Does the agent see patient names?

No. Patient name and neighbourhood are marked personal in the model; the agent cannot break down by them, and labels reduce to initials by rule.

Does the data leave the hospital?

No. The runtime installs next to your warehouse; the gateways are read-only; credentials stay on your servers. The model receives sealed query results, never the tables.

Can it read our theatre system and our HIS together?

Only what the imported semantic model joins. If the two are separate stars with no bridge, the agent says so and builds the comparison in the sentence, never with a proxy join.

What if a metric is broken in our warehouse?

The model note marks it broken; the agent never queries it; every sentence that would have used it is held with its reason, visibly.

Çözümler · sektöre göre · sağlık kuruluşları

Hastaneler: yatak, hasta, ödeyici kurum ve gelir kalemi, her sabah okunur

CIO / CMIO (veri kendi sunucularınızda kalır; satır bazlı kapsam; kişisel veri maskeleme) · CFO (gelir dinamiği, ödeyici kurum dağılımı, iskonto, hedef) · Başhekim (akış ve kalite) · COO / poliklinik direktörü (erişim ve kapasite). Alıcı genellikle CFO ile birlikte CIO'dur; günlük okuyucu başhekimdir.

Sorular

Bir hastane yönetim kurulunun her ay sorduğu üç soru

Doluluk daha çok hasta yatırdığımız için mi arttı, yoksa hastalar daha uzun kaldığı için mi?
Gelir büyümesini hangi ödeyici kurum taşıyor ve bu iskonto olarak neye mal oldu?
Hastaları görmeden önce nerede kaybediyoruz — acil servis kapısında mı, randevu defterinde mi?

Sohbette

İnsanların sohbete yazdığı örnek sorular

derinleştirme yolu — finding'in kanıtı dondurulmuş olarak taşınır; yeni bir sayı yeni bir sorgu gerektirir ve agent bunu söyler

"General Surgery ALOS kaymasını yatış türüne göre kır."
"Gece vardiyasında görülmeden ayrılma oranı üç kampüste de aynı mı?"
"Ağustosta KDV hariç en hızlı büyüyen ödeyici kurum hangisi?"
"Kardiyolojide randevuya gelmeyenleri rezervasyon kanalına göre göster."
"Veri ne kadar güncel?"

Personalar

Üç örnek agent

Aşağıdaki agent'lar bu sektör için örnektir, sabit bir küme değildir: Başhekim Ajanı · Hastane CFO Ajanı · Poliklinik Erişim Ajanı. Her birinin zamanlanmış koşusu, takip eden örnek setlerinde gösterilir.

Set 1

Başhekim Ajanı

Hedef kitle: başhekim, servis sorumluları, acil servis sorumlusu.

Set 2

Hastane CFO Ajanı

Hedef kitle: CFO, yönetim kurulu, kampüs direktörleri — sayıyı zaten gören ama onu neyin oluşturduğunu görmeyen kişiler.

Set 3

Poliklinik Erişim Ajanı

Hedef kitle: poliklinik operasyon müdürü, klinik koordinatörleri, çağrı merkezi sorumlusu.

Bir agent'ın adı hangi ölçüleri kimin için okuduğunu söyler. Rolün yetkisinin hiçbirini taşımaz: karar vermez, onaylamaz, eyleme geçmez.

Seçtiğiniz konular için agent'lar

Bir agent bir görev tanımı, bağlanmış bir Business Overlay ve bir zamanlamadır — kod değil — dolayısıyla izlediği konuları siz belirlersiniz: bir ödeyici kurum, bir hizmet hattı, bir kampanya, bir tedarikçi. İlklerini sizinle birlikte yazarız.

Agent'larınızı bizimle birlikte kurun →

Örnek setleri

Üç örnek seti, her biri bir koşu

Her set bir agent personası ve bir zamanlanmış koşunun çıktısıdır — brief, recommendation'lar ve dayandıkları finding'ler — ürünün kendi kayıt zarfında. İlk set açıktır; diğer ikisi daraltılmıştır. Setlerin varsaydığı model ve ölçüler sayfanın altında listelenir.

Örnek niteliğindeSet 1Başhekim Ajanı

Persona: Tek bir metropol alanında üç kampüsü olan 380 yataklı özel bir hastane grubu için klinik akışı ve kaliteyi okur; "daha çok hasta"yı "daha uzun yatış"tan, "daha çok başvuru"yu "daha çok görülmeden ayrılma"dan ayırır. · Hedef kitle: başhekim, servis sorumluları, acil servis sorumlusu. · Ton: doğrudan, sayı odaklı, sıfatsız; verinin iki açıklamayı ayıramadığı yerde bunu söyler. · Çıktı dili: en
İzlediği sinyaller: (1) Vaka karması değişimi olmadan yatış süresi kayması — taburcular düşerken yatak günleri artıyor. (2) Vardiyaya göre acil servisten görülmeden ayrılanlar — LWBS oranı ve kapıdan hekime dakikaları yan yana. (3) Yeniden yatış izleme çizgisi — hizmet hattına göre 30 günlük yeniden yatışlar, 8 % izleme çizgisine karşı, yalnızca tam aylar. (4) Ameliyathane süresi — kullanılan dakikalar kullanılabilir dakikalara karşı ve aynı gün iptaller. (5) Doluluk bileşimi — doluluk değişiminin kabul değişimi ve yatış süresi değişimi olarak ayrıştırılması.
Verilen eşikler: finding 15 % · critical 40 % · oran metrikleri (ALOS, oranlar, paylar) 8 % · asgari pay ağın yatak günlerinin 2 % payı · yeniden yatış izleme çizgisi 8.00 % · severity kuralı: bir eşik aşıldığında medium, bir oran metriği eşiğinin 1.25× katından fazla veya bir sayım metriği finding eşiğinin 1.5× katından fazla hareket ettiğinde high, critical eşiğinin üzerinde critical; ongoing bir konu kendisine verilen severity'yi korur

Koşu başlığı

Zamanlanmış haftalık, Pazartesi 05:30, Europe/Istanbul
Dönem: Ağustos 2026 (tam ay, 31 gün, 21 hafta içi günü) vs Ağustos 2025 (31 gün, 21 hafta içi günü); yeniden yatışlar Temmuz 2026 indeks taburcuları üzerinden (30 günlük pencere kapanmış olmalı)
Veri şu tarihe kadar tam: 2026-09-19, max(DISCHARGE_DATE) ile ölçüldü, 6 saat önce
Kapsam: bu veri modelinde satır bazlı erişim kuralları var; agent klinik operasyon kapsamı altında çalışır (tüm kampüsler, ödeyici kurum tutarları yok)
Model: çalışma alanının onaylı modeli, koşuya yazıldı
Maliyet: koşuya kaydedildi

Brief

Ağustos 2026: General Surgery yatak günleri daha az kabul ve daha uzun yatışlarla arttı — gece vardiyasında acil servisten görülmeden ayrılanlar 5.89 %, Internal Medicine yeniden yatışları ongoing

Varsayımlar şeridi

Bir dönem belirtmediniz; son tam ay (Ağustos 2026) varsayıldı. Yeniden yatışlar, 30 günlük pencere kapanmış olsun diye Temmuz 2026 indeks taburcuları üzerinden ölçüldü. Ödeyici kurum tutarları bu agent'ın kapsamı dışındadır ve görünmez.

Ağın 79.90 % olan Ağustos doluluğu (11,780 yatak gününün 9,412'si), General Surgery'de daha az ve daha uzun yatışlarla geldi: servis bir yıl öncesine göre 1.96 % daha az hasta kabul etti ve 3.16 % daha az taburcu etti, ancak 7.79 % daha fazla yatak günü kullandı; ortalama yatış süresini 4.86'dan 5.41 güne (+11.30 %), servis doluluğunu ise 84.89 % seviyesine taşıdı. Acil kapısında tablo tersi — daha çok başvuru (+4.60 %) ve görülmeden ayrılan daha çok kişi: görülmeden ayrılma oranı 2.14 % seviyesinden 3.47 % seviyesine yükseldi ve yükseliş gece vardiyasında; orada 3,412 ziyaretin 5.89 % payı hekim teması olmadan sonlandı ve ortalama kapıdan hekime süresi 61 dakikaydı. Internal Medicine'in 30 günlük yeniden yatış oranı 8.85 % ile üst üste üçüncü ay 8.00 % izleme çizgisinin üzerinde kaldı; ağ oranı 6.10 %. Ameliyathane ekseni bu koşuda güncellenmedi.

covers: Finding 1, Finding 2, Finding 3

— Koşu: haftalık, çalışma alanının onaylı modeli, veri şu tarihe kadar tam: 2026-09-19. Guard Ledger: held 1 — aday f-05 (ameliyathane kullanımı), gerekçe numeric_provenance: 71 % belirteci bu koşuda hiçbir zarfa çözümlenmedi; not_selected 0; duplicate 0.

Recommendation 1

General Surgery yatak günlerini Ağustos için kabul türüne ve cerrahi grubuna göre, kendi Ağustos 2025 değerlerine karşı ayır — kayma beş gruptan üçünde

based_on: Finding 1 · sorumlu: Cerrahi Başkanı, taburcu planlamasıyla birlikte

Yatış süresi kayması servis düzeyinde bir olgudur, henüz bir neden değildir. ALOS artışı acil kabullerle sınırlıysa ön kapının aciliyet düzeyi değişmiştir; elektif kabullerdeyse bir sonraki ölçümün gideceği yer taburcu sürecidir. Her iki kesit de bu modelde vardır ve her biri bir sorguya mal olur. Vaka karması endeksi bu modelde yoktur; cerrahi grupları meseleyi çözmezse, bir sonraki çeyrek değerlendirmesinden önce eklenecek metrik budur.

Dayandığı finding'ler

Finding 1

Yatış süresi kayması: General Surgery ALOS 4.86 → 5.41 gün (+11.30 %), taburcular −3.16 % iken — yatak günleri daha az kabulle +7.79 %

severity highdirection upnovelty newtrust Akırılım SERVICE_LINE = General Surgery

Ağustos 2026'da General Surgery, Ağustos 2025'teki 412 hastaya karşı 399 hasta taburcu etti (−3.16 %), ancak yatak günleri 2,002'den 2,158'e yükseldi (+7.79 %). Ortalama yatış süresi (bed_days / discharges) 4.86'dan 5.41 güne çıktı (+11.30 %), 8 % oran eşiğinin 1.41× katı — severity high. Aynı penceredeki kabuller 409'a karşı 401'di (−1.96 %), herhangi bir eşiğin altında; dolayısıyla fazladan yatak günleri daha çok hasta girişinden gelmedi. General Surgery, ağın 9,412 Ağustos yatak gününün 22.93 % payını tutar; bu yüzden kayma ağ düzeyinde görünür: cerrahi servis doluluğu (dolu / kullanılabilir yatak günleri) bir yıl önceki 78.76 % (2,542'nin 2,002'si) karşısında 84.89 % (2,542'nin 2,158'i); ağ doluluğu 79.90 % (11,780'in 9,412'si). Kayma tekdüze değil: beş cerrahi grubundan üçü bunu gösteriyor, ikisi yatay. Bu veri, vaka karmaşıklığındaki bir değişimi taburcu sürecindeki bir gecikmeden ayıramaz — model vaka karması endeksi taşımaz; cerrahi grubu kırılımı en yakın kesittir ve soruyu çözmez.

Recommendation 2

Gece vardiyası görülmeden ayrılma oranını, yanında kapıdan hekime dakikalarıyla, kampüse göre haftalık izlemeye al

based_on: Finding 2 · sorumlu: acil servis sorumlusu ve hemşirelik direktörü

Tam ay görülmeden ayrılma oranı, gündüz oranının neredeyse üç katı olan bir gece vardiyası oranını gizler. Kampüse göre haftalık bir izleme, yükselişi bir kampüsün mü yoksa üçünün de mi taşıdığını gösterecektir; agent üçüncü kez uyarı vermek yerine konuyu ongoing olarak damgalayacaktır. Personel çizelgesi bu modelde yoktur — hemşirelik direktörü bunu kaydın yanında okur.

Dayandığı finding'ler

Finding 2

Gece vardiyasında görülmeden ayrılanlar: acil servis ziyaretleri +4.60 % iken acil servisten görülmeden ayrılanlar ziyaretlerin 2.14 % → 3.47 % payına çıktı (+62.08 %) — yükseliş 20:00–08:00 vardiyasında, 5.89 %

severity criticaldirection upnovelty newtrust Akırılım SHIFT = Night

acil servis ziyaretleri Ağustos 2026'da bir yıl önceki 9,214'e karşı 9,638'e ulaştı (+4.60 %). Bir hekim görmeden ayrılan hasta sayısı bir yıl önce 197 iken bu yıl 334, dolayısıyla görülmeden ayrılma oranı 2.14 % seviyesinden 3.47 % seviyesine yükseldi — bir oran metriğinde +62.08 % değişim, 40 % critical eşiğinin üzerinde. Yükseliş güne yayılmış değil: gece vardiyası 3,412 ziyaret (ayın 35.40 % payı) ve 201 görülmeden ayrılma (5.89 %) taşıdı; gündüz vardiyasının oranı ise 2.14 % (6,226'nın 133'ü) — geçen yılın tam ay rakamıyla aynı. Gece vardiyasında ortalama kapıdan hekime süresi, gündüz vardiyasındaki 34 dakikaya karşı 61 dakika. Model, vardiyaya göre gelişleri ve ayrılışları taşır ama personel çizelgesini taşımaz; gece vardiyasının eksik personelli olup olmadığı bu veriden okunamaz.

Bu koşuda ayrıca yayımlandı, üzerine dayanan bir recommendation yok

Finding 3

Yeniden yatış izleme çizgisi: Internal Medicine 30 günlük yeniden yatışları üst üste üçüncü ay 8.00 % üzerinde, 8.85 % — ağ 6.10 %

severity mediumdirection upnovelty ongoingtrust Akırılım SERVICE_LINE = Internal Medicine

Temmuz 2026, Internal Medicine'de 486 hasta taburcu edildi; bunların 43'ü 30 gün içinde yeniden yatırıldı (8.85 %). Haziran 8.60 % (477'nin 41'i), Mayıs 8.42 % (463'ün 39'u) idi; çizgi Mayıs'tan beri 8.00 % izleme çizgisinin üzerinde ve agent bunu son iki koşunun her birinde raporladı. Temmuz taburcuları için ağ oranı 6.10 % (2,198'in 134'ü). Internal Medicine'in ağın Temmuz taburcularındaki payı 22.11 %. Bu veri, yeniden yatışların her ay aynı tanı grupları olup olmadığını söyleyemez — tanı grubu kırılımı modelde var, ancak sorgu bütçesi acil servis eksenine harcandığı için bu koşuda açılmadı.

Bu koşunun göremediği.

Ameliyathane süresi sorguları çalıştırılmadı — görülmeden ayrılma sinyali ortaya çıktıktan sonra bütçe acil servis eksenine harcandı ve agent ameliyathane cümlesini hafızadan yazmak yerine bunu söyledi (yazdığı tek cümle tutuldu). Vaka karması endeksi ve personel çizelgesi bu modelde yok. Mortalite metrikleri, çalışma alanı yöneticisi tarafından bu agent'ın kapsamı dışında bırakıldı.

Örnek niteliğindeSet 2Hastane CFO Ajanı

Persona: CFO ve yönetim kurulu için gelir performansı brifingini üretir; gelir kaleminin arkasındaki hasta sayısını, işlem yoğunluğunu, ödeyici kurum karmasını ve hizmet karmasını ayırır; sapmaları yönetilen metriklerle ve bir kanıt zinciriyle açıklar. · Hedef kitle: CFO, yönetim kurulu, kampüs direktörleri — sayıyı zaten gören ama onu neyin oluşturduğunu görmeyen kişiler. · Ton: resmi, ölçülü, yönetici özeti dili; kısa, kesin cümleler. · Çıktı dili: en
İzlediği sinyaller: (1) Gelir–hacim makası — hastalar veya işlemler düşerken gelir artıyor. (2) Hasta başına gelir değişimi — gerçek bir fiyat hareketi ya da daha maliyetli hizmetlere doğru bir karma kayması; kırılım karar verir ve agent ikisini ayırmadan önce "fiyatlar arttı" demez. (3) Ödeyici kurum karması — KDV hariç bazda cepten ödeme ile sigortalı payları; bir karma kayması geliri değiştirmeden nakit zamanlamasını değiştirir. (4) İskonto büyümesi — discount_amount'ın gelirden hızlı büyümesi, aynı gelirin daha fazla iskontoyla satın alındığı anlamına gelir. (5) Hedef sapması — gerçekleşen ile hedef, yalnızca tam aylar, farkın kaynağıyla birlikte (hangi kampüs, hangi ödeyici kurum). (6) Yoğunlaşma — tek bir ödeyici kuruma bağımlılık.
Verilen eşikler: finding 15 % · critical 40 % · makas 10 puan · oran metrikleri 8 % · asgari pay brüt gelirin 1 % payı · severity kuralı: bir eşik aşıldığında medium, bir oran metriği eşiğinin 1.25× katından fazla veya bir sayım metriği finding eşiğinin 1.5× katından fazla hareket ettiğinde high, critical eşiğinin üzerinde critical; ongoing bir konu kendisine verilen severity'yi korur

Koşu başlığı

Zamanlanmış aylık, ayın 3'ünde, 06:00, Europe/Istanbul
Dönem: Ağustos 2026 (tam ay) vs Ağustos 2025 — eşit takvim günü
Veri şu tarihe kadar tam: 2026-09-20, max(ENCOUNTER_DATE) ile ölçüldü (muayene tarihi, kayıt tarihi değil; geç kaydedilen ücretler sınırın dışında), 9 saat önce
Kapsam: bu agent'a bağlı satır bazlı kural yok — koşu her satır üzerinde üretildi
Model: çalışma alanının onaylı modeli, koşuya yazıldı
Maliyet: koşuya kaydedildi

Brief

Ağustos 2026: hastalar −3.32 % iken gelir fiyat ve karma ile +14.53 % — cepten ödeme payı 55.44 % seviyesine düştü, iskonto oranı 6.20 % → 8.25 %, Campus B hedefe karşı −12.38 %

Varsayımlar şeridi

Bir dönem belirtmediniz; son tam ay (Ağustos 2026) varsayıldı. Ödeyici kurum payları KDV hariç bazda hesaplandı ve öyle etiketlendi; toplam gelir cümlesi KDV dahil metriği kullanır. Bu agent'a bağlı satır bazlı kural yok; koşu her satır üzerinde üretildi.

Ağustos geliri 11.27 M € oldu; karşılaştırma ayı Ağustos 2025, gelir onun 14.53 % üzerinde, ancak bunu 3.32 % daha az hasta ve 2.28 % daha az işlem üretti: hasta başına gelir 18.47 % arttı; bu sayılarda büyüme hacim kaynaklı değil ve model tarifeyi yoğunluktan veya karmadan ayırmaz. Karma sigortalı ödeyici kurumlara doğru kaydı — cepten ödeme KDV hariç gelirin 61.78 % payından 55.44 % payına düşerken kamu sigortası 24.09 % payından 29.74 % payına yükseldi — ve iskonto tutarı 52.46 % büyüyerek iskonto oranını 6.20 % seviyesinden 8.25 % seviyesine taşıdı. Hedefe karşı ağ −5.29 % düzeyinde ve tek başına Campus B (−12.38 %), hedefin altındaki iki kampüsün birleşik açığının 80.00 % payını taşıyor. Maliyet tarafı bu koşuda raporlanamadı.

covers: Finding 1, Finding 2, Finding 3

— Koşu: aylık, çalışma alanının onaylı modeli, veri şu tarihe kadar tam: 2026-09-20. Guard Ledger: held 2 — adaylar f-06 ve r-03 (maliyet tarafı), gerekçe protocol_cost metriğinde source_execution_error (zarf e7 boş); duplicate 1 — aday f-04 (kampüse göre yeniden ifade edilen ödeyici kurum payı) parmak izi eşleşmesiyle (metrik + dönem + hücre) Finding 2 ile birleştirildi; not_selected 0.

Recommendation 1

Campus B'nin Ağustos gelirini kendi hedefine karşı ödeyici kurum türüne göre kır ve hasta sayısını yanına koy — kampüs, iki kampüsün birleşik açığının 80.00 % payını taşıyor

based_on: Finding 3, Finding 1 · sorumlu: CFO, Campus B direktörüyle birlikte

Ağın açığı Campus B'nin açığıdır. Campus B'nin hasta sayısı geliriyle uyumlu düştüyse fark hacimdir ve soru hasta erişimine aittir; hasta sayısı korunurken gelir düştüyse fark ödeyici kurum veya hizmet karmasıdır. Her iki kesit de bu modelde vardır. Hedefin yöntemi ise değildir — finans ekibi, yönetim kurulu bu kaydı okumadan önce üç kampüs hedefinin aynı temelde belirlendiğini teyit etmelidir.

Dayandığı finding'ler

Finding 3

Hedef sapması tek kampüste yoğunlaştı: Campus B −12.38 %, Campus C −5.00 %, Campus A +0.39 % iken ağ Ağustos hedefine karşı −5.29 %

severity highdirection downnovelty newtrust Akırılım CAMPUS = B

11.90 M € olan Ağustos 2026 hedefine karşı brüt gelir 11.27 M € oldu (−5.29 %). Campus A 5.10 M € hedefe karşı 5.12 M € (+0.39 %); Campus B 4.20 M € hedefe karşı 3.68 M € (−12.38 %); Campus C 2.60 M € hedefe karşı 2.47 M € (−5.00 %) getirdi. Campus B'nin sapması, hedef gerçekleşmesi için 8 % oran eşiğinin 1.55× katı — severity high; ağ rakamı (−5.29 %) eşiğin altında ve kendi başına bir finding olarak değil, çerçeve olarak raporlanır. Campus B, iki kampüsün birleşik açığının 80.00 % payını oluşturur (0.65 M €'nun 0.52 M €'su). Karşılaştırma, agent'ın kuralları gereği yalnızca tam ay üzerinde yapılır; Eylül kısmi olduğundan karşılaştırılmaz. Campus B'nin hedefinin diğerlerinden farklı bir temelde belirlenip belirlenmediği bu veriden okunamaz — hedef metriği kendi yöntemine dair bir not taşımaz.

Finding 1

Gelir–hacim makası: hastalar −3.32 % ve işlemler −2.28 % iken brüt gelir yıllık +14.53 % — 17.85 puanlık fark; hasta başına gelir +18.47 %

severity highdirection upnovelty newtrust Akırılım — (ağ)

Ağustos 2026 brüt geliri, Ağustos 2025'teki 9.84 M € karşısında 11.27 M € oldu (+14.53 %). Aynı ayda hasta sayısı 41,230'dan 39,860'a (−3.32 %) ve işlem sayısı 188,400'den 184,100'e (−2.28 %) düştü. Gelir değişimi ile hasta sayısı değişimi arasındaki fark 17.85 yüzde puanı, 10 puanlık makas eşiğinin 1.79× katı — severity high. Hasta başına gelir 238.66 €'dan 282.74 €'ya çıktı (+18.47 %). Gösterilen sayılarda büyüme hacim kaynaklı değil; bunu bir tarife değişikliğinin mi, hasta başına daha yüksek hizmet yoğunluğunun mu, yoksa daha maliyetli hizmet hatlarına kaymanın mı ürettiği bu kayıtta ayrılmamıştır — bu modeldeki hizmet hattı kırılımı gelirin 80 % payını bir "atanmamış alt tür" üyesine atar, dolayısıyla meseleyi çözecek kesit burada güvenilir değildir.

Recommendation 2

İskonto/gelir oranını aylık izlemeye al ve bir sonraki model sürümünde iskonto metriğinin ödeyici kuruma göre kırılmasını iste

based_on: Finding 2 · sorumlu: fiyatlandırma ve sözleşme sorumlusu, veri modeli sahibiyle birlikte

Ağustos'ta iskonto gelirden dört kat hızlı büyüdü. Aylık izlenecek metrik orandır; büyümenin sözleşmesel mi (kamu sigortası) yoksa ticari mi (cepten ödeme kampanyaları) olduğunu söyleyecek olan, iskontonun ödeyici kurum kırılımıdır. Bu kırılım bugün bu modelde yok; eklenmesi bir agent değişikliği değil, bir Model Studio değişikliğidir.

Dayandığı finding'ler

Finding 2

İskonto büyümesiyle ödeyici kurum karması kayması: kamu sigortası payı 24.09 % → 29.74 % iken cepten ödeme payı KDV hariç gelirin 61.78 % → 55.44 % payına düştü — iskonto tutarı +52.46 %, iskonto oranı 6.20 % → 8.25 %

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

KDV hariç bazda cepten ödeme geliri Ağustos 2026'da 10.66 M €'nun 5.91 M €'su (55.44 %) idi; bir yıl önce 9.34 M €'nun 5.77 M €'su (61.78 %) — mutlak tutar hâlâ büyürken 6.34 puanlık pay kaybı. Kamu sigortası geliri 2.25 M €'dan (24.09 %) 3.17 M €'ya (29.74 %); özel sigorta geliri 1.32 M €'dan (14.13 %) 1.58 M €'ya (14.82 %) yükseldi. Aynı ayda iskonto tutarı 0.61 M €'dan 0.93 M €'ya büyüdü (+52.46 %), 40 % critical eşiğinin üzerinde; bu, iskonto/brüt gelir oranını 6.20 % seviyesinden 8.25 % seviyesine taşıdı. İki olgu yan yana durur ve bu kayıt ikisini bağlamaz: gelir büyümesini sigortalı segment taşıdı ve iskonto tutarı gelirden hızlı büyüdü. İskontoyu hangi ödeyici kurumun aldığı burada okunamaz — iskonto metriği bu modelde ödeyici kuruma göre kırılmamıştır.

Bu koşunun göremediği.

Bu modeldeki maliyet ve marj metrikleri kaynak yürütme hatası döndürür ve model notunda bozuk olarak işaretlenmiştir; agent'ın taslağını yazdığı her maliyet cümlesi tutuldu. İskonto ödeyici kuruma göre kırılmamıştır. Modelin randevu tarafı boş döner, bu yüzden burada randevulu-randevusuz gelir karşılaştırması kurulamaz — bu bir finding değil, modeldeki bir boşluktur.

Örnek niteliğindeSet 3Poliklinik Erişim Ajanı

Persona: Randevu defterini ve poliklinik kapısını okur: randevuya gelmeyenler, geç iptaller, bekleme süreleri, randevusuz başvuru payı ve klinik yükü; "hastalar gelmedi"yi "hastalar giremedi"den ayırır. · Hedef kitle: poliklinik operasyon müdürü, klinik koordinatörleri, çağrı merkezi sorumlusu. · Ton: sade ve operasyonel. · Çıktı dili: en
İzlediği sinyaller: (1) Kliniğe ve rezervasyon kanalına göre randevuya gelmeme oranı, aya göre ve geçen yılın aynı ayına karşı. (2) Bekleme süresi — rezervasyondan randevuya geçen gün sayısı — nedensellik iddiası olmadan aynı kliniğin randevuya gelmeme oranının yanına konur. (3) Geç iptaller (24 saat içinde), randevuya gelmeyenlerden ayrı bir satır olarak. (4) Tüm poliklinik ziyaretleri içinde randevusuz başvuru payı. (5) Slot metriğinin bulunduğu yerde klinik slot kullanımı.
Verilen eşikler: finding 15 % · critical 40 % · oran metrikleri 8 % · asgari pay rezerve edilen randevuların 2 % payı · severity kuralı: bir eşik aşıldığında medium, bir oran metriği eşiğinin 1.25× katından fazla veya bir sayım metriği finding eşiğinin 1.5× katından fazla hareket ettiğinde high, critical eşiğinin üzerinde critical; ongoing bir konu kendisine verilen severity'yi korur

Koşu başlığı

Zamanlanmış günlük, 06:00, Europe/Istanbul
Dönem: Ağustos 2026 vs Temmuz 2026 (aya göre — Ağustos'ta 21 klinik günü, Temmuz'da 23; oranlar rezerve edilen randevu başınadır, dolayısıyla gün sayısı onları yanıltmaz), metriğin bulunduğu yerde ikinci karşılaştırma olarak Ağustos 2025 ile
Veri şu tarihe kadar tam: 2026-09-21, max(APPOINTMENT_DATE) ile ölçüldü, 5 saat önce
Kapsam: agent poliklinik kapsamı altında çalışır (üç kampüs, gelir metriği yok)
Model: çalışma alanının onaylı modeli
Maliyet: koşuya kaydedildi

Brief

Ağustos 2026: randevuya gelmeyenler rezerve edilen randevuların 8.98 % → 10.51 % payına çıktı, kardiyoloji 11.4 günlük bekleme süresiyle 14.20 % — randevusuz başvurular artık ziyaretlerin 31.20 % payı

Varsayımlar şeridi

Aya göre karşılaştırma (Ağustos vs Temmuz 2026) kullanıldı; çünkü randevu metrikleri 2026-01'de başlıyor ve bir yıl önceki değerleri yok. Üçüncü ilk uygun randevu metriği iki kampüs için satır döndürmedi; bu bir finding değil, veri durumu olarak kaydedilmiştir.

Ağustos'ta rezerve edilen her on randevudan birine gelinmedi ve iptal de edilmedi: 58,420 randevunun 6,140'ı (10.51 %), Temmuz'daki 8.98 %'den yükseldi; geç iptaller 5.41 %'de değişmedi. Cardiology 14.20 % ile öne çıkıyor ve ayrıca randevu alımından randevuya en uzun beklemeyi taşıyor: 4.8 olan ağ ortalamasına karşı 11.4 gün; iki çizgi bu ay birlikte hareket ediyor ve veri hangisinin hangisini sürüklediğini söylemiyor. Bu arada poliklinik kapısı yükün daha fazlasını taşıdı: randevusuz gelişler 71,400 ziyaretin 31.20 %'iydi, 28.79 %'den yükseldi; katılımlı randevular ise sabit kaldı. Agent'ın "randevuya gelmeme nedeniyle kaybedilen ziyaretler" için yazdığı sayı tutuldu — arkasında sorgu yoktu.

covers: Finding 1, Finding 2

— Koşu: günlük, çalışma alanının onaylı modeli, veri şu tarihe kadar tam: 2026-09-21. Guard Ledger: held 1 — aday f-03, gerekçe numeric_provenance: yaklaşık 900 token'ının (kaybedilen ziyaretler) adresi de işlemi de yok; yapısal düşürme 1 — aday r-03 based_on bağlantısı taşımıyordu (gate 0); veri durumu 1 — third_next_available iki kampüs için 0 satır döndürdü; duplicate 0.

Recommendation 1

Ağustos'taki randevuya gelmemeleri Cardiology ve Dermatology için yan yana, randevu kanalına göre (çağrı merkezi · uygulama · sevk) kırın

based_on: Finding 1 · sorumlu: poliklinik operasyon müdürü, çağrı merkezi lideriyle birlikte

Cardiology randevuya gelmeme oranı kanallar arasında tekdüzeyse bakılacak yer bekleme süresidir; tek bir kanalda yoğunlaşıyorsa o kanalın onay adımıdır. Randevu kanalı boyutu bu modelde var. Hatırlatma-gönderildi bayrağı yok — o eklenene kadar "unuttu" ile "vazgeçti" bu veriden ayırt edilemez.

Dayandığı finding'ler

Finding 1

Rezerve randevularda randevuya gelmeme oranı 8.98 % → 10.51 % (+1.53 puan, +17.03 %) — Cardiology 14.20 %'de, 4.8 günlük ağ ortalamasına karşı 11.4 günlük ortalama bekleme süresiyle

severity highdirection upnovelty newtrust Ainterpretivekırılım CLINIC = Cardiology

Ağustos 2026, rezerve edilen 58,420 randevunun 6,140'ına gelinmediği ve iptal de edilmediği aydı (10.51 %); Temmuz'da 56,900 randevunun 5,110'u (8.98 %). Oran +17.03 % hareket etti, 8 % oran eşiğinin 2.13× katı — severity high. Geç iptaller ayrı bir satırdır ve 5.41 % (3,160) seviyesinde kaldı. En yüksek oranı Cardiology taşıyor — 4,310 rezervasyonun 612'sine gelinmedi (14.20 %) — ve randevu alımından randevuya en uzun ortalama bekleme süresi de onda: 11.4 gün, ağ ortalaması ise 4.8. 3.1 günlük bekleme süresiyle Dermatology 6.90 % seviyesinde (4,304 randevunun 297'si). Dokuz klinik içinde ortalama bekleme süresi 7 günün üzerinde olan dördünün tamamında randevuya gelmeme oranı 12.00 %'nin üzerinde, 5 günün altında olan beşinin tamamında 9.00 %'nin altında — klinik düzeyindeki sonuç koşuda. İki çizginin birlikte hareket ettiği yorumsal bir okumadır ve öyle rozetlenmiştir; bu veri birinin diğerine yol açtığını göstermiyor ve "unuttu" ile "beklemekten vazgeçti"yi ayıracak hatırlatma-gönderildi bayrağı bu modelde yok.

Recommendation 2

Cardiology bekleme süresini ve Cardiology randevuya gelmeme oranını tek bir haftalık izlemeye koyun ve ikisini de tek başına okumayı bırakın

based_on: Finding 1, Finding 2 · sorumlu: klinik koordinatörü, Cardiology

İki çizgi Ağustos'ta birlikte hareket etti; haftalık bir izleme, bekleme süresi değiştiğinde de böyle devam edip etmediklerini gösterecek. Agent sonraki koşularda konuyu her hafta yeni olarak öne çıkarmak yerine ongoing olarak damgalayacak.

Dayandığı finding'ler

Finding 2

Randevusuz geliş payı poliklinik ziyaretlerinin 28.79 % → 31.20 %'i (+8.37 %): randevusuz gelişler +11.68 %, katılımlı randevular ise −0.47 %

severity mediumdirection upnovelty newtrust Ainterpretivekırılım VISIT_TYPE = Walk-in

Ağustos 2026'da poliklinik ziyaretleri toplam 71,400 oldu: 49,120 katılımlı randevu ve 22,280 randevusuz geliş (31.20 %). Temmuz'da randevusuz geliş payı 28.79 % idi (69,300 ziyaretin 19,950'si). Katılımlı randevular 49,350'den 49,120'ye geçti (−0.47 %), herhangi bir eşiğin altında; dolayısıyla ziyaretlerdeki büyüme yalnızca randevusuz geliş satırından geliyor (+11.68 %); pay bir oran metriğinde +8.37 % hareket etti, 8 % eşiğinin hemen üzerinde — severity medium. Finding 1, bu örüntüyle yan yana okunduğunda, yakın tarihe randevu alamayan hastaların bunun yerine kapıya geldiğini düşündürüyor — bu cümle yorumsaldır ve öyle rozetlenmiştir; modelde kaçırılan bir randevu ile sonraki bir randevusuz geliş arasında hasta düzeyinde bağlantı yok ve agent böyle bir bağlantı iddia etmiyor.

Data state

Veri durumu (finding değil): üçüncü ilk uygun randevu metriği Ağustos'ta Campus B ve Campus C için satır döndürmedi. Üzerine hiçbir severity, hiçbir recommendation dayanmıyor; model sahibi bilgilendirilir.

Bu koşunun göremediği.

Hatırlatma-gönderildi bayrağı ile kaçırılan bir randevu ve sonraki bir randevusuz geliş arasındaki hasta düzeyinde bağlantı bu modelde yok. Üçüncü ilk uygun randevu metriği iki kampüs için boş. Gelir tasarım gereği bu agent'ın kapsamı dışındadır — onu CFO agent'ı okur.

Her sayı bir adres taşır

Üründe her rakam bir kanıt adresine bağlanır — zarf, satır, hücre, kontrol eki — ve adresi olmayan bir sayı yayımlanmaz, tutulur. Bir kaydın anatomisi →

Türetilmiş rakamlar işlemini gösterir

Bir değişim, bir pay ya da bir fark engine tarafından hesaplanır ve işlenenlerini taşır; model asla bölme yapmaz. Her sayı nasıl kanıtlanır →

AI yönetişimi yayın katmanıdır

Sekiz deterministik gate, trust seviyesi, rozetli yorum, kapatılamayan bir varsayımlar şeridi ve Guard Ledger. Modelin erişebildiği ve erişemediği yerler →

SSS

Bu sayfaya genellikle sorulan dört soru

01Agent hasta adlarını görür mü?

Hayır. Hasta adı ve mahalle modelde kişisel olarak işaretlidir; agent bunlara göre kırılım yapamaz ve etiketler kural gereği baş harflere indirgenir.

02Veri hastaneden dışarı çıkar mı?

Hayır. Çalışma zamanı veri ambarınızın yanına kurulur; ağ geçitleri salt okunurdur; kimlik bilgileri sunucularınızda kalır. Model mühürlenmiş sorgu sonuçlarını alır, tabloları asla.

03Ameliyathane sistemimizi ve HBYS'mizi birlikte okuyabilir mi?

Yalnızca içe aktarılan semantik modelin birleştirdiği kadarını. İki sistem köprüsüz iki ayrı yıldızsa agent bunu söyler ve karşılaştırmayı asla vekil bir birleştirmeyle değil, cümlenin içinde kurar.

04Veri ambarımızda bir metrik bozuksa ne olur?

Model notu onu bozuk olarak işaretler; agent onu asla sorgulamaz; onu kullanacak her cümle gerekçesiyle, görünür biçimde tutulur.

Ücretsiz veri keşfi çalışması

Bu sinyallerden hangilerini kendi veri ambarınızın taşıyabildiğini görün.

Bize veri platformunuzun adını ve en çok tartıştığınız alanı gönderin. Semantik modelinizi sizinle birlikte okur ve yazılı olarak yanıtlarız: bu sayfadaki sinyallerden hangilerini modeliniz bugün taşıyor, hangileri modelde sizinle birlikte Model Studio'da yapılacak bir değişiklik gerektiriyor ve dört haftalık bir pilot neyi ölçerdi. Ücret yok, e-posta dizisi yok — bir kişi iki iş günü içinde yanıtlar.

Ücretsiz veri keşfi çalışması talep edin → 4 haftalık pilot başlat

Örneklerin varsaydıkları

Üç setin arkasındaki veri, model ve ölçüler

Bir setteki hiçbir şey burada anlatılan modelin dışındaki bir kaynağa dayanmaz. Mutabakat yapmak istediğinizi açın.

01Varsayılan veri kaynakları — bir hastanenin zaten sahip olduğu veriler

Hastane bilgi sistemi / EHR karşılaşmaları (yatışlar, taburcular, transferler, acil servis gelişleri ve ayrılışları), faturalama ve gelir döngüsü (ücretler, ödeyici kurum, iskontolar, hedefler, gelir döngüsü sistemi olan yerde talepler ve retler), ameliyathane planlaması, poliklinik randevu defteri, laboratuvar ve görüntüleme istemleri, İK çizelgesi (vardiya bazında personel sayısı, modelde asla kişi bazında değil). Tipik veri ambarı granülaritesi: karşılaşma başına ya da ücret satırı başına bir satır, günlük.

02Varsayılan semantik model — üç persona için asgari

Ölçüler: patient_count · encounter_count · procedure_count · gross_revenue · net_revenue (KDV hariç) · discount_amount · target_revenue · ödeyici kurum gelir bileşenleri (cepten, kamu sigortası, özel sigorta, uluslararası) · revenue_per_patient (engine türevi oran) · bed_days · available_bed_days · admissions · discharges · alos (engine türevi: bed_days / discharges) · ed_visits · ed_left_without_being_seen · ed_door_to_provider_minutes (ort) · 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 (ort).
Boyutlar: tarih (yatış / taburcu / karşılaşma) · kampüs · departman / klinik · hizmet hattı / cerrahi grubu · ödeyici kurum türü · yatış türü (elektif / acil) · vardiya (gündüz / gece) · uyruk (yerli / uluslararası) · yaş grubu · cinsiyet · tanı grubu · randevu kanalı. Kişisel olarak işaretli ve asla kırılım yapılmayan: hasta adı, mahalle, hekim adı (gerekirse hekim grubu kullanın).
Veri sınırı: engine tarafından max(discharge_date) ya da max(encounter_date) ile ölçülür; hangisinin kullanılacağını model bildirir.

03Varsayılan KPI'lar — hastane yöneticilerinin izledikleri

KPI	Tanım	Birim	Tipik bant	Olağan kırılım
Yatak doluluğu	dolu yatak-günü / kullanılabilir yatak-günü	%	75–85 %	kampüs · servis · hizmet hattı
Ortalama yatış süresi (ALOS)	yatak-günü / taburcu	gün	4–6 akut, hizmete göre değişir	hizmet hattı · yatış türü
acil servis hekim görmeden ayrılma oranı	hekim temasından önceki acil servis ayrılışları / acil servis ziyaretleri	%	< 2 % hedef; 2–5 % yaygın	kampüs · vardiya
acil servis kapıdan hekime süresi	gelişten ilk hekim temasına medyan ya da ortalama dakika	dk	20–40 dk	vardiya · kampüs
30 günlük yeniden yatış oranı	30 gün içindeki yeniden yatışlar / indeks taburcular	%	vaka karmasına ve tanıma göre 6–15 %	hizmet hattı · tanı grubu
Ameliyathane kullanımı	kullanılan dakika / kullanılabilir dakika (seans içi)	%	70–80 %	ameliyathane · cerrahi grubu
Aynı gün ameliyat iptal oranı	gününde iptal edilen / planlanan	%	2–8 %	cerrahi grubu · neden
Poliklinik randevuya gelmeme oranı	gelinmeyen randevular / rezerve randevular	%	5–12 %	klinik · randevu kanalı
Randevu bekleme süresi	randevu alımından randevuya gün (ort ya da üçüncü ilk uygun)	gün	kliniğe özgü	klinik
Hasta başına / karşılaşma başına gelir	net gelir / hasta	para birimi	modele özgü	ödeyici kurum · hizmet hattı
Ödeyici kurum karması	ödeyici kurum türüne göre net gelir payı	%	ülkeye özgü	ödeyici kurum · kampüs
İskonto/gelir oranı	discount_amount / gross_revenue	%	modele özgü; yön düzeyden daha önemli	ödeyici kurum · hizmet hattı
Hedef gerçekleşme	gerçekleşen gelir / hedef gelir, yalnızca tam aylar	%	—	kampüs · hizmet hattı
Gece vardiyası payı	gece vardiyasındaki karşılaşmalar / tüm karşılaşmalar	%	25–40 %	kampüs · departman

Hastaneler: yatak, hasta, ödeyici kurum ve gelir kalemi, her sabah okunur

Bir hastane yönetim kurulunun her ay sorduğu üç soru

İnsanların sohbete yazdığı örnek sorular

Üç örnek agent

Başhekim Ajanı

Hastane CFO Ajanı

Poliklinik Erişim Ajanı

Seçtiğiniz konular için agent'lar

Üç örnek seti, her biri bir koşu

Ağustos 2026: General Surgery yatak günleri daha az kabul ve daha uzun yatışlarla arttı — gece vardiyasında acil servisten görülmeden ayrılanlar 5.89 %, Internal Medicine yeniden yatışları ongoing

General Surgery yatak günlerini Ağustos için kabul türüne ve cerrahi grubuna göre, kendi Ağustos 2025 değerlerine karşı ayır — kayma beş gruptan üçünde

Yatış süresi kayması: General Surgery ALOS 4.86 → 5.41 gün (+11.30 %), taburcular −3.16 % iken — yatak günleri daha az kabulle +7.79 %

Gece vardiyası görülmeden ayrılma oranını, yanında kapıdan hekime dakikalarıyla, kampüse göre haftalık izlemeye al

Gece vardiyasında görülmeden ayrılanlar: acil servis ziyaretleri +4.60 % iken acil servisten görülmeden ayrılanlar ziyaretlerin 2.14 % → 3.47 % payına çıktı (+62.08 %) — yükseliş 20:00–08:00 vardiyasında, 5.89 %

Yeniden yatış izleme çizgisi: Internal Medicine 30 günlük yeniden yatışları üst üste üçüncü ay 8.00 % üzerinde, 8.85 % — ağ 6.10 %

Ağustos 2026: hastalar −3.32 % iken gelir fiyat ve karma ile +14.53 % — cepten ödeme payı 55.44 % seviyesine düştü, iskonto oranı 6.20 % → 8.25 %, Campus B hedefe karşı −12.38 %

Campus B'nin Ağustos gelirini kendi hedefine karşı ödeyici kurum türüne göre kır ve hasta sayısını yanına koy — kampüs, iki kampüsün birleşik açığının 80.00 % payını taşıyor

Hedef sapması tek kampüste yoğunlaştı: Campus B −12.38 %, Campus C −5.00 %, Campus A +0.39 % iken ağ Ağustos hedefine karşı −5.29 %

Gelir–hacim makası: hastalar −3.32 % ve işlemler −2.28 % iken brüt gelir yıllık +14.53 % — 17.85 puanlık fark; hasta başına gelir +18.47 %

İskonto/gelir oranını aylık izlemeye al ve bir sonraki model sürümünde iskonto metriğinin ödeyici kuruma göre kırılmasını iste

İskonto büyümesiyle ödeyici kurum karması kayması: kamu sigortası payı 24.09 % → 29.74 % iken cepten ödeme payı KDV hariç gelirin 61.78 % → 55.44 % payına düştü — iskonto tutarı +52.46 %, iskonto oranı 6.20 % → 8.25 %

Ağustos 2026: randevuya gelmeyenler rezerve edilen randevuların 8.98 % → 10.51 % payına çıktı, kardiyoloji 11.4 günlük bekleme süresiyle 14.20 % — randevusuz başvurular artık ziyaretlerin 31.20 % payı

Ağustos'taki randevuya gelmemeleri Cardiology ve Dermatology için yan yana, randevu kanalına göre (çağrı merkezi · uygulama · sevk) kırın

Rezerve randevularda randevuya gelmeme oranı 8.98 % → 10.51 % (+1.53 puan, +17.03 %) — Cardiology 14.20 %'de, 4.8 günlük ağ ortalamasına karşı 11.4 günlük ortalama bekleme süresiyle

Cardiology bekleme süresini ve Cardiology randevuya gelmeme oranını tek bir haftalık izlemeye koyun ve ikisini de tek başına okumayı bırakın

Randevusuz geliş payı poliklinik ziyaretlerinin 28.79 % → 31.20 %'i (+8.37 %): randevusuz gelişler +11.68 %, katılımlı randevular ise −0.47 %

Her sayı bir adres taşır

Türetilmiş rakamlar işlemini gösterir

AI yönetişimi yayın katmanıdır

Bu sayfaya genellikle sorulan dört soru

Bu sinyallerden hangilerini kendi veri ambarınızın taşıyabildiğini görün.

Üç setin arkasındaki veri, model ve ölçüler

Bu sayfaların götürdüğü yerler

Bu personaların ait olduğu departmanlar

Bu sitede