Data Science Teilzeit -Abschlussprojekte, Gruppe Nr. 11

Wir freuen uns sehr, die Erfolge unserer neuesten Absolventinnen und Absolventen des Part-Time-DS-Batches Nr. 11 zu feiern, die ihre Data-Science-Reise mit vier beeindruckenden, praxisnahen Projekten erfolgreich abgeschlossen haben. Diese Runde der Abschlusspräsentationen zeigte wie Data Science und KI branchenübergreifend einen spürbaren Mehrwert schaffen können – von der Transformation von Business-Development-Workflows bis hin zur Neugestaltung moderner Marktfindungsprozesse.  

Sieh Dir an, wie unsere Absolventen Data Science nutzen, um Erkenntnisse zu gewinnen, Grenzen zu verschieben und in der Praxis etwas zu bewirken.

Vorhersage des Depegging-Risikos von Stablecoins: Ein handlungsorientiertes Frühwarnsystem

Projekt von: Yuqing Sun

Stablecoins haben sich stillschweigend zum über 300 Milliarden US-Dollar schweren Rückgrat von Kryptowährungstransaktionen entwickelt und allein im Jahr 2025 ein Volumen von mehr als 33 Billionen US-Dollar verzeichnet. Große Emittenten wie Tether und Circle halten massive Portfolios an US-Staatsanleihen (Treasury Bills), was die Stabilität der Token direkt an die Staatsanleihenmärkte und die Finanzregulierung bindet. Wenn jedoch eine Bindung (Peg) bricht – sei es der 40-Milliarden-Dollar-Kollaps von Terra im Jahr 2022 oder das Abrutschen von USDC auf 0,91 $ während des Runs auf die Silicon Valley Bank im Jahr 2023 –, entzieht die resultierende Panik sowohl den dezentralen als auch den traditionellen Märkten Liquidität.

Um diesem systemischen Risiko zu begegnen, entwickelte Yuqing ein durchgängiges (End-to-End) Überwachungs-Framework, das Stunden im Voraus vor Depegging-Ereignissen warnen und kapitalbeschützende Ausstiege ausführen kann.

 

Analytisches Framework & Datenarchitektur

Das Projekt analysierte Paneldaten aus 9 Jahren mit einer Auflösung von 15 Minuten (2017–2026), die 11 Stablecoins und mehr als 3,5 Millionen Beobachtungen umfassten. Das Modell verarbeitete 53 entwickelte Features (Merkmalsparameter) aus sechs verschiedenen Datenquellen: Börsenkurse, Slippage auf dezentralen Börsen (DEX), DeFi-APYs, Futures-Prämien, Gesamttoken-Angebot und makroökonomische Indikatoren aus der traditionellen Finanzwelt (TradFi).

1. Depeg-Erkennung: Ein Random-Forest-Klassifikator, der mit einer 3-fachen Walk-Forward-Kreuzvalidierung trainiert wurde (was einen Look-Ahead-Bias strikt verhindert), identifizierte den Beginn binärer Depegging-Ereignisse.
2. Schätzung der Überlebensdauer: Ein XGBoost Accelerated Failure Time (AFT)-Modell prognostizierte die verbleibenden sicheren Stunden vor einem Peg-Ausfall. Gleichzeitig erfasste eine Network-LSTM-Deep-Learning-Architektur mit Attention-Mechanismen die Dynamik der Token-übergreifenden Ansteckung (Contagion) und erzielte einen Konkordanzindex (C-Index) von 0,965.
3. Regime-Kontext: Ein unüberwachtes (unsupervised) 4-Zustands-Hidden-Markov-Modell (HMM) kategorisierte die Marktbedingungen in vier verschiedene Stress-Regime: Ruhig (Calm), Aktiv (Active), Stress, und Depeg.

Wichtigste Erkenntnisse & Trading-Ausführung

• Vorlaufzeit nach Token-Architektur: Algorithmische Stablecoins (z. B. UST, USDD) erzielten einen Event-Recall von 100 % (62/62 Ereignisse erfasst) mit einem Frühwarnfenster von 34–44 Stunden. Überbesicherte Vermögenswerte (z. B. DAI) erreichten einen Recall von 90–100 % mit 28–45 Stunden Vorlaufzeit. Fiat-gestützte Token zeigten einen geringeren Recall (29–42 %), da ihre primären Auslöser auf Off-Chain-Bankenereignissen beruhen, die für On-Chain-Marktdaten unsichtbar sind.
• Makro-Auslöser vs. Liquiditätstreibstoff: TradFi-Makrosignale (VIX, Volatilität von Finanzsektor-ETFs) erwiesen sich als die stärksten einzelnen Feature-Treiber, aber die Kryptomikrostruktur-Features dominierten die kumulative Feature-Wichtigkeit (51,7 % gegenüber 29,4 % bei TradFi). Die Kombination von HMM-Stress-Regimen mit SHAP-Werten zeigte, dass ein äquivalenter DEX-Verkaufsdruck während eines Marktregimes mit hohem Stress 3- bis 5-mal wahrscheinlicher ein Depegging auslöst als unter ruhigen Bedingungen.
• 96 % Reduzierung der Ausführungsreibung: Standardmäßige binäre Alarmmodelle lösten im Backtest-Zeitraum 2024–2026 aufgrund von hochfrequentem Marktrauschen 389 Trades aus. Durch das Ersetzen binärer Schwellenwerte durch eine kontinuierliche Ausstiegsstrategie auf Basis der Restricted Mean Survival Time (RMST) (Auslösung von Positionsreduzierungen, wenn die prognostizierten sicheren Stunden unter 18 fielen) sank der Ausführungsaufwand auf 13 Trades, während gleichzeitig ein Schutz vor Depeg-Abwärtsrisiken von ~41 % aufrechterhalten wurde.

 

Erkenntnisse vom Feld nutzen: Automatisierte Extraktion von Ernteschadensnotizen

Projekt von: Lorin Semela

Wenn schweres Wetter Schweizer Weinberge trifft, inspizieren Schadengutachter des Landwirtschaftsversicherers SHGroup die betroffenen Felder und erfassen ihre Ergebnisse in einer maßgeschneiderten Tablet-Software. Während die Gutachter standardisierte Daten aufzeichnen, werden kritische Nuancen – wie die genaue Anzahl beschädigter Blütenknospen im Vergleich zur Gesamtzahl der bewerteten Knospen oder das Vorhandensein eines unbeschädigten Frostreserveasts – in einem einzigen Freitext-Kommentarfeld festgehalten.

Da diese Notizen in unstrukturiertem Deutsch und Französisch verfasst wurden, blieben wertvolle Informationen für Underwriting- und F&E-Teams unzugänglich. Lorin entwickelte eine automatisierte Pipeline zur Verarbeitung natürlicher Sprache (NLP), um strukturierte Metriken direkt aus den unstrukturierten Expertenkommentaren zu extrahieren, ohne den Arbeitsablauf der Gutachter im Feld zu verändern.
 

Pipeline-Architektur & Datenschutzkontrollen

Da Daten zur Erntebewertung sensitive Geschäftsinformationen enthalten, wurden externe Standard-LLM-APIs ausgeschlossen. Lorin entwickelte eine End-to-End-Pipeline, die vollständig in Microsoft Fabric gehostet wird und ein lokal bereitgestelltes Open-Source-Sprachmodell nutzt.

• Datenbereinigung: Reguläre Ausdrücke (Regex) entfernten sich wiederholende Textbausteine, Signaturblöcke und Rauschen aus den eingehenden Kommentaren.
• Benchmark-Datensatz: Lorin annotierte manuell einen Ground-Truth-Datensatz von 150 realen Expertennotizen, um die Extraktionsleistung verschiedener Kandidatenmodelle zu bewerten.
• Modellauswahl: Qwen2.5-1.5B-Instruct wurde aufgrund seiner kompakten lokalen Ressourcennutzung, des starken mehrsprachigen Verständnisses (Deutsch und Französisch) und der zuverlässigen strukturierten Ausgabeformatierung ausgewählt.
• Aufgabenteilung: Erste Experimente mit einem einzelnen Prompt führten zu inkonsistenter numerischer Extraktion. Die Aufteilung des Prompts in fokussierte Teilaufgaben – die Trennung kategorialer Prüfungen vom exakten numerischen Zählen – verbesserte die Genauigkeit erheblich.

 

Ergebnisse der Feldextraktion

 

Durch die Umwandlung qualitativer Feldkommentare in saubere tabellarische Datensätze erhielt die SHGroup sofortigen, datenschutzkonformen Zugriff auf historische und laufende Bewertungsdaten, was die Risikomodellierung verbesserte, ohne den administrativen Aufwand für die Experten vor Ort zu erhöhen.
 

Umsatzschutz in der Hotellerie: Gewinnorientierte Stornierungsprognose

Projekt von: Richard Korcz

In der Hotellerie ist das Angebot extrem vergänglich: Ein unbelegtes Zimmer in einer beliebigen Nacht ist für immer verlorener Umsatz. Da eine stornierte Reservierung die Hotelbetreiber im Durchschnitt 296 € an verlorenem Buchungswert kostet, führt die Nutzung statischer Stornierungsrichtlinien zu erheblichen Margenverlusten.

Richard entwickelte eine durchgängige Machine-Learning-Lösung zur Identifizierung von Hochrisiko-Reservierungen Monate vor dem Check-in, was es Betreibern ermöglicht, gezielte Kundenbindungsmaßnahmen durchzuführen, bevor die Buchung verloren geht.

 

Der technische Vorsprung

Das Projekt analysierte über 33.000 Gästereservierungen, bereinigte unvollständige Datensätze und wendete Box-Plot-Filterung an, um extreme Umsatz-Ausreißer zu entfernen.

1. Verhaltensbezogenes Feature-Engineering: Entwicklung zentraler Kennzahlen wie Umsatz pro Gast, Gesamtaufenthaltsdauer und kumuliertes finanzielles Risiko.
2. Behebung von Klassenungleichgewichten: Da nicht stornierte Buchungen 68 % der Rohdaten ausmachen, wurde der Trainingsdatensatz mittels zufälligem Undersampling ausgeglichen, um Entscheidungsverzerrungen zugunsten der Mehrheitsklasse zu vermeiden.
3. Profilierung von Hauptrisiken: Baseline-Logistische-Regressionen und automatisierte PyCaret-Multimodell-Pipelines identifizierten eine lange Vorlaufzeit (+1,48 Koeffizient), hohe Zimmerpreise (+0,33) und Hürden bei der Online-Buchung (+0,39) als primäre Indikatoren für das Stornierungsrisiko. Umgekehrt signalisierten spezielle Gästewünsche (-1,19) und Parkplatzreservierungen (-0.29) eine sehr hohe Buchungsverbindlichkeit.

Die finanzielle Asymmetrie

Standardmodelle des maschinellen Lernens optimieren oft rein auf die Gesamtgenauigkeit (Accuracy). Richards Modell wurde explizit anhand der asymmetrischen Betriebswirtschaft bewertet:

• Kosten einer verpassten Stornierung (False Negative): In der Evaluierungsstichprobe wurden 696 Stornierungen vom Modell übersehen. Bei 296 € pro verlorenem Zimmer verursachten nicht abgemilderte Stornierungen 206.016 € an entgangenem Umsatz.
• Kosten eines gezielten Anreizes (False Positive): Die Ausgabe eines Werbeanreizes von 30 € (~10 % Rabatt) für 1.511 markierte Buchungen kostet 45.330 €.

Die gezielte Optimierung der Modell-Hyperparameter auf den Recall stellt sicher, dass Buchungen mit hohem Risiko frühzeitig erkannt werden. Da die Gewährung eines Werberabatts weniger als ein Fünftel einer ungedeckten Zimmerstornierung kostet, bietet eine proaktive Kundenbindungsinvestition einen sofortigen, messbaren ROI für das Hotelmanagement.
 

The Meal Counter: Automatisierung von Inventar & Verlustprävention bei Smart Fridges

Projekt von:Alejandro Soares, Christopher Lan

FELFEL hat die Verpflegung im Büro revolutioniert, indem das Unternehmen intelligente Verkaufskühlschränke voller frischer Mahlzeiten, Snacks und Getränke direkt in moderne Arbeitsumgebungen integriert hat. Die Anbindung an ein unüberwachtes Inventar birgt jedoch Schwachstellen bei der Bestandsgenauigkeit und der Umsatzsicherheit. Diebstahl und nicht erfasste Entnahmen führen direkt zu finanziellen Verlusten, während Bestandsabweichungen zu verärgerten Kunden führen, wenn erwartete Artikel fehlen.

Um den Bestand zu sichern, ohne das Kundenerlebnis zu beeinträchtigen, haben wir den Meal Counter entwickelt – ein automatisiertes Computer-Vision-System, das den Kühlschrankbestand mithilfe eingebetteter Edge-Hardware in Echtzeit verfolgt.
 

Hardware-Integration & Erkennungsarchitektur

Die pipeline kombiniert kostengünstige Edge-Hardware mit hochleistungsfähigen Objekterkennungsmodellen, um Warenbewegungen zu erfassen, während Benutzer mit dem Kühlschrank interagieren.

• Hardware & Datenerfassung: Ein integrierter Raspberry Pi und eine im Smart Fridge montierte Raspberry-Pi-Kamera erfassen während der Kundeninteraktionen Live-Videostreams der Regale.
• Software-Stack: Die Produktbild-Annotation wurde in Label Studio verwaltet, während die Objekterkennungsmodelle mit dem Ultralytics-Framework trainiert und bereitgestellt wurden.
• Kernmodell-Architektur: Das System nutzt ein YOLOv11l-Deep-Learning-Modell für die Bounding-Box-Erkennung in Echtzeit.
• Dual-Modul-Workflow:
  1. Objekterkennung: Identifiziert spezifische Produktkategorien und Mahlzeitentypen, wenn sich Artikel bewegen.
  2. Zählmodul: Verfolgt kontinuierlich die Flugbahnen (Trajektorien) der Bounding Boxes, um Nettoveränderungen zu berechnen und genau zu protokollieren, welche Artikel entnommen oder zurückgestellt wurden.

Modellentwicklung: Umgang mit menschlicher Interaktion

Die Erkennung von Produkten in realen Verkaufsumgebungen bringt besondere Sonderfälle (Edge Cases) mit sich, insbesondere wenn menschliche Hände und Köpfe während der Auswahl in das Kamerabild geraten. Das Team führte drei experimentelle Iterationen durch, um die Klassifizierungsgenauigkeit zu verfeinern:

 

Benchmark-Modellbewertungen erreichten beim Testen hohe Genauigkeitswerte von bis zu 98 %. Video-Testläufe demonstrierten erfolgreich die Fähigkeit des Systems, Produkte zu identifizieren und entnommene oder zurückgegebene Artikel in Echtzeit zu verfolgen. Die laufende Kalibrierung konzentriert sich auf die Feinabstimmung von Konfidenzschwellenwerten, um falsch-positive Ergebnisse und "Geisterartikel"-Erkennungen zu eliminieren, die durch wechselnde Beleuchtung verursacht werden.
 

Geschäftliche Auswirkung & Strategische Vision

Durch das Ersetzen manueller Bestandskontrollen durch automatisierte Computer Vision schafft The Meal Counter eine sofortige finanzielle Schutzschicht für smarte Gastronomiebetriebe. Die Echtzeit-Verfolgung reduziert Inventarschwund, sichert Margen und gewährleistet den Kunden einen genauen Bestandsstatus.

Das ultimative Ziel ist eine vollständig generalisierte Vision-Pipeline, die in der Lage ist, Käufe im gesamten FELFEL-Produktkatalog automatisch zu erkennen, zu klassifizieren und abzurechnen – und so modernes Catering nahtlos und reibromslos in den Arbeitsalltag zu integrieren.