← Alle Projekte

Masterarbeit · TU Dortmund mit Barkow Consulting

Kontextuelle Anomalieerkennung im Bargeldzugang

Ein Machine-Learning-Framework, das jede deutsche Region daran misst, was ihr eigener Kontext vorhersagt, und jede Abweichung den regionalen Faktoren dahinter zuordnet. Es verbindet Geodaten, sozioökonomische und finanzielle Daten und findet Lücken, die ein nationaler Schwellenwert übersehen würde.

PythonAnomalieerkennungExplainable AIStatistische AnalyseGeodaten
DatensatzDaten auf Standortebene
KontextRegionale Profile
BenchmarksVergleich über Datensätze
MethodeKontextbewusste Erkennung + SHAP

Ungewöhnlich im Vergleich wozu?

Eine ländliche Region mit wenigen Geldautomaten kann angemessen versorgt sein, eine Stadt mit vielen nicht. Die reine Zahl entscheidet es nicht.

Die Arbeit hat das in zwei Fragen übersetzt: Welche Regionen sind ungewöhnlich im Vergleich zu sozioökonomisch ähnlichen Regionen, und welche Faktoren beeinflussen die Verteilung der Bargeldzugangsressourcen am stärksten? Für die erste Frage gab es keine Ground Truth — kein Referenzdatensatz markiert eine Region als über- oder unterversorgt.

Den Datensatz aufbauen

Eine vollständige, zentrale Übersicht der Bargeldzugangsstandorte in ganz Deutschland gab es nicht, deshalb kam der Datensatz zuerst. Ich habe über 75.000 Standorte von mehr als 10 Standortverzeichnissen der Banken erfasst und zu einer geprüften, verlässlichen Datenbank bereinigt. Sie ist die erste konsolidierte Datenbank des deutschen Bargeldzugangsnetzes.

Kontext wurde über acht sozioökonomische Gruppen definiert, darunter Haushalts- und Sektorenökonomie, Arbeitslosigkeit, Steuern, Erwerbsbevölkerung und Demografie. Diese Gruppen bilden den Vergleich: Eine Region wird an Orten mit ähnlichem Profil gemessen, nicht am nationalen Durchschnitt.

Eine Methode wählen

Ich habe mehrere kontextuelle Anomalieerkennungs-Frameworks recherchiert und umgesetzt und sie auf deutschen Daten sowie auf 16 Benchmark-Datensätzen verglichen.

Interpretierbarkeit war das entscheidende Kriterium: Die Ergebnisse mussten für geschäftliche Stakeholder nachvollziehbar sein; ein Framework, das eine Region markiert, ohne zu sagen warum, war nicht nutzbar.

Was das Modell markiert — und warum

Reine Zahlen begünstigen Großstädte. Kontextbereinigt bewegt sich das Bild in beide Richtungen: Manche ländlichen Regionen sind gut versorgt, in Teilen von Thüringen, Brandenburg und Rheinland-Pfalz zeigt sich eine mögliche Unterversorgung.

Für jede markierte Region nennt die Ausgabe die regionalen Merkmale, die sie von ihrem eigenen erwarteten Zugangsniveau wegbewegen. SHAP-Werte und Feature Importance ordnen die kontextuellen Faktoren hinter der Abweichung.

Genau das gab dem Geschäftsbereich eine erklärbare Grundlage, um zu priorisieren, welche Regionen zu untersuchen sind.

Grenzen und nächste Schritte

Die Analyse ist querschnittlich: Sie beschreibt die Struktur des Zugangs, nicht seine Veränderung über die Zeit. Sie hängt außerdem von der Granularität und Aktualität der veröffentlichten Regionaldaten ab, was begrenzt, wie lokal die Schlussfolgerungen sein können.

Die Datenbank stammt von den Standortverzeichnissen der Banken, ihre Vollständigkeit ist also durch das begrenzt, was diese Listen veröffentlichen.

Eine naheliegende Fortsetzung wäre eine zeitliche Dimension, um zu verfolgen, ob Lücken größer oder kleiner werden, und ein Test des Frameworks gegen andere Definitionen von Zugang, etwa Fahrzeit.

Projektlinks