settings
OTEX_BIGISTQB®
Süddeutsche Zeitung Institut Auszeichnung
Image
Alle KI Schulungen

Schulung KI-gestützter FinOps-Engineer: FinOps-Automatisierung 2026 als Operator

Wer mit KI arbeiten kann, braucht kein Lexikongedächtnis

3 Tage / S7010
Neues Seminar
Per E-Mail senden

Schulungsformen

Inhouse-/Firmenschulung

  • 3 Tage - anpassbar
  • Termin nach Wunsch
  • In Ihrem Hause oder bei der GFU
  • Preis nach Angebot
  • Lernumgebung in der Cloud
  • Inhalte werden auf Wunsch an die Anforderungen Ihres Teams angepasst.
Präsenz Online Hybrid
Unverbindlich anfragen

Individualschulung

  • 3 Tage - anpassbar
  • Termin nach Wunsch
  • In Ihrem Hause oder bei der GFU
  • Preis nach Angebot
  • Lernumgebung in der Cloud
  • 1 Teilnehmender = Fokus aufs Fachliche und maximaler Raum für individuelle Fragen.
Präsenz Online Hybrid
Unverbindlich anfragen

Beschreibung

FinOps Foundation® und FCE® (FinOps Certified Engineer) sind eingetragene Marken der FinOps Foundation (Teil der Linux Foundation). Dieses Seminar ist nicht akkreditiert und führt nicht zu einer offiziellen FCE-Zertifizierung.
FinOps-Engineering ist 2026 die technische Schwester-Disziplin der FinOps-Praxis. Während FinOps-Operatoren die kulturelle und prozessuale Steuerung übernehmen, bauen FinOps-Engineers die technische Infrastruktur und Automation für skalierbare Cloud-Kosten-Steuerung. Klassische FCE-Vorbereitungen behandeln FinOps-Engineering-Konzepte - die operative KI-Werkzeug-Disziplin (Code-Generierung für Cost-APIs, Pipeline-Design mit KI, Datenanalyse mit Code Interpreter) ist aber in klassischen Schulungen nicht systematisch integriert.
Was 2026 zählt, ist der messbare FinOps-Engineering-Output : Automatisierungs-Quote, Time-to-Optimization-Implementation, Pipeline-Verfügbarkeit, Daten-Frische. Ein FinOps-Engineer mit KI-Werkzeug-Disziplin liefert oft deutlich mehr als Kollegen ohne diese Werkzeuge. Dieses Drei-Tage-Seminar vermittelt FinOps-Engineering-Praxis konsequent operator-orientiert mit Multi-Cloud-Bezug und klarem KI-Werkzeug-Fokus.

Noch mehr KI Wissen erhalten Sie auch in unseren weiteren KI Trainings.

Schulungsziel

Jede teilnehmende Person verlässt das Seminar mit einem strukturierten Verständnis der FinOps-Engineering-Realität 2026 als Operator, der Beherrschung von Cloud Cost-APIs mit Multi-Cloud-Daten-Integration, der Routine in FOCUS-Datenmodellen und Data-Pipeline-Architekturen, der Praxis in Infrastructure as Code für Cost Optimization, der Beherrschung von Tagging-Automation und Compliance-Workflows, der Routine in Right-Sizing- und Optimization-Automation, der Praxis in Commitment-Automation und Kubernetes-FinOps-Engineering, der Beherrschung von Anomaly-Pipelines und Automated Alerting, der Routine in Forecasting- und Reporting-Automation, dem Werkzeug KI-Governance im FinOps-Engineering-Kontext und einer persönlichen 90-Tage-Operator-Roadmap mit messbaren Output-Zielen - einsetzbar im eigenen FinOps-Engineering-Alltag ab dem ersten Arbeitstag nach dem Seminar.

Details

Inhalt

Tag 1: Operator-Mindset, Cost-APIs, Datenmodelle
1. FinOps-Engineer 2026 als Operator
  • Ziele und Erwartungen der Teilnehmenden
    • Klärung individueller Lernziele und Erwartungen für ein praxisnahes und relevantes Seminar
  • FinOps-Engineering-Rolle: technische Automation der FinOps-Disziplin, Brücke zwischen Engineering und Finance.
  • Abgrenzung FinOps-Engineer vs. FinOps-Operator/Practitioner: technische Tiefe vs. kulturelle Steuerung.
  • Force Multiplier: ein FinOps-Engineer mit KI-Werkzeugen liefert oft deutlich mehr als Kollegen ohne diese Werkzeuge.
  • Output-Disziplin: Automatisierungs-Quote, Time-to-Optimization-Implementation, Pipeline-Verfügbarkeit, Daten-Frische als persönliche KPIs.
  • Anti-Patterns: Tool-Bastler-Mentalität ohne Datenmodell-Disziplin, Pipeline-Wildwuchs, blinde KI-Code-Anwendung ohne Review.
  • Praxis-Übung: Eigene FinOps-Engineering-Bestandsaufnahme - aktuelle Automatisierungs-Realität benennen, drei kritische Automation-Lücken identifizieren, KI-Hebel skizzieren.
2. Cloud Cost-APIs und Billing-Daten-Integration
  • AWS Cost-APIs: Cost Explorer API, Cost and Usage Report API, AWS Budgets API.
  • Azure Cost-APIs: Cost Management API, Consumption API, Reservation Recommendations API.
  • GCP Cost-APIs: Cloud Billing API, Cloud Resource Manager API, BigQuery Billing Exports.
  • Multi-Cloud-Daten-Aggregation: Patterns für einheitliche Datenmodelle.
  • Authentication und Authorization: Service Accounts, Managed Identities, IAM Roles für Cost-APIs.
  • KI-Use-Cases: API-Client-Code-Generierung, Authentication-Workflow-Designs.
  • Werkzeuge: GitHub Copilot, ChatGPT für API-Integrationen, Claude für komplexe Architektur-Diskussionen.
  • Praxis-Übung: API-Integrations-Übung mit KI - ein Python-Skript zur Abfrage von Cost-Daten aus AWS Cost Explorer mit KI-Unterstützung schreiben, in geschützter Lab-Umgebung testen.
3. FOCUS-Datenmodell und Cost-Data-Standardisierung
  • FOCUS (FinOps Open Cost and Usage Specification) als emerging Standard für einheitliche Cost-Daten.
  • FOCUS-Spalten-Schema: BilledCost, EffectiveCost, ListUnitPrice, BillingPeriod, UsageQuantity, ProviderName, ServiceCategory.
  • Cloud-Provider-Mapping nach FOCUS: AWS CUR zu FOCUS, Azure zu FOCUS, GCP zu FOCUS.
  • Datenqualitäts-Disziplin: Vollständigkeit, Konsistenz, Aktualität.
  • FOCUS-Anwendungen: einheitliche Multi-Cloud-Reports, kompatible Tool-Integration.
  • KI-Use-Cases: FOCUS-Mapping-Skripte, Schema-Transformation, Daten-Validierung.
  • Praxis-Übung: FOCUS-Übung mit KI - ein Beispiel-Cloud-Billing-Datensatz mit KI-Unterstützung in FOCUS-Schema transformieren, Validierungs-Checks formulieren.
4. Data-Lake und Cost-Data-Warehouse-Architekturen
  • Cost-Data-Pipeline-Patterns: Extract-Transform-Load (ETL) vs. Extract-Load-Transform (ELT).
  • Storage-Optionen: AWS S3 mit Athena, Azure Data Lake mit Synapse, Google BigQuery für native Billing-Exports.
  • Datenmodell-Patterns: Star Schema, Data Vault, Wide Tables für Analytics.
  • dbt (data build tool) für Cost-Data-Transformation.
  • Streaming vs. Batch: für FinOps meist Batch ausreichend (täglich).
  • KI-Use-Cases: ETL-Skript-Generierung, dbt-Modell-Entwürfe, SQL-Query-Optimierung.
  • Werkzeuge: GitHub Copilot, ChatGPT für SQL und dbt, Claude für Daten-Architektur.
  • Praxis-Übung: Data-Pipeline-Übung mit KI - für eine Multi-Cloud-FOCUS-Datenpipeline ein Architektur-Diagramm mit Mermaid und einen dbt-Modell-Entwurf mit KI-Unterstützung erstellen.
Tag 2: Infrastructure as Code, Tagging-Automation, Optimization-Workflows
5. Infrastructure as Code für Cost Optimization
  • IaC-Grundlagen für FinOps: Terraform, Pulumi, AWS CloudFormation, Azure Bicep.
  • Cost-aware IaC-Patterns: Resource Tagging in IaC-Code, Right-Sized Defaults, Commitment-Integration.
  • Terraform-Provider für Cost-Management: AWS Provider für Cost Anomaly Detection und Budgets, Azure Provider für Cost Management.
  • Cost-Estimation in CI/CD: Infracost als Open-Source-Tool für Cost-Preview in Pull Requests.
  • Policy as Code für Cost: OPA (Open Policy Agent), Sentinel, Checkov für Cost-Policies.
  • KI-Use-Cases: Terraform-Code-Generierung mit Cost-Bewusstsein, Policy-Code-Entwürfe, Cost-Estimation-Workflows.
  • Praxis-Übung: IaC-Übung mit KI - ein Terraform-Modul für eine Cost-Anomaly-Detection-Konfiguration mit KI generieren, Infracost-Integration in GitHub Actions skizzieren.
6. Tagging-Automation und Compliance-Workflows
  • Automatisierte Tagging-Workflows: AWS Resource Tagging API, Azure Resource Tags, GCP Labels über APIs.
  • Tag-Compliance-Checking: AWS Config Rules, Azure Policy, GCP Organization Policies.
  • Untagged-Resources-Workflows: automatische Detection, Owner-Notification, Remediation.
  • Tag-Enforcement in CI/CD: Pull-Request-Checks für IaC-Code.
  • Cost-Allocation-Automation: Mapping zwischen Cloud-Tags und Business-Strukturen automatisieren.
  • KI-Use-Cases: Tag-Compliance-Skripte, Tagging-Strategie-Generierung, Allocation-Mapping-Code.
  • Praxis-Übung: Tagging-Automation-Übung mit KI - ein Python-Skript zur Identifikation untagged Resources mit KI-Unterstützung schreiben, Notification-Workflow skizzieren.
7. Right-Sizing- und Optimization-Automation
  • Right-Sizing-Workflow-Automation: regelmässige Empfehlungs-Pipelines mit AWS Compute Optimizer, Azure Advisor, GCP Recommender API.
  • Optimization-Approval-Workflows: Empfehlung, Review, Approval, Execution.
  • Spot-Instance-Automation: AWS Spot Fleet, Azure Spot VMs, GCP Spot VMs in Workload-Scheduling.
  • Auto-Scaling für Cost-Optimierung: Karpenter für Kubernetes, native Cloud-Autoscaler.
  • Storage-Lifecycle-Automation: S3 Lifecycle Policies, Azure Blob Lifecycle Management, GCP Object Lifecycle.
  • KI-Use-Cases: Optimization-Workflow-Code, Approval-Pipeline-Designs, Scheduler-Konfigurationen.
  • Praxis-Übung: Optimization-Automation-Übung mit KI - ein Right-Sizing-Workflow mit Recommendations-API, Approval-Schritt und Execution-Automation mit KI entwerfen.
8. Commitment-Automation und Discount-Management
  • Reserved-Instance-Portfolio-Management: Auslastung tracken, Coverage-Ratios berechnen.
  • Automated Savings Plans-Empfehlungen: AWS Savings Plans Recommendations API.
  • Spot-Instance-Workflow-Automation: Interruption-Handling, Mixed Instance Policies, Spot Diversification.
  • Third-Party-Tools für Commitment-Automation: ProsperOps, Spot.io für vollautomatisches Commitment-Management.
  • Marketplace- und Private-Offer-Tracking: Vertrags-Lifecycle-Management.
  • KI-Use-Cases: Commitment-Analyse-Code, Coverage-Calculation-Skripte, Discount-Tracking-Workflows.
  • Praxis-Übung: Commitment-Übung mit KI - ein Python-Skript zur Berechnung der Reserved-Instance-Coverage über drei AWS-Regions mit KI-Unterstützung schreiben.
9. Kubernetes-FinOps-Engineering
  • Kubecost und OpenCost als FinOps-Engineering-Standard.
  • Cost-Allocation in Kubernetes: Namespace-, Pod-, Label-basierte Allocation.
  • Cluster-Autoscaling: Karpenter mit Cost-aware Scheduling, KEDA für event-driven Scaling.
  • Right-Sizing für Pods: Vertical Pod Autoscaler (VPA), Goldilocks für VPA-Empfehlungen.
  • GitOps-Integration für FinOps: Argo CD und Flux für Cost-Policy-Enforcement.
  • KI-Use-Cases: Kubernetes-Manifest-Generierung mit Resource Limits, HPA-/VPA-Konfigurationen, Karpenter-NodePool-Designs.
  • Praxis-Übung: Kubernetes-FinOps-Übung mit KI - ein Helm-Chart-Snippet mit Cost-aware Defaults (Resource Limits, HPA) für eine Beispiel-Anwendung mit KI generieren.
Tag 3: Anomaly, Forecasting, Reporting, KI-Governance
10. Anomaly-Pipelines und Automated Alerting
  • Anomaly-Pipeline-Architektur: Daten-Ingestion, Anomaly-Detection-Engine, Alert-Routing, Incident-Workflow.
  • Native Anomaly-Detection: AWS Cost Anomaly Detection, Azure Cost Anomaly Alerts, GCP Budget Alerts.
  • Custom Anomaly-Detection: statistische Methoden (Z-Score, IQR), Machine-Learning-Modelle (Isolation Forest, Prophet, ARIMA).
  • Alert-Routing: PagerDuty, Opsgenie, Slack, Microsoft Teams; Stakeholder-spezifisches Routing.
  • Incident-Response-Automation: SOAR-Plattformen für Cost-Incident-Workflows.
  • KI-Use-Cases: Anomaly-Detection-Modell-Code, Alert-Routing-Workflows, Incident-Triage-Automation.
  • Praxis-Übung: Anomaly-Pipeline-Übung mit KI - ein Python-Skript mit einfacher Z-Score-basierter Anomaly Detection für Cost-Daten mit KI-Unterstützung schreiben, Alert-Workflow skizzieren.
11. Forecasting- und Reporting-Automation
  • Forecasting-Modelle: lineare Regression, Saisonalitäts-Modelle (Prophet von Meta), ARIMA, ML-basierte Forecasts.
  • Forecast-Pipelines: regelmässige Updates, Variance-Tracking, Confidence-Intervalle.
  • Reporting-Automation: regelmässige Reports an Stakeholder via Microsoft Power BI, Tableau, Looker, Grafana.
  • Embedded-BI-Patterns: FinOps-Dashboards in Engineering-Plattformen integrieren (Backstage, Port, Cortex).
  • Notebook-basiertes Reporting: Jupyter, Databricks, Hex für Ad-hoc-Analysen.
  • KI-Use-Cases: Forecasting-Modell-Code mit Prophet, Dashboard-Definitionen, Stakeholder-Report-Generierung.
  • Werkzeuge: ChatGPT mit Code Interpreter für Forecasting, GitHub Copilot für Dashboard-Code, Microsoft Copilot in Power BI.
  • Praxis-Übung: Forecasting-Übung mit KI - ein Python-Skript mit Prophet-basiertem Forecast für Cost-Daten mit KI-Unterstützung schreiben, Confidence-Intervalle visualisieren.
12. KI-Governance und persönliche Operator-Roadmap
  • KI-Governance im FinOps-Engineering-Bereich: welche KI-Tools, mit welchem Code, mit welchen Daten, von wem.
  • Vertraulichkeits-Disziplin: keine sensiblen Geschäftsdaten oder Cost-Strategien in unbekannte KI-Tools; selbstgehostete Modelle als Alternative.
  • DSGVO und KI: personenbezogene Daten in Cost-Allocation-Kontexten besonders sensibel.
  • EU-AI-Act seit 2. August 2026: Transparenz-Pflichten, Pflicht-Schulung gemäss Art. 4.
  • Code-Generierung mit KI: Review-Disziplin, Security-Checks, IP-Klärung bei generiertem Code.
  • Persönlicher KI-Werkzeug-Stack für FinOps-Engineers: drei Werkzeuge mit konkreter Anwendung (z.B. GitHub Copilot in IDE, ChatGPT mit Code Interpreter für Daten-Analyse, Claude für Architektur-Diskussionen).
  • Karriere-Pfade: vom FinOps-Engineer zum Senior FinOps-Engineer, Lead FinOps-Engineer, FinOps-Platform-Architect.
  • Lernpfad nach diesem Seminar: KI-gestützter AI-FinOps-Operator (NEU, in Vorbereitung), KI-gestützter FinOps-Operator (NEU, 3T), KI-gestützter Kubernetes-Administrator (NEU, 3T), KI-gestützter DevOps-Engineer (NEU, 2T), formale FCE-Zertifizierung bei Bedarf.
  • Praxis-Übung: Persönliche 90-Tage-Operator-Roadmap als FinOps-Engineer - aktuelle Position, Zielposition in 12 Monaten, drei Lern-Schwerpunkte, drei Werkzeuge im KI-Stack, ein messbares Output-Ziel pro Monat (Automatisierungs-Quote, Pipeline-Verfügbarkeit, Daten-Frische), Sparring-Buddy aus dem Seminar.

  • Cloud-Engineers und DevOps-Engineers mit Cost-Engineering-Verantwortung: Die FinOps-Automation aufbauen wollen.
  • Platform-Engineers und SREs mit FinOps-Mandat: Die FinOps-Workflows in ihre Plattform integrieren.
  • FinOps-Operatoren mit Engineering-Hintergrund: Die ihre Praxis um technische Tiefe erweitern.
  • Quereinsteiger aus Cloud-Engineering in FinOps-Engineering-Rollen: Die pragmatisch in FinOps-Automation einsteigen wollen.
Voraussetzungen: Solide Cloud-Engineering-Kenntnisse (AWS, Azure oder GCP). Erfahrung mit Infrastructure as Code (Terraform, Pulumi, CloudFormation oder Bicep). Grundkenntnisse einer Programmiersprache (Python, Go, TypeScript). Erste Berührung mit KI-Tools hilfreich. Idealerweise vorheriger Besuch des KI-gestützten FinOps-Operator oder vergleichbare FinOps-Erfahrung.
Abgrenzung: Vermittelt FinOps-Engineering-Praxis mit KI-Werkzeug-Disziplin - nicht offizielle FCE-Zertifizierungs-Vorbereitung (dafür: akkreditierte Linux-Foundation-Schulungen), nicht FinOps-Foundation-Schulung (dafür: KI-gestützter FinOps-Operator), nicht reine Hersteller-Schulung zu AWS Cost Explorer, Azure Cost Management oder GCP Billing. Das FinOps-Framework ist öffentlich über die FinOps Foundation verfügbar. Fokussiert auf die operative FinOps-Automation und das technische FinOps-Engineering mit konsequentem KI-Werkzeug-Fokus.


In Präsenz
Online
Lernmethode

Ausgewogene Mischung aus Theorie und Praxis

Wie auch bei unseren Präsenz-Seminaren: Ausgewogene Mischung aus Theorie und praktischen Übungen. Trainer durchgehend präsent.

Unterlagen

Seminarunterlagen oder Fachbuch inklusive. Das Fachbuch wählt der Trainer passend zum Seminar aus - Ihren individuellen Buch-Wunsch berücksichtigen wir auf Nachfrage gerne.

Seminarunterlagen oder Fachbuch inklusive (via DHL). Das Fachbuch wählt der Trainer passend zum Seminar aus - Ihren individuellen Buch-Wunsch berücksichtigen wir auf Nachfrage gerne.

Arbeitsplatz
  • PC/VMs für alle Teilnehmenden
  • Hochwertige und performante Hardware
  • Große, höhenverstellbare Bildschirme
  • Zugang zu Ihrem Firmennetz erlaubt
  • 86-90 Zoll Bildschirm für perfekte Präsentationen in jedem Schulungsraum
  • Online Meeting + Remote Zugriff auf persönlichen GFU-Schulungs-PC
  • Keine Installation auf dem eigenem PC notwendig
Lernumgebung

Neu aufgesetzte Remote-Systeme für jeden Kurs in Abstimmung mit dem Seminarleiter, sodass Sie über ein perfektes Setup für die Durchführung aller praktischen Übungen verfügen.

Arbeitsmaterialien

Din A4 Block, Notizblock, Kugelschreiber, USB-Stick, Textmarker, Post-its

Teilnahmezertifikat

Nach Abschluss des Seminars erhalten Sie das Teilnahmezertifikat inkl. Inhaltsverzeichnis per E-Mail als PDF.


In Präsenz
Online
Teilnehmendenzahl

min. 1, max. 8 Personen

Garantierte Durchführung *

Ab 1 Teilnehmenden

Schulungszeiten
3 Tage, 09:00 - 16:00 Uhr
Ort der Schulung
GFU Schulungszentrum oder Virtual Classroom
GFU Schulungszentrum
Am Grauen Stein 27
51105 Köln-Deutz

oder online im Virtual Classroom oder europaweit bei Ihnen als Inhouse-Schulung

Um ein optimales Raumklima zu gewährleisten, haben wir das Schulungszentrum mit 17 hochmodernen Trotec TAC V+ Luftreinigern ausgestattet. Diese innovative Filtertechnologie (H14 zertifiziert nach DIN EN1822) sorgt dafür, dass die Raumluft mehrfach pro Stunde umgewälzt wird und Schadstoffe zu 99.995% im HEPA-Filter abgeschieden und infektiöse Aerosole abgetötet werden.

Zusätzlich sind alle Räume mit CO2-Ampeln ausgestattet, um jederzeit eine hervorragende Luftqualität sicherzustellen.

Räumlichkeiten

Helle und modern ausgestattete Räume mit perfekter Infrastruktur

Bequem aus dem Homeoffice von überall

All-Inclusive

Frühstück, Snacks und Getränke ganztägig, Mittagessen im eigenen Restaurant, täglich 6 Menüs, auch vegetarisch

Eine Auswahl unserer Frühstücks-Snacks und Nervennahrungs-Highlights senden wir Ihnen mit den Seminarunterlagen via DHL zu.
Barrierefreiheit

Das GFU-Schulungszentrum (Am Grauen Stein 27) ist barrierefrei

-

In Präsenz
Online
  • Eigener Shuttle-Service
  • Reservierte Parkplätze
  • Hotelreservierung
  • Technik-Sofort-Support

Buchungsmöglichkeiten

Online oder in Präsenz teilnehmen

Sie können sowohl Online als auch in Präsenz am Seminar teilnehmen. Klicken Sie bei Ihrer Buchung oder Anfrage einfach die entsprechende Option an.

Mehr Infos
Inhouse-/Firmenschulung
  • Lernumgebung in der Cloud
  • Inhalte werden auf Wunsch an die Anforderungen Ihres Teams angepasst.
Präsenz Online Hybrid
Unverbindlich anfragen
Individualschulung
  • Lernumgebung in der Cloud
  • 1 Teilnehmender = Fokus aufs Fachliche und maximaler Raum für individuelle Fragen.
Präsenz Online Hybrid
Unverbindlich anfragen

So haben GFU-Kunden gestimmt

Zu diesem Seminar wurden noch keine Bewertungen abgegeben.

FAQ für Inhouse Schulungen

Bei einer offenen Schulung stehen Ort und Termin vorab fest. Jeder Interessent kann eine offene Schulung buchen, daher treffen Teilnehmer aus verschiedenen Unternehmen aufeinander.

Inhouse Schulungen können auf Ihren individuellen Schulungsbedarf zugeschnitten werden. Sie bestimmen den Teilnehmerkreis, Termin und Schulungsort.

Bei einer Inhouse Schulung gehen wir auf die individuellen Bedürfnisse Ihres Unternehmens ein und decken den Schulungsbedarf direkt bei Ihnen im Unternehmen ab.

Das spart Zeit und Geld und sorgt für einen schnellen Wissenstransfer Ihrer Mitarbeiter.

Eine komplette Lernumgebung in der Cloud mit Remote Zugriff ist für uns selbstverständlich. Sie müssen sich um nichts kümmern. Lediglich ein funktionierender PC oder Notebook mit Internetanschluss sollte für jeden Teilnehmer am Schulungstag bereit stehen.

  • Kompetente Seminarberatung
  • Dozenten aus der Praxis
  • Auf Ihre Bedürfnisse zugeschnittener individueller Lernstoff
  • Sie können den Termin flexibel gestalten, so wie es für Sie am besten passt
  • Unsere Inhouse Schulungen können Europaweit durchgeführt werden
  • Der Fokus liegt auf Ihrem Schulungsbedarf, somit schonen Sie Ihr Budget
  • Wissenslücken Ihrer Mitarbeitet werden schnell geschlossen

Verwandte Seminare

aegallianzaxaElement 1deutsche-bankdeutsche-postlufthansamercedessonyzdf
160.798
Teilnehmende
4.775
Seminarthemen
39.217
Durchgeführte Seminare