Snowflake vs. Redshift: Vergleich von Datenplattformen

Datenanalyse und Datenmanagement sind immer wichtiger geworden, da die digitale Transformation den Wettbewerb für Unternehmen zunehmend verschärft. Doch angesichts des rasch wachsenden Volumens der zu analysierenden Daten benötigen Unternehmen eine Möglichkeit, all diese Daten an einem Ort zu bündeln, damit sie analysiert werden können. Hier kommen moderne cloudbasierte Data Warehouses wie Snowflake und AWS Redshift ins Spiel. Beide sind renommierte Data-Warehousing-Plattformen.

Beide bieten das von Business Intelligence und Datenanalyseanwendungen geforderte Volumen, die nötige Geschwindigkeit und Qualität. Doch obwohl diese Data-Warehouse-Plattformen viele Gemeinsamkeiten aufweisen, verfolgen sie jeweils eine andere Ausrichtung. Daher läuft die Auswahl häufig auf eine Präferenz für eine Plattform und deren Eignung für die Datenstrategie des Unternehmens hinaus.

Siehe auch: Die besten Tools für Datenanalyse 

Snowflake vs. Redshift: Vergleich der wichtigsten Funktionen

Snowflake ist ein relationales Datenbank-managementsystem und analytisches Data Warehouse für strukturierte und semi-strukturierte Daten. Es wird als Software-as-a-Service-Modell (SaaS) angeboten und verwendet eine SQL-Datenbank-Engine zur Verwaltung der Speicherung von Informationen in der Datenbank. Abfragen werden gegen virtuelle Warehouses innerhalb des gesamten Warehouses verarbeitet. Jedes davon befindet sich in einem eigenen Clusterknoten, ist von den anderen unabhängig und teilt keine Rechenressourcen.

Darauf aufbauend gibt es Cloud-Services für Authentifizierung, Infrastrukturverwaltung, Abfragen, Zugriffskontrollen und mehr. Das Snowflake Elastic Data Warehouse ermöglicht es Nutzern, Daten mithilfe von Amazon-S3- oder Azure-Ressourcen zu analysieren und zu speichern.

AWS Redshift positioniert sich als Data-Warehouse-Service im Petabyte-Maßstab, der von BI-Tools zur Analyse genutzt werden kann. Nutzer können die Kapazität problemlos hoch- und herunterskalieren. Wie Snowflake bietet Amazon seinen Nutzern unabhängige Cluster. Diese Cluster werden auch zum Lastausgleich eingesetzt, um die Leistung zu steigern. Der Service bietet dank Verbindungen mit hoher Bandbreite, der Nähe zu den Nutzern durch die zahlreichen Amazon-Rechenzentren weltweit und maßgeschneiderten Kommunikationsprotokollen eine gute Abfrageleistung. Aufgrund der zahlreichen Services innerhalb von Amazon haben Nutzer einfachen Zugriff auf zuverlässige Backups ihrer Redshift-Datensätze.

Beim Vergleich der Funktionen beider Data Warehouses zeigt sich, dass Snowflake eine robustere Unterstützung für JSON-basierte Funktionen sowie eine bessere Automatisierung der Datenbankwartung bietet. Redshift erfordert dagegen mehr manuelle Wartungsarbeit. Beide bieten spaltenbasierte Speicherung und massiv parallele Verarbeitung (MPP) für gleichzeitige analytische Berechnungen und schnelle Abfragen, selbst bei sehr großen Datensätzen. Snowflake hält Rechenleistung, Speicher und Cloud-Services getrennt, bietet jedoch eine parallele Skalierung. Redshift hat bei solchen Funktionen aufgeholt und liegt inzwischen nicht mehr weit zurück.

Insgesamt hat Snowflake bei der Funktionsbreite die Nase vorn.

Ist Snowflake oder Redshift einfacher zu bedienen?

Das Snowflake Data Warehouse gilt dank einer intuitiven SQL-Oberfläche als benutzerfreundlich, sodass die Einrichtung und Inbetriebnahme leichtfallen. Auch Amazon Redshift gilt als benutzerfreundlich und erfordert im täglichen Betrieb nur sehr wenig Administration.

Wenn der Nutzer bereits Daten in Amazon S3 speichert, sind Einrichtung, Integration und das Ausführen von Abfragen unkompliziert. Redshift unterstützt außerdem mehrere Formate für die Datenausgabe, darunter JSON. Wer über SQL-Kenntnisse verfügt, wird PostgreSQL problemlos für die Arbeit mit Daten einsetzen können.

Beide Data-Warehouse-Plattformen bieten Online-Support, Snowflake stellt jedoch zusätzlich rund um die Uhr Live-Support bereit. Redshift ist etwas komplexer und bindet aufgrund der im Vergleich zu Snowflake fehlenden Automatisierung mehr IT-Management für die Wartung. Snowflake automatisiert hingegen die Datenbereinigung, Komprimierung, Diagnose und weitere Funktionen.

Bei Skalierungsvorgängen müssen mit Snowflake keine Daten kopiert werden. Amazon erfordert hingegen ein gewisses Kopieren und weitere technische Zusatzarbeiten. Auch bei der gemeinsamen Nutzung von Daten Dritter und deren Zugriff für Analysen macht Snowflake den gesamten Prozess deutlich einfacher. Snowflake unterstützt strukturierte und semi-strukturierte Daten, während Redshift keine Unterstützung für semi-strukturierte Datentypen bietet.

In dieser Kategorie gewinnt Snowflake.

Snowflake vs. Redshift: Vergleich der Sicherheit

Redshift sammelt wichtige Pluspunkte bei Sicherheit und Compliance. Diese Funktionen werden für alle Nutzer umfassend durchgesetzt. Darüber hinaus stehen Tools für Zugriffsverwaltung, Clusterverschlüsselung, Sicherheitsgruppen für Cluster, Verschlüsselung von Daten bei der Übertragung und im Ruhezustand, SSL-Verbindungssicherheit und die Sicherheit von Anmeldedaten zur Verfügung. Zugriffsrechte lassen sich granular und sehr spezifisch festlegen.

Daher macht Redshift es einfach, den eingehenden oder ausgehenden Zugriff auf Cluster zu beschränken. Das Netzwerk kann außerdem innerhalb einer virtuellen privaten Cloud (VPC) isoliert und über ein VPN mit der IT-Infrastruktur verbunden werden.

Auch Snowflake bietet eine ständig aktive Verschlüsselung sowie Netzwerkisolierung und weitere robuste Sicherheitsfunktionen. Anders als bei Amazon sind diese Sicherheitsfunktionen jedoch in Stufen erhältlich, wobei jede höhere Stufe mehr kostet. Dafür bezahlt man nicht für Sicherheitsfunktionen, die man nicht benötigt oder nutzen möchte.

Bei der Sicherheit gewinnt AWS Redshift.

Snowflake vs. Redshift: Vergleich der Integration

Wer bereits auf die AWS-Plattformen setzt, wird die nahtlose Integration von Redshift mit Services wie Athena, DMS, DynamoDB und CloudWatch zu schätzen wissen.

Snowflake ist im AWS Marketplace verfügbar, aber nicht so tief in das AWS-Ökosystem eingebettet und verfügt nicht über die Breite und Tiefe der Anbieterpartnerschaften, die Amazon aufbieten kann. In manchen Fällen kann sich die Integration von Snowflake mit anderen Tools schwierig gestalten. In anderen Fällen ist Snowflake jedoch stark integriert. Tableau, Apache Spark, IBM Cognos und Qlik sind vollständig integriert. Wer diese Tools verwendet, kann Analysen problemlos durchführen.

Integration: Redshift gewinnt.

Wie groß ist der Preisunterschied zwischen Snowflake und Redshift?

Beide Produkte bieten eine nutzungsabhängige Abrechnung. Die beiden Data-Warehouse-Plattformen verfolgen jedoch unterschiedliche Ansätze bei der Zusammenstellung ihrer Pakete.

Snowflake hält Rechenleistung und Speicher in seiner Preisstruktur getrennt. Redshift kombiniert beides. Snowflake bietet bei allen Editionen automatisch eine parallele Skalierung ohne zusätzliche Kosten. Redshift stellt täglich ein festgelegtes Kontingent für die parallele Skalierung bereit. Wird dieses überschritten, wird jedoch sekundengenau abgerechnet.

Die langfristigen Verträge von Redshift beinhalten hohe Rabatte. Kunden können einen Stundensatz zahlen (je nach Typ und Clusterknoten) oder nach der Anzahl der gescannten Bytes. Die Preisgestaltung von Snowflake ist mit fünf verschiedenen Editionen – von der Basisversion aufwärts – komplexer; mit jeder höheren Stufe steigen die Preise.

Daher machen die Unterschiede zwischen beiden einen vollständigen direkten Vergleich schwierig. Nutzern wird empfohlen, die Ressourcen zu bewerten, die sie voraussichtlich benötigen, um das erwartete Datenvolumen, den Verarbeitungsaufwand und ihre Analyseanforderungen zu bewältigen. Für manche Nutzer ist Amazon günstiger, für andere schneidet Snowflake besser ab.

Grob gesagt kostet Redshift etwa 25 Cent pro Stunde und Snowflake etwa 40 US-Dollar im Monat. Der Nutzungsumfang variiert jedoch je nach Arbeitslast erheblich. Einige Nutzer sagen, dass Redshift bei nutzungsabhängiger Abrechnung günstiger ist und große Datensätze bei Snowflake aufgrund der getrennten Abrechnung von Rechenleistung und Speicher mehr kosten.

Diese Kategorie ist knapp, da das Ergebnis vom jeweiligen Anwendungsfall abhängt. Dennoch erhält Amazon Redshift den Zuschlag.

Snowflake vs. Redshift: Fazit

Snowflake und Redshift sind beide hervorragende Data Warehouses für Datenanalysen. Beide haben ihre Vor- und Nachteile. Der Vergleich hängt von Nutzungsmustern, Datenvolumen, Arbeitslasten und Datenstrategien.

ab. Amazon eignet sich nicht für Anwendungen zur Transaktionsverarbeitung. Wenn das Datenmuster bedeutet, dass ständig Bytes gescannt werden, können die Kosten außer Kontrolle geraten. Auch bei Snowflake können die Preise steigen, wenn höhere Stufen ins Spiel kommen. Wenn Sie auf der höchsten Stufe ein Höchstmaß an Funktionalität und Sicherheit benötigen, könnte Amazon die bessere Wahl sein.

Manche sagen, Snowflake sei besser, wenn man klein anfängt und schrittweise skaliert. Redshift soll sich am besten für umfangreiche Implementierungen auf Unternehmensebene eignen. Das sind jedoch Verallgemeinerungen, die sich nicht immer bewahrheiten. Jedes Unternehmen muss selbst prüfen, wie sich die Kosten entwickeln werden.

Für manche macht die Bündelung von Rechenleistung und Speicher bei Redshift den Service deutlich günstiger. Bei anderen Arbeitslasten kann jedoch das Gegenteil der Fall sein. In diesen Fällen ist Snowflakes Fähigkeit, die Preise für Rechenleistung und Speicher zu trennen, möglicherweise die bessere Lösung.

Ein weiterer Unterschied ist die JSON-Speicherung. Beide unterstützen sie, Snowflake bietet jedoch mehr Optionen. Wer viel JSON-Datenverkehr und zahlreiche Abfragen hat, ist mit Snowflake besser beraten.

Und dann ist da noch Amazons Gewicht. Ja, Snowflake läuft auf Amazon, aber intensive AWS-Nutzer sind aufgrund der besseren Integration in das gesamte Amazon-Ökosystem mit Redshift besser beraten. Schließlich funktioniert Snowflake gut mit Live-App-Datenbanken, Redshift hingegen nicht. Letztlich müssen Nutzer selbst anhand ihrer Arbeitslasten prüfen, welche Lösung geeignet ist, und anschließend abwägen, welche dieser beiden hervorragenden Datenplattformen am besten zu ihren Datenmustern passt.