Synthetic Data Experten in Deutschland
aus über 15.000 Lebensläufen mit Hilfe von KI.Beauftragen Sie Experten, die synthetische Datensätze für Tests, datenschutzfreundliche Analysen und Modelltraining entwerfen. Sie arbeiten mit Daten-Generierungspipelines, Validierungsregeln und domänenspezifischen Sonderfällen. Erhalten Sie schnelles, präzises Matching mit geprüften, verfügbaren Freelancern.
Lerne FRATCH Experten in Deutschland kennen, die kürzlich Synthetic Data eingesetzt haben
Ehsan Amin
Letzte Position:
Klinischer Data Scientist bei Freiberuflich
- Durchführung von Datenmanagement und statistischer Analyse für klinische Studien im Auftrag von CROs.
- Gastdozent an der Ivancity University in Paris mit Schwerpunkt auf Datenanonymisierungstechniken und Statistical Disclosure Control.
- Erbringung wissenschaftlicher und medizinischer Schreibdienstleistungen für Pharmaunternehmen.
- Durchführung von Optical-Mapping-Datenanalysen und Entwicklung von Softwaretools mit Fokus auf Algorithmusoptimierung und technischem Support.
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.
Thomas Jahn
Letzte Position:
Testmanager bei Hamburger Energienetze GmbH
- Methode: keine Methode
- Umfeld: ERP, S4/Hana, Confluence, Jira, Xray, SAP Solution Manager, Tosca
- Erstellung des Testkonzeptes für die Migration von ERP auf S/4HANA
- Erstellung von manuellen Testfällen und Testplänen für den Abnahmetest
- Koordination der Tests zwischen den Fachtestern
- Testautomatisierung mit Tosca
- manuelles Testing
Prasanna Hegde
Letzte Position:
Masterand bei Robotics Research Lab, TU Kaiserslautern
- Datensätze benchmarkt, reale Offroad-Daten gesammelt (~9000 Bilder) und Simulationsdatensätze mit Unreal Engine erzeugt.
- Gen-AI-Bildsegmentierung in Unreal Engine entwickelt, wodurch sich die Zeit von 1–2 Tagen auf 5–10 Minuten verkürzte.
- Generative-AI-Daten-Enhancement-Pipeline aufgebaut. Verbesserte die synthetischen Daten um +49% mIoU.
- Technologie: Python, PyTorch, C++, Git, LangChain, Gen-AI, Linux, W&B, OpenCV, Labelme.
Geraldine Castillo
Letzte Position:
Solution Engineer (Daten- & ML-Integration) bei Amadeus Data Processing GmbH
- Entwarf ML-fähige Datenintegrations-Workflows zwischen On-Premise-Systemen und Cloud-Plattformen (Snowflake, AWS Redshift, Azure) und ermöglichte so skalierbares Feature Engineering und Deployment von Modellen
- Implementierte automatisierte ML-Pipeline-Bereitstellung mit Python, SQL und CI/CD-Tools und reduzierte die Modellbereitstellungszeit um 60 %
- Entwickelte Logik zur Datenumwandlung für die Stammdatensynchronisation zwischen ERP- und Analysesystemen und sicherte so die Datenqualität für prädiktive Modelle
- Arbeitete mit funktionsübergreifenden Teams zusammen, um Geschäftsanforderungen in mathematische Spezifikationen für ML-Lösungen zu übersetzen
Sushant Rao
Letzte Position:
Senior Data Scientist bei INES Analytics GmbH
- Leitung der Implementierung von ETL-Pipelines für mehrere Produkte mit unterschiedlichen Daten- und Berichtanforderungen, einschließlich Datenbereinigung, -validierung und -vorbereitung.
- Leitung eines rotierenden Teams von 2–3 Data Scientists (insgesamt 6) zur Entwicklung und Bereitstellung mehrerer Data-Science-Projekte in den Unternehmensprodukten; Verantwortung für Zeitpläne und Ergebnisse.
- Zusammenarbeit mit Backend-, DevOps- und Frontend-Teams zur Integration von Data-Science-Pipelines in die Produktion und Gewährleistung reibungsloser, termingerechter Auslieferungen.
- Entwicklung eines probabilistischen Systems zur synthetischen Datengenerierung, um statistisch treue Datenduplikate zu erstellen, containerisiert mit Docker für reproduzierbare Deployments; validiert durch Alpha-Tests mit 5 Entwicklungspartnern für datenschutzfreundliche Analysen und Berichte.
- Entwurf und Aufbau eines präskriptiven Analysemoduls mit Szenariosimulation zur Unterstützung datengetriebener Entscheidungen.
Athul Sivan
Letzte Position:
Datenwissenschaftler bei Science to Data Science – Deutsche Welle
- Entwickelte eine auf GPT basierende Pipeline für synthetische Daten, die die Beschaffungskosten und Durchlaufzeiten um mehr als die Hälfte reduzierte.
- Modellierte Nutzerverhalten in unterrepräsentierten Gruppen mithilfe von Prompt-Workflows und statistischer Validierung.
- Bewertete die Realitätsnähe der Daten durch Cluster-, Regressions- und Divergenzanalyse.
- Lieferte reproduzierbare Python-Workflows zur Automatisierung von Experimenten in einem agilen Umfeld.
- Übersetzte analytische Ergebnisse in klare Erkenntnisse für Content- und Strategie-Teams.
- Technologien und Fähigkeiten: Python, generative KI, GPT, maschinelles Lernen, explorative Datenanalyse, agile Methoden, GitHub, Cloud-Computing, Halluzinationsanalyse.
Vasco Almeida
Letzte Position:
KI-Forschungspraktikant – Generative KI bei BMW AG
- Entwarf und implementierte multimodale Unterhaltungstoolchains, die Passagierinput, Fahrzeugkontext, Large-Language-Modelle (Text-zu-Text und Sprache-zu-Sprache) sowie Bildgenerierungsmodelle kombinieren, um interaktivere und immersivere In-Car-Erlebnisse zu bieten.
- Entwickelte und orchestrierte Tools für LLM-basierte Agenten, inklusive Sitzungsverwaltung, Hintergrundaufgaben, dynamischer Nutzerinteraktionen und persistentem Anwendungszustand.
- Untersuchte Multi-Agenten-Orchestrierungsframeworks für In-Car-Umgebungen, bewertete Kommunikationsprotokolle und Architekturstrategien für koordinierte und zuverlässige Agentenverhalten.
Martin Ratajczak
Letzte Position:
Senior LLM-Forschungswissenschaftler bei BYO Inc.
- Erforsche und entwickle Modelle für Chatbots, NLP und LLMs (z. B. Llama, Qwen, OpenAI)
- Verbessere Chatbots mit RAG und In-Context-Learning
- Überwachtes Fine-Tuning (PEFT, LoRA) mit Huggingface oder Unsloth
- Fortgeschrittene Trainingsmethoden: Test-Time-Training, (transduktives) aktives Lernen, verstärkendes Lernen
- High-Throughput-Serving mit vLLM
- Anwenden von Embedding-Modellen (z. B. SentenceTransformers), Ähnlichkeits-/Vektorsuche, Vektor-Datenbanken oder Ranking (z. B. LlamaIndex, Faiss, LangChain)
- Generieren und Filtern synthetischer Daten, Clustering
- Erkennen von Halluzinationen
- Evaluierung von Chatbot-Modellen (ROUGE, BLEU, F1-Score, Recall, Precision)
- Visualisierung von Experimenten (matplotlib)
Robin Steinkühler
Letzte Position:
Berater im Bereich Data Science & Engineering bei valantic Digital Finance GmbH
- Ich habe als Schnittstelle zwischen Business und Engineering für Großkunden aus dem Finanzbereich gearbeitet und Data Products sowie Cloud-Pipelines in Python, SQL Server, SAP Datasphere und Tagetik entworfen.
- Ich habe einen universellen Python/FastAPI-Connector entwickelt und als Container bereitgestellt, der SAP S/4HANA und weitere SQL-/NoSQL-Quellen mit Tagetik synchronisiert. Eingesetzt in Google Cloud Run und Microsoft Azure, verringerte er die kritische 90-minütige Datenladezeit auf etwa 80 Sekunden (65× schneller).
- Ich habe ein Medallion-Layer Data Warehouse auf SQL Server entworfen, das rund 500 GB/Tag aus 11 ERP-Systemen einliest. Die täglichen Aktualisierungen laufen automatisiert (Vollständige Ladung in unter 6 Minuten) und entlasten 20–30 Finanzmitarbeitende um Tage manueller Datenkonsolidierung.
- Ich habe funktionsübergreifende Workshops geleitet, um die Enterprise EPM-Zielarchitektur für einen führenden Telekom-Anbieter in Südostasien (CAPEX, OPEX, Umsatz) zu entwerfen. Dabei habe ich Anforderungen in Datenmodell-Spezifikationen und Integrationsblueprints übersetzt, die das Implementationsteam des Kunden jetzt umsetzt.
- Ich habe Projekte wie ein konsolidiertes Data & Reporting Warehouse für einen globalen Hersteller (über 10.000 Mitarbeitende), NFI-Reporting für eine internationale Management- und Technologieberatung und CAPEX-/OPEX-Planung für einen Telekom-Konzern in Südostasien (über 20.000 Mitarbeitende) umgesetzt.
Caner Karaoğlu
Letzte Position:
Synthetischer medizinischer Datensatz (MedGym) bei MedTank
- Generierte synthetische Datensätze für CXR, Mammografie und die Erkennung distaler Radiusfrakturen mit GANs und Diffusion und erstellte >50k synthetische Bilder für Benchmarking.
- Sicherung DSGVO-konformer Workflows und Reproduzierbarkeit, sodass der Datensatz für interne Validierung und akademische Zusammenarbeit genutzt werden konnte.
- Projekt im internen F&E-Showcase von MedTank als Vorzeigeinitiative für synthetische Daten hervorgehoben.
Aniruddha Pal
Letzte Position:
KI-Softwareentwickler bei Sentics GmbH
- Entwickelte eine Python-basierte Pipeline zur Generierung synthetischer Daten in Blender, um komplexe Mensch-Gabelstapler-Interaktionen für die Roboterwahrnehmung und das Training von KI-Modellen zu simulieren.
- Entwarf und modellierte 3D-industrielle Digital-Twins zur Unterstützung von Tiefenschätzung, Stereo-Vision und Sicherheitsanalyse-Arbeitsabläufen.
- Sammelte und verarbeitete LiDAR-, Laser- und photogrammetrische Punktwolken, um genaue 3D-Karten für die Umgebungsrekonstruktion und die Erstellung von Referenzdaten zu erzeugen.
- Entwickelte und implementierte auf YOLOv8 basierende Pose-Schätzungs- und Tiefenwahrnehmungsalgorithmen mit PyTorch und OpenCV, optimiert für GPU-Cluster und NVIDIA Jetson-Plattformen.
- Integrierte und validierte KI-Module in ROS-basierten Roboterumgebungen und sicherte Echtzeitleistung sowie Interoperabilität.
Muskan Verma
Letzte Position:
KI-Ingenieur bei Sagas IT Analytics
- Aufbau eines KI-Forschungsassistenten mit RAG, LangChain, LangGraph und OpenAI-LLMs in Kombination mit Vektorsuche; Forschungszeit um 30% reduziert.
- Entwicklung maßgeschneiderter Retrieval-Workflows mit LlamaIndex und einem ReAct-Style-Agenten für dynamisches Chunking; Abfragegenauigkeit um 18% verbessert.
- Untersuchung und Optimierung von Embedding-Strategien, wodurch die Abrufkosten pro Anfrage um 15% gesenkt wurden.
- Entwicklung von RAG-Bewertungsframeworks mit RAGAS und Langsmith anhand eigener Datensätze; Abdeckung um 40% gesteigert.
- Feintuning von LLMs (LLaMA 2 auf Vertex AI mit eigenen Inferenz-Containern, dynamischem Batching und Quantisierung); Latenz der Inferenz um 25% verringert.
- Integration von KI-Agenten in LangGraph mit Kurz- und Langzeitspeicher (Mem0); Abschlussquote der Aufgaben um 20% erhöht.
- Erstellung schema-bewusster Generatoren für synthetische Daten; Feintuning nachgelagerter Modelle mit +12% F1-Score.
Kashyap Khunt
Letzte Position:
Masterarbeit - Generierung synthetischer Daten für die Qualitätsprüfung bei Schaeffler Technologies AG
- Entwickelte ein Framework zur Generierung synthetischer Daten mittels 3D-Simulation (NVIDIA Omniverse) und generativer KI (Stable Diffusion), um industrielle Oberflächendefekte zu modellieren und anzureichern.
- Trainierte und evaluierte Computer-Vision-Modelle (YOLO, DETR), erreichte 94% Erkennungsgenauigkeit bei realen Proben und demonstrierte einen erfolgreichen Simulation-zu-Realität-Transfer.
- Setzte Domain-Anpassung ein, um den Simulation-zu-Realität-Transfer zu verbessern, ermöglichte so skalierbare industrielle KI für automatisierte Qualitätsprüfungen und reduzierte Ausfallzeiten in der Produktion.
Hyosang Kim
Letzte Position:
Studentische Hilfskraft bei Mbition | Ein Mercedes-Benz-Unternehmen
- Verbesserte die Reaktionsfähigkeit des Sprachassistenten im Auto durch Optimierung technischer Lösungen zur Audiodatenverarbeitung.
- Verbesserte die Datensatzqualität und Modellrobustheit durch Erzeugung synthetischer Daten mit Hugging Face.
- Erhöhte die kontextuelle Relevanz der Antworten des Sprachassistenten durch optimiertes KI-Prompt-Engineering.
- Verringerte Transkriptionsfehler durch Behebung von Unstimmigkeiten zwischen Audioeingaben und Transkripten.
- Steigerte die Teamproduktivität und die Software-Liefergeschwindigkeit durch Automatisierung von Workflows und aktives Vorantreiben von Agile-Updates.
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die Synthetic Data einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
9 Jahre
Positionsdauer
1,5 Jahre
Positionen pro Freelancer
6
Häufigste Fachbereiche
Informationstechnologie (IT), Forschung und Entwicklung (F&E), Produktentwicklung
Häufigste Branchen
Bildung, Informationstechnologie (IT), Fertigung
Fokus der Zertifizierungen
Informationstechnologie (IT), Forschung und Entwicklung (F&E), Qualitätssicherung
Bachelor-Abschluss oder höher
100%
Master-Abschluss oder höher
93%
Doktortitel
21%
Zertifizierungen pro Freelancer
1
Häufigste Sprachen
Deutsch, Englisch, Hindi
Sprechen zwei oder mehr Sprachen
93%
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 Synthetic Data 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
Synthetische Daten sind Daten, die erstellt werden, um Form, Muster und Sonderfälle echter Daten nachzubilden, ohne die ursprünglichen Datensätze offenzulegen. Teams nutzen sie, wenn sie sicherer teilen, bessere Testabdeckung erreichen oder mehr Trainingsmaterial brauchen, als sie aus Live-Systemen verwenden können.
Wo es passt
- Software-Testing und QA mit realistischen Datensätzen
- Analysen, bei denen sensible Felder verborgen bleiben müssen
- Trainingsdaten für KI und Machine Learning
- Demo-Umgebungen und Produkt-Durchläufe
- Daten für Sonderfälle bei Betrug, Risiko oder Workflow-Prüfungen
Tools und Methoden
Die Arbeit umfasst meist Python, SQL und Datenpipelines sowie Libraries und Services für die Generierung von Tabellen-, Text-, Bild- oder Zeitreihendaten. Gute Spezialisten wissen, wie man Verteilungen, Zusammenhänge, Regeln und seltene Fälle bewahrt und nicht nur zufällige Fake-Zeilen erstellt.
Wann Unternehmen Experten hinzuziehen
Teams brauchen oft freiberufliche Hilfe, wenn sie maskierte Daten durch sicherere synthetische Alternativen ersetzen, wiederholbare Generierungsjobs aufsetzen oder ein neues Produkt mit realistischen Datensätzen testen müssen. In Deutschland ist das besonders in regulierten Branchen, bei Unternehmenssoftware und in grenzüberschreitenden Projekten üblich, in denen der Datenzugriff streng kontrolliert wird.
Was starke Spezialisten liefern
Ein starker Profi kann das Zielschema definieren, den passenden Generierungsansatz wählen und nachweisen, dass das Ergebnis für die Aufgabe nützlich ist. Außerdem prüft er das Datenschutzrisiko, dokumentiert Annahmen und stimmt die Daten auf die späteren Nutzer wie Analysten, Tester und Modellteams ab.
Worauf Sie achten sollten
- Klarer Blick für den Kompromiss zwischen Datenschutz und Datenqualität
- Erfahrung mit tabellarischen und unstrukturierten synthetischen Datensätzen
- Fähigkeit, Realitätsnähe, Abdeckung und Regelprüfung zu testen
- Souverän im Umgang mit Produkt-, Daten- und Sicherheitsverantwortlichen
- Praxisnahe Lieferung, nicht nur Proof-of-Concept-Beispiele
Häufig gestellte Fragen
Alles, was Kunden üblicherweise über Synthetic Data wissen wollen – kompakt an einem Ort.
Synthetic Data wird verwendet, um realistische Datensätze für Tests, Analysen, Training und Demos zu erstellen, ohne sensible Quelldaten offenzulegen. Es hilft Teams, Sonderfälle zu bearbeiten, Lücken in seltenen Szenarien zu schließen und Daten sicherer über Systeme und Partner hinweg zu teilen.
Synthetic Data wird generiert, während anonymisierte oder maskierte Daten weiterhin auf echten Datensätzen basieren. Dieser Unterschied ist wichtig, wenn Sie stärkere Datenschutzkontrolle brauchen oder Daten sicherer weitergeben wollen. Maskierung kann einfacher sein, aber oft bleiben versteckte Spuren des ursprünglichen Datensatzes erhalten.
Ein starker Synthetic Data Spezialist kennt in der Regel SQL, Python, Datenmodellierung und Validierungsmethoden. Je nach Projekt braucht er außerdem Erfahrung mit Datenschutzprüfungen, Machine-Learning-Workflows oder Testautomatisierung. Die besten Leute können klar mit Daten- und Produktteams sprechen.
Das passende Niveau hängt vom Use Case ab, aber Synthetic Data Arbeit besteht nur selten einfach darin, Fake-Zeilen zu erstellen. Für eine einfache Demo oder einen Testdatensatz kann ein fokussierter Experte ausreichen. Für datenschutzkritische oder modellgetriebene Projekte brauchen Sie jemanden, der die Generierungsmethode entwerfen und das Ergebnis prüfen kann.
Ja, die meisten Synthetic Data Arbeiten können remote geliefert werden, wenn der Experte Zugriff auf das Schema, die Geschäftsregeln und die benötigten Beispielausgaben bekommt. In Deutschland ist die Zusammenarbeit auf Distanz bei verteilten Produkt- und Datenteams üblich. Vor-Ort-Zeit kann trotzdem helfen, wenn Zugriffsregeln oder Workshops mit Stakeholdern wichtig sind.
Fragen Sie, wie der Freelancer Struktur, Regeln und seltene Fälle in Synthetic Data bewahrt. Fragen Sie auch, wie er den Nutzen für Tests oder Training misst und wie er mit Datenschutzrisiken umgeht. Eine gute Antwort sollte Validierung erwähnen, nicht nur Generierung.
Hochwertige Synthetic Data sieht für die Aufgabe nützlich aus und nicht nur auf den ersten Blick glaubwürdig. Sie sollte dem Schema folgen, Geschäftsregeln einhalten und die Fälle abdecken, die Ihr Team braucht. Außerdem sollte sie Dokumentation enthalten, damit andere wissen, wie sie erstellt wurde und wofür sie verwendet werden sollte.
Oft werden Synthetic Data zusammen mit Begriffen wie künstliche Daten oder Fake-Daten verwendet, aber die gewünschte Qualität ist unterschiedlich. In ernsthaften Projekten ist das Ziel, Daten zu erzeugen, die echten Mustern und Regeln folgen. Dadurch eignen sie sich für Tests, Analysen und Modellarbeit und nicht nur als Platzhalter.
Der durchschnittliche Stundensatz von Freelancern in Deutschland, die Synthetic Data in ihren letzten Projekten eingesetzt haben, liegt bei 65 €, was einem Tagessatz von etwa 523 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Deutschland, die Synthetic Data in ihren letzten Projekten eingesetzt haben, haben 100% mindestens einen Bachelor-Abschluss, 93% mindestens einen Master-Abschluss und 21% einen Doktortitel.
Freelancer in Deutschland, die Synthetic Data in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 9 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 1,5 Jahre.
Die häufigsten Sprachen unter Freelancern in Deutschland, die Synthetic Data in ihren letzten Projekten eingesetzt haben, sind Deutsch (93%), Englisch (93%) und Hindi (13%).
Die häufigsten Industrien unter Freelancern in Deutschland, die Synthetic Data in ihren letzten Projekten eingesetzt haben, sind Bildung (53%), Informationstechnologie (IT) (53%) und Fertigung (40%).
Die häufigsten Bereiche unter Freelancern in Deutschland, die Synthetic Data in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (93%), Forschung und Entwicklung (F&E) (87%) und Produktentwicklung (73%).
Hauptstandorte der FRATCH Experten, die kürzlich Synthetic Data 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
