Decision Tree Experten in Deutschland
, die innerhalb von Minuten mit geprüften Freelancern und KI-Präzision passend gefunden werdenBeauftragen Sie Experten, die Decision-Tree-Modelle für Klassifizierung, Scoring, Risikoregeln und erklärbare Analysen entwickeln. Sie arbeiten mit CART, C4.5, Pruning, Feature Selection und Modellvalidierung, um klare Ergebnisse mit schnellem, präzisem Matching aus geprüften, verfügbaren Freelancern zu liefern.
Lerne FRATCH Experten in Deutschland kennen, die kürzlich Decision Tree eingesetzt haben
Karin Albiez
Letzte Position:
AI Benchmark Engineer | Native language specialist German bei Lilt
- Task Engineering: Bewertung von Coding Agents.
- Asset-Erstellung: Aufbau realistischer Aufgabenumgebungen mit Datensätzen und Dateien auf Deutsch. Entscheidend ist dabei, dass diese Assets in der Zielsprache bleiben, um den Umgang mit mehreren Sprachen wirklich zu messen.
- Prompting & Translation: Finden von Fehlerstellen, an denen die KI nicht funktioniert, auf Deutsch.
- Implementierung & Verifikation: Unterstützung bei der Entwicklung robuster Lösungen (Referenzimplementierungen) und Schreiben sehr zuverlässiger, deterministischer Verifizierungs-Skripte (mit rubric-basierten Bewertungen nur dann, wenn es unbedingt nötig ist).
- Kalibrierung & Ausführung: Auswertung von Ausführungslogs und Kalibrierung des Aufgabenschwierigkeitsgrads (Easy bis Very Hard) mit Standard-Terminal-Bench-Run-Konfigurationen gegen verschiedene Modellstufen (Haiku, Opus).
- Qualitätssicherung: Mitarbeit in einem strengen, 4-stufigen menschlichen Qualitätskontrollprozess (Erstellung, menschliche Prüfung, Kalibrierungsprüfung und Audit) zusammen mit automatisierten LLM-basierten Checks, um Fairness, grammatikalische Korrektheit und Benchmark-Integrität sicherzustellen.
- Linguistische Prüfung: Überprüfung von KI-Benchmark-Aufgaben in Hindi, Arabisch, Japanisch, Chinesisch, Tschechisch und Türkisch.
Philipp Grunert
Letzte Position:
Data Scientist & ML Engineer bei Data-Science Factory GmbH
- Aufbau, Implementierung und Vertrieb von automatisierten Data-Science-Lösungen wie Scorecard Factory und Prognose Factory
- Implementierung automatisierter End-to-End-Cloud-Prozesse
- Entwicklung von LLM- und NLP-Modellen
- Erstellung interaktiver Reports
- Betreuung nationaler und internationaler Großkonzerne sowie mittelständischer Firmen bei der Implementierung von ML-Projekten
Anjaneya Marimireddygari
Letzte Position:
Machine Learning Engineer Intern bei Slash Mark
- CNN- und RNN-Architekturen mit Transfer Learning für reale Klassifikationsaufgaben entwickelt und feinabgestimmt — zentrale Deep-Learning-Fähigkeiten, die auf die multimodale LLM- und GenAI-Fahrzeugfunktionsentwicklung bei BMW übertragbar sind.
- Dropout, Batch Normalization und Early Stopping in verschiedenen Deep-Learning-Experimenten implementiert; streng mit Precision, Recall, F1-Score und Confusion Matrices bewertet für Zuverlässigkeit auf Produktionsniveau.
- Ein KI-gestütztes Anwesenheitsverwaltungssystem mit LBPH-Gesichtserkennung entwickelt, über eine Flask-Weboberfläche bereitgestellt und mit SMS-Benachrichtigungen in Echtzeit ergänzt — ein Beispiel für eine vollständige AI-Produktlieferung für echte Nutzer.
- In funktionsübergreifenden Teams zusammengearbeitet, um skalierbare, dokumentierte ML-Pipelines für Reproduzierbarkeit zu liefern — passend zu BMWs interdisziplinärem Team- und Forschungsumfeld.
- AI-Tools direkt in den Entwicklungsworkflow integriert, vom Design bis zum Testen, und dabei eine hohe Geschwindigkeit ohne Abstriche bei der Korrektheit gehalten.
Benjamin Matschke
Letzte Position:
Gründer, Systemarchitekt und Hauptentwickler bei Institute for Artificial Study (IAS)
- Von Experten betreute KI-Systeme für wissenschaftliches Schlussfolgern, Modellevaluation und Forschungs-Workflows.
- Entwickelte den IAS Problem Solver, ein orchestriertes System für schwieriges mathematisches Schlussfolgern; es erreichte 84 % in einem eingereichten Antwortsatz auf dem Leipziger Mathematik-Benchmark.
- Entwickelte eine fortsetzbare State-Machine-Pipeline für die Generierung von Benchmarks in der Forschungsmathematik: Quellenauswahl, LLM-Agent-basierte Phänomenfindung, Aufgabensynthese, Gold-Antwort- und Zertifikatsgenerierung sowie Validierung, Probe, Reparatur, menschliches Feedback und Quality Gates, mit Fokus auf Aufgaben, die schwierig, natürlich, verifizierbar und kosteneffizient sind.
- Die aktuelle Arbeit erweitert dies zu budgetbewussten KI-Forschungs-Workflows für reale wissenschaftliche Probleme mit Expertenprüfung.
Tech-Stack: Python, OpenAI/OpenRouter-kompatible APIs, Embeddings, RAG, SQLite.
Bidya Bibhu
Letzte Position:
Global Lead (Product) – Payments Platform (Risk & Data Products) bei Chargebee
- Verantworte Strategie und Roadmap für die Zahlungsorchestrierungs- und Risikointelligenzprodukte für Enterprise-Abonnementkunden.
- Führe umfassende Workflow-Analysen und Nutzerinterviews durch, um das Onboarding neu zu gestalten, was zu einer 5-fachen Steigerung des Funnel-Durchsatzes und einer Reduzierung manueller Schritte um 70 % führte.
- Erstelle PRDs für skalierbare Datenpipelines, Betrugssignale und Automatisierungslogik, was die Genauigkeit der Erkenntnisse und die Geschwindigkeit der Entscheidungsfindung um 30 % verbessert.
- Arbeite mit Engineering-, Daten-, Design- und Sicherheitsteams zusammen, um über 15 Enterprise-Funktionen mit 100 % erfolgreicher Release-Qualität auszuliefern.
- Führe Risk-Analytics-Dashboards und Performance-KPIs ein, wodurch die Untersuchungszeit um 40 % verkürzt und die Transparenz in den Teams verbessert wurde.
- Leite die Priorisierung neuer Funktionen, technischen Schulden und Sicherheitsinitiativen (PCI DSS, Zugriffskontrollen, Revisionsfähigkeit).
- Führe die Entwicklung ML-basierter Betrugserkennungsmodelle (Regression, Entscheidungsbäume) zur Identifikation von Hochrisikotransaktionen an, wodurch Rückbelastungen um 20 % gesenkt wurden.
- Entwerfe End-to-End-Analyse-Dashboards (Tableau, Redshift) zur Visualisierung des globalen Risikoexposures, wodurch die Onboarding-SLA von 2,4 Tagen auf 3 Minuten verkürzt wurde.
- Arbeite mit Engineering- und Datenteams zusammen, um skalierbare Payment-Risikoplattformen einzuführen und so die Compliance-Transparenz und Entscheidungsgeschwindigkeit zu erhöhen.
- Betreue Analysten und Data Scientists in agilen Sprint-Zyklen und verankere eine datengetriebene Kultur im Risikobereich.
Peter Pries
Letzte Position:
Berater CRM & Bid Management Projekt bei Globales Unternehmen im Maschinenbau
- Beratung CRM Prozesse und Features
- KI-Infusion-Workshops zur Einführung von KI-Apps für kritische Geschäftsprozesse
- Prototyping – Vibe Coding mit Lovable
- Entwicklung von mehreren Apps für das globale Bid Management im CPQ, Salesforce und SAP 4 Hana Umfeld
- Anforderungs- und Prozessmanagement
- Einführung eines neuen Data-Governance-Modells
- KI-Infusion – Unterstützung der Apps und Geschäftsprozesse durch KI-Anwendungen
- Portfoliomanagement von KI-Ideen: Identifikation und Auswahl von KI-Projekten im Bid Management
- Prototyping von KI-Projekten mit Lovable.dev
- Aufbau einer KI-Datenbasis in Snowflake
- Blueprint für verschiedene Business Units und globaler Rollout
- Ein agiler Prototype-First-Ansatz mit Design Thinking und Vibe Coding zur Prototypenerstellung aller Anwendungen
- Vortrag auf globaler Konferenz zum Einsatz von KI im Business und zur Validierung von Ideen mit Design Thinking & Vibe Coding
- KI-Infusion-Workshops auf globalen Konferenzen zum Prototyping von Ideen mit den Business-Stakeholdern
Arun Sai Thunga
Letzte Position:
AI-Backend-Entwickler-Praktikant bei Calvergy UA
- Komplexe, KI-basierte Energiesystemmodelle in das Frontend-Framework integriert, was die Visualisierung von Erkenntnissen für mehr als 6 Schlüsselkunden ermöglichte und die Energienutzung maximierte.
- Energieeffizienz und Auslastung maximiert, indem der nahtlose Datenfluss zwischen KI-Modellen und der Benutzeroberfläche für schnelle, umsetzbare Berichte konzipiert wurde.
Verena Schiessl
Letzte Position:
Freiberuflicher Berater für strategische Einblicke bei Verena Schiessl Consulting
- Leitung von Primärmarktforschungsprojekten
- Prognosen & strategische Planung
- Analytik
- Wettbewerbsbeobachtung
- KPI-Berichterstattung
Padma Priya Srinivasan
Letzte Position:
Zertifizierter Data Scientist bei XDi
- Erfolgreich einen 3,5-monatigen Data-Science-Kurs abgeschlossen und den Titel „Certified Data Scientist“ von XDi, Deutschland (AZAV-zertifiziert), erworben.
- Behandelte überwachtes und unüberwachtes maschinelles Lernen.
- Behandelte natürliche Sprachverarbeitung mit Python.
David Huber
Letzte Position:
Berater für KI-Strategie und Digitalisierung bei ai-strategy.io
- Entwicklung einer KI-Vision: Abgleich externer Best Practices mit Analyse von Prozessen, Schnittstellen, Stakeholdern, Datenflüssen und Kennzahlen, um ein langfristiges Zielbild von Prozessautomatisierung und KI-Erweiterung zu entwickeln
- Ausgearbeitetes Schulungsframework für Mitarbeitende, z. B. für eine Stiftung im öffentlichen Dienst: Grundlagen der KI, Anwendungen generativer KI, Bewertung menschlicher Urteilsfähigkeit und automatisierter Steuerung in gesellschaftskritischen Einsatzbereichen
- Einführung von spezialisierten Advanced-Upskilling-Kursen für Produktmanager: Einsatz von KI in Innovation, Portfoliomanagement, Prozessautomatisierung und Marketing zur Förderung neuer Produkte und Dienstleistungen
- Mehrfacher Keynote-Redner: KI-getriebene Organisationstransformation durch Kulturwandel und zukunftsgerichtete Führungspraktiken
- Laufender Austausch von Fachwissen und Erfahrungen mit meinem persönlichen Netzwerk führender KI-Strategen in internationalen Konzernen wie Siemens, Mercedes-Benz, BMW, McDonald’s, Adidas, Linde, Infineon und TÜV Süd, um Best Practices zu sammeln
- Kooperation mit Expertennetzwerken für Führungskräfte, z. B. dem TEC Leadership Institute und PM1, um die Wirkung durch erhöhte Reichweite über Organisationen und Branchen hinweg zu verstärken
Nandini Venkatesh
Letzte Position:
Senior Softwareentwickler bei Capgemini Technology Services Limited
- Entwarf und implementierte sichere Backend-Services mit Java, Spring Boot und Hibernate nach Microservice-Prinzipien und RESTful-Standards.
- Implementierte durch GraphQL gesteuerte REST-APIs, um Backend-Services in einer Gradle- und Maven-Umgebung zu optimieren.
- Setzte OAuth2-basierte Authentifizierungs- und Autorisierungsmechanismen um, um RESTful-APIs in Spring-Boot-Anwendungen abzusichern.
Mengqi Yu
Letzte Position:
Wissenschaftliche Hilfskraft bei Tübingen University
- Intensiv-längsschnittliche psychologische Daten analysiert und latente Verhaltensmuster aufgedeckt.
- Bayessche hierarchische Modelle in R/JAGS angewendet; dabei robuste Parameterschätzungen und Modellkonvergenz sichergestellt.
- Datenaufbereitung geleitet und Rohdaten aus Umfragen in analysierbare Formate umgewandelt.
- Peer-Review-Publikation unterstützt durch Methodendesign und statistische Auswertung.
Daniel Carton
Letzte Position:
Gründer & Geschäftsführer bei BotCraft GmbH
- Aufbau des Unternehmens mit Fokus auf Connectivity für IIoT und Industrie 4.0, iRPA/Prozessautomatisierung, Advanced Robotics und Smart Systems, Sensors and Services
- Projektleitung und Software-Architektur für IoT-Gateway-Entwicklung (seit 2020) mit Protokollübersetzung, IT/OT-Konvergenz und GRC
- Entwicklung von RPA-Bots zur Automatisierung und Überwachung industrieller Prozesse mit agentischem AI-Ansatz (seit 2020)
- Implementierung von Unsupervised Clustering und Anomalieanalyse für Zeitreihendaten in BigData-Streaming-Pipelines (seit 2021)
- Einführung eines Docker-basierten Release-Trains für OTA-Updates mit DevSecOps und CI/CD (seit 2018)
Dean Rakic
Letzte Position:
CEO / Chefwissenschaftler bei ENUM
- Blockchain-Plattformtechnologie
- Digitale Blockchain-Plattform / Digitale Ökonomie.
Eugene Tefong
Letzte Position:
Freiberufler bei 3d-statistical-learning
- Datenaufbereitung und Analyse von Nutzerverhalten für zielgerichtete Marketingstrategien
- Entwicklung und Implementierung von Machine-Learning-Modellen, B2C-Kundensegmentierung und Clusteranalyse mit Python
- Anwendung von openpyxl und pandas zur effizienten Automatisierung, Bereinigung und Standardisierung von Datensätzen
- Enge Zusammenarbeit mit interdisziplinären Teams zur Integration datengetriebener Erkenntnisse; Ergebnis: +15% höhere Marketingeffizienz durch gesteigerte Kundenbindung
- Technologien & Tools: Python (Pandas, NumPy, scikit-learn), SQL (SQLAlchemy), Jupyter Notebook, Erstellung von Analyse- und Ergebnisberichten (PDF, Word, Excel)
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die Decision Tree einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
14 Jahre
Positionsdauer
2,3 Jahre
Positionen pro Freelancer
8
Häufigste Fachbereiche
Business Intelligence, Informationstechnologie (IT), Produktentwicklung
Häufigste Branchen
Informationstechnologie (IT), Bildung, Automotive
Fokus der Zertifizierungen
Business Intelligence, Informationstechnologie (IT), Forschung und Entwicklung (F&E)
Bachelor-Abschluss oder höher
100%
Master-Abschluss oder höher
88%
Doktortitel
24%
Zertifizierungen pro Freelancer
2
Häufigste Sprachen
Englisch, Deutsch, Französisch
Sprechen zwei oder mehr Sprachen
100%
Basierend auf unserem Profilpool, Stand 30 Aug 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Freelancer in dieser Technologie in Deutschland 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 Deutschland, die Decision Tree 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 30 Aug 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Über die Technologie
Was es ist
Decision Trees sind einfache Machine-Learning-Modelle, die Daten in Verzweigungen aufteilen, um eine Vorhersage oder Entscheidung zu treffen. Sie werden für Klassifizierung, Regression, das Erkennen von Regeln und transparente Scoring-Logik eingesetzt. Weil die Ausgabe leicht zu lesen ist, sind sie verbreitet, wenn Teams nachvollziehbare Entscheidungen brauchen.
Wofür es passt
- Analyse von Kundenrisiko und Abwanderung
- Lead-Scoring und Priorisierung im Vertrieb
- Betrugswarnungen und Compliance-Regeln
- Triage im Betrieb und Entscheidungsunterstützung
Ein Baum kann allein stehen oder Teil eines größeren Modell-Stacks sein. In Deutschland unterstützen Spezialisten oft Teams, die eine klare Modelllogik für interne Prüfungen, Audit-Trails oder Business-Anwender brauchen, die verstehen möchten, warum ein Ergebnis gewählt wurde.
Ökosystem
Decision-Tree-Arbeit findet oft in Python mit scikit-learn statt, aber Spezialisten nutzen auch R, Spark MLlib und SQL-basierte Pipelines. Zu den gängigen Methoden gehören CART, C4.5, Entropie, Gini-Impurity, Pruning und Cross-Validation. Gute Profis wissen, wie man Features vorbereitet, fehlende Werte behandelt und Overfitting vermeidet.
Wann man jemanden beauftragt
Unternehmen holen freiberufliche Expertise dazu, wenn sie einen schnellen Proof of Concept, eine Modellprüfung oder eine saubere Übergabe in die Produktion brauchen. Das ist oft der Fall, wenn ein bestehender Baum zu tief, zu unruhig oder schwer gegenüber Stakeholdern zu erklären ist. Teams in Deutschland nutzen externe Spezialisten auch dann, wenn lokale Kommunikation und Dokumentation wichtig sind.
Woran gute Arbeit erkennbar ist
Gute Profis fitten nicht einfach nur ein Modell. Sie prüfen die Datenqualität, testen Feature-Leakage, vergleichen Baumtiefe und Split-Kriterien und dokumentieren die Logik in klarer Sprache. Sie wissen auch, wann ein Decision Tree das richtige Werkzeug ist und wann ein Random Forest, Gradient Boosting oder eine andere Methode besser passt.
Projekthinweise
- das aktuelle Modell ist schwer zu erklären
- Regeln müssen überprüft oder vereinfacht werden
- der Datensatz enthält gemischte numerische und kategoriale Eingaben
- ein Prototyp muss in die Produktion überführt werden
- das Team braucht Unterstützung in Deutschland mit Remote- oder Vor-Ort-Arbeit
Freiberufliche Spezialisten sind nützlich für kurze Analysen, Modell-Tuning und Wissenstransfer. Sie können eng mit Analysten, Produktteams und Datenverantwortlichen zusammenarbeiten, ohne lange Einrichtungszeiten zu verursachen.
Häufig gestellte Fragen
Fragen zu Decision Tree? Hier findest du die passenden Antworten.
Ein starker Decision Tree Spezialist entwickelt Modelle für Klassifizierung, Regression und regelbasiertes Scoring. In der Praxis kann das Abwanderungssignale, Freigabelogik, Kundensegmentierung oder ein einfaches Modell bedeuten, das eine komplexe Entscheidung erklärt. Der Hauptvorteil ist Klarheit: Die Logik lässt sich leichter prüfen als bei vielen Black-Box-Methoden.
Decision Tree Modelle sind leichter zu erklären und schneller zu prüfen, können aber instabil sein, wenn die Daten verrauscht sind. Random Forest und Gradient Boosting erzielen bei Vorhersageaufgaben oft bessere Ergebnisse, weil sie viele Bäume kombinieren. Unternehmen wählen meist einen einzelnen Baum, wenn Nachvollziehbarkeit wichtiger ist als reine Genauigkeit.
Decision Tree ist der Oberbegriff; CART ist eine der gängigsten Baum-Methoden. CART wird oft sowohl für Klassifizierung als auch für Regression verwendet, während C4.5 ein weiterer bekannter Ansatz ist. Ein guter Spezialist sollte die Unterschiede kennen und die Methode wählen, die zu den Daten und zum Prüfprozess passt.
Ein starker Decision Tree Profi kennt in der Regel auch Feature Engineering, Datenbereinigung und Modellbewertung. Python und scikit-learn sind üblich, und SQL ist oft hilfreich, um Daten abzurufen und aufzubereiten. Für Produktionsarbeit sind außerdem Versionskontrolle und grundlegendes Wissen über Deployments wichtig.
Die meisten Decision Tree Projekte brauchen genug Kontext, um die Zielvariable, die Geschäftsregel und die Erfolgsmetrik festzulegen. Ohne das kann das Modell zwar genau sein, aber trotzdem nutzlos. Ein Freelancer sollte direkte Fragen zur Datenquelle, zum Entscheidungsablauf und dazu stellen können, wie das Ergebnis verwendet wird.
Ja, Decision Tree Arbeit eignet sich oft sehr gut für die Zusammenarbeit aus der Ferne, weil die wichtigsten Inputs Daten, Logik und Dokumentation sind. Vor-Ort-Unterstützung kann helfen, wenn Workshops mit Fachbereichen oder Compliance-Teams nötig sind. In Deutschland erwarten viele Teams eine klare schriftliche Kommunikation und präzise Übergaben auf Englisch, manchmal auch auf Deutsch.
Achten Sie auf einen Decision Tree Spezialisten, der erklären kann, warum ein Split gewählt wurde, wie das Pruning gehandhabt wurde und wie Overfitting geprüft wurde. Gute Kandidaten zeigen auch, wie sie Alternativen getestet und das Modellergebnis in Geschäftssprache übersetzt haben. Wenn jemand nur über Genauigkeit spricht und nicht über Interpretation, ist das ein Warnsignal.
Das Modell selbst ist dasselbe, aber das Tool verändert den Ablauf. Ein Decision Tree in Python, R oder Spark kann Teil einer größeren Datenpipeline sein, während ein visuelles Analysewerkzeug sich eher auf interaktive Exploration und Reporting konzentriert. Der richtige Freelancer sollte sich in der Umgebung wohlfühlen, die Ihr Team bereits nutzt.
Der durchschnittliche Stundensatz von Freelancern in Deutschland, die Decision Tree in ihren letzten Projekten eingesetzt haben, liegt bei 101 €, was einem Tagessatz von etwa 804 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Deutschland, die Decision Tree in ihren letzten Projekten eingesetzt haben, haben 100% mindestens einen Bachelor-Abschluss, 88% mindestens einen Master-Abschluss und 24% einen Doktortitel.
Freelancer in Deutschland, die Decision Tree in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 14 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 2,3 Jahre.
Die häufigsten Sprachen unter Freelancern in Deutschland, die Decision Tree in ihren letzten Projekten eingesetzt haben, sind Englisch (100%), Deutsch (95%) und Französisch (35%).
Die häufigsten Industrien unter Freelancern in Deutschland, die Decision Tree in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (85%), Bildung (55%) und Automotive (45%).
Die häufigsten Bereiche unter Freelancern in Deutschland, die Decision Tree in ihren letzten Projekten eingesetzt haben, sind Business Intelligence (80%), Informationstechnologie (IT) (80%) und Produktentwicklung (75%).
Hauptstandorte der FRATCH Experten, die kürzlich Decision Tree 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
