#88: Anomalie-Erkennung im Loyalty-Programm bei Krombacher – Mit Fabian Wörenkämper

In dieser Episode des Data Science Deep Dive spricht Mira mit Fabian Wörenkämper, Data Scientist bei der Krombacher Brauerei, über Anomalie-Erkennung im Loyalty-Programm. Im Fokus steht die Frage, wie auffällige Punkteaktivitäten erkannt werden, ohne ehrliche Power User zu benachteiligen. Fabian erklärt, wie ein Trust Score mithilfe eines Isolation Forests berechnet wird und welche Rolle Feature Engineering und Fachbereichsfeedback dabei spielen. Außerdem geht es um die technische Umsetzung auf Databricks und die tägliche Aktualisierung der Scores. Zum Abschluss gibt Fabian einen Ausblick auf zukünftige Entwicklungen, etwa GenAI-Projekte und die Verbindung von Trust Score und Customer Value.

**Zusammenfassung**

• Loyalty-Programm: Kund*innen laden Kassenbons hoch und sammeln Punkte für Krombacher-Produkte
• Auffälligkeiten reichen von ungewöhnlich vielen Belegen bis hin zu manipulierten Bons
• Ziel ist es, Betrug zu erkennen, ohne wertvolle Kund*innen zu vergraulen
• Trust Score dient als kontinuierliches Maß für Auffälligkeit statt einer binären Entscheidung
• Modellbasis: Isolation Forest, ergänzt durch erklärbare Feature-Indikatoren
• Enge Zusammenarbeit mit Customer Care und Fachabteilung ist entscheidend für sinnvolle Features
• Infrastruktur wurde von einem Custom AWS-Stack zu Databricks migriert, tägliche Neuberechnung reicht aus

**Links**

• Guinness und die Statistik von Karolin Breitschädel auf detektor.fm https://detektor.fm/wissen/geschichten-aus-der-mathematik-statistik-aus-der-brauerei
• Krombacher Loyalty-Programm: https://plus.krombacher.de/
• Isolation Forest (Anomaly Detection): https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.IsolationForest.html
• Databricks Plattform: https://www.databricks.com/
• Streamlit (interaktive Modell-Iteration): https://streamlit.io/

📬 Fragen, Feedback oder Themenwünsche?
Schreibt uns gern an: podcast@inwt-statistics.de