Zersplitterte Kampagnendaten mit Claude vereinheitlichen für smartere Marketing-Analytics
Marketing-Teams ertrinken in zersplitterten Kampagnendaten aus Werbeplattformen, E-Mail-Tools und Web-Analytics. Diese Seite zeigt, wie Sie Claude nutzen, um diese Exporte zu vereinheitlichen, Kennzahlen zu harmonisieren und verstreute Tabellen in klare, umsetzbare Marketing-Insights zu verwandeln.
Inhalt
Die Herausforderung: Zersplitterte Kampagnendaten
Marketing-Teams führen Kampagnen über Meta, Google, LinkedIn, Programmatic, E-Mail, CRM-Journeys und Website-Personalisierung durch. Jede Plattform erzeugt eigene Reports, Definitionen und Namenskonventionen. Das Ergebnis: zersplitterte Kampagnendaten, die es extrem schwer machen, grundlegende Fragen zu beantworten – etwa, welche Kanäle tatsächlich Umsatz treiben, welche Zielgruppen profitabel sind oder was Sie aus dem Budget des nächsten Monats streichen sollten.
Traditionelle Ansätze beruhen auf manuellen Exporten, Excel-Dateien voller SVERWEIS-Formeln und BI-Dashboards, die der Realität stets einen Schritt hinterher sind. Jede Plattform misst Impressions, Klicks, Conversions und Umsatz ein wenig anders. UTM-Strukturen sind inkonsistent, Kampagnen werden während der Laufzeit umbenannt, und Offline-Conversions werden nachträglich „oben drauf“ gesetzt. Selbst ausgefeilte Data-Warehouse-Lösungen geraten ins Straucheln, wenn das zugrunde liegende Marketing-Datenmodell inkonsistent ist und sich ständig ändert.
Die geschäftlichen Auswirkungen sind erheblich. Teams verbringen jede Woche viele Stunden damit, Daten zu sammeln und zu bereinigen, statt Kampagnen zu optimieren. Budgetentscheidungen basieren auf teilweisen oder widersprüchlichen Sichten, was zu Überinvestitionen in leistungsschwache Kanäle und Unterinvestitionen in hochprofitable Segmente führt. Das Management verliert das Vertrauen in die Zahlen, wenn grundlegende Kennzahlen zwischen Dashboards und Plattform-Reports nicht übereinstimmen – die Glaubwürdigkeit des Marketings leidet und strategische Entscheidungen verlangsamen sich.
Diese Herausforderung ist real, insbesondere da Marketing-Stacks wachsen und Datenschutzregulierungen das Tracking verändern. Aber sie ist lösbar. Mit moderner KI für Marketing-Analytics müssen Sie Ihren gesamten Daten-Stack nicht neu aufbauen, um eine einheitliche Sicht zu erhalten. Bei Reruption sehen wir, wie Tools wie Claude auf bestehenden Exporten aufsetzen, Kennzahlen und Benennungen harmonisieren und innerhalb von Tagen – nicht Monaten – klare, kanalübergreifende Insights liefern. Der Rest dieser Seite zeigt konkrete Wege, wie Sie das in Ihrem eigenen Team umsetzen können.
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 unserer Arbeit beim Aufbau von KI-first-Analytics-Workflows haben wir gelernt, dass der schnellste Weg, zersplitterte Kampagnendaten zu bändigen, nicht ein weiteres monolithisches BI-Projekt ist, sondern eine intelligente Schicht obendrauf. Richtig eingesetzt kann Claude Exporte aus Ihren Werbeplattformen, Ihrem CRM und Ihren Analytics-Tools einlesen, sie auf eine gemeinsame Struktur ausrichten und verlässliche, nachvollziehbare Sichten auf die Performance erzeugen. Die Praxiserfahrung von Reruption bei der Implementierung von KI-Lösungen für Marketing-Teams zeigt, dass diese Kombination aus leichtgewichtigem Engineering und KI-gestützter Analyse Reporting von reaktiver Tabellenarbeit in proaktive Entscheidungsfindung verwandeln kann.
Verstehen Sie Claude als Analytics-Schicht, nicht als magische Blackbox
Die erste strategische Weichenstellung besteht darin, Claude für Marketing-Analytics als flexible Analytics-Schicht auf Ihrer bestehenden Infrastruktur zu sehen – nicht als deren Ersatz. Ihre Werbeplattformen, Ihr CRM und Ihre Web-Analytics bleiben die führenden Systeme. Claude wird zur Intelligenzschicht, die diese liest, harmonisiert und kanalübergreifend erklärt, was passiert.
Diese Denkweise hält Erwartungen realistisch und erleichtert die Einführung. Sie nutzen Claude, um Benennungen zu standardisieren, Kennzahlen abzugleichen und kanalübergreifende Performance zusammenzufassen – bei gleichzeitiger Rückverfolgbarkeit zu den Originalquellen. Strategisch reduziert dies auch das Risiko: Wenn Claude-Ausgaben fragwürdig erscheinen, können Sie jederzeit die zugrunde liegenden Dateien prüfen und Prompts oder Schemas nachschärfen, statt bestehende Tools zu ersetzen.
Starten Sie mit einer klaren Entscheidung, die Sie verbessern wollen
Statt „alle Analytics zu reparieren“, sollten Sie Ihre Claude-Initiative an einer konkreten Entscheidung ausrichten, etwa monatliche Budgetallokation oder wöchentlicher Kanal-Performance-Review. Das zwingt zu Klarheit über die wirklich relevanten Metriken (z. B. CAC, ROAS, Umsatz pro Session, Lead-to-Opportunity-Rate) und die Granularität, die Sie tatsächlich benötigen.
Durch einen engen Scope vermeiden Sie endlose Debatten über perfekte Datenmodelle und testen direkt, wie Claude mit Ihrem realen Chaos umgeht: inkonsistente UTMs, umbenannte Kampagnen und Lücken im Conversion-Tracking. Sobald Sie einen spürbaren Effekt sehen – klarere Budgetentscheidungen, schnelleres Reporting – gewinnen Sie das interne Mandat, auf weitere Analytics-Use-Cases zu erweitern.
Bereiten Sie Ihr Team auf Human-in-the-Loop-Analytics vor
Claude funktioniert am besten, wenn Marketer als Prüfer und Entscheidende im Prozess bleiben – nicht als passive Konsumenten von KI-Dashboards. Strategisch bedeutet das, die Erwartung zu setzen, dass KI-gestützte Marketing-Analytics Muster aufdecken, Auffälligkeiten hervorheben und Benennungen abgleichen – aber Menschen weiterhin die zentralen Insights validieren und darauf reagieren.
Verankern Sie dafür Rituale: etwa eine wöchentliche Session, in der das Team Claudes kanalübergreifende Zusammenfassung prüft, überraschende Ergebnisse hinterfragt und Prompts oder Mapping-Regeln verfeinert. Mit der Zeit werden Ihre Marketer sicherer in der Zusammenarbeit mit KI, und die Qualität Ihrer Analytics steigt, da Claude auf Ihre spezifische Business-Logik „eingelernt“ wird.
Planen Sie Transparenz und Erklärbarkeit von Anfang an ein
Damit das Management KI-gestütztem Reporting vertraut, muss es verstehen, wie Kennzahlen zustande kommen. Strategisch heißt das, Claude nicht nur nach fertigen Tabellen und Zusammenfassungen zu fragen, sondern auch nach Erklärungen zu seinen Annahmen: wie Kanäle gemappt wurden, welche Conversions enthalten sind und wie mit fehlenden oder widersprüchlichen Daten umgegangen wurde.
Verankern Sie dies in Ihrem Operating Model: Fordern Sie, dass jeder KI-generierte Report eine kurze Notiz zu „Datenannahmen“ enthält. Das senkt das gefühlte Risiko bei der Nutzung von Claude für sensible Themen wie Umsatz-Attribution und sorgt dafür, dass sich Ihr Data-Team mit dem neuen Workflow wohlfühlt.
Risiken mit Leitplanken und Data Governance abfedern
Der Einsatz von Claude auf Kampagnendaten ist mächtig, muss aber mit klaren Leitplanken erfolgen. Definieren Sie strategisch, welche Daten Claude sehen darf (z. B. aggregierte Performance-Exporte statt Rohdaten mit Personenbezug), wie Dateien gespeichert werden und wer welche Prompts ausführen darf. Das ist besonders wichtig für Teams mit strengen Anforderungen an Datenschutz und Compliance.
Kombinieren Sie Claude mit schlanker Governance: standardisierte Export-Templates, klare Benennungsregeln und dokumentierte Prompt-Bibliotheken. Reruption unterstützt Kund:innen oft schon in frühen Piloten beim Aufbau dieser Leitplanken, sodass eine Skalierung der KI-Nutzung in einem kontrollierten, konformen Rahmen erfolgt – und nicht als Schatten-IT-Experiment.
Mit der richtigen Strategie eingesetzt, verwandelt Claude zersplitterte Kampagnendaten von einer wöchentlichen Reporting-Bürde in eine verlässliche, erklärbare Quelle für Marketing-Insights. Es ersetzt Ihren Stack nicht – es macht ihn verständlich. Wenn Sie prüfen möchten, wie Claude auf Ihren bestehenden Tools aufsetzen kann, um Kennzahlen zu harmonisieren, Benennungen zu standardisieren und bessere Budgetentscheidungen zu unterstützen, kann Reruption helfen – von einem fokussierten KI-PoC bis zur eingebetteten Implementierung mit unserem Co-Preneur-Ansatz. Melden Sie sich, wenn Sie das auf Ihren eigenen Echtdaten sehen möchten – nicht nur in Folien.
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 Lieferkette bis Online-Modehandel: 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.
Standardisieren Sie Ihre Datenexporte, bevor sie zu Claude gelangen
Die Qualität von Claudes Analyse hängt stark von der Konsistenz der Eingaben ab. Definieren Sie vor dem Einsatz von KI ein minimales Set standardisierter Export-Templates für Ihre wichtigsten Plattformen (z. B. Google Ads, Meta Ads, LinkedIn, E-Mail, CRM, Web-Analytics). Stellen Sie sicher, dass jeder Export Daten, Kampagnen-/Anzeigengruppen-/Anzeigenamen, Ausgaben, Impressions, Klicks, zentrale Conversions und – wo verfügbar – Umsatz enthält.
Nutzen Sie eine einfache interne Richtlinie: gleiche Zeitzone, gleiches Datumsformat, gleiche Währung und nach Möglichkeit identische Spaltenüberschriften für ähnliche Kennzahlen über alle Plattformen hinweg. So reduzieren Sie die Zeit, die Claude mit dem Erraten von Zuordnungen verbringt, und erhöhen die Zuverlässigkeit der vereinheitlichten Sicht.
Beispielanweisung an Ihr Team:
Exportieren Sie wöchentliche Daten für <week_start> - <week_end> aus:
- Google Ads: Kampagnen-Performance-Report, inklusive Kosten, Klicks, Conversions, Conversion-Wert
- Meta Ads: Kampagnen-Performance-Report, gleiche Kennzahlen
- CRM: Erstellte/abgeschlossene Opportunities mit Kampagnen- oder UTM-Quelle/Medium
- Analytics: Sitzungen, Transaktionen, Umsatz nach Quelle/Medium/Kampagne
Speichern Sie alle Dateien als CSV mit UTF-8-Codierung und identischem Datumsbereich.Nutzen Sie Claude zum Aufbau einer kanalübergreifenden Namens- und Kennzahlen-Mapping-Tabelle
Wenn die Exporte vorliegen, besteht der erste taktische Schritt darin, Claude ein „Data Dictionary“ erstellen zu lassen, das Kanalbenennungen und Kennzahlen harmonisiert. Laden Sie einige repräsentative CSVs hoch und bitten Sie Claude, äquivalente Dimensionen und Metriken über die Plattformen hinweg zu identifizieren und ein einheitliches Schema vorzuschlagen.
Beispiel-Prompt zur Schema-Harmonisierung:
Sie sind Marketing-Datenanalyst:in. Ich werde CSV-Exporte aus mehreren Plattformen hochladen.
Aufgaben:
1) Erkennen Sie, welche Spalten ähnliche Konzepte repräsentieren (z. B. Kampagnenname,
Anzeigengruppe, Kosten, Impressions, Klicks, Conversions, Umsatz).
2) Schlagen Sie ein einheitliches Schema mit standardisierten Spaltennamen und Datentypen vor.
3) Machen Sie Vorschläge für Mapping-Regeln je Plattform auf dieses einheitliche Schema.
4) Identifizieren Sie Unklarheiten oder Konflikte und stellen Sie Rückfragen.
Geben Sie Schema und Mappings in einer übersichtlichen Markdown-Tabelle aus.Nutzen Sie das von Claude vorgeschlagene Schema als Grundlage für künftige Exporte und Automatisierungen. Mit der Zeit können Sie dieses Mapping verfeinern und sogar in Skripte oder ETL-Jobs überführen, die Daten vorverarbeiten, bevor sie an Claude gehen.
Lassen Sie Claude Tabellen zusammenführen und Konflikte explizit auflösen
Statt manuell zwischen Tabellen hin- und herzukopieren, nutzen Sie Claude, um Kampagnentabellen zu mergen und Abweichungen hervorzuheben. Laden Sie Ihre standardisierten Exporte hoch und weisen Sie Claude an, diese anhand definierter Schlüssel (z. B. Datum + Kampagnenname oder Datum + UTM-Parameter) zu verknüpfen und Konflikte sichtbar zu machen.
Beispiel-Prompt zum Mergen und zur Konflikterkennung:
Sie helfen mir, eine kanalübergreifende Marketing-Performance-Tabelle aufzubauen.
Ich werde hochladen:
- Google-Ads-Wochenexport
- Meta-Ads-Wochenexport
- CRM-Opportunities mit Kampagnen- / UTM-Informationen
- Web-Analytics-Sitzungen und Umsatz nach Quelle/Medium/Kampagne
Aufgaben:
1) Fügen Sie diese Datensätze, wo möglich, über Datum und Kampagne (oder UTM) zusammen.
2) Erstellen Sie eine kombinierte Tabelle mit den Spalten: Datum, Kanal, Kampagne,
Ausgaben, Klicks, Sitzungen, Leads, Opportunities, Umsatz.
3) Heben Sie Konflikte hervor (z. B. unterschiedliche Umsatzwerte für dieselbe
Kampagne/dasselbe Datum) und schlagen Sie vor, wie diese bereinigt oder markiert
werden sollten.
4) Geben Sie die finale Tabelle als CSV-Text aus, den ich in ein Sheet einfügen kann.Dieser Workflow reduziert eine mehrstündige manuelle Aufgabe auf wenige Minuten, während Sie weiterhin prüfen und festlegen können, wie Konflikte behandelt werden, bevor Sie die Daten für Entscheidungen nutzen.
Automatisieren Sie wöchentliche Performance-Summaries und Anomalieerkennung
Sobald die zusammengeführten Tabellen vorliegen, nutzen Sie Claude für konsistente wöchentliche Marketing-Performance-Summaries mit Anomalieerkennung. Stellen Sie den vereinheitlichten Datensatz bereit und lassen Sie Claude mit vorherigen Zeiträumen vergleichen, Ausreißer identifizieren und Hypothesen zu Veränderungen vorschlagen.
Beispiel-Prompt für die wöchentliche Zusammenfassung:
Sie sind mein Marketing-Analytics-Assistent. Hier ist eine CSV mit vereinheitlichten
Performance-Daten der letzten 8 Wochen. Spalten sind u. a.: Datum, Kanal,
Kampagne, Ausgaben, Klicks, Conversions, Umsatz.
Aufgaben:
1) Fassen Sie die Performance der letzten Woche im Vergleich zum Durchschnitt der
vorangegangenen 4 Wochen nach Kanal zusammen.
2) Heben Sie signifikante Anomalien hervor (z. B. >30 % Veränderung bei CPA, ROAS
oder Conversion-Rate).
3) Schlagen Sie 3–5 Hypothesen für die wichtigsten Anomalien vor.
4) Empfehlen Sie 3 konkrete Optimierungsmaßnahmen für die nächste Woche.Mit der Zeit können Sie diesen Prompt standardisieren und mit einer einfachen Automatisierung kombinieren (z. B. Export- plus Upload-Workflow), sodass das Team jeden Montag ein konsistentes, KI-erstelltes Performance-Briefing prüft, statt es manuell zusammenzustellen.
Erstellen Sie Management-taugliche Sichten, ohne Dashboards neu zu bauen
Führungskräfte benötigen oft eine vereinfachte, narrative Sicht auf die Marketing-Performance über Kanäle hinweg. Anstatt separate Präsentationen zu erstellen und zu pflegen, nutzen Sie Claude, um Ihre zusammengeführten Daten in prägnante Executive Summaries für nicht-technische Zielgruppen zu übersetzen.
Beispiel-Prompt für eine Executive Summary:
Sie schreiben für eine CMO, die 10 Minuten Zeit zur Performance-Überprüfung hat.
Nutzen Sie die beigefügte CSV mit vereinheitlichten Performance-Daten und:
1) Erstellen Sie eine einseitige narrative Zusammenfassung der Gesamtperformance
dieses Monats im Vergleich zum Vormonat.
2) Konzentrieren Sie sich auf Umsatz, CAC, ROAS und wesentliche Kanalverschiebungen.
3) Verwenden Sie klare, nicht-technische Sprache.
4) Fügen Sie eine kurze Stichpunktliste der wichtigsten Risiken und Chancen hinzu.
5) Ergänzen Sie eine einfache Tabelle mit nur den 5 wichtigsten Kennzahlen.So reduzieren Sie die Zeit, die Senior Marketer damit verbringen, Analytics in Business-Sprache zu „übersetzen“, während sie die Story vor der Weitergabe weiterhin bearbeiten und verfeinern können.
Halten und wiederverwenden Sie erfolgreiche Prompts als interne Playbooks fest
Mit zunehmender Erfahrung werden einige Prompts konsistent hochwertige Analysen liefern (z. B. für Empfehlungen zur Budget-Umverteilung oder Detailanalysen auf Kanalebene). Lassen Sie diese nicht nur in persönlichen Chats existieren – machen Sie daraus gemeinsame Playbooks.
Beispiel-Eintrag für ein internes Playbook:
Playbook: Kanal-Budget-Umverteilung
Einsatz, wenn: Der nächste Monatsplan fürs Budget erstellt wird.
Prompt:
Sie sind Performance-Marketing-Stratege:in. Nutzen Sie die beigefügte CSV mit
vereinheitlichten Performance-Daten der letzten 60 Tage und:
1) Berechnen Sie CAC und ROAS nach Kanal und Kampagne.
2) Identifizieren Sie leistungsschwache Kampagnen, die pausiert oder reduziert
werden sollten.
3) Schlagen Sie eine Umverteilung desselben Gesamtbudgets über die Kanäle vor,
um den erwarteten Umsatz zu maximieren, und erläutern Sie Ihre Annahmen.
4) Präsentieren Sie die Ergebnisse in einer Tabelle und in einer kurzen
narrativen Zusammenfassung.Die Dokumentation und gemeinsame Nutzung dieser Prompts macht Claude zu einer wiederholbaren Teamfähigkeit statt zu einem einmaligen Experiment einer einzelnen Power-User-Person.
Zusammen umgesetzt, reduzieren diese Praktiken die manuelle Reporting-Zeit typischerweise um 30–50 %, beschleunigen wöchentliche Performance-Reviews von Stunden auf Minuten und erhöhen das Vertrauen in kanalübergreifende Budgetentscheidungen. Die exakten Kennzahlen variieren je Organisation, aber das Muster ist konsistent: weniger Zeit mit Tabellenkalkulationen kämpfen, mehr Zeit Kampagnen anhand einer einheitlichen, KI-gestützten Sicht zu optimieren.
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 Exporte aus Ihren Werbeplattformen, Ihrem CRM und Ihren Analytics-Tools einlesen und als intelligente Schicht darüber agieren. Es kann Metrix-Namen harmonisieren (z. B. Cost vs. Spend), Dimensionen wie Kampagne und Kanal angleichen und mehrere CSVs zu einer einzigen, vereinheitlichten Tabelle zusammenführen.
Darauf aufbauend kann Claude die kanalübergreifende Performance zusammenfassen, Auffälligkeiten hervorheben und entscheidungsreife Sichten für Budgetallokation und Kanaloptimierung erzeugen – ohne dass Sie zuerst ein vollwertiges Data Warehouse oder ein komplexes BI-Modell aufbauen müssen.
Sie brauchen kein komplettes Data-Engineering-Team, um mit Claude Mehrwert zu erzeugen. Praktisch benötigen Sie:
- Eine Person, die konsistente CSVs aus Ihren wichtigsten Tools exportieren kann (Werbeplattformen, CRM, Analytics).
- Mindestens eine:n Marketer, der/die bereit ist, mit klaren, strukturierten Prompts zu experimentieren.
- Grundlegende interne Richtlinien zu Datenzugriff und Datenschutz-Compliance.
Reruption hilft Kund:innen häufig dabei, Export-Templates, initiale Prompts und einfache Governance-Regeln zu definieren, sodass Marketer Claude sicher nutzen können, ohne auf ein großes IT-Projekt warten zu müssen.
Da Claude auf Ihren bestehenden Exporten aufsetzt, sind die Time-to-Value-Zeiten kurz. Viele Teams sehen eine erste nützliche vereinheitlichte Performance-Sicht innerhalb von Tagen, nicht Monaten. Ein typisches Muster ist:
- Woche 1: Zentrale Entscheidungen definieren, Export-Templates einrichten, erste zusammengeführte Reports mit Claude erstellen.
- Wochen 2–3: Schemas, Prompts und Regeln zur Konfliktlösung verfeinern; mit wöchentlichen KI-generierten Zusammenfassungen starten.
- Nach 4–6 Wochen: Claude in wiederkehrende Reporting- und Budgetplanungs-Routinen einbetten.
Das genaue Tempo hängt davon ab, wie zersplittert Ihre aktuellen Daten sind, aber Sie sollten innerhalb des ersten Monats mit spürbaren Verbesserungen bei Reporting-Geschwindigkeit und Klarheit rechnen.
Der ROI entsteht typischerweise in zwei Bereichen: gesparte Zeit und smarterer Mitteleinsatz. Auf der Effizienzseite reduzieren Teams manuellen Reporting- und Tabellenaufwand oft um 30–50 %, sodass Marketer mehr Zeit für kreative und strategische Aufgaben haben. Auf der Effektivitätsseite ermöglicht klarere kanalübergreifende Transparenz eine bessere Budgetallokation – Budgets werden von leistungsschwachen Kampagnen auf solche mit höherem ROAS oder besserer Lead-Qualität verlagert.
Auch wenn die Zahlen variieren, sehen viele Organisationen bereits durch einen einzigen verbesserten Budgetzyklus genügend Mehrwert, um den Aufwand für die Einrichtung von Claude als Marketing-Analytics-Assistent zu rechtfertigen.
Reruption begleitet Sie End-to-End. Mit unserem KI-PoC-Angebot (9.900 €) können wir schnell validieren, dass Claude mit Ihrem spezifischen Mix aus Werbeplattformen, CRM- und Analytics-Exporten umgehen kann – und einen funktionierenden Prototyp liefern, der Daten zusammenführt, Kennzahlen harmonisiert und echte Reports erzeugt.
Über den PoC hinaus bedeutet unser Co-Preneur-Ansatz, dass wir uns in Ihr Team einbetten, Use-Case-Scope und Erfolgskriterien definieren, Prompts und Workflows designen und das leichte Engineering sowie die Leitplanken aufbauen, die für einen produktiven Betrieb nötig sind. Wir beraten nicht nur – wir arbeiten mit Ihren Marketer:innen in deren Tools und P&L, bis ein robuster, KI-gestützter Analytics-Workflow live ist.
Kontaktieren Sie uns!
Direkt Kontaktieren
Philipp M. W. Hoffmann
Founder & Partner
Adresse
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Kontakt
Telefon