Beheben Sie Collection-Blind Spots mit Gemini-gestützter Cash-Flow-Planung
Wenn Zahlungszusagen in E-Mails und Tabellenkalkulationen verstreut sind, basieren Cash-Flow-Prognosen auf Wunschdenken statt auf realem Kundenverhalten. Dieser Artikel zeigt, wie Finanzteams Gemini nutzen können, um Collection-Risiken in Echtzeit sichtbar zu machen, sie in Cash-Flow-Prognosen einzuspeisen und auf bevorstehende Engpässe zu reagieren, bevor sie sich in der GuV niederschlagen.
Inhalt
Die Herausforderung: Verzögerte Transparenz bei Kundenzahlungen
Für die meisten Finanzteams ist der Schwachpunkt in der Cash-Flow-Planung nicht die Sales-Pipeline oder der Kreditorenbereich (AP) – es sind die Collections. Collector-Teams verfolgen Zahlungszusagen, Reklamationen und Eskalationen in E-Mails, Tabellen und CRM-Notizen. Das Ergebnis: Ihr Prognosemodell sieht nur Fälligkeiten und Rechnungsbeträge, nicht die Realität, welche Rechnungen risikobehaftet sind oder wann Geld tatsächlich auf dem Konto eingeht.
Traditionelle Ansätze verlassen sich auf Fälligkeitsbuckets, statische DSO-Annahmen und manuelle Updates aus dem Collections-Team. Das funktionierte, als Volumina geringer und Kundenverhalten stabiler waren. Heute – mit komplexen Zahlungsbedingungen, Subskriptionsmodellen und volatilen Märkten – sind diese manuellen Methoden zu langsam und zu oberflächlich. Bis Informationen über gebrochene Zahlungszusagen, Reklamationen oder chronische Spätzahler im Prognosemodell ankommen, ist der Prognosezeitraum oft fast vorbei.
Die geschäftlichen Auswirkungen sind erheblich. Zu optimistische Cash-Flow-Prognosen führen zu riskanten Entscheidungen bei Investitionen und Personal, verschleiern drohende Covenant-Risiken und erhöhen die Abhängigkeit von teurer kurzfristiger Finanzierung. Das Treasury verliert die Möglichkeit, Finanzierung optimal zu planen, CFOs verlieren Glaubwürdigkeit im Vorstand, und operative Teams werden von plötzlichen Liquiditätsengpässen überrascht, die Wochen zuvor erkennbar gewesen wären, wenn Collection-Risiken in Echtzeit sichtbar gewesen wären.
Diese Herausforderung ist real, aber sie ist auch sehr gut lösbar. Mit moderner KI für das Finanzwesen können Sie kontinuierlich Signale aus E-Mails, ERPs und CRMs auslesen, Collection-Risiken klassifizieren und in rollierende Prognosen einspeisen. Bei Reruption haben wir gesehen, wie die Einbettung von KI in operative Workflows – nicht nur in Dashboards – Blind Spots innerhalb weniger Wochen in umsetzbare Erkenntnisse verwandeln kann. Im weiteren Verlauf dieser Seite finden Sie praxisnahe Hinweise, wie Sie Gemini nutzen können, um die Lücke zwischen dem Wissen Ihrer Collector-Teams und den Annahmen Ihrer Cash-Flow-Prognose zu schließen.
Bauen Sie jetzt ein KI-System mit uns!
Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.
Innovatoren bei diesen Unternehmen vertrauen uns:
Unsere Einschätzung
Eine strategische Einschätzung der Herausforderung und High-Level-Tipps, wie Sie sie angehen können.
Aus Sicht von Reruption besteht die Kernchance darin, Gemini für Echtzeit-Transparenz in Collections zu nutzen – nicht als weitere Reporting-Schicht, sondern als Intelligenzschicht über E-Mail, ERP, CRM und Tools wie Google Sheets und BigQuery hinweg. Basierend auf unserer praktischen Arbeit beim Aufbau von KI-Lösungen für Finanz- und Operativteams wissen wir, dass der eigentliche Mehrwert entsteht, wenn KI in tägliche Workflows eingebettet wird und Entscheidungen zu Finanzierung, Collections-Strategie und Cash Management direkt beeinflusst.
In Signalen denken, nicht nur in Status-Codes
Die meisten Organisationen behandeln Collections-Daten als binäre Statuswerte: offen, teilweise bezahlt, reklamiert, geschlossen. Für eine präzise Cash-Flow-Planung müssen Sie das breitere Set an Signalen erfassen, die das Zahlungsverhalten vorhersagen – Zahlungszusagen, frühere Verzögerungen, Reklamationsformulierungen, Stimmung in E-Mails, Veränderungen im Bestellvolumen. Strategisch besteht der Mindset-Shift darin, zu fragen: Welche Signale in unseren Systemen und Kommunikationen korrelieren mit „pünktlich bezahlt“ vs. „verzögert“?
Gemini ist besonders stark darin, diese unstrukturierten Signale aus E-Mails und Notizen zu extrahieren und zu klassifizieren. Auf Führungsebene sollten Sie sicherstellen, dass Collections- und Finanzteams dieses breitere, signalbasierte Verständnis mittragen. Ohne deren Input riskieren Sie, Modelle zu bauen, die im Data Warehouse gut aussehen, aber die Nuancen verfehlen, auf die sich Collector-Teams im Alltag stützen.
Cross-funktionale Verantwortung zwischen Finance und Collections organisieren
Der Einsatz von Gemini für Collections-Transparenz ist kein reines IT- oder Analytics-Projekt. Er liegt an der Schnittstelle von Finance, Collections, Sales und teilweise Legal. Strategisch brauchen Sie klare Verantwortlichkeiten: Wer definiert Risikoklassen? Wer genehmigt, wie die KI Reklamationen taggt? Und wer entscheidet, wie Prognosen auf Basis neuer Risikoinformationen angepasst werden?
Wir empfehlen eine kleine, handlungsfähige Arbeitsgruppe: eine verantwortliche Person aus Finance mit Fokus auf Qualität der Cash-Flow-Prognosen, eine operative Collections-Leitung und eine technische verantwortliche Person, die Gemini-Integrationen versteht. Diese Gruppe stimmt Definitionen ab (z. B. was „hohes Risiko“ ist), steuert Änderungen an der KI-Logik und stellt sicher, dass die Ergebnisse ausreichend Vertrauen genießen, um reale Finanzierungs- und Ausgabenentscheidungen zu beeinflussen.
Mit erklärbaren Risikoklassen starten, bevor Sie in fortgeschrittene Prognosen gehen
Es ist verlockend, direkt in komplexe Time-Series-Forecasts einzusteigen. Strategisch ist es jedoch sinnvoller, zuerst Gemini zu nutzen, um transparente Collections-Risikoklassen pro Rechnung oder Kunde zu erstellen: niedrig, mittel, hoch. Lassen Sie Business-User sehen, warum ein bestimmter Kunde als Hochrisiko eingestuft wird: Historie gebrochener Zahlungszusagen, wiederkehrende Reklamationen, negative Stimmung oder plötzliche Verlangsamung der Zahlungen.
Diese Erklärbarkeit schafft Vertrauen und legt Datenqualitätslücken früh offen. Wenn Ihre Teams sehen, dass die Klassifikationen von Gemini nachvollziehbar sind, können Sie diese Risikoklassen bedenkenlos in anspruchsvollere Cash-Flow-Forecasting-Modelle in Sheets oder BigQuery einbetten – in dem Wissen, dass das Fundament solide ist.
Auf kontinuierliche Updates auslegen, nicht auf Einmal-Analysen
Viele Finanzteams verstehen Planung als monatliche Übung. Wenn Sie verzögerte Transparenz bei Collections wirklich beheben wollen, brauchen Sie eine kontinuierliche, nahezu in Echtzeit laufende Pipeline. Strategisch bedeutet das, Ihren Gemini Use Case als täglichen oder sogar intratäglichen Prozess zu konzipieren: neue E-Mails werden gescannt, Zahlungszusagen aktualisiert, Änderungen im Reklamationsstatus abgebildet und rollierende Cash-Flow-Prognosen angepasst.
Planen Sie Ihr Operating Model darum herum. Wer prüft jeden Morgen neue Hochrisiko-Flags? Wie werden Zahlungszusagen eskaliert, die gestern nicht eingehalten wurden? Welche Alerts erhält das Treasury, wenn sich der prognostizierte Cash-Bestand aufgrund aktualisierter Collections-Risiken unter bestimmte Schwellen bewegt? Wenn Sie dies in Ihre wöchentliche Taktung integrieren, wird KI von einem Dashboard zu einer Entscheidungsmaschine.
Risiken mit Guardrails und Human-in-the-Loop-Entscheidungen begrenzen
Die Einführung von KI in Collections und Forecasting wirft naturgemäß Fragen nach Fehlern, Bias und Compliance auf. Strategisch sollten Sie Gemini als Entscheidungsunterstützungssystem betrachten, nicht als autonomen Agenten. Definieren Sie klare Guardrails: Gemini darf Risiken taggen, Konversationen zusammenfassen und Vorschläge für Prognoseanpassungen machen, aber finale Entscheidungen zu Kreditstopps, Abschreibungen oder Eskalationen bei Schlüsselkunden bleiben bei Menschen.
Implementieren Sie Human-in-the-Loop-Kontrollpunkte an kritischen Stellen: Finance prüft größere Prognoseverschiebungen, Collections validiert ungewöhnliche Risikoklassifikationen, und Legal genehmigt, wie sensible Kommunikation verarbeitet wird. Das begrenzt nicht nur Risiken, sondern beschleunigt auch die Adoption, weil Nutzer sehen, dass Gemini ihr Urteilsvermögen erweitert statt ersetzt.
Der Einsatz von Gemini für Collections-Transparenz und Cash-Flow-Planung entfaltet sein Potenzial am besten, wenn Sie Gemini als kontinuierliche Intelligenzschicht über Finance und Collections hinweg verstehen – gestützt auf erklärbare Risikoklassen und reale operative Workflows. Bei Reruption sind wir darauf spezialisiert, genau solche KI-Ideen in produktive Systeme zu überführen, auf die sich Finanzteams tatsächlich stützen – von Datenpipelines bis hin zu Dashboards und Alerting. Wenn Sie ähnliche Blind Spots in Ihrem eigenen Collections-Prozess sehen, helfen wir Ihnen, eine Gemini-basierte Lösung zu prototypisieren und zu industrialisieren, die zu Ihrer Umgebung und Ihrem Risikoprofil passt – klein beginnend, aber mit einem klaren Pfad in die Produktion.
Bauen Sie jetzt ein KI-System mit uns!
Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.
Fallbeispiele aus der Praxis
Von Technologie bis Bankwesen: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.
Best Practices
Erfolgreiche Implementierungen folgen bewährten Mustern. Werfen Sie einen Blick auf unsere taktischen Ratschläge für den Einstieg.
Gemini mit Ihren zentralen Collections-Datenquellen verbinden
Der erste taktische Schritt ist, Gemini Zugriff auf die Daten zu geben, die es benötigt, um offene Forderungen und Zahlungsverhalten zu verstehen. In den meisten Organisationen bedeutet das: Ihr ERP- oder Abrechnungssystem, Ihre Tools zur Verfolgung von Collections (oft Tabellen oder CRM) und Ihre E-Mail-Umgebung.
Praktisch können Sie Rechnungs- und Zahlungshistorie nach Google Sheets oder BigQuery exportieren und dort einen sicheren Zugriff für Gemini konfigurieren. Für E-Mail definieren Sie bestimmte Shared Mailboxes oder Labels (z. B. „AR/Collections“), auf die Gemini zugreifen darf. Arbeiten Sie mit IT und InfoSec zusammen, um sicherzustellen, dass Zugriffe minimal, klar abgegrenzt und für Audits protokolliert sind.
Nach der Anbindung verwenden Sie Gemini, um eine konsolidierte Tabelle zu generieren, etwa: Kunde, Rechnungs-ID, Fälligkeitsdatum, Betrag, Datum der letzten Kommunikation, Datum der letzten Zahlungszusage, Reklamations-Flag und aktueller Status. Diese Tabelle wird zum Rückgrat für nachgelagertes Risk Scoring und Forecasting.
Gemini nutzen, um Zahlungszusagen und Reklamationsstatus aus E-Mails zu extrahieren
Der Großteil der Nuancen in Collections steckt in unstrukturierten E-Mail-Threads. Eine wirkungsvolle Best Practice ist, Gemini diese Threads lesen zu lassen und strukturierte Felder wie „Datum der Zahlungszusage“, „Zusagebetrag“ und „Reklamationsgrund“ direkt nach Sheets oder BigQuery zu extrahieren.
Beispiel-Prompt für Gemini zur Verarbeitung eines E-Mail-Threads:
Sie unterstützen das Finance-Collections-Team.
Aus dem folgenden E-Mail-Thread zwischen unserer Collectorin/unserem Collector und einem Kunden
extrahieren Sie strukturierte Daten im JSON-Format mit folgendem Schema:
- invoice_ids: [Liste der erwähnten Rechnungsnummern]
- is_promise_to_pay: true/false
- promised_payment_date: ISO-Datum oder null
- promised_amount: numerisch oder null
- is_dispute: true/false
- dispute_reason: kurzer Text oder null
- sentiment: 'positive' | 'neutral' | 'negative'
Verwenden Sie nur Informationen, die explizit in den E-Mails enthalten sind.
Geben Sie ausschließlich JSON zurück.
<email_thread>
[EMAIL-TEXT HIER EINFÜGEN]
</email_thread>Sie können diesen Prompt in Apps Script oder einen kleinen Backend-Service einbetten, der immer dann läuft, wenn eine neue E-Mail im Collections-Postfach eingeht. Die extrahierten Felder werden in Ihre Forderungstabelle geschrieben und verschaffen dem Prognosemodell so eine nahezu Echtzeit-Sicht auf Zahlungszusagen und Reklamationen.
Ein Gemini-unterstütztes Risikoklassen-Modell in BigQuery aufbauen
Sobald Ihre Daten konsolidiert sind, nutzen Sie Gemini, um ein einfaches, aber effektives Risikoklassen-Modell zu entwerfen und zu erläutern. Starten Sie mit Regeln und Merkmalen, die Ihren Teams vertraut sind: Anzahl gebrochener Zahlungszusagen in den letzten 6 Monaten, Tage über Fälligkeit bei früheren Rechnungen, Vorliegen von Reklamationen und E-Mail-Stimmung.
Beispiel-Prompt für Gemini zur Entwicklung von Risikologik:
Sie unterstützen ein Finanzteam bei der Definition von Risikoklassen für Collections.
Auf Basis dieses BigQuery-Tabellenschemas und einiger Beispielzeilen schlagen Sie
klare, regelbasierte Logik für risk_tier mit den Werten 'low', 'medium', 'high' vor.
Berücksichtigen Sie Schwellenwerte basierend auf:
- average_days_past_due
- count_broken_promises_6m
- has_open_dispute
- avg_email_sentiment_score (-1..1)
Tabellenschema und Beispielzeilen:
[SCHEMA UND BEISPIELE HIER EINFÜGEN]
Geben Sie zurück:
1) Eine für Fachanwender verständliche Beschreibung der Regeln
2) Einen BigQuery-CASE-WHEN-Ausdruck, der risk_tier implementiertImplementieren Sie den generierten CASE WHEN-Ausdruck als berechnete Spalte oder View in BigQuery. Validieren Sie die Ergebnisse mit Ihrem Collections-Team und stellen Sie diese Risikoklassen anschließend in Sheets-Dashboards für Finance und Treasury zur Verfügung.
Risikoadjustierte Collections in Ihr Cash-Flow-Forecast-Sheet integrieren
Mit definierten Risikoklassen können Sie diese direkt mit Ihrem Cash-Flow-Forecasting-Modell in Google Sheets verbinden. Weisen Sie jeder offenen Rechnung basierend auf ihrer Risikoklasse eine Einzugswahrscheinlichkeit zu (z. B. niedrig: 95 %, mittel: 75 %, hoch: 40 %) und passen Sie die erwarteten Zahlungseingänge entsprechend an.
Nutzen Sie Gemini, um die Struktur des Spreadsheet-Modells zu entwerfen und Annahmen für Ihr Team klar zu dokumentieren.
Beispiel-Prompt für Gemini zur Modellstrukturierung:
Sie unterstützen bei einer Cash-Flow-Prognose in Google Sheets.
Wir haben eine Tabelle offener Rechnungen mit den Spalten:
- invoice_id, customer, due_date, amount, risk_tier (low/medium/high)
Entwerfen Sie eine Struktur für ein Sheet, das Folgendes berechnet:
- expected_collection_date pro Rechnung
- expected_collection_amount pro Rechnung
- wöchentliche aggregierte Zahlungseingänge für die nächsten 13 Wochen
Erläutern Sie die Formeln unter Verwendung risikobasierter Einzugswahrscheinlichkeiten und
einfacher Annahmen zu Zahlungsverspätungen (z. B. hohes Risiko = 30 Tage über Fälligkeit).
Geben Sie zurück:
- Beschreibung der Sheet-Tabs
- Beispielformeln für die wichtigsten Spalten
- Hinweise, wie Finance die Annahmen anpassen kannIst das einmal implementiert, spiegeln Ihre Prognosen automatisch neue Zahlungszusagen, Reklamationsänderungen und Risikoreklassifizierungen wider – ganz ohne manuelle „Tabellenchirurgie“ zum Monatsende.
Alerts und Zusammenfassungen für Bewegungen im Hochrisikobereich einrichten
Transparenz nützt nur, wenn jemand darauf reagiert. Erstellen Sie eine tägliche oder wöchentliche, von Gemini generierte Zusammenfassung der Veränderungen im Collections-Risiko: neue Hochrisiko-Rechnungen, gebrochene Zahlungszusagen und prognostizierte Cash-Dips unter definierten Schwellenwerten.
Beispiel-Prompt für Gemini für eine wöchentliche Risiko-Summary-E-Mail:
Sie erstellen eine wöchentliche Zusammenfassung der Collections-Risiken für CFO und Treasury.
Nutzen Sie folgende Datenauszüge (als CSV) aus BigQuery:
1) Neue Hochrisiko-Rechnungen dieser Woche
2) Rechnungen, bei denen promised_payment_date überschritten ist, ohne Zahlung
3) Prognostizierte wöchentliche Zahlungseingänge für die nächsten 8 Wochen
Verfassen Sie eine prägnante E-Mail mit:
- Top 5 Veränderungen im Risiko mit Rechnungs-IDs und Kunden
- Auswirkung auf die Cash-Flow-Prognose (Zahlen und kurze Erklärung)
- 3 vorgeschlagenen Maßnahmen für Collections und 2 für Treasury
Bleiben Sie sachlich und finanzorientiert (kein „Fluff“).Automatisieren Sie dies über geplante Skripte, damit Entscheider konsistente, strukturierte Einblicke erhalten, ohne sich in Dashboards einloggen zu müssen.
Impact mit klaren Collections- und Forecast-KPIs messen
Definieren Sie abschließend Kennzahlen, die belegen, ob Ihre Gemini-gestützte Collections-Transparenz wirkt. Mindestens sollten Sie verfolgen: Reduktion des Prognosefehlers für collections-bezogene Cash-Inflows, Veränderung des DSO in fokussierten Kundensegmenten, Verkürzung der Zeit bis zur Erkennung und Eskalation von Reklamationen und die Anzahl unerwarteter Liquiditätsengpässe im Vergleich zu früheren Perioden.
Nutzen Sie Gemini, um Trends zu analysieren und Treiber für Stakeholder verständlich zu machen; halten Sie die KPIs aber so einfach, dass Führungskräfte den Mehrwert schnell erkennen. Über einen realistischen Zeitraum von 3–6 Monaten können viele Organisationen eine Reduktion des collections-bezogenen Prognosefehlers um 20–40 % und einen spürbaren Rückgang von Cash-Überraschungen anstreben – vorausgesetzt, Prozesse und Verantwortlichkeiten werden parallel zur Technologie angepasst.
Bauen Sie jetzt ein KI-System mit uns!
Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.
Häufig gestellte Fragen
Gemini kann Daten aus Sheets, BigQuery und E-Mail auslesen und verknüpfen, um Finance eine strukturierte Echtzeitsicht auf die Vorgänge in den Collections zu geben. Es extrahiert Zahlungszusagen und Reklamationsstatus aus E-Mail-Threads, kombiniert diese mit Rechnungs- und Zahlungshistorie und weist jeder Rechnung bzw. jedem Kunden Risikoklassen zu.
Anstatt sich auf Fälligkeitsbuckets und manuelle Updates zu stützen, können Ihre Cash-Flow-Prognosen diese Risikoklassen und Zahlungszusagen nutzen, um erwartete Zahlungseingänge automatisch anzupassen. Das reduziert Optimismus-Bias und macht bevorstehende Engpässe früh genug sichtbar, damit Treasury und Finance handeln können.
Typischerweise brauchen Sie drei Fähigkeiten: Zugriff auf Ihre Finanzdaten (ERP-Exporte in Sheets oder BigQuery), jemanden, der sich mit einfachem Datenmodellierungskonzept oder SQL wohlfühlt, und eine Produkt-/Prozessverantwortung auf der Finance-Seite. Tiefgehende Data-Science-Skills sind für den Start nicht zwingend – Gemini kann bei der Generierung von Prompts, Regeln und sogar SQL-Statements unterstützen.
Sie benötigen jedoch Stakeholder aus Finance und Collections, die die Logik validieren, Risikoklassen definieren und Prozesse anpassen. Reruption arbeitet in der Regel mit einem kleinen, cross-funktionalen Team (Finance, Collections, IT), um innerhalb weniger Wochen vom Konzept zu einem funktionierenden Prototypen zu gelangen.
Für einen fokussierten Use Case wie verzögerte Transparenz bei Kundenzahlungen sehen Organisationen häufig innerhalb von 4–6 Wochen belastbare Erkenntnisse, sofern der Datenzugriff gewährleistet ist. In den ersten 2–3 Wochen bauen Sie in der Regel die Datenpipeline, definieren Risikoklassen und validieren Geminis Extraktion von Zahlungszusagen und Reklamationen.
Die folgenden 2–3 Wochen dienen der Integration risikoadjustierter Collections in das Cash-Flow-Forecasting-Modell, dem Finetuning von Annahmen und der Einrichtung grundlegender Alerts. Messbare Verbesserungen der Prognosegenauigkeit und eine frühere Identifikation von Engpässen werden meist in den ersten ein bis zwei Forecast-Zyklen nach dem Go-Live sichtbar.
Es gibt zwei wesentliche Kostenkomponenten: den Engineering- und Change-Aufwand für den Aufbau der Gemini-basierten Workflows und die laufenden Nutzungskosten für KI und Cloud-Infrastruktur. Der initiale Aufbau ist typischerweise in wenigen Wochen fokussierter Arbeit zu bewältigen, keine monatelangen Programme – insbesondere, wenn Sie mit einem klar abgegrenzten Proof of Concept starten.
Auf der ROI-Seite stammen die Vorteile aus präziseren Cash-Flow-Prognosen (bessere Finanzierungsentscheidungen, weniger Überraschungsengpässe), besserer Collections-Priorisierung (höhere und schnellere Zahlungseingänge) und reduziertem manuellen Aufwand für Status-Reportings. Selbst moderate Verbesserungen – etwa eine Reduktion des collections-bezogenen Prognosefehlers um 10–15 % und einige Tage Verbesserung im DSO für risikoreiche Segmente – können sich bei einem großen Forderungsbestand in signifikanten Working-Capital- und Zinsersparnissen niederschlagen.
Reruption arbeitet als Co-Preneur und integriert sich in Ihre Finance- und IT-Teams, um schnell von der Idee zu einer funktionierenden KI-Lösung zu kommen. Mit unserem AI PoC-Angebot (9.900€) können wir innerhalb weniger Wochen validieren, ob ein Gemini-basierter Ansatz für Collections-Transparenz und Cash-Flow-Planung mit Ihren tatsächlichen Daten und Systemen funktioniert – inklusive funktionsfähigem Prototyp.
Wir übernehmen den gesamten Weg: Definition des Use Cases, Aufbau der Datenflüsse nach Sheets oder BigQuery, Design von Gemini-Prompts und -Logik sowie Integration der Ergebnisse in Ihren bestehenden Cash-Flow-Planungsprozess. Nach dem PoC liefern wir eine Roadmap für die Produktion und auf Wunsch auch praktische Umsetzungsunterstützung – sodass Sie nicht mit einem Foliensatz, sondern mit echten, in Ihrer GuV wirksamen Tools zurückbleiben.
Kontaktieren Sie uns!
Direkt Kontaktieren
Philipp M. W. Hoffmann
Founder & Partner
Adresse
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Kontakt
Telefon