diff --git a/brancheneinstufung.py b/brancheneinstufung.py
index a2df56dc8..d7bebbfa7 100644
--- a/brancheneinstufung.py
+++ b/brancheneinstufung.py
@@ -54,6 +54,7 @@ import unicodedata # Fuer Text-Normalisierung
 # Bibliotheken fuer Datenanalyse und ML
 import pandas as pd
 import numpy as np
+from imblearn.over_sampling import SMOTE
 from sklearn.ensemble import RandomForestClassifier
 from sklearn.model_selection import train_test_split, GridSearchCV
 from sklearn.impute import SimpleImputer
@@ -8942,7 +8943,7 @@ class DataProcessor:
         # und weisen ihnen interne, einfachere Namen zu, die im DataFrame verwendet werden.
         col_keys_mapping = {
             "name": "CRM Name",                     # Zur Identifikation, wird spaeter entfernt
-            "branche_crm": "CRM Branche",           # Fuer One-Hot Encoding
+            "branche_ki": "Chat Vorschlag Branche",           # Fuer One-Hot Encoding
             "umsatz_crm": "CRM Umsatz",             # Fuer Konsolidierung
             "umsatz_wiki": "Wiki Umsatz",           # Fuer Konsolidierung
             "ma_crm": "CRM Anzahl Mitarbeiter",     # Fuer Konsolidierung
@@ -9098,8 +9099,8 @@ class DataProcessor:
         
         # --- Kategoriale Features vorbereiten (Branche) ---
         self.logger.info("Verarbeite kategoriales Feature 'branche_crm' fuer One-Hot Encoding...")
-        branche_col_internal = "branche_crm" 
-        df_filtered.loc[:, 'branche_crm'] = df_filtered['branche_crm'].astype(str).fillna('Unbekannt').str.strip()
+        branche_col_internal = "branche_ki" 
+        df_filtered.loc[:, 'branche_ki'] = df_filtered['branche_crm'].astype(str).fillna('Unbekannt').str.strip()
         df_encoded = pd.get_dummies(df_filtered, columns=[branche_col_internal], prefix='Branche', dummy_na=False)
         
         # --- Finale Auswahl der Features fuer das Modell ---
@@ -9206,6 +9207,22 @@ class DataProcessor:
         X_test_imputed = imputer.transform(X_test)
         X_train_imputed = pd.DataFrame(X_train_imputed, columns=feature_columns_ml) # feature_columns_ml verwenden
         X_test_imputed = pd.DataFrame(X_test_imputed, columns=feature_columns_ml)   # feature_columns_ml verwenden
+
+        # +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
+        # +++ NEU: Klassen-Balancierung mit SMOTE auf den Trainingsdaten ++++++++
+        # +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
+        self.logger.info("Führe Klassen-Balancierung mit SMOTE auf den Trainingsdaten durch...")
+        self.logger.info(f"Klassenverteilung VOR SMOTE:\n{y_train.value_counts()}")
+        
+        smote = SMOTE(random_state=42)
+        # Wichtig: SMOTE wird auf die imputierten Trainingsdaten angewendet
+        X_train_resampled, y_train_resampled = smote.fit_resample(X_train_imputed, y_train)
+
+        self.logger.info(f"Klassenverteilung NACH SMOTE:\n{y_train_resampled.value_counts()}")
+        self.logger.info(f"Größe des Trainingssets nach Resampling: {len(X_train_resampled)} Zeilen.")
+        # +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
+        # +++ ENDE SMOTE-BLOCK ++++++++++++++++++++++++++++++++++++++++++++++++++
+        # +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
         
         # +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
         # +++ ANPASSUNG HIER: RandomForest statt Decision Tree ++++++++++++++++++