vorgegeben wurden
Finding 15 % · critical 40 % · Verhältniskennzahlen 8 % · Mindestanteil 2 % der gebuchten Termine · Schweregrad-Regel: medium, wenn eine Schwelle überschritten wird, high, wenn sich eine Verhältniskennzahl um mehr als 1.25× ihre Schwelle bewegt oder eine Zählkennzahl um mehr als 1.5× die Finding-Schwelle, critical oberhalb der critical-Schwelle; ein ongoing-Thema behält den Schweregrad, der ihm gegeben wurde

Laufkopf

  • Geplant täglich, 06:00, Europe/Istanbul
  • Zeitraum: August 2026 vs. Juli 2026 (ggü. Vormonat — August hat 21 Kliniktage, Juli 23; Raten sind je gebuchten Termin, die Tageszahl verzerrt sie also nicht), mit August 2025 als zweitem Vergleich, wo die Kennzahl existiert
  • Daten vollständig bis 2026-09-21, gemessen über max(APPOINTMENT_DATE), vor 5 Stunden
  • Bereich: Der Agent läuft unter dem Ambulanzbereich (drei Campus, keine Umsatzkennzahlen)
  • Modell: das freigegebene Modell des Arbeitsbereichs
  • Kosten: auf dem Lauf festgehalten
Brief

August 2026: No-Shows 8.98 % → 10.51 % der gebuchten Termine, Cardiology bei 14.20 % mit einer Vorlaufzeit von 11.4 Tagen — Walk-ins jetzt 31.20 % der Besuche

Annahmenstreifen

Der Vergleich ggü. Vormonat (August vs. Juli 2026) wurde verwendet, weil die Terminkennzahlen in 2026-01 beginnen und keinen Vorjahreswert haben. Die Kennzahl des dritten nächstverfügbaren Termins gab für zwei Campus keine Zeilen zurück; das wird als data state festgehalten, nicht als Finding.

Einer von zehn gebuchten Terminen im August wurde weder wahrgenommen noch abgesagt: 6,140 von 58,420 (10.51 %), gegenüber 8.98 % im Juli, bei unverändert 5.41 % späten Absagen. Cardiology sticht mit 14.20 % heraus und trägt auch die längste Wartezeit von Buchung bis Termin, 11.4 Tage gegenüber einem Verbundmittel von 4.8; die beiden Linien bewegen sich diesen Monat gemeinsam, und die Daten sagen nicht, welche welche treibt. Unterdessen trug die Ambulanztür mehr von der Last: Walk-ins waren 31.20 % von 71,400 Besuchen, gegenüber 28.79 % zuvor, während die wahrgenommenen Termine flach blieben. Die Zahl, die der Agent für "durch No-Shows verlorene Besuche" schrieb, wurde zurückgehalten — sie hatte keine Abfrage hinter sich.

covers: Finding 1, Finding 2

— Lauf: täglich, das freigegebene Modell des Arbeitsbereichs, Daten vollständig bis 2026-09-21. Guard Ledger: held 1 — Kandidat f-03, Grund numeric_provenance: Token etwa 900 (verlorene Besuche) hat keine Adresse und keine Operation; strukturell verworfen 1 — Kandidat r-03 trug keinen based_on-Link (Gate 0); data state 1 — third_next_available gab für zwei Campus 0 Zeilen zurück; duplicate 0.

Recommendation 1

August-No-Shows nach Buchungskanal (Callcenter · App · Überweisung) für Cardiology und Dermatology nebeneinander aufschlüsseln

based_on: Finding 1 · Verantwortlich: Leitung des Ambulanzbetriebs, mit der Callcenter-Leitung

Ist die No-Show-Rate in Cardiology über die Kanäle einheitlich, ist die Vorlaufzeit der Ort, an dem zu suchen ist; ist sie in einem Kanal konzentriert, ist es der Bestätigungsschritt des Kanals. Die Dimension Buchungskanal ist in diesem Modell. Das Erinnerung-gesendet-Flag ist es nicht — bis es das ist, lassen sich "vergessen" und "aufgegeben" aus diesen Daten nicht unterscheiden.

Die Findings, auf denen das beruht

Finding 1

No-Show-Rate 8.98 % → 10.51 % der gebuchten Termine (+1.53 Punkte, +17.03 %) — Cardiology bei 14.20 % mit einer mittleren Vorlaufzeit von 11.4 Tagen gegenüber einem Verbundmittel von 4.8 Tagen

severity highdirection upnovelty newtrust AinterpretiveAufschlüsselung CLINIC = Cardiology

Von 58,420 Terminen, gebucht für August 2026, wurden 6,140 weder wahrgenommen noch abgesagt (10.51 %), gegenüber 5,110 von 56,900 im Juli (8.98 %); die Quote bewegte sich um +17.03 %, 2.13× die Verhältnisschwelle von 8 % — severity high. Späte Absagen sind eine eigene Zeile und blieben bei 5.41 % (3,160). Cardiology trägt die höchste Rate — 612 No-Shows von 4,310 Buchungen (14.20 %) — und die längste mittlere Vorlaufzeit von Buchung bis Termin, 11.4 Tage gegenüber einem Verbundmittel von 4.8. Dermatology, mit einer Vorlaufzeit von 3.1 Tagen, steht bei 6.90 % (297 von 4,304). Über die neun Kliniken hinweg haben die vier mit einer mittleren Vorlaufzeit über 7 Tagen alle No-Show-Raten über 12.00 %, und die fünf unter 5 Tagen liegen alle unter 9.00 % — das Ergebnis auf Klinikebene ist im Lauf. Dass sich die beiden Linien gemeinsam bewegen, ist eine interpretative Lesart und ist so gekennzeichnet; diese Daten zeigen nicht, dass das eine das andere verursacht, und das Erinnerung-gesendet-Flag, das "vergessen" von "Warten aufgegeben" trennen würde, ist nicht in diesem Modell.

Recommendation 2

Vorlaufzeit und No-Show-Rate von Cardiology auf eine gemeinsame wöchentliche Beobachtung setzen und aufhören, eine von beiden allein zu lesen

based_on: Finding 1, Finding 2 · Verantwortlich: Klinikkoordinator, Cardiology

Die beiden Linien bewegten sich im August gemeinsam; eine wöchentliche Beobachtung wird zeigen, ob sie das weiter tun, wenn sich die Vorlaufzeit ändert. Der Agent wird das Thema in nachfolgenden Läufen mit ongoing stempeln, statt es jede Woche als neu zu melden.

Die Findings, auf denen das beruht

Finding 2

Walk-in-Anteil 28.79 % → 31.20 % der Ambulanzbesuche (+8.37 %): Walk-ins +11.68 %, während wahrgenommene Termine −0.47 %

severity mediumdirection upnovelty newtrust AinterpretiveAufschlüsselung VISIT_TYPE = Walk-in

Die Ambulanzbesuche summierten sich im August 2026 auf 71,400: 49,120 wahrgenommene Termine und 22,280 Walk-ins (31.20 %). Im Juli lag der Walk-in-Anteil bei 28.79 % (19,950 von 69,300). Wahrgenommene Termine bewegten sich von 49,350 auf 49,120 (−0.47 %), unter jeder Schwelle, das Wachstum der Besuche ist also allein die Walk-in-Zeile (+11.68 %); der Anteil bewegte sich um +8.37 % in einer Verhältniskennzahl, knapp über der Schwelle von 8 % — severity medium. Gelesen neben Finding 1, ist das Muster ein Hinweis darauf, dass Patienten, die keinen nahen Termin bekommen, stattdessen an die Tür kommen — dieser Satz ist interpretativ und ist so gekennzeichnet; das Modell hat keine Verknüpfung auf Patientenebene zwischen einem versäumten Termin und einem späteren Walk-in, und der Agent behauptet keine.

Data state

Data state (kein Finding): Die Kennzahl dritter nächstverfügbarer Termin gab für Campus B und Campus C im August keine Zeilen zurück. Kein Schweregrad, keine Recommendation beruht darauf; der Modellverantwortliche wird benachrichtigt.

Was dieser Lauf nicht sehen konnte.

Das Erinnerung-gesendet-Flag und die Verknüpfung auf Patientenebene zwischen einem versäumten Termin und einem späteren Walk-in sind nicht in diesem Modell. Die Kennzahl des dritten nächstverfügbaren Termins ist für zwei Campus leer. Umsatz liegt bewusst außerhalb des Bereichs dieses Agenten — den liest der CFO-Agent.

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

01Sieht der Agent Patientennamen?

Nein. Patientenname und Wohnviertel sind im Modell als personenbezogen markiert; der Agent kann nicht nach ihnen aufschlüsseln, und Bezeichnungen werden per Regel auf Initialen verkürzt.

02Verlassen die Daten das Krankenhaus?

Nein. Die Runtime wird neben Ihrem Warehouse installiert; die Gateways sind nur lesend; Zugangsdaten bleiben auf Ihren Servern. Das Modell erhält versiegelte Abfrageergebnisse, nie die Tabellen.

03Kann es unser OP-System und unser KIS zusammen lesen?

Nur das, was das importierte semantische Modell verknüpft. Sind die beiden getrennte Sterne ohne Brücke, sagt der Agent das und baut den Vergleich im Satz, nie mit einem Proxy-Join.

04Was, wenn eine Kennzahl in unserem Warehouse defekt ist?

Die Modellnotiz markiert sie als broken; der Agent fragt sie nie ab; jeder Satz, der sie verwendet hätte, wird sichtbar mit seiner Begründung zurückgehalten.

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 Krankenhaus schon hat

Krankenhausinformationssystem / EHR-Behandlungsfälle (Aufnahmen, Entlassungen, Verlegungen, ED-Ankünfte und -Abgänge), Abrechnung und Revenue Cycle (Leistungen, Kostenträger, Rabatte, Ziele, Forderungen und Ablehnungen, wo ein Revenue-Cycle-System existiert), OP-Planung, ambulantes Terminbuch, Labor- und Bildgebungsaufträge, HR-Dienstplan (Personalstärke nach Schicht, im Modell nie nach Person). Typische Warehouse-Granularität: eine Zeile je Behandlungsfall oder je Leistungszeile, täglich.

02Angenommenes semantisches Modell — das Minimum für die drei Personas
Kennzahlen
patient_count · encounter_count · procedure_count · gross_revenue · net_revenue (ohne VAT) · discount_amount · target_revenue · Kostenträger-Umsatzkomponenten (Selbstzahler, öffentliche Versicherung, private Versicherung, international) · revenue_per_patient (von der Engine abgeleitetes Verhältnis) · bed_days · available_bed_days · admissions · discharges · alos (von der Engine abgeleitet: bed_days / discharges) · ed_visits · ed_left_without_being_seen · ed_door_to_provider_minutes (Mittel) · readmissions_30d · theatre_cases · theatre_minutes_used · theatre_minutes_available · appointments_booked · appointments_attended · no_shows · late_cancellations · walk_in_visits · appointment_lead_time_days (Mittel).
Dimensionen
Datum (Aufnahme / Entlassung / Behandlungsfall) · Campus · Abteilung / Klinik · Leistungsbereich / Chirurgiegruppe · Kostenträgerart · Aufnahmeart (elektiv / Notfall) · Schicht (Tag / Nacht) · Nationalität (inländisch / international) · Altersgruppe · Geschlecht · Diagnosegruppe · Buchungskanal. Als personenbezogen markiert und nie aufgeschlüsselt nach: Patientenname, Wohnviertel, Arztname (bei Bedarf Arztgruppe verwenden).
Datenrand
von der Engine gemessen über max(discharge_date) oder max(encounter_date); das Modell erklärt, welches.
03Angenommene KPIs — was Krankenhausleitungen verfolgen
KPIDefinitionEinheitTypische BandbreiteÜbliche Aufschlüsselung
Bettenauslastungbelegte Belegungstage / verfügbare Belegungstage%75–85 %Campus · Station · Leistungsbereich
Durchschnittliche Verweildauer (ALOS)Belegungstage / EntlassungenTage4–6 akut, je nach Leistungsbereich unterschiedlichLeistungsbereich · Aufnahmeart
ED-Left-Without-Being-Seen-RateED-Abgänge vor Arztkontakt / ED-Besuche%< 2 % Ziel; 2–5 % üblichCampus · Schicht
ED-Door-to-Provider-ZeitMedian oder Mittel der Minuten von Ankunft bis erstem Arztkontaktmin20–40 minSchicht · Campus
30-Tage-WiederaufnahmerateWiederaufnahmen innerhalb von 30 Tagen / Index-Entlassungen%6–15 % je nach Case-Mix und DefinitionLeistungsbereich · Diagnosegruppe
OP-Auslastunggenutzte Minuten / verfügbare Minuten (innerhalb der Sitzung)%70–80 %OP-Saal · Chirurgiegruppe
Absagerate von Operationen am OP-Tagam Tag selbst abgesagt / geplant%2–8 %Chirurgiegruppe · Grund
Ambulante No-Show-RateNo-Shows / gebuchte Termine%5–12 %Klinik · Buchungskanal
Termin-VorlaufzeitTage von Buchung bis Termin (Mittel oder dritter nächstverfügbarer Termin)TageklinikspezifischKlinik
Umsatz je Patient / je BehandlungsfallNettoumsatz / PatientenWährungmodellspezifischKostenträger · Leistungsbereich
KostenträgermixAnteil des Nettoumsatzes nach Kostenträgerart%länderspezifischKostenträger · Campus
Rabatt-zu-Umsatz-Quotediscount_amount / gross_revenue%modellspezifisch; die Richtung zählt mehr als die HöheKostenträger · Leistungsbereich
ZielerreichungIst-Umsatz / Ziel-Umsatz, nur volle Monate%—Campus · Leistungsbereich
Nachtschicht-AnteilBehandlungskontakte in der Nachtschicht / alle Behandlungskontakte%25–40 %Campus · Abteilung

Verwandt

Wohin diese Seiten führen

Die Abteilungen, zu denen diese Personas gehören

Auf dieser Website