Databricks Experten in Berlin
entwickeln, die in wenigen Minuten per KI vermittelt werdenBeauftragen Sie Experten, die Lakehouse-Plattformen entwickeln, Apache Spark-Pipelines erstellen und Machine Learning mit MLflow in den Betrieb überführen. FRATCH verbindet Sie schnell mit geprüften, verfügbaren Freelancern, deren Fähigkeiten zu Ihrem Databricks-Projekt passen.
Lerne FRATCH Experten in Berlin kennen, die kürzlich Databricks eingesetzt haben
Dmitry P.
Letzte Position:
Freelance Digital Marketing Analyst bei Freelance
- Marketingstrategie: End-to-end-Analyse und Bewertung von kanalübergreifenden Marketingkampagnen über die gesamte Customer Journey hinweg. Mein Fokus liegt darauf, Optimierungspotenziale zu erkennen und klare, umsetzbare Empfehlungen abzuleiten, die messbare Geschäftsergebnisse erzielen.
- Data Science & KI: Fortgeschrittene prädiktive Modelle (Churn, LTV), Market-Basket-Analysen, Clustering und KI-gestützte Audience Discovery in Echtzeit mit RAG/LLMs.
- Marketing Analytics & Measurement: End-to-end-Attributionsanalyse, Marketing Mix Modeling (MMM), Audience Segmentation, Conversion-Path-Analyse und A/B-Tests über alle wichtigen Plattformen hinweg.
- Data Engineering & Reporting: Aufbau und Betreuung robuster, plattformübergreifender Datenpipelines (BigQuery, GCP) für die Datenkonsolidierung, automatisierte Dashboard-Erstellung und wichtige API-Integrationen.
Alexander Z.
Letzte Position:
Senior Data Solutions Engineer bei VMware Inc.
- Private Cloud-Datenplattform auf VMware vSphere entworfen und implementiert, Greenplum MPP, Apache Kafka, Kubernetes und Apache Solr integriert und Echtzeit-Ingestion-Pipelines mit Kafka Connect und Schema Registry entwickelt.
- Migration von Oracle Exadata zu Greenplum geleitet, Datenmodelle neu architektonisch aufgebaut, Speicher optimiert, RabbitMQ mit Debezium für CDC implementiert und VectorDB für Generative AI eingeführt.
- PoC für Multi-Cloud-Migration über AWS, Azure und GCP entworfen und umgesetzt, KPIs für Durchsatz, Latenz und Kosteneffizienz definiert, Bulk-Datentransfers durchgeführt, Analytics- und Streaming-Workloads validiert und Architektur-Empfehlungen im großen Maßstab geliefert.
- Legacy-On-Premises-Infrastruktur bewertet und moderne cloud-native Datenplattformen mit Greenplum und containerisierten Microservices entworfen, mit Beratung zu Skalierbarkeit, Disaster Recovery und High Availability.
Sejal V.
Letzte Position:
Data & ML Engineering bei Consulting
- Fractional Leadership; Beratung von Startups und Scale-ups in der Wachstumsphase zu Datenstrategie, ML-Produkten und Plattform-Grundlagen
- Aufbau von Entscheidungssystemen für Growth, Personalisierung und Produktexperimente in E-Commerce, Digital Health, Energie und Logistik
- Erforschung von Agentic AI und LLM-basierten Tools für produktionsreife Muster
Tobias L.
Letzte Position:
Data Engineer bei unitb consulting GmbH
Aufgaben: Design und Betrieb von End-to-End-Cloud-Datenplattformen für Enterprise-Kunden in Verlag und Finanzwesen, inkl. Infrastruktur-Automatisierung, Pipeline-Entwicklung, Monitoring und Datenqualität.
Tätigkeiten:
- Aufbau mehrschichtiger Datenarchitekturen auf Databricks (Apache Spark, Delta Lake), BigQuery und GCP
- Vollautomatisierung der Cloud-Infrastruktur mit Terraform über 3 Umgebungen (DEV/STG/PRD)
- Entwicklung automatisierter Datenpipelines mit Python, dbt und GCP-Services für verschiedene Datenquellen
- Aufbau von Monitoring- und Alerting-Systemen für die Echtzeit-Überwachung der Plattform
- Implementierung von Datenversionierung und Qualitätschecks auf jeder Schicht
- Design automatisierter Test- und Deployment-Pipelines in GitLab und Bitbucket
Erfolge:
- 2× Produktions-Datenverarbeitungskapazität, Spike-Reaktionszeit von Minuten auf ≤15 s reduziert, Serverfehler ≈ 0
- 3.000 Zeilen manuelle Konfiguration durch ein wiederverwendbares Automatisierungsmodul für 7 Kundendomains ersetzt, Konfigurationsfehler auf 0
- Vollständige Datenplattform end-to-end geliefert bei ~10 €/Monat Infrastrukturkosten
- 7 Datenbanktabellen migriert mit 0 nachgelagerten Problemen
- 100 % offengelegte Credentials entfernt, externe Vendor-Abhängigkeit eliminiert
- Integration von 3 Teams in 1 Sprint geliefert
Diogo S.
Letzte Position:
Backend-Engineer und AI-Orchestrator bei Stealth Startup
- Biete freiberufliche Softwareentwicklungs- und AI-Orchestrierungsdienste für ein Startup in der Frühphase an.
- Entwickle und koordiniere autonome KI-Systeme, die komplexe, mehrstufige Workflows ausführen können.
- Entwickle Piloten und Proof-of-Concept-Lösungen mit Kundenkontakt.
- Nehme an Meetings mit Kunden und Investoren teil, um die Produktentwicklung und Geschäftsgespräche zu unterstützen.
Hamza K.
Letzte Position:
Wissenschaftlicher Forschungsmitarbeiter im Gesundheitsbereich (ehrenamtlich)
- Agierte als technischer Berater zur Optimierung von mehrschichtigen Ensemble-Modellen, die ResNet, CNN-BiGRU-Attention und XGBoost kombinierten.
- Begleitete die Umsetzung eines Logistic-Regression-Meta-Lerners zur Lösung von Klassenungleichgewichten und erreichte 92,86 % Genauigkeit und einen AUC-Wert von 0,9644 auf den Datensätzen PTB-XL und Chapman-Shaoxing.
Jan K.
Letzte Position:
Datenexperte bei Fertigung
Enrico G.
Letzte Position:
Freiberuflicher Software & Data/AI Engineer bei Freiberuflicher Software & Data/AI Engineer
- Dozent für den GenAI-Track des Master School Institute of Technology
- Entwicklung einer Full-Stack-KI-Anwendung (React + Python/FastAPI) für den automatisierten Lieferanten-Produktimport mit intelligenter Spalten- und Kategorienklassifizierung (4-Layer, hierarchisch) inkl. Human-in-the-Loop-Validierung
Raphael M.
Letzte Position:
Gründer / Quant-Entwickler bei Market Maker
- Entwicklung von Krypto-Quant-Strategien, automatisierte Handelsausführung, On-Chain-Daten-Client (Ethereum / Solana)
- Entwicklung von Daten- und Handelsarchitektur für Liquiditätsbereitstellung
Santina W.
Letzte Position:
Business Analystin & BI-Strategin - Vergleichsportal bei dataweys (selbstständig)
- Bestandsaufnahme der bestehenden Reporting-Landschaft und strategische Bündelung des Bedarfs
- Migration und Konsolidierung von Reports auf Metabase, Anbindung an ClickHouse als Datengrundlage
- Aufbau und Pflege von Datenpipelines
Stack: Metabase · ClickHouse · Appsmith · Airflow
Vili D.
Letzte Position:
Technical Lead, Data Engineer bei Mercedes-Benz Consulting
- Optimierung der Datenarchitektur (Medallion) für eine bessere Entkopplung der Verarbeitungsschritte sowie höhere Transparenz und Reproduzierbarkeit
- Technische Qualitätssicherung der Datenverarbeitung in Databricks durch Einführung von Schema Enforcement, Datenqualitätschecks und strukturierter Datenarchitektur
- Pipeline-Orchestrierung mit Azure Data Factory
- Professionalisierung und Automatisierung des Entwicklungs- und Deploymentprozesses durch Integration von Git und GitHub Actions
- Fachliche Führung des Data Engineering Teams (3 Mitarbeitende)
- Leitung von Workshops zur Optimierung und Stabilisierung der Datenplattform und des Entwicklungsprozesses
- Aufnahme und Priorisierung neuer Anfragen, Pflege des Produktbacklogs
- Technologien: Microsoft Azure (Data Lake, Data Factory), Databricks, Apache Spark (PySpark), Python, SQL, Git, Confluence, Power BI, Power Apps, Dataverse, MS SharePoint, Mural
Bertrand R.
Letzte Position:
Interim IAM Product Owner (Identitätsmanagement) bei REWE digital GmbH
- Etablierung von Identity- & Directory-Management als neues (ausgelagertes) Team und Produkt im IAM-Cluster.
- Leitung des Produkts „Identity & Directory Management“ (8 Personen) als Product Owner.
- Konzept für „Digitale Identitäten“, d. h. IDs mit beliebig vielen Nutzern/Konten und Strategie für ein modernisiertes Produktangebot.
- Modernisierung der APIs, Migration zu containerisierter Infrastruktur, Rollout in internationale Märkte und standardisierte Lösungen im gesamten REWE-Konzern.
- Tech: OpenText™ (NetIQ) eDirectory & Identity Manager, LDAP, SAP HR/HCM, Docker/Kubernetes/Podman, REST-APIs, Microsoft Active Directory & Entra ID, PostgresDB, Keycloak, Ansible, Cyberark (PAM), Apache Kafka, Jira, Confluence, Miro.
Ashwin P.
Letzte Position:
Datenwissenschaftler bei Mercor Intelligence
- Steigerte die Zuverlässigkeit der LLM-Ausgaben durch Erstellung domänenspezifischer Prompts und Evaluationslogik und verbesserte damit die Konsistenz der Schlussfolgerungen in Produktions-Workflows von Sprachmodellen.
- Entwickelte fortgeschrittene Coding-Benchmarks und validierte Lösungen zur Stärkung von Trainings- und Evaluierungsdatensätzen, wodurch die Modellleistung bei technischen Problemlösungsaufgaben verbessert wurde.
- Entwarf und implementierte automatisierte Evaluierungsframeworks für technische Reasoning-Aufgaben; optimierte die Zuverlässigkeit der LLM-Ausgaben um 15 % durch rigoroses Prompt-Engineering und bewertungsbasierte Benchmarking.
Joachim G.
Letzte Position:
Softwarekoordinator / Business Analyst / Entwickler bei Kassenärztliche Vereinigung Sachsen
- Leitung von Abstimmungen zwischen Fachbereich und IT
- Koordination von Entwicklung und Test
- Business Analyse und strukturierte Anforderungsaufnahme
- Spezifikation fachlicher und technischer Anforderungen
- Integration von Schnittstellen zu internen Systemen
- Entwicklung von SQL-Abfragen und Reporting
- Dokumentation in Confluence Ergebnis: Termingerechte Inbetriebnahme, strukturierte und abgestimmte Projektbasis, Sicherstellung eines koordinierten Projektablaufs.
Rohini A.
Letzte Position:
Senior Produktmanager bei Zalando
- Produktstrategie & Vision: Leitung der Reporting-Plattform für Kampagnen-Performance mit über 700 Partnern, Umwandlung manueller, auf MSTR basierender Wochenberichte in eine Echtzeit-Self-Service-Plattform zur Steigerung der Partner-Autonomie und operativen Effizienz
- Strategisches Roadmap-Management: Führung einer stufenweisen Migration mit Priorisierung von Performance-Kampagnen (70 % Umsatz) vor Awareness und Engagement, um eine iterative Plattformentwicklung im Einklang mit Zielen, Partner-Feedback, DSGVO-Vorgaben und Datenaufbewahrungsrichtlinien voranzutreiben
- Nutzerforschung & Kundenerkundung: Regelmäßige Interviews mit Partnern geführt, um Berichtserfordernisse, Entscheidungsprozesse und zusätzliche KPI-Anforderungen zu verstehen, und diese Erkenntnisse in Plattform-Verbesserungen und Feature-Priorisierungen überführt
- Funktionsübergreifende Führung: Zusammenarbeit mit Produktberatern, Analysten, Dateningenieuren, Frontend-Teams und Produktmarketing zur nahtlosen Plattformmigration, Verringerung des PC-Teams um 2 FTE bei gleichzeitiger Verbesserung der Servicequalität
- Skalierte Nutzerakzeptanz: Strategisches Onboarding der Top-30-Partner im Partnerprogramm, Ausweitung auf über 700 Partner im Partnerprogramm und Großhandel durch Schulungsdokumentation, Trainingskoordination und iterative Feedback-Einbindung
- Datengetriebene Produktoptimierung: Implementierung von Google Analytics Tracking und Engagement-Monitoring, Identifikation von Features mit geringer Nutzung (Bericht-Downloads, Detaillinks), Einsatz von AppCues und Re-Engagement-Kampagnen mit einer wöchentlichen Engagement-Rate von 40 %
- KPI-Standardisierung & Governance: Leitung einer funktionsübergreifenden Initiative zur Vereinheitlichung von KPI-Definitionen und -Formeln in Berichten, Dashboards und der ZMS-Plattform, Festlegung von North-Star-Metriken und wesentlichen KPIs für jedes Kampagnenziel zur Gewährleistung konsistenter Messung und Entscheidungsfindung
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die Databricks einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
12 Jahre (Deutschland: 15 Jahre)
Positionsdauer
1,9 Jahre (Deutschland: 2,9 Jahre)
Positionen pro Freelancer
9 (Deutschland: 10)
Häufigste Fachbereiche
Informationstechnologie (IT), Produktentwicklung, Business Intelligence
Häufigste Branchen
Informationstechnologie (IT), Bank- und Finanzwesen, Professionelle Dienstleistungen
Fokus der Zertifizierungen
Informationstechnologie (IT), Business Intelligence, Projektmanagement
Bachelor-Abschluss oder höher
100% (Deutschland: 97%)
Master-Abschluss oder höher
65% (Deutschland: 68%)
Doktortitel
24% (Deutschland: 17%)
Zertifizierungen pro Freelancer
2 (Deutschland: 3)
Häufigste Sprachen
Deutsch, Englisch, Spanisch
Sprechen zwei oder mehr Sprachen
96% (Deutschland: 97%)
Basierend auf unserem Profilpool, Stand 19 Sep 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Freelancer in dieser Technologie in Berlin 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 von Experten in Berlin, die Databricks 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 19 Sep 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Branchenfokus der Databricks Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (78%)
- Bank- und Finanzwesen (39%)
- Professionelle Dienstleistungen (39%)
- Bildung (35%)
- Automotive (30%)
- Gesundheitswesen (30%)
- Energie (26%)
- Fertigung (26%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Technologie
Lakehouse-Grundlage
Databricks ist eine cloudbasierte Daten- und KI-Plattform, die auf der Lakehouse-Architektur basiert. Sie verbindet skalierbare Datenspeicherung mit Analytics, Data Engineering, Business Intelligence und Machine Learning in einer Umgebung. Teams nutzen sie, um Rohdaten in verwaltete Tabellen, Modelle, Dashboards und Produktionsservices umzuwandeln.
Zentrale Workloads
Databricks unterstützt Batch- und Streaming-Workloads für Kunden-, Betriebs- und Maschinendaten. Typische Aufgaben umfassen:
- Entwerfen von Delta Lake-Tabellen und Medallion-Architekturen
- Erstellen von Apache Spark ETL- und Streaming-Pipelines
- Erstellen von SQL-Warehouses, Dashboards und Datenprodukten
- Trainieren, Registrieren und Bereitstellen von Machine-Learning-Modellen
- Migrieren veralteter Warehouses oder Hadoop-Workloads
Ökosystem und Tools
Erfahrene Databricks-Spezialisten arbeiten mit Apache Spark, Delta Lake, Unity Catalog und Databricks SQL. Sie nutzen möglicherweise auch MLflow für das Nachverfolgen von Experimenten und das Management des Modelllebenszyklus, Workflows für die Orchestrierung und Delta Live Tables für die Entwicklung verwalteter Pipelines. Cloud-Kenntnisse sind wichtig, da Databricks auf Microsoft Azure, Amazon Web Services und Google Cloud läuft.
Wann Expertise hilft
Unternehmen holen häufig freiberufliche Expertise hinzu, wenn ein Lakehouse entworfen werden muss, eine Datenlandschaft migriert werden soll oder Pipelines immer schwieriger zu betreiben sind. Unterstützung durch Spezialisten ist auch sinnvoll, wenn Governance, Kostenkontrolle, Streaming-Zuverlässigkeit oder die Bereitstellung von Machine Learning zu einer geschäftlichen Priorität geworden sind. Berliner Teams können Vor-Ort-Workshops mit einer Remote-Umsetzung über internationale Daten- und Produktgruppen hinweg verbinden.
Umsetzungskompetenzen
Ein kompetenter Profi kann Geschäftsfragen in robuste Datenmodelle und produktionsreife Workflows übersetzen. Er versteht Partitionierung, Schema-Evolution, inkrementelle Verarbeitung, Performance-Tuning und Zugriffskontrollen, statt Notebooks als fertiges Produkt zu betrachten. Erfahrung mit Python, SQL, Scala, Cloud-Identitäten und Infrastrukturautomatisierung kann die Umsetzung stärken.
Die richtige Auswahl
Achten Sie auf Nachweise einer vollständigen Databricks-Umsetzung: Architekturentscheidungen, getestete Pipelines, überwachte Jobs und dokumentierte Governance. Fragen Sie, wie der Spezialist mit Datenqualität, Datenherkunft, Fehlerbehebung und Workload-Isolierung umgeht. Gute Fachleute erklären die Abwägungen zwischen Delta Lake, Warehouse-Mustern und anderen Cloud-Datendiensten und hinterlassen anschließend wartbaren Code, klare Runbooks und eine Plattform, die das interne Team betreiben kann.
Häufig gestellte Fragen
Was Kunden uns zu Databricks am häufigsten fragen – kurz beantwortet.
Databricks wird verwendet, um Lakehouse-Plattformen für Data Engineering, Analytics und Machine Learning zu entwickeln. Unternehmen nutzen es für Batch- und Streaming-Pipelines, verwaltete Datenprodukte, SQL-Reporting, Modellentwicklung und Datenverarbeitung in Echtzeit.
Databricks kombiniert Data-Lake-Speicher, Apache Spark-Verarbeitung, SQL-Analytics und Machine Learning in einer Plattform. Ein herkömmliches Warehouse bietet möglicherweise einfachere Reporting-Abläufe, während Databricks oft in Betracht gezogen wird, wenn Teams flexible Verarbeitung, Datentransformationen im großen Maßstab oder gemischte Daten- und KI-Workloads benötigen.
Ein starker Databricks-Spezialist verfügt in der Regel über Kenntnisse in Apache Spark, Python, SQL, Delta Lake und Cloud-Datenplattformen. Nützliche ergänzende Fähigkeiten sind Unity Catalog, MLflow, Infrastrukturautomatisierung, Orchestrierung, Streaming-Systeme und Praktiken zur Datenqualität.
Das richtige Niveau hängt vom Umfang ab, nicht von einer festen Dauer. Eine fokussierte Pipeline benötigt möglicherweise einen Spezialisten, der innerhalb einer bestehenden Plattform arbeiten kann, während ein neues Lakehouse nachweisbare Erfahrung mit Architektur, Migration, Sicherheit, Governance und Betriebsmodellen erfordert.
Ja. Databricks-Arbeit eignet sich gut für die Remote-Zusammenarbeit, da Entwicklung, Cloud-Umgebungen und Dokumentation online geteilt werden können. Vor-Ort-Workshops in Berlin können dennoch bei Architekturentscheidungen, der Abstimmung mit Stakeholdern und der Übergabe helfen, insbesondere wenn mehrere Teams für die Datenlandschaft verantwortlich sind.
Bitten Sie um konkrete Beispiele für Databricks-Lösungen, die in Produktion gegangen sind, nicht nur um Notebook-Prototypen. Fragen Sie, wie der Spezialist Tests, Monitoring, Schemaänderungen, Zugriffskontrollen, Performance und Wiederherstellung umgesetzt hat, und prüfen Sie, ob der daraus entstandene Code und die Dokumentation wartbar sind.
Databricks unterstützt den gesamten Machine-Learning-Workflow, einschließlich Feature-Aufbereitung, Experiment-Tracking, Modellregistrierung und Bereitstellung. MLflow wird häufig zusammen mit der Plattform verwendet, während Spezialisten Governance, Bereitstellungsautomatisierung und Monitoring ergänzen können, um Modelle in der Produktion zuverlässig zu machen.
Die Arbeit mit Databricks umfasst häufig Notebooks, Repositories, Workflows, Cluster- oder Compute-Konfigurationen und die Überführung in andere Umgebungen. Freelancer sollten mit Versionskontrolle, automatisierten Tests, Secrets-Management, Cloud-Berechtigungen und wiederholbaren Bereitstellungspraktiken vertraut sein, statt sich auf manuelle Änderungen im Workspace zu verlassen.
Der durchschnittliche Stundensatz von Freelancern in Berlin, Deutschland, die Databricks in ihren letzten Projekten eingesetzt haben, liegt bei 83 €, was einem Tagessatz von etwa 663 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Berlin, Deutschland, die Databricks in ihren letzten Projekten eingesetzt haben, haben 100% mindestens einen Bachelor-Abschluss, 65% mindestens einen Master-Abschluss und 24% einen Doktortitel.
Freelancer in Berlin, Deutschland, die Databricks in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 12 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 1,9 Jahre.
Die häufigsten Sprachen unter Freelancern in Berlin, Deutschland, die Databricks in ihren letzten Projekten eingesetzt haben, sind Deutsch (100%), Englisch (96%) und Spanisch (13%).
Die häufigsten Industrien unter Freelancern in Berlin, Deutschland, die Databricks in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (78%), Bank- und Finanzwesen (39%) und Professionelle Dienstleistungen (39%).
Die häufigsten Bereiche unter Freelancern in Berlin, Deutschland, die Databricks in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (96%), Produktentwicklung (83%) und Business Intelligence (78%).
Hauptstandorte der FRATCH Experten, die kürzlich Databricks 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.
Hamburg 
München 
Köln 
Frankfurt 
Düsseldorf 
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
