globeteam
Kunder
Globeteams kunder tæller såvel offentlige som private organisationer og virksomheder. Vores kundedatabase har gennem årene været stærkt stigende, og vores langsigtede kunderelationer vidner om tilfredse kunder.
Nedenfor har vi samlet nogle eksempler på vores kunder. Vil du se nærmere om det arbejde, vi udfører sammen med vores kunder, kan du læse udvalgte cases her.
Andel Holding A/S (Tidligere SEAS-NVE Holding A/S)
AP Pension
Arla Foods amba
Arriva Danmark
ATP Huset
Banedanmark
BEC – Bankernes Edb Central
Beskæftigelsesministeriet
Biotronik ApS
Bornholms Regionskommune
Bossard Danmark
Bunker Holding
Bygningsstyrelsen
Chr-Hansen
CLEVER
Copenhagen Business School
Dagrofa
Danapak Flexibles
Danmarks Miljøportal
Danmarks Nationalbank
Danmarks Tekniske Universitet
Danpilot – Lodseriet Danmark
Dansk Arbejdsgiverforening
Dansk Industri
Dansk Magisterforening
Dansk Metal
Danske Regioner
Danske Spil
Davidsen Tømmerhandel
DEAS
Den Centrale Anklagemyndighed
Den Statslige Kompetencefond
Det Kongelige Bibliotek
EDC-GRUPPEN
Esbjerg Kommune
EY
Favrskov Kommune
Faxe Kommune
Folketingets Ombudsmand
Forsvarsministeriets Materiel- og Indkøbsstyrelse
Gentofte Kommune
Gladsaxe Kommune
H Lundbeck A/S
Hedensted Kommune
Holbæk Kommune
Høje Tåstrup Kommune
Hørsholm Kommune
I/S VESTFORBRÆNDING
IBC International Business College
JP Politikens Hus
Kalundborg Kommune
KILROY International
Københavns Universitet
Københavns Voksen Uddannelses Center
Køge Kommune
Kromann Reumert
Lindhardt og Ringhof Forlag
Midttrafik
Movia
Næstved Kommune
Novo Nordisk
Plesner Advokatpartnerselskab
Region Hovedstaden
Region Midtjylland
Region Nordjylland
Rejsekort A/S
Rockwool International A/S
Saferoad AS
Saniona ApS
Sund Bælt Holding
Sundhedsdatastyrelsen
Sygeforsikringen Danmark
Taxa 4×35
Tilsynet med Efterretningstjenesterne
Trap Danmark
Udenrigsministeriet
Uhrenholt
Vejdirektoratet
Xellia Pharmaceuticals ApS
cases
Vores cases
Danmarks Miljøportal bygger ny datamodel i Azure og tager et stort skridt ind i fremtiden
Grundejernes Investeringsfond vil bruge machine learning-model til at effektivisere kontrollen af udlejernes regnskaber