XGBoost-Experten in München
finden, die in wenigen Minuten mit geprüften, verfügbaren Freelancern zusammengebracht werdenBeauftragen Sie Experten, die genaue Vorhersagemodelle für Tabellendaten entwickeln, Gradient-Boosted Trees optimieren und XGBoost mit Python, scikit-learn und Cloud-Daten-Workflows verbinden. FRATCH bringt Sie schnell und präzise mit geprüften, verfügbaren Freelancern zusammen.
Lerne FRATCH Experten in München kennen, die kürzlich XGBoost-Experten eingesetzt haben
Mirza K.
Letzte Position:
Agentische Automatisierung und ein RAG-System
- In diesem Projekt wurden Informationsdaten extrahiert, um das Verfassen von Berichten für ein Unternehmen zu unterstützen, das geopolitische, globale und kommerzielle Informationen bereitstellt. Die Daten wurden aus verschiedenen Quellen gesammelt (Interviewtranskripte, Online-Daten, interne Dokumente) und anschließend zu einer Wissensbasis zusammengeführt. Diese bildete die Grundlage für ein komplexes RAG-System, das anhand eines Golden Dataset evaluiert wurde. Agenten wurden eingesetzt, um widersprüchliche Informationen und sich gegenseitig bestätigende Aussagen zu finden sowie das generierte Wissen wieder zu speichern.
Verwendet: Python, RAG, LangGraph, LangChain, deepeval, MCP
Thomas H.
Letzte Position:
Senior MLOps-, DevOps Engineer bei Trianel Energy
- Aufbau und Betrieb einer End-to-End-MLOps-Plattform auf Azure ML und Kubernetes (Kubeflow) zur automatisierten Bereitstellung, Überwachung und Skalierung von Forecasting-Modellen (u. a. Temporal Fusion Transformer, Informer, Autoformer).
- Implementierung von CI/CD-Pipelines in Azure DevOps für den vollständigen ML-Lifecycle – von Ressourcbereitstellung (Terraform), Datentransformation (Hugging Face Datasets, Pandas, PyTorch, CUDA-Cluster) über Training und Evaluation bis hin zu Model Registry und Endpoint-Deployment.
- Integration von MLflow für Experiment-Tracking, Modellversionierung, Performance-Monitoring und automatisierte Registrierung in der Azure Model Registry.
- Entwicklung und Containerisierung von PyTorch-Trainingsjobs (Azure Notebook, Jupyter Notebooks) für Preis- und Zeitreihenprognosen (PFC-Modelle) mit automatischem Rollout über Azure ML Endpoints und REST/gRPC-Schnittstellen, Docker-Containerisierung, Absicherung über OAuth 2.0.
- Einrichtung von Monitoring- und Alerting-Mechanismen (Prometheus, MLflow Metrics), Log-Zentralisierung und Kostenüberwachung.
- Automatisierung der Infrastruktur-Bereitstellung und Modellbereitstellung mittels Terraform, Helm und Azure CLI; Anbindung an bestehende Marktdatensysteme und Event-Pipelines.
- Migration bestehender Workloads und Datenbanken (IONOS → Azure, MongoDB) mit Integration in zentrale MLOps-Workflows und interne Netzwerke.
- Erweiterung der Plattform um LLM-basierte Tools (LangChain, LangServe) zur Integration von GPT-basierten Analysemodulen in bestehende Spring-Boot-Dienste für Marktanomalie-Erkennung und automatisierte Reports.
- Analyse, Architektur einer Softwarelösung zur effizienten Verarbeitung von Massendaten (>3000 Nachrichten/Sek.) (Market Data Store).
- Spring Boot / Java 21 Container-Entwicklung mit RabbitMQ zur Verteilung von Börsendaten über MongoDB (Kubernetes) mit Schnellspeicherung von Daten in Redis RMaps, Deduplizierung und Weiterleitung von Nachrichten an Read-Model-Queues, Aufbau von Read Models für die UI-Anzeige in MongoDB.
- Einbindung von RESTHeart zur Erzeugung einer REST API gegen MongoDB.
- Aufbau eines Angular-Frontends zur Vereinfachung der Datenabfrage und Stammdatenpflege.
- Agentic Coding mit remote und local LLM (Claude Sonnet, Ollama Qwen) und MCP-Servern.
- Entwicklung von Python-Skripten zur Transformation und Bereinigung eingehender Börsendaten (Pandas, scikit-learn).
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
Xinyang M.
Letzte Position:
Praktikant Sales Operations Analyst bei Capgemini
- Entwickelte und pflegte 5 Power-BI-Dashboards für die Analyse von Pipeline-Tracking, Prognosen, Umsatzlücken, Quotenerreichung und Geschäftsabschlussleistung.
- Erstellte wöchentliche, monatliche und vierteljährliche Berichte, die von etwa 100 Stakeholdern aus Vertrieb, Finanzen und Marketing genutzt wurden.
- Entwickelte semantische Datenmodelle und ETL-Workflows mit Power Query, DAX und SQL; integrierte Daten aus Salesforce, SharePoint, dem internen Data Warehouse und Excel.
- Automatisierte Datenimport, -bereinigung, -transformation, Formatstandardisierung, KPI-Berechnungen, Dashboard-Aktualisierung und Berichtsvorbereitung mit Power Query, DAX und Power BI. Dadurch entfielen mehrere Stunden regelmäßiger manueller Arbeit für Datenaufbereitung und Berichtserstellung.
- Standardisierte KPI-Berechnungen und erstellte interaktive Berichte mit Sicherheit auf Zeilenebene, Drill-through und Wasserfallanalyse für Geschäftsreviews und Prognosen.
Stephan B.
Letzte Position:
Freiberuflicher Data Scientist bei Baier Data & AI Consulting
Raghu Ram V.
Letzte Position:
Telco-Kundenabwanderungsprognose – End-to-End-ML-Pipeline bei Selbst initiiertes Projekt
- Entwickelte und implementierte eine vollständige Machine-Learning-Pipeline zur Kundenabwanderungsprognose auf Basis des Telco-Datensatzes.
- Wandte Vorverarbeitungstechniken an, darunter Behandlung fehlender Werte, kategoriale Kodierung, Feature Scaling und PCA.
- Baute und verglich über 15 Modelle (Logistic Regression, Random Forest, XGBoost usw.) und bewertete sie anhand von Accuracy, Precision, Recall, F1-Score, ROC-AUC und PR-AUC.
- Stimmte Hyperparameter mit GridSearchCV ab und erreichte 80,6 % Accuracy mit Random Forest und XGBoost.
- Erstellte visuelle Berichte (Balkendiagramme, Heatmaps, Radardiagramme), um die Modellleistung und die Abwanderungstreiber zu interpretieren.
- Exportierte wiederverwendbare Pipelines und trainierte Modelle mit joblib für die Bereitstellung.
Himanshu N.
Letzte Position:
Principal (Datenwissenschaftler/Dateningenieur/Gen-AI-Ingenieur) bei Marktguru Deutschland GmbH
Konzipierte eine agentenbasierte Echtzeit-Engine zur Angebotsorchestrierung, in der spezialisierte Agenten (Retrieval, Pricing/Optimierung und Richtlinien/Guardrails) zusammenarbeiten, um Promotionen über alle Touchpoints zu personalisieren, mittels RAG mit FAISS auf Delta Lake und latenzarmem Databricks Model Serving. Arbeit mit Produktmanagern und kommerziellen Stakeholdern zur Roadmap-Gestaltung und Bewertung neuer Agentenmuster für den Produktionseinsatz.
Entwickelte einen agentenbasierten Data-Quality-Service, der Schema-Erkennung, Entity-Normalisierung und Validator-/Exception-Handling-Agenten orchestriert, um SKU-Feeds mehrerer Händler in großem Maßstab zu bereinigen. Verpackte Modellaufrufe in PySpark-UDFs für verteilte Inferenz, automatisiert über Databricks Workflows und CI/CD.
Entwickelte eine multimodale, agentenbasierte Extraktions-Pipeline, in der Vision-, Parsing- und Compliance-Agenten zusammenarbeiten, um Marke, Verpackung und Volumen aus gescannten Bildern mit Claude 3 Sonnet und Swin Transformer-Encodern zu extrahieren. Orchestriert über Azure Event Hub, mit Speicherung der Ergebnisse in Delta Lake.
Implementierte einen GS1-Taxonomie-Klassifizierungsservice, der auf kooperierenden Agenten für Inferenz, Drift-Monitoring und automatisierte Retrainings-Governance basiert, unter Nutzung von Falcon 180B (LoRA-feinjustiert) mit Batch-Pipeline auf Databricks.
Erstellte einen hybriden Agenten-Workflow, bei dem ein Retrieval-Agent Kandidaten über Embeddings ermittelt und ein Reasoning/Verifikations-Agent (Mixtral 8x7B) die Übereinstimmung von Beleg und SKU überprüft, integriert in eine Streaming-Pipeline auf Databricks.
Entwickelte eine multimodale Attribut-Inferenz-Pipeline, aufgebaut aus kooperierenden Vision-Sprach-, Regel-/Konsistenz- und Compliance-Agenten, um NutriScore, Nährwertfelder und Verpackungsarten aus Namen und Bildern mit LLaMA 3-8B und CLIP-Embeddings zu ermitteln.
Entwickelte ein GenAI-basiertes Orchestrierungssystem, das Rezepte von mehreren Websites einliest, Zutaten über strukturierte Extraktions-Agenten analysiert und diese dynamisch über Tagging, semantisches Reasoning und Business-Rule-Agenten mit Echtzeit-Händlerangeboten verknüpft.
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.
Mohamed S.
Letzte Position:
Machine Learning Engineer (Teilzeit) bei E.ON Digital Technology
- Entwarf und implementierte eine fortschrittliche, agentenbasierte RAG-Pipeline mit LangChain und LangGraph zur strukturierten Datenauslesung aus PDFs, unter Nutzung von Tools, Zustandsverwaltung und OpenAI LLMs (GPT-4), um Genauigkeit zu steigern und komplexe Dokumentstrukturen zu bewältigen.
- Entwickelte einen Google-KI-Agenten zur Extraktion strukturierter Informationen aus PDF-Dokumenten und deployte den Agenten auf Vertex AI.
- Entwarf Datenpipelines mit Azure Data Factory und Databricks, um Daten aus Azure Blob Storage zu laden, mit PySpark zu verarbeiten und über Linked Services in Azure SQL Database zu schreiben.
- Containerisierte KI-Agenten und -Services mit Docker für konsistente lokale Entwicklung und Bereitstellung.
- Nutze PySpark und Dask für Datenbankabfragen in Verbindung mit Azure Blob Storage und Document Storage.
- Erstellte einen ReAct-Agenten, der strukturierte Daten aus PDF-Dokumenten extrahiert, indem er Tools nutzt und Azure Document Intelligence integriert.
- Trug zum Projekt zur Validierung von CPO-Rechnungen bei, indem ich Databricks einsetzte, um bestehende CDRs zu finden und die Gesamtkosten zu berechnen.
- Entwickelte einen konversationalen KI-Agenten (Chatbot) mit FastAPI-Backend, integrierte RAG für präzise Tarifextraktion und setzte den Service mit Azure Container Apps um.
- Verwendete Tools: Azure, Azure OpenAI, Azure Document Intelligence, Azure Blob Storage, Google ADK, Google Cloud, Vertex AI, Gemini, Databricks, LangChain, LlamaIndex Ollama, Docker, PySpark, Azure SQL, Azure Data Factory, Azure AI Agent, Microsoft SQL Server
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die XGBoost-Experten einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
14 Jahre (Deutschland: 10 Jahre)
Positionsdauer
1,9 Jahre (Deutschland: 1,6 Jahre)
Positionen pro Freelancer
8 (Deutschland: 7)
Häufigste Fachbereiche
Business Intelligence, Informationstechnologie (IT), Produktentwicklung
Häufigste Branchen
Informationstechnologie (IT), Versicherung, Transport und Logistik
Fokus der Zertifizierungen
Informationstechnologie (IT), Business Intelligence, Forschung und Entwicklung (F&E)
Bachelor-Abschluss oder höher
100%
Master-Abschluss oder höher
100% (Deutschland: 80%)
Doktortitel
50% (Deutschland: 16%)
Zertifizierungen pro Freelancer
3
Häufigste Sprachen
Deutsch, Englisch, Französisch
Sprechen zwei oder mehr Sprachen
100% (Deutschland: 98%)
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 XGBoost-Experten 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 XGBoost-Experten Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (100%)
- Versicherung (56%)
- Transport und Logistik (56%)
- Fertigung (56%)
- Professionelle Dienstleistungen (56%)
- Bank- und Finanzwesen (44%)
- Medien, Unterhaltung und Druck (44%)
- Einzelhandel (44%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Technologie
Was XGBoost leistet
XGBoost ist eine Open-Source-Bibliothek für Gradient Boosting im überwachten maschinellen Lernen. Sie kombiniert Entscheidungsbäume zu leistungsstarken Vorhersagemodellen und eignet sich besonders für strukturierte Daten oder Tabellendaten. Teams nutzen sie für Klassifikations-, Regressions- und Ranking-Aufgaben, bei denen Genauigkeit, Geschwindigkeit und Nachvollziehbarkeit wichtig sind.
Typische Anwendungen
XGBoost unterstützt Geschäftssysteme, die historische Daten in nützliche Vorhersagen umwandeln:
- Bewertung von Kundenabwanderung, Betrug und Kreditrisiken
- Nachfrageprognosen und Umsatzvorhersagen
- Suchranking und Empfehlungssignale
- Erkennung von Anomalien in Betriebsdaten
- Preis-, Conversion- und Kundenbindungsmodelle
Ökosystem und Tools
Fachleute arbeiten häufig mit den Python- oder R-Schnittstellen, pandas, NumPy und scikit-learn. Sie nutzen Kreuzvalidierung, Feature Engineering, die Suche nach Hyperparametern und SHAP-Erklärungen, um Modelle zu verbessern und zu interpretieren. Die Arbeit in der Produktion kann MLflow, Docker, Kubernetes, REST-Services und Cloud-Datenplattformen umfassen.
Wann Expertise hilft
Freiberufliche Spezialisten sind hilfreich, wenn aus einem Proof of Concept ein zuverlässiger Produktionsservice werden muss oder ein bestehendes Modell instabile Ergebnisse liefert. Sie können fragmentierte Daten aufbereiten, eine validierungssichere Prüfung ohne Datenleckage definieren, die Leistung optimieren und wiederholbare Workflows für Training und Bereitstellung etablieren. In München kann diese Expertise Teams aus Mobilität, Fertigung, Finanzwesen, Einzelhandel und Versicherungen unterstützen – je nach Projekt remote oder vor Ort.
Gute professionelle Praxis
Ein guter XGBoost-Profi versteht mehr als nur Modellparameter. Er verbindet Geschäftsziele mit passenden Zieldefinitionen, wählt aussagekräftige Merkmale aus, behandelt fehlende Werte und unausgeglichene Klassen und vergleicht Ergebnisse mit sinnvollen Baselines. Außerdem dokumentiert er Annahmen, überwacht Drift und erklärt Vorhersagen gegenüber technischen und geschäftlichen Stakeholdern.
Den richtigen Spezialisten auswählen
Achten Sie auf Erfahrung mit der vollständigen Bereitstellung von Modellen statt auf isolierte Ergebnisse in Ranglisten. Fragen Sie, wie der Spezialist die Validierung konzipiert, Datenleckage bei Zielvariablen verhindert, die Leistung in relevanten Segmenten gemessen und Änderungen in Live-Daten behandelt hat. Erfahrung mit Python, SQL, Datenpipelines, APIs und Cloud-Betrieb ist wertvoll, wenn das Modell über ein Notebook hinaus eingesetzt werden muss. Eine klare Kommunikation auf Englisch und, falls erforderlich, auf Deutsch kann die Zusammenarbeit mit Münchner Teams erleichtern.
Häufig gestellte Fragen
Neugierig auf XGBoost-Experten? Hier sind die Antworten, die immer wieder gefragt sind.
XGBoost wird verwendet, um Kategorien, numerische Ergebnisse und Rankings aus strukturierten Daten vorherzusagen. Zu den häufigen Anwendungen gehören Betrugserkennung, Abwanderungsprognosen, Nachfrageprognosen, Kreditbewertungen und Empfehlungssysteme.
XGBoost erstellt Bäume nacheinander, sodass jeder neue Baum frühere Fehler korrigieren kann, während Random Forests viele weitgehend unabhängige Bäume erstellen und deren Ergebnisse mitteln. XGBoost kann bei gut vorbereiteten Tabellendaten eine stärkere Vorhersageleistung liefern, während Random Forests möglicherweise einfacher zu optimieren und toleranter gegenüber verrauschten Eingaben sind.
XGBoost ist häufig eine gute Wahl für strukturierte Geschäftsdaten mit begrenztem oder mittlerem Trainingsvolumen und dem Bedarf an schnellen Experimenten oder einer klaren Analyse der Merkmale. Neuronale Netze eignen sich möglicherweise besser für Bilder, Audio, natürliche Sprache oder sehr große Datensätze mit komplexen unstrukturierten Mustern.
Ein guter XGBoost-Spezialist arbeitet normalerweise sicher mit Python, pandas, NumPy, scikit-learn und SQL. Datenvalidierung, Feature Engineering, Experiment-Tracking, Model Serving, Docker und Cloud-Datenpipelines sind ebenfalls wertvoll, wenn das Modell in der Produktion betrieben werden muss.
Das passende Niveau hängt von der Aufgabe ab, nicht von einer festen Anzahl an Jahren. Für einen Proof of Concept können gute Modellierungs- und Datenaufbereitungsfähigkeiten ausreichen, während ein Produktionssystem zusätzliche Kompetenz in Validierung, Monitoring, Bereitstellung, erneutem Training und Geschäftskommunikation erfordert.
Ja. XGBoost-Arbeit eignet sich häufig für die Remote-Zusammenarbeit, da Datensätze, Notebooks, Repositories und Cloud-Umgebungen sicher geteilt werden können. Termine vor Ort in München können dennoch bei Stakeholder-Workshops, Zugangsbeschränkungen oder der engen Abstimmung mit lokalen Produkt- und Datenteams hilfreich sein.
Bitten Sie den Spezialisten, die Zieldefinition, Baseline, das Validierungsdesign und den Umgang mit fehlenden oder unausgeglichenen Daten zu erklären. Ein zuverlässiger XGBoost-Profi sollte außerdem auf die Vermeidung von Datenleckage, die Modellinterpretation, das Monitoring und den Zusammenhang zwischen Offline-Ergebnissen und Geschäftsergebnissen eingehen.
XGBoost kann mit kategorialen Daten umgehen, wenn diese mit einer geeigneten unterstützten Darstellung und einer kompatiblen Konfiguration aufbereitet werden. Der Spezialist sollte die Kodierung sorgfältig auswählen, Datenleckage vermeiden und prüfen, ob die Behandlung zwischen Training und Inferenz konsistent bleibt.
Der durchschnittliche Stundensatz von Freelancern in München, Deutschland, die XGBoost in ihren letzten Projekten eingesetzt haben, liegt bei 98 €, was einem Tagessatz von etwa 783 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in München, Deutschland, die XGBoost in ihren letzten Projekten eingesetzt haben, haben 100% mindestens einen Bachelor-Abschluss, 100% mindestens einen Master-Abschluss und 50% einen Doktortitel.
Freelancer in München, Deutschland, die XGBoost in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 14 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 1,9 Jahre.
Die häufigsten Sprachen unter Freelancern in München, Deutschland, die XGBoost in ihren letzten Projekten eingesetzt haben, sind Deutsch (100%), Englisch (100%) und Französisch (44%).
Die häufigsten Industrien unter Freelancern in München, Deutschland, die XGBoost in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Versicherung (56%) und Transport und Logistik (56%).
Die häufigsten Bereiche unter Freelancern in München, Deutschland, die XGBoost in ihren letzten Projekten eingesetzt haben, sind Business Intelligence (89%), Informationstechnologie (IT) (89%) und Produktentwicklung (89%).
Hauptstandorte der FRATCH Experten, die kürzlich XGBoost-Experten 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
