Use Cases

Fragen, die
Entscheidungen treffen.

Fünf Branchen. Fünf Unternehmensgrößen. Eine Plattform.
Parlance übersetzt natürliche Sprache in präzise Antworten — unabhängig von Branche und Datenbankstruktur.

Maschinenbau Mittelstand · 300 MA Regionalbank Reguliert · 800 MA E-Commerce KMU · 45 MA Pharma Enterprise · 8.000 MA Private Equity Investment · 120 MA
5
Branchen
<3s
Antwortzeit
0
Daten nach außen
SQL
Berechnet, nicht geraten
01
Maschinenbau Mittelstand · 300 MA
Vertriebsleitung

Kundenverluste erkennen, bevor sie eskalieren

Ein mittelständischer Maschinenbauer vertreibt 25 Produktlinien an 80 Industriekunden in 6 Märkten. Die Vertriebsleitung bemerkt Umsatzrückgänge — aber welche Kunden sind betroffen und in welchen Produktlinien? Statt einer wochenlangen Excel-Auswertung stellt sie ihre Frage direkt.

Anfrage an Parlance
„Welche meiner Top-20-Kunden haben in Q3 2024 mehr als 20 % unter ihrem Vorjahreswert bestellt — und in welchen Produktlinien?"
Antwort in 2,4 Sekunden — statt 3 Tage Wartezeit auf den nächsten Report. Direkt nutzbar für das nächste Kundengespräch.
parlance · vertriebsanalyse.db
› Welche Top-20-Kunden haben in Q3 2024 mehr als 20 % unter Vorjahr bestellt — und in welchen Produktlinien?
SQL generiert
WITH kunden_ranking AS ( SELECT c.name, SUM(o.revenue_eur) total_vj FROM customers c JOIN sales_orders o ON c.id = o.customer_id WHERE o.year = 2023 AND o.quarter = 3 GROUP BY c.name ORDER BY total_vj DESC LIMIT 20 ) SELECT c.name, p.category, SUM(o2.revenue_eur) q3_2024, SUM(kr.total_vj) q3_2023, ROUND((SUM(o2.revenue_eur) - SUM(kr.total_vj)) / SUM(kr.total_vj) * 100, 1) AS delta_pct FROM sales_orders o2 JOIN kunden_ranking kr ON o2.customer_id = kr.name JOIN products p ON o2.product_id = p.id WHERE o2.year = 2024 AND o2.quarter = 3 HAVING delta_pct < -20 ORDER BY delta_pct ASC;
7 Kunden · 2,4s READ ONLY · Audit-Log aktiv
Kunde Produktlinie Δ zu VJ Q3 2024
Müller Systeme GmbH Smart Sensors −34 % 142.300 €
Weber Präzision AG Industrial Drives −27 % 89.450 €
Koch Automation KG Control Units −22 % 61.780 €
+ 4 weitere Kunden
parlance · kreditportfolio.db · on-premises
› Gewerbliche Kreditnehmer mit LTV über 80 % und negativem Cash-Flow in den letzten 12 Monaten?
SQL generiert
SELECT b.name, b.segment, l.ltv_ratio, SUM(cf.net_cashflow_eur) net_cf_12m, l.outstanding_eur, l.next_review_date FROM borrowers b JOIN loans l ON b.id = l.borrower_id JOIN cashflows cf ON b.id = cf.borrower_id WHERE b.segment = 'COMMERCIAL' AND l.ltv_ratio > 0.80 AND cf.period >= DATE('now', '-12 months') GROUP BY b.id HAVING net_cf_12m < 0 ORDER BY l.ltv_ratio DESC;
14 Kreditnehmer · 1,8s
Kreditnehmer LTV CF 12M Review
Bauer Immobilien GmbH 94,2 % −187k € Feb 25
Scholz Gewerbebau KG 88,5 % −94k € Mrz 25
Vogt Logistik GmbH 82,1 % −41k € Mai 25
+ 11 weitere
On-Premises — keine Daten verlassen die Bankeninfrastruktur
02
Regionalbank Reguliert · 800 MA
Risikocontrolling

Kreditrisiken identifizieren — datensouverän und auditierbar

Eine Regionalbank verwaltet ein gewerbliches Kreditportfolio mit mehreren hundert Engagements. Das Risikocontrolling muss regelmäßig Frühwarnindikatoren identifizieren — bisher ein manueller, tagesfüllender Prozess in Excel. Cloud-basierte KI-Lösungen scheiden aus regulatorischen Gründen aus.

Anfrage an Parlance
„Zeige alle gewerblichen Kreditnehmer mit einem LTV über 80 % und negativem Cash-Flow in den letzten 12 Monaten."
100 % datensouverän — Parlance läuft On-Premises. Keine Kundendaten verlassen die Bankinfrastruktur. Vollständiges Audit-Log für BaFin-Prüfungen.
03
E-Commerce KMU · 45 MA
Geschäftsführerin

Margenfresser im Sortiment aufspüren — ohne Data Team

Ein E-Commerce-Händler mit 45 Mitarbeitern verkauft über eigenen Shop und Marktplätze. Die Geschäftsführerin weiß, dass bestimmte Kategorien hohe Retourenquoten haben — aber welche genau, und wie sieht die Netto-Marge je Vertriebskanal aus? Es gibt kein Data Team. Es gibt Parlance.

Anfrage an Parlance
„Welche Produktkategorie hatte im November die höchste Retourenquote, und wie entwickelt sich die Netto-Marge je Vertriebskanal?"
Kein Data Analyst nötig — die Geschäftsführerin stellt ihre Fragen direkt. Antworten in Sekunden, nicht in Tickets.
parlance · shop-analytics.db
› Retourenquote je Kategorie im November — und Netto-Marge je Vertriebskanal?
SQL generiert
SELECT p.category, ch.channel_name, COUNT(r.id) * 100.0 / COUNT(o.id) retourenquote, AVG(o.net_margin_pct) netto_marge FROM orders o JOIN products p ON o.product_id = p.id JOIN channels ch ON o.channel_id = ch.id LEFT JOIN returns r ON o.id = r.order_id WHERE strftime('%Y-%m', o.order_date) = '2024-11' GROUP BY p.category, ch.channel_name ORDER BY retourenquote DESC;
12 Zeilen · 1,2s
Kategorie Kanal Retourenquote Netto-Marge
Deko & Wohnen Amazon 34,2 % 3,1 %
Deko & Wohnen Eigener Shop 21,8 % 11,4 %
Küche & Haushalt Amazon 18,5 % 8,7 %
+ 9 weitere Kombinationen
parlance · clinical-data.db · on-premises
› Klinische Studien mit unerwünschter Ereignisrate über 5 % — nach Wirkstoffklasse und Markt?
SQL generiert
SELECT s.study_name, s.drug_class, s.market, s.subjects_total, COUNT(ae.id) ae_count, ROUND(COUNT(ae.id) * 100.0 / s.subjects_total, 2) ae_rate_pct, s.status, s.lead_investigator FROM clinical_studies s JOIN adverse_events ae ON s.id = ae.study_id WHERE s.status IN ('ACTIVE', 'COMPLETED') GROUP BY s.id HAVING ae_rate_pct > 5.0 ORDER BY ae_rate_pct DESC;
3 Studien · 2,1s
Studie Wirkstoffkl. Markt AE-Rate
CLARITY-III Biologika DE / FR 8,4 %
NOVA-2 Small Mol. US 6,9 %
BRIDGE-1b Biologika JP / KR 5,3 %
Audit-Log exportierbar · BfArM / EMA-konform
04
Pharmaunternehmen Enterprise · 8.000 MA
Regulatory Affairs Manager

Klinische Signale erkennen — auditierbar für Behörden

Ein Pharmaunternehmen mit mehreren laufenden klinischen Studien muss sicherheitsrelevante Ereignisse kontinuierlich monitoren. Regulatory Affairs braucht präzise, quellenbasierte Antworten — keine Näherungswerte und keine KI-Systeme, die Probandendaten an externe Server senden.

Anfrage an Parlance
„Zeige alle klinischen Studien mit einer unerwünschten Ereignisrate über 5 % je 100 Probanden — nach Wirkstoffklasse und Markt."
Auditierbare Ergebnisse — jede Antwort ist auf die ausgeführte SQL-Query rückverfolgbar. Export-ready für BfArM- und EMA-Einreichungen.
05
Private Equity Investment · 120 MA
Investment Manager

Portfolio-Frühwarnung — direkt vor dem IC-Meeting

Eine mittelständische Private-Equity-Gesellschaft verwaltet ein Portfolio aus 18 Beteiligungen. Vor jedem Investment Committee Meeting müssen Portfoliounternehmen mit kritischen Kennzahlenkombinationen identifiziert werden — bisher ein aufwändiger manueller Prozess durch das Deal-Team.

Anfrage an Parlance
„Welche Portfolio-Unternehmen haben eine EBITDA-Marge unter 15 % und gleichzeitig einen gegenüber dem Vorjahr gestiegenen Verschuldungsgrad?"
IC-ready in Sekunden — statt halbem Tag Analyst-Aufwand. Direkt nutzbar als Gesprächsgrundlage im Investment Committee.
parlance · portfolio-monitor.db
› Portfolio-Unternehmen mit EBITDA-Marge < 15 % und gestiegenem Verschuldungsgrad YoY?
SQL generiert
SELECT p.name, p.sector, p.ebitda_margin_pct AS ebitda_marge, p.net_debt_ebitda AS verschuldung, p.net_debt_ebitda_prev AS verschuldung_vj, p.next_exit_window, p.lead_partner FROM portfolio_companies p WHERE p.ebitda_margin_pct < 15.0 AND p.net_debt_ebitda > p.net_debt_ebitda_prev AND p.status = 'ACTIVE' ORDER BY p.ebitda_margin_pct ASC;
4 Unternehmen · 0,9s
Unternehmen Sektor EBITDA-M. ND/EBITDA
Brandt Logistik GmbH Logistik 7,2 % 6,4×
Steiner Retail AG Handel 9,8 % 5,1×
Fuchs Software KG Tech 12,4 % 4,3×
+ 1 weiteres Unternehmen
Ihr Use Case

Ihre Branche.
Ihre Fragen. Ihre Daten.

Parlance passt sich an Ihre Datenbankstruktur und Ihre Fachsprache an — unabhängig von Branche und Unternehmensgröße. Probieren Sie es mit Ihren eigenen Daten aus.

Demo starten →