diff --git a/train_model.py b/train_model.py
index f6f96dd7..22a2be1a 100644
--- a/train_model.py
+++ b/train_model.py
@@ -28,9 +28,9 @@ TERM_WEIGHTS_OUTPUT_FILE = 'term_weights.joblib'
 
 # WICHTIG: Passe diese Spaltennamen exakt an deine CSV-Datei an!
 BEST_MATCH_COL = 'Best Match Option'
-# Liste der Spalten, die Vorschläge von alten Algorithmen enthalten
-# Füge hier alle Spaltennamen hinzu, die du als "alte Vorschläge" verwenden willst.
-SUGGESTION_COLS = ['V2_Match_Suggestion', 'V3_Match_Suggestion', 'V4_Match_Suggestion'] 
+# Liste der Spalten, die Vorschläge von alten Algorithmen enthalten.
+# Das Skript wird alle Spalten verwenden, die mit 'V' beginnen und '_Match_Suggestion' enden.
+SUGGESTION_COLS_PREFIX = 'V' 
 
 # --- Stop-/City-Tokens ---
 STOP_TOKENS_BASE = {
@@ -72,7 +72,7 @@ def create_features(mrec: dict, crec: dict, term_weights: dict):
     features['fuzz_token_sort_ratio'] = fuzz.token_sort_ratio(clean1, clean2)
     
     domain1_raw = str(mrec.get('CRM Website', '')).lower()
-    domain2_raw = str(crec.get('CRM Website', '')).lower() # crec ist jetzt ein dict aus dem CRM
+    domain2_raw = str(crec.get('CRM Website', '')).lower()
     domain1 = domain1_raw.replace('www.', '').split('/')[0].strip()
     domain2 = domain2_raw.replace('www.', '').split('/')[0].strip()
     features['domain_match'] = 1 if domain1 and domain1 == domain2 else 0
@@ -110,6 +110,10 @@ if __name__ == "__main__":
         logging.critical(f"Fehler beim Laden der Daten: {e}")
         sys.exit(1)
 
+    # <<< KORRIGIERT: Entferne Duplikate aus dem CRM basierend auf dem Namen, behalte nur den ersten Eintrag.
+    crm_df.drop_duplicates(subset=['CRM Name'], keep='first', inplace=True)
+    logging.info(f"CRM-Daten auf {len(crm_df)} eindeutige Firmennamen reduziert.")
+
     crm_df['normalized_name'] = crm_df['CRM Name'].astype(str).apply(normalize_company_name)
     gold_df['normalized_CRM Name'] = gold_df['CRM Name'].astype(str).apply(normalize_company_name)
     
@@ -122,10 +126,11 @@ if __name__ == "__main__":
     
     crm_lookup = crm_df.set_index('CRM Name').to_dict('index')
 
+    suggestion_cols_found = [col for col in gold_df.columns if col.startswith(SUGGESTION_COLS_PREFIX) and col.endswith('_Match_Suggestion')]
+
     for _, row in gold_df.iterrows():
         mrec = row.to_dict()
 
-        # 1. Positives Beispiel: Der von dir definierte "Best Match"
         best_match_name = row.get(BEST_MATCH_COL)
         if pd.notna(best_match_name) and str(best_match_name).strip() != '' and best_match_name in crm_lookup:
             crec_positive = crm_lookup[best_match_name]
@@ -133,8 +138,7 @@ if __name__ == "__main__":
             features_list.append(features)
             labels.append(1)
 
-        # 2. Negative Beispiele: Die falschen Vorschläge der alten Algorithmen
-        for col_name in SUGGESTION_COLS:
+        for col_name in suggestion_cols_found:
             if col_name in row and pd.notna(row[col_name]):
                 suggestion_name = row[col_name]
                 if suggestion_name != best_match_name and suggestion_name in crm_lookup:
@@ -147,7 +151,7 @@ if __name__ == "__main__":
     y = np.array(labels)
     
     if len(X) == 0:
-        logging.critical("Keine gültigen Trainingsdaten gefunden. Überprüfe die Spaltennamen in der Konfiguration.")
+        logging.critical("Keine gültigen Trainingsdaten gefunden.")
         sys.exit(1)
         
     logging.info(f"Trainingsdatensatz erstellt mit {X.shape[0]} Beispielen und {X.shape[1]} Features.")