#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