hero background image

Data-Fabric-Architektur:
Ein detaillierter technischer Überblick

April 1, 2025

Stand des Data-Fabric-Marktes

30%

Voraussichtliche CAGR des Marktes für Data Fabric im Zeitraum 2024-2032

Global Market Insights

400%

Effizienzsteigerung durch den Einsatz einer Data Fabric

Gartner

94%

der Führungskräfte in der Wirtschaft benötigen effektivere Methoden zur Nutzung von Daten

Salesforce

Data-Fabric-Schichten und Architekturkomponenten

Data-Fabric-Architekturen sind zwar einzigartig, da sie auf die IT-Umgebungen der Unternehmen und ihre spezifischen Datenanforderungen zugeschnitten sind, die meisten weisen jedoch sieben zentrale Architekturkomponenten auf. Auf jeder Ebene stellt eine Data Factory bestimmte Funktionen bereit, die den konsistenten Zugriff, die Konsolidierung und den Austausch von Daten ermöglichen.

Data modeling & interpretation Data access Data processing & analysis Data storage & operations Data lake Data warehouse Data marts Operational data store (ODS) Cloud data storage Metadata repository Graph database Data repositories & operational data sources Data integration & orchestration ETL/batch processing Stream processing Data virtualization Metadata Knowledge graph Data catalog Data quality Data security Data fabric architecture Data sources Data governance

Schema-Titel: Diagramm der Data-Fabric-Architektur
Datenquelle: ResearchGate

Datenverwaltung & -sicherheit

Mit dieser Schicht können Unternehmen robuste Data Governance- und Sicherheitsrichtlinien und -praktiken implementieren, um den Zugriff auf Unternehmensdaten zu kontrollieren, die Granularität des Datenzugriffs zu definieren, die Datenaktualisierung zu konfigurieren, vertrauliche Informationen zu maskieren oder zu verschlüsseln und vieles mehr. Data Fabric nutzt einen erweiterten Datenkatalog, um verteilte Datenbestände zu klassifizieren und zu inventarisieren sowie Metadaten zu erfassen und zu verwalten und so eine strenge Data Governance zu gewährleisten.

Datenherkunft

Datenherkunft, auch „Data Lineage“ genannt, hilft dabei, den Datenfluss während des gesamten Lebenszyklus zu dokumentieren, von den Quelldaten bis hin zu allen erfolgten Datenumwandlungen. Dafür verwendet sie bei jedem Schritt Metadaten, sendet diese an das Metadaten-Repository und aktualisiert die Metadaten bei Änderungen dank der Metadatenaktivierung. Diese Schicht spielt eine wichtige Rolle bei der Gewährleistung der Datenzuverlässigkeit, da sie es den Unternehmen ermöglicht, die Richtigkeit und Konsistenz der Daten zu überprüfen, Fehlerquellen zu ermitteln und die Data-Governance-Richtlinien sicherzustellen.

Datenintegration

Diese Data-Fabric-Schicht ermöglicht die Datenvorbereitung für die Ziel-Repositories und die Erstellung einer einheitlichen Informationsansicht für die Analyse, indem sie die Daten aus unterschiedlichen Quellen durch eine Kombination von Datenintegrationsansätzen, einschließlich ETL/ELT, API-basierter Datenintegration, Datenreplikation, Streaming und Datenvirtualisierung, konsolidiert. Datenkonnektoren und API-Gateways verbinden verschiedene Datenquellen und ermöglichen eine einheitliche Darstellung der Daten.

Datenmodellierung & -interpretation

Diese Komponente hilft bei der Definition der gesammelten Daten, der Erstellung von Datenmodellen und dem Hinzufügen von Semantiken zu den Daten. Hier werden die Unternehmensdaten mit Hilfe von Wissensgraphen organisiert und die Beziehungen zwischen den Datenbeständen definiert. Die semantische Anreicherung ermöglicht es Geschäftsanwendern, mit den Daten unter Verwendung von Geschäftsbegriffen zu interagieren, anstatt komplexe SQL-Abfragen durchführen oder das Schema mehrerer Datenbanken verstehen zu müssen.

Datenorchestrierung

Innerhalb dieser Schicht arbeiten verschiedene Tools und Dienste zur Workflow-Orchestrierung, um die Daten-Workflows zu koordinieren und zu steuern, wie die Daten die verschiedenen Verarbeitungsstufen von der Erfassung über die Analyse bis hin zur endgültigen Aktivierung durchlaufen. Auf der Grundlage von künstlicher Intelligenz und Machine-Learning-Algorithmen erzeugt eine Data-Fabric-Lösung Warnungen und Empfehlungen für Benutzer, wie Daten besser organisiert, integriert und verarbeitet werden sollten.

Datenverarbeitung & -analyse

Die modellierten und semantisch definierten Daten werden zur weiteren Verarbeitung, Abfrage und Analyse an ein Speichersystem oder analytische Lösungen übergeben. Anschließend können sie in Form von Berichten und Dashboards dargestellt werden.

Datenzugriff

Diese Schicht der Data-Fabric-Architektur erleichtert die Bereitstellung von Daten für verschiedene nachgelagerte Nutzer, seien es Anwendungen, Personen, die Analysen und Berichte erstellen, Datenkataloge oder Datenmarktplätze, auf denen Geschäftsnutzer die von ihnen benötigten Daten finden können. Überwachungswerkzeuge innerhalb der Data Fabric helfen, den Zustand des Systems zu beurteilen. Sie bieten Funktionen zur Überprüfung der Verarbeitungsgeschwindigkeit, der abgeschlossenen, fehlgeschlagenen und abgebrochenen Abfragen, zur Lokalisierung von Engpässen und um sicherzustellen, dass qualitativ hochwertige Daten reibungslos durch das System fließen.

Anwendungsfälle für Data Fabric

Eine Data Fabric ist eine praktikable Lösung für eine Vielzahl von Aufgaben. Sie bietet schnellen Zugriff auf die benötigten Daten und erleichtert die Self-Service-Datennutzung zur Gewinnung von Einblicken in Echtzeit.

Unternehmensintelligenz

Die Architektur einer Enterprise-Data-Fabric ist unabhängig von der Umgebung, der Plattform und dem Tool und rationalisiert die Konsolidierung von Informationen aus verschiedenen internen und externen Quellen. Sie eignet sich gut für ein Multi-Cloud- oder Hybrid-Cloud-Unternehmen und hilft Unternehmen, eine Vogelperspektive auf ihre Geschäfte zu erhalten, mit der Möglichkeit zum Drill-down und Drill-through.

Operative Intelligenz

Mit der implementierten Data-Fabric-Architektur werden große Mengen an Sensordaten, Sicherheitsprotokollen, Clickstream-Daten usw. ohne Verzögerungen in Speicher-Repositories und anschließend in Analyse-, Data-Science- und Visualisierungs-Tools zur weiteren sofortigen Nutzung übertragen.

360°-Kundenansicht

Kundeninformationen sind über die verschiedenen Systeme eines Unternehmens verstreut, darunter die CRM-App, E-Commerce-Plattformen und Point-of-Sale-Systeme. Das Data-Fabric-Konzept ermöglicht die Aufnahme und Zusammenführung dieser Informationen in sogennanten Customer Golden Records, also einheitlichen Kundenprofilen, die einen umfassenden Überblick über die demografischen Daten, Vorlieben, Aktivitäten und die Kaufhistorie der Kunden bieten.

Einhaltung gesetzlicher Vorschriften

Mithilfe der in die Data Fabric eingebetteten Data-Governance-Funktionen können Sie nachverfolgen, woher die Daten stammen, wie sie aggregiert wurden, wer sie wann eingesehen hat und mehr. Mit der KI-gestützten Durchsetzung von Data-Governance-Richtlinien automatisiert eine Data-Fabric-Lösung die Klassifizierung von Datensätzen, legt strenge Zugriffskontrollen fest und unterstützt die Maskierung und Verschlüsselung sensibler Daten, wodurch sie sich für die Gewährleistung strenger Datensicherheit eignet.

Datenmarktplatz-Fähigkeit

Data Lineage, ein katalogbasierter Wissensgraph von Unternehmensdaten, dynamisches Metadatenmanagement und geregelte Self-Service-Funktionen verwandeln die Data-Fabric-Lösung in ein internes Suchsystem, das allen autorisierten Parteien den Zugriff auf korrekte und genehmigte Daten ermöglicht.

Selbstbedienungs-BI & -Analysen

Dank flexibler, KI- und ML-gestützter automatisierter Datenintegration demokratisiert eine Data Fabric den Datenzugriff für verschiedene Teams, von Dateningenieuren und Datenwissenschaftlern bis hin zu Vertriebsmanagern und Marketingspezialisten. Dies gibt Geschäftsanwendern mehr Freiheit, Datenaktivitäten ohne die Hilfe von IT-Teams durchzuführen.

KI/ML

Die Data-Fabric-Architektur beschleunigt und vereinfacht die Datenaufbereitung für das weitere KI/ML-Modelltraining. Da ML-Ingenieure und Datenwissenschaftler Zugriff auf große Datenmengen haben, die über mehrere Systeme verstreut sind, können sie unter Einhaltung strenger Sicherheitsvorschriften präzise ML-Modelle mit hochwertigen Datensätzen trainieren, ohne die Datensicherheit zu gefährden.

Möchten Sie eine zuverlässige und skalierbare Data-Fabric-Architektur aufbauen?

Wenden Sie sich an Itransition

Branchenübergreifende Data-Fabric-Anwendungen

Als branchenunabhängiges Designkonzept kann eine Data-Fabric-Lösung in jedem Sektor implementiert werden.

Gesundheitswesen

Organisationen im Gesundheitswesen können ein Data Fabric-Konzept nutzen, um elektronische Patientenakten (EHRs), Daten aus der Genomforschung und IoT-Gerätedaten von Wearables und Überwachungsgeräten in Krankenhäusern zu sammeln und zu integrieren, um einen umfassenden Überblick über den Gesundheitszustand, die Behandlungshistorie und die Ergebnisse eines Patienten zu erhalten und eine bessere Einhaltung komplexer Vorschriften wie der HIPAA oder DSGVO zu gewährleisten.

Gesundheitswesen

Einzelhandel

Data-Fabric-Lösungen helfen Einzelhändlern beim Zugriff auf Daten aus E-Commerce-Systemen, Kassensystemen in physischen Geschäften, CRM-Plattformen, mobilen Anwendungen und sozialen Medien, um Verkaufstrends, Kundenpräferenzen und Lagerbestände in Echtzeit zu verfolgen.

Einzelhandel

Finanzen

Banken und andere Finanzinstitute können eine Data-Fabric-Lösung aufbauen, um Investment-, Versicherungs-, Steuer- und andere Unternehmensanwendungen miteinander zu verknüpfen, Informationen über die Nutzung von Bank- und Kreditkarten zu sammeln, die Risikobewertung und die Überwachung der Einhaltung von Vorschriften zu erleichtern, die Entscheidungsfindung bei der Kreditvergabe zu verbessern und Betrug bei Transaktionen aufzudecken.

Finanzen

Versicherungswesen

Versicherer können eine Data-Fabric-Architektur nutzen, um persönliche Informationen, Risikoprofile und Schadenverläufe miteinander zu verknüpfen und so einen schnellen Datenzugriff zu ermöglichen, um Versicherungsprodukte zu personalisieren, bessere Preisentscheidungen zu treffen und betrügerische Ansprüche zu erkennen.

Versicherungswesen

Fertigung

Durch die Integration von Daten aus Bestandsverwaltungssystemen, IoT-Geräten, Sensoren an der Produktionslinie, Lieferketten und RFID-Datenlösungen können Hersteller eine End-to-End-Ansicht ihres Fertigungsprozesses erstellen, um Engpässe frühzeitig zu erkennen, Anlagenausfälle vorherzusagen und Produktentwicklungsteams auf der Grundlage von Markt- und Social-Media-Daten zu informieren.

Fertigung

Automobilindustrie

Unternehmen in der Automobilindustrie können ein Data Fabric-Konzept nutzen, um Daten von Fahrzeugsensoren, On-Board-Diagnosesystemen (OBD), mobilen Anwendungen und Diensten von Drittanbietern zu integrieren, zu verarbeiten und zu analysieren und so Aufgaben wie vorausschauende Wartung, intelligente Mobilität und Telematik sowie die Erstellung nutzungsbasierter Versicherungspläne zu erleichtern.

Automobilindustrie

Vorteile von Data Fabric für verschiedene Nutzertypen

Geschäftsbereiche

  • Datengesteuerte Entscheidungen in der gleichen Geschwindigkeit wie das Geschäft
  • Demokratisierung von Daten und mehr Unabhängigkeit von IT-Teams
  • Automatisierung zeitaufwändiger manueller Datenverwaltungsprozesse
  • Erkenntnisse in Echtzeit oder nahezu in Echtzeit
  • Geringere Abhängigkeit von IT-Teams

Datenmanagement-Teams

  • Höhere Produktivität durch automatisiertes Datenmanagement sowie geringeren Zeitaufwand für Integrationsdesign, Bereitstellung und Wartung
  • Schnellere Beantwortung von Datenanfragen von Geschäftsanwendern oder Analysten
  • Intelligente Integration von verschiedenen Datenquellen
  • Vereinfachte Datenexperimente, einschließlich der Entwicklung und Bereitstellung von Machine-Learning-Modellen
  • Verbesserte DataOps, die verschiedene Elemente des Datenlebenszyklus umfassen (von der Datenermittlung und -integration bis zur Datentransformation und -bewegung)

Gesamte Organisation

  • Maximierung des Werts von Unternehmensdaten
  • Aufbrechen von Datensilos und Schaffung einer einzigen Quelle für zuverlässige Informationen
  • Bessere Datenqualität, Sicherheit und Governance
  • Eine flexible Datenlandschaft, die sich entsprechend den Geschäftsanforderungen weiterentwickelt und skaliert
  • Geringere Datenverwaltungs- und Betriebskosten dank effizienter Datenverarbeitung, -bereitstellung und -nutzung

Schritte zur Implementierung einer Data Fabric

1

Prüfung der aktuellen Datenarchitektur

Analyse bestehender Datensysteme, Arbeitsabläufe und Datenquellen zur Integration

Festlegung klarer Ziele und Anforderungen, z. B. wie Daten aus unverbundenen Quellen integriert werden sollen, wie Metadaten erfasst und aktiviert werden sollen, welche Häufigkeit von Qualitätsprüfungen festgelegt werden soll usw.

Identifizierung von Datenzugriffsanforderungen und Data-Governance-Regeln

Sammeln und Analysieren aller Arten von Metadaten, die im gesamten Unternehmen verfügbar sind

2

Planung & Technologieauswahl

Konzeptualisierung der Data Fabric-Lösung

Auswahl einer Bereitstellungsstrategie, von Tools und Technologien für die Erfassung, Verwaltung, Speicherung und den Zugriff auf Daten

Budgetplanung unter Berücksichtigung der Kosten für Infrastruktur und Softwarebeschaffung, -entwicklung und -implementierung

Festlegung des Data-Governance-Rahmens, der die Verwaltung von Metadaten, die Datenabfolge und die Datenintegrität umfasst

3

Entwicklung der Architektur der Datenstruktur

Entwicklung von Pipelines für die Dateneingabe

Entwurf und Entwicklung von Datenspeicherlösungen

Einrichtung von Datenverarbeitungsabläufen

Aufbau von Datenanalyse- und Datenvisualisierungslösungen

Erstellung von Datenkatalogen und Verwaltungssystemen für Metadaten

Konfigurieren von Datenverschlüsselung, Zugriffskontrolle, Datenmaskierung und Auditing

Einrichten von Überwachungssystemen, Validierungsrichtlinien und Datenqualitätsprüfungen

4

Tests & Bereitstellung

Testen der Leistung, Sicherheit, Benutzerfreundlichkeit und Kompatibilität der Data Fabric

Ermittlung von Engpässen und Problembehebung

Überprüfung des Benutzerzugangs und der Berechtigungen sowie der Datenwiederherstellungsmechanismen

Einrichten von Überwachungsinstrumenten

5

Aktivitäten nach dem Rollout

Überwachung der Einhaltung der Data Governance

Kommunikation der Vorteile der Data Fabric an Geschäfts- und Datenteams, um die Mitarbeiter zu ermutigen, sie für ihre datenbezogenen Aufgaben zu nutzen

Erstellung einer Dokumentation mit Richtlinien für die kontrollierte und koordinierte Nutzung der Data Fabric durch bestehende und neue Mitarbeiter

Förderung des regelmäßigen und bedarfsgerechten Wissensaustauschs durch Schulungen und Workshops, um die Akzeptanz der Benutzer nach der Implementierung zu erhöhen

Sammeln von Benutzerfeedback, um Ineffizienzen und Hindernisse bei der Einführung zu erkennen

Die wichtigsten Plattformen für Data-Fabric-Lösungen

  • Über 150 Konnektoren für Datenquellen, on-premises und in der Cloud
  • Eine einheitliche Multi-Cloud Data Lake-Konnektivität, die Daten in jedem Format unterstützt
  • Funktionen für Datenverknüpfungen, -virtualisierung und -spiegelung
  • Native Integration mit dem Microsoft 365-Ökosystem
  • KI-gesteuerte Copilot-Unterstützung für die Erstellung von Berichten, Datenerklärungen und die Zusammenfassung von Erkenntnissen
  • KI-gestützte Einblicke und Grafiken, die in Microsoft 365-Anwendungen integriert sind
  • Automatisierte Bereitstellung von Lösungen mit AWS Cloud Development Kit (AWS CDK)
  • Hot-, Warm- und Cold-Storage-Ebenen
  • Ein Null-Vertrauens-Ansatz mit fein abgestuften attributbasierten Zugriffskontrollen (ABAC) und einer modernen Architektur für Identitäts-, Berechtigungs- und Zugriffsmanagement (ICAM)
  • Data Governance im großen Maßstab, sichere Identitätsaggregation und Datenzugriffsregelung auf Spalten-, Zeilen- und Zellenebene
  • Einsatz von Multi-Availability Zones (AZ) mit Elastic Load Balancers, um hohe Verfügbarkeit und Fehlertoleranz zu gewährleisten
  • Datenverschlüsselung im Ruhezustand und bei der Übertragung mit TLS und client-seitiger Verschlüsselung
  • Unterstützung von künstlicher Intelligenz und maschinellem Lernen zum Erstellen, Trainieren und Bereitstellen von ML-Modellen
  • Native Integration mit Google-Diensten, z. B. BigQuery, Dataproc Metastore und Data Catalog, sowie mit Open-Source-Tools wie Apache Spark und Presto
  • Datenexplorations-Workbench, Data Lineage, Datenqualität und Datenprofilierungsfunktionen
  • Datenorganisationsfunktionen (See, Zone, Asset-Setup)
  • Hochspezifische Zugriffskontrolle, einschließlich Kontrollen auf Zeilen- und Spaltenebene, Maskierung von Spaltendaten, um bestimmte Informationen für Benutzergruppen auszublenden, sowie die Möglichkeit, IAM-Berechtigungen zu konfigurieren und weiterzugeben
  • Generative, KI-gestützte Einblicke und semantische Metadatensuche zum Auffinden von Daten in der menschlichen Sprache
  • Integrierte Datenintelligenz, Geschäftsglossar und globale, facettierte Suche zur Automatisierung von Datenerkennung, Klassifizierung und Metadatenanreicherung

Starten Sie jetzt Ihr Data-Fabric-Projekt

Kontaktieren Sie uns

Entwickeln Sie eine robuste Data-Fabric-Lösung mit Itransition

Itransition bietet umfassende Datenmanagement-Services an und entwickelt kundenspezifische Lösungen für Datenintegration, -verwaltung, -speicherung, -analyse und -visualisierung, die Unternehmen dabei helfen, Daten für fundierte Geschäftsentscheidungen zu sammeln, zu verknüpfen und auf diese zuzugreifen.

Business intelligence

Business Intelligence

Wir liefern robuste Business-Intelligence-Lösungen, die es Unternehmen ermöglichen, verschiedene Arten von Unternehmensdaten zu konsolidieren und sie durch anpassbare Dashboards und rollenspezifische Berichte zu visualisieren.

Data Warehousing

Unsere Entwickler erstellen Data Warehouses und andere Speicherlösungen, um Daten zu integrieren und in einem konsistenten und organisierten Format für Abfragen und Analysen zu halten.

Datenanalyse

Wir liefern leistungsstarke Analyselösungen und integrieren diese in Ihre Geschäftsumgebung, damit Sie Unternehmensdaten analysieren, Was-wäre-wenn-Szenarien erstellen und kommende Trends vorhersagen können.

Datenverwaltung

Datenverwaltung

Wir unterstützen Unternehmen bei der Verwaltung von Daten während ihres gesamten Lebenszyklu. Dabei stellen wir ihre hohe Qualität sicher, migrieren, visualisieren, verwalten und schützen Datenbestände vor Cyberangriffen und Datenschutzverletzungen.

Optimieren Sie Datenintegration und -management mit Data Fabric

Optimieren Sie Datenintegration und -management mit Data Fabric

Das Data-Fabric-Konzept erweist sich als optimale Lösung für moderne datengesteuerte Unternehmen, da es ihnen die Verwaltung von Datenbeständen unabhängig von deren Größe, Art und Standort ermöglicht. Die Implementierung der Data-Fabric-Architektur ist jedoch ein zeit- und ressourcenaufwändiges Unterfangen, dessen Erfolg von der Reife Ihres Daten-Ökosystems, dem Umfang Ihrer Datenmanagement-Strategie sowie dem Ihnen zur Verfügung stehenden technischen Know-how abhängt.

Die Experten von Itransition stellen sicher, dass Ihr Data Fabric-Projekt reibungslos verläuft, indem sie den am besten geeigneten Technologie-Stack vorschlagen und die Data Fabric entsprechend Ihren Anforderungen implementieren, um die Datenintegration und -bereitstellung zu erweitern und zu automatisieren. Mit der von Itransition entwickelten Data Fabric können Sie Silos von Daten auflösen und den Datenzugriff demokratisieren, um eine ganzheitliche Sicht auf Ihre Unternehmensinformationen zu erhalten.

Suchen Sie einen vertrauenswürdigen Partner für das Datenmanagement?

Kontaktieren Sie uns

Häufig gestellte Fragen (FAQs)

Der Data Fabric-Ansatz ist eine Methode für Datenmanagement und Datenintegration, der Metadaten nutzt, um Datenpipelines, lokale, Cloud-, Hybrid- und Multi-Cloud-Umgebungen sowie Edge-Gerät-Plattformen zu integrieren und Daten unabhängig von ihrem Standort, Typ und Volumen anzuzeigen und zu verwalten.

Data Lakes und Data Warehouses sind Speicher-Repositories, die Daten aus verstreuten Quellen aufnehmen und integrieren. Sie unterscheiden sich durch die Art der Daten, die sie speichern. Ein Data Warehouse ist für strukturierte Daten konzipiert, während ein Data Lake unstrukturierte, halbstrukturierte und strukturierte Daten unterstützt. Dabei sind Data Fabric vs. Data Lake bzw. Data Fabric vs. Data Warehouse ist keine Entweder-oder-Entscheidungen. Eine Data Fabric ist ein umfassenderes Konzept für die Datenverwaltung und -integration, das unterschiedliche Datenquellen, einschließlich Data Lakes und Data Warehouses, miteinander verbindet, um eine einheitliche Sicht auf die Unternehmensdaten zu erhalten.

Datenvirtualisierung ist eine Technologie, die einer Data-Fabric-Lösung zugrunde liegt und eine Datenabstraktionsschicht schafft. Sie ermöglicht es der Data Fabric, die erforderlichen Metadaten zu integrieren, und den Nutzern, die Daten in Echtzeit anzuzeigen und mit ihnen zu interagieren, ohne sie physisch aus verschiedenen Quellen bewegen zu müssen. Durch die Datenvirtualisierung gewährleistet die Data Fabric eine umfassende Data Governance und Datensicherheit.

Ein Data-Fabric-Konzept setzt auf ein zentralisiertes Datenmanagement und bietet spezielle Funktionen, die einen zuverlässigen Datenzugriff, eine Konsolidierung, Speicherung und einen unternehmensweiten Datenaustausch ermöglichen. Bei einem Data Mesh hingegen liegt der Schwerpunkt auf dezentralem Eigentum, wobei die verschiedenen Geschäftsbereiche für das Hosting, die Vorbereitung und die Bereitstellung ihrer eigenen Datenprodukte verantwortlich sind und Entscheidungen auf der Grundlage dieser Daten und ihrer Bedürfnisse unabhängig treffen.

Kontakt

Vertrieb und allgemeine Anfragen

kontakt@itransition.com

Möchten Sie sich Itransition anschließen?

Jobs erkunden

Kontakt

Bitte beachten Sie, dass Ihre personenbezogenen Daten in Übereinstimmung mit unserer Datenschutzrichtlinie verarbeitet werden, wenn Sie auf die Schaltfläche 'Senden' klicken, damit Sie mit angemessenen Informationen versorgt werden.

Die Gesamtgröße der Anhänge sollte 10 MB nicht überschreiten.

Erlaubte Typen:

jpg

jpeg

png

gif

doc

docx

ppt

pptx

pdf

txt

rtf

odt

ods

odg

odp

xls

xlsx

xlxs

vcf

vcard

key

rar

zip

7z

gz

gzip

tar