Fragmentierte Kundendaten mit Gemini-gestützter Personalisierung beheben
Auf Kundendaten, die sich über CRM-, E-Mail-, Chat- und Ticketing-Tools verteilen, lässt sich keine echte Personalisierung aufbauen. Dieses Handbuch zeigt, wie Sie Gemini nutzen, um eine einheitliche Kundensicht zu schaffen und in jeder Interaktion wirklich maßgeschneiderten Service zu liefern. Sie lernen strategische Schritte und konkrete Workflows kennen, die Sie in Ihrem Contact Center umsetzen können.
Inhalt
Die Herausforderung: Keine einheitliche Kundensicht
Die meisten Kundenservice-Teams sitzen auf einem Datenschatz, der sich über CRM, Ticketsysteme, E-Mail-Postfächer, Live-Chat, Voice-Logs und Feedback-Tools verteilt. Das Problem: Nichts davon kommt gebündelt vor dem Agenten an. Jede neue Interaktion fühlt sich an wie ein Neustart, weil es keine einheitliche, aktuelle Kundensicht gibt, die Historie, Präferenzen, Probleme und Zusagen kombiniert.
Traditionelle Ansätze versuchen dies mit manuellen Notizen, komplexen CRM-Customizings oder starren Data-Warehouse-Projekten zu lösen. In der Praxis haben Agenten keine Zeit, perfekte Datensätze zu pflegen, Integrationen brechen, sobald sich Tools ändern, und BI-Dashboards werden für Manager gebaut – nicht für Echtzeit-Servicegespräche. Während Kanäle sich vervielfachen und Volumina wachsen, können diese Legacy-Ansätze mit der Geschwindigkeit und Komplexität des modernen Kundenservice schlicht nicht Schritt halten.
Die geschäftlichen Auswirkungen sind erheblich: Agenten stellen wiederholt dieselben Fragen, übersehen Kontext aus früheren Kanälen und geben generische Antworten statt maßgeschneiderter Empfehlungen. Kunden fühlen sich unbekannt und nicht wertgeschätzt, was CSAT, NPS und First Contact Resolution belastet. In der Skalierung führt dies zu längeren Bearbeitungszeiten, höherem Personalbedarf und verpassten Upsell- und Cross-Sell-Chancen, weil Sie nicht mit der nötigen Sicherheit die nächste beste Aktion für jede Person empfehlen können.
Die gute Nachricht: Dieses Problem ist real, aber absolut lösbar. Mit moderner KI, angewendet auf vereinheitlichte Kundenprofile und Gesprächshistorien, können Sie endlich im richtigen Moment für jede Interaktion den passenden Kontext einblenden. Bei Reruption verfügen wir über praktische Erfahrung im Aufbau von KI-Assistenten und Chatbots, die mit fragmentierten Daten arbeiten, und wir sehen, wie schnell die Servicequalität steigt, sobald die Grundlagen stimmen. Im weiteren Verlauf dieser Seite finden Sie praxisnahe Hinweise, wie Sie Gemini in Ihrem Contact-Center-Stack nutzen, um von fragmentierten Datensätzen zu wirklich personalisierten Kundeninteraktionen zu wechseln.
Brauchen Sie einen Sparring-Partner für diese Herausforderung?
Lassen Sie uns unverbindlich sprechen und brainstormen.
Innovatoren bei diesen Unternehmen vertrauen uns:
Unsere Einschätzung
Eine strategische Einschätzung der Herausforderung und High-Level-Tipps, wie Sie sie angehen können.
Aus Reruption’s Arbeit beim Aufbau von KI-gestützten Assistenten und Kundenservice-Chatbots wissen wir: Der eigentliche Hebel ist nicht, noch ein weiteres Tool auszurollen, sondern die KI dazu zu befähigen, über Ihre bestehenden, unstrukturierten Daten zu schlussfolgern. Gemini, eng integriert in Google Cloud und Ihren Contact-Center-Stack, kann auf CRM-, Ticket-, E-Mail- und Chat-Logs aufsetzen und in Echtzeit eine nutzbare, einheitliche Sicht erzeugen – ohne auf ein perfektes Data-Warehouse-Projekt warten zu müssen. Unsere Perspektive: Behandeln Sie Gemini als Reasoning-Schicht für personalisierte Kundeninteraktionen, nicht nur als weiteren Bot.
Definieren Sie, was „einheitliche Kundensicht“ für Ihren Service wirklich bedeutet
Bevor Sie Gemini mit jeder Datenquelle verbinden, sollten Sie glasklar definieren, was Ihre Agenten und Kunden in einem einheitlichen Profil tatsächlich sehen müssen. Für die meisten Serviceteams bedeutet dies ein kompaktes Bild: Identität, jüngste Interaktionen über alle Kanäle, offene und vergangene Fälle, zentrale Präferenzen sowie Zusagen oder SLAs. Ohne diese Definition riskieren Sie, Rauschen statt nutzbarem Kontext einzublenden – und Ihre KI-gestützte Personalisierung wirkt zufällig.
Skizzieren Sie einige kritische Customer Journeys – Beschwerden, Verlängerungen, Upgrades – und identifizieren Sie, welche Datenpunkte den Ausgang verändert hätten, wenn der Agent sie gekannt hätte. Nutzen Sie dies als Kern Ihrer einheitlichen Sicht. Gemini ist flexibel genug, um große Datenmengen zu verarbeiten, der Mensch jedoch nicht; die Strategie ist, dass Gemini die Komplexität absorbiert und nur das präsentiert, was für die aktuelle Interaktion wirklich relevant ist.
Starten Sie mit Agent Assist, nicht mit Vollautomatisierung
Wenn es noch keine einheitliche Kundensicht gibt, ist der direkte Sprung zu vollständig automatisierten, KI-gesteuerten Gesprächen riskant. Der sinnvollere Weg ist, mit Gemini als Co-Pilot für Agenten zu beginnen: Gemini zieht Kontext aus CRM, Tickets und Kommunikation zusammen, formuliert personalisierte Antwortvorschläge und schlägt Next-Best-Actions vor, während ein Mensch weiterhin die finale Entscheidung trifft.
Mit diesem Ansatz können Sie Personalisierungslogik validieren, Datenqualitätslücken erkennen und intern Vertrauen aufbauen. Agenten sehen schnell, wo die KI hilft und wo Daten unvollständig sind. Mit der Zeit, wenn sich Muster stabilisieren, können Sie gezielt risikoarme Szenarien (z. B. Statusabfragen, einfache Kontofragen) automatisieren – mit der Sicherheit, dass Gemini auf zuverlässigen, vereinheitlichten Profilen arbeitet.
Gestalten Sie Governance rund um Datenzugriff und Personalisierungsgrenzen
Eine einheitliche Sicht, die von KI im Kundenservice angetrieben wird, wirft sofort Fragen auf: Was darf Gemini sehen? Was darf es vorschlagen? Wie steuern wir Tonalität und Compliance? Strategisch brauchen Sie ein klares Governance-Modell, bevor Sie skalieren. Dazu gehören Zugriffsregeln (welche Datenquellen im Scope sind), Aufbewahrungsrichtlinien für Gesprächs-Logs und explizite rote Linien für Personalisierung (z. B. kein Einsatz sensibler Merkmale).
Binden Sie Legal, Compliance und Datenschutz früh ein, halten Sie die Diskussion aber an konkreten Workflows und nicht an abstrakten Befürchtungen fest. Zeigen Sie ihnen Beispielausgaben von Gemini mit synthetischen oder anonymisierten Daten. Dieser kollaborative Ansatz reduziert Reibung und stellt sicher, dass Ihre KI-gestützte Kundenpersonalisierung sowohl Regulierung als auch Markenwerte respektiert.
Bereiten Sie Ihre Teams auf KI-unterstützten Service vor, nicht auf Ersatz
Personalisierung mit Gemini verändert die Arbeit der Agenten: weniger Suchen, mehr Entscheiden. Wenn Ihr Serviceteam ein weiteres Tool erwartet, das es ausbremst, wird die Akzeptanz leiden. Wenn sie Gemini als Möglichkeit verstehen, repetives Kontext-Suchen zu eliminieren und bessere Gespräche zu führen, werden sie es aktiv in ihre Workflows ziehen.
Setzen Sie früh die richtige Erzählung: Sie bauen einen KI-Assistenten für Kundenservice-Agenten, keinen Ersatz. Beziehen Sie Agenten in die Pilotgestaltung ein, fragen Sie sie, welchen Kontext sie sich immer wünschen, und integrieren Sie ihr Feedback in Prompt- und Workflow-Design. Das verbessert nicht nur das System, sondern schafft auch interne Champions, die Sie für den breiten Roll-out brauchen.
Denken Sie in Use Cases und KPIs, nicht in Technologie-Features
Es ist leicht, sich in den Möglichkeiten großer Modelle zu verlieren. Strategisch sollten Sie Ihre Gemini-Initiative an einer kleinen Anzahl messbarer Use Cases ausrichten: etwa „wiederholte Rückfragen um 30 % reduzieren“, „First Contact Resolution für wertvolle Kunden um 10 % erhöhen“ oder „durch besseren Kontext die durchschnittliche Bearbeitungszeit komplexer Fälle um 15 % senken“. Diese Ziele sorgen für Alignment der Stakeholder und zeigen, ob Ihre KI im Contact Center echten Mehrwert schafft.
Priorisieren Sie Use Cases, in denen fragmentierte Daten heute sichtbar schaden: kanalübergreifende Beschwerden, wiederkehrende technische Probleme oder Verlängerungsrisiken. Definieren Sie dann, wie Gemini in diesen Flows Daten konsumiert und Agenten unterstützt. Diese Outcome-first-Denkweise passt perfekt zu Reruption’s Co-Preneur-Ansatz: Wir fokussieren uns auf Business-Kennzahlen in Ihrer GuV, nicht nur darauf, ein weiteres Modell auszurollen.
Gemini zur Behebung der fehlenden einheitlichen Kundensicht einzusetzen, bedeutet weniger, ein weiteres Dashboard zu bauen, sondern vielmehr, Agenten einen Echtzeit-Partner für Schlussfolgerungen zu geben, der die vollständige Kundenhistorie versteht. Richtig umgesetzt, verwandelt das fragmentierte CRM-, Ticket- und Kommunikationsdaten in konkrete, personalisierte Aktionen an jedem Touchpoint. Reruption verfügt über die praktische Erfahrung, um schnell von Konzept zu funktionierenden, Gemini-gestützten Prototypen zu kommen und diese mit Ihren Service-KPIs zu verzahnen. Wenn Sie erkunden möchten, wie das in Ihrer Umgebung aussehen könnte, gestalten wir mit Ihnen gern ein fokussiertes, risikoarmes Experiment im Co-Design mit Ihrem Team.
Hilfe bei der Umsetzung dieser Ideen?
Nehmen Sie gerne unverbindlich Kontakt zu uns auf.
Fallbeispiele aus der Praxis
Von Finanzdienstleistungen bis Fintech: 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.
Verbinden Sie Gemini mit einer konsolidierten, datenschutzsicheren Datenschicht
Statt Gemini direkt an jedes System anzuschließen, sollten Sie eine konsolidierte Datenschicht in Google Cloud aufbauen, die die Schlüsselelemente Ihrer Customer-360-Sicht bereitstellt: Identifikatoren, Interaktionshistorie, Tickets, Bestellungen, Präferenzen und wichtige Ereignisse. Dies kann eine BigQuery-View oder eine dedizierte API sein, die Datensätze aus CRM, Ticketing, E-Mail und Chat zusammenführt.
Gemini greift dann für jede Interaktion auf diese kuratierte Momentaufnahme zu oder erhält sie bereitgestellt. So bleiben Prompts schlank und schnell, Zugriffskontrollen werden vereinfacht, und Sie können Quellsysteme weiterentwickeln, ohne Ihre KI-Schicht zu brechen. Wenden Sie Pseudonymisierung oder Tokenisierung an, wo immer möglich, sodass KI für personalisierten Kundenservice nur mit den minimal erforderlichen personenbezogenen Daten arbeitet.
Nutzen Sie strukturierte Prompts, um rohe Historie in nutzbaren Kontext zu verwandeln
Ein häufiges Fehlverhalten ist, komplette Ticket-Historien in Gemini zu kippen und auf das Beste zu hoffen. Verwenden Sie stattdessen strukturierte Prompts, die Gemini genau vorgeben, wie die einheitliche Sicht zu interpretieren ist und was für Agenten auszugeben ist. An diesem Punkt verwandeln Sie Rohdaten in ein prägnantes Briefing plus einen personalisierten Vorschlag.
Wenn ein Agent beispielsweise einen Fall öffnet, kann Ihre Middleware eine Payload (aktuelle Tickets, Bestellungen, Kanäle, Stimmung) zusammenstellen und Gemini mit einem Prompt wie diesem aufrufen:
System: Sie sind ein KI-Assistent, der Kundenservice-Agenten unterstützt.
Sie erhalten ein einheitliches Kundenprofil und eine jüngste Interaktionshistorie.
Ihre Aufgaben:
1) Fassen Sie die Situation des Kunden in <= 5 Stichpunkten zusammen.
2) Heben Sie Zusagen, SLAs oder offene Themen hervor.
3) Schlagen Sie 2–3 personalisierte Next-Best-Actions für den Agenten vor.
4) Formulieren Sie eine Antwort in unserem Marken-Ton: ruhig, klar und proaktiv.
User:
Kundenprofil und Historie (JSON):
{{customer_context_json}}Erwartetes Ergebnis: Agenten sehen eine klare Kontextzusammenfassung und einen maßgeschneiderten Antwortentwurf, statt sich durch mehrere Tools scrollen zu müssen.
Implementieren Sie Echtzeit-Agent-Assist-Widgets in Ihren bestehenden Tools
Damit Gemini-gestützte Personalisierung nutzbar wird, müssen Sie sie dort einblenden, wo Ihre Agenten ohnehin arbeiten – in Ihrem CRM, Helpdesk oder der Contact-Center-Oberfläche. Bauen Sie eine kleine Seitenleiste oder ein Widget, das bei Ticketöffnung oder Gesprächsbeginn automatisch Gemini mit dem einheitlichen Kontext aufruft und Folgendes anzeigt:
- eine kurze Kundenzusammenfassung
- relevante frühere Probleme und Lösungen
- Risikohinweise (Abwanderungsrisiko, wiederholte Beschwerden)
- einen vorgeschlagenen, personalisierten Antwortentwurf
Technisch handelt es sich oft um eine schlanke Integration: Ihr Frontend stößt eine Backend-Funktion an, die Daten aus Ihrer konsolidierten Schicht sammelt, Gemini’s API mit einem strukturierten Prompt aufruft und das Ergebnis zurückliefert. Starten Sie mit einem rein lesenden Assistenten; sobald Agenten ihm vertrauen, können Sie Aktionen ergänzen wie „Follow-up-Aufgabe erstellen“ oder „maßgeschneidertes Angebot vorschlagen“.
Nutzen Sie Gemini, um Identitäten kanalübergreifend zu normalisieren und zu verknüpfen
Eine zentrale Ursache für „keine einheitliche Sicht“ sind inkonsistente Identitäten: dieselbe Person taucht unter verschiedenen E-Mails, Telefonnummern oder Chat-Handles auf. Gemini kann helfen, indem es Muster in Interaktionsdaten auswertet und wahrscheinliche Übereinstimmungen zur Prüfung vorschlägt.
Sie können Gemini beispielsweise regelmäßig einen Batch potenzieller Dubletten vorlegen und es bitten, die Trefferwahrscheinlichkeit anhand von Namen, Domains, Schreibstil, Themen und Orten zu bewerten:
System: Sie helfen dabei, Kundenidentitäten über Systeme hinweg zu vereinheitlichen.
Bewerten Sie anhand zweier Kundenprofile und ihrer Interaktionsausschnitte,
ob es sich um dieselbe Person handelt, auf einer Skala von 0 (verschieden)
bis 1 (gleich), und erklären Sie Ihre Begründung.
User:
Datensatz A: {{record_a}}
Datensatz B: {{record_b}}Ihr Datenteam kann diese Scores dann nutzen, um automatisierte Zusammenführungen mit Sicherungsmechanismen zu steuern oder „verknüpfte Profile“ zu erzeugen, denen die einheitliche Sicht folgen kann. Dieser Schritt stärkt direkt die Qualität Ihrer personalisierten Kundeninteraktionen.
Personalisieren Sie Angebote und Next-Best-Actions mit klaren Regeln plus KI
Bitten Sie Gemini nicht, kommerzielle Angebote zu erfinden. Kombinieren Sie stattdessen Ihre bestehende Geschäftslogik (Berechtigungen, Preise, Verfügbarkeit) mit Gemini’s Fähigkeit, die beste Option für einen bestimmten Kunden auszuwählen und in Kontext zu setzen. Ihr System kann zuerst eine Liste berechtigter Angebote oder Aktionen berechnen und dann Gemini bitten, auf Basis der einheitlichen Sicht die passendste Option zu wählen und zu formulieren.
Beispiel für einen Konfigurationsaufruf:
System: Sie sind ein Assistent für Kundenbindung.
Sie erhalten:
- ein einheitliches Kundenprofil & Historie
- eine Liste berechtigter Angebote und Aktionen (JSON)
Wählen Sie 1–2 Optionen, die am besten zur Situation des Kunden passen.
Erklären Sie in 2 Stichpunkten, warum, und formulieren Sie eine kurze,
personalisierte Nachricht, die der Agent versenden kann.
User:
Profil: {{customer_profile_json}}
Berechtigte Optionen: {{eligible_offers_json}}So bleiben KI-gestützte Next-Best-Actions sicher und an Ihre kommerziellen Regeln gebunden, fühlen sich für den Kunden aber dennoch hochgradig personalisiert an.
Überwachen Sie Qualität mit Human-Feedback-Schleifen und klaren KPIs
Sobald Gemini im Kundenservice live ist, sollten Sie einen Feedback-Loop etablieren. Lassen Sie Agenten die Nützlichkeit jeder Empfehlung schnell bewerten („hilfreich / neutral / falsch“) und Gründe in Tags erfassen. Nutzen Sie dies, um Prompts, Trainingsdaten und die einbezogenen Quellen der einheitlichen Sicht zu verfeinern.
Verfolgen Sie eine kleine Auswahl von KPIs: Veränderung der durchschnittlichen Bearbeitungszeit bei adressierten Kontaktanlässen, Rückgang wiederholter Rückfragen pro Interaktion, Verbesserung von CSAT für Interaktionen, in denen Gemini genutzt wurde, sowie den Anteil der Antworten, die mit minimalen Anpassungen übernommen werden. Realistische Ziele für eine erste Iteration sind: 10–15 % schnellere Bearbeitung komplexer Fälle, 20–30 % weniger Zeitaufwand für die Systemsuche und ein messbarer CSAT-Anstieg für zuvor fragmentierte Journeys.
Im Zeitverlauf zeigen diese Kennzahlen, ob Ihre Gemini-basierte einheitliche Kundensicht sich von einem Experiment zu einer verlässlichen operativen Fähigkeit entwickelt.
Erwartete Ergebnisse der Anwendung dieser Best Practices: ein pragmatischer Weg von fragmentierten Datensätzen zu nutzbaren, KI-angereicherten Profilen; schnellere und selbstbewusstere Agenten; sowie relevantere, personalisierte Interaktionen. In den meisten Umgebungen sehen wir innerhalb von 6–12 Wochen fokussierter Implementierung spürbare Verbesserungen – ohne zuvor eine mehrjährige Datentransformation durchführen zu müssen.
Brauchen Sie jetzt Umsetzungskompetenz?
Lassen Sie uns über Ihre Ideen sprechen!
Häufig gestellte Fragen
Gemini kann als Reasoning-Schicht auf Ihren fragmentierten Systemen arbeiten. Anstatt auf eine perfekte Customer-360-Plattform zu warten, stellen Sie die Schlüsseldaten aus CRM, Ticketing, E-Mail und Chat über eine konsolidierte API oder Datenansicht bereit. Für jede Interaktion zieht Ihr Backend die relevanten Datensätze und übergibt sie mit einem strukturierten Prompt an Gemini.
Gemini fasst dann die Situation zusammen, hebt frühere Probleme und Zusagen hervor und schlägt personalisierte nächste Schritte für den Agenten vor. Mit anderen Worten: Es „vernäht“ eine einheitliche Sicht zur Abfragezeit, sodass Agenten ein stimmiges Gesamtbild sehen, auch wenn die zugrunde liegenden Systeme noch getrennt sind.
In der Regel benötigen Sie drei Kompetenzen: einen Cloud- oder Data Engineer, der die erforderlichen Kundendaten bereitstellt, einen Backend-Entwickler, der Gemini-APIs in Ihr CRM oder Ihre Contact-Center-Tools integriert, sowie einen Product Owner aus dem Kundenservice, der Workflows und Leitplanken definiert. Anpassungen im Frontend (z. B. eine Agent-Assist-Seitenleiste) sind meist schlank.
Auf der KI-Seite sind Prompt- und Workflow-Design entscheidend, erfordern aber kein Forschungsteam. Mit Reruption’s Ansatz arbeiten wir üblicherweise mit Ihren bestehenden IT- und Service-Operations-Teams zusammen und ergänzen unsere KI-Engineering-Expertise und Erfahrung im Aufbau von KI-Assistenten für den Kundenservice, sodass Sie diese Kompetenz nicht von Grund auf selbst aufbauen müssen.
Für einen fokussierten Scope (z. B. eine Region, eine Produktlinie, einen priorisierten Kanal) sehen Sie typischerweise erste Ergebnisse innerhalb von 6–8 Wochen. Die ersten 2–3 Wochen fließen in die Klärung von Use Cases, das Mapping der Datenquellen und den Aufbau einer minimalen einheitlichen Datenschicht. Die folgenden 3–4 Wochen nutzen Sie, um mit einer kleinen Pilotgruppe einen Gemini-gestützten Agent-Assist-Prototyp aufzubauen und iterativ zu verbessern.
Spürbare Verbesserungen – etwa kürzere Bearbeitungszeiten bei komplexen Fällen, weniger wiederholte Rückfragen und bessere CSAT-Werte für bestimmte Journeys – zeigen sich häufig innerhalb von ein bis zwei Reporting-Zyklen im Piloten. Die Skalierung über den Piloten hinaus hängt von Ihrem Change Management und Ihrer Integrationslandschaft ab, baut aber in der Regel auf derselben Grundlage auf.
Es gibt zwei Kostenblöcke: Implementierungsaufwand und laufende Nutzung. Die Implementierungskosten hängen von der Komplexität Ihrer Systemlandschaft ab, können aber durch einen klar abgegrenzten Scope und die Wiederverwendung bestehender Google-Cloud-Infrastruktur schlank gehalten werden. Laufende Gemini-API-Kosten werden durch Volumen und Kontextgröße bestimmt; eine konsolidierte, fokussierte Datenansicht hält diese berechenbar.
Der ROI wird typischerweise durch eine Kombination aus Effizienzgewinnen und Umsatzwirkung begründet: weniger Zeit pro komplexer Interaktion, weniger Eskalationen, höhere First Contact Resolution sowie mehr Cross- und Upsell, wenn Gemini relevante Next-Best-Actions vorschlägt. Viele Organisationen können einen Business Case auf Basis von 10–15 % Produktivitätssteigerung für einen Teil der Agenten plus einem leichten Anstieg von Retention oder Expansion in Schlüsselsegmenten aufbauen.
Reruption unterstützt Sie End-to-End mit einem praxisnahen Co-Preneur-Ansatz. Wir beraten nicht nur, sondern arbeiten eingebettet mit Ihrem Team, hinterfragen Annahmen und bauen funktionierende Lösungen in Ihren bestehenden Tools. Ein pragmatischer Einstieg ist unser KI-PoC für 9.900 €, in dem wir einen konkreten Kundenservice-Use-Case definieren, die technische Machbarkeit mit Gemini validieren und einen funktionsfähigen Prototyp inklusive Performance-Kennzahlen und Produktions-Roadmap liefern.
Darauf aufbauend helfen wir Ihnen, die Architektur zu härten, Security und Compliance zu adressieren und KI-gestützte Personalisierung über Kanäle hinweg zu skalieren. Unser Fokus liegt darauf, in einem kleinen, risikoarmen Scope nachzuweisen, dass Gemini Ihre Service-KPIs spürbar verbessert – und dies anschließend zu einer robusten Fähigkeit weiterzuentwickeln, die heutige fragmentierte Workflows wirklich ersetzt.
Kontaktieren Sie uns!
Direkt Kontaktieren
Philipp M. W. Hoffmann
Founder & Partner
Adresse
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Kontakt
Telefon