Data Engineer
aus 15.000 Lebensläufen mit der Kraft von KIDu bekommst Unterstützung für ETL- und ELT-Pipelines, Data Warehousing, Streaming-Daten und Cloud-Plattformen wie Snowflake, BigQuery, Databricks und Azure Data Factory. FRATCH hilft dir, schnell und präzise passende, geprüfte Freelancer zu finden.
Lerne FRATCH Data Engineer kennen
Fadi S.
Letzte Position:
Entwicklung einer produktionsreifen Enterprise Document AI- und Recommendation-Plattform bei Freelancer
- Entwicklung einer produktionsreifen Enterprise-AI-Lösung zur automatisierten Verarbeitung von Rechnungen und Geschäftsdokumenten
- Integration von Azure AI Document Intelligence und LLM-Technologien in bestehende Unternehmensprozesse
- Entwicklung robuster REST APIs zur automatisierten Dokumentenverarbeitung und Systemintegration
- Extraktion, Validierung und Speicherung strukturierter Rechnungsdaten in Azure SQL als Grundlage für Analytics- und Machine-Learning-Modelle
- Entwicklung einer AI-basierten Recommendation Engine mit Machine Learning und Deep Learning zur Generierung personalisierter Produktempfehlungen auf Basis historischer Einkaufsdaten
- Implementierung von Logging, Monitoring, Fehlerbehandlung und Validierungsmechanismen für einen stabilen produktiven Betrieb
- Zusammenarbeit mit Fachbereichen zur Definition von Geschäftsregeln und Integration der Lösung in bestehende Enterprise-Prozesse
Technologien: Python, Azure AI Document Intelligence, Azure OpenAI, Azure SQL Database, REST APIs, Machine Learning, Deep Learning, OCR, Pandas, JSON, Workflow-Automatisierung
Karl F.
Letzte Position:
ONECEPT Website bei ONECEPT GmbH
Entwicklung und Umsetzung der Website onecept.at mit React/Next.js. Fokus auf responsives Webdesign, performante Komponentenstruktur, SEO-Grundoptimierung und technisches Deployment.
Technologien: React, Next.js, TypeScript / JavaScript
Marco S.
Letzte Position:
Business Analyst, Data-Warehouse-Entwickler bei NRW.Bank
Business Analyse für das Risikocontrolling.
Entwicklung eines Data Warehouse auf Basis von MS SQL Server mit Daten aus der FIS Cross-Asset Trading and Risk Platform (ehemals Front Arena).
Implementierung von ETL- und Transformationslogik mit T-SQL und Python (Template Engine Jinja2).
Modellierung und Automatisierung der Datenstrukturen mit Data Vault.
Aufbau von Reporting- und Analyseberichten mit Microsoft Power BI inkl. Schulung und Einführung der Anwender.
Henning U.
Letzte Position:
Senior Expert Data Governance, Master Data Quality und Data Migration bei E.ON
- Planung und Umsetzung einer Migrationsstrategie von Stamm- und Bewegungsdaten zur kontinuierlichen Befüllung einer cloudunabhängigen Datenbank
- Erstellung und pilothafte Implementierung eines unternehmensweiten Business Data Models für Kunde, Lieferant, Verträge, Produkte, Preise, Verbräuche, Rechnungen und Mahnwesen
- Konzeption und Beratung zu einem Data Governance Framework inkl. Definition von Gremien, Rollen, Prozessen und Metadaten-Modell
- Operationalisierung des Data Governance Frameworks mit Definition von Datenstandards
- Teilprojektleitung bei zwei Pilotprojekten (PoCs) für Data Governance Systeme (ErwinDIS und Atlan)
- Schulung und Coaching des Data Teams in Migration, Data Quality und Datenmodellierung
Stefania D.
Letzte Position:
Data Engineer bei Storebox
Tech: AWS (Glue, Lambda, Redshift), Airflow, PostgreSQL, Python, PySpark, Metabase, Power BI
Geliefert: Analytics-ready Datenmodelle • Migration von Legacy-SQL zu Cloud-ETL • Dynamische Pricing Engine
- Verantwortlich für das unternehmensweite Data Warehouse von Anfang bis Ende — von der Datenaufnahme über die Transformation bis hin zu analytics-ready dimensionalen Datenmodellen auf AWS Redshift.
- Mit Analysten, Data Scientists und Business-Stakeholdern zusammengearbeitet, um skalierbare dimensionale Datenmodelle bereitzustellen, die Self-Service Analytics ermöglichen und das Dashboarding in Metabase und Power BI vereinfachen.
- End-to-End ETL/ELT-Pipelines auf AWS (Glue, Lambda, Redshift) mit Python und PySpark entwickelt und mit Apache Airflow (MWAA) orchestriert, um Zuverlässigkeit und Transparenz sicherzustellen.
- Standards für Data Quality und Governance über alle Pipelines und die zentrale Datenebene definiert und durchgesetzt.
- Die Migration von Legacy-SQL-Infrastruktur in skalierbare AWS-Glue-Pipelines mit verteilter PySpark-Verarbeitung geleitet, um Engpässe zu beseitigen und Ausfallzeiten zu reduzieren.
- Eine dynamische Pricing Engine entwickelt, die automatische Rabattaktionen auf Basis von Auslastung, Konkurrenzpreisen und Standort-Performance-Tiers anwendet.
- Schema-Mappings entworfen, um MongoDB-Daten in strukturierte relationale Systeme (Redshift/PostgreSQL) zu übernehmen.
Kalin S.
Letzte Position:
Senior Data Engineer / Architekt bei Samsung Logistics
- Konzipierte und implementierte ein strukturiertes, dreistufiges Enterprise-Data-Warehouse-Modell in Azure und schuf so eine robuste und skalierbare Datenumgebung.
- Migrierte veraltete Stored Procedures zu optimierten Azure Data Factory (ADF)-Pipelines und verbesserte dadurch die Datenverarbeitungseffizienz.
- Führte eine umfassende, Git-basierte Versionsverwaltung ein, um eine strenge Versionskontrolle und kollaborative Entwicklungsprozesse sicherzustellen.
- Etablierte automatisierte Data-Quality-Frameworks mit proaktiver Überwachung und Alarmierung, was die Datenintegrität und Zuverlässigkeit deutlich steigerte.
- Leitete das Design eines Enterprise-Datenmodells, das eine Self-Service-BI-Umgebung ermöglichte und den Fachbereichen erweiterte Analysefunktionen bot.
- Entwickelte und erstellte aussagekräftige Dashboards und Berichte in Power BI, die rohe Daten in umsetzbare Geschäftserkenntnisse verwandelten.
- Technologien: Azure Data Factory (ADF), Azure, MS-SQL, DataVault 2.0, Git, Power BI, Data-Quality-Automatisierung, Agile/Scrum, Datenmodellierung, Self-Service-BI, Stakeholder-Management.
Philipp S.
Letzte Position:
Solution Architekt, Software-Engineer, UX/UI Designer, Full-Stack-Entwickler, Data Engineer, IT-Berater bei Geigenbau-Meisterwerkstatt
- Digitales System, bestehend aus speziellen Software- und Hardware-Komponenten. Das Gesamtsystem ersetzt die klassische Vorgehensweise mit Laufzetteln und handschriftlichen Notizen und ermöglicht eine effektivere Vertragsaufnahme. Aufträge und Arbeitsschritte zu den Projekten der Geigenbaufirma können jetzt in Echtzeit direkt am Touchscreen-PC der Werkbank, per Handy oder am Desktop erfasst, bearbeitet und protokolliert werden. Kunden werden so transparenter mit in die Arbeit an ihren Instrumenten genommen und können über ihren Kunden-Account den Status und die Fortschritte an ihrem Instrument verfolgen.
Tech-Stack: next.js, React, Flutter, Dart, Raspberry, Linux, Directus
Elija L.
Letzte Position:
Fujitsu Deutschland
- Begleitung und Mitgestaltung des Aufbaus und der Weiterentwicklung eines unternehmensweiten HUB-Systems im Fujitsu-Umfeld zur Integration unterschiedlichster Datenquellen und Anwendungen im internationalen Kontext
- Konzeption und Umsetzung von Datenmodellierung, ETL-Prozessen, Reporting und Datenqualitätsmanagement
Karl E.
Letzte Position:
inkl. CI/CD, Automatisierung bei AALS Software AG
- Konzeption und Durchführung eines praxisnahen Echtzeit-Kurses zu Flink und Hadoop mit MapReduce, HDFS, Spark, Flink, Hive, HBase, MongoDB, Cassandra und Kafka
- Erwerb umfangreicher DevOps- und CI/CD-Erfahrung
- Erstellung von ETL/ELT-Pipelines mit Apache-Tools und Pentaho
- Leitung von Projekten in kommunaler Software, Finanzdienstleistungen und Big Data mit Kafka
- Entwicklung von KI-/NLP-Modellen und Chatbots mit RASA, Chatter und Dialogflow
- Aufbau und Verwaltung einer TypeDB-Wissensdatenbank
- Arbeit mit OpenStack, Kubernetes und Podman
Julian H.
Letzte Position:
IT-Projektleiter AI-Produkt zur Automatisierung wissensintensiver Prozesse bei Führender Anbieter für Großverpflegung & Catering
Projekt: Konzeption und Umsetzung eines AI-Produkts für vier fachliche Anwendungsfälle
Projektleitung eines AI-Projekts bei einem führenden Anbieter für Großverpflegung und Catering, in dem gemeinsam mit einem externen Entwicklungspartner ein produktionsreifes AI-Produkt für vier Anwendungsfälle umgesetzt wurde: automatisierte Briefings aus CRM- und Dokumentendaten, sprachbasierte Erfassung und Strukturierung von Berichten, Erkennung und Zusammenführung von Dubletten in Stammdaten sowie datenbasierte Marktanalysen. Zentraler Schwerpunkt war eine datenschutzkonforme Architektur, die die interne IT-Security-Prüfung besteht und eine produktive Nutzung ermöglicht.
- Übersetzung fachlicher Anforderungen in abgrenzbare AI-Anwendungsfälle mit klar abgegrenztem Produktscope und klarem Nutzenversprechen
- Auswahl und Bewertung von Modellen und Architekturvarianten für Textextraktion, Sprache-zu-Text und Kontextanreicherung aus Fachsystemen, inklusive LLM-Anbindung, Function Calling und Retrieval
- Erarbeitung und Durchsetzung einer Architektur mit europäischem Hosting, Datenminimierung und Maskierung personenbezogener Daten als Voraussetzung für die Freigabe
- Steuerung der Schnittstellen zwischen Fachbereich, IT, IT-Security und externem Entwicklungspartner unter restriktiven Datenzugriffsbedingungen
- Abstimmung mit der CIO- und Geschäftsführungsebene zu Datenzugriff, Risikobewertung und Freigabeentscheidungen
- Vorbereitung der Überführung in den produktiven Einsatz
Hossein A.
Letzte Position:
Datawarehouse Consultant bei LENZING AG
- Beratung zur Enterprise-Data-Warehouse- und Reporting-Praxis bei einem der größten Industriekonzerne Österreichs.
- Entwicklung und Standardisierung von Power-BI-Dashboards sowie Data-Visualization-Governance für unternehmensweites Reporting.
- Entwicklung eines WCAG-konformen, farbenblind-sicheren Visualisierungsstandards (Okabe-Ito-Palette), um Dashboards im gesamten Unternehmen zu vereinheitlichen.
Rainer S.
Letzte Position:
Microsoft DAT207x Zertifikat bei edX
- Microsoft DAT207x Zertifikat bei edX erworben.
- Abschlussdatum: 21.01.2020.
Hervé T.
Letzte Position:
Senior Data Engineer bei Schweizerische Post AG
Tools: Fabric, AWS, dbt, Power BI, SQL, DWH, R, Python
- Unterstützte Kunden bei der Umsetzung eines Architekturdesigns zur Extraktion und Aufbereitung von Daten
- Verantwortete die Konzeption und Implementierung der BI- und DWH-Plattform
- Sicherte die Skalierbarkeit und Performance der Datenplattform
Octavian G.
Letzte Position:
Oracle-DWH-Analyst bei Infomotion Gmbh
Oracle PL/SQL, Oracle SQL, ITIL
Farid A.
Letzte Position:
SAP Data Migration & Data Management Consultant für SAP GEMINI bei Montblanc
Die Verantwortlichkeiten/Aufgaben des Beraters waren:
- Beratung bei der Migration von Materialstamm- und PP-Stammdaten
- Vorbereitung der Article-List-Vorlage für die Cutover-Phase
- Umsetzung von Maßnahmen zur Datenbereinigung mit Einzel- und Massenänderungen
- Extraktion aller obligatorischen SAP-Felder gemäß den fachlichen Anforderungen
- SAP-Migration, Cutover, Testing, BAT, UAT
- Abstimmung mit mehreren Stakeholdern bezüglich der Daten aus dem Altsystem und dem SAP-System
- Einführung von SAP MM Best Practices (guided configurations, aktive Methoden und Roadmap für den Projektstart)
SAP ERP | SAP GEMINI | SAP Fields Coordination | Dokumentation | SAP IDoc | SAP Integration | SAP End-to-End Process | SAP MM (Material Management) | SAP Functional Consultant | SAP Gap analysis | SAP MDM (Master Data Management) | Data Migration & Management
Entdecke mehr als 15.000 Top-Freelancer
Data Engineer – Statistiken
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
16 Jahre
Positionsdauer
2,3 Jahre
Positionen pro Freelancer
12
Häufigste Fachbereiche
Informationstechnologie (IT), Business Intelligence, Produktentwicklung
Häufigste Branchen
Informationstechnologie (IT), Bank- und Finanzwesen, Fertigung
Fokus der Zertifizierungen
Informationstechnologie (IT), Business Intelligence, Projektmanagement
Bachelor-Abschluss oder höher
91%
Master-Abschluss oder höher
62%
Doktortitel
6%
Zertifizierungen pro Freelancer
3
Häufigste Sprachen
Deutsch, Englisch, Französisch
Sprechen zwei oder mehr Sprachen
93%
Basierend auf unserem Profilpool, Stand 10 Sep 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Freelancer in dieser Rolle verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, wie viele Freelancer innerhalb dieser Spanne abrechnen.
Durchschnittssätze für Data Engineer
Die Tagessätze basieren auf aktuellen Verträgen und enthalten keinen FRATCH-Aufschlag.
Der durchschnittliche Tagessatz ist der Mittelwert aller Tagessätze aus aktuellen Verträgen vergleichbarer Freelancer auf unserer Plattform.
Der Median-Tagessatz ist der mittlere Wert aller Tagessätze – die Hälfte der vergleichbaren Freelancer verlangt weniger, die andere Hälfte mehr. Anders als der Durchschnitt wird er von Ausreißern kaum beeinflusst.
Berechnet auf Basis der Tagessätze unserer Freelancer, Stand 10 Sep 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Branchenfokus der Data Engineer Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (92%)
- Bank- und Finanzwesen (55%)
- Fertigung (41%)
- Professionelle Dienstleistungen (39%)
- Einzelhandel (34%)
- Automotive (33%)
- Versicherung (33%)
- Energie (30%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Rolle
Was sie bauen
Ein Data Engineer macht aus Rohdaten verlässliche Abläufe, die Teams nutzen können. Er plant Pipelines, verbindet Quellsysteme, bereinigt und formt Daten und liefert stabile Datensätze für Analysen, Reporting und Machine Learning.
- ETL- und ELT-Pipelines
- Data Warehouses und Lakehouses
- Streaming- und Batch-Datenjobs
- Datenmodelle, Schemas und Orchestrierung
- Monitoring, Logging und Fehlerbehandlung
Zentrale Fähigkeiten
Gute Data Engineers verstehen SQL, Python, Datenmodellierung und Cloud-Infrastruktur. Sie wissen, wie man Daten sicher zwischen Geschäftssystemen, APIs, Dateien und Plattformen bewegt, ohne Qualität oder Herkunft zu zerstören.
Zu den gängigen Tools gehören Airflow, dbt, Spark, Kafka, Snowflake, BigQuery, Databricks, Redshift und Azure Data Factory. Gute Freelancer wissen außerdem, wie man wartbaren Code schreibt, die eigene Arbeit dokumentiert und saubere Setups an interne Teams übergibt.
Wann man jemanden dazuholt
Unternehmen beauftragen einen freiberuflichen Data Engineer, wenn Datenarbeit dringend, spezialisiert oder an ein kurzes Projekt gebunden ist. Das umfasst oft Plattform-Migrationen, den Neuaufbau von Pipelines, Reporting-Fixes, GDPR-sensible Datenflüsse oder die Vorbereitung eines Stacks für Analytics- und KI-Anwendungen.
Diese Rolle passt auch gut, wenn dem Team tiefes Plattformwissen fehlt oder zusätzliche Kapazität gebraucht wird, ohne eine feste Stelle zu schaffen. Freelancer eignen sich gut für neue Builds, das Bereinigen alter Systeme und temporäre Unterstützung bei Produkteinführungen oder Datenvorfällen.
Was gute Leute tun
Die besten Data Engineers verschieben nicht nur Datensätze von A nach B. Sie denken von Anfang an an Datenqualität, Kosten, Zugriffskontrolle und spätere Wartung.
- Pipelines bauen, die zuverlässig und leicht erweiterbar sind
- Schlechte Quelldaten abfangen, bevor sie die Reporting-Ebene erreichen
- Zuständigkeiten zwischen Engineering- und Analytics-Teams klar halten
- Logik, Abhängigkeiten und Deployment-Schritte dokumentieren
- Engpässe in langsamen oder fehleranfälligen Datenflüssen beheben
Verwandte Rollen
Jobtitel können unterschiedlich sein. Unternehmen suchen möglicherweise nach einem Data Engineer, Analytics Engineer, ETL Developer, Data Platform Engineer oder Cloud Data Engineer, wenn sie diese Art von Arbeit brauchen. Der genaue Titel ist weniger wichtig als der Umfang der Lieferung.
Ein Analytics Engineer arbeitet meist näher an der Transformations- und Semantik-Ebene fürs Reporting. Ein Data Engineer sitzt tiefer im Stack, näher an Quellen, Pipelines, Speicherung, Orchestrierung und Systemzuverlässigkeit.
So briefst du die Arbeit
Ein klarer Brief hilft dem Freelancer, schnell loszulegen. Teile deine Quellsysteme, Ziel-Tools, Datenmengen, Aktualisierungsanforderungen, Qualitätsregeln und was für das Business als „fertig“ gilt.
Erwähne, ob es sich um einen Greenfield-Ansatz oder die Wiederherstellung eines bestehenden Stacks handelt, wer das Cloud-Konto verwaltet und welche Teams das Ergebnis prüfen müssen. Je besser die Übergabe, desto schneller die Umsetzung.
Häufig gestellte Fragen
Vor der nächsten Projektanfrage: die häufigsten Fragen zu Data Engineer.
Ein Data Engineer baut und pflegt die Datenflüsse, die Informationen von Quellsystemen in nutzbare Speicher- und Reporting-Ebenen bringen. Dazu gehören Ingestion, Transformationen, Orchestrierung, Tests, Monitoring und das Beheben defekter Pipelines. Das Ziel sind saubere, verlässliche Daten, denen Teams vertrauen können.
Ein starker Data Engineer sollte SQL, Python und Datenmodellierung sicher beherrschen und sich mit Cloud-Datenplattformen wohlfühlen. Außerdem sollte er Pipeline-Design, Datenqualitätsprüfungen und grundlegende DevOps-Gewohnheiten wie Versionskontrolle und saubere Deployments verstehen. Für komplexere Aufgaben sind Kenntnisse in Spark, Kafka, Airflow oder dbt oft wichtig.
Ein Data Engineer arbeitet meist näher an Quellsystemen, Ingestion, Orchestrierung und der Zuverlässigkeit des gesamten Data Stacks. Ein Analytics Engineer verbringt mehr Zeit damit, Daten für Reporting und die von Analysten genutzte Semantik-Ebene aufzubereiten. In kleineren Teams kann ein Freelancer beides abdecken, aber die Arbeitstiefe ist unterschiedlich.
Ein Freelancer lohnt sich, wenn die Arbeit projektbasiert, dringend oder an eine bestimmte Plattformänderung gebunden ist. Das ist typisch bei Migrationen, neuen Datenprodukten, dem Bereinigen alter Systeme oder beim kurzfristigen Ausgleich einer Lücke nach einem Weggang. Ein freiberuflicher Data Engineer kann schneller starten und sich ohne lange Einarbeitung auf die Umsetzung konzentrieren.
Typische Deliverables sind Pipeline-Code, Transformationslogik, Datenmodelle, Dokumentation und ein Monitoring-Setup. Je nach Projekt liefert der Data Engineer auch Migrationspläne, Testfälle, Zugriffsmuster oder Übergabenotizen für interne Teams. Je genauer der Scope, desto leichter lässt sich der Erfolg bewerten.
Ja, viele Data Engineers arbeiten sehr gut remote, weil die meisten Aufgaben in Code, Cloud-Tools und gemeinsamer Dokumentation erledigt werden. Zeit vor Ort kann helfen, wenn die Arbeit von sensiblen Systemen, Stakeholdern mit unklaren Anforderungen oder einem Team abhängt, das zu Beginn eng zusammenarbeiten muss. Das beste Setup hängt davon ab, wie deine Datenumgebung organisiert ist.
Bitte um Beispiele für Pipelines, Plattformen und Produktionsprobleme, die sie بالفعل bearbeitet haben, nicht nur um Toolnamen. Ein guter data engineer kann Kompromisse erklären, zeigen, wie er mit Fehlern umgeht, und beschreiben, wie er Datenqualität und Wartbarkeit schützt. Klare Kommunikation ist genauso wichtig wie technisches Know-how.
Freelancer sollten nach Quellsystemen, Zielarchitektur, Geschäftszielen und der Zuständigkeit für Zugriff und Deployments fragen. Sie müssen auch wissen, wer Änderungen freigibt, wie Datenqualität geprüft wird und ob der Stack neu oder bereits anfällig ist. Dieser Kontext hilft ihnen, die Arbeit zu planen und Überraschungen zu vermeiden.
Der durchschnittliche Stundensatz für Data Engineer liegt bei 99 €, was einem Tagessatz von etwa 794 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern, die als Data Engineer arbeiten, haben 91% mindestens einen Bachelor-Abschluss, 62% mindestens einen Master-Abschluss und 6% einen Doktortitel.
Freelancer, die als Data Engineer arbeiten, haben im Durchschnitt 16 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 2,3 Jahre.
Die häufigsten Sprachen unter Freelancern, die als Data Engineer arbeiten, sind Deutsch (97%), Englisch (95%) und Französisch (18%).
Die häufigsten Industrien unter Freelancern, die als Data Engineer arbeiten, sind Informationstechnologie (IT) (92%), Bank- und Finanzwesen (55%) und Fertigung (41%).
Die häufigsten Bereiche unter Freelancern, die als Data Engineer arbeiten, sind Informationstechnologie (IT) (100%), Business Intelligence (93%) und Produktentwicklung (59%).
FRATCH Data Engineer Hauptstandorte
Unsere Freelancer und Interim-Experten sind in ganz Deutschland zuhause — verfügbar vor Ort in Berlin, Hamburg, München und allen wichtigen Wirtschaftszentren oder komplett remote. Wähle eine Stadt und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Berlin 
München 
Frankfurt In Österreich unterstützen unsere Freelancer und Interim-Experten Unternehmen von Wien bis Graz — vor Ort, wo dein Projekt sie braucht, oder komplett remote. Wähle eine Stadt und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Wien Graz In der ganzen Schweiz sind unsere Spezialisten in Zürich, Genf, Basel und Bern aktiv — vor Ort oder komplett remote. Wähle eine Stadt und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Zürich Genf Basel Bern Länder:
Kostenlose Demo vereinbaren
Kontaktiere uns und das FRATCH-Team meldet sich innerhalb von 4 Stunden bei dir.
Möchtest du lieber direkt mit uns in Kontakt treten?
Wir haben immer Zeit für einen Anruf oder eine E-Mail!
Philipp Thomaschewski
FRATCH CEO
