Zum Inhalt
Frau bei der Analyse von Daten

Was ist ein Data Warehouse?

Ein Data Warehouse (DW) ist ein digitales Speichersystem, das große Datenmengen aus vielen verschiedenen Quellen miteinander verbindet und harmonisiert. Ziel ist es, Business Intelligence (BI), Berichterstellung und Analysen zu unterstützen und gesetzliche Anforderungen zu erfüllen, damit Unternehmen ihre Daten in Erkenntnisse umwandeln und intelligente, datengestützte Entscheidungen treffen können. Data Warehouses speichern aktuelle und historische Daten an einem Ort und dienen als zentrale Datenquelle für ein Unternehmen.

 

In ein Data Warehouse fließen Daten aus operativen Systemen (wie ERP und CRM), Datenbanken und externen Quellen wie Partnersystemen, IoT-Geräten (Internet of Things), Wetter-Apps und sozialen Medien ein – normalerweise in regelmäßigen Abständen. Das Aufkommen von Cloud Computing hat die Landschaft verändert. In den letzten Jahren haben sich die Orte der Datenspeicherung von der herkömmlichen On-Premise-Infrastruktur auf mehrere Standorte verlagert, darunter On-Premise, private Cloud und öffentliche Cloud.

 

Moderne Data Warehouses sind für die Verarbeitung strukturierter und unstrukturierter Daten wie Videos, Bilddateien und Sensordaten ausgelegt. Einige nutzen integrierte Analysen und In-Memory-Datenbanktechnologie (bei der der Datensatz im Computerspeicher und nicht auf der Festplatte gespeichert wird), um einen Echtzeitzugriff auf vertrauenswürdige Daten zu ermöglichen und die Entscheidungsfindung zu unterstützen. Ohne Data Warehousing ist es sehr schwierig, Daten aus heterogenen Quellen zu kombinieren, sicherzustellen, dass sie im richtigen Format für Analysen vorliegen, und sowohl einen aktuellen als auch einen langfristigen Überblick über die Daten zu gewinnen.

Was ist ein Data Warehouse?

Was ist ein Data Warehouse?

Vorteile von Data Warehousing

Ein gut konzipiertes Data Warehouse ist die Grundlage für jedes erfolgreiche BI- oder Analyseprogramm. Seine Hauptaufgabe besteht in der Erstellung von Berichten, Dashboards und Analysetools, die für Unternehmen heutzutage unverzichtbar geworden sind. Ein Data Warehouse liefert die Informationen für Ihre datengestützten Entscheidungen – und hilft Ihnen, die richtigen Optionen zu wählen, von der Entwicklung neuer Produkte bis hin zu den Lagerbeständen. Die Vorteile eines Data Warehouse sind vielfältig. Hier nur einige Beispiele: 

  • Bessere Geschäftsanalysen: Mit Data Warehousing können Entscheidungsträger auf Daten aus verschiedenen Quellen zugreifen und müssen nicht mehr auf Basis unvollständiger Informationen entscheiden.  
  • Schnellere Abfragen: Data Warehouses sind speziell für den schnellen Datenabruf und die schnelle Analyse konzipiert. Mit einem Data Warehouse können Sie sehr zügig große Mengen konsolidierter Daten abfragen – mit wenig bis gar keiner Unterstützung durch die IT.  
  • Verbesserte Datenqualität: Vor dem Laden in das Data Warehouse werden vom System Datenbereinigungsfälle erstellt und in einen Arbeitsvorrat für die weitere Verarbeitung aufgenommen. Das stellt sicher, dass die Daten in ein konsistentes Format umgewandelt werden, um Analysen – und Entscheidungen – auf der Grundlage qualitativ hochwertiger, genauer Daten zu unterstützen.
  • Historische Erkenntnisse: Durch die Speicherung umfangreicher historischer Daten ermöglicht ein Data Warehouse den Entscheidungsträgern, aus vergangenen Trends und Herausforderungen zu lernen, Vorhersagen zu treffen und kontinuierliche Geschäftsverbesserungen vorzunehmen.

Screenshot eines Data Warehouse mit Darstellung der Datenherkunft

Was kann ein Data Warehouse speichern?

Als Data Warehouses in den späten 1980er-Jahren populär wurden, waren sie für die Speicherung von Informationen über Personen, Produkte und Transaktionen konzipiert. Diese Daten – die so genannten strukturierten Daten – wurden übersichtlich organisiert und für einen einfachen Zugriff formatiert. Doch schon bald wollten Unternehmen auch unstrukturierte Daten wie Dokumente, Bilder, Videos, E-Mails, Beiträge in sozialen Medien und Rohdaten von Maschinensensoren speichern, abrufen und analysieren.

 

Ein modernes Data Warehouse kann sowohl strukturierte als auch unstrukturierte Daten aufnehmen. Durch die Zusammenführung dieser Datentypen und das Aufbrechen von Silos zwischen ihnen erhalten Unternehmen ein vollständiges und umfassendes Bild und gewinnen so wertvolle Erkenntnisse.

Einige Schlüsselbegriffe

In der Welt der Data Warehouses gibt es eine Vielzahl von Begriffen, mit denen Sie vertraut sein sollten. Hier sind einige der wichtigsten. Weitere Begriffe und FAQs finden Sie in unserem Glossar.

 

Data Warehouse und Datenbank

 

Datenbanken und Data Warehouses sind beides Datenspeichersysteme; sie dienen jedoch unterschiedlichen Zwecken. Eine Datenbank speichert Daten in der Regel für einen bestimmten Geschäftsbereich. Ein Data Warehouse speichert aktuelle und historische Daten für das gesamte Unternehmen und dient als Grundlage für BI und Analysen. Data Warehouses verwenden einen Datenbankserver, um Daten aus den Datenbanken eines Unternehmens zu beziehen. Sie verfügen über zusätzliche Funktionen für die Datenmodellierung, die Verwaltung des Datenlebenszyklus, die Integration von Datenquellen und mehr.

 

Data Warehouse und Data Lake

 

Sowohl Data Warehouses als auch Data Lakes dienen der Speicherung von Big Data. Es handelt sich jedoch um sehr unterschiedliche Speichersysteme. In einem Data Warehouse werden Daten gespeichert, die für einen bestimmten Zweck formatiert wurden, während Daten in einem Data Lake in ihrem rohen, unverarbeiteten Zustand gespeichert werden, deren Zweck noch nicht definiert ist. Data Warehouses und Data Lakes ergänzen sich oft gegenseitig. Wenn beispielsweise in einem Data Lake gespeicherte Rohdaten zur Beantwortung einer geschäftlichen Frage benötigt werden, können sie extrahiert, bereinigt, umgewandelt und in einem Data Warehouse zur Analyse verwendet werden. Das Datenvolumen, die Datenbankleistung und die Speicherpreise spielen eine wichtige Rolle bei der Auswahl der richtigen Speicherlösung.

Vergleich Data Warehouse und Data Lake

Diagramm eines Data Warehouse im Vergleich zu einem Data Lake

Data Warehouse und Data Mart 

 

Ein Data Mart ist ein Teilbereich eines Data Warehouse, der speziell für eine Abteilung oder einen Geschäftsbereich – wie Vertrieb, Marketing oder Finanzen – abgetrennt ist. Einige Data Marts werden auch für eigenständige operative Zwecke erstellt. Während ein Data Warehouse als zentraler Datenspeicher für ein ganzes Unternehmen dient, stellt ein Data Mart relevante Daten für eine ausgewählte Gruppe von Anwendern bereit. Dies vereinfacht den Datenzugriff, beschleunigt die Analyse und gibt ihnen die Kontrolle über ihre eigenen Daten. In einem Data Warehouse werden oft mehrere Data Marts eingerichtet.

Vergleich Data Warehouse und Data Mart

Darstellung und Funktionsweise eines Data Mart

Was sind die wichtigsten Komponenten eines Data Warehouse?

Ein typisches Data Warehouse besteht aus vier Hauptkomponenten: einer zentralen Datenbank, ETL-Tools (Extrahieren, Transformieren, Laden), Metadaten und Zugriffstools. Alle diese Komponenten sind auf Schnelligkeit ausgelegt, damit Sie zügig Ergebnisse erhalten und Daten im Handumdrehen analysieren können.

Komponenten des Data Warehouse

Darstellung der Komponenten eines Data Warehouse

  1. Zentrale Datenbank: Eine Datenbank bildet die Grundlage für Ihr Data Warehouse. In der Regel handelt es sich dabei um relationale Standarddatenbanken, die on-premise oder in der Cloud betrieben werden. Durch Big Data, den Bedarf an wirklicher Echtzeitleistung und eine drastische Senkung der Kosten für Arbeitsspeicher gewinnen In-Memory-Datenbanken jedoch rasant an Popularität.
  2. Datenintegration: Die Daten werden aus den Quellsystemen abgerufen und modifiziert, um die Informationen für eine schnelle analytische Nutzung mithilfe einer Vielzahl von Datenintegrationsansätzen wie ETL (Extrahieren, Transformieren, Laden) und ELT sowie Echtzeitdatenreplikation, Massenladeverarbeitung, Datentransformation und Datenqualitäts- und ‑anreicherungsdienste abzustimmen.
  3. Metadaten: Metadaten sind Daten über Ihre Daten. Sie spezifizieren die Quelle, die Verwendung, die Werte und andere Merkmale der Datensätze in Ihrem Data Warehouse. Es gibt geschäftliche Metadaten, die Ihren Daten einen zusätzlichen Kontext verleihen, und technische Metadaten, die den Datenzugriff beschreiben – einschließlich des Speicherorts und der Struktur der Daten.
  4. Tools für den Zugriff auf das Data Warehouse: Mit Zugriffstools können die Anwendern mit den Daten in Ihrem Data Warehouse interagieren. Beispiele für Zugriffstools sind Abfrage- und Berichtstools, Anwendungsentwicklungstools, Data-Mining-Tools und OLAP-Tools.

Data-Warehouse-Architektur

In der Vergangenheit wurden Data Warehouses in Schichten betrieben, die dem Fluss der Geschäftsdaten entsprachen.

Darstellung der Data-Warehouse-Architektur

Darstellung der Data-Warehouse-Architektur: Ein typisches Data Warehouse umfasst die drei oben genannten Schichten. Moderne Data Warehouses kombinieren heute OLTP und OLAP in einem einzigen System.

 

  • Datenschicht: Die Daten werden aus Ihren Quellen extrahiert und dann mithilfe von ETL-Tools umgewandelt und in die unterste Schicht geladen. Diese besteht aus Ihrem Datenbankserver, Data Marts und Data Lakes. In dieser Schicht werden Metadaten erstellt – und Datenintegrationstools wie Datenvirtualisierung eingesetzt, um Daten nahtlos zu kombinieren und zu aggregieren.
  • Semantische Schicht: In der mittleren Schicht strukturieren OLAP (Online Analytical Processing)- und OLTP (Online Transactional Processing)-Server die Daten für schnelle, komplexe Abfragen und Analysen um.
  • Analytische Schicht: Die oberste Schicht ist die Frontend-Client-Schicht. Sie enthält die Data-Warehouse-Zugriffstools, mit denen Anwender mit Daten interagieren, Dashboards und Berichte erstellen, KPIs überwachen, Daten auswerten und analysieren, Anwendungen erstellen und vieles mehr. Diese Schicht umfasst häufig eine Workbench oder einen Sandbox-Bereich für die Datenauswertung und die Entwicklung neuer Datenmodelle.

 

Data Warehouses sind für die Unterstützung der Entscheidungsfindung konzipiert und wurden in erster Linie von IT-Teams erstellt und gepflegt. In den letzten Jahren haben sie sich jedoch weiterentwickelt. Sie geben Fachanwendern die Möglichkeit, auf die Daten zuzugreifen und verwertbare Erkenntnisse zu gewinnen. Hier einige der wichtigsten Data-Warehousing-Funktionen, die Fachanwendern die Arbeit erleichtern:

  1. Die semantische oder geschäftliche Schicht, die Ausdrücke in natürlicher Sprache bereitstellt und es jedem Benutzer ermöglicht, Daten sofort zu verstehen, Beziehungen zwischen Elementen im Datenmodell zu definieren und Datenfelder mit neuen Geschäftsinformationen anzureichern.
  2. Durch virtuelle Arbeitsbereiche können Teams Datenmodelle und ‑verbindungen an einem gesicherten und kontrollierten Ort zusammenführen und so die Zusammenarbeit mit Kollegen durch einen gemeinsamen Bereich und einen gemeinsamen Datensatz verbessern.
  3. Die Cloud hat die Entscheidungsfindung weiter verbessert, indem sie den Mitarbeitern weltweit eine Vielzahl von Werkzeugen und Funktionen bietet, mit denen sie Datenanalyseaufgaben leicht durchführen können. Sie können neue Anwendungen und Datenquellen ohne nennenswerte IT-Unterstützung miteinander in Beziehung setzen.

    Jetzt starten

    Testen Sie noch heute unser Cloud Data Warehouse.

    Die sieben wichtigsten Vorteile eines Cloud Data Warehouse

    Cloudbasierte Data Warehouses erfreuen sich wachsender Beliebtheit – aus gutem Grund. Diese modernen Data Warehouses bieten gegenüber herkömmlichen On-Premise-Lösungen mehrere Vorteile. Hier sind die sieben wichtigsten Vorteile eines Cloud Data Warehouse:  

    1. Schnelle Bereitstellung: Mit Cloud Data Warehousing können Sie mit wenigen Klicks nahezu unbegrenzte Rechenleistung und Datenspeicherung beziehen – und Sie können Ihr eigenes Data Warehouse sowie Data Marts und Sandboxes von überall aus in wenigen Minuten erstellen.
    2. Niedrige Gesamtbetriebskosten (TCO): Die Preismodelle für Data-Warehouse-as-a-Service (DWaaS) sind so gestaltet, dass Sie nur für die Ressourcen zahlen, die Sie benötigen, wenn Sie sie brauchen. Sie müssen Ihren langfristigen Bedarf nicht prognostizieren oder über das Jahr hinweg für mehr Rechenleistung als nötig bezahlen. Sie können auch Vorabkosten wie teure Hardware, Serverräume und Wartungspersonal vermeiden. Die Trennung der Preise für Speicher und Datenverarbeitung eröffnet Ihnen eine weitere Möglichkeit, die Kosten zu senken.
    3. Elastizität: Mit einem Cloud Data Warehouse können Sie die Datenmenge bedarfsgerecht dynamisch erhöhen oder verringern. Die Cloud bietet eine virtualisierte, hochgradig verteilte Umgebung, die riesige Datenmengen verwalten kann, die nach oben und unten skaliert werden können.
    4. Sicherheit und Disaster-Recovery: In vielen Fällen bieten Cloud Data Warehouses sogar eine höhere Datensicherheit und stärkere Verschlüsselung als On-Premise-Data Warehouses. Das Risiko eines Datenverlusts wird minimiert, da die Daten automatisch dupliziert und gesichert werden.
    5. Echtzeittechnologien: Cloud Data Warehouses, die auf In-Memory-Datenbanktechnologie aufbauen, können extrem schnelle Datenverarbeitungsgeschwindigkeiten bieten und so Echtzeitdaten zur umgehenden Situationserkennung liefern.
    6. Neue Technologien: Cloud Data Warehouses ermöglichen Ihnen die einfache Integration neuer Technologien wie maschinelles Lernen. Damit erhalten Fachanwender eine geführte Erfahrung und helfen bei Entscheidungen beispielsweise in Form von empfohlenen Fragen.
    7. Unterstützung von Fachanwendern: Cloud Data Warehouses unterstützen Mitarbeiter gleichberechtigt und weltweit mit einer einzigen Sicht auf Daten aus zahlreichen Quellen und einer Vielzahl von Tools und Funktionen zur einfachen Durchführung von Datenanalyseaufgaben. Sie können neue Anwendungen und Datenquellen ohne Hilfe der IT miteinander in Beziehung setzen.

    Data Warehousing unterstützt umfassende Analysen der Unternehmensausgaben nach Abteilung, Lieferanten, Region und Status, um nur einige zu nennen.

    Best Practices für Data Warehousing

    Wenn Sie ein neues Data Warehouse aufbauen oder einem bestehenden Warehouse neue Anwendungen hinzufügen, gibt es bewährte Schritte, um Ihre Ziele zu erreichen und gleichzeitig Zeit und Geld zu sparen. Einige sind auf die geschäftliche Nutzung ausgerichtet, andere Praktiken sind Teil Ihres gesamten IT-Programms. Die folgende Liste ist eine gute Ausgangsbasis. Im Laufe der Zusammenarbeit werden Sie mit Ihren Technologie- und Servicepartnern weitere Best Practices kennenlernen. 

    Geschäftliche Best Practices

    • Definieren Sie die benötigten Informationen. Sobald Sie Ihre anfänglichen Anforderungen gut kennen, können Sie nach den Datenquellen suchen, die diese erfüllen. Handelsgruppen, Kunden und Lieferanten haben oftmals Datenempfehlungen für Sie. 
    • Dokumentieren Sie Ort, Struktur und Qualität Ihrer aktuellen Daten. Anschließend können Sie Datenlücken und Geschäftsregeln für die Transformation der Daten ermitteln, um die Anforderungen Ihres Data Warehouse zu erfüllen.
    • Stellen Sie ein Team zusammen. Das schließt Projektpaten auf Vorstandsebene, Manager und Mitarbeiter ein, die die Informationen verwenden und bereitstellen werden. Ermitteln Sie zum Beispiel die Standardberichte und ‑kennzahlen, die sie für ihre Arbeit benötigen.
    • Setzen Sie Prioritäten für Ihre Data-Warehousing-Anwendungen. Wählen Sie ein oder zwei Pilotprojekte aus, die realistische Anforderungen und einen guten geschäftlichen Nutzen haben. 
    • Wählen Sie einen starken Data-Warehouse-Technologiepartner. Er muss über die Services und Erfahrungen verfügen, die für die Umsetzung Ihrer Projekte erforderlich sind. Vergewissern Sie sich, dass er Ihre Bereitstellungsanforderungen unterstützt, einschließlich Cloud-Services und On-Premise-Optionen. 
    • Entwickeln Sie einen soliden Projektplan. Arbeiten Sie mit Ihrem Team an einem realistischen Konzept und Zeitplan, der die Kommunikation und die Statusberichte unterstützt. 

    Best Practices für die IT

    • Überwachen Sie Leistung und Sicherheit. Die Informationen in Ihrem Data Warehouse sind wertvoll. Aber sie müssen auch leicht zugänglich sein, damit Sie dem Unternehmen einen Mehrwert bieten. Überwachen Sie die Systemnutzung sorgfältig, um ein hohes Leistungsniveau sicherzustellen. 
    • Pflegen Sie Standards für Datenqualität, Metadaten, Struktur und Governance. Neue Quellen wertvoller Daten stehen routinemäßig zur Verfügung, aber sie erfordern eine konsistente Verwaltung als Teil eines Data Warehouse. Befolgen Sie Verfahren zur Datenbereinigung, zur Definition von Metadaten und zur Einhaltung von Governance-Standards.
    • Stellen Sie eine agile Architektur bereit. Mit zunehmender Nutzung durch Ihr Unternehmen und Ihre Geschäftsbereiche werden Sie eine breite Palette von Data-Mart- und Warehouse-Anforderungen feststellen. Eine flexible Plattform unterstützt diese viel besser als ein begrenztes, restriktives Produkt. 
    • Automatisieren Sie Prozesse wie die Wartung. Neben dem Mehrwert für die Business Intelligence kann maschinelles Lernen die technischen Verwaltungsfunktionen des Data Warehouse automatisieren, um die Geschwindigkeit aufrechtzuerhalten und die Betriebskosten zu senken. 
    • Nutzen Sie die Cloud strategisch. Geschäftsbereiche und Abteilungen haben unterschiedliche Anforderungen an die Bereitstellung. Verwenden Sie bei Bedarf On-Premise-Systeme und setzen Sie auf Cloud Data Warehouses, um Skalierbarkeit, geringere Kosten und den Zugriff per Smartphone und Tablet zu sichern.  

    Zusammenfassung

    Moderne Data Warehouses und zunehmend auch Cloud Data Warehouses werden für Muttergesellschaften und deren Geschäftsbereiche ein wichtiger Bestandteil jeder Initiative zur digitalen Transformation sein. Sie profitieren von aktuellen Unternehmenssystemen, insbesondere wenn Sie Daten aus mehreren internen Systemen mit neuen, wichtigen Informationen von externen Organisationen kombinieren. 

     

    Dashboards, KPIs, Warnungen und Berichte unterstützen die Anforderungen der Geschäftsleitung, des Managements und der Mitarbeiter sowie wichtige Kunden- und Lieferantenanforderungen. Data Warehouses bieten außerdem eine schnelle, komplexe Datenauswertung und ‑analyse, ohne die Leistung anderer Unternehmenssysteme zu beeinträchtigen. 

     

    Mit der Flexibilität, klein anzufangen und je nach Bedarf zu wachsen, können sowohl die Unternehmenszentrale als auch die Geschäftsbereiche mit moderner Data-Warehouse-Technologie die Entscheidungsfindung beschleunigen und die Leistung des Unternehmens verbessern.

    Data-Warehouse-Lösung von SAP kennenlernen

    Nutzen Sie einheitliche Daten und Analysen für fundierte Entscheidungen in der Cloud.

    Mehr aus dieser Reihe

    Data-Warehouse-Glossar

    Ein Data Lake ist ein Ort, an dem alle Arten von Big Data gespeichert werden, egal ob es sich um strukturierte Daten aus Geschäftsanwendungen oder unstrukturierte Daten aus mobilen Apps, sozialen Medien oder von IoT-Geräten (Internet der Dinge) handelt. Da die Daten in ihrem natürlichen Format – strukturiert, unstrukturiert, halbstrukturiert oder binär – gespeichert werden, kann eine Konvertierung, Normalisierung oder andere Verarbeitung erforderlich sein, um Analysen über mehrere Datentypen hinweg zu ermöglichen. Die meisten Data Lakes sind cloudbasiert, da sie große Datenmengen speichern, Hochgeschwindigkeitsverbindungen zu verteilten Quellen benötigen und skalierbar sein müssen.

    ETL steht für „Extrahieren, Transformieren und Laden“. Zusammen bilden diese Aktivitäten den Prozess, mit dem Daten aus der Quelle in ein nutzbares Format umgewandelt werden – und um sie dann in ein Data Warehouse oder einen anderen Datenspeicher zu übertragen. ETL ist besonders nützlich für Transaktionsdaten, aber fortschrittlichere Tools können auch mit einer Vielzahl von unstrukturierten Datentypen umgehen.

    Ein Data Mart ist ein unterteiltes Segment eines Data Warehouse, das auf einen bestimmten Geschäftsbereich oder ein bestimmtes Team ausgerichtet ist, z. B. Finanzen oder Marketing. Data Marts erleichtern den Abteilungen den schnellen Zugriff auf die für sie relevanten Daten und Erkenntnisse sowie die Kontrolle ihrer eigenen Datensätze innerhalb des größeren Datenspeichers.

    Datenmodelle sind ein grundlegendes Element der Softwareentwicklung und Datenanalyse. Ein Datenmodell beschreibt, wie die Daten strukturiert sind und in welcher Form die Daten in der Datenbank gespeichert werden. Es bietet einen Rahmen für die Beziehungen zwischen den Datenelementen innerhalb einer Datenbank sowie einen Leitfaden für die Verwendung der Daten.

     

    Datenmodellierung ist der Prozess der Erstellung von Datenmodellen. Bei der Erstellung einer Datenbank- oder Data-Warehouse-Struktur beginnt der Designer mit einem Diagramm, das den Datenfluss in und aus der Datenbank oder dem Data Warehouse darstellt. Anhand dieses Flussdiagramms werden die Merkmale der Datenformate, Strukturen und Datenbankverarbeitungsfunktionen definiert, um so die Anforderungen an den Datenfluss effizient zu unterstützen. Die Modellierung bietet eine standardisierte Methode zur Definition und Formatierung von Datenbankinhalten konsistent über alle Systeme hinweg, sodass verschiedene Anwendungen dieselben Daten gemeinsam nutzen können. 

    Ein Enterprise Data Warehouse (EDW) speichert alle aktuellen und historischen Geschäftsdaten an einem Ort – der Inbegriff von Stammdatenmanagement, Data Warehousing und einer Datenstrategie, die auf einem ganzheitlichen Ansatz zur Datenverwaltung basiert. EDWs dienen als willkommene Umgebung für Analysesoftware und die Pflege von präzisen, unternehmensweiten Kennzahlen und Berichten. Viele EDWs sind cloudbasiert, um Skalierbarkeit, Zugriff und Benutzerfreundlichkeit zu gewährleisten.

    SAP-Insights-Newsletter

    Jetzt abonnieren

    Abonnieren Sie unseren Newsletter und erhalten Sie wichtige Informationen und Einblicke.

    Weitere Informationen

    Zum Seitenanfang