diff --git a/brancheneinstufung.py b/brancheneinstufung.py
index 2ef6448b..4a9d71ce 100644
--- a/brancheneinstufung.py
+++ b/brancheneinstufung.py
@@ -5559,40 +5559,63 @@ class DataProcessor:
 
         def get_valid_numeric(value_str):
             """Hilfsfunktion zur sicheren Konvertierung mit Fehlerbehandlung."""
-            if value_str is None or pd.isna(value_str) or str(value_str).strip() == '': return np.nan
+            if value_str is None or pd.isna(value_str) or str(value_str).strip() == '':
+                return np.nan
             raw_value_str = str(value_str)
             try:
-                 # Kopieren Sie hier die Logik von extract_numeric_value, die NaN zurückgibt
-                 # anstatt "k.A." bei Fehlern oder 0/negativen Werten.
-                 processed_value = clean_text(raw_value_str) # Annahme: clean_text existiert
-                 if processed_value == "k.A.": return np.nan
+                # Kopieren Sie hier die Logik von extract_numeric_value, die NaN zurückgibt
+                # anstatt "k.A." bei Fehlern oder 0/negativen Werten.
+                processed_value = clean_text(raw_value_str)  # Annahme: clean_text existiert
+                if processed_value == "k.A.":
+                    return np.nan
 
-                 processed_value = re.sub(r'(?i)^\s*(ca\.?|circa|rund|etwa|über|unter|mehr als|weniger als|bis zu)\s+', '', processed_value)
-                 processed_value = re.sub(r'[€$£¥]', '', processed_value).strip()
-                 processed_value = re.split(r'\s*(-|–|bis)\s*', processed_value, 1)[0].strip()
-                 processed_value_no_thousands = processed_value.replace('.', '').replace("'", "")
-                 processed_value_final = processed_value_no_thousands.replace(',', '.')
+                processed_value = re.sub(
+                    r'(?i)^\s*(ca\.?|circa|rund|etwa|über|unter|mehr als|weniger als|bis zu)\s+',
+                    '',
+                    processed_value
+                )
+                processed_value = re.sub(r'[€$£¥]', '', processed_value).strip()
+                processed_value = re.split(
+                    r'\s*(-|–|bis)\s*',
+                    processed_value,
+                    1
+                )[0].strip()
+                processed_value_no_thousands = processed_value.replace('.', '').replace("'", "")
+                processed_value_final = processed_value_no_thousands.replace(',', '.')
 
-                 match = re.search(r'([\d.]+)', processed_value_final)
-                 if not match: return np.nan
+                match = re.search(r'([\d.]+)', processed_value_final)
+                if not match:
+                    return np.nan
 
-                 num_str = match.group(1)
-                 if not num_str or num_str == '.': return np.nan
+                num_str = match.group(1)
+                if not num_str or num_str == '.':
+                    return np.nan
 
-                 num = float(num_str)
+                num = float(num_str)
 
-                 original_lower = raw_value_str.lower()
-                 multiplier = 1.0
-                 if re.search(r'\bmrd\s*\b|\bmilliarden\s*\b|\bbillion\s*\b', original_lower): multiplier = 1000000000.0
-                 elif re.search(r'\bmio\s*\b|\bmillionen\s*\b|\bmill\.\s*\b', original_lower): multiplier = 1000000.0
-                 elif re.search(r'\btsd\s*\b|\btausend\s*\b', original_lower): multiplier = 1000.0
+                original_lower = raw_value_str.lower()
+                multiplier = 1.0
+                if re.search(r'\bmrd\s*\b|\bmilliarden\s*\b|\bbillion\s*\b', original_lower):
+                    multiplier = 1000000000.0
+                elif re.search(r'\bmio\s*\b|\bmillionen\s*\b|\bmill\.\s*\b', original_lower):
+                    multiplier = 1000000.0
+                elif re.search(r'\btsd\s*\b|\btausend\s*\b', original_lower):
+                    multiplier = 1000.0
 
-                 num = num * multiplier
+                num = num * multiplier
+                return num if num > 0 else np.nan  # Nur positive Werte zählen
 
-                 return num if num > 0 else np.nan # Nur positive Werte zählen
-
-            except (ValueError, TypeError) as e: logging.debug(f"Konntze Wert '{str(value_str)[:50]}...' nicht als gültige Zahl parsen: {e}"); return np.nan
-            except Exception as e: logging.warning(f"Unerwarteter Fehler in get_valid_numeric für Wert '{str(value_str)[:50]}...': {e}"); return np.nan
+            except (ValueError, TypeError) as e:
+                logging.debug(
+                    f"Konntze Wert '{str(value_str)[:50]}...' nicht als gültige Zahl parsen: {e}"
+                )
+                return np.nan
+            except Exception as e:
+                logging.warning(
+                    f"Unerwarteter Fehler in get_valid_numeric für Wert "
+                    f"'{str(value_str)[:50]}...': {e}"
+                )
+                return np.nan
 
 
         cols_to_process = {
@@ -5601,10 +5624,20 @@ class DataProcessor:
         }
 
         for base_name, (wiki_col, crm_col, final_col) in cols_to_process.items():
-            logging.info(f"Verarbeite und konsolidiere '{base_name}' (Priorität: Wiki > CRM)...")
+            logging.info(
+                f"Verarbeite und konsolidiere '{base_name}' (Priorität: Wiki > CRM)..."
+            )
+
             # Sicherstellen, dass Spalten existieren (get_valid_numeric behandelt None)
-            wiki_series = df_subset[wiki_col].apply(get_valid_numeric) if wiki_col in df_subset.columns else pd.Series(np.nan, index=df_subset.index)
-            crm_series = df_subset[crm_col].apply(get_valid_numeric) if crm_col in df_subset.columns else pd.Series(np.nan, index=df_subset.index)
+            if wiki_col in df_subset.columns:
+                wiki_series = df_subset[wiki_col].apply(get_valid_numeric)
+            else:
+                wiki_series = pd.Series(np.nan, index=df_subset.index)
+
+            if crm_col in df_subset.columns:
+                crm_series = df_subset[crm_col].apply(get_valid_numeric)
+            else:
+                crm_series = pd.Series(np.nan, index=df_subset.index)
 
             # np.where wählt den ersten Wert, wenn er nicht NaN ist, sonst den zweiten
             df_subset[final_col] = np.where(
@@ -5612,7 +5645,11 @@ class DataProcessor:
                 wiki_series,
                 crm_series
             )
-            logging.info(f"  -> {df_subset[final_col].notna().sum()} gültige '{final_col}' Werte erstellt (von {len(df_subset)} Zeilen).")
+
+            logging.info(
+                f"  -> {df_subset[final_col].notna().sum()} gültige "
+                f"'{final_col}' Werte erstellt (von {len(df_subset)} Zeilen)."
+            )
 
         # --- Zielvariable vorbereiten (Technikerzahl) ---
         techniker_col = "techniker" # Interne Spaltenname nach Umbenennung