dbt Experten in München
, in wenigen Minuten aus über 15.000 Lebensläufen mithilfe von KI vermitteltBeauftragen Sie Experten, die Rohdaten aus Data Warehouses in getestete und dokumentierte Modelle umwandeln, zuverlässige Analyse-Workflows etablieren und dbt mit modernen Datenplattformen verbinden. FRATCH vermittelt schnell und präzise geprüfte, verfügbare Freelancer.
Lerne FRATCH Experten in München kennen, die kürzlich dbt eingesetzt haben
Emanuel F.
Letzte Position:
Interimsarchitekt & Data-Taskforce-Leiter bei Freelancer / Projekteinsätze
- Data Engineering: Konzeption und Implementierung skalierbarer Datenpipelines
- Legacy-Migrationen zu Microsoft Fabric (Lakehouse, Dataflows Gen2, Pipelines)
- BO-Universe-Migrationen zu MS Fabric / Semantic Models / Power BI
- Taskforce für datengetriebene Transformationsprojekte nach Azure Fabric / Oracle / MSSQL
Suyash S.
Letzte Position:
Data Analyst - Reporting & Analytics bei SIXT SE
- Entwickelte und pflegte analytische Reporting-Lösungen für Kunden, um Umsatztrends, Leistungsfaktoren, Risiken und Optimierungspotenziale zu identifizieren und datengetriebene Entscheidungen in Sales, Finance, Product, Data Engineering und Controlling zu unterstützen.
- Definierte und analysierte Kundentrends und Leistungskennzahlen, um Ursachen für Abweichungen, Anomalien und neue Risiken in verschiedenen Geschäftsbereichen zu identifizieren und umsetzbare Empfehlungen abzuleiten.
- Entwickelte und verantwortete analytische Datenmodelle und Reporting-Layer, um Skalierbarkeit, Performance und analytische Robustheit für Executive- und Operational-Reporting in verschiedenen Geschäftsbereichen sicherzustellen.
- Plante, verfolgte und setzte Projekte um und stellte dabei durch strenge Validierungs- und Abgleichsprozesse die Einhaltung von Zeitplänen, Datenqualität, Konsistenz, Lieferergebnissen, Zuverlässigkeit und Datenqualitätsstandards sicher.
- Erhöhte die analytische Reife durch die Formalisierung analytischer Workflows, die Dokumentation von Datenprozessen und Standard Operating Procedures (SOPs) sowie durch Schulungen zur Förderung von Self-Service-Analytics und zur Verankerung einer datengetriebenen Kultur in operativen und fachlichen Teams.
- Übernahm die Verantwortung für die End-to-End-Roadmap von der Anforderungserhebung und Datensammlung über Transformation und die Entwicklung robuster Business-Logiken bis hin zum Data Storytelling und zur Übergabe an Stakeholder.
- Übersetzte Komplexität in strukturierte Klarheit, indem Anforderungen und Geschäftsprozesse in analytische Empfehlungen überführt wurden, um die Abstimmung zwischen nicht-technischen und technischen Stakeholdern sicherzustellen.
- Führte fortgeschrittene SQL-basierte Analysen komplexer Geschäftsdaten durch, um Trends, Zusammenhänge und Möglichkeiten zur Leistungsverbesserung aufzudecken.
- Trieb Prozessautomatisierung und Effizienzsteigerungen voran, indem Python, SQL-Optimierung und KI-gestützte Tools genutzt wurden, um Verarbeitungszeiten zu reduzieren und die Zuverlässigkeit analytischer und operativer Workflows zu erhöhen.
- Standardisierte KPI-Definitionen und Reporting-Logiken, um Konsistenz und Vertrauen in Reporting-Lösungen sicherzustellen.
- Entwickelte Dashboards und Analysen zur Prozessüberwachung, um Ineffizienzen, Engpässe und Compliance-Abweichungen in End-to-End-Geschäftsprozessen zu identifizieren und umsetzbare Empfehlungen für Prozessverbesserung und Automatisierung abzuleiten.
Any-Arlene N.
Letzte Position:
Co-Founder · Data Engineering & Backend bei zirikana (Kirundi Bible Web App) – Civic Technology
- Entwickelte eine Python-Pipeline, die Web-Inhalte aus dem Lektionar in strukturierte tägliche JSON-Daten umwandelt und dabei liturgische Kalenderregeln für eine genaue Abdeckung von Wochentagen und Sonntagen anwendet.
- Stellte eine reine FastAPI-REST-API mit gemeinsamen Pydantic-Modellen bereit und lieferte einen Kirundi-first Web-Client für Browser und Mobile.
- Verantwortete die Datenebene und die Backend-Architektur, arbeitete eng an Systemarchitektur und Schnittstellen mit und automatisierte Aktualisierungen mit GitHub Actions; außerdem validierte ich das ETL mit pytest.
- Impact: Schuf eine verlässliche, API-gestützte Single Source of Truth für tägliche Bibellesungen auf Kirundi und ermöglichte so einen konsistenten Zugriff auf zuvor unstrukturierte Inhalte.
Serge K.
Letzte Position:
MLOps (machine learning operations) bei REWE Digital GmbH
- Es ist wie ein Start-up innerhalb von REWE, wo wir ein neues Forecasting-System auf der Google Cloud Platform von Grund auf aufbauen müssen. Offiziell heißt meine Rolle zwar MLOps, aber zu meinen tatsächlichen Aufgaben gehören auch die Entwicklung von Datenverarbeitungspipelines (Data Engineering) und Aufgaben von Data Scientists wie Feature Engineering und Modelltraining.
- GCP: Terraform (tofu), Vertex AI (Kubeflow), Cloud Run, IAM, Google Cloud Storage, BigQuery, Artifact Registry
- Data Engineering: Snowflake als zentrales Data Warehouse, Terraform, DBT für die Umsetzung von Datenmodellen
- CI/CD: GitLab. Wir haben eine CI/CD-Pipeline aufgebaut, die Deployments neuer Releases bis in die Produktionsumgebung automatisiert
Eli R.
Letzte Position:
Technical co-founder bei AskTheLaws
- Aufbau eines KI-Rechtsassistenten mit modernen ML-Fähigkeiten.
- Implementierung einer RAG-Architektur mit Datenpipelines für die Suche in Rechtsdaten.
- Einsatz von AWS Bedrock für LLM- und Embedding-Modelle sowie LangChain/LangGraph
- Python mit FastAPI für das Backend und React für das Frontend
Anitha N.
Letzte Position:
Senior Data Engineer bei Accenture GmbH
- Skalierbare Datenanwendungen entworfen, entwickelt und konfiguriert, passend zu Geschäftsprozessen und technischen Anforderungen.
- Skalierbare, kosteneffiziente Datenarchitekturen mit Snowflake über AWS, Azure und GCP entwickelt und dabei dbt für Datentransformation und Modellierung eingebunden.
- Robuste ETL-Datenpipelines aufgebaut und gepflegt, um hohe Datenqualität für eine reibungslose Migration und systemübergreifende Integration sicherzustellen.
- Starke Expertise in SQL und Python mit umfassender Erfahrung in Datenmodellierung, ETL/ELT-Pipeline-Entwicklung und Streaming-Datenverarbeitung gezeigt; sicher im Umgang mit Git-basiertem Versionsmanagement, CI/CD-Prozessen und Test-Frameworks, mit solidem Wissen in den Bereichen Datenqualität, Observability, Kostenoptimierung, Sicherheit und Data-Governance.
- Mehrere Datenmigrationsinitiativen von SAP HANA nach Snowflake mit einem modularen dbt-Framework geleitet.
- End-to-End-Daten-Transformations-Workflows mit dbt auf Snowflake entworfen und gepflegt, geschichtete Datenmodelle implementiert, die Performance optimiert und eine hochwertige Datenbereitstellung für Business Intelligence und Reporting sichergestellt.
- Entwicklungs-, QA- und Produktions-Deployments über strukturierte Versionskontrolle und Release-Management mit GitLab gesteuert.
- Daten aus mehreren Quellen, darunter relationale Datenbanken, Flat Files, Excel und große Systeme, in Snowflake integriert und zentralisiert.
- Umfassende Expertise in den Datenbereichen Sales, Marketing, HR und ERP angewendet und relevante KPIs sowie Reporting-Lösungen entwickelt und gepflegt.
- Mit funktionsübergreifenden Teams zusammengearbeitet, um End-to-End-Datenlösungen termingerecht durch proaktives Lösen von Problemen und gute Abstimmung umzusetzen.
- Die Snowflake-Sandbox-Umgebung für die Data-Engineering-Abteilung administriert.
- Kolleginnen und Kollegen, die in Datenrollen gewechselt sind, in Snowflake geschult und technische Beratung sowie Mentoring für Junior-Teammitglieder übernommen.
Hardeep B.
Letzte Position:
Sr. Data Engineer bei Charles Schwab Bank
- End-to-end-Datenpipelines (Batch & Streaming) mit Python, SQL und Apache Spark sowie Databricks auf AWS entworfen und umgesetzt und dabei die ETL-Latenz um 40 % reduziert.
- Serverless, ereignisgesteuerte Ingestion-Pipelines mit AWS Lambda und SQS entwickelt und so die Echtzeitverfügbarkeit der Daten für nachgelagerte Analysen sichergestellt.
- Google Cloud Platform (GCP)-Services wie BigQuery und Dataflow genutzt, um Cloud-übergreifende Data-Warehousing- und Analytics-Integrationen zu steuern.
- Erfahrung mit DMS (CDC, Full Load) und Airflow für skalierbare Automatisierung und Orchestrierung von Datenpipelines.
- Datenpipelines mit Databricks und Airflow verwaltet und angepasst. Automatisierung mit Docker, Kubernetes und Terraform.
- Datenqualitätsprüfungen mit dbt automatisiert, um Transformationen zu modularisieren und eine produktionsreife Data Lineage sicherzustellen, wodurch die Zuverlässigkeit um 30 % verbessert wurde.
- Mit Compliance-Teams zusammengearbeitet, um die Einhaltung von GDPR und SOC2 sicherzustellen. Junior Engineers betreut und bei der Refaktorierung der Architektur für mehr Skalierbarkeit mitgewirkt.
- Dashboards in Power BI erstellt und gepflegt, um umsetzbare Einblicke zu liefern.
Christian S.
Letzte Position:
Data Scientist/KI-Ingenieur bei The Marcom Engine GmbH & Co. KG
- Konzeption und Implementierung von KI-Agenten in der AWS-Cloud
- Kontinuierliche Abstimmung mit Stakeholdern
- Zusammenarbeit mit DevOps
- Technologien: Git, CI/CD (GitHub Actions), Python/ML, Streamlit, Deno/TypeScript, AWS SAM, AWS Bedrock, AWS Lambda, AWS DynamoDB, AWS S3, AWS EventBridge usw.
Nima N.
Letzte Position:
Mitbegründer & LLM-Ingenieur bei LLM Ventures
- Mitgegründet ein KI-Startup mit Fokus auf die Entwicklung produktionsreifer LLM-Anwendungen und Agentensysteme
- Entworfen und implementiert Multi-Agent-KI-Workflows für Finanz- und Handelsanwendungen
- Entwickelt LLM-basierte Copilot-Architekturen für Portfolioanalyse, Handelsverwaltung und personalisiertes Nutzercoaching
- Entwickelt On-Device- und Edge-Inferenzanwendungen, optimierte Modelle für geringe Latenz, Datenschutz und ressourcenbeschränkte Umgebungen
- Geleitet Architekturentscheidungen zur Modellauswahl, Orchestrierung, Zustandsverwaltung und Bereitstellung
Hans L.
Letzte Position:
Requirements Engineer bei REWE Systems GmbH
- Aufnahme Anforderungen aus Fachbereichen und den Stakeholdern
- Organisation und Durchführung von Workshops
- Erstellen und Begleiten von User Stories (Refinement bis Rollout) und Mapping
- Moderation von SCRUM-Regelterminen
- Erkennen und Analysieren von Optimierungspotenzialen wie der REWE Pick&Go App
- Moderation und Kommunikation mit Dienstleistern
- Requirements Engineering in Verbindung mit Fremdsystemen
- DWH-/BI-Lösung: Loyalty-Auswertungen mit MicroStrategy
- ITIL (Framework für die Bereitstellung von IT-Services)
- Qualitätssicherung (Quality Gates) angelehnt an ISTQB
Martin S.
Letzte Position:
Business-Intelligence-Datenanalyst bei webeet
- Optimierte SQL-Datenpipelines für klare Einblicke.
- Analysierte und visualisierte Trends mit Python.
- Verbesserte Dashboards und Automatisierungen.
- Arbeit mit Google Sheets, GCP, Snowflake, dbt, Spreadsheets/Excel, Databricks, PySpark und Fivetran.
Manikanta R.
Letzte Position:
Dateningenieur bei Versicherungskunde
- Entwurf, Entwicklung und Pflege vollständiger ETL-Pipelines für eine skalierbare und zuverlässige Datenintegration
- Unterstützung bei Datenqualitätsprüfungen, Tests und Migrationen
- Entwicklung und Pflege von dbt-Modellen für strukturierte, modulare und wiederverwendbare Datentransformationen
- Einsatz von KI-gestützter Entwicklung, um ETL-Jobs und die Codequalität zu verbessern
- Entwicklung von CI/CD-Pipelines für die automatisierte Bereitstellung
Tobias R.
Letzte Position:
Senior Data Scientist bei Lyft
- Verbesserte die Fehlerrate bei Geschwindigkeitsbegrenzungs-Elementen von 24% auf 8%, indem ich eine LLM-Pipeline auf erkannte Objekte angewendet habe (mit einer natürlichen Untergrenze von 6%, da die Bildabdeckung nur 94% beträgt).
- Umfangreiches ML-Modellieren der Routing-Kostenfunktion (Zielfunktion, Merkmale, Hyperparameter, Trainingsdatengenerierung), was die Grundlage für den Neuaufbau einer flexibleren Lösung legte.
- Initiierte das erste Priorisierungs-Framework für Data Curation Ops (jährliche Organisationskosten von 2 Mio. USD), das von täglichen Vorgaben weggeht und nun auf 'erwarteten Geschäftswert pro Zeiteinheit' optimiert, was eine Effizienzsteigerung von etwa 5-7% bewirkt.
- Enge Zusammenarbeit mit Software Engineering & Data Engineering sowie Product & Operations.
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die dbt einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
17 Jahre (Deutschland: 14 Jahre)
Positionsdauer
1,8 Jahre
Positionen pro Freelancer
12 (Deutschland: 10)
Häufigste Fachbereiche
Business Intelligence, Informationstechnologie (IT), Produktentwicklung
Häufigste Branchen
Informationstechnologie (IT), Professionelle Dienstleistungen, Einzelhandel
Fokus der Zertifizierungen
Informationstechnologie (IT), Business Intelligence, Personalwesen
Bachelor-Abschluss oder höher
100% (Deutschland: 98%)
Master-Abschluss oder höher
67% (Deutschland: 63%)
Doktortitel
17% (Deutschland: 8%)
Zertifizierungen pro Freelancer
2 (Deutschland: 4)
Häufigste Sprachen
Deutsch, Englisch, Französisch
Sprechen zwei oder mehr Sprachen
92% (Deutschland: 99%)
Basierend auf unserem Profilpool, Stand 19 Sep 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Freelancer in dieser Technologie in München 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 München, die dbt 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 dbt Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (85%)
- Professionelle Dienstleistungen (54%)
- Einzelhandel (54%)
- Bank- und Finanzwesen (46%)
- Medien, Unterhaltung und Druck (46%)
- Versicherung (38%)
- Fertigung (38%)
- Bildung (31%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Technologie
Datentransformation
dbt ist ein Transformations-Framework für Analytics Engineering. Teams können damit Rohdaten aus Data Warehouses in modulare SQL-Modelle umwandeln, die getestet und dokumentiert sind und für Berichte, Dashboards, operative Analysen und Datenprodukte bereitstehen. Die Verarbeitung bleibt im Data Warehouse, während die Transformationslogik als Code verwaltet wird.
Zentraler Workflow
Experten nutzen dbt, um einen zuverlässigen Weg von der Datenaufnahme bis zu vertrauenswürdigen Daten zu strukturieren. Sie definieren Quellen, erstellen Modelle mit SQL und Jinja, legen Abhängigkeiten fest und nutzen den Projektgraphen zur Steuerung der Ausführung.
- Staging-, Zwischen- und Mart-Modelle erstellen
- Schema-, Aktualitäts- und individuelle Tests hinzufügen
- Dokumentation und Datenherkunft erzeugen
- Inkrementelle Modelle und Snapshots konfigurieren
Ökosystem und Tools
Das weitere dbt-Ökosystem umfasst dbt Core, dbt Cloud, Adapter und Integrationen für Data Warehouses wie Snowflake, BigQuery, Databricks, Redshift und Microsoft Fabric. Erfahrene Spezialisten arbeiten außerdem mit Git, CI-Pipelines, Orchestrierungs-Tools, semantischen Schichten und Datenaufnahme-Diensten und passen den Workflow an den bestehenden Technologie-Stack des Unternehmens an.
Wann Fachwissen wichtig ist
Unternehmen beauftragen freiberufliche dbt Spezialisten, wenn ein Data Warehouse schwer vertrauenswürdig, wartbar oder erweiterbar geworden ist. Sie benötigen möglicherweise eine neue Grundlage für Analysen, eine Migration von veraltetem SQL, eine schnellere Bereitstellung von Reporting-Modellen oder einen klaren Governance-Ansatz für mehrere Datenteams.
- Projektrichtlinien und wiederverwendbare Makros etablieren
- Langsame oder doppelte Transformationen überarbeiten
- Workflows für Tests, Bereitstellung und Reviews einführen
- Eine Migration des Data Warehouses oder eine neue Datendomäne vorbereiten
Qualitätssignale
Ein guter Experte versteht mehr als SQL-Syntax. Er erklärt Datenkörnung, Schlüssel, Joins und Geschäftsdefinitionen klar, entwickelt Tests, die wichtige Fehler erkennen, und hält Modelle leicht überprüfbar. Außerdem weiß er, wann eine inkrementelle Strategie, ein Snapshot oder ein Makro das System verbessert und wann dadurch unnötige Komplexität entsteht.
Zusammenarbeit und Umsetzung
Gute dbt-Arbeit verbindet technische Entscheidungen mit den Anforderungen von Analysten, Data Scientists und Geschäftsteams. In München arbeiten Spezialisten möglicherweise vor Ort oder remote mit lokalen und internationalen Stakeholdern; klare Dokumentation, zuverlässige Kommunikation auf Englisch und, wenn hilfreich, Deutschkenntnisse unterstützen eine reibungslose Umsetzung. Die besten Projekte hinterlassen wartbare Modelle, eine nützliche Datenherkunft und einen Workflow, den das interne Team selbst übernehmen kann.
Häufig gestellte Fragen
Unsicher, wo du bei dbt anfangen sollst? Diese Antworten decken das Wichtigste ab.
dbt wird verwendet, um Daten innerhalb eines Cloud- oder modernen Analyse-Data-Warehouses zu transformieren, zu testen und zu dokumentieren. Unternehmen nutzen es, um zuverlässige Datensätze für Dashboards, Berichte, Prognosen, Experimente und Datenprodukte zu erstellen.
dbt konzentriert sich hauptsächlich auf die Transformationsschicht und führt SQL im Ziel-Data-Warehouse aus, anstatt Daten selbst zu extrahieren und zu laden. Klassische ETL-Suiten bieten möglicherweise umfassendere visuelle Workflows, während dbt für Analysen eine codebasierte Versionskontrolle, modulare Modelle, Tests und Datenherkunft bietet.
Ein guter dbt Spezialist verbindet in der Regel fortgeschrittene SQL-Kenntnisse mit Data-Warehouse-Design, Git, CI/CD und Methoden zur Datenqualität. Erfahrung mit Datenaufnahme-Tools, Orchestrierung, Python, BI-Semantik und Cloud-Data-Warehouses ist ebenfalls wertvoll, wenn sich die Arbeit über den gesamten Analytics-Stack erstreckt.
dbt-Arbeit kann von der Verbesserung einiger Modelle bis zur Entwicklung einer vollständigen Analytics-Schicht reichen, daher hängt der erforderliche Hintergrund vom Umfang ab. Für ein größeres Projekt sollten Sie jemanden suchen, der Erfahrung mit Data-Warehouse-Architektur, Modell-Governance, Teststrategien und der Zusammenarbeit mit geschäftlichen Stakeholdern hat.
dbt-Projekte eignen sich gut für die Remote-Zusammenarbeit, da Code, Reviews, Dokumentation und Bereitstellung online verwaltet werden können. Teams in München sollten Arbeitszeiten, Kommunikationsroutinen und den Bedarf an Deutsch für Gespräche mit Stakeholdern abstimmen; für die technische Umsetzung ist Englisch oft ausreichend.
Prüfen Sie, wie der dbt Spezialist Datenkörnung, Abhängigkeiten, Tests und den Umgang mit Fehlern erklärt. Bitten Sie um Beispiele für Dokumentation, Code-Review-Praktiken und Performance-Entscheidungen und nutzen Sie anschließend ein fokussiertes technisches Gespräch, um zu sehen, ob die Person Implementierungsentscheidungen mit Geschäftsdefinitionen verbindet.
dbt Core ist das Open-Source-Command-Line-Framework zum Erstellen und Ausführen von Projekten, während dbt Cloud verwaltete Entwicklung, Planung, Job-Überwachung und Funktionen für die Zusammenarbeit ergänzt. Die richtige Wahl hängt von der Infrastruktur des Teams, den Governance-Anforderungen und dem bevorzugten Betriebsmodell ab.
Ein Unternehmen sollte einen dbt Experten in Betracht ziehen, wenn Transformationslogik doppelt vorhanden ist, Reporting-Definitionen voneinander abweichen, Tests fehlen oder Änderungen am Data Warehouse nur schwer sicher veröffentlicht werden können. Ein Freelancer kann schnell Standards etablieren, eine Migration voranbringen und praktisches Wissen an das interne Team weitergeben.
Der durchschnittliche Stundensatz von Freelancern in München, Deutschland, die dbt in ihren letzten Projekten eingesetzt haben, liegt bei 101 €, was einem Tagessatz von etwa 806 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in München, Deutschland, die dbt in ihren letzten Projekten eingesetzt haben, haben 100% mindestens einen Bachelor-Abschluss, 67% mindestens einen Master-Abschluss und 17% einen Doktortitel.
Freelancer in München, Deutschland, die dbt in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 17 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 1,8 Jahre.
Die häufigsten Sprachen unter Freelancern in München, Deutschland, die dbt in ihren letzten Projekten eingesetzt haben, sind Deutsch (92%), Englisch (92%) und Französisch (31%).
Die häufigsten Industrien unter Freelancern in München, Deutschland, die dbt in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (85%), Professionelle Dienstleistungen (54%) und Einzelhandel (54%).
Die häufigsten Bereiche unter Freelancern in München, Deutschland, die dbt in ihren letzten Projekten eingesetzt haben, sind Business Intelligence (100%), Informationstechnologie (IT) (92%) und Produktentwicklung (62%).
Hauptstandorte der FRATCH Experten, die kürzlich dbt 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 
Berlin 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
