Top 7 Open-Source-Vektordatenbanken: Faiss vs. Chroma

Da KI-Agenten und Modelle zunehmend auf die Abfrage hochdimensionaler Daten angewiesen sind, wird die Auswahl einer Open-Source-Vektordatenbank für den unternehmensweiten Einsatz entscheidend.

Wir haben die 7 besten Open-Source-Vektordatenbanken identifiziert und hinsichtlich Skalierbarkeit, Leistung und des Einsatzes von KI in der Praxis verglichen:

Auswahlkriterien

Um einen fokussierten Auswahlprozess zu gewährleisten und gleichzeitig den wichtigsten Anwendungsfällen für Vektordatenbanken zu entsprechen, haben wir folgende öffentlich überprüfbare Kriterien angewendet:

• Mehr als 10k GitHub-Sterne
• Mehr als 100 Mitwirkende

Hinweis: Alle Vektordatenbanken sollten ihre Lizenz angeben.

Top 7 analysierte Open-Source-Vektordatenbanken

Redis (Redis-Search und Redis-VSS)

Die breite Akzeptanz und die In-Memory-Architektur von Redis machen es gut geeignet für schnelle, groß angelegte Vektorsuchen, einschließlich hybrider Abfragen, die Vektoren mit Filtern kombinieren.

Es ist darauf ausgelegt, Ergebnisse bei hohen Volumina sofort zurückzugeben, was es zu einer geeigneten Wahl für hochdurchsatzfähige KI-Anwendungen wie Echtzeit-Empfehlungssysteme oder Chatbots macht, die latenzarme Ähnlichkeitsabfragen erfordern.

Zu den wichtigsten Funktionen gehören:

• In-Memory-Vektorsuche: Optimiert für die schnelle Suche nach Embeddings.
• Hybride Abfragen: Kombiniert Key-Value-Lookups mit Vektorsuche. Redis 8.4 hat einen neuen FT.HYBRID-Befehl eingeführt, der Volltext- und Vektorabfrageergebnisse über integrierte Score-Fusionsalgorithmen (einschließlich RRF und linearer Kombination) fusioniert.¹

Leistung/einzigartige Punkte:

• Ideal für Empfehlungssysteme und latenzarme KI-Anwendungen.

Abbildung 1: Redis VB Diagramm.²

Facebook AI Similarity Search (Faiss)

Faiss (von Facebook/Meta) ist eine auf Leistung optimierte Bibliothek. Es kann Milliarden von Vektoren verarbeiten und GPUs für die Suche nutzen, was schnelle Abfragegeschwindigkeiten ermöglicht.​

Es wird sowohl in der Wissenschaft als auch in der Industrie weit verbreitet für das Indexieren von Embeddings und die Suche nach nächsten Nachbarn im großen Maßstab eingesetzt. Faiss ist optimal für Projekte, die eine hocheffiziente Engine benötigen, die in ML/KI-Pipelines eingebettet ist (z. B. groß angelegte Bild- oder Textähnlichkeitssuchen)​

Hinweis: Faiss ist keine eigenständige Datenbank und verfügt nicht über Funktionen wie Persistenz oder Clustering. Es eignet sich am besten für Workloads, die auf reine Verarbeitungsgeschwindigkeit ausgelegt sind und bei denen externe Systeme die Datenspeicherung und -verwaltung übernehmen können.

Zu den wichtigsten Funktionen gehören:

• Vielseitige Ähnlichkeitssuche: Unterstützt mehrere Methoden für die Ähnlichkeitssuche in hochdimensionalen Räumen (L2-Euklidisch, Skalarprodukt und Kosinus für normalisierte Vektoren).
• Komprimierte Indizes: Bietet Binärvektor- und Quantisierungstechniken zur Komprimierung von Vektoren, was eine effiziente Speicherung bei minimalem Genauigkeitsverlust ermöglicht.
• Erweiterte Indexstrukturen: Implementiert verschiedene Indexstrukturen (z. B. HNSW, NSG) auf Basis von Rohvektoren, um die Suche nach nächsten Nachbarn in großen Datensätzen zu beschleunigen.
• GPU-Beschleunigung: Bietet GPU-Implementierungen, die CPU-Indizes ersetzen und Speicherübertragungen automatisch handhaben.

Leistung/einzigartige Punkte:

• Skalierbarkeit: Kann sehr große Sammlungen von Vektoren durchsuchen, indem On-Disk-Indizes unterstützt werden, einschließlich Datensätzen, die zu groß sind, um in RAM zu passen.
• Einsatz in der Produktion: Von Meta AI Research entwickelt, wird Faiss in der Produktion für groß angelegte Ähnlichkeitssuchen und Clustering-Aufgaben eingesetzt.
• Tuning-Tools: Wird mit Evaluierungs- und Parameter-Tuning-Tools aus der Box geliefert, was es sowohl für Forschungsexperimente als auch für Produktionseinsätze geeignet macht.

Milvus

Milvus ist eine Open-Source-Plattform mit industriellen KI-Anwendungen und einer aktiven Community. Sie konzentriert sich auf Produktionsumgebungen (z. B. große Empfehlungssysteme, Video-/Bildsuche oder jede KI-Workload, die massive Vektorkorpora verarbeitet), in denen ein Benutzer Indexierung und Fehlertoleranz benötigt.

Es bietet Unternehmensfunktionen (wie Replikation und Backups), was es für Big-Data-Anwendungsfälle gut geeignet macht.

Zu den wichtigsten Funktionen gehören:

• APIs für unstrukturierte Daten: Bietet eine Reihe von APIs und SDKs zur einfachen Verwaltung und Abfrage unstrukturierter Daten (Embeddings).
• Cloud-nativ & portabel: Bietet dank seiner Cloud-nativen Architektur eine konsistente Erfahrung in verschiedenen Umgebungen, z. B. auf einem Laptop, einem lokalen Cluster oder in der Cloud.
• Hohe Verfügbarkeit: Umfasst Replikation und Failover/Failback, um die Zuverlässigkeit für Produktionseinsätze zu gewährleisten.

Neueste Updates:

• Unterstützung für Sparse-Filterung: Die Suche kann Sparse-Filterbedingungen einschließen, sodass Milvus Filter während der Ausführung der Vektorsuche anwenden kann.
• Truncate API: Fügt eine API hinzu, um alle Daten in einer Sammlung schnell zu löschen, ohne die Sammlung selbst abzulegen.
• KMS/WAL-Sicherheitsverhalten: Wenn ein KMS-Schlüssel widerrufen wird, stoppt Milvus die Nutzung des WAL (Write-Ahead-Log) mit diesem Schlüssel, was die Sicherheit der verschlüsselten WAL-Verarbeitung stärkt und die weitere Verwendung widerrufener Schlüssel verhindert.
• Optimierung der Suche mit gemischter Genauigkeit: Milvus konvertiert FP32-Vektoren während der Suche automatisch in FP16/BF16, um Rechen- und Speicherkosten zu senken und den Durchsatz zu verbessern, ohne dass eine manuelle Konvertierung durch den Benutzer erforderlich ist.

Leistung/einzigartige Punkte:

• Benchmark-Geschwindigkeit: Milvus behauptet, Suchlatenzen im Millisekundenbereich selbst für Trillionen-Vektor-Sammlungen zu erreichen.³
• Aktives Ökosystem: Ein Graduiertenprojekt unter der LF AI & Data Foundation, was auf eine aktive Community und eine Governance-Struktur hinweist.

Abbildung 2: Milvus Architekturdiagramm⁴

Qdrant

Qdrant ist eine in Rust geschriebene Open-Source-Vektordatenbank, die für hohe Leistung und Echtzeit-Datenupdates entwickelt wurde. Es eignet sich gut für Anwendungen, die eine sofortige Ähnlichkeitssuche bei sich ständig ändernden Daten erfordern, wie z. B. Live-Empfehlungssysteme oder häufig aktualisierte KI-Dienste.

Qdrant unterstützt auch Filterung und geospatiale Suche. Es kann Payload-Metadaten zusammen mit Vektoren speichern und bedingte Filter auf Suchergebnisse anwenden, was für Anwendungen wie personalisierte Empfehlungen oder standortbasierte Suche hilfreich ist.

Es ist eine starke Wahl, wenn Sie eine Hochgeschwindigkeitsleistung im großen Maßstab sowie Echtzeit-Datenupdates in Machine-Learning-Anwendungen benötigen.

Zu den wichtigsten Funktionen gehören:

• Filterung: Unterstützt das Anhängen von JSON-Metadaten („Payload") an Vektoren und das Filtern von Suchergebnissen basierend auf diesen Feldern (z. B. Keyword-Übereinstimmungen, numerische Bereiche, Geolokalisierungsfilter).
• Hybride Vektorsuche: Kombiniert dichte Vektorsuche mit Sparse-Vektor-Methoden und integriert Keyword-Scoring neben der Vektor-Embedding-Ähnlichkeit.
• Vektorquantisierung: Bietet integrierte Quantisierungsoptionen zum Komprimieren von Vektoren im Speicher, was die RAM-Nutzung um bis zu 97% senkt.
• Verteilt: Unterstützt Sharding und Replikation für horizontale Skalierung sowie Funktionen wie Zero-Downtime-Rolling-Updates.
• Cluster-Management: Verwendet benutzerdefinierte Kubernetes-Labels.

Neueste Updates:

• Relevanz-Feedback: Fügt Unterstützung für Relevanz-Feedback-Mechanismen hinzu, die es Suchsystemen ermöglichen, das Ranking basierend auf Benutzer- oder Modell-Feedback anzupassen, um die Relevanz der Ergebnisse zu verbessern.
• Audit-Zugriffsprotokollierung: Führt Audit-Logging ein, um API-Operationen zu protokollieren, die Authentifizierung/Autorisierung erfordern, was nützlich ist, um Zugriffe und Änderungen für Sicherheit und Compliance nachzuverfolgen.
• Gewichtete RRF (Reciprocal Rank Fusion): Verbessert die RRF-Fusionsmethode, indem Benutzern ermöglicht wird, einzelnen Abfrageergebnislisten beim Kombinieren unterschiedliche Gewichte zuzuweisen, was die Fusionsqualität verbessert.

Leistung/einzigartige Punkte:

• Speichereffizienz: Die Quantisierungsfunktion reduziert die RAM-Nutzung erheblich und ermöglicht es, größere Datensätze aus dem Speicher zu bedienen.
• Integration: Bietet eine API (REST und gRPC) zur Verwaltung und Abfrage des Vektorspeichers.
• Neuronale Suche: Geeignet für semantische Suchanwendungen, bei denen Metadaten und Vektorähnlichkeit kombiniert werden müssen.

Abbildung 3: Überblick über die Architektur von Qdrant.⁵

PostgreSQL (pgvector-Erweiterung)

Die pgvector-Erweiterung bringt die Vektorähnlichkeitssuche nach PostgreSQL und ermöglicht es Teams, innerhalb des vertrauten Postgres-Ökosystems zu arbeiten. Es ist vorteilhaft, wenn Sie vermeiden möchten, eine separate Vektordatenbank bereitzustellen, z. B. wenn Sie einem bestehenden SQL-Datenbank einer Anwendung Vektorfunktionen für einige Millionen Embeddings hinzufügen.

PostgreSQL bietet eine grundlegende Vektorsuche neben traditionellen SQL-Abfragen in einem einzigen System. In der Praxis ist pgvector am effektivsten, wenn:

• Die Datenvolumen moderat sind.
• Die Integrationsvereinfachung wichtiger ist als die Erreichung der höchstmöglichen Leistung, die von spezialisierten Vektordatenbanken angeboten wird.

Zu den wichtigsten Funktionen gehören:

• Erweiterungsbasierte Vektorsuche: Verwendet pgvector, um die Vektorähnlichkeitssuche innerhalb von PostgreSQL zu ermöglichen.
• Indexierung für Geschwindigkeit: Unterstützt die approximative Suche nach nächsten Nachbarn auf IVF-Basis.
• Abfragen: Ermöglicht hybride Abfragen, die Vektorähnlichkeit mit SQL-Filtern mischen.
• Gängige Distanzmetriken: Unterstützt euklidische, Skalarprodukt- und Kosinusdistanz.

Leistung/einzigartige Punkte:

• Integration: Ermöglicht die Speicherung von Vektoren neben relationalen Daten.
• Akzeptanz: Kompatibel mit bestehenden PostgreSQL-Einrichtungen und Client-Bibliotheken.
• Exakte vs. approximative Suche: Bietet sowohl präzise als auch leistungsstarke Suchoptionen.

Chroma

Chroma ist eine Open-Source-Embedding-Datenbank, die leichtgewichtig und entwicklerfreundlich gestaltet ist. Es eignet sich gut für Anwendungsfälle wie Conversational-AI-Speicher, semantische Dokumentensuche und Empfehlungssysteme in der Frühphase.

Der Fokus auf Language-Embeddings und die Integration in Machine-Learning-Frameworks, einschließlich Tools wie LangChain und PyTorch-Pipelines, ermöglicht es Teams, einen Embedding-Speicher einzurichten und Ähnlichkeitsabfragen mit minimalem Aufwand durchzuführen.

Chroma eignet sich am besten für die schnelle Bereitstellung einer KI-gesteuerten Suche oder eines Frage-Antwort-Systems und dessen schrittweise Skalierung, anstatt Workloads zu unterstützen, die von Anfang an Milliarden von Vektoren erfordern.

Zu den wichtigsten Funktionen gehören:

• Embedding-Speicher & Metadaten: Entwickelt, um Embedding-Vektoren zusammen mit ihren Metadaten zu speichern, was die Organisation und den Abruf hochdimensionaler Daten ermöglicht.
• Integrierte Vektorgenerierung: Unterstützt das Embedding von Dokumenten und Abfragen (mit Integration in Modelle) und ermöglicht semantische Suche und Retrieval-Augmented-Generation-Anwendungsfälle.
• Ähnlichkeitssuche: Bietet optimierte Suche über Embeddings, um relevante Vektoren zu finden, und unterstützt hohen Durchsatz bei minimaler Latenz.
• LLM-Integration: KI-natives Design, das auf Anwendungen mit Large Language Models ausgerichtet ist und es ermöglicht, Wissen und Fakten einfach in LLM-Workflows einzubinden.

Neueste Updates:

• GroupBy (Analyseart gruppierte Abrufung): Ermöglicht das Gruppieren von Suchergebnissen nach Metadatenfeldern (z. B. Dokument, Kategorie) und die Rückgabe der Top-Ergebnisse pro Gruppe unter Verwendung von Aggregationsfunktionen (wie MinK/MaxK), um Ergebnisse zu diversifizieren und zu deduplizieren.
• Private Netzwerke (Unternehmensbereitstellung/Netzwerkisolierung): Bietet eine private Netzwerkanbindung an Chroma Cloud (über AWS PrivateLink oder GCP Private Service Connect), hält den Datenverkehr innerhalb Ihres VPC und vermeidet das öffentliche Internet, was die Sicherheit verbessert und Latenz/Kosten senkt.
• Metadaten-Arrays (reichhaltigere Metadatenmodellierung): Fügt Unterstützung für Arrays von Strings, Zahlen oder Booleschen Werten in Metadatenfeldern hinzu, was reichhaltigere mehrwertige Attribute (wie Tags oder Scores) und natives Array-Filtern mit contains()/not_contains() ermöglicht.

Leistung/einzigartige Punkte:

• KI-natives Design: Chromas Architektur ist auf KI-Anwendungen zugeschnitten und vereinfacht die Entwicklung von LLM-gesteuerten Apps durch einfache APIs und Integrationshaken.
• Leistung: Betont latenzarme Operationen über große Mengen von Embeddings, wie durch den Fokus auf „Geschwindigkeit" im Design hervorgehoben.
• Entwicklererfahrung: Priorisiert die Entwicklererfahrung mit einfacher Einrichtung und Nutzung, was zu seiner Akzeptanz beigetragen hat.

Weaviate

Weaviate ist eine Cloud-native Vektordatenbank, die einen Wissensgraphen und modulare Machine-Learning-Modelle integriert und kontextuelle semantische Abfragen über Vektordaten ermöglicht. Es eignet sich gut für die Unternehmenssuche, Fragenbeantwortung und andere Anwendungen, die KI-gestützte Erkenntnisse über komplexe Datensätze benötigen. Es funktioniert gut, wenn Text oder Bilder vektorisiert und mit strukturiertem Wissen verbunden werden.

Weaviate bietet GraphQL APIs, Echtzeitabfragen und Unterstützung für multimodale Daten, wie Text und Bilder. Dies macht es effektiv für den Aufbau semantischer Such- oder Empfehlungssysteme, die Beziehungen und Bedeutungen verstehen müssen.

Die Kombination aus Vektorsuche, Filterfunktionen und Wissensgraphen-Funktionen unterscheidet es von anderen Systemen. Es wird in der Industrie für Anwendungen wie genomische Suche, FAQ-Automatisierung und Content-Empfehlung eingesetzt, bei denen die kontextuelle Genauigkeit ebenso wichtig ist wie die Leistung.

Zu den wichtigsten Funktionen gehören:

• Vektorsuche: Behauptet, k-NN-Suchen auf Millionen von Objekten innerhalb weniger Millisekunden auszuführen.⁶
• Modulare Architektur: Erweiterbar durch Module, die mit ML-Modelldiensten (z. B. OpenAI, Cohere, HuggingFace) integriert sind.
• Hybride Suchfunktionen: Ermöglichen die Kombination von Vektorsuche mit Keyword-Filterung in derselben Abfrage.
• Produktionsreife Funktionen: Umfasst Clustering, Replikation, Authentifizierung und Sicherheitsfunktionen für Skalierbarkeit.

Leistung/einzigartige Punkte:

• Doppelsuche (semantisch + lexikalisch): Unterstützt sowohl Vektorähnlichkeit als auch symbolische (lexikalische) Suche in einer Engine.
• Plug-and-Play-ML-Integration: Ermöglicht die Vektorisierung von Text on-the-fly oder die Verwendung von bereits vektorisierten Daten.

Was ist eine Vektordatenbank?

Eine Vektordatenbank ist darauf ausgelegt, hochdimensionale Vektor-Embeddings zu speichern, zu indexieren und effizient abzurufen. Anstatt Informationen in traditionellen Tabellen und Zeilen zu organisieren, verwaltet sie Daten als numerische Vektoren, die verschiedene Datenpunkte repräsentieren.

Vektordatenbanken spielen eine Schlüsselrolle im Machine Learning, in KI-Systemen und bei Ähnlichkeitssuchanwendungen. Mit einer Vektordatenbank können Sie:

• Ähnliche Bilder oder Videos finden, auch als Reverse Research bekannt (z. B. Google Lens)
• Gesichts-Embeddings speichern und sie mit einer Abfrage für Authentifizierung oder Suche abgleichen (z. B. Apple Face ID)
• Objekte in Bildern/Videos identifizieren und relevante Übereinstimmungen finden

Wichtige Funktionen von Open-Source-Vektordatenbanken

Indexierung hochdimensionaler Vektoren

Speichert und indexiert Vektor-Embeddings (z. B. aus Text, Bildern oder Audio) für die Ähnlichkeitssuche.

Unterstützung der Ähnlichkeitssuche

Ermöglicht Vektorähnlichkeitsabfragen unter Verwendung von Distanzmetriken wie euklidisch, Kosinus und Skalarprodukt.

Skalierbarkeit für große Datensätze

Ist darauf ausgelegt, Millionen bis Billionen von Vektoren zu verarbeiten, oft durch verteilte oder geshardete Architekturen.

Fähigkeiten für hybride Abfragen

Kombiniert Vektorsuche mit strukturierten Filtern wie Keywords, Metadatenfeldern oder Geolokalisierung.

Erweiterbare APIs und Integrationen

Bietet REST, gRPC oder SDK-Unterstützung für die Einbettung in ML-Workflows und Vektorisierungspipelines.

GPU-Beschleunigung (in einigen Tools)

Bibliotheken wie Faiss bieten GPU-Unterstützung, um groß angelegte Ähnlichkeitssuchen zu beschleunigen.

Speicherung von Metadaten

Unterstützt das Anhängen strukturierter Metadaten (z. B. JSON-Payloads) an Vektoren für gefilterte oder kontextuelle Abrufe.

Vektorquantisierung und Komprimierung

Reduziert die Speichernutzung durch Techniken wie Produktquantisierung oder Binärcodierung.

Cloud-native Bereitstellungsoptionen

Viele Tools unterstützen containerisierte und orchestrierte Umgebungen (z. B. Docker, Kubernetes) mit Funktionen wie Replikation und Failover.

Offene Lizenzierung & Community-Beiträge

Unter Open-Source-Lizenzen veröffentlicht (z. B. Apache 2.0, MIT) mit aktiver GitHub-Entwicklung und transparenter Issue-Verfolgung.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Was sind Vektorsuche-Erweiterungen?

Vektorsuche-Erweiterungen fügen bestehenden Datenbanken, wie relationalen (SQL)- oder Key-Value-Stores, Vektorsuchfunktionen hinzu, ohne eine dedizierte Vektordatenbank zu erfordern. Diese Erweiterungen ermöglichen es Benutzern, Ähnlichkeitssuchen neben traditionellen Abfragen innerhalb derselben Datenbankumgebung durchzuführen.

Wichtige Funktionen von Vektorsuche-Erweiterungen:

• In bestehende Datenbanken eingebettet: Keine Notwendigkeit, eine separate Vektordatenbank einzuführen.
• Unterstützt strukturierte und Vektorabfragen: Ermöglicht die Kombination von vektorbasierter Ähnlichkeitssuche mit strukturierten Filtern, SQL-Joins und Metadaten-basierten Lookups.
• Nutzt bestehende Indexierungstechniken: Verwendet approximative Suche nach nächsten Nachbarn (ANN) innerhalb relationaler Datenspeicherung.
• Am besten für hybride Anwendungen: Ideal für die Hinzufügung von KI-gestützter Suche zu bestehenden Unternehmensdatenbanken.

FAQs

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{Top 7 Open-Source-Vektordatenbanken: Faiss vs. Chroma}},
  year   = {2026},
  month  = feb,
  howpublished    = {\url{https://aimultiple.com/open-source-vector-databases}},
  note   = {AIMultiple. Abgerufen am 27. Februar 2026}
}

Referenzlinks

1.

Revamping context-oriented retrieval with hybrid search in Redis 8.4 | Redis

2.

With Redis Enterprise’s Vector Database, Superlinked is Revolutionizing Personalization

3.

Scalable and Blazing Fast Similarity Search with Milvus Vector Database - Milvus Blog

4.

What is Qdrant? - Qdrant

5.

Vector Search Explained | Weaviate

6.

Vector Search Explained | Weaviate

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 55 % der Fortune 500. Cems Arbeit wurde von führenden globalen Publikationen wie Business Insider, Forbes und der Washington Post, von globalen Unternehmen wie Deloitte und HPE sowie von NGOs wie dem Weltwirtschaftsforum und supranationalen Organisationen wie der Europäischen Kommission zitiert. Weitere namhafte Unternehmen und Ressourcen, die AIMultiple referenziert haben, finden Sie hier. Im Laufe seiner Karriere war Cem als Technologieberater, Technologieeinkäufer und Technologieunternehmer tätig. Über ein Jahrzehnt lang beriet er Unternehmen bei McKinsey & Company und Altman Solon in ihren Technologieentscheidungen. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung. Bei einem Telekommunikationsunternehmen leitete er die Technologiestrategie und -beschaffung und berichtete direkt an den CEO. Darüber hinaus verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von null auf einen siebenstelligen jährlichen wiederkehrenden Umsatz und eine neunstellige Unternehmensbewertung kam. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider gewürdigt. Er ist ein gefragter Redner auf internationalen Technologiekonferenzen. Cem absolvierte sein Studium der Informatik an der Bogazici-Universität und besitzt einen MBA der Columbia Business School.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten