Cabinet de recrutement en Analytics et Data Science

DIE HERAUSFORDERUNGEN DES WANDELS DURCH DATA UND DIE TALENTE, DIE IHN VORANBRINGEN

Interview mit Benoît Binachon, Gründer von Uman Partners, für die Veröffentlichung des BIG-DATA-GUIDE 2016/2017.

 

Was hat sie zur Gründung von Uman Partners veranlasst?

Wir haben Uman Partners auf zwei wichtigen Achsen gegründet: Erstens die Rekrutierung im Databereich, aus Freude an der Sache, und weil es sich um ein interessantes berufliches Fachgebiet handelt und die Unternehmen einen echten Bedarf haben. Es war aber auch der Wille, Data und Quantitatives in unseren Arbeitsprozess zu integrieren. Unser Ansatz zur Unterscheidung der Kandidaten ist somit sehr „data driven“. Unser Ziel bei Uman Partners ist es, unseren Kunden bei der Rekrutierung für alle leitenden Berufe in Verbindung mit Big Data, mit Data Science und mit Machine Learning zu helfen. Wir rekrutieren nur wenige klassische quantitativen Profile, stattdessen Data Scientist Seniors, Leiter der Data Science, Chief Data Scientists…

 

Für welche Art von Job-Profilen werden Sie am meisten angefragt?

Wir rekrutieren drei Arten von Profilen: die ersten und am häufigsten gefragten Profile beziehen sich auf die reine Data Science, das sind wissenschaftliche Kernberufe sowie technische Berufe der Big Data und der Big Data Architektur; häufig vermischen die Profile sich. Es gibt Leute mit einem starken Bezug zur Data Science und einem geringen zu Data und umgekehrt. Hauptbedürfnis ist in der Tat der Aufbau von Technik und Wissenschaft, die Unternehmen rekrutieren zunächst den Chief Data Scientist und erst dann die Personen, die das Projekt organisieren.

Zum zweiten Suchprofil gehören die Benutzer und Vermittler der Data Science, also Consultants, die sich darauf verstehen, die beide Sprache sprechen, die der Data Science und die des Geschäfts: Dies sind Projektmanager, die Data-Initiativen für das Marketing, das Risikomanagement, der Betrugsbekämpfung, die Consumer insights oder die Produktion usw. leiten.

Es handelt sich um Personen, die in der Lage sind, den Bedarf eines Business Managers für seinen Bereich zu verstehen.

 

Von Seiten der Industrieunternehmen und Unternehmen allgemein ist eine Tendenz festzustellen, der Rekrutierung von Projektleitern mit Data Expertise wenig Bedeutung beizumessen Die Unternehmen sind sich nicht bewusst, wie wichtig eine Data-Sensibilität für die Projektmanager und Senior-Berater ist. Aber es ist sicherlich möglich, einen Data Science Projektleiter auszubilden, der die erforderliche grundlegende Sensibilität hierfür aufweist. Eine Person, die in ihrer Laufbahn nicht direkt mit Data Science in Verbindung gekommen ist, wird diese Position ausfüllen können, wenn sie in der Lage ist, die Einsatzfälle zu erkennen, die mit den verfügbaren Data Science Instrumenten gelöst werden können, und wenn sie sich die Kultur dieser Tools zu eigen macht. Man findet Leute mit Abschluss in Politikwissenschaften, die dazu in der Lage sind, reine Mathematiker sind weniger geeignet.

Schließlich fragt man uns für Positionen an, die eine starke Aufgeschlossenheit für Data verlangen, zum Beispiel Leiter Client Marketing, Leiter Consumer Insight, Leiter Industrial Management. Heute verlangt man beispielsweise vom Kundendienstleiter, ein Callcenter mit einem sehr quantitativen Ansatz zu managen. Auch von einem Leiter Consumer Insight im Kosmetikbereich wird verlangt, dass er in der Lage ist, Prognosen und Vorgaben für die Schaffung eines Parfums oder einer Schönheitscreme einzuführen. Denn es kostet viel Geld, Versuche durchzuführen und Produkte zu entwickeln, ohne eine Vorstellung davon zu haben, ob das Produkt bei einer Zielgruppe ankommt. Data verschafft einen großen Vorsprung in den Geschäftsfunktionen. Von diesen Angestellten verlangt man nicht, dass sie Data Scientists sind. Sie müssen nur ein Verständnis davon zu haben, was man mit welchen Instrumenten erreichen kann, sie müssen aufmerksam sein und die ganze technische Bandbreite benutzen. Für diese letzten Berufsgruppen stellt man in Frankreich einen echten Rückstand fest, insbesondere auch im Verhältnis zu den USA, wo mehr „data driven“ Jobs entstanden sind. Für diese Positionen gibt es in Frankreich natürlich weniger Bedarf, aber auch weniger Kandidaten, und von daher ein großes Problem, Kandidaten mit echter Data-Erfahrung haben.

Wie wird Big Data in das Unternehmensmanagement integriert?

In Frankreich stellt man bei den Geschäftsleitungen eine verstärkte Digitalisierung fest. Die Digitalisierung fließt beim Vorstand ein. Das ist nicht unbedingt störend, weil Data ein Instrument der Digitalisierung ist.

Allerdings gibt es viele digitale Initiativen, die Data nicht berücksichtigen, was völlig abwegig ist: „Digitale Aktivität ohne Data-Aktivität, das ist wie die Konstruktion eines Autos ohne Motor“, und es ist regelmäßig zu beobachten, dass ein IT-Leiter oder ein Chief Digital Officer für Data keinerlei Aufgeschlossenheit zeigt. Das schafft viel Frustration und Misserfolge.

Ebenso gibt es in Frankreich im Gegensatz zu den USA noch sehr wenige Chief Data Officers. Es ist die Rolle des Chief Data Officers, alle Geschäftsführungspositionen gut zu verstehen: den des Marketingmanagers, des Finanzmanagers, der R&D, der Supply-Chain usw. Er muss ein Schwamm sein, um die gesamte Bandbreite der Data, den Bedarf seines Unternehmens und das gesamte für seine Bedarfe zur verfügung stehende Angebot zum Thema Data Bedarfe zu verstehen.

Trotz seiner wichtigen Rolle ist es nicht unbedingt entscheidend, dass ein Chief Data Officer das Projekt organisiert, sondern, dass Data eine der Prioritäten des Vorstands des Unternehmens ist.



Chief Data Officer: Ein neu entstehender Beruf in Frankreich

Die Rolle des CDO (Chief Data Officer) ist in Frankreich häufig auf einen IT- oder BI-Ansatz beschränkt. Dieser besteht darin, „den Entscheidern die Daten zur Verfügung zu stellen“. Das ist ein guter Anfang, aber die Rolle des CDO kann wesentlich weiter gehen: Sie reicht von der Business-Problematik und den erwarteten Insights über die zur Verfügung stehenden Daten zur Data Science und den notwendigen Algorithmen, die eine Antwort auf die Problemstellung sind, bis hin zur Lieferung von nicht nur Daten, sondern auch Aktionsplänen und Instrumenten für die Entscheider.
Die Rolle des CDO (Chief Data Officer) ist in Frankreich häufig auf einen IT- oder BI-Ansatz beschränkt. Dieser besteht darin, „den Entscheidern die Daten zur Verfügung zu stellen“. Das ist ein guter Anfang, aber die Rolle des CDO kann wesentlich weiter gehen: Sie reicht von der Business-Problematik und den erwarteten Insights über die zur Verfügung stehenden Daten zur Data Science und den notwendigen Algorithmen, die eine Antwort auf die Problemstellung sind, bis hin zur Lieferung von nicht nur Daten, sondern auch Aktionsplänen und Instrumenten für die Entscheider.

Der CDO eines großen Konzerns ist ein strategischer Ansprechpartner der Geschäftsleitung; er muss sich intensiv mit Data Science und Big Data beschäftig en, sich gut im Change Mangement auskennen und eine ziemlich umfassende Vision bezüglich der veränderbaren „Businessthemen“ haben. Und er verfügt über ein Team!

Ein Chief Data Officer muss im wirklich im Zentrum der strategischen Überlegungen stehen, benötigt Entscheidungsbefugnis und entsprechende Mittel. Von daher muss er Mitglied des Vorstands sein. In Frankreich wurden Chief Digital Officers rekrutiert, die nicht wirklich in der Lage sind, Data-Themen zu behandeln. Der Vorstand versteht sie im Allgemeinen nicht und dadurch entsteht eine sehr große Frustration. Es ist von grundlegender Bedeutung, dass die Data-Initiativen bis zur höchsten Ebene gehen.

Daher sucht der Chief Data Officer für jedes Businessmanagement nach Themen, das mit Analytics geregelt werden kann und koordiniert die Erstellung der Architektur für die Industrialisierung der Prozesse – von der Sammlung von Daten bis zur Lieferung der Empfehlungen an die Geschäftsleitung. Seine Aufgabe ist es, den „analytischen Betrieb“, der die vorhandenen Daten bestmöglich verwaltet, in Gang zu bringen und dann zu managen.

Der Chief Data Officer muss bereit sein, die für die vom Vorstand mitgeteilten Bedarfe geeigneten Instrumente zu besorgen, aber er muss auch in der Lage sein, den Bedarf eines Vorstandsmitglieds zu wecken, weil er eine neue Technologie entdeckt hat, die dem entsprechen kann. Er muss ständig die verschiedenen Business Manager befragen, den Finanzmanager, den Marketingmanager usw. Es handelt sich um einen ständigen Innovationskreislauf zwischen den Bedarfen, die ihm von außen angetragen werden und den internen Bedarfen, die der CDO benennen muss.

Viele Unternehmen, bis hin zu den größten, verfügen über Daten, deren Potenzial ganz außerordentlich ist. Aber diese Informationen sind verstreut und wenig mobil, so dass dieser Wert nicht genutzt wird. Die technischen Mittel sind jedoch heute vollständig virtualisierbar, es sind sehr wenige Infrastrukturen am Standort notwendig, es braucht allein die grauen Zellen und die mobilisierende Energie eines CDO und seines Teams.

Und, wie gesagt, für den Erfolg seiner Mission braucht der CDO ein Team. Die Data-Kultur der Unternehmen ist noch nicht hinreichend entwickelt, als dass er seine Aufgabe allein durchführen könnte. Der CDO muss sein Data Lab haben, „seine Armee“ mit einem Chief Data Scientist, Data Scientists, Projektleitern, Big-Data-Architekten. Ein CDO braucht ein Labor, um Projekte zu testen, und mindestens eine Person mit sehr gutem wissenschaftlichen Hintergrund für die Lektüre von Veröffentlichungen. Dies ist nicht die Rolle des CDO, der dafür zu „senior“ ist. Der CDO wird sein Data Lab aufbauen, um den Wandel zu steuern.

Auch ein nur dem Marketing gewidmetes Data Lab kann eine echte Schwäche sein. Data Science im Marketing ohne Berücksichtigung der Risiken, die zum Beispiel aus dem Finanzsektor resultieren, kann suboptimal sein. Data ist ein Spezialgebiet, das viele Querverbindungen erfordert.


 

Wie schaffen es Ihre Kunden, angesichts sehr attraktiver Giganten wie Facebook oder Google noch attraktiv für die Data-Science- und Big-Data-Profis zu bleiben, die es immer seltener gibt?

Google oder Facebook werden eher die wissenschaftlichen Profile anziehen, die zum Beispiel auf die Einstufung oder Indexierung von Videos spezialisiert sind. Es handelt sich letztlich um Jobs mit einem ziemlich eng umrissenen Aufgabengebiet für reine Computernerds.

Wenn wir unsere Kunden zum Beispiel bei der Einführung eines Data Lab begleiten, handelt es sich um ein echtes Projekt zum Wandel des Unternehmens. Für die Banken, die Telefonanbieter und die Versicherer geht es darum, ein Team mit einem sehr weitgespannten Aufgabengebiet aufzubauen. Die wissenschaftlichen Herausforderungen sind sehr speziell, aber es gibt auch menschliche Belange, die Begriffe des Wandels und des Managements.

Als Axa sein Data Innovation Lab startete, ging es darum, die gesamte Ablaufkette umzuwandeln, von der Erfassung des Schadens, den Schadensdaten bis zu einer Handlung des Kundenberaters in einem Callcenter. Genauso gibt es bei einem Telefonanbieter den Anwendungsfall, dass dem Callcenter-Agent eine sehr präzise Anweisung auf seinem Bildschirm angezeigt wird, die eine auf den Kunden am Telefon anzuwendende Maßnahme vorschreibt. Dies setzt im Vorfeld Data Science voraus, genauso wie rechtliche Fragen zu den verwertbaren Daten, Informatik, möglicherweise Verhandlungen mit der Gewerkschaft, weil man die Arbeitsweise verändert, und Schulungen, weil dies Auswirkungen auf die Maßnahmen der Telefonberater hat, die den Anweisungen des Algorithmus zu folgen haben.

Die beiden letzten Fälle zeigen, dass die großen Konzerne attraktiv bleiben, weil es sich um die Steuerung einer sehr starken Veränderung handelt, und hierbei ist der menschliche Aspekt für einen Data Scientist sehr interessant.

Ein echtes Handicap für französische Unternehmen liegt jedoch im durch Google, Facebook oder auch GE (in Paris) ausgeübten Lohndruck, die wesentlich höhere Gehälter bieten als die Gehälter, die den Data Scientists von den meisten französischen Unternehmen gezahlt werden. Desgleichen ziehen die amerikanischen Unternehmen wegen der angebotenen attraktiven Gehälter immer mehr französische Data Scientists an, deren technische Kompetenzen weltweit zum höchsten Niveau zählen. Um einen Brain-Drain unseres Data-Science-Bestands zu verhindern und weiter Talente anzuziehen, müssen die französischen Unternehmen notwendigerweise ihre Gehälter anpassen.

 

Welche neuen Kompetenzen werden künftig von einem Big-Data- oder Data-Science-Spezialisten verlangt?

Auf diesem Gebiet wird es immer wenige Fachkräfte geben… Auch wenn man an den Hochschulen Polytechnique, Supéléc, Centrale usw. oder an der Universität viel mehr Data-Profile ausbildet. Es handelt sich um Eliteberufe, die nur wenige Talente hervorbringen, weil sie hohe Abstraktionsfähigkeit und Kreativität erfordern, sehr persönliche und besondere Eigenschaften.

Die in diesem Bereich geforderten Kompetenzen sind von zweierlei Typ. Man verlangt neue technische Kompetenzen in Verbindung mit mehr oder weniger neuen Sprachen und mathematischen Formalismen. Die Data Science besteht vor allem aus Leuten, die stark mathematisch veranlagt sind, die Konzepte verstehen, die aber auch in der Lage sind, eine echte wissenschaftliche Distanz zu haben. Ohne wissenschaftliche Absicherung einen Code zu entwickeln (oder Algorithmen in der Data Science), kann sich als gefährlich erweisen.

Aber man verlangt künftig auch von den Talenten eine echte Fähigkeit, das Business zu verstehen und an der Umwandlung teilzunehmen. Dies sind Kompetenzen, die sich aus dem Leadership ergeben, und die je nach Position und Niveau Folgendes einschließen:

– Eine Führungskraft beeinflussen können;

– Innovationen einbringen können, oder Innovationen erkennen, die in kleinem oder großem Maßstab angewandt werden können;

– Die eigenen Teams betreuen und weiterentwickeln, sie mit Methoden führen, die an Google oder andere angelehnt sind, ihnen Ausstrahlung verleihen, sie an die Forschung anschließen, sie in Meetups sprechen lassen, und ihnen außerdem im Alltag Ausstrahlung vermitteln, indem man ihnen bei der Entwicklung einer streng wissenschaftlichen Sichtweise hilft;

– In der Lage sein, schnell neue Methoden und neue Technologien zu erwerben;

– Kundenorientiert sein und mit einfachen Worten über abstrakte Konzepte sprechen, die in den Berufen sehr konkrete Anwendungen haben;

– Aufmerksamkeit…

Die Talente im Data-Science-Bereich sind eierlegende Wollmilchsäue. Man stellt sich den Super-Data-Scientist eigentlich als eine introvertierte, wenig kommunikative Person vor. Doch gerade die Kommunikation stellt für diese Funktion eine entscheidende Kompetenz dar. Data-Science macht nur Sinn, wenn man darüber zu kommunizieren weiß.

Im Falle eines betrügerischen Verhaltens beispielsweise (am Stromzähler, bei der Versicherung usw.) ist der positive Fehler (die Tatsache, jemanden als Betrüger zu ermitteln, obwohl dies nicht der Fall ist) sehr nachteilig und kann für ein Unternehmen sehr negative Business-Auswirkungen haben. Deshalb geht es für einen Data Scientist darum, deren Anzahl weitgehend zu verringern und deren Fragestellungen zu verstehen. Genau das Gegenteil gilt für einen Kreditkartenbetrug, bei dem der Kunde der Geschädigte ist. In diesem Fall stellt der positive Fehler für die Bank einen Energieverlust dar, für den Kunden ist es dagegen eher beruhigend, weil er sich gut geschützt fühlt.

Für die Benutzerfunktionen im Data wie auch im Marketing ist es eine der wichtigsten Kompetenzen, in der Lage zu sein, Innovation umzusetzen, Innovation zu erkennen, ihren Marktwert zu bewerten, ihn zu planen und die Technologie in ihrem grundsätzlich nicht technischen Beruf anzupassen.

 

Die Big-Data-Gurus sprechen vom Tod der falschen Data Scientists und von der Geburt der konvertierten Data Scientists. Beobachten Sie diese Phänomene?

Meiner Ansicht nach gibt es keine falschen Data Scientists. Es gibt die Fachgebiete Statistik, Versicherungsmathematik, Wirtschaftsmathematik… und die Fachgebiete Data Science und Big Data. Es handelt sich um zwei ziemlich getrennte Welten (die allerdings Schnittmengen aufweisen) für verschiedene Bedürfnisse. Und es gibt einfache Leute mit weniger Affinität zur Welt der Data Science unter den Statistikern, Wirtschaftsmathematikern, Versicherungsmathematikern oder Profilen in Finanzmathematik, und andere, die dazu konvertieren. Und noch andere, die schon immer in der Data Science waren (vorher künstliche Intelligenz genannt, entstanden in den siebziger Jahren).

Ich glaube, das, diejenigen man als falsche Data Scientists bezeichnen könnte (obwohl es sehr negativ ist, sie als „falsch“ zu bezeichnen), sind Personen, die hervorragende Verwender der vorhandenen Toolboxes sind, Meister der Kaggle-Challenges, die aber nicht unbedingt genügend wissenschaftlichen Abstand haben. Sie sind allerdings für die Gesamtheit der Data Science unverzichtbar. Der Data Scientist, der Entwickler, der Data Engineer und der Big Data Architect sind alle komplementär.

Allerdings gibt es auch konvertierte Data Scientists, und es führen viele Wege zur Data Science, jedoch mit der Gemeinsamkeit, dass es sich stets um Wissenschaftler mit starkem Abstraktionsvermögen handelt, unter ihnen zum Beispiel:

– Universitätsprofessoren (für Mathematik und/ oder künstliche Intelligenz) die man als Berater des Data Lab großer Konzerne wiederfindet;

– Spezialisten für die Bearbeitung von Signalen (Radar, Bildverarbeitung, Telekommunikation);

– Physiker, die vor kurzem Doktorarbeiten in Teilchenphysik, Astrophysik oder anderen Wissenschaften erstellen konnten, und die derartige Datenmengen verarbeiten mussten, dass sie Data Science und Big Data benutzt haben;

– Spezialisten der Teilchenphysik oder der quantitativen Hochfrequenzfinanz, die stark mathematisch veranlagt geblieben sind. So waren die ersten Data Scientists Trader;

– Informatik-Entwickler, die über den Code in den Bereich fallen.

 

Verwenden Sie selbst auch ein Prognosetool zum Erfolg der Kandidaten (EBI – Evidence Based Interviewer) und wie funktioniert es?

Der menschliche Geist tendiert zum Klonen. Dies zunächst aus psychologischen Gründen, aber auch aus Mangel an Kapazitäten für die stichhaltige Kreuzung und Sortierung der Daten, die tatsächlich eine Erfolgsprognose gestatten. Im Personalwesen wird meistens auf der Grundlage von Intuition rekrutiert. Und entgegen der landläufigen Meinung eröffnet Data Science, im HR angewandt, ganz neue Möglichkeiten.

Seit mehr als 40 Jahren haben insbesondere die Nordamerikaner Tools für die Prognose des Erfolgs einer Person in ihrer künftigen Position je nach ihren Leadership-Kompetenzen und den Merkmalen des Unternehmens und der Position konzipiert.

Mit den Algorithmen kann man Erfolgsszenarien für einen Kandidaten bestimmen. Mit Volumen und Masse werden die Algorithmen Tausende von verschiedenen Konstellationen ermitteln. Sie werden Nischen von Personen entdecken, die aus den gleichen Gründen erfolgreich sind, Gründe, die nicht unbedingt vom menschlichen Auge hätten ermittelt werden können. Die Erkennung schwacher Signale dieser Nischen von erfolgreichen Personen kann es möglich machen, alle Personen zusammenzufassen, die die gleichen Merkmale aufweisen, und diese ebenfalls erfolgreich zu machen. Wenn man 15 Personen entdeckt, die aus der gleichen Kombination von Gründen Erfolg haben, darunter zum Beispiel eine Schulung, kann man den Erfolgsfaktor auf 200.000 Zwillingsprofile anwenden. Man stellt zwar Klone her, aber zur Schaffung von Laufbahnen, die bislang nur durch Zufall entstanden sind: Data Science ist ein Instrument, um den Zufall Früchte tragen zu lassen.

Allerdings muss ein guter analytischer Ansatz im Dienste des Personalwesens die „Basis-“Klone eliminieren. Wie wir wissen, besteht oft eine Wechselbeziehung zwischen hohen Gehältern und Ausbildungsabschlüssen. Die Algorithmen heben somit diese Korrelation auf, um komplexere Korrelationen zu untersuchen, zum Beispiel die, die erklären, warum manche mit einem weniger angesehenen Ausbildungsabschluss Erfolg haben. Man erkennt die schwachen Erfolgssignale, indem man die oberen Schichten erdrückender Faktoren abträgt.

Allerdings bleibt die menschliche Seite im Personalwesen entscheidend: Kreative Personalrekrutierer, die sich nach ihren Intuitionen richten, werden weiterhin große Bedeutung haben, weil die Data Science niemals etwas erkennt, was noch nie passiert ist. Sie wird schwache Signale erkennen, aber keine Signale, die nicht existieren. Der Mensch wird durch seine Kreativität und ohne allzu sehr zu wissen warum und weshalb, die ersten Fälle schaffen, die die Maschine erklären wird, und bei deren Reproduktion die Maschine helfen wird.

Wir haben somit (auf der Grundlage vorhandener Konzepte) einen Ansatz geschaffen, der auf der Erkennung von Kompetenzen beruht (in den USA heißen sie „Leadershipkompetenzen“, in Frankreich „soziale Kompetenzen“), die den Erfolg an einem Arbeitsplatz prognostizieren. Wir haben einen Bezugsstandard von 46 Kompetenzen neu zusammengestellt (Kreativität, Fähigkeit der Einflussnahme, Lernfähigkeit, Autonomie usw.), die wir mit einer Datenbank von Einzelpersonen in Korrelation gebracht haben, die Informationen über die Laufbahn, die Leadership-Kompetenzen und den Erfolg in den Positionen von jedem von ihnen enhält.

Es handelt sich um ein Instrument, das sich vom Informellen entfernt, das das Einzelgespräch strukturiert und die Leadership-Kompetenzen überprüft, die für den Erfolg an einem bestimmten Arbeitsplatz notwendig sind. Die Kandidaten geben ihr Letztes mit dieser Methode und ermöglichen es dem Rekrutierenden, die richtigen Fragen zu stellen. Ein Wissenschaftler beschreibt selten auf natürliche Weise die Art, wie er eine Führungskraft überzeugt hat, wenn ihm die Frage nicht gestellt wurde. Es handelt sich von daher um einen eher auf Tatsachen beruhenden, menschlicheren Ansatz, der sich mit den Eigenschaften beschäftigt, die wirklich für eine Position wichtig sind. Dies ist nützlich für die Methode des Verbandes „A compétences égales“, deren Mitglied wir sind. Bei gleichen Kompetenzen, die für eine Position notwendig sind, geben wir zum Beispiel denjenigen, die introvertiert sind, die volle Chance.

Es handelt sich um ein zusätzliches data-driven Instrument. Es macht aus unserem Büro sicherlich keine Rekrutierungsmaschine, im Gegenteil, es ermöglicht dem Rekrutierenden, die Ambitionen und Fähigkeiten der Kandidaten klarer zu sehen.

Benoît Binachon
Uman Partners
Managing Director – Executive Search – Smart / Big Data Analytics

Laden Sie den Big Data Guide 2016/2017 herunter und lesen Sie das Interview.

Partager :