Motivation & Ansatz
Das Projekt
MotivationEin US-Gebrauchtwagenhändler kauft Fahrzeuge günstig auf Auktionen ein. Das größte Risiko: ein Fehlkauf, der sich nicht weiterverkaufen lässt. Solch ein Fehlkauf kann extreme Zusatzkosten durch Lagerung, Reparatur und/oder Beseitigung verursachen und sollte möglichst vermieden werden.
KernfrageIst ein Auto vor dem Kauf als Fehlkauf erkennbar? Teilweise — ein systematisch getestetes Modell (448 Läufe über 19 Feature-Sets × 6 Modellfamilien) erreicht F1 0,42 auf der Bad-Buy-Klasse, mit einem überraschenden Top-Signal: ein fehlender WheelType-Eintrag (nur 4,4 % der Fälle) markiert eine Fehlkaufquote von 70,3 % — das Sechsfache des Durchschnitts.
Systematisches ExperimentierenEin selbstgebauter ModelTracker protokollierte 448 Durchläufe in rund einer Stunde aktiver Rechenzeit — Feature-Katalog (19 Sets) × Model-Katalog (6 Modellfamilien). Der volle Katalog schlägt reine Zahlen-Features klar (F1 0,29 → 0,37).
Ergebnisse & EmpfehlungenChampion: Logistische Regression mit L1-Regularisierung, Threshold getunt auf 0,65 (F1 0,37 → 0,42). Einsatz als Triage-Filter, nicht als Automatik. Error Analysis deckt einen blinden Fleck auf: neuere, teurere Fehlkäufe ohne das WheelType-Signal.
Wähle deine Perspektive
Detaillierte Projekt Präsentationen
Das Projekt in drei kuratierten Ansichten für verschiedene Zielgruppen und Zeitbudgets.
Jede Präsentation nutzt die gleichen Daten — andere Dramaturgie und Fokus.
Overview
Basic Information
Ergebnis und Handlungsempfehlungen für Stakeholder. Die kürzeste Fassung, ohne Methodik.
Tech View
Technical Insights
Technischer Deep-Dive für Data Scientists. Feature-Katalog, Modellauswahl über 448 Runs, Threshold-Tuning und Error Analysis im Detail.
Story View
Detailed Description
Der gesamte Weg von der Ausgangslage über die Analyse bis zu den Empfehlungen. Portfolio-Vollansicht.
Schneller Zugriff