Data Pseudonymization-Experten in Deutschland
, die innerhalb von Minuten aus über 15.000 Lebensläufen vermittelt werdenBeauftragen Sie Experten, die Pseudonymisierungsstrategien entwickeln, Tokenisierungs- und Maskierungsprozesse umsetzen und Daten für Analysen, Tests und maschinelles Lernen vorbereiten. FRATCH bringt Sie schnell mit geprüften, verfügbaren Freelancern zusammen, deren Erfahrung zu Ihren technischen Anforderungen und Compliance-Anforderungen passt.
Lerne FRATCH Experten in Deutschland kennen, die kürzlich Data-Pseudonymization-Experten eingesetzt haben
Gyan P.
Letzte Position:
Senior DevOps- und Cloud-Architekt, Leiter Infrastruktur bei Bosch
- Architektur der Azure Landing Zone: Entwurf und Implementierung einer Azure Landing Zone mit Hub-and-Spoke-Architektur und Unterstützung mehrerer Regionen. Sie bildet die sichere, skalierbare und hochverfügbare Grundlage für Daten- und ML-Plattformen für autonomes Fahren und Parken.
- Compliance mit Azure Policy: Durchsetzung von Sicherheits- und Compliance-Standards über Azure-Abonnements hinweg mit Azure Policy (Guardrails, deny/audit/deploy-if-not-exists), wobei konstant sehr hohe Sicherheitsbewertungen der Infrastruktur erreicht wurden.
- Infrastructure-as-Code: Automatisierung der Bereitstellung und Konfiguration von Azure-Ressourcen mit Terraform und Bicep; Änderungen werden über geprüfte CI/CD-Pipelines ausgerollt.
- Azure Databricks und Unity Catalog: Umfassende Erfahrung im Betrieb von Azure Databricks mit Unity Catalog für zentrale Data Governance, Zugriffskontrolle, Datenherkunft und Auditing über mehrere Workspaces hinweg.
- Monitoring und Observability: Aufbau und Betrieb von Infrastruktur-Monitoring und Logging mit Azure Monitor, Prometheus, Grafana und Loki, einschließlich Plattformzustand, Alarmierung, Fehleranalyse und Kapazitätsentwicklung.
- Plattform im großen Maßstab: Architektur und Betrieb von Cloud-Daten- und ML-Plattformen zur Verarbeitung und Simulation von Fahrzeugdaten im PB-Bereich; Orchestrierung von auf Argo Workflows basierenden Recompute- und Autolabeling-Services mit einer Skalierung auf mehr als 100k+ gleichzeitig laufende Pods auf AKS.
- Reproduzierbares ML: Aufbau reproduzierbarer Trainingsumgebungen mit Versionierung von Datensätzen und Nachverfolgung der Datenherkunft, wodurch Audits und zuverlässige Experimente ermöglicht werden.
- Operative Exzellenz: Automatisierung der Verwaltung von GitHub-Organisationen und CI/CD-Pipelines zur Verbesserung der Entwicklerproduktivität und Zuverlässigkeit von Deployments; Automatisierung wiederkehrender Betriebsprozesse.
- FinOps: Entwicklung einer transparenten Ressourcen- und Kostenverfolgung für Azure-Umgebungen mit mehreren Projekten.
- Führung: Technische Leitung für Infrastrukturthemen in Zusammenarbeit mit Entwicklungs-, DevOps- und Sicherheitsteams; technischer Interviewer und Mitglied des Recruiting-Gremiums zum Ausbau des Engineering-Teams.
Robert L.
Letzte Position:
Senior Projektleiter KI & Daten bei Großer deutscher Energieversorger
KI-Assistenz und Zielbild für teilautonome Energieportfolio-Steuerung
Aufbau einer KI-Steuerungsschicht direkt auf dem tagesaktuellen Live-Portfolio eines großen Energieversorgers — nicht als isolierter Pilot, sondern als operative Erweiterung der bestehenden DB1- und Portfolio-Steuerung. Ziel ist die schrittweise Entwicklung von Assistenz über Monitoring/Alerting bis zu Analyse-Agenten mit Human-in-the-Loop-Freigaben, ergänzt um ein rollenspezifisches System of Engagement neben dem BI-System of Record. Parallel werden Business Case, Zielbild und Management-Pitch gegenüber statischem Monatsreporting erarbeitet.
- KI-Steuerungsschicht: Konzeption und Aufbau auf dem bestehenden Live-Portfolio-Datenprodukt (mehrere Mio. Verträge) — Ausbaustufen Assistenz → Monitoring/Alerting → Agenten mit Human-in-the-Loop-Freigaben.
- LLM-gestützte Datenanalyse: Semantische Abfragen, SQL-/Tool-Anbindung und ergänzende RAG-Komponenten auf Portfolio-, Plan-Ist- und Datenqualitätsdaten (Azure OpenAI, Snowflake) mit Drill-downs bis auf Einzelvertragsebene.
- Analyse-Agenten: Mehrstufige Agenten für Abweichungs- und Treiberanalysen zu Churn, Preisanpassungen, Mengen und Beschaffungskosten.
- Sichtenkonzept: Rollenspezifische Oberflächen für Fachbereich, Management und C-Level als System of Engagement neben dem BI-System of Record.
- Business Case & Pitch: Zielbild und Kosten-Nutzen-Argumentation gegenüber statischem Monatsreporting.
- LLM-Setup (Datenschutz & Security): Abstimmung mit IT-Security und Datenschutz — EU-Region, Datentrennung, Freigabeprozesse.
- Agenten-Architektur: Mehrstufige Agenten-Pipelines (Analyse → Validierung → Zusammenfassung) mit dokumentierten Datenquellen, Tool-Aufrufen, Prüfschritten und Quellenbezug je Aussage.
- Datenfundament: Aufsatz auf dem tagesaktuellen DB1-Datenprodukt (Snowflake, dbt) — Portfolio-, Plan-Ist- und Datenqualitätskennzahlen als gemeinsame Basis aller KI-Analysen.
- Guardrails & Evaluation: Evaluations- und Freigabeprozesse für LLM-Antworten bei steuerungsrelevanten Aussagen — Testsets, Metriken, Human-Review.
- Prototyping & Validierung: Iterative Validierung der Agenten-Antworten mit dem Fachbereich — Testfragen-Katalog, Feedback-Schleifen, Antwortqualität je Release.
- Roadmap & Ausbaustufen: Detaillierung der Stufen Assistenz → Monitoring/Alerting → teilautonome Steuerung inkl. Übergangskriterien und Governance je Stufe.
- Integration: Einbettung in die bestehende BI- und Datenlandschaft — BI bleibt System of Record, die KI-Schicht liefert interaktive Drill-down-Pfade als System of Engagement.
- Enablement: Befähigung der Anwender im Fachbereich — Prompting-Leitfäden, Schulungen und Betriebsmodell für den laufenden Einsatz.
- Steuerung: Koordination Fachbereich, Data Engineering, IT-Security & Datenschutz.
- Change Management: Kommunikation und Erwartungsmanagement gegenüber Fachbereich und Management entlang der Ausbaustufen.
Ergebnisse:
- Auf bestehendes tagesaktuelles Datenprodukt mit mehreren Millionen Verträgen aufgesetzt
- Mit Datenschutz und IT-Security abgestimmtes LLM-Setup in EU-Region mit Datentrennung und Freigaben etabliert
- Drei Ausbaustufen bis zur teilautonomen Steuerung definiert
- Rollenspezifische Sichten für Fachbereich, Management und C-Level konzipiert
- Business Case und Management-Pitch für die Ausbaustufen erarbeitet
- Iterativer Validierungsprozess für Antwortqualität mit dem Fachbereich etabliert
- Betriebsmodell für den Assistenzbetrieb konzipiert und in Validierung
Stack: Azure OpenAI, Azure AI Foundry, Snowflake, dbt, React, TypeScript, Entra ID, RAG, Agentic AI, Analyse-Agenten, Human-in-the-Loop, Prompt Engineering, LLM Evaluation, LLMOps, DSGVO / EU-Region, Azure DevOps, Python, SQL, Change Management
Alain B.
Letzte Position:
Interims-Manager | Produktmanager | AdTech- & CDP-Experte | Technische Transformationen bei Freelancer
- Handfeste Produkt und Portfolio Analysen mit Handlungsempfehlungen
- Versiert in Beratung, Konzeptentwicklung und agilem Projektmanagement
- Technische Führung & Teamförderung – für reibungslose agile Umsetzung mit Weitsicht und Guardrails
Björn K.
Letzte Position:
Senior-Entwickler bei D-Trust GmbH, Teil der Bundesdruckerei-Gruppe
- Entwickelte Webanwendungen und Backend-Services für die sichere Umgebung der GEMATIK als Basis für die Beantragung und Verwaltung digitaler medizinischer Berufsausweise, mit Fokus auf höchste Sicherheitsstandards
- Setzte aktuelle Frontend-Technologien, zur Laufzeit konfigurierbare Funktionen und automatisierte Auslieferung in einer Microservice-Architektur mit Helm-Charts und GitLab-Deployment-Pipelines um
- Technologien: React, TypeScript, Java, Spring Boot, Docker, Kubernetes, Helm, Tailwind CSS, OpenShift
Markus J.
Letzte Position:
Unterstützung IKT-Asset-Management & Info-Register bei Zurich
- Finalisierung des Informationsregisters und des IKT-Asset-Managements
- Analysen von IKT-Dienstleistern inkl. Subdienstleistern
- Vertragsanalysen mit Feststellungen zum Schutzbedarf und Systemintegrationsarchitektur
- IDV, kwF und Mapping genehmigungspflichtiger Tätigkeitsprozesse
Aubin T.
Letzte Position:
Business Analyst bei DB Energie
- Agiles Anforderungsmanagement nach Vorgaben der Konsultation
- Entwicklung eines Stammdatensystems
- Vorbereitende Tätigkeiten für Audits
- Steuerung des Entwicklungsteams für die Entwicklung der Micro-Services zur Abrechnungsvorbereitung und -durchführung
- Konzipierung der Anbindung an diverse interne und externe Schnittstellen
- Konzipierung der Release-Zyklen und Planung des Notfall-Managements
Pappu P.
Letzte Position:
Senior Cloud-Berater (AWS-Dienste und Beratung) bei devoteam GmbH
- Entwickelte automatisierte ETL-Pipelines mit AWS Glue und Athena zur Sicherstellung konsistenter Datenqualität und Governance-Anforderungen
- Implementierte Maßnahmen zur Validierung, Anonymisierung und Verschlüsselung von Daten im Einklang mit DSGVO
- Optimierte Cloud-Kosten durch Einführung von FinOps-Verfahren und erhöhte die Transparenz für Fachbereiche
- Überwachte Performance, führte Ursachenanalysen durch und stellte die Einhaltung von SLAs sicher
- Unterstützte Daten- und Lösungsarchitekten beim Aufbau tragfähiger Datenmodelle für ML- und Analytics-Szenarien
Johannes O.
Letzte Position:
Product Owner bei Bundesdruckerei GmbH
- Zusammenstellung fachlicher Anforderungen aus juristisch verbindlichen Quellen anhand von Marktrends und etablierten Lösungen
- Aufnahme von Kundenwünschen und formalen Kundenanforderungen
- Erstellung von Eingangsdokumentationen für eine Systementwicklung
- Kooperation mit dem Gesamtsystemarchitekten bezüglich des möglichen Lösungsraumes
- Zusammenarbeit in einem agilen Entwicklungsteam sowie mit dem Projektmanagement bezüglich Methodik und Kundenschnittstellen
- Konzeptionelle Zerlegung der Anforderungen in generische und spezielle Anteile als Zuarbeit für die Fachabteilungen
- Erarbeitung von Anforderungen und Umsetzungskonzepten mit Juristen und Datenschutzverantwortlichen
- Fachliche Führung eines englischsprachigen, cross-funktionalen Entwicklungsteams innerhalb eines Großprojekts mit über 100 Personen und mehreren agilen Scrum-Teams
- Erfolgreiche und termingerechte Implementierung der Antragsstrecke „Visa zum Zweck der Familienzusammenführung“ im Auslandsportal
- Funktionaler Ausbau des Visa-Navigators zur schnellen und einfachen Ermittlung des richtigen Visums für Antragsteller
- Einsatz agiler Methoden mit Elementen aus SAFe und LeSS
- Identifikation und Bewertung von Anforderungen mit Stakeholdern, einschließlich Change Requests sowie Feedback von Auslandsvertretungen und Endanwender*innen
- Aufnahme, Dokumentation und Konsolidierung von Anforderungen in Jira und Confluence
- Analyse technischer und fachlicher Anforderungen, Prüfung von Bugs sowie Überführung in Epics und User Stories mit klaren Akzeptanzkriterien
- Kontinuierliches Backlog-Refinement und Priorisierung von Product Backlog Items
- Vermittlung zwischen unterschiedlichen Interessen der Stakeholder und den Möglichkeiten des Entwicklungsteams
- Moderation von Workshops und Meetings zur Konsensbildung und Konfliktlösung
- Teilnahme und Moderation von Scrum of Scrums
- Enge Abstimmung mit Architekten, UI/UX-Experten und Business Analysten
- Kontinuierliche Beseitigung von Barrieren nach BITV und Durchführung wiederkehrender Prüfungsleistungen
- Abnahme von umgesetzten User Stories und Epics mit dem Entwicklerteam
- Gemeinsame Roadmap-Planung mit dem Kunden über die nächsten 4 Quartale
- Erstellung und Verwendung von Initiativen in JIRA
- Abstimmung der Release-Planung mit Test- und Release-Managern
- Regelmäßige Präsentation der Sprint-Ergebnisse gegenüber den Stakeholdern
- Konfiguration komplexer Jira- und Kanban-Workflows
- Ansprechpartner für Stakeholder für inhaltliche Fragestellungen
- Identifikation und Bewertung von Projektrisiken und stetiges Monitoring
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die Data-Pseudonymization-Experten einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
16 Jahre
Positionsdauer
2,1 Jahre
Positionen pro Freelancer
10
Häufigste Fachbereiche
Informationstechnologie (IT), Business Intelligence, Produktentwicklung
Häufigste Branchen
Bank- und Finanzwesen, Informationstechnologie (IT), Einzelhandel
Fokus der Zertifizierungen
Informationstechnologie (IT), Produktentwicklung, Projektmanagement
Bachelor-Abschluss oder höher
100%
Master-Abschluss oder höher
40%
Zertifizierungen pro Freelancer
4
Häufigste Sprachen
Deutsch, Englisch, Bulgarisch
Sprechen zwei oder mehr Sprachen
88%
Basierend auf unserem Profilpool, Stand 29 Okt 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Experten in dieser Technologie in Deutschland verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, welcher Anteil der Experten innerhalb dieser Spanne abrechnet.
Durchschnittssätze von Experten in Deutschland, die Data-Pseudonymization-Experten einsetzen
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 29 Okt 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Branchenfokus der Data-Pseudonymization-Experten Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Bank- und Finanzwesen (75%)
- Informationstechnologie (IT) (75%)
- Einzelhandel (50%)
- Energie (38%)
- Gesundheitswesen (38%)
- Versicherung (38%)
- Professionelle Dienstleistungen (38%)
- Regierung und öffentliche Verwaltung (38%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Technologie
Was es leistet
Bei der Pseudonymisierung von Daten werden direkte Identifikatoren durch künstliche Werte ersetzt, während die Daten für freigegebene Zwecke nutzbar bleiben. Eine geschützte Zuordnung kann eine autorisierte Re-Identifizierung ermöglichen, anders als bei einer irreversiblen Anonymisierung. Dieser Ansatz unterstützt Analysen, Softwaretests, Forschung und maschinelles Lernen, ohne Namen, Kontaktdaten oder Kontoidentifikatoren in jedem Prozess offenzulegen.
Zentrale Methoden
Zu den gängigen Umsetzungen gehören konsistente Tokenisierung, deterministische Verschlüsselung, Hashing mit kontrollierten Schutzmaßnahmen und formatbewahrende Ersetzung. Maskierung kann ausgewählte Felder in Oberflächen oder Exporten verbergen, während eine vault-basierte Tokenisierung den ursprünglichen Wert in einem separaten geschützten Dienst aufbewahrt. Die richtige Methode hängt von Reversibilität, Verknüpfbarkeit, Leistung und Zugriffskontrollen ab.
Ökosystem und Tools
Spezialisten arbeiten mit Datenbanken, Data Warehouses, APIs und Batch-Pipelines. Ihr Werkzeugkasten kann Cloud-Datendienste, Schlüsselverwaltungssysteme, Secrets Manager, Identity and Access Management, ETL-Frameworks und Datenkataloge umfassen. Außerdem verbinden sie Pseudonymisierung mit Datenschutztests, Audit-Logging, Aufbewahrungsregeln und Maßnahmen zur Verhinderung von Datenverlust.
Einsatzbereiche
- Erstellung realistischer, aber geschützter Test- und Entwicklungsdatensätze
- Trennung von Kundenidentitäten und Analyse- sowie Reportingdaten
- Vorbereitung klinischer, finanzieller oder öffentlicher Datensätze für die Forschung
- Verringerung der Offenlegung in Data Lakes, Data Warehouses und gemeinsamen Exporten
- Schutz von Identifikatoren über Event-Streams und Service-Integrationen hinweg
Das Design muss die Beziehungen und Datenqualität bewahren, die ein Anwendungsfall benötigt, ohne sensible Felder breit zugänglich zu machen.
Wann Expertise hilfreich ist
Unternehmen holen meist freiberufliche Spezialisten hinzu, wenn bestehende Datenflüsse keine einheitlichen Kontrollen haben, eine neue Analyseumgebung eingeführt wird oder für Tests produktionsnahe Datensätze benötigt werden. Anzeichen dafür sind wiederholte manuelle Maskierung, unkontrollierte Kopien, unklare Rechte zur Re-Identifizierung, offengelegte Identifikatoren in Logs und widersprüchliche Aufbewahrungspraktiken. In Deutschland können Spezialisten Teams außerdem dabei unterstützen, technische Kontrollen mit interner Datenschutz-Governance und den Erwartungen der Stakeholder in Einklang zu bringen.
Gute Fachkräfte
Gute Fachkräfte beginnen mit Datenermittlung und Bedrohungsmodellierung, statt eine allgemeine Maskierungsregel anzuwenden. Sie dokumentieren Schutzziele, Vertrauensgrenzen, Schlüsselverantwortung, Zugriffswege, Bedingungen für die Re-Identifizierung und Fehlerszenarien. Sie validieren die Nutzbarkeit mit realistischen Abfragen, testen Joins und Sonderfälle, überwachen Änderungen an Pipelines und hinterlassen klare Betriebsabläufe für Sicherheits-, Daten- und Anwendungsteams. Die Zusammenarbeit aus der Ferne funktioniert gut, wenn Dokumentation und Verantwortlichkeiten eindeutig sind; deutschsprachige Kommunikation kann bei lokal koordinierten Compliance-Arbeiten hilfreich sein.
Häufig gestellte Fragen
Vor der nächsten Projektanfrage: die häufigsten Fragen zu Data-Pseudonymization-Experten.
Data Pseudonymization schützt direkte Identifikatoren und bewahrt gleichzeitig Datenbeziehungen für freigegebene Verarbeitungen. Unternehmen nutzen sie für Analysen, Softwaretests, Forschung, Reporting und maschinelles Lernen, wenn vollständig anonyme Daten zu viel Nutzwert verlieren würden.
Pseudonymisierung ersetzt Identifikatoren durch Werte, die unter kontrollierten Bedingungen zurückverknüpft werden können. Anonymisierung zielt darauf ab, eine Re-Identifizierung unmöglich oder praktisch undurchführbar zu machen. Die Wahl hängt daher vom Anwendungsfall, dem verbleibenden Risiko und dem Governance-Modell ab.
Data Pseudonymization ist ein umfassenderer Schutzansatz, der Tokenisierung, Verschlüsselung, Hashing oder Ersetzung einsetzen kann. Tokenisierung ist sinnvoll, wenn ein geschützter Vault den ursprünglichen Wert aufbewahren soll, während Maskierung oft besser für begrenzte Anzeige- oder Exportszenarien geeignet ist.
Data Pseudonymization profitiert von Kenntnissen in Datenmodellierung, ETL-Pipelines, Cloud-Speichern, Datenbanken, Schlüsselverwaltung und Identitätskontrollen. Privacy Engineering, Bedrohungsmodellierung, Audit-Design und Tests der Datenqualität sind ebenfalls wertvoll, wenn geschützte Daten nutzbar bleiben müssen.
Eine Data Pseudonymization-Aufgabe erfordert genügend Erfahrung, um die beteiligten Datenflüsse, Anforderungen an die Reversibilität und betrieblichen Risiken zu verstehen. Ein guter Spezialist sollte vergleichbare Arbeiten mit Produktions-Pipelines, Testdaten, Zugriffskontrollen und dokumentierten Verfahren zur Re-Identifizierung vorweisen können.
Data Pseudonymization-Projekte können häufig remote umgesetzt werden, da Ermittlung, Design, Implementierung und Tests weitgehend digital erfolgen. Die Zusammenarbeit vor Ort kann dennoch hilfreich sein, wenn eingeschränkte Umgebungen, interne Workshops oder deutschsprachige Governance-Prozesse eine direkte Abstimmung erfordern.
Die Qualität von Data Pseudonymization sollte anhand von Bedrohungsmodellierung, Re-Identifizierungstests, Zugriffsprüfungen und Kontrollen bewertet werden, die sicherstellen, dass erforderliche Datenbeziehungen weiterhin funktionieren. Bitten Sie den Spezialisten, Schlüsselverantwortung, Fehlerbehandlung, Überwachung, Rollback und die Erkennung von Änderungen an Quellsystemen zu erläutern.
Pseudonymization-Spezialisten sollten klären, welche Felder sensibel sind, ob Verknüpfungen konsistent bleiben müssen, wer die Transformation rückgängig machen darf und wo geschützte Zuordnungen gespeichert werden. Außerdem sollten sie die Datenumgebungen, Liefergrenzen, Testmethode, Dokumentationserwartungen und die Sprache der Zusammenarbeit bestätigen.
Der durchschnittliche Stundensatz von Freelancern in Deutschland, die Data Pseudonymization in ihren letzten Projekten eingesetzt haben, liegt bei 114 €, was einem Tagessatz von etwa 913 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Deutschland, die Data Pseudonymization in ihren letzten Projekten eingesetzt haben, haben 100% mindestens einen Bachelor-Abschluss und 40% mindestens einen Master-Abschluss.
Freelancer in Deutschland, die Data Pseudonymization in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 16 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 2,1 Jahre.
Die häufigsten Sprachen unter Freelancern in Deutschland, die Data Pseudonymization in ihren letzten Projekten eingesetzt haben, sind Deutsch (100%), Englisch (88%) und Bulgarisch (13%).
Die häufigsten Industrien unter Freelancern in Deutschland, die Data Pseudonymization in ihren letzten Projekten eingesetzt haben, sind Bank- und Finanzwesen (75%), Informationstechnologie (IT) (75%) und Einzelhandel (50%).
Die häufigsten Bereiche unter Freelancern in Deutschland, die Data Pseudonymization in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Business Intelligence (75%) und Produktentwicklung (75%).
Hauptstandorte der FRATCH Experten, die kürzlich Data-Pseudonymization-Experten eingesetzt haben
Unsere Freelancer und Interim-Experten sind in der gesamten DACH-Region zuhause — verfügbar vor Ort in den wichtigsten Wirtschaftszentren oder komplett remote. Wähle einen Standort und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Berlin Hamburg München Köln Frankfurt Stuttgart Düsseldorf Leipzig Dortmund Essen Bremen Dresden Hannover Nürnberg 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
