Warum braucht die Logistik- und Mobilitätsbranche in Essen eine maßgeschneiderte KI-Strategie?
Innovatoren dieser Unternehmen vertrauen uns
Die lokale Herausforderung
Essen ist das Herz eines dichten Industrie- und Energienetzwerks — gleichzeitig stehen Logistik- und Mobilitätsunternehmen hier vor stark steigenden Anforderungen an Effizienz, Nachhaltigkeit und Resilienz. Ohne eine klare KI-Strategie laufen Projekte Gefahr, fragmentiert, teuer und wirkungslos zu bleiben.
Warum wir die lokale Expertise haben
Unser Hauptsitz liegt in Stuttgart, aber wir reisen regelmäßig nach Essen und arbeiten vor Ort mit Kunden, um reale Probleme im Betrieb zu lösen. Diese regelmäßige Präsenz erlaubt es uns, die Dynamiken der regionalen Energie- und Logistikketten direkt zu beobachten und Lösungen praxisnah zu entwickeln.
Wir verstehen die speziellen Anforderungen von Unternehmen, die eng mit Energiekonzernen und Industrieanlagen verzahnt sind: strenge Compliance, Bedarf an hochverfügbarer Infrastruktur und der Wunsch nach schnellen, messbaren Effekten. Unsere Projekte beginnen stets mit einer greifbaren Aufnahme der operativen Realität — nicht mit abstrakten Roadmaps.
Unsere Arbeitsweise ist Co‑Preneur: Wir treten nicht als externe Ratgeber auf, sondern arbeiten als Mitgründer im Projektteam, übernehmen Verantwortung für Outcomes und liefern in produktiver Zusammenarbeit mit Ihrem operativen Personal.
Unsere Referenzen
Für Mobility- und Automotive-Fragestellungen haben wir mit dem Projekt für Mercedes Benz gearbeitet, wo wir einen NLP‑gestützten Recruiting‑Chatbot gebaut haben, der Kommunikation automatisiert und Vorqualifizierungen vornimmt — ein Beispiel, wie Automatisierung und KI Personalprozesse in Mobilitätsunternehmen transformieren können.
Im E‑Commerce- und Logistikumfeld haben wir mit Projekten für Internetstores (MEETSE, ReCamp) Venture‑Building und Plattformlösungen vorangetrieben, inklusive Validierung von Geschäftsmodellen und Operationalisierung von Qualitätsprüfungen — Erfahrung, die direkt auf Supply‑Chain‑Optimierung und Retourenlogistik übertragbar ist.
Für dokumentengetriebene Recherchen und Vertragsanalysen haben wir mit FMG Lösungen entwickelt, die schnelle und zuverlässige Einsichten aus großen Textmengen liefern — ein Kernbaustein, wenn es um Vertragsklauseln, Lieferantenbedingungen oder Risikoanalysen in der Logistik geht. Außerdem haben Projekte mit Eberspächer und STIHL unsere Erfahrung in der Fertigungs‑ und Supply‑Chain‑Optimierung vertieft, insbesondere bei Machine‑Learning‑gestützten Analysen zur Prozessverbesserung.
Über Reruption
Reruption wurde mit der Idee gegründet, Unternehmen nicht bloß zu beraten, sondern sie neu zu formen — von innen heraus. Unsere Co‑Preneur‑Methodik verbindet strategische Klarheit, schnelle Engineering‑Exekution und unternehmerische Verantwortung: Wir bauen Prototypen, operationalisieren Lösungen und verankern Fähigkeiten im Unternehmen.
Unsere vier Fokusfelder — KI‑Strategie, AI Engineering, Security & Compliance sowie Enablement — bilden das Gerüst für jede Initiative. Für Essen bedeutet das: pragmatische Roadmaps, die Routen‑Forecasting, Planungs‑Copilots, Risiko‑Modelle und Vertragsanalysen in tragfähige Business Cases übersetzen.
Wie starten wir gemeinsam eine KI-Strategie für unser Unternehmen in Essen?
Wir kommen zu Ihnen nach Essen, führen ein Readiness Assessment durch und identifizieren prioritäre Use Cases mit klaren Business Cases und Roadmap.
Was unsere Kunden sagen
Hans Dohrmann
CEO bei internetstores GmbH 2018-2021
Das ist die systematischste und nachvollziehbarste Go-to-Market Strategie, die ich bezüglich Corporate Startups je gesehen habe.
Kai Blisch
Director Venture Development bei STIHL, 2018-2022
Extrem wertvoll ist dabei Reruptions starker Fokus auf die Nutzer*innen, deren Bedürfnisse und das kritische Hinterfragen von Vorgaben. ... und nicht zuletzt macht die Zusammenarbeit riesige Freude.
Marco Pfeiffer
Head of Business Center Digital & Smart Products bei Festool, 2022-
Reruption evaluierte systematisch ein neues Geschäftsmodell mit uns: besonders beeindruckend fanden wir die Fähigkeit auch komplexe Sachverhalte nachvollziehbar darzustellen.
KI-Strategie für Logistik, Supply Chain & Mobilität in Essen — ein umfassender Leitfaden
Die Region Essen verbindet Energiekapazität, industrielle Produktion und dichtes Handelsaufkommen — ein fruchtbarer Boden für KI‑Innovation in Logistik und Mobilität. Doch Potenzial allein reicht nicht: Entscheidend ist die Fähigkeit, Use Cases zu priorisieren, Datenlandschaften zu formen, Governance zu definieren und kurzfristige Piloten so zu bauen, dass sie skalierbar werden.
Marktanalyse und regionale Treiber
Essen ist nicht nur Energiehauptstadt, sondern ein logistischer Knotenpunkt für NRW. Energieversorger, Großhandel und produzierende Unternehmen treiben Nachfrage nach optimierten Lieferketten und resilienten Transportlösungen. Gleichzeitig fordert die Energiewende neue Modelle zur Integration erneuerbarer Energiequellen in logistische Abläufe — etwa durch flexible Ladestrategien, demand‑responsive Routing oder Energieoptimierung von Lagerhallen.
Für KI‑Projekte bedeutet das: Use Cases, die sowohl Kosten als auch CO2-Emissionen reduzieren, finden nachhaltige Akzeptanz. Routen‑ und Nachfrage‑Forecasting sind unmittelbar wertschöpfend; Planungs‑Copilots können Disponenten und Fuhrparkmanagern helfen, in Echtzeit Entscheidungen zu treffen.
Konkrete Use Cases für Essen
Planungs‑Copilots: Intelligente Assistenten unterstützen die Einsatzplanung, verbinden historische Daten mit Echtzeit‑Energiepreisen oder Ladezuständen von Elektrofahrzeugen und geben konkrete Handlungsempfehlungen. Solche Copilots erhöhen die Planungsqualität und reduzieren mentale Belastung der Disponenten.
Routen‑ & Nachfrage‑Forecasting: Durch Kombination aus historischen Bestelldaten, Wetter, Energiepreisindikatoren und lokalen Ereignissen lassen sich präzisere Vorhersagen erstellen. Diese verbessern Auslastung, verringern Leerfahrten und schaffen eine Basis für dynamische Preisgestaltung und Kapazitätsplanung.
Risiko‑Modellierung: Lieferketten sind anfällig für Produktionsausfälle, Energieengpässe oder logistische Engpässe. KI‑gestützte Risiko‑Modelle quantifizieren diese Bedrohungen, priorisieren Maßnahmen und ermöglichen proaktive Gegensteuerung — von alternativen Routen bis zu Lieferantenwechseln.
Vertragsanalyse: Große Logistiknetzwerke sind voll von Verträgen, SLAs und komplexen Preisvereinbarungen. NLP‑gestützte Analyseplattformen extrahieren Risiken, Kündigungsklauseln oder Preismechanismen automatisch und liefern operative Handlungsanweisungen.
Implementierungsansatz und Roadmap
Ein pragmatischer Fahrplan beginnt mit einem AI Readiness Assessment: Datenqualität, Systemlandschaft, Teamkompetenzen und Governance werden bewertet. Anschließend folgt Use Case Discovery über 20+ Abteilungen, um versteckte Hebel zu identifizieren — von Lagerlogistik bis Fuhrparkmanagement.
Priorisierung & Business Case Modellierung ist der nächste Schritt: Wir quantifizieren Effekte, bauen Szenarien für Kostenersparnis und ROI und definieren Metriken für Piloterfolge. Pilots werden so designt, dass sie in Tagen bis Wochen messbare Ergebnisse liefern, aber mit einer klaren Skalierbarkeit in Produktion.
Technologie‑Stack und Integration
Technisch empfehlen wir modulare Architekturen: Datenplattformen mit standardisierten Ingest‑Pipelines, feature stores für ML, containerisierte Modellservices und APIs zur Integration in TMS/WMS. Modellauswahl hängt vom Use Case ab — von klassischen Zeitreihenmethoden für Forecasting bis zu LLM‑basierten Systemen für Vertragsanalyse.
Datensicherheit und Compliance sind in Essen wegen der engen Verflechtung mit der Energiebranche besonders wichtig. Wir planen Security & Compliance von Anfang an ein: Zugriffskontrollen, Datenminimierung und Audit‑Trails sind integraler Bestandteil der Architektur.
Success Factors und häufige Stolperfallen
Erfolgreiche Projekte kombinieren technisches Können mit klarer Ownership: eine benannte Produktverantwortung, messbare KPIs und die Einbindung operativer Teams. Häufige Fehler sind unklare Ziele, fehlende Datenpipelines und zu komplexe Pilots, die nie in Produktion gehen.
Change Management ist kein Add‑on: Schulungen, embedding von Copilots in tägliche Arbeitsprozesse und Kommunikationspläne sind entscheidend, um Akzeptanz zu schaffen und ROI nachhaltig zu sichern.
ROI‑Überlegungen und Zeitrahmen
Ein realistisches Erwartungsbild: erste MVP‑Erfolge für Forecasting oder einfache Copilot‑Funktionen in 6–12 Wochen; skalierbare Produktion in 3–9 Monaten, abhängig von Datenlage und Integrationsaufwand. Business Cases sollten konservative Schätzungen enthalten und Szenarien für Upside berücksichtigen — etwa reduzierte Leerfahrten, geringere Lagerkosten oder niedrigere Ausschussraten.
Die Kostenstruktur umfasst initiale Engineering‑Aufwände, laufende Inferenz‑Kosten und Betriebspersonal. Wir modellieren Kosten pro Lauf, Break‑even‑Szenarien und Sensitivitäten, damit Entscheider fundiert investieren können.
Team‑Anforderungen und Fähigkeiten
Ein internes Kernteam benötigt Produktverantwortung, Data‑Engineering, ML‑Engineering und Domänenexpertise aus Logistik/Mobilität. Unsere Enablement‑Module helfen, genau diese Fähigkeiten aufzubauen: von Hands‑on‑Workshops bis zu embedded Coaching während des Pilotbetriebs.
Langfristige Perspektive
Langfristig führt eine strategisch verankerte KI‑Roadmap zur betriebswirtschaftlichen Transformation: Echtzeit‑optimierte Lieferketten, resilientere Prozesse und neue Geschäftsmodelle rund um Daten und Services. In einer Region wie Essen, mit ihrer Energie‑ und Industriekompetenz, können solche Ansätze sogar zur regionalen Wettbewerbsstärke beitragen.
Bereit für den nächsten Schritt?
Vereinbaren Sie ein kurzes Vorgespräch — wir skizzieren innerhalb weniger Tage ein initiales Konzept und einen Pilotplan mit konkreten Erfolgskriterien.
Schlüsselbranchen in Essen
Essen war historisch ein Zentrum der Bergbau- und Stahlindustrie und hat sich in den letzten Jahrzehnten zu einem Mix aus Energie, Chemie, Bau und Handel entwickelt. Diese industrielle Vielfalt bildet die Grundlage für komplexe Lieferketten und hohe Anforderungen an Transport- und Lagerlogistik.
Die Energiebranche ist zentral: mit großen Versorgern, die nicht nur Energie liefern, sondern zunehmend auch Netzdienstleistungen, Speicherlösungen und Infrastrukturprojekte betreiben. Für die Logistik bedeutet das neue Lastprofile, variable Energiepreise und die Notwendigkeit, Energieverfügbarkeit in operative Entscheidungen einzubeziehen.
Die Bauwirtschaft in der Region produziert fragmentierte, projektgetriebene Materialflüsse — eine Herausforderung für klassische Inbound‑Logistik. Digitale Tools und KI können Materialbedarf prognostizieren, Lieferzeiten optimieren und Baustellenlieferungen synchronisieren, um Kosten zu senken und Ausfallzeiten zu vermeiden.
Der Handel, von großen Filialisten bis zu spezialisierten Händlern, stellt hohe Anforderungen an Retourenprozesse, Lageroptimierung und Zustelllogistik. E‑Commerce‑Wachstum treibt hier besonders den Bedarf an intelligenten Routing‑ und Nachfragevorhersagesystemen.
Die Chemiebranche verlangt strikte Compliance, temperaturgeführte Logistik und stabile Lieferketten. KI kann hier bei Risikobewertung, Lieferantenmonitoring und vorausschauender Instandhaltung unterstützen, um Produktionsunterbrechungen zu minimieren.
In allen Branchen verschiebt sich die Priorität: Weg von reiner Kostenreduktion, hin zu resilienten, nachhaltigen und datengesteuerten Prozessen. Unternehmen in Essen stehen unter dem Druck, schneller zu transformieren — und finden in KI einen Hebel, um operative Komplexität zu bewältigen.
Regionale Cluster und Netzwerke fördern Innovation: Forschungsinstitute, Zulieferer und Dienstleister bilden ein Ökosystem, in dem Pilotprojekte schnell getestet und skaliert werden können. Für Unternehmen bedeutet dies einen niedrigeren Aufwand, um Prototypen unter realen Bedingungen zu validieren.
Für Entscheider heißt das konkret: Investitionen in Data Foundations, gezielte Piloten mit klaren KPIs und ein Governance‑Rahmen, der regulatorische und betriebliche Risiken adressiert. Nur so entstehen nachhaltige, wirtschaftlich relevante KI‑Anwendungen in Essen.
Wie starten wir gemeinsam eine KI-Strategie für unser Unternehmen in Essen?
Wir kommen zu Ihnen nach Essen, führen ein Readiness Assessment durch und identifizieren prioritäre Use Cases mit klaren Business Cases und Roadmap.
Wichtige Akteure in Essen
E.ON ist einer der großen Energieversorger mit starker Präsenz in Essen. Das Unternehmen hat seine Geschäftsmodelle in den letzten Jahren in Richtung digitale Netzdienstleistungen und kundennahe Energiemanagementlösungen erweitert. Für Logistikpartner bedeutet die E.ON‑Präsenz, dass Energiepreise und Verfügbarkeiten in operative Planungen integriert werden müssen — ein offensichtlicher Use Case für KI‑gestützte Planungssoftware.
RWE hat als weiterer großer Player erheblichen Einfluss auf Energieinfrastruktur und Energiebereitstellung in Nordrhein‑Westfalen. Projekte rund um Flexibilitätsmärkte oder Speicherlösungen verändern die Lastprofile in der Region und erfordern von Logistikunternehmen neue Strategien zur Energieoptimierung und Routenplanung.
thyssenkrupp steht für industrielle Fertigung, Materialflüsse und internationale Lieferketten. Als Zulieferer beeinflusst thyssenkrupp zahlreiche Logistikprozesse in der Region — von der Just‑in‑Time‑Belieferung bis zu spezialisierten Transportlösungen für schwere Güter.
Evonik prägt die Chemieindustrie in der Region mit spezialisierten Produkten und komplexen Compliance‑Anforderungen. Evoniks Lieferketten erfordern präzises Handling und Vorhersagen, insbesondere wenn es um gefährliche Stoffe oder temperaturgeführte Transporte geht.
Hochtief als großer Baukonzern steht für projektbasierte Logistik, bei der Materialflüsse eng mit Baustellenplänen synchronisiert werden müssen. Digitalisierung und KI‑gestützte Materialprognosen können Baustellen effizienter versorgen und teure Verzögerungen vermeiden.
Aldi ist ein Beispiel für den großen Handelssektor in der Region: Filialnetz, Distributionszentren und ein hoher Warenumschlag schaffen Anforderungen an automatisierte Lagerprozesse, Nachfragevorhersage und effiziente Zustellung. Handelsunternehmen wie Aldi treiben damit die Nachfrage nach skalierbaren KI‑Lösungen in der Logistikbranche voran.
Diese Akteure zusammen bilden ein regionales Ökosystem, in dem Energie, Produktion und Handel eng verknüpft sind. Für KI‑Strategien bedeutet das: Lösungen müssen sektorübergreifend denken, von Infrastrukturdaten bis hin zu operativen KPIs, und dabei lokale Besonderheiten berücksichtigen.
Die Innovationskraft der Region wird durch lokale Forschungszentren, Startups und spezialisierte Dienstleister ergänzt. Für Unternehmen in Essen ist das eine Chance: Partnerschaften und Pilotprojekte können schneller initiiert und in reale Geschäftsprozesse überführt werden.
Bereit für den nächsten Schritt?
Vereinbaren Sie ein kurzes Vorgespräch — wir skizzieren innerhalb weniger Tage ein initiales Konzept und einen Pilotplan mit konkreten Erfolgskriterien.
Häufig gestellte Fragen
Eine gezielte KI‑Strategie schafft Transparenz über Schwachstellen in Lieferketten, Lieferantenabhängigkeiten und Engpassrisiken. Für Energieunternehmen, die auf stabilen Materialzufluss angewiesen sind, bedeutet das: frühzeitige Erkennung von Risiken und automatisierte Empfehlungen für Gegenmaßnahmen. Das reduziert Ausfallzeiten und erhöht Planungssicherheit.
Operativ kann KI beispielsweise alternative Lieferanten bewerten, Echtzeit‑Routenanpassungen vorschlagen und Energiepreissignale in Transportentscheidungen integrieren. Solche Mechanismen sind besonders relevant in einer Region wie Essen, in der Energiepreise und Versorgungsbedingungen starke Auswirkungen auf die Logistikkosten haben.
Wichtig ist, dass die technische Umsetzung nicht isoliert erfolgt: Datenintegration, Governance und konkrete KPIs (z. B. Zeit bis zur Wiederherstellung, Kosten pro Ausfall) müssen von Anfang an definiert werden. Ohne diese Klarheit bleiben Projekte experimentell und liefern keinen nachhaltigen Wert.
Praktische Takeaways: Beginnen Sie mit einem Readiness Assessment, priorisieren Sie Use Cases nach wirtschaftlichem Impact, und bauen Sie einen kleinen, messbaren Piloten – etwa ein Risiko‑Dashboard für kritische Zulieferer — bevor Sie in breite Rollouts investieren.
Für Logistikdienstleister in Essen sind vor allem vier Use Cases unmittelbar wertschöpfend: Planungs‑Copilots für Disposition, Routen‑ und Nachfrage‑Forecasting, Risiko‑Modellierung für Lieferketten und NLP‑gestützte Vertragsanalyse. Jeder dieser Use Cases adressiert konkrete Kosten- oder Risikoquellen in der täglichen Praxis.
Planungs‑Copilots helfen Disponenten, Entscheidungen zu priorisieren und komplexe Parameter wie Energiepreise oder Ladezustand von E‑Flotten automatisch zu berücksichtigen. Das senkt Fehlplanungen und erhöht die Fahrzeugauslastung. Routen‑Forecasting reduziert Leerfahrten und verbessert Pünktlichkeit, was wiederum die Kundenzufriedenheit steigert.
Risiko‑Modelle geben Entscheidern die Möglichkeit, proaktiv auf Unterbrechungen zu reagieren — etwa durch Umplanung oder Vorratsaufbau. Vertragsanalysen automatisieren die Prüfung von Lieferantenbedingungen und entlarven finanzielle Risiken oder SLAs, die operationelle Probleme verursachen könnten.
Unser Rat: Pilotieren Sie einen Use Case mit hohem Impact und geringer Implementationskomplexität, messen Sie Effekte und skalieren Sie anschließend mit einer stabilen Data Foundation und klarer Governance.
Die Dauer bis zu ersten greifbaren Ergebnissen hängt von Datenlage, Integrationsaufwand und Zielsetzung ab. In gut vorbereiteten Projekten sehen wir MVP‑Ergebnisse innerhalb von 6–12 Wochen: einfache Forecasts, Dashboards oder ein Prototyp eines Copilots können in diesem Zeitraum realisiert werden.
Wichtig ist, dass ein Pilot so gebaut wird, dass er von Anfang an Produktionstauglichkeit enthält: klare Datenpipelines, definierte KPIs und ein Plan für den Übergang in den Regelbetrieb. Ohne diesen Fokus endet ein Pilot oft als Proof of Concept ohne Skalierungsperspektive.
Für die vollständige Produktionsreife und unternehmensweite Skalierung rechnen Unternehmen zumeist mit 3–9 Monaten, abhängig von der Komplexität der Integrationen (z. B. Anbindung an TMS, WMS, ERP) und der erforderlichen Governance‑Einführung.
Praktische Empfehlung: Starten Sie mit einem eng umrissenen Use Case mit hohem ROI‑Potenzial, definieren Sie Metriken für Erfolg und planen Sie die Überführung in den Betrieb von Beginn an mit ein.
Für präzises Routen‑ und Nachfrage‑Forecasting sind in Essen neben klassischen Bestell- und Auslieferungsdaten zusätzliche Datenquellen besonders wertvoll: Energiepreisentwicklungen, Wetterdaten, lokale Veranstaltungen und Baustelleninformationen sowie historische Retourenmuster. Diese Einflussfaktoren können die Nachfrage und die optimalen Routen signifikant beeinflussen.
Darüber hinaus sind operative Daten wie Fahrzeugzustand, Ladezustand bei E‑Flotten und Echtzeit‑Verkehrsdaten wichtig, um dynamische Routenoptimierung zu ermöglichen. Die Kombination aus historischen Mustern und Echtzeit‑Signalen erhöht die Prognosequalität drastisch.
Qualität vor Quantität: Besser wenige gut strukturierte, bereinigte Datenquellen als viele unvollständige Daten. Ein Data Foundations Assessment hilft, kritische Datenlücken zu identifizieren und einen klaren Ingest‑Plan zu definieren.
Praktische Schritte: Inventarisieren Sie vorhandene Daten, priorisieren Sie nach Einfluss auf Geschäftskennzahlen, und bauen Sie standardisierte Pipelines, um Daten schnell und wiederholbar für Modelle nutzbar zu machen.
Die Integration beginnt mit einer technischen Bestandsaufnahme: Welche TMS/WMS/ERP‑Systeme sind im Einsatz, welche APIs existieren, und wo liegen Daten‑Silos? Auf Basis dieser Analyse definieren wir eine Integrationsschicht, die Models as a Service bereitstellt und über standardisierte APIs Ergebnisse an operative Systeme zurückspielt.
Ein häufiger Ansatz ist, KI‑Modelle zunächst in eine parallele Entscheidungsunterstützung zu integrieren — etwa als Vorschlagsmechanismus im Dispositionssystem. Dies reduziert Risiken und erhöht die Akzeptanz, weil menschliche Operatoren die finalen Entscheidungen behalten.
Wichtig ist auch Monitoring und Observability: Modelle verändern sich über die Zeit, deshalb brauchen Sie Pipelines für Performance‑Monitoring, Drift‑Erkennung und automatische Re‑Training‑Trigger. Ohne diese Mechanismen droht Modellverschlechterung und Vertrauensverlust.
Praktische Empfehlung: Beginnen Sie mit nicht-invasiven Integrationen (Read APIs, Vorschlagslayer), messen Sie den Einfluss, und planen Sie schrittweise, transaktionale Integrationen ein, sobald Vertrauen und Stabilität nachgewiesen sind.
In Essen spielt die Nähe zu Energieunternehmen und der Industrie eine Rolle: Sicherheitsanforderungen, Datenschutz bei personenbezogenen Fahrerdaten und Compliance mit Industrienormen sind zentral. Governance muss daher Datensouveränität, Zugriffskontrollen und Auditierbarkeit sicherstellen.
Darüber hinaus sollten Verantwortlichkeiten klar verteilt sein: Wer besitzt das Modell, wer ist für Datenqualität zuständig und wer verantwortet Produktions‑Monitoring? Ohne klare Rollen entstehen Verzögerungen und operative Risiken.
Ein weiterer Punkt ist die Dokumentation von Modellentscheidungen und Fairness‑Checks — besonders wenn KI Entscheidungen trifft, die Menschen direkt beeinflussen, etwa bei automatisierter Auftragspriorisierung oder Personaldisposition.
Konkrete Maßnahmen: Ein formalisiertes AI Governance Framework, regelmäßige Audits, Datenschutz‑Impact‑Assessments und ein Process zur Eskalation technischer Probleme helfen, regulatorische und betriebliche Risiken zu minimieren.
Kontaktieren Sie uns!
Direkt Kontaktieren
Philipp M. W. Hoffmann
Founder & Partner
Adresse
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Kontakt
Telefon