Minikube Experten in Deutschland
aus über 15.000 Lebensläufen mit der Kraft von KIBeauftragen Sie Experten, die Minikube nutzen, um lokale Kubernetes-Cluster hochzufahren, Manifeste vor dem Release zu testen und Add-ons, Ingress und Speicher-Setups schnell zu debuggen. Erhalten Sie schnelles, präzises Matching mit geprüften, verfügbaren Freelancern.
Lerne FRATCH Experten in Deutschland kennen, die kürzlich Minikube eingesetzt haben
Tan Pham
Letzte Position:
DevOps-Ingenieur im DevOps-Team bei Rise-World
- Implementierung der spezifizierten DevOps-Lösungen zur Automatisierung der Infrastruktur (Terraform, Bicep, CloudFormation, Ansible) im lokalen Rechenzentrum (Ovirt, Proxmox, Ceph-Cluster, MinIO) und in der Private Cloud.
- Verwaltung, Konfiguration und Umsetzung von CI/CD-DevOps-Pipelines (GitLab, GitFlow) zur Unterstützung des Entwicklungsprozesses (Artifactory, Prometheus, Istio, Service Mesh, Helm Charts, OpenShift (Red Hat Enterprise) / Kubernetes-Cluster), Red Hat Satellite.
- Verwaltung, Einrichtung, Überwachung und Einspielung von Patches der Linux-Infrastruktur auf Basis von Red Hat Enterprise für Dev, Test und QA.
- Einsatz von Scrum- und Kanban-Methoden.
- Verwaltung, Konfiguration und Umsetzung von Sicherheitsstandards für die Bereitstellung in den Dev-, Test-, QA- und Produktionsphasen der neuen ePA-Anwendungen.
- Entwicklung neuer Plugins und Add-ons für die bestehende Infrastruktur.
- Datenbankunterstützung.
- Unterstützung der Datenanalyse (Python, Spark, Pandas, Power BI, Splunk Enterprise).
- Umsetzung von Best Practices für DevSecOps und BizDevOps unter Einsatz von GitOps (ArgoCD), Streamlit-Framework und Semaphore Ansible UI.
- Konfiguration und Test von iperf, uperf, sysbench mit dem Benchmark-Operator für externe Quelldaten und IoT/MDM-Geräte, Erstellung von Berichten über ELK/OpenSearch.
- Aufbau einer neuen Databricks-Plattform zur Sammlung und Analyse von Big Data aus verschiedenen Quellen und IoT-Geräten im Hadoop-Framework (Python, Pandas, PySpark, Power BI, Apache Airflow).
- Aufbau der Backend-Datenaggregation und -verarbeitung zur Automatisierung der Bereitstellung von Konfigurationen zwischen verschiedenen OpenShift-Clustern und dem Big-Data-Framework (Python, Pandas, PySpark, Apache Spark, PostgreSQL, Django 2, Ansible Automation, Jira JSM).
- Aufbau einer neuen ML-Pipeline-Plattform unter Verwendung von Kubeflow, TensorFlow, KServe.
- Extraktion, Transformation und Laden von Daten aus verschiedenen Quellen, einschließlich strukturierter und unstrukturierter Daten, in ein analytisches DWH bzw. Big-Data-Cluster mit Python, Pandas, Polars, Power BI, Django-Backend und PostgreSQL.
- Einrichtung eines neuen DevOps-Test- und QA-HashiCorp-Vault-Clusters für PKI und IAM.
- Konfiguration und Test automatisierter Patches basierend auf CVSS-Bewertungen und SIEM-integrierten CVEs.
- Einsatz von Nexpose und InsightVM zum Scannen von Schwachstellen in Netzwerken, Hosts, Containern und Anwendungen.
- Planung und Umsetzung sicherer und skalierbarer AWS-Architekturen einschließlich VPC, EC2, S3, RDS und Route53 sowie ähnlicher Umgebungen auf Azure und GCP.
- Automatisierte Systembereitstellung und -deployment mit CloudFormation-Vorlagen.
- Konfiguration von IAM-Rollen, Richtlinien und Berechtigungen zur Gewährleistung einer sicheren Zugriffskontrolle.
- Patch-Management, Backup-Automatisierung und Einrichtung der Notfallwiederherstellung in der AWS-Infrastruktur.
- Überwachung und Optimierung der Systemleistung mit AWS CloudWatch und AWS Trusted Advisor.
- Unterstützung von VMware-Diensten (vSphere, Aria, Horizon) und der virtuellen Desktop-Umgebung.
- Entwicklung und Wartung von CI/CD-Pipelines mit Jenkins, GitLab CI/CD und AWS CodePipeline mit Schnittstelle zu Nutanix.
- Konfiguration von AWS CloudWatch zur Überwachung der Anwendungsleistung und Systemereignisse.
- Planung und Durchführung der Migration von On-Premises-Anwendungen zu AWS-Cloud-Plattformen.
- Bereitstellung containerisierter Anwendungen mit Docker und Kubernetes in AWS-Umgebungen.
- Bereitstellung interner Softwarepakete zwischen Verfügbarkeitszonen mit AWS CodeDeploy.
- Erstellen und Bereitstellen von ML-Modellen mit Scikit-Learn, XGBoost und Spark MLlib einschließlich Hyperparameter-Tuning, Modellevaluation und Produktivsetzung.
Patrick Waldschmitt
Letzte Position:
KI Software Engineer bei IppenMedia
- Analyse
- Beratung
- Software-Design
- Entwicklung
- Automatisierung
- Testen
- Deployment
- Architektur, Entwicklung und Bereitstellung verschiedener Proof-of-Concept-Anwendungen rund um die Integration aktueller KI-Schnittstellen, inklusive Gespräch, Echtzeit-Voice, Bilder und Videos
- Best Practices für die Arbeit mit agentischen Systemen und KI in der Praxis entwickelt
- Code-Vorlagen erstellt
Martin Grambauer
Letzte Position:
Berater SAP Testdatenmanagement bei Siemens AG
Qualitätssicherung end-to-end in einem globalen S/4HANA-Transformationsprogramm.
Automatisierter Aufbau von Testdaten, Bewertung von Such- und Generierungslösungen sowie Durchführung von PoCs (K2view, EPI-USE).
Koordination zwischen Siemens-Teams und externen Partnern sowie strukturierter Wissenstransfer an interne Stakeholder.
PoC-Entscheidungsgrundlage geschaffen und Toolauswahl beschleunigt.
Testdaten-Bereitstellung standardisiert und Vorlaufzeiten spürbar reduziert.
Governance für Testdatenprozesse etabliert (Policies, Rollen, KPIs).
Nachhaltiger Know-how-Transfer: interne Teams befähigt, Lösungen selbst zu betreiben.
Methoden & Technologien: S/4HANA, SAP, K2View, EPI-USE, Testdatenmanagement, Data Masking, Data Provisioning, Teststrategie, Testmanagement, Coaching & Enablement, Azure DevOps, Microsoft Office 365, Gemini.
Gabriel Kaufmann
Letzte Position:
NewMedia bei TYPOworx GmbH
- Mediengestalter für digital und Printmedien, Fachschwerpunkt: digitale Medien, PHP-Entwicklung, TYPO3
- PHP, MySQL Programmierung
- Full-Stack (Frontend & Backend Programmierung)
- IT-Beratung
- Web-Hosting, Beratung und IT-Dienstleistungen
- Software- und Internetprojekte
- IT-Systemadministration
- Linux und Mac Systemadministration
Boris Nicolai
Letzte Position:
Fullstack Entwickler & DevOps Engineer bei EnBW Energie Baden-Württemberg
- Weiterentwicklung der internen Plattform „ECockpit“ mit Frontend Angular 17 und Backend .NET (C#)
- Pflege und Weiterentwicklung der Azure DevOps Pipelines
- Einführung technischer Verbesserungen in Build- & Release-Prozessen
- Mitarbeit an modularem Architekturansatz (Clean Architecture & DDD)
- Fokus auf Skalierbarkeit und sichere Datenverarbeitung
- Tech-Stack: Angular 17, .NET / C#, Azure, Azure DevOps, Git, CI/CD, Clean Architecture, Domain Driven Design
Dimitry Kirschner
Letzte Position:
Rollout Experte bei Everience Germany GmbH
- Projekt: Mazars Windows 11 Rollout: Verantwortlich für Windows 11 Rollout beim Kunden Mazars
- Kundenspezifische Anforderungen verstehen (Hardware-Kompatibilität, Anwendungsabhängigkeiten, Microsoft AD-Gruppenrichtlinien)
- Umsetzung der Hardware-Logistik an Kundenstandorten
- Einbindung der IT-, Fachbereichs-, Sicherheits- und Compliance-Teams
- Infrastruktur aktualisieren
- Treiber- und Firmware-Updates durchführen
- Rollout mithilfe von Skripten automatisieren
- Benutzer benachrichtigen, FAQs, Änderungsprotokolle und Support-Kontakte bereitstellen
- Technologien: Baramundi Management Center, AD, Azure AD, Intune, Office 365, OpenProject, RDP, Topdesk, MS Teams, PowerShell
Anton Klonov
Letzte Position:
Leiter der technischen Gesamtintegration NSC / Entwicklung von Hadoop Cloud bei IABG
Leiter der technischen Gesamtintegration NSC (National Secure Cloud, Projekt mit ca. 60 Mitarbeitern).
Technische Integration aller Subprojekte in ein Produkt, Definition von Schnittstellen, Basiskomponenten einer Cloud inklusive Hardware, technische Architektur der Basis IABG.
Entwicklung einer Cloud-Management-Plattform (CMP), die in der Lage ist, Private/Mixed-Cloud beliebiger Komplexität anhand einer textuellen Beschreibung per Klick oder interaktiv zu erstellen.
CMP beinhaltet auch den kompletten Zyklus des Hardware-Managements.
Als Basis werden Kubernetes, OpenStack und Hadoop eingesetzt.
Die Managementschicht umfasst Harbor, Gitea, Longhorn, Keycloak, Rancher und Jenkins, die automatisch konfiguriert sind.
Private Cloud kann beliebige Workloads von Kunden ausführen, darunter die komplette Hadoop-Schicht mit HDFS, Spark, MapReduce, Mesos, HBase und ca. 20 weiteren ML-/DL-Technologien.
Hadoop-Worker-Cluster können auch ohne Kubernetes auf Bare Metal oder Standardhardware automatisch installiert werden.
OpenStack mit Nova, Neutron, Ironic, Swift, Cinder und Ceph.
Entwicklung einer Java-Anwendung Rudi: SOAP, REST, Container, DB.
Technologien: Kubernetes (K3s, Rke2, Minikube, Harbor, Gitea, Jenkins, Longhorn, Keycloak, Rancher), OpenStack (Nova, Neutron, Keystone, Swift, Ceph, Cinder, Sahara, Magnum, Kayobe, Kolla, Bigrost, Ironic), Hadoop (HDFS, Ambari, Solr, Livy, Ranger, YARN, Tez, HBase, Kafka, Hive, Zookeeper, MapReduce, Spark, Oozie, Flink), Virtualisierung (Kubernetes (K3s), VMware, Oracle), Skripting (Ansible, Puppet, Juju, Shell, Groovy, Gradle, Maven).
Yasin Yildiz
Letzte Position:
DevOps-Architekt & Backend-Entwickler bei Schweizerische National Bank
- Architektur und Weiterentwicklung der DevOps-Infrastruktur in einer regulierten Umgebung
- Migration & Planung & Entwicklung vom Monolithen zur Microservice (ASP.NET Core)
- Aufbau und Pflege von CI/CD-Pipelines (GitLab, Jenkins) zur Unterstützung agiler Entwicklung
- Verwaltung von Artefakt-Repositories mit JFrog Artifactory und Sicherheits-Scans via Xray
- Migration und Integration von Quellcode-Repositories (SVN → GitLab)
- Betrieb und Konfiguration einer Container-Plattform mit OpenShift
- Automatisierung von Deployments mit Ansible, Helm und Ansible Automation Platform
- Implementierung von Monitoring- und Alerting-Lösungen mit Prometheus
- Enge Zusammenarbeit mit dem Frontend-Entwicklungsteam zur Optimierung von Build-, Test- und Release-Prozessen
- Unterstützung bei der Etablierung sicherer und skalierbarer Infrastrukturprozesse (Secure SDLC)
- Dokumentation und Wissensvermittlung innerhalb des Teams
- Leiten der Refinements und Konzipierung der Architektur für das Backend
Janusz Mazurek
Letzte Position:
IoT Edge Computing / Autonomes Fahren bei Automotive, Beratungsunternehmen
- Plattform: Python-Ökosystem, RHEL 8, K10, AWS IoT Core, AWS Lambda, MLOps
- Software: Java JEE/Cloud, IntelliJ IDEA, AWS IoT Core, AWS Edge und Lambda, AWS SageMaker SDK, Docker Compose, Kubernetes, Openshift 4, Tekton, Flux, Helm Charts, JSON/XML-Technologien, Nginx, Apache Spark, OpenAI (GPT Plus, DALL-E 3, Whisper), GAN, GitHub Copilot, KI, Machine Learning, Deep Learning, Jupyter Notebooks, TensorFlow 2, Colab, Keras API, Prometheus, Grafana, Conda, Python 3.9, SciPy-Stack (NumPy, pandas, scikit-learn, matplotlib)
- Zuständig für Webinar:
- IoT Edge Computing, Architektur, Komponenten, Ressourcen, Management
- IoT Edge Computing mit MicroK8s, Design und Erstellung von Flows/Diagrammen für AWS, Three-Step-Modell für IoT-Ökosystem
- IoT-Prozesse, Konnektivität, Datentransfer und Deployment, Sicherheit
- Optimierung des Edge Computing für Netzwerke, Services im IoT (AWS SQS Queue, SNS-Benachrichtigungen, Events, Analytics, Button, Device Management/Defender, Things Graph)
- Machine-/Deep-Learning-Frameworks (Modelle, Training, Optimierung der Pipelines, Deployment in der Cloud/am Edge, Monitoring der Workloads mit Prometheus und Grafana)
- Performance-Optimierung für niedrige Latenz/Resilienz mittels adaptiver ML/DL/RL-Modelle für Kundendaten aus dem IoT
- Analyse großer Sensordatenmengen mit Apache Spark, Kafka-Clustern
- Kasten K10 Data Management Platform auf Kubernetes-Multi-Cluster mit Helm Chart: Deployment, Backup/Disaster Recovery (RTO/RPO), Data Lifecycle und Security Management
- Implementierung eines mehrschichtigen neuronalen Netzes (ANN) mit TensorFlow 2 und Colab für Regression und Klassifikation; Datenanalyse und Aufbereitung für Applikationen; Entwicklung von Test- und Trainingsmodellen; Deployment der Modelle
- Automatisierung von Business-Streamline-Prozessen mit KI (Azure OpenAI, Discord-Bots/Zapier, AI-Assistenten-Apps IntelliJ, GitHub Copilot)
Thomas Hieber
Letzte Position:
AR-App
- Entwicklung einer AR-App für iOS für ein Sportunternehmen.
- Entwicklung der mobilen Anwendung und von Augmented-Reality-Funktionen.
- Technologien: Objective-C, iOS, Metaio, REST, JSON, PHP, Xcode.
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die Minikube einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
23 Jahre
Positionsdauer
1,1 Jahre
Positionen pro Freelancer
22
Häufigste Fachbereiche
Informationstechnologie (IT), Produktentwicklung, Projektmanagement
Häufigste Branchen
Informationstechnologie (IT), Automotive, Bank- und Finanzwesen
Fokus der Zertifizierungen
Informationstechnologie (IT), Projektmanagement, Business Intelligence
Bachelor-Abschluss oder höher
75%
Master-Abschluss oder höher
63%
Zertifizierungen pro Freelancer
3
Häufigste Sprachen
Deutsch, Englisch, 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 Minikube 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
Lokales Kubernetes
Mit Minikube können Spezialisten ein lokales Kubernetes-Cluster auf einem Laptop oder einer Workstation betreiben. Es wird genutzt, um Manifeste, Helm Charts und grundlegendes Clusterverhalten zu testen, ohne geteilte Umgebungen zu verändern. Das macht es zu einem praktischen Werkzeug für die tägliche Delivery-Arbeit.
Häufige Einsatzszenarien
- Deployments, Services und ConfigMaps vor dem Release validieren
- Ingress-Regeln und Service Discovery in einer sicheren Umgebung prüfen
- Probleme aus CI oder Staging auf einem lokalen Cluster reproduzieren
- Add-ons, Storage Classes und einfache Autoscaling-Abläufe ausprobieren
Werkzeuge rundherum
Starke Profis nutzen Minikube zusammen mit kubectl, Helm, Docker oder einer anderen Container Runtime und Kubernetes Manifests, die in Git gespeichert sind. Oft kombinieren sie es mit YAML-Linting, lokalen Registries und Testautomatisierung. Der Wert liegt nicht nur darin, ein Cluster zu starten, sondern den Workflow reproduzierbar zu halten.
Wann Hilfe sinnvoll ist
Unternehmen suchen meist nach freiberuflicher Expertise, wenn lokale Kubernetes-Arbeit Releases ausbremst, sich das Clusterverhalten von Maschine zu Maschine unterscheidet oder ein Team verlässliche Unterstützung beim Setup braucht. In Deutschland kommt das oft in Produktteams, SaaS-Unternehmen und Enterprise-Umgebungen vor, die schnelles Feedback wollen, ohne das Hauptcluster zu verändern.
Was gute Spezialisten tun
Gute Minikube-Spezialisten konzentrieren sich auf reproduzierbare Umgebungen, nicht auf schnelle Notlösungen. Sie wissen, wie man Treiber anpasst, Services freigibt, Ressourcenlimits setzt und die Cluster-Konfiguration nah an der echten Zielumgebung hält. Außerdem erkennen sie, wann lokales Testen ausreicht und wann eine geteilte Kubernetes-Umgebung die bessere Wahl ist.
Praktische Ergebnisse
Ein freiberuflicher Experte kann beim lokalen Cluster-Setup, bei Onboarding-Notizen für Entwickler, bei Helm-Chart-Prüfungen und bei Schritten zur Problemreproduktion helfen. Er kann auch On-site- oder Remote-Teams in Deutschland unterstützen, indem er lokale Minikube-Workflows mit CI-Pipelines und der Zielversion von Kubernetes abstimmt. Das Ergebnis ist weniger Rätselraten bei Implementierung und Testen.
Häufig gestellte Fragen
Die Fakten, nach denen Hiring-Teams bei Minikube am häufigsten fragen.
Minikube wird verwendet, um ein lokales Kubernetes-Cluster für Entwicklung und Testen zu betreiben. Teams nutzen es, um Manifeste zu validieren, Add-ons auszuprobieren und Probleme zu reproduzieren, ohne die geteilte Infrastruktur anzutasten. Es ist besonders hilfreich, wenn eine Änderung schnelles Feedback braucht, bevor sie Staging oder Produktion erreicht.
Minikube ist eine starke Wahl, wenn Sie ein einfaches lokales Cluster möchten, das sich auf einem Laptop wie Kubernetes verhält. kind wird oft für container-nahes Testen gewählt, während ein verwaltetes Cluster besser für gemeinsame Integrationsarbeit und Prüfungen nahe an der Produktion ist. Ein guter Spezialist weiß, welche Option zur Aufgabe passt, statt ein Tool überall aufzuzwingen.
Ein starker Minikube-Profi kennt in der Regel kubectl, Helm, YAML, Docker und die zentralen Kubernetes-Objekte. Storage, Networking, Ingress und grundlegendes Troubleshooting sind ebenfalls wichtig, weil viele Probleme im lokalen Cluster genau in diesen Bereichen liegen. Kenntnisse in CI-Pipelines helfen, wenn das lokale Setup zu den Delivery-Workflows passen muss.
Minikube-Expertise ist wichtig, wenn Teams zuverlässiges lokales Testen brauchen, das Setup aber inkonsistent oder zu langsam ist. Sie ist auch wertvoll beim Onboarding neuer Spezialisten, beim Validieren von Charts oder beim Debuggen eines Cluster-Problems, das nur in der lokalen Arbeit auftaucht. Wenn das Team nur eine schnelle Demo braucht, kann leichtere Unterstützung ausreichen.
Ja, Minikube eignet sich gut für die Zusammenarbeit im Remote-Setting, weil jeder Spezialist dasselbe lokale Cluster-Setup auf seinem eigenen Rechner ausführen kann. Für Teams in Deutschland kann das Zeitverluste durch den Zugriff auf geteilte Umgebungen reduzieren und das Debuggen über Standorte hinweg erleichtern. Klare Setup-Notizen sind wichtiger als ein gemeinsames Büro.
Achten Sie auf jemanden, der Cluster-Setup, Add-ons, Networking und das Freigeben von Services verständlich erklären kann. Ein guter Minikube-Spezialist hinterlässt reproduzierbare Schritte, nicht nur eine einmalige Lösung. Fragen Sie nach Beispielen, wie er einen Fehler lokal reproduziert und das Setup an die Zielumgebung von Kubernetes angepasst hat.
Nein. Minikube ist oft der schnellste Weg, Kubernetes-Verhalten lokal zu testen, auch für erfahrene Teams. Erfahrene Profis nutzen es, um Manifeste zu prüfen, Probleme einzugrenzen und Annahmen zu verifizieren, bevor Änderungen geteilte Umgebungen erreichen.
Bevor Sie einen Minikube-Spezialisten hinzuziehen, sammeln Sie die Manifeste, die Cluster-Version, den erwarteten Workflow und alle Fehlermeldungen oder Screenshots. Es hilft auch zu teilen, ob es um Entwickler-Onboarding, Problemreproduktion oder Chart-Validierung geht. Je klarer das Ziel ist, desto schneller kann der Experte helfen.
Der durchschnittliche Stundensatz von Freelancern in Deutschland, die Minikube in ihren letzten Projekten eingesetzt haben, liegt bei 92 €, was einem Tagessatz von etwa 740 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Deutschland, die Minikube in ihren letzten Projekten eingesetzt haben, haben 75% mindestens einen Bachelor-Abschluss und 63% mindestens einen Master-Abschluss.
Freelancer in Deutschland, die Minikube in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 23 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 1,1 Jahre.
Die häufigsten Sprachen unter Freelancern in Deutschland, die Minikube in ihren letzten Projekten eingesetzt haben, sind Deutsch (100%), Englisch (100%) und Französisch (20%).
Die häufigsten Industrien unter Freelancern in Deutschland, die Minikube in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Automotive (60%) und Bank- und Finanzwesen (60%).
Die häufigsten Bereiche unter Freelancern in Deutschland, die Minikube in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Produktentwicklung (100%) und Projektmanagement (90%).
Hauptstandorte der FRATCH Experten, die kürzlich Minikube 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
