Nutzen Sie Claude, um versteckte Self-Service-Inhalte zu finden und Tickets zu reduzieren
Ihr Help Center ist voll mit guten Antworten, aber Kund:innen eröffnen trotzdem Tickets. Das Problem ist in der Regel nicht die Qualität der Inhalte – sondern dass Menschen das, was bereits existiert, nicht finden. Dieser Artikel zeigt, wie Sie Claude und den KI-Ansatz von Reruption nutzen können, um versteckte Self-Service-Inhalte sichtbar zu machen, die Suche zu verbessern und wiederkehrendes Support-Volumen abzufangen.
Inhalt
Die Herausforderung: Versteckte Self-Service-Inhalte
Die meisten Kundenservice-Teams haben bereits stark in FAQs, Help Center und Produktdokumentationen investiert. Trotzdem eröffnen Kund:innen weiterhin Tickets zu Themen, die schon oft beantwortet wurden. Das Kernproblem sind versteckte Self-Service-Inhalte: Der richtige Artikel existiert, aber Kund:innen finden ihn nicht schnell genug – also wenden sie sich standardmäßig an den Support.
Traditionelle Ansätze setzen auf manuelle Content-Audits, einfache Stichwortsuche und Navigationsanpassungen aus dem Bauch heraus. Diese Methoden skalieren nicht, wenn Sie Tausende von Artikeln, mehrere Sprachen und sich ständig ändernde Produkte haben. Suchmaschinen, die nur exakte Keywords abgleichen, übersehen, dass Kund:innen Probleme in ihrer eigenen Sprache beschreiben – nicht mit Ihrer internen Terminologie.
Die geschäftlichen Auswirkungen sind erheblich. Versteckte Inhalte führen direkt zu vermeidbarem Ticketvolumen, höheren Supportkosten und längeren Wartezeiten für alle. Agents müssen immer wieder dieselben einfachen Fragen beantworten, statt sich auf komplexe Fälle oder umsatzrelevante Interaktionen zu konzentrieren. Langfristig senkt das die Kundenzufriedenheit und schafft einen Wettbewerbsnachteil gegenüber Unternehmen, die wirklich effektive Self-Service-Erlebnisse bieten.
Diese Herausforderung ist real, aber absolut lösbar. Moderne KI – und speziell Tools wie Claude – kann Ihre gesamte Wissensdatenbank, Tickethistorie und Suchprotokolle lesen und sichtbar machen, wo Ihre Self-Service-Inhalte nicht zur Kundenintention passen. Bei Reruption haben wir gesehen, wie der richtige KI-Ansatz ein statisches Help Center in ein lebendiges System verwandeln kann, das aus jeder Interaktion lernt. Im Folgenden finden Sie praktische Hinweise, wie Sie dies in Ihrer eigenen Kundenservice-Organisation umsetzen.
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 der Arbeit von Reruption bei der Implementierung von KI im Kundenservice wissen wir, dass die schnellsten Erfolge oft daraus entstehen, wie Kund:innen Antworten finden – nicht daraus, alles von Grund auf neu zu schreiben. Claude ist hier besonders stark: Es kann große Wissensdatenbanken verarbeiten, natürliche Sprachabfragen verstehen und Ticketprotokolle analysieren, um offenzulegen, wo Ihre Self-Service-Experience bricht. Entscheidend ist, das Thema strategisch anzugehen – nicht nur als weiteres Chatbot-Projekt.
In Kundenintentionen denken, nicht in internen Kategorien
Die meisten Help Center sind danach strukturiert, wie das Unternehmen über Produkte und Prozesse denkt. Kund:innen kommen mit Intentionen: „meine Bestellung stornieren“, „mein Passwort zurücksetzen“, „meine Rechnung ist falsch“. Die Lücke zwischen diesen beiden Sichtweisen ist der Kern versteckter Self-Service-Inhalte. Strategisch müssen Sie Claude nutzen, um Kundenintentionen zu modellieren und zu priorisieren und dann Ihren Self-Service daran auszurichten.
Beginnen Sie damit, Claude anonymisierte Suchlogs sowie Ticket-Betreffzeilen und -Beschreibungen zu geben. Bitten Sie es, häufige Intentionen in der Sprache zu clustern und zu benennen, die Kund:innen tatsächlich verwenden. Auf Führungsebene wird dies Ihre neue Landkarte: Statt in FAQ-Kategorien zu denken, planen Sie Ihre Roadmap für KI-gestützten Self-Service entlang der 50–100 wichtigsten Intentionen und ihres Einflusses auf Volumen und Kosten.
Claude als Discovery Engine nutzen, nicht nur als Chatbot
Viele Organisationen betrachten KI als Frontend-Chatbot, der auf derselben defekten Navigation aufsetzt. Das ist eine vertane Chance. Strategisch sollte Claude zuerst Ihre Discovery Engine sein: ein System, das alles liest – Artikel, Makros, Produktdokumente, frühere Tickets – und Ihnen aufzeigt, wo Inhalte fehlen, redundant oder schlecht strukturiert sind.
Geben Sie Claude Ihren gesamten Content-Korpus plus einen repräsentativen Satz an Tickets. Fragen Sie: Gibt es für jede Intention mit hohem Volumen einen klaren, aktuellen, kundenfreundlichen Artikel? Wo sind Inhalte zu lang, zu technisch oder widersprüchlich? Die Führungsebene kann dann fundiert entscheiden, was konsolidiert, was neu geschrieben werden sollte und wo ein konversationales Erlebnis echten Deflektionsnutzen bringt.
Kundenservice, Produkt und Wissensmanagement ausrichten
Versteckte Self-Service-Inhalte sind selten nur ein Tool-Problem; sie sind ein organisatorisches Problem. Die Verantwortung für Inhalte ist oft zwischen Support, Produkt und technischer Dokumentation fragmentiert. Bevor Sie Claude skalieren, brauchen Sie ein klares strategisches Modell dafür, wer welche Teile der Wissensdatenbank verantwortet und wie KI-generierte Insights umgesetzt werden.
Richten Sie eine funktionsübergreifende Arbeitsgruppe ein, in der Support-Leitungen Volumen- und Schmerzpunktdaten einbringen, das Produktteam Kontext zur Roadmap liefert und Wissensmanager:innen Content-Standards beisteuern. Claude wird dann zu einem gemeinsamen Asset: Seine Analysen und Entwürfe fließen in ein einheitliches Verbesserungs-Backlog ein, mit klaren SLAs, wie schnell Lücken mit hohem Impact geschlossen werden.
Auf Governance auslegen, nicht auf einmalige Verbesserungen
Eine einmalige Bereinigung Ihres Help Centers hilft für ein paar Monate – dann baut die Qualität wieder ab. Strategisch brauchen Sie einen laufenden Knowledge-Governance-Zyklus, der von Claude gesteuert wird: kontinuierliches Monitoring, wonach Kund:innen suchen, von welchen Artikeln sie abspringen und welche Intentionen trotzdem als Tickets enden.
Definieren Sie Governance-Regeln vorab: wie oft Claude Logs neu analysieren soll, welche Schwellenwerte Content-Reviews auslösen, wer KI-generierte Artikelanpassungen freigibt und wie Sie den Einfluss auf Ticketdeflektion messen. Das verhindert „KI-Chaos“ und schafft Vertrauen, dass Claude Ihren Self-Service kontrolliert verbessert, statt Ihre Wissensdatenbank über Nacht umzuschreiben.
Risiken bei Genauigkeit, Compliance und Tonalität managen
Wenn Sie ein KI-System mit Kund:innen interagieren oder Help-Inhalte entwerfen lassen, ist strategisches Risikomanagement essenziell. Sie brauchen Richtlinien zu sachlicher Richtigkeit, Datenschutz, regulatorischen Anforderungen und Markenstimme. Claudes Stärke im Befolgen von Anweisungen ist hier ein Vorteil – aber nur, wenn diese Anweisungen durchdacht gestaltet sind.
Entscheiden Sie auf strategischer Ebene, welche Themen für vollständig automatisierte Antworten geeignet sind und bei welchen immer ein Mensch im Loop bleiben muss. Definieren Sie Leitplanken in Claude-Prompts und Systemnachrichten (z. B. keine Spekulationen zu rechtlichen oder finanziellen Details) und binden Sie Rechts- und Compliance-Teams früh ein. So entsteht die Sicherheit, KI im Kundenservice zu skalieren, ohne das Unternehmen unnötigen Risiken auszusetzen.
Strategisch eingesetzt wird Claude zum verbindenden Element zwischen den Fragen Ihrer Kund:innen und den Inhalten, die Sie bereits haben – oder haben sollten –, um diese zu beantworten. Anstatt einen weiteren generischen Chatbot zu starten, können Sie systematisch versteckte Self-Service-Lücken aufdecken und schließen und darauf aufbauend eine konversationale Ebene schaffen, die Tickets tatsächlich deflektiert. Reruption verbindet diese KI-Expertise mit einem Co-Preneur-Mindset und arbeitet eng mit Ihrem Kundenservice-Team zusammen, um aus Ideen funktionierende Systeme zu machen. Wenn Sie Ihr Help Center wirklich kundenzentriert gestalten wollen, unterstützen wir Sie dabei, den passenden Claude-basierten Ansatz zu designen, zu testen und zu skalieren.
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 Präzisionslandwirtschaft bis Gesundheitswesen: Erfahren Sie, wie Unternehmen Claude erfolgreich einsetzen.
Best Practices
Erfolgreiche Implementierungen folgen bewährten Mustern. Werfen Sie einen Blick auf unsere taktischen Ratschläge für den Einstieg.
Claude nutzen, um Suchlücken und verpasste Deflektionschancen zu kartieren
Der erste taktische Schritt besteht darin, zu quantifizieren, wo Ihr Self-Service scheitert. Exportieren Sie einige Wochen oder Monate an Suchanfragen aus Ihrem Help Center sowie eine Stichprobe an Support-Tickets (Betreffzeilen, Beschreibungen, Tags und Lösungen). Geben Sie diese stapelweise an Claude und bitten Sie es, Muster zu identifizieren, bei denen Kund:innen gesucht, aber nichts geklickt haben – oder gesucht und trotzdem ein Ticket eröffnet haben.
Prompt-Beispiel für Claude:
Sie sind Analyst:in und helfen, eine Kundenservice-Wissensdatenbank zu verbessern.
Sie erhalten:
1) Eine Liste von Kundensuchanfragen und die Information, ob sie einen Artikel geklickt haben
2) Eine Liste zugehöriger Support-Tickets mit Betreffzeilen und Notizen zur Lösung
Aufgaben:
- Clustern Sie die Suchanfragen in 10–15 Intent-Gruppen
- Geben Sie für jedes Cluster an:
- Wie viele Suchanfragen ohne Klick waren
- Wie viele Tickets für diese Intention eröffnet wurden
- Heben Sie die 5 Cluster mit dem größten Deflektionspotenzial hervor
- Schlagen Sie vor, welche Self-Service-Inhalte fehlen oder schwer zu finden sind
So erhalten Sie eine datengetriebene Landkarte, wo versteckte Inhalte oder Navigationsprobleme vermeidbares Volumen verursachen – und können die wirksamsten Maßnahmen priorisieren.
Lange Artikel in FAQ-artige, gut durchsuchbare Antworten umstrukturieren
Viele Wissensdatenbanken bestehen vor allem aus langen, technischen Artikeln, die schwer zu überfliegen sind. Claude eignet sich hervorragend, um dichte Dokumente in prägnante FAQ-Inhalte zu transformieren, die zur Frageweise Ihrer Kund:innen passen. Beginnen Sie damit, Ihre meistgelesenen oder am häufigsten referenzierten Artikel zu exportieren und mit klaren Anweisungen zur Umstrukturierung an Claude zu übergeben.
Prompt-Beispiel für Claude:
Sie sind Spezialist:in für Kundenservice-Dokumentation.
Hier ist ein Artikel aus unserem Help Center. Schreiben Sie ihn um als:
- Eine kurze Zusammenfassung in einfacher Sprache (max. 3 Sätze)
- 5–10 FAQ-Fragen und -Antworten in genau den Formulierungen, die ein:e Kund:in verwenden würde
- Jede Antwort sollte aus 2–4 kurzen Absätzen mit klaren Schritten bestehen
- Vermeiden Sie interne Fachbegriffe; nutzen Sie die Kundensprache aus diesen Beispielanfragen: [einfügen]
Belassen Sie alle sachlichen Inhalte unverändert. Wenn etwas unklar ist, weisen Sie in einer Notiz darauf hin.Importieren Sie die umstrukturierten Inhalte zurück in Ihr Wissenssystem und nutzen Sie die FAQ-Fragen als Titel, H2s oder Suchsynonyme. So können Suche und KI-Chat viel leichter relevante Ausschnitte finden, die zur Nutzerintention passen.
KI-gestützten Help-Center-Assistenten mit Retrieval-Augmented Generation erstellen
Über die statische Suche hinaus können Sie Claude nutzen, um einen KI-gestützten Help-Assistenten zu bauen, der mit Retrieval-Augmented Generation (RAG) auf Ihre bestehende Wissensdatenbank zugreift. Die Idee: Wenn eine Kundin oder ein Kunde eine Frage stellt, ruft Ihr System die relevantesten Artikel ab und übergibt sie an Claude, das eine präzise Antwort erstellt und die Quellen verlinkt.
Beispiel für eine Systemnachricht für Claude in einem RAG-Setup:
Sie sind ein Kundenservice-Assistent für [Unternehmen].
Sie dürfen NUR auf Basis der Informationen in den Kontextdokumenten antworten.
Wenn die Antwort nicht in den Dokumenten steht, sagen Sie, dass Sie es nicht wissen, und schlagen Sie vor, den Support zu kontaktieren.
Fügen Sie immer Links zu den genauen Artikeln hinzu, die Sie verwendet haben.
Verwenden Sie eine freundliche, prägnante Sprache und vermeiden Sie interne Codes oder Fachjargon.
Kundenfrage: [Kundenanfrage]
Kontextdokumente: [3–5 relevanteste Artikel-Auszüge]
Für die Implementierung braucht es in der Regel: die Anbindung Ihres CMS/Wissenssystems an einen Embedding-Store, den Aufbau eines Retrieval-Endpunkts und die Integration von Claude per API in Ihr Help-Widget oder Portal. Das Ergebnis ist ein geführtes, konversationales Erlebnis, das zur richtigen Zeit die richtigen Inhalte bereitstellt.
Fehlende oder veraltete Artikel aus Tickethistorien automatisch entwerfen
Wo Ihre Analyse klare Lücken zeigt, kann Claude die Content-Erstellung massiv beschleunigen, indem es Erstentwürfe direkt aus Tickethistorien und Agenten-Makros generiert. Wählen Sie eine Reihe gelöster Tickets zu einer bestimmten Intention aus, inklusive der finalen Agentenantworten und interner Notizen, und lassen Sie Claude einen kundenfreundlichen Artikel vorschlagen.
Prompt-Beispiel für Claude:
Sie erstellen einen öffentlichen Help-Center-Artikel aus realen Support-Tickets.
Input:
- 10–20 anonymisierte Tickets zum gleichen Thema
- Die finalen Agentenantworten und Lösungsschritte
Aufgaben:
- Leiten Sie das zugrunde liegende Kundenproblem ab und formulieren Sie eine klare Problemstellung
- Beschreiben Sie die Lösung Schritt für Schritt in einer Sprache, die für Nicht-Expert:innen geeignet ist
- Fügen Sie bei Bedarf eine kurze Checkliste „Bevor Sie starten“ hinzu
- Ergänzen Sie einen Abschnitt „Wann Sie den Support kontaktieren sollten“ für Grenzfälle, die sich nicht per Self-Service lösen lassen
Nehmen Sie KEINE personenbezogenen Daten oder internen Systemnamen auf.Lassen Sie eine:n Wissensmanager:in oder Senior-Agent:in diese Entwürfe vor der Veröffentlichung prüfen und freigeben. So sinkt die Zeit für die Erstellung von Artikeln von Stunden auf Minuten – bei gleichzeitig hoher inhaltlicher Passgenauigkeit zur tatsächlichen Problemlösung.
Support-Agents mit Echtzeit-Artikelvorschlägen und Fallzusammenfassungen unterstützen
Auch mit besserem Self-Service werden sich immer einige Kund:innen direkt an den Support wenden. Sie können dennoch Deflektion und Konsistenz verbessern, indem Sie Agents Claude-gestützte Side-Tools bereitstellen, die relevante Inhalte vorschlagen und Fälle in Echtzeit zusammenfassen. Wenn etwa ein Ticket eingeht, kann Claude die Konversation lesen, wahrscheinliche Intentionen vorschlagen und die drei relevantesten Artikel oder Makros für den Agenten hervorheben.
Prompt-Beispiel für Claude in einem Agent-Assist-Tool:
Sie sind ein Assistent für Kundenservice-Agents.
Input:
- Die vollständige Konversation zwischen Agent:in und Kund:in
- Eine Liste verfügbarer Help-Center-Artikel mit Titeln und kurzen Zusammenfassungen
Aufgaben:
- Fassen Sie das Anliegen der Kundin/des Kunden in 2 Sätzen zusammen
- Schlagen Sie die 3 relevantesten Artikel vor und geben Sie jeweils eine Einzeiler-Begründung
- Formulieren Sie eine kurze, freundliche Antwort, die Links zu diesen Artikeln nutzt
Antworten Sie im JSON-Format mit den Schlüsseln: summary, suggested_articles, draft_reply.So bleiben Agents mit den neuesten Self-Service-Inhalten synchron, verlinken konsistent auf Help-Artikel und gewöhnen Kund:innen daran, beim nächsten Mal zuerst im Help Center nachzusehen.
Deflektion messen und kontinuierlich mit Claude optimieren
Um den Zyklus zu schließen, müssen Sie nachverfolgen, ob diese Maßnahmen das Ticketvolumen tatsächlich reduzieren. Definieren Sie klare KPIs wie Self-Service-Erfolgsrate, Anteil der Suchen mit erfolgreicher Selbstlösung und den Prozentsatz der Intentionen, die ohne Agentenintervention bearbeitet werden. Nutzen Sie Claude regelmäßig, um Logs zu analysieren und Experimente vorzuschlagen.
Prompt-Beispiel für Claude:
Sie sind CX-Analyst:in.
Hier sind Daten der letzten 30 Tage:
- Suchanfragen und Klickverhalten
- Chatbot-Konversationen und Übergaberaten an Agents
- Ticketvolumen nach Intention
Aufgaben:
- Identifizieren Sie 5 Verbesserungen der Wissensdatenbank, die wahrscheinlich die Self-Service-Erfolgsquote erhöhen
- Schätzen Sie für jede Maßnahme die potenzielle Ticketreduktion auf Basis der Daten
- Schlagen Sie einen A/B-Test oder ein kleines Experiment vor, um den Impact zu validierenErwartbare Ergebnisse eines gut implementierten Setups sind realistisch, aber spürbar: 15–30 % weniger repetitive Tickets für fokussierte Intentionen innerhalb von 3–6 Monaten, bessere First-Contact-Resolution und kürzere Bearbeitungszeiten, weil Agents mit besseren Inhalten und Zusammenfassungen arbeiten. Die genauen Werte hängen von Ihrem Ausgangspunkt ab, aber mit disziplinierter Messung und iterativer Optimierung kann Claude zu einem zentralen Motor für kontinuierliche Deflektionsverbesserung werden.
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
Claude kann Ihre gesamte Wissensdatenbank, Suchlogs und historische Tickets verarbeiten, um zu identifizieren, wo Kund:innen nach Antworten suchen, diese aber nicht finden. Praktisch binden Sie oder laden Sie hoch:
- Help-Center-Artikel, FAQs und interne Dokumente
- Suchanfragen plus Klick-/Bounce-Daten
- Ticket-Betreffzeilen, Beschreibungen, Tags und Lösungen
Claude clustert anschließend Kundenintentionen, hebt Themen mit hohem Suchvolumen, aber schlechter Self-Service-Quote hervor und schlägt vor, wo Inhalte fehlen, veraltet oder schlecht strukturiert sind. Es kann außerdem Artikel entwerfen oder umstrukturieren, sodass sie direkt zur Sprache Ihrer Kund:innen passen – was die Wahrscheinlichkeit deutlich erhöht, dass vorhandene Inhalte gefunden und genutzt werden.
Typischerweise brauchen Sie drei Kernkompetenzen: eine Kundenservice-Leitung, die Ihre wichtigsten Kontaktgründe versteht, eine:n Knowledge Manager oder Content Owner und grundlegende Engineering-Kapazitäten, um Claude mit Ihren Systemen zu verbinden (Help Center, Ticketing und ggf. eine Vektor-Datenbank für Retrieval). Wenn Sie keine interne KI-Expertise haben, kann ein Partner wie Reruption die technische Architektur, Prompt-Gestaltung und Integrationsarbeit übernehmen.
Von Ihrer Seite sind die wichtigsten Inputs der Zugang zu Daten (Exporte der Wissensdatenbank, Logs, Tickets) und die Fähigkeit, Entscheidungen zu priorisieren, welche Intentionen zuerst angegangen werden. Sie brauchen keineswegs ein großes internes Data-Science-Team zum Start; viele Organisationen beginnen mit einem fokussierten PoC und einem kleinen, funktionsübergreifenden Team.
Bei einem fokussierten Umfang (z. B. die 10–20 häufigsten, repetitiven Intentionen) sehen Sie in der Regel erste Effekte innerhalb von 4–8 Wochen. Der typische Zeitplan sieht so aus:
- Woche 1–2: Datenextraktion, Analyse von Such-/Ticketlücken mit Claude, Intent-Clustering
- Woche 3–4: Entwurf und Umstrukturierung zentraler Artikel, erste Konfiguration von KI-Assistent oder verbesserter Suche
- Woche 5–8: Go-Live für einen Teil des Traffics, Messung des Self-Service-Erfolgs, iterative Optimierung
Wesentliche, portfolioweite Deflektion (15–30 % weniger repetitive Tickets) entsteht üblicherweise über 3–6 Monate, während Sie weitere Intentionen bearbeiten, die Content-Qualität verbessern und Ihre KI-gestützten Self-Service-Flows verfeinern.
Die direkten Nutzungskosten der Claude API sind typischerweise gering im Vergleich zu Personalkosten im Support. Die Hauptinvestitionen liegen in Konzeption, Integration und Content-Arbeit. Der ROI entsteht aus reduziertem repetitivem Ticketvolumen, kürzeren Bearbeitungszeiten und höherer Kundenzufriedenheit.
Als grober Richtwert gilt: Wenn schon 10–20 % Ihrer Low-Complexity-Tickets durch besseren Self-Service und KI-Assistenz abgefangen werden, amortisieren sich die Projektkosten meist innerhalb weniger Monate. Reruption hilft Ihnen, klare Metriken zu definieren (z. B. Kosten pro Kontakt, Deflektionsrate nach Intention) und eine saubere Messung aufzusetzen, damit Sie den ROI quantifizieren können statt sich auf Bauchgefühl zu verlassen.
Reruption arbeitet als Co-Preneur und integriert sich in Ihre Kundenservice- und IT-Teams, um echte KI-Lösungen zu bauen – nicht nur Folien. Typischerweise starten wir mit unserem KI-PoC für 9.900 €, in dem wir einen konkreten Deflektions-Use-Case definieren, Claude mit einem Teil Ihrer Wissensdatenbank und Ticketdaten integrieren und einen funktionierenden Prototyp inklusive Leistungskennzahlen und Implementierungsroadmap liefern.
Darauf aufbauend unterstützen wir Sie bei der praktischen Umsetzung: Design von Retrieval-augmented Such- oder Chat-Flows, Aufbau von Governance und Prompts, Content-Restrukturierung im großen Umfang und Integration in Ihre bestehenden Tools. Das Ziel ist nicht, Ihr aktuelles Help Center nur leicht zu optimieren, sondern die KI-first-Kundenservice-Fähigkeiten aufzubauen, die es mittelfristig ablösen werden.
Kontaktieren Sie uns!
Direkt Kontaktieren
Philipp M. W. Hoffmann
Founder & Partner
Adresse
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Kontakt
Telefon