Das grosse Bild

Warum jinflow existiert

Organisationen sitzen auf Daten, die sie nicht verstehen. Lieferketten verlieren Umsatz. Skigebiete koennen Ticketverkaeufe nicht mit Liftfahrten abgleichen. Spediteure verlieren die Sicht zwischen Checkpoints. Anwaltskanzleien fakturieren Stunden, die sie nicht nachverfolgen koennen.

Die Daten sind da. Die Fragen auch. Was fehlt, ist ein systematischer Weg von “irgendetwas sieht falsch aus” zu “hier ist der Grund, und das ist zu tun”.

jinflow ist dieses System.

Eines vorweg — Setup ist die Analyse

Das Pack ist ein Vorsprung. Die Analyse ist die Arbeit.

Wenn Sie einen neuen Tenant auf einem bestehenden Domain Pack aufsetzen, liefert Ihnen jinflow einen Gold-Vertrag, Extraktoren, gut zwanzig Signals, mehrere Theses und einen Subject-Matter-Katalog — einen funktionierenden Rahmen, keine fertige Analyse. Die Arbeit, ihn an die Daten dieses Tenants anzupassen, die Signals zu kalibrieren, das institutionelle Wissen einzufangen und die Theses zu schreiben, die hier zaehlen — das ist die Analyse. Planen Sie den ersten Monat fuer analytische Arbeit ein, nicht fuer Konfiguration.

Wir sagen das laut, weil (a) es wahr ist und (b) die Freiheit, diese Arbeit Ende zu Ende zu leisten, genau das ist, was jinflow von einem SaaS-Dashboard unterscheidet. Siehe Setup ist die Analyse fuer den vollen Rahmen und Die ersten Wochen mit einem neuen Tenant fuer den realistischen Durchgang.

Die Idee

Deklarieren Sie, was Sie erkennen wollen. Die Engine erledigt den Rest.

Sie schreiben ein Signal: “Finde Faelle, bei denen Abrechnungsereignisse fehlen.” Sie schreiben eine Thesis: “Ist das eine systematische Abrechnungsluecke?” Sie schreiben ein Verdict: “Der Abrechnungsausloeser feuert nur bei stationaeren Entlassungen.”

Jede Deklaration wird zu SQL kompiliert. Jedes SQL-Modell laeuft gegen Ihre Daten. Jedes Ergebnis speist die naechste Ebene. Das Ergebnis ist ein Knowledge Store — eine einzelne DuckDB-Datei mit Findings, Verdicts, Erklaerungen und Expertenwissen. Durchsuchbar im JinDesk.

Kein eigener Code. Keine Ad-hoc-Abfragen. Keine Dashboards, die eine Frage beantworten und drei neue aufwerfen. Eine deklarative Pipeline, die Verstaendnis aufbaut.

Der jinflow — der Satz, fuenf Namen, eine Form, ein Zentrum

Jinflow foerdert Progress, indem er Understanding gewinnt durch Observations, Knowledge und Data.

Der Satz ist das Produkt, einmal ausgesprochen. Er passt zur Oberflaechen-Tagline (“talk to your data, so it speaks to you”) — das analytische Modell und die Marketingoberflaeche sagen dasselbe.

Fuenf Namen — und nur fuenf — fuer die Teile dieser Form: Observations (was wir bemerken), Knowledge (was wir wissen), Data (was die Daten sagen), Understanding (die Aufloesung — Findings + Verdicts) und Progress (was wir tun werden). Understanding sitzt im Zentrum: drei Namen speisen ihn, einer schoepft aus ihm. Die drei Zufluesse entwickeln sich parallel — ein Tenant reift Observations, Knowledge und Data gleichzeitig.

Drei Zufluesse, die in Understanding zusammenlaufen. Ein Vorwaertsarm zu Progress. Lassen Sie einen der fuenf weg, und die Form bricht zusammen — das Modell wird von allen fuenf gehalten. Die volle Aufschluesselung — wie Data sich entfaltet (Signal → Thesis → Verdict), wie Observations Explanation und Contributing Factor tragen, wie Knowledge Subject Matter neben aktivierbaren Mustern haelt und wie Progress sich fortsetzt — lebt unter Der jinflow und Die Noun Topology.

Zwei Sichten: Der Fluss und der Garten

jinflow zeigt dieselbe Landschaft in zwei komplementaeren Sichten — Sie waehlen nicht die eine; beide sind immer da. Der Fluss ist der Ort, an dem Daten sich bewegen und verarbeitet werden: Quell-CSVs, die durch Bronze → Silver → Gold fliessen, Extraktionslaeufe, Signal-Ausloesungen — alles, was das System gerade tut. Der Garten ist der Ort, an dem Erkenntnisse kultiviert werden: Signals, Theses, Verdicts und Subject Matter als begehbarer Diamant angeordnet, dazu Notizen und Lesezeichen, die die menschliche Nutzung unterstuetzen.

Fluss und Garten sind gleichzeitig Navigationssichten (die Routen /river und /garden im JinDesk) und Arbeitsorte (wo das Wasser tatsaechlich fliesst, wo die Pflanzen tatsaechlich wachsen). Dieselben Nomen, beide Bedeutungen. Siehe Sense 42 — The Landscape fuer das vollstaendige Modell, einschliesslich der sechsfachen Aufteilung dessen, was sich in der Landschaft tatsaechlich aendert — Wasser, Fluss-Verarbeitung, Gartenwerkzeuge, Gaertner-Handbuch, Gartenpflege und personenmarkierte Zeichen.

Der Fluss ist Daten in Bewegung. Einlesen, validieren, transformieren — von den Quell-CSVs durch Bronze → Silver → Gold. Die Menschen, die am Fluss arbeiten, sind Ingenieure: Sie verbessern Extraktoren, korrigieren Validierungen, ergaenzen Entities. Ihr Fokus ist der Fluss selbst und die Qualitaet dessen, was er liefert.

Der Garten ist das analytische Rahmenwerk, an seinem Platz angeordnet. Signals, Theses, Verdicts, Subject Matter — ein begehbarer Diamant aus Instrumenten und Expertise. Die Menschen, die den Garten pflegen, sind Analysten und Berater: Sie ergaenzen Signals, verfeinern Theses, halten Domaenenwissen fest. Ihr Fokus ist die Struktur dessen, was die Instrumente uns sagen.

Keine Sicht blockiert die andere. Beide entwickeln sich kontinuierlich. jinflow make erneuert beide in einem Durchgang. jinflow evolve unterstuetzt in beiden — beim Debuggen eines Datenqualitaetsproblems oder beim Entwerfen eines neuen Verdict. Die Entity + Contract ist die Naht, an der der Fluss in den Garten liefert: Der Fluss garantiert die Form und Qualitaet der Entity, der Garten verlaesst sich auf diese Garantie.

	Der Fluss	Der Garten
Wer	Data Engineer	Analyst, Berater, Domaenenexperte
Denkt in	SQL, Schemas, Datenqualitaet	Fragen, Theses, Evidenz
Schreibt	dbt-Modelle, Source-System-Makros	Signals, Theses, Verdicts, Subject Matter
Trifft sich bei	Entity (Gold)	Entity (Gold)
Werkzeuge	jinflow make, dbt CLI	JinDesk, jinflow evolve, YAML-Editor

Beide Sichten greifen auf dieselben Artefakte zu — Entity, Signal, Subject Matter und den Rest. Der naechste Abschnitt benennt sie danach, zu welchem der drei Eingaenge zum Verstaendnis sie gehoeren.

Drei Eingaenge zum Verstaendnis

Jedes jinflow-Artefakt gehoert zu einem der drei Stroeme, die in Verstaendnis (Understanding) muenden — oder ist gemeinsame Infrastruktur, die allen drei dient. Die drei Stroeme sind die drei Zuflusskanten im Diamanten oben:

• Beobachtungen — was Menschen wahrnehmen, signiert von einer namentlich genannten Person. Die erzaehlerische Schicht, die Explanation und Contributing Factor traegt. Siehe Sense 15.
• Wissen — was Domaenenexperten kodifiziert haben. Subject Matter (Statement / Check) in Dossiers gruppiert. Pack-eigen und single-sourced.
• Daten — was die analytischen Instrumente sagen. Signals erzeugen Findings, Perspectives aggregieren, Theses bewerten, Verdicts urteilen. Die Instrumente selbst liefert das Pack als Vorlagen; der Tenant importiert und besitzt sie.

Beobachtungen — was Menschen wahrnehmen. Eine Observation ist die signierte Wahrnehmung einer namentlich genannten Person ueber die Realitaet dieses Tenants — begrenzt, datiert, zugeordnet. Sie traegt eine Explanation (warum es geschieht) und einen oder mehrere Contributing Factors (spezifische Findings oder Verdicts, die die Erzaehlung im Wahrheitsbereich verankern). Validation bestaetigt, dass die Observation weiter gilt. Die signierte menschliche Schicht ist Sense 15.

Wissen — was Experten kodifiziert haben. Experten halten fest, was sie ueber die Domaene selbst wissen: Systemeigenheiten, Prozessumgehungen, Mapping-Entscheidungen. Ein Subject-Matter-Eintrag ist entweder ein Statement (eine Aussage darueber, wie die Domaene funktioniert) oder ein Check (eine SQL-ausfuehrbare Behauptung). Dossiers fassen verwandte Subject Matter zu Erzaehlungen zusammen. Diese Schicht ist pack-eigen und single-sourced — Tenants referenzieren sie; sie kopieren oder forken sie nie. “OPALE teilt Faelle um Mitternacht” ist ueberall wahr, wo OPALE laeuft, also gehoert es ins Pack.

Daten — was die analytischen Instrumente sagen. Das Pack liefert einen Katalog von Vorlagen — Signal, Perspective, Thesis, Verdict. Ein Tenant importiert eine Vorlage und besitzt sie dann: Sobald sie auf reale Tenant-Daten trifft, weicht sie ab und entwickelt sich lokal weiter. Importierte Signals laufen auf Gold-Entities und produzieren Maschinen-Output — Findings, Perspective-Werte, Thesis-Status, Verdict-Output. Dieser Output ist des Tenants “was die Daten sagen.”

Gemeinsame Infrastruktur. Das Pack enthaelt auch viel, was allen drei Stroemen dient, aber in keinem sitzt: dbt-Modelle, Makros, Extraktoren, Vertraege, Tenant-Skelette, Welcome-Screens. Das ist Infrastruktur — der Fluss, der Gold liefert, die Verrohrung, die jeden Strom zum Verstaendnis fuehrt.

Artefakt	Strom	Pack-Rolle	Tenant-Rolle
Observation, Validation, Explanation, Contributing Factor	Beobachtungen	—	immer (signiert menschlich · Sense 15)
Subject Matter, Statement, Check, Dossier	Wissen	Single Source of Truth	referenziert, nie kopiert
Signal, Perspective, Thesis, Verdict	Daten	Katalog von Vorlagen	importiert, besessen, entwickelt sich
Finding, Perspective-Wert, Thesis-Status, Verdict-Output	Daten	—	immer (maschinell berechnet)

Verstaendnis ist der Ort, an dem die drei zusammenlaufen, und Fortschritt ist das, was daraus fliesst. Das ist der Satz oben auf dieser Seite, in Artefaktbegriffen wiederholt.

Der Kernzyklus

Make kompiliert Ihre Deklarationen und baut den Knowledge Store. Explore laesst Sie Findings durchsuchen, Theses pruefen und Evidenz im Web-UI sichten. Evolve verbindet Sie mit Claude AI fuer tiefere Analyse. Jeder Zyklus vertieft das Verstaendnis.

Designprinzipien

Deklarativ, nicht prozedural. Sie deklarieren, was zu erkennen ist. Die Engine entscheidet wie. Heute sind die Deklarationen YAML, kompiliert zu SQL. Morgen kann es eine andere Oberflaeche sein — das Prinzip bleibt.

Kein stilles Filtern. Ungueltige Daten werden markiert, nicht verworfen. Jede Zeile traegt ein is_valid-Flag und einen invalid_reason. Gold zeigt nur gueltige Zeilen, aber Silver bewahrt alles. Nichts verschwindet ohne Spur.

Qualitaet ist abfragbar. Datenqualitaet ist kein Nebenbericht — sie ist ein vollwertiges dbt-Modell. Sie koennen Qualitaetsmetriken auf die gleiche Weise abfragen wie die Daten selbst.

Wissen als Daten. Expertenwissen (Subject Matter) lebt in derselben Pipeline wie Findings. Es ist attribuiert, versioniert, scoped und optional testbar. Der Unterschied zwischen Daten und Wissen ist das Warum.

Multi-Tenant-faehig per Design. Jeder Tenant ist ein isoliertes DuckDB-Schema. Tenants teilen den analytischen Rahmen, sehen aber nie die Daten anderer. Die KI ist pro Session genau auf einen Tenant zugeschnitten.

Domain Packs treiben die Analytik. Jedes Pack buendelt Signal- / Thesis- / Verdict- / Perspective-Vorlagen, Subject Matter, Dossiers, Vertraege und Source-System-Adapter fuer eine spezifische Branche. Die Engine ist domaenenagnostisch — Packs bringen die Domaenenexpertise. Referenz-Packs sind unter anderem nuMetrix, Millésime (Winzerei), Alptrack (Skigebiete), InterLogic (Logistik) und weitere.

Fuer wen ist jinflow?

Rolle	Fokus	Was sie tut
Data Engineer	Der Fluss	Pflegt die Medallion-Pipeline. Ergaenzt Source-System-Adapter. Liefert saubere Entities.
Berater	Der Garten	Baut Signals und Theses fuer Kunden. Verpackt Expertise in Domain Packs.
Analyst	Der Garten	Durchsucht Findings im JinDesk. Haelt Expertenwissen als Subject Matter fest.
Leitung	Konsumiert Ergebnisse	Sichtet Executive Summaries, bestaetigte Theses und Verdict-Ursachen.

Was jinflow anders macht

Gegenueber BI-Tools: BI-Dashboards beantworten vordefinierte Fragen. jinflow entdeckt Fragen, von denen Sie nicht wussten, dass Sie sie stellen sollten — und erklaert, warum die Antworten zaehlen.

Gegenueber Datenqualitaets-Tools: Qualitaets-Tools markieren schlechte Daten. jinflow erkennt Muster (Signals), bewertet, ob sie systematisch sind (Theses), erklaert, warum sie passieren (Verdicts), und empfiehlt Massnahmen.

Gegenueber Custom-Analytik: Eigener Code ist maechtig, aber zerbrechlich. jinflow bietet einen deklarativen Rahmen, in dem die analytische Logik versioniert, kompiliert und reproduzierbar ist — nicht in Notebooks oder Skripten begraben.

Naechste Schritte

• Ihr erster Build — bauen Sie ein Signal und durchstoebern Sie Findings in 15 Minuten
• Glossar — 54 Begriffe erklaert
• Domain Packs — sehen Sie, wie jinflow in vier Branchen aussieht