Langsame Anzeigen-A/B-Tests mit Claude-gestützter Optimierung beschleunigen
Marketing-Teams verlieren Wochen, während sie darauf warten, dass A/B-Tests signifikant werden – während Budgets gleichzeitig für durchschnittliche Varianten verbrannt werden. In diesem Leitfaden erfahren Sie, wie Sie Claude nutzen, um Testzyklen für Anzeigen zu beschleunigen, sich auf die richtigen Variablen zu fokussieren und Kampagnendaten in kontinuierliche Optimierung statt in einmalige Experimente zu verwandeln.
Inhalt
Die Herausforderung: Langsame A/B-Testzyklen
Für die meisten Marketing-Teams ist A/B-Testing eher zu einem Engpass als zu einem Wachstumstreiber geworden. Jede neue Headline, jedes Bild oder Angebots-Variation erfordert saubere Planung, genug Traffic, saubere Implementierung – und dann Tage oder Wochen des Wartens, bis statistische Signifikanz erreicht ist. Bis ein klarer Gewinner feststeht, ist ein Teil Ihres Budgets bereits in unterperformende Varianten gebunden und das nächste Kampagnenbriefing steht schon an.
Traditionelle Ansätze für das A/B-Testing von Anzeigenkampagnen wurden für langsamere Märkte und weniger Kanäle entwickelt. Tabellen, manuelle Report-Exporte und Entscheidungs-Shortlists nach Bauchgefühl können mit dem heutigen Volumen an Creatives, Zielgruppen und Placements nicht Schritt halten. Hinzu kommen Privacy-Änderungen und Signalverluste, die es für Werbeplattformen schwieriger machen, zuverlässig automatisch zu optimieren. Das zwingt Marketer dazu, mehr Szenarien mit weniger verlässlichen Daten zu testen. Das Ergebnis: aufgeblähte Testmatrizen, Analyse-Müdigkeit und verzögerte Optimierung.
Die geschäftlichen Auswirkungen, wenn dieses Problem nicht gelöst wird, sind erheblich. Langsame Testzyklen bedeuten höhere Customer Acquisition Costs (CAC), niedrigeren ROAS und verpasste Lernchancen. Unterperformende Creatives bleiben zu lange aktiv, während vielversprechende Varianten nie genug Traffic erhalten, um ihre Stärke zu beweisen. Wettbewerber, die schneller agieren, lernen schneller: Sie finden heraus, welche Perspektiven konvertieren, welche Zielgruppen reagieren und welche Kanäle skalieren – während Ihr Team noch auf den nächsten Signifikanzschwellenwert wartet.
Die gute Nachricht: Dieses Problem ist lösbar. Mit dem richtigen Einsatz von KI-gestützten Experimenten können Sie Testzyklen von Wochen auf Tage verkürzen und den Fokus Ihres Teams von Report-Erstellung auf Entscheidungsfindung verlagern. Bei Reruption haben wir wiederholt gesehen, wie KI-Tools wie Claude – kombiniert mit einer pragmatischen Experimentierstrategie – schnellere Lernschleifen und intelligentere Marketing-Allokation ermöglichen. Im weiteren Verlauf dieses Artikels zeigen wir Ihnen konkrete Wege, wie Sie Claude auf Ihre langsamen A/B-Testzyklen anwenden und eine anpassungsfähigere, kontinuierlich optimierende Anzeigen-Engine aufbauen.
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 Reruptions Arbeit beim Aufbau von KI-first-Marketing-Workflows haben wir gelernt, dass Tools wie Claude nur dann echten Mehrwert schaffen, wenn sie in reale Entscheidungszyklen eingebettet werden – und nicht als weiteres Reporting-Gadget behandelt werden. Die Stärke von Claude liegt in der Fähigkeit, lange Historien von Kampagnendaten und Testprotokollen aufzunehmen, Muster zu erkennen, die Menschen entgehen, und diese in fokussierte Testhypothesen zu übersetzen, die Ihre A/B-Testzyklen verkürzen, statt zusätzliche Komplexität zu erzeugen.
Definieren Sie A/B-Tests neu als kontinuierliches Lernsystem
Die meisten Teams behandeln A/B-Tests als isolierte Projekte: Varianten definieren, Test durchführen, Gewinner wählen, weitermachen. Um Claude für die Anzeigenoptimierung voll auszuschöpfen, müssen Sie Experimente als kontinuierliches Lernsystem neu denken. Das bedeutet: Jeder Test sollte in eine wachsende Wissensbasis einfließen, was für bestimmte Produkte, Zielgruppen und Kanäle funktioniert.
Claude’s Long-Context-Fähigkeit ist ideal für diesen Mindset-Shift. Statt nur mit den letzten zwei oder drei Tests zu arbeiten, kann Claude Monate oder sogar Jahre an Testarchiven analysieren, um sich wiederholende Gewinner-Muster in Messaging, Creative-Struktur und Angeboten zu erkennen. Strategisch verwandelt das Ihr Experimentierprogramm in ein sich verzinsendes Asset, statt in eine endlose Serie einmaliger Experimente.
Priorisieren Sie Insight-Dichte statt Testvolumen
Eine häufige Reaktion auf langsame Tests ist, mehr davon parallel zu fahren. Das geht oft nach hinten los: Traffic fragmentiert, Ergebnisse bleiben nicht eindeutig und Teams gehen in halbgaren Learnings unter. Ein besserer Ansatz ist, weniger, dafür aber aussagekräftigere Experimente zu designen und Claude zu nutzen, um sich auf die wirkungsstärksten Variablen zu konzentrieren.
Strategisch bedeutet das, Claude zu bitten, vergangene Tests nach Themen zu clustern (Angebotstyp, Pain-Point-Winkel, visueller Stil, Call-to-Action) und zu quantifizieren, welche Dimensionen historisch den größten Hebel hatten. Mit dieser Perspektive können Sie gezielt entscheiden, welche Hypothesen Traffic und Budget verdienen. Die Organisation lernt, „Nein“ zu Tests mit geringem Erkenntniswert zu sagen und sich stattdessen auf High-Impact-Varianten zu fokussieren, die das Lernen beschleunigen.
Bringen Sie Kreation, Performance und Data-Teams auf gemeinsame Hypothesen ausgerichtet
Langsame A/B-Testzyklen sind selten nur ein Tooling-Problem; häufig sind sie ein Kollaborationsproblem. Kreative liefern Assets ohne klare Hypothesen, Performance-Marketer benennen Varianten in Tabellen neu und Datenteams interpretieren Ergebnisse mit unterschiedlichen Erfolgsdefinitionen. Claude kann eine strategische Rolle als neutraler Übersetzer spielen – aber nur, wenn sich Teams darüber einig sind, wie Hypothesen und Ergebnisse formuliert werden.
Wir empfehlen, Claude zu nutzen, um standardisierte Hypothesen-Statements und Ergebniszusammenfassungen zu erzeugen, die alle Stakeholder verstehen. Strategisch treibt das Ihre Organisation in Richtung einer gemeinsamen Experimentier-Sprache: Jeder Test hat ein klares Ziel, eine definierte Zielgruppe und einen erwarteten Verhaltensunterschied. Wenn diese Elemente teamübergreifend konsistent sind, skaliert Ihr Testprogramm schneller und Ergebnisse werden besser verwertbar.
Definieren Sie Leitplanken für verantwortungsvolle KI-gestützte Optimierung
Sobald Sie KI zur Beschleunigung von A/B-Tests einsetzen, müssen Sie über Leitplanken nachdenken. Claude kann schnell Dutzende aggressiver Angebote oder emotional aufgeladener Winkel vorschlagen, die zwar kurzfristig die CTR steigern, aber Markenvertrauen untergraben oder Compliance-Regeln verletzen könnten. Strategische Vorbereitung bedeutet, klare Grenzen zu definieren, was getestet werden darf und was nicht.
Definieren Sie gemeinsam mit Legal-, Brand- und Compliance-Stakeholdern, wohin KI-generierte Vorschläge niemals gehen dürfen – zum Beispiel bei Preisversprechen, regulierten Aussagen oder sensiblen Zielgruppensegmenten. Kodifizieren Sie diese Einschränkungen anschließend in Ihren Claude-Prompting-Guidelines und interner Dokumentation. Das reduziert nicht nur Risiken, sondern erhöht auch das Vertrauen in KI-unterstützte Entscheidungen in der gesamten Marketingorganisation.
In Fähigkeiten investieren, bevor Sie skalieren
Es ist verlockend, Claude-basierte Anzeigenoptimierung sofort über alle Kanäle auszurollen. In der Praxis erzielen diejenigen Organisationen die besten Ergebnisse, die mit einem kleinen, kompetenten Kernteam starten, das sowohl Marketing-Experimente als auch die Arbeit mit Large Language Models versteht. Diese Early Adopter verfeinern Prompts, Workflows und Metriken, bevor breiter ausgerollt wird.
Strategisch sollten Sie Claude als Fähigkeit begreifen, nicht als Feature. Bieten Sie Trainings zu Hypothesendesign, Prompt-Engineering für Marketing-Analytics und zur Interpretation KI-generierter Insights an. Sobald diese Kernkompetenz vorhanden ist, können Sie sicher auf weitere Märkte, Marken oder Geschäftsbereiche skalieren, ohne fragmentierte, inkonsistente Experimentierpraktiken zu erzeugen.
Sorgfältig eingesetzt kann Claude langsame, manuelle A/B-Testzyklen in eine schnelle, insight-reiche Optimierungs-Engine verwandeln, die Ihre Anzeigenperformance kontinuierlich verbessert, statt nur auf die nächste Signifikanzschwelle zu warten. Der eigentliche Hebel entsteht aus der Kombination von Claude’s analytischer Tiefe mit einer disziplinierten Experimentierstrategie, klaren Leitplanken und Teams, die wissen, wie sie Insights in Aktionen übersetzen. Bei Reruption arbeiten wir hands-on mit Marketingorganisationen zusammen, um solche KI-first-Workflows zu designen, sie über fokussierte PoCs zu validieren und in den Tagesbetrieb zu überführen – wenn Sie bereit sind, Ihre Testzyklen zu verkürzen und schneller zu lernen als Ihre Wettbewerber, unterstützen wir Sie gerne auf diesem Weg.
Hilfe bei der Umsetzung dieser Ideen?
Nehmen Sie gerne unverbindlich Kontakt zu uns auf.
Fallbeispiele aus der Praxis
Von Zahlungsverkehr 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.
Historische Testdaten zentralisieren und Claude versteckte Muster finden lassen
Der erste taktische Schritt besteht darin, Ihre fragmentierte Experimenthistorie an einem Ort zu bündeln. Exportieren Sie Daten aus Ihren Werbeplattformen (Meta, Google, LinkedIn etc.) und Experimentier-Tools in ein strukturiertes Format mit mindestens diesen Feldern: Kampagne, Anzeigengruppe/Zielgruppe, Creative-ID, Hauptcopy, Headline, Bild-/Video-Beschreibung, Kernmetriken (Impressions, CTR, CPC, CVR, CPA/ROAS) sowie Testzeiträume.
Haben Sie diese Basis geschaffen, können Sie repräsentative Ausschnitte in Claude einspeisen (oder Claude per API in einem internen Tool anbinden) und es bitten, nach Themen und Performance zu clustern. Hier ist ein Prompt-Muster, das Sie anpassen können:
Sie sind ein Senior Performance Marketing Analyst.
Ich stelle Ihnen historische A/B-Testdaten aus mehreren Kampagnen zur Verfügung.
Jede Zeile enthält: Testname, Kanal, Zielgruppenbeschreibung, Headline, Primärtext,
Creative-Beschreibung, Impressions, CTR, CVR, CPA, ROAS.
Aufgaben:
1. Gruppieren Sie Tests in logische Themen (z. B. Pain-Point-Winkel, Nutzen-Winkel,
Art des Social Proof, Angebotsstruktur, visueller Stil).
2. Fassen Sie für jedes Thema zusammen, was tendenziell gewinnt vs. verliert,
mit klaren, quantifizierten Aussagen.
3. Heben Sie 5–10 Muster mit hoher Sicherheit hervor, auf die wir verstärkt
setzen sollten.
4. Heben Sie 5–10 Hypothesen hervor, die mehr Tests zur Validierung benötigen.
Geben Sie Ihre Ergebnisse in einer strukturierten Tabelle plus einer kurzen
narrativen Zusammenfassung für die Marketingleitung aus.So werden verstreute Testergebnisse zu einem kohärenten Wissensspeicher und Sie erhalten einen konkreten Ausgangspunkt für schnellere, fokussiertere zukünftige Tests.
Claude für fokussierte Testpläne nutzen – nicht für endlose Varianten
Bitten Sie Claude nicht darum, 50 zufällige Anzeigenvarianten zu erstellen, sondern lassen Sie ein minimalistisches, aber aussagekräftiges Testkonzept designen. Geben Sie Ihre Rahmenbedingungen (Budget, erwarteter Traffic, Kanäle) vor und lassen Sie sich nur die informativsten Experimente vorschlagen.
Beispiel-Prompt:
Sie helfen mir, einen schlanken A/B-Testing-Fahrplan für die nächsten 4 Wochen zu entwickeln.
Kontext:
- Produkt: <kurze Beschreibung>
- Zielgruppe: <Segment>
- Kanäle: Meta + Google Search
- Tagesbudget: <Betrag>
- Durchschnittliche CTR/CVR: <Kennzahlen>
Aufgaben:
1. Schlagen Sie auf Basis der beigefügten historischen Learnings 3–5
High-Impact-Hypothesen vor (nicht mehr).
2. Geben Sie für jede Hypothese an:
- Was genau wir verändern (Headline, Winkel, Angebot, Visual, Zielgruppe).
- Erfolgsmetrik und minimale nachweisbare Effektgröße.
- Grobe Stichprobengröße bzw. benötigtes Budget.
3. Liefern Sie 2–3 Beispiel-Creatives oder Headlines pro Hypothese,
die zu unserer Marken-Tonalität und zu unseren Compliance-Regeln passen.
Halten Sie den Plan realistisch in Bezug auf unser Budget und Traffic-Niveau.
So vermeiden Sie Test-Wildwuchs und sorgen dafür, dass jedes Experiment zählt – was Ihre effektive Zykluszeit direkt verkürzt.
Lassen Sie Claude Hypothesen und Dokumentation für jeden Test entwerfen
Langsame Zyklen entstehen häufig durch unklare Hypothesen und schwache Dokumentation, die Analyse und Entscheidungen später ausbremst. Nutzen Sie Claude, um Testbriefings und Ergebniszusammenfassungen zu standardisieren, damit Teams schneller von der Idee zum Live-Test – und von Daten zur Entscheidung – gelangen.
Prompt-Muster für Testbriefings:
Sie sind ein Coach für Marketing-Experimente.
Erstellen Sie auf Basis der folgenden Idee für einen A/B-Test
ein strukturiertes Testbriefing.
Idee: <Freitext-Beschreibung des Marketers>
Bitte ausgeben:
- Testname
- Hypothese (Wenn wir X für Zielgruppe Y tun, verbessert sich Metrik Z,
weil ...)
- Primäre Metrik + Guardrail-Metriken
- Varianten (A, B, C) mit kurzen Beschreibungen
- Zielgruppe und Kanäle
- Laufzeit und Abbruchregeln
- Risiken & Annahmen
Halten Sie es knapp, aber präzise, sodass Performance- und Kreativteams
ohne Interpretationsspielraum umsetzen können.Später können Sie Claude die finalen Performance-Daten übergeben und standardisierte „Experiment-Readouts“ für das Management erstellen lassen. Das reduziert Reporting-Aufwände deutlich und erleichtert die Wiederverwendung von Learnings über Kampagnen hinweg.
Claude für smartere Multi-Varianten-Creatives einsetzen
Wenn die Erstellung von Creatives der Engpass ist, kann Claude die Variantenerstellung deutlich beschleunigen – das Ziel ist jedoch smarter, nicht einfach mehr. Geben Sie gewonnene Muster aus früheren Tests vor und bitten Sie Claude, strukturierte Variationen entlang bestimmter Dimensionen (Problem-Winkel, Nutzen-Winkel, Proof-Element, CTA-Intensität) zu entwickeln, statt zufälliger Umschreibungen.
Beispiel für Anzeigentext-Generierung:
Sie sind Performance-Copywriter.
Hier sind Muster, die bei uns historisch gut performen:
- Pain-Point-Fokus: <Zusammenfassung>
- Nutzen-Fokus: <Zusammenfassung>
- Social-Proof-Elemente: <Zusammenfassung>
- CTA-Stile: <Zusammenfassung>
Erstellen Sie 6 Anzeigenkonzepte für Meta:
- 2 Pain-Point-getrieben
- 2 Nutzen-getrieben
- 2 Social-Proof-getrieben
Liefern Sie für jedes Konzept:
- Primärtext (max. 3 Zeilen)
- Headline (max. 40 Zeichen)
- Vorschlag für ein visuelles Konzept für die Designer
Stellen Sie sicher, dass jedes Konzept klar einem der oben genannten
Muster zugeordnet werden kann, damit wir die Performance später
thematisch auswerten können.So bleiben Creative-Variationen zielgerichtet und eng an messbare Hypothesen gekoppelt, was die spätere Analyse vereinfacht und die iterative Optimierung beschleunigt.
Wöchentliche Experiment-Reviews mit Claude automatisieren
Um Ihre A/B-Testzyklen wirklich zu verkürzen, benötigen Sie einen regelmäßigen Takt, in dem Learnings verdichtet und Entscheidungen getroffen werden. Nutzen Sie Claude als „Meeting-Prep-Assistenten“, der Ihre Kampagnen- und Experimentdaten vorab liest und einen prägnanten wöchentlichen Experimentier-Report erstellt.
Beispiel-Workflow: Exportieren Sie jede Woche die Kampagnen- und Testperformance aus Ihren Werbeplattformen und geben Sie eine CSV oder Zusammenfassung an Claude mit einem Prompt wie:
Sie bereiten ein wöchentliches Experimentier-Review für das Marketingteam vor.
Input: aktuelle Kampagnenperformance und aktive A/B-Tests.
Aufgaben:
1. Fassen Sie zusammen, für welche Experimente genügend Daten für
eine Entscheidung vorliegen.
2. Empfehlen Sie klare Maßnahmen für jedes Experiment (skalieren,
pausieren, iterieren oder erneut testen).
3. Heben Sie Auffälligkeiten oder überraschende Ergebnisse hervor,
die eine tiefere Analyse erfordern.
4. Schlagen Sie 3 Folge-Testideen auf Basis der Learnings dieser Woche vor.
Geben Sie das Ergebnis in einem Format aus, das für ein 30-minütiges
Review-Meeting geeignet ist:
- Executive Summary (Stichpunkte)
- Detaillierter Abschnitt pro Test
- Vorgeschlagene Agenda für das Meeting.Allein diese Praxis kann mehrere Tage manueller Vorbereitung einsparen und sicherstellen, dass jede verwertbare Erkenntnis schnell in die nächste optimierte Iteration überführt wird.
Die richtigen KPIs für KI-beschleunigtes Testing tracken
Definieren Sie schließlich Metriken, die zeigen, ob Ihr Einsatz von Claude für schnellere A/B-Tests tatsächlich wirkt. Über ROAS und CPA hinaus sollten Sie operative KPIs erfassen wie: Zeit von der Idee bis zum Live-Test, Anzahl der Tests mit Signifikanz pro Monat, Zeit von Testabschluss bis zur Entscheidung, Anteil des Budgets auf Gewinner-Varianten und Wiederverwendungsrate vergangener Learnings.
Legen Sie einen Ausgangswert fest, bevor Sie Claude einführen, und überprüfen Sie monatlich, ob sich diese Kennzahlen verbessern. Viele Teams sehen realistisch: 30–50 % Reduktion der Zeit bis zum Teststart, 20–40 % mehr Tests mit klaren Ergebnissen und eine messbare Verschiebung des Budgets hin zu nachweislich starken Themen innerhalb eines oder zweier Quartale – vorausgesetzt, die oben beschriebenen Workflows werden systematisch angewendet.
Brauchen Sie jetzt Umsetzungskompetenz?
Lassen Sie uns über Ihre Ideen sprechen!
Häufig gestellte Fragen
Claude beschleunigt das A/B-Testing für Anzeigen auf drei zentrale Arten. Erstens verarbeitet es große Mengen historischer Kampagnen- und Testdaten, um zu identifizieren, welche Variablen (Winkel, Angebot, Creative-Stil, Zielgruppe) historisch den größten Impact hatten, sodass Sie weniger, dafür aber aussagekräftigere Experimente fahren. Zweitens standardisiert es Hypothesen, Testbriefings und Ergebniszusammenfassungen und reduziert damit die Zeit, die Ihr Team für Planung und Reporting aufwendet. Drittens kann Claude schnell gezielte Creative- und Zielgruppenvarianten vorschlagen, die klaren Hypothesen zugeordnet sind – so bringen Sie neue Tests schneller live und iterieren systematischer.
Sie benötigen kein voll ausgestattetes Data-Science-Team, um von Claude für Marketingoptimierung zu profitieren – aber drei Bausteine sind wichtig: eine Performance-Marketerin bzw. einen Performance-Marketer, die/der Ihre Kanäle und Metriken versteht, eine Person, die sich im Umgang mit Datenexporten wohlfühlt (grundlegende Tabellenkalkulationskenntnisse reichen zu Beginn aus), und mindestens eine „Power-User“-Person, die bereit ist, strukturiertes Prompting zu lernen. Von dort aus können Sie schrittweise mehr des Workflows über einfache Tools oder APIs automatisieren. Reruption unterstützt Kundinnen und Kunden typischerweise bei der Definition von Prompts, Datenstrukturen und Leitplanken, sodass nicht-technische Marketer Claude innerhalb weniger Wochen souverän nutzen können.
Wenn Sie bereits ein vernünftiges Kampagnenvolumen fahren, sehen Sie erste Vorteile von Claude-unterstütztem Testing meist innerhalb von 4–6 Wochen. In den ersten 1–2 Wochen hilft Claude dabei, historische Daten zu heben und Ihre initialen Hypothesen zu fokussieren. In den folgenden 2–4 Wochen starten Sie besser strukturierte Tests und beschleunigen Ihre Reportingzyklen. Spürbare Performance-Verbesserungen bei ROAS oder CPA treten in der Regel ein, sobald Sie einige vollständige Testzyklen mit dem neuen Ansatz durchlaufen haben – häufig innerhalb eines oder zweier Quartale, je nach Traffic-Level und Budget.
Claude selbst ist im Vergleich zum Media-Spend ein relativ kleiner Kostenblock; der eigentliche Effekt liegt in der Reduktion von Streuverlusten durch schwache Varianten und in eingesparter Zeit. Indem Sie sich auf wirkungsstärkere Hypothesen fokussieren und schneller entscheiden, fließt mehr Ihres Budgets in nachweisliche Gewinner statt in langgezogene Tests ohne klares Ergebnis. Operativ gewinnen Teams häufig Stunden pro Woche zurück, die bisher für manuelle Analyse und Reporting draufgingen – Zeit, die in Strategie und kreative Qualität reinvestiert werden kann. In der Summe führt das typischerweise zu verbessertem ROAS und niedrigeren effektiven CAC, hängt aber von der konsequenten Nutzung der etablierten Workflows und Leitplanken ab.
Reruption unterstützt Sie End-to-End dabei, Claude in eine echte Fähigkeit zu verwandeln – statt in ein einmaliges Experiment. Über unser KI-PoC-Angebot (9.900€) validieren wir einen konkreten Use Case wie KI-gestütztes Anzeigen-Testing: Wir definieren Inputs und Outputs, prototypen Claude-basierte Analyse- und Planungs-Workflows, messen Performance- und Geschwindigkeitsgewinne und skizzieren ein produktionsreifes Setup. Mit unserem Co-Preneur-Ansatz arbeiten wir Seite an Seite mit Ihren Marketing- und Datenteams, hinterfragen bestehende Experimentiergewohnheiten und co-builden interne Tools, Prompts und Prozesse – bis schnelleres A/B-Testing Teil des täglichen Betriebs ist und nicht nur eine Folie im Strategie-Deck.
Kontaktieren Sie uns!
Direkt Kontaktieren
Philipp M. W. Hoffmann
Founder & Partner
Adresse
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Kontakt
Telefon