Auf dieser Seite
Die kurze Antwort
Die kurze Antwort
Bei Snowflake bleiben sollten Sie, wenn die IT-Landschaft aus SQL-Analytics und BI besteht, das Team möglichst wenig betreiben will und sich die Rechnung über Warehouse-Dimensionierung und Auto-Suspend im Griff halten lässt. Schauen Sie sich anderswo um, wenn eines von zwei Dingen zutrifft. Müssen andere Engines Ihre Daten lesen, prüfen Sie zuerst den Iceberg-Weg: Snowflake kann von Snowflake verwaltete Iceberg-Tabellen über seinen Horizon Iceberg REST Catalog für externe Engines bereitstellen, mit den unten genannten Einschränkungen; native Tabellen lassen sich so gar nicht lesen. Sind Engineering, Streaming und Machine Learning einem SQL-Warehouse entwachsen, ist Databricks die naheliegendste Alternative. Trino oder Starburst auf Iceberg eignet sich für SQL auf Daten an ihrem Speicherort, ClickHouse für Dashboards mit Antwortzeiten unter einer Sekunde und Apache Spark auf Iceberg für Teams, die ihre Plattform selbst betreiben. Die Fakten wurden am 4. November 2026 anhand der Dokumentation von Snowflake, Databricks und der Projekte geprüft.
Snowflake und fünf Optionen nach denselben Kriterien (geprüft am 4. November 2026 anhand der Dokumentation von Herstellern und Projekten; die AceMQ-Zeile ist AceMQs eigene Beschreibung seiner Leistungen, keine Ergebnisse)
| Snowflake (Referenz) | Databricks SQL und Lakehouse | Trino oder Starburst auf Iceberg | ClickHouse | Apache Spark und Iceberg | |
|---|---|---|---|---|---|
| Abrechnungseinheit | Credits für Virtual-Warehouse-Compute, sekundengenau abgerechnet mit einem Minimum von 60 Sekunden bei jedem Start eines Warehouses; jede Größenstufe verdoppelt die Credits pro Stunde ungefähr. Storage wird monatlich auf Basis der durchschnittlich gespeicherten komprimierten Daten abgerechnet. Die Editionen reichen von Standard bis Virtual Private Snowflake; Sie zahlen nach Verbrauch oder buchen Kapazität im Voraus. Auf den geprüften Seiten ist kein Preis pro Credit angegeben. | Databricks Units (DBUs), sekundengenau gemessen, plus Cloud-Instanzen bei Classic Compute, mit Rabatten für Mindestabnahme. Die Preise stehen in der Preisliste von Databricks. | Keine Lizenzgebühr für Open-Source-Trino; Starburst verkauft seine eigene Distribution auf Angebotsbasis. Sie zahlen für Compute und Storage. | Infrastruktur und Betrieb bei einem selbst betriebenen Cluster; beim Managed-Angebot die Preise des Anbieters. | Keine Lizenz und keine DBU. Compute, Storage und die Leute, die das Ganze betreiben. |
| Speicherformat | Native Tabellen nutzen das eigene, von Snowflake verwaltete Format. Iceberg-Tabellen nutzen Apache Iceberg auf Cloud-Storage, wobei Snowflake oder ein externer Katalog die Metadaten verwaltet. | Standardmäßig Delta Lake, Iceberg ist als verwaltete Tabellen oder über UniForm verfügbar. | Was immer der Data Lake enthält, meist Iceberg- oder Parquet-basierte Tabellen, gelesen über Connectors. | Eigene MergeTree-Tabellen, geladen aus dem Data Lake oder aus Streams. | Iceberg, Delta Lake oder Hudi auf Object Storage, nach Ihrer Wahl. |
| Können andere Engines die Daten lesen? | Native Tabellen: nein. Von Snowflake verwaltete Iceberg-Tabellen: ja, über den Horizon Iceberg REST Catalog, mit dokumentierten Einschränkungen beim Lesen und Schreiben. Extern verwaltete Iceberg-Tabellen: jede Engine, die diesen Katalog nutzt. | Unity-Catalog-Tabellen können von externen Iceberg-Engines über die Iceberg-REST-Catalog-API gelesen werden; fremde Iceberg-Tabellen sind innerhalb von Databricks schreibgeschützt. | Ja. Es ist eine Engine, die Daten an ihrem Speicherort liest; die Frage ist also, womit sie sich verbinden kann. | Standardmäßig nicht. Es hält seine eigene Kopie. | Ja, für jede Engine, die das gewählte Tabellenformat und den gewählten Katalog unterstützt. |
| Governance | Horizon Catalog. Maskierungs- und Row-Access-Policies auf Iceberg-Tabellen können laut Snowflake-Dokumentation weiterhin greifen, wenn eine externe Engine über Horizon liest. | Unity Catalog für Zugriffskontrolle, Lineage und Audit; es gibt eine Open-Source-Version. | Zugriffskontrolle in Trino oder Starburst plus der angebundene Katalog. Sie legen sie selbst fest. | Rollenbasierte Zugriffskontrolle, die Sie auf dem Server konfigurieren. | Hängt vom gewählten Katalog ab. Sie definieren und betreiben ihn selbst. |
| Wiederherstellung | Fail-safe schützt permanente Iceberg-Tabellen auf von Snowflake verwaltetem Storage, nicht aber Iceberg-Tabellen auf einem kundenverwalteten externen Volume. | Delta-Tabellenhistorie innerhalb der von Ihnen konfigurierten Retention. | Hängt vom zugrunde liegenden Tabellenformat und der Storage-Versionierung ab. | Replikation und Backups, die Sie konfigurieren. | Iceberg-Snapshots und Storage-Versionierung. Das Ablaufen von Snapshots liegt bei Ihnen. |
| Was sich beim Wechsel von Snowflake dorthin ändert | Nicht zutreffend. Was Sie hinter sich lassen würden: Stored Procedures, Tasks, Snowpark-Code, Maskierungs-Policies, Shares und BI-Anbindungen. | SQL-Dialekt, Stored Procedures und Orchestrierung; Snowpark-Code wird neu geschrieben oder an anderer Stelle weiterbetrieben. | SQL-Dialekt und Snowflake-spezifische Funktionen, dazu Warehouse-Dimensionierung und Parallelität, die Sie nun selbst steuern. | Schemas, Ingestion-Pipelines und die Dashboards, die daraus lesen; die Daten werden hineingeladen. | Alles, was nicht reines SQL ist, plus das Betriebsmodell. |
| Wer betreibt es, und welche Rolle hat AceMQ | Snowflake betreibt den Service. AceMQ ist unabhängig und kein Snowflake-Partner; in Projekten arbeiten AceMQ-Engineers mit Snowflake-Spezialisten zusammen. | Databricks betreibt die Control Plane. AceMQ bietet Support, Health Checks und Migrationsplanung. | Ihr Team oder Starburst. AceMQ bietet Support und Beratung für Starburst- und Trino-Landschaften. | Ihr Team oder AceMQ in Tier 1 und 2, der Betrieb auf Angebotsbasis. | Ihr Team oder AceMQ in Tier 1 und 2, der Betrieb in Tier 3 oder 4 auf Angebotsbasis. |
| Die beste Wahl, wenn | Überwiegend SQL und BI, viele Fachanwender und möglichst wenig Betrieb. | Engineering, Streaming und ML teilen sich die Daten mit BI. | SQL auf Daten an ihrem Speicherort, über mehrere Systeme hinweg. | Dashboards und Analytics-APIs mit Antwortzeiten unter einer Sekunde. | Sie haben Platform Engineers und wollen durchgängig offene Formate. |
Wie die Rechnung aussieht und wie Sie sie im Griff behalten
Snowflake rechnet Compute in Credits ab. Laut Snowflake-Dokumentation werden Warehouses nur während der Laufzeit sekundengenau abgerechnet, mit einem Minimum von 60 Sekunden bei jedem Start oder Resume, und jede Größenstufe verdoppelt die abgerechneten Credits pro Stunde ungefähr. Storage wird monatlich auf Basis der durchschnittlich gespeicherten komprimierten Daten abgerechnet, und die Edition (Standard, Enterprise, Business Critical oder Virtual Private Snowflake) legt fest, welche Funktionen Sie erhalten. Da auf den geprüften Seiten kein Preis pro Credit steht, nennt diese Seite keinen: Rechnen Sie Ihre eigenen Warehouses gegen Ihren Vertrag durch.
Wo Rechnungen wachsen, ist vorhersehbar: ein auf die schlimmste Abfrage ausgelegtes und dauerhaft laufendes Warehouse, ein auf Stunden eingestelltes Auto-Suspend, ein geplanter Task, der für einen kleinen Job ein großes Warehouse weckt, und wiederholte Resumes innerhalb der ersten Minute, die jeweils erneut das 60-Sekunden-Minimum kosten. Das sind Konfigurationsprobleme des Warehouses, und ein Snowflake Warehouse Cost Review geht sie ohne Plattformwechsel an. Beheben Sie sie, bevor Sie Alternativen vergleichen, denn jede Alternative hat ihren eigenen Zähler und ihre eigene Art, zu viel auszugeben.
Bei Snowflake bleiben
Bleiben ist öfter die richtige Antwort, als Vergleichsseiten zugeben. Bleiben Sie, wenn der Großteil der IT-Landschaft aus SQL und BI besteht, die Nutzer Analysten und Fachbereiche statt Engineers sind, niemand im Team Cluster dimensionieren oder einen Katalog betreiben möchte und die Rechnung auf Warehouse-Größe und Suspend-Einstellungen reagiert. Snowpark deckt mehr Transformationsarbeit in Python, Java und Scala innerhalb der Plattform ab als früher, und die Möglichkeit, Daten zu teilen und Iceberg-Tabellen auf selbst verwaltetem Storage zu nutzen, schwächt das Vendor-Lock-in-Argument ab. Wenn Sie bleiben und einen unabhängigen Engineer in Rufbereitschaft wollen, finden Sie unter Snowflake-Support das Angebot von AceMQ; wenn Sie eine zweite Meinung zu Kosten oder Design möchten, bietet Snowflake-Beratung genau das.
Können andere Engines Ihre Snowflake-Daten lesen?
Das ist die Interoperabilitätsfrage, und die Antwort hängt von der Art der Tabelle ab. Die Iceberg-Dokumentation von Snowflake (geprüft am 4. November 2026) unterscheidet zwei Arten.
- Von Snowflake verwaltete Iceberg-Tabellen liegen in Cloud-Storage, den Sie verwalten, mit Snowflake als Katalog. Externe Engines erreichen sie über die Horizon-Iceberg-REST-Catalog-API mit ausgegebenen Zugangsdaten (Vended Credentials). Das Lesen von Iceberg-v2- und -v3-Tabellen wird unterstützt. Schreiben wird mit Einschränkungen unterstützt: kein CREATE TABLE AS SELECT aus der externen Engine, keine Equality Deletes, kein Anlegen von Tags oder Branches, kein Zurückrollen einer Tabelle auf einen früheren Snapshot und keine Schreibzugriffe auf geteilte Tabellen. Außerhalb von Horizon können Clients von Drittanbietern in Tabellen, die Snowflake als Katalog nutzen, weder anhängen noch löschen noch Upserts ausführen.
- Extern verwaltete Iceberg-Tabellen nutzen eine Katalogintegration zu einem entfernten Katalog wie AWS Glue oder Snowflake Open Catalog. Snowflake liest sie und unterstützt Schreibzugriffe auf Tabellen in einem entfernten Iceberg-REST-Katalog, doch mehrere Snowflake-Funktionen stehen dafür nicht zur Verfügung, darunter Cloning, Clustering, Replikation und Standard-Streams.
Zwei Dinge sind auf diesem Weg gar nicht erreichbar: Native Snowflake-Tabellen können von einer externen Engine nicht über Horizon abgefragt werden, und Remote-Tabellen ebenso wenig. Wenn ein Team plant, dass eine andere Engine das Warehouse liest, müssen die Daten zuerst in Iceberg-Tabellen liegen, und das ist eine Entscheidung Tabelle für Tabelle. Auch Egress spielt eine Rolle: Für Tabellen auf von Snowflake verwaltetem Storage berechnet Snowflake Egress über Clouds und Regionen hinweg, auch wenn eine externe Engine aus einer anderen Region oder Cloud liest.
Die Gegenrichtung deckt ein Projekt zu Zugriffsregeln ab: ausgewählte Tabellen für eine zweite Engine bereitstellen und festlegen, wer was lesen darf. Zur Wahl des Tabellenformats selbst siehe Iceberg vs Delta Lake.
Databricks SQL und das Lakehouse
Databricks ist die naheliegendste Alternative, weil es sich in Richtung SQL und BI bewegt hat, ohne seine Spark- und Machine-Learning-Basis aufzugeben. Es passt, wenn Engineering, Streaming und ML die Daten mit BI teilen und das Team Spark, Python oder Scala schreibt. Databricks dokumentiert den Snowflake Horizon Catalog als Foreign Catalog, den es lesen kann; so können beide parallel laufen, während Consumer umziehen, und ein Databricks-SQL-Warehouse rechnet DBUs pro Sekunde statt Credits ab. Der Aufwand eines Wechsels von Snowflake liegt in SQL-Dialekt, Stored Procedures, Tasks und der BI-Schicht, nicht in den Datendateien. Databricks vs Snowflake stellt beide nebeneinander, und Databricks-Alternativen ist das Spiegelbild dieser Seite.
Trino oder Starburst auf Iceberg
Trino trennt die SQL-Engine vom Storage. Open-Source-Trino steht unter der Apache-2.0-Lizenz und wird von der unabhängigen Trino Software Foundation betreut (Release 484 vom 15. Oktober 2026 war bei unserer Prüfung aktuell); Starburst verkauft eine kommerzielle Distribution mit Support. Für eine Snowflake-IT-Landschaft passt es dort, wo es um SQL auf offenen Tabellen geht: Es liest Iceberg-Daten an ihrem Speicherort, aus mehreren Katalogen, und kann über Datenbanken hinweg föderieren. Das verwaltete Warehouse-Verhalten von Snowflake entfällt: Sie dimensionieren den Cluster, steuern die Parallelität und legen das Zugriffsmodell fest. AceMQ bietet Starburst- und Trino-Beratung und Support.
ClickHouse und Apache Spark auf Iceberg
Das sind zwei verschiedene Aufgaben. ClickHouse ist eine spaltenorientierte Datenbank für Dashboards und Analytics-APIs, die niedrige Latenz auf großen, aktuellen Daten brauchen; sie hält ihre eigene Datenkopie und ergänzt damit den Data Lake oder das Warehouse, statt sie zu ersetzen. ClickHouse-Beratung und Support decken den Betrieb ab. Apache Spark auf Iceberg ist der Open-Source-Weg für die Transformations-Workloads: Spark 4.3.0 erschien am 30. Oktober 2026, Spark 4 gibt es nur mit Scala 2.13, und Iceberg-Tabellen auf Object Storage sind für Trino, Flink und andere Engines lesbar. Es braucht Platform Engineers, denn Katalog, Compaction und Snapshot-Ablauf liegen dann bei Ihnen. Spark-Support von AceMQ deckt die Spark-Seite ab.
Single-Cloud-Warehouses und weitere Namen
Google BigQuery, Microsoft Fabric und Amazon Redshift sind Warehouse-Optionen, die an jeweils eine Cloud gebunden sind. Sie passen zu Teams, die sich auf diese Cloud standardisiert haben und das Warehouse vom Cloud-Anbieter betreiben lassen möchten. AceMQ hat keinen Service für BigQuery oder Redshift und führt hier keine der drei Optionen in einer eigenen Spalte. Zu Fabric siehe Microsoft-Fabric-Beratung. Lesen Sie die aktuelle Dokumentation des jeweiligen Anbieters zu Lese- und Schreibzugriffen auf Iceberg und Delta, bevor Sie sich darauf verlassen. Unter den offenen Projekten ist Apache Polaris, ein Iceberg-REST-Katalog, am 15. Februar 2026 zu einem Top-Level-Projekt der Apache Software Foundation geworden; er ist damit der Katalog, den Sie sich ansehen sollten, wenn Sie einen herstellerneutralen Katalog suchen. Dremio gibt auf seiner Plattformseite an, inzwischen Teil von SAP zu sein, und DuckDB (MIT) mit dem im April 2026 veröffentlichten Tabellenformat DuckLake 1.0 ist eine Option im kleinen Maßstab für Analytics auf einem einzelnen Node.
Was ein Wechsel von Snowflake umfasst
Die Daten sind der einfache Teil, wenn sie in Iceberg liegen. Der Aufwand steckt in allem drumherum, und es lohnt sich, ihn vor einer Entscheidung zu zählen.
- Inventar. Tabellen, Views, Tasks, Streams, Stored Procedures, Snowpark-Code, Shares sowie jede BI-Anbindung und jeder nachgelagerte Job.
- Tabellen klassifizieren. Welche sind nativ, welche von Snowflake verwaltetes Iceberg, welche extern verwaltet. Nur manche können heute von anderen Engines gelesen werden.
- SQL übersetzen. Dialektunterschiede und Snowflake-spezifische Funktionen müssen getestet werden, nicht per Suchen und Ersetzen angepasst.
- Governance neu aufbauen. Maskierungs- und Row-Access-Policies sind in Snowflake definiert; die Ziel-Engine braucht ein eigenes Äquivalent, und beide Regelwerke müssen während der Überlappung übereinstimmen.
- Parallel betreiben und abgleichen. Vergleichen Sie die Ergebnisse, bevor ein Consumer umgestellt wird.
AceMQ plant dies als Assessment, das ein Inventar, eine Reihenfolge der Arbeiten und ein Angebot liefert. Wir veröffentlichen keine Migrationsdauern, denn sie hängen vom Inventar ab.
Wann AceMQ nicht die richtige Wahl ist
- Sie möchten, dass der Hersteller alles betreibt und das Service-Level trägt. Snowflake ist genau dafür gebaut, und ein unabhängiger Engineer ersetzt den Betrieb durch den Hersteller nicht.
- Der Umstieg geht zu BigQuery oder Redshift. AceMQ hat dafür keinen Service (zu Fabric siehe Microsoft-Fabric-Beratung).
- Sie benötigen Unterstützung bei der Verhandlung von Snowflake-Lizenzen oder -Verträgen. AceMQ ist weder Snowflake-Partner noch Reseller und bietet keine Beratung zur Lizenzierung von Herstellerprodukten.
- Der Plan hängt davon ab, Anwendungen neu zu schreiben. Das ist Anwendungsmodernisierung und liegt außerhalb des Plattform-Leistungsumfangs von AceMQ.
So entscheiden Sie auf einen Blick
- Ist das Problem die Rechnung oder der Zugriff? Bei der Rechnung prüfen Sie zuerst die Warehouses. Beim Zugriff klären Sie, welche Tabellen Iceberg sind.
- Wer nutzt die Daten? Analysten und BI-Tools sprechen fürs Bleiben. Engineers und ML-Pipelines sprechen für Databricks oder Spark.
- Welche Tabellen müssen andere Engines lesen können? Wandeln Sie diese in Iceberg um oder legen Sie sie als Iceberg an und testen Sie den Weg über Horizon oder den Katalog.
- Wer hat Rufbereitschaft? Ein verwaltetes Warehouse überträgt sie dem Anbieter. Jede offene Option überträgt einen Teil davon Ihnen.
- Verlagern Sie einen Workload. Wählen Sie den größten mit offenem Äquivalent und messen Sie.
Geprüfte Quellen
Geprüft am 4. November 2026. Snowflake: pricing options, understanding compute cost und Apache Iceberg tables. Databricks: pricing und Apache Iceberg in Databricks. Projekte: Apache Spark downloads, Trino releases, Trino Software Foundation, Apache Polaris, DuckDB, DuckLake und Dremio. Die Dokumentation der Hersteller ändert sich; bestätigen Sie die oben genannten Einschränkungen, bevor Sie sich festlegen.
Häufig gestellte Fragen
Wer sind die wichtigsten Wettbewerber von Snowflake?
Databricks ist der naheliegendste Wettbewerber. Google BigQuery, Microsoft Fabric und Amazon Redshift konkurrieren als Single-Cloud-Warehouses. Offene Stacks auf Basis von Trino oder Starburst, Apache Spark und Apache Iceberg konkurrieren bei Kosten und Offenheit, und ClickHouse konkurriert bei Analytics mit niedriger Latenz.
Können andere Engines meine Snowflake-Daten lesen?
Nur bei Iceberg-Tabellen. Von Snowflake verwaltete Iceberg-Tabellen sind für externe Engines über den Horizon Iceberg REST Catalog lesbar, mit dokumentierten Einschränkungen beim Schreiben; extern verwaltete Iceberg-Tabellen sind für jede Engine lesbar, die denselben Katalog nutzt. Native Snowflake-Tabellen können externe Engines auf diesem Weg nicht lesen.
Gibt es eine Open-Source-Alternative zu Snowflake?
Für Teile davon ja. Trino liefert Open-Source-SQL auf Daten an ihrem Speicherort, Apache Spark die Transformation und Apache Iceberg offene Tabellen, mit einem Katalog wie Apache Polaris obendrauf. Keines davon ist ein verwaltetes Warehouse; den Betrieb, den Snowflake für Sie übernimmt, müssen Sie dann selbst leisten.
Wann sollte ich bei Snowflake bleiben?
Bleiben Sie, wenn die IT-Landschaft überwiegend aus SQL-Analytics und BI besteht, die Nutzer Analysten statt Engineers sind und die Kosten auf Warehouse-Dimensionierung und Auto-Suspend-Einstellungen reagieren. Prüfen Sie die Warehouse-Konfiguration, bevor Sie Plattformen vergleichen, denn jede Alternative hat einen eigenen Zähler.
Wie wird Snowflake abgerechnet?
Compute wird in Credits pro Sekunde abgerechnet, mit einem Minimum von 60 Sekunden bei jedem Start eines Warehouses, und jede Größenstufe verdoppelt die Credits pro Stunde ungefähr. Storage wird monatlich auf Basis der durchschnittlich gespeicherten komprimierten Daten abgerechnet. Editionen sowie Nutzung nach Verbrauch oder vorab gebuchte Kapazität beeinflussen den Preis; auf den Seiten von Snowflake steht kein Preis pro Credit, prüfen Sie also Ihren Vertrag.