SHAP Experten in Deutschland
aus geprüften Freelancern mit der Kraft von KI.Beauftragen Sie Experten, die Modellvorhersagen mit SHAP, SHapley Additive Explanations, erklären und in klare Feature-Zuordnungen für tabellarische, Text- und baumbasierte Modelle übersetzen. Sie unterstützen beim Debugging von Modellen, bei Berichten und bei Stakeholder-Reviews mit schnellem, präzisem Matching zu geprüften, verfügbaren Freelancern.
Lerne FRATCH Experten in Deutschland kennen, die kürzlich SHAP eingesetzt haben
Daryoosh Dehestani
Letzte Position:
FP&A Data & AI Architect bei Epta Group
Scope: Eingebettet als FP&A Data & AI Architect innerhalb der Finance-Funktion eines großen europäischen Kühlanlagenherstellers. Ich habe die Transformation von manuellem, fragmentiertem Finanzreporting hin zu einer automatisierten, governance-getriebenen Intelligence-Plattform geleitet. Der Schwerpunkt lag auf dem Wechsel von Excel-basiertem Controlling zu strukturierter Datenarchitektur, Power-BI-Analytics und AI-gestützter Finance-Operation.
Financial Data Integrity & ERP Governance
- GL- vs. Subledger-Abstimmungen angestoßen und geführt sowie strukturelle Abweichungen zwischen Hauptbuch- und Nebenbuchdaten identifiziert und behoben, die vor meinem Start unentdeckt geblieben waren
- Anlagenanalysen durchgeführt, um Posten ohne Buchung im Hauptbuch zu identifizieren und Lücken im Anlagevermögen sowie in der Periodenabgrenzung aufzudecken
- SAP-Reports validiert und damit Baseline-Standards für die Datenqualität der Finance-Nutzung etabliert
- Einen systematischen SAP-Datenvalidierungsrahmen aufgebaut, der die laufende Integrität zwischen ERP-Buchungen und nachgelagerten Reporting-Ergebnissen sicherstellt
Finance Reporting Transformation
- Einen strukturierten Transformationsansatz für die Umstellung manueller Finance-Reports in vollautomatisierte Prozesse entworfen und umgesetzt
- Das Data Reporting Audit Log erstellt und verantwortet; ein zentrales Tracking-System, das Report-Owner, Stakeholder, Datenquellen, manuellen Aufwand und Automatisierungspotenziale über die gesamte Finance-Funktion erfasst
- Die gesamte Reporting-Landschaft kartiert, um Quick-Win-Automatisierungen und strategische Power-BI-Migrationskandidaten zu identifizieren
- Den manuellen Excel- und PowerPoint-Einsatz in FP&A-Workflows aktiv reduziert; Punkt-zu-Zeitpunkt-Snapshots durch Live-Datenmodelle mit Governance ersetzt
Power BI & Analytics Enablement
- Power BI als strategische Reporting-Plattform gegenüber der Finance-Leitung eingeführt und präsentiert und damit intern Zustimmung für die BI-Transformationsroadmap aufgebaut
- Eine erste Power-BI-Architektur entworfen, abgestimmt auf SAP-, Salesforce- und Oracle-Datenstrukturen sowie auf FP&A-Reporting-Anforderungen
- Report-Ownership, Governance-Dokumentation und Standards für Data Lineage etabliert, um nachhaltige Self-Service-Analytics im Finance-Team zu ermöglichen
Transformation Infrastructure & Collaboration
- Jira als zentrales Projektmanagement-Hub für die Transformation konfiguriert und eingeführt, inklusive strukturierter Sprint-Workflows, Backlog-Management und transparenter Fortschrittssteuerung für Finance-IT-Initiativen
- Einen dedizierten FP&A Communication & Transformation Hub vorgeschlagen und angestoßen, ein strukturierter, bereichsübergreifender Austausch zur Ausrichtung von Finance, IT und Fachbereichen auf die Reporting-Transformationsroadmap
- Die Finance-Funktion als aktiven Treiber für Data Governance und digitale Transformation im Gesamtunternehmen positioniert
Outcomes
- GL-/Subledger-Abweichungen identifiziert und ein Untersuchungsrahmen innerhalb der ersten zwei Wochen des Einsatzes aufgebaut
- Data Reporting Audit Log ausgerollt; das erste strukturierte Inventar der Finance-Reporting-Landschaft in der Unternehmensgeschichte
- Power-BI-Transformationsroadmap vorgestellt und von der Finance-Leitung freigegeben
- Jira-basierte Projektgovernance live; Finance-Transformation wird nun mit voller Sprint-Transparenz verfolgt
Technologies: SAP FI/CO · Power BI · DAX · SQL · Excel (advanced) · Power Query (M) · Power Automate · VBA · Jira · Microsoft 365 · SharePoint · Salesforce (Sales Data) · Oracle HCM · Python
Asad Karim
Letzte Position:
Senior KI-Entwickler bei Neuland.ai AG
- Entwarf und implementierte ein produktionsreifes GraphRAG-System mit Neo4j, Embeddings und Multi-Hop-Reasoning für über 120 Mio. Knoten, steigerte die Antwortgenauigkeit um 32 %, verringerte Halluzinationen um 41 % und senkte die Abruflatenz um 38 %.
- Entwickelte und implementierte ein Enterprise-Agenten-Ökosystem mit Model Context Protocol (MCP), das interne APIs, Datenbanken und Services als sichere aufrufbare Tools für autonome Workflows und Systemintegration bereitstellt.
- Konzipierte und setzte einen produktionsreifen E-Mail-Routing-Agenten auf LLM-Basis mit Microsoft Graph API, MCP und Azure OpenAI ein, erreichte 96 % Routing-Genauigkeit, senkte den manuellen Triage-Aufwand um 65 % und verkürzte die Reaktionszeiten von 18 Stunden auf unter 4 Stunden.
- Implementierte Selbstkorrektur-Pipelines für autonome Agenten mittels iterativer Feedback-Schleifen (Ralph Wiggum), was eine zuverlässige Fehlererkennung, automatisierte Behebung und produktionssichere Ausführung ermöglicht.
- Entwickelte eine multimodale semantische Suchplattform mit multimodalen LLMs und Vektor-Embeddings, ermöglichte semantisches Auffinden von über 250 000 Bild- und Video-Assets und verbesserte die Trefferquote um 48 %.
Paul Oesterwitz
Letzte Position:
Product Owner / Projektmanager bei Wirtschaftsprüfer und Softwareanbieter für deutsche Steuerberatungskanzleien
- Projektumgebung: Python, Java, Azure AI Studio & OpenAI Studio, Embedding-Modelle, LLM als Richter
- Projektsprache: Deutsch
- Projektrolle(n): Projektmanager
- Projektmanagement zur Verbesserung der Chatbot-Leistung
- Recherche und Bewertung von Ansätzen zur Verbesserung und Messung der Antwortgenauigkeit sowie zur Steigerung des Kontextverständnisses des Chatbots
- Abstimmung von Architekturentscheidungen mit dem technischen Team und den Architekten
- Koordination und Überführung von Forschungsergebnissen in Entwicklungstasks
Devakinand Dama
Letzte Position:
Masterarbeit: Analyse des Prompt Engineerings zur Datenerfassung aus unstrukturierten Daten bei Technische Hochschule Rosenheim
- Anwendung fortgeschrittener Machine-Learning-Techniken durch Entwicklung eines Multi-Strategie-Prompting-Frameworks (Zero-shot, Few-shot, CoT, Instruction Tuning) zur Extraktion strukturierter Daten aus komplexen Finanz- und medizinischen Datensätzen, wodurch die Modellzuverlässigkeit deutlich gesteigert und eine 18%ige Verbesserung des F1-Scores durch rigorose Bewertung mit erweiterten Metriken (ROUGE-L, METEOR, Kosinus-Ähnlichkeit) erreicht wurde.
- Gestaltung skalierbarer Workflows für strukturierte Ausgaben und Aufbau automatisierter Monitoring-Pipelines (spaCy, ClearML) für kontinuierliches Performance-Tracking, zur Simulation realer MLOps-Prinzipien.
- Iterative Verfeinerung der Prompt-Strategien basierend auf sorgfältiger Fehleranalyse, um eine robuste, produktionsreife Performance sicherzustellen.
Abhijith Sai Thirunahari
Letzte Position:
KI- und AWS-Entwickler bei FannieMae
- Entwarf End-to-End-Kreditrisiko-Pipelines durch Orchestrierung von Airflow-ETLs und Training von LSTMs/Transformern, um Ausfall- und vorzeitige Rückzahlungsraten auf MBS-Portfolios vorherzusagen.
- Entwickelte Deep-Learning-NLP-Lösungen mit BERT und LayoutLM für die Dokumentenverarbeitung und nutzte Transfer Learning sowie benutzerdefinierte PyTorch-Loss-Funktionen, um Underwriting zu automatisieren.
- Optimierte F&E-Zyklen durch Bayessche Tuning, Batch-Normalisierung und MLflow-Tracking, um eine robuste Modellleistung während volatiler Hypothekenmarktzyklen sicherzustellen.
- Produktionsreife MLOps-Infrastruktur mit Docker und INT8-Quantisierung bereitgestellt und latenzarme FastAPI-Mikroservices auf AWS SageMaker mit automatisierten CI/CD-Pipelines ausgerollt.
- Gewährleistung regulatorischer Compliance durch Integration von SHAP/LIME für Erklärbarkeit und Einrichtung eines Echtzeit-Data-Drift-Monitorings, um strenge FHFA- und Fair-Lending-Standards zu erfüllen.
Muhammad Usman
Letzte Position:
Wissenschaftliche Hilfskraft bei Universität des Saarlandes
- Einsatz KI-getriebener CADD-Methoden zur Optimierung biosynthetischer Wege und Molekülscreenings.
- Integration synthetischer Biologie und rechnergestützter Chemie-Workflows für schnelle In-silico-Experimente.
- Automatisierte ML-Pipelines mit Python, PyTorch und Scikit-learn unter Linux, was zu verbesserten Modelltests und höherer Reproduzierbarkeit führte.
Madhava Pesala
Letzte Position:
KI-Spezialist bei Diplotech Solutions
- Feingetuntes quantisiertes LLaMA-Modell mit LoRA erstellt und Hyperparameter für domänenspezifische, groß angelegte NLP-Anwendungen optimiert.
- Entwicklung hybrider RAG-Architekturen auf LLM-Basis mit LangChain für den Rechtsbereich geleitet, inklusive Dokumentenextraktion, Vektorsuche, Speech-to-Text-Verarbeitung und Prompt Engineering über OpenAI-APIs.
- LLM-basierten Übersetzungsdienst gebaut, der OpenAI Whisper für Transkription mit domänenspezifischer Übersetzung kombiniert, um sensible diplomatische Terminologie zu verarbeiten.
- REST-APIs mit FastAPI und Pydantic für KI-Modelle entwickelt und integriert, in Zusammenarbeit mit Frontend-Teams produktionsreife Anwendungen in sicheren Cloud-Umgebungen bereitgestellt.
- LLM-Workflows mit CI/CD-Pipelines automatisiert, Modelle mit Docker containerisiert und in AWS für skalierbare Cloud-Infrastruktur bereitgestellt.
Sagar Mattikere Anand
Letzte Position:
Graph-basierter RAG-Agent für sichere Datenintelligenz (EcoGraph-RAG) bei Philipps-Universität Marburg
- Entwickelte ein GraphRAG-System, das semantische Vektoren (Chroma) und Wissensgraphen (NetworkX/Neo4j) kombiniert, um mehrstufige Q&A zu Klimapolitik-Dokumenten zu ermöglichen.
- Setzte Llama 3/Gemma über Ollama für lokale Inferenz ohne Kosten ein; erzielte ~95% Genauigkeit bei der Extraktion von Entitäts-Beziehungen.
- Erstellte eine Ingestions-Pipeline für PDFs und CSV-Dateien mit 48.000 Zeilen; wendete gruppierte Medianimputation an und verminderte Datenlücken.
Dean Rakic
Letzte Position:
CEO / Chefwissenschaftler bei ENUM
- Blockchain-Plattformtechnologie
- Digitale Blockchain-Plattform / Digitale Ökonomie.
Ahsan Javed
Letzte Position:
Data-Analytics-Entwickler bei Level Next Productions
- Power BI-Dashboards erstellt und datengetriebene Strategien auf digitalen Plattformen ermöglicht
Robert Komorowsky
Letzte Position:
IT-Berater bei cloud37 Deutschland GmbH
- Durchführen von IT-Beratungsprojekten im Bereich Data Science und Data Management für verschiedene Kundenunternehmen in Deutschland und der Schweiz
- Analyse einer großen Zahl von Nachhaltigkeitsberichten mittels RAG (Retrieval Augmented Generation), Milvus-Vektordatenbanken und Large Language Models (LLMs), bereitgestellt über Watsonx.ai
- Austesten von Prompts, LLM-Modelltypen und Parametern im Hinblick auf Antwortqualität und Halluzinationsfreiheit
- Deployment der Analyseskripte in der Cloud mittels Docker
- Programmieren einer Streamlit-App, um Antworten in einer benutzerfreundlichen Browseroberfläche zu generieren
- Verwenden von KI-Sprachagenten zur Suche von Firmeninformationen im Internet, um Nachhaltigkeitsberichte vorzuklassifizieren, z. B. anhand von Branche und Mitarbeiterzahl
- Erweitern von Python-Modulen zum Transformieren, Speichern und Importieren von Sozialversicherungsdaten in ein Online-Datenbanksystem
- Abbilden von Tabellenstrukturen mithilfe von Python-Klassen (Spaltennamen, Datentypen, Feldlängen, Fremdschlüssel, Unique-Constraints, Verweise auf andere Tabellen)
- Automatisiertes Extrahieren von Daten aus Excel-Tabellen, Erzeugen von JSON-Dateien zum Zwischenspeichern im Dateiablagesystem, Importieren der JSON-Daten in DB2-Datenbankumgebungen via Batchdateien
- Protokollieren von SQL-Merge-Queries via Python-SQLAlchemy-Paket zur Wiederverwendung in verschiedenen Datenbankschemas
- Trainieren und Optimieren von Machine-Learning-Modellen in Azure DataBricks zur Vorhersage von Weißwerten, die bei Waschexperimenten mittels Fleckenmonitor gemessen wurden
- Erstellen von Diagrammen und Visualisieren von Kennzahlen zur Messung der Prognosegüte bei Regressionsalgorithmen (u. a. neuronale Netze und Random Forests)
- Erklären der Vorhersagen mittels LIME- und SHAP-Werten
Azada Henze
Letzte Position:
KI-Berater bei Freiberuflich
- Aufbau skalierbarer End-to-End Machine-Learning-Pipelines für ein großes Telekommunikationsunternehmen, einschließlich Feature Engineering, Modellentwicklung, Deployment und einer Streamlit-Visualisierungs-App.
- Einführung und Integration von Data Science im Customer Experience Team, tägliche Zusammenarbeit mit Stakeholdern zur Bereitstellung von End-to-End-Lösungen; unter meiner fortlaufenden Betreuung blieb die Kundenzufriedenheit (NPS) stabil bei einem Rekordwert von über 30 Punkten.
- Beratung eines Kunden zu Generative-KI-Tools, KI-Entwicklungsstrategien und verantwortungsvollem KI-Einsatz, Mitgestaltung interner Adoptions- und Governance-Ansätze.
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die SHAP einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
10 Jahre
Positionsdauer
1,4 Jahre
Positionen pro Freelancer
8
Häufigste Fachbereiche
Informationstechnologie (IT), Business Intelligence, Forschung und Entwicklung (F&E)
Häufigste Branchen
Informationstechnologie (IT), Automotive, Gesundheitswesen
Fokus der Zertifizierungen
Business Intelligence, Informationstechnologie (IT), Forschung und Entwicklung (F&E)
Bachelor-Abschluss oder höher
100%
Master-Abschluss oder höher
100%
Doktortitel
8%
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 SHAP 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 SHAP macht
SHAP, kurz für Shapley Additive exPlanations, zeigt, wie jedes Feature eine Modellvorhersage nach oben oder unten verschiebt. Es wird genutzt, um Baumodelle, neuronale Netze und andere Machine-Learning-Systeme so zu erklären, dass sie leichter geprüft und weitergegeben werden können.
Typische Aufgaben
- Feature-Zuordnung für Modellausgaben
- Lokale Erklärungen für einzelne Vorhersagen
- Globale Zusammenfassungen des Modellverhaltens
- Debugging unerwarteter Modellentscheidungen
- Berichte und Review-Unterlagen für Stakeholder
Üblicher Stack
Starke Spezialisten arbeiten mit Python, der SHAP-Bibliothek, Jupyter, pandas, NumPy und scikit-learn. Sie verstehen auch den Modelltyp hinter der Erklärung, etwa XGBoost, LightGBM, CatBoost oder TensorFlow, weil die Qualität des Ergebnisses sowohl vom Erklärer als auch vom Modell abhängt.
Wann Teams Hilfe brauchen
Unternehmen holen sich freiberufliche Expertise dazu, wenn Erklärungen für ein Audit, ein Produkt-Release oder eine Modellprüfung gebraucht werden. In Deutschland kommt das oft in Finanzen, Versicherungen, der Fertigung und im Gesundheitswesen vor, wo Teams klare Modellbegründungen für interne und externe Stakeholder brauchen.
Was gute Spezialisten tun
Ein starker SHAP Spezialist macht mehr, als nur Werte zu plotten. Er wählt den richtigen Erklärer, prüft Feature-Leakage, vergleicht lokale und globale Ansichten und hält die Erklärungen über verschiedene Umgebungen hinweg konsistent. Er weiß auch, wann eine einfachere Interpretationsmethode ausreicht und wann SHAP echten Mehrwert bringt.
Die Zusammenarbeit mit ihnen
Die Zusammenarbeit aus der Ferne funktioniert meist gut, weil SHAP-Arbeit von Code, Daten und Reviews lebt. Unterstützung vor Ort ist sinnvoll, wenn Teams Workshops, Modell-Durchgänge oder Hilfe beim Abstimmen von Data Science, Produkt und Risiko brauchen. Ein klarer Zugriff auf das Modell, das Datenschema und die Zielgruppe beschleunigt die Arbeit und verbessert das Ergebnis.
Häufig gestellte Fragen
Die wichtigsten Details zu SHAP, aus den Fragen, die uns am häufigsten erreichen.
SHAP wird verwendet, um zu erklären, warum ein Modell eine bestimmte Vorhersage gemacht hat. Es übersetzt das Modellverhalten in Feature-Beiträge, was Teams hilft, Systeme zu debuggen, Entscheidungen zu dokumentieren und Ergebnisse mit nicht-technischen Stakeholdern zu besprechen. SHAP ist besonders nützlich, wenn das Modell verstanden und nicht nur gemessen werden soll.
SHAP liefert konsistente Feature-Zuordnungen auf Basis von Shapley-Werten, während LIME lokales Verhalten mit einem separaten, einfachen Modell annähert. Permutation Importance ist besser für einen breiten globalen Überblick, erklärt aber eine einzelne Vorhersage nicht so klar. Ein guter Freelancer weiß, welche Methode zur Frage passt, nicht nur, welche gerade beliebt ist.
SHAP wird oft mit baumbasierten Modellen wie XGBoost, LightGBM und CatBoost verwendet, weil sie effiziente Erklärer haben. Es funktioniert auch mit vielen anderen Modelltypen, darunter neuronale Netze und lineare Modelle, auch wenn Einrichtung und Interpretation sich unterscheiden können. Der beste Spezialist prüft den Modelltyp, bevor er den Erklärer auswählt.
Ein starker SHAP Spezialist kennt in der Regel Python, pandas, scikit-learn und die Grundlagen der Modellevaluierung. Er sollte außerdem Feature Engineering, Datenqualität und die Frage verstehen, wie man Erklärungen für Fach- und Risikoteams aufbereitet. Für produktive Einsätze sind Versionskontrolle und saubere Notebooks ebenfalls wichtig.
Eine SHAP-Aufgabe kann klein sein, wenn Sie nur wenige Erklärungen für ein bestehendes Modell brauchen. Sie wird anspruchsvoller, wenn es darum geht, einen wiederholbaren Erklärungs-Workflow aufzubauen, viele Features zu prüfen oder reguliertes Reporting zu unterstützen. In solchen Fällen ist ein Spezialist mit praktischer Erfahrung im Modell-Debugging die sicherere Wahl.
Ja, SHAP-Arbeit ist meist sehr gut remote machbar, weil sie sich auf Code, Datenzugriff und Review-Sitzungen stützt. Für Teams in Deutschland deckt die Zusammenarbeit aus der Ferne oft den größten Teil der Arbeit ab, während Meetings vor Ort helfen, wenn die Erklärung mit rechtlichen, produktbezogenen oder führungsbezogenen Stakeholdern abgestimmt werden muss. Die Erwartungen an die Sprache sollten von Anfang an klar sein.
Ein gutes SHAP-Ergebnis ist konsistent, nachvollziehbar und auf das echte Modell und die echte Datenpipeline bezogen. Achten Sie auf klare Entscheidungen zu Hintergrunddaten, sinnvolle Feature-Gruppierungen und Erklärungen, die zur geschäftlichen Fragestellung passen. Wenn das Ergebnis zwar gut aussieht, aber die Annahmen unklar sind, ist die Arbeit noch nicht fertig.
Nein, SHAP ist stark, aber nicht immer die einfachste Option. Wenn Sie nur eine grobe Rangfolge wichtiger Features brauchen, kann eine andere Methode schneller und leichter zu pflegen sein. Ein guter Freelancer sagt Ihnen, wann SHAP die richtige Wahl ist und wann ein leichterer Ansatz ausreicht.
Der durchschnittliche Stundensatz von Freelancern in Deutschland, die SHAP in ihren letzten Projekten eingesetzt haben, liegt bei 73 €, was einem Tagessatz von etwa 584 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Deutschland, die SHAP in ihren letzten Projekten eingesetzt haben, haben 100% mindestens einen Bachelor-Abschluss, 100% mindestens einen Master-Abschluss und 8% einen Doktortitel.
Freelancer in Deutschland, die SHAP in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 10 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 1,4 Jahre.
Die häufigsten Sprachen unter Freelancern in Deutschland, die SHAP in ihren letzten Projekten eingesetzt haben, sind Deutsch (100%), Englisch (100%) und Französisch (17%).
Die häufigsten Industrien unter Freelancern in Deutschland, die SHAP in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (67%), Automotive (50%) und Gesundheitswesen (50%).
Die häufigsten Bereiche unter Freelancern in Deutschland, die SHAP in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Business Intelligence (83%) und Forschung und Entwicklung (F&E) (83%).
Hauptstandorte der FRATCH Experten, die kürzlich SHAP 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
