Wir haben MotherDuck einem strengen Test mit etablierten Wettbewerbern unterzogen, um zu sehen, ob es dem Hype gerecht wird. Was wir herausgefunden haben, stellt den aktuellen Status Quo der analytischen databases in Frage und deutet auf einen grundlegenden Wandel in der Art und Weise hin, wie wir die cloud-basierte data-Verarbeitung angehen. Dies ist die Geschichte, wie eine eingebettete database das Fliegen lernte und warum sie gerade Ihren data-Stack revolutionieren k\u00f6nnte.<\/span><\/p>\n Um diesen sich entwickelnden Kunden zu gewinnen, m\u00fcssen sich Einzelh\u00e4ndler schnell anpassen.<\/p>\n MotherDuck<\/span><\/a> beschreibt sich selbst als ein \u201cDuckDB cloud data Warehouse, das auf Terabytes skaliert, f\u00fcr kundenorientierte Analysen und BI.\u201d Um zu verstehen, was dieses cloud data Warehouse so besonders macht, m\u00fcssen wir uns zun\u00e4chst ansehen <\/span>DuckDB<\/span><\/a>, das Open-Source-System database, das den data-Stack in den letzten Jahren im Stillen revolutioniert hat. Einfach ausgedr\u00fcckt ist DuckDB ein In-Memory-OLAP-SQL-database-System. F\u00fcr diejenigen, die mit dem database-Jargon nichts anfangen k\u00f6nnen, erkl\u00e4ren wir Ihnen jetzt, was das bedeutet:<\/span><\/p>\n OLAP steht f\u00fcr Online Analytical Processing. Stellen Sie sich eine data-Datenbank vor, die entwickelt wurde, um riesige Mengen von data zu verarbeiten und komplexe Gesch\u00e4ftsfragen schnell zu beantworten. Im Gegensatz zu herk\u00f6mmlichen data-Datenbanken, die sich durch das Auffinden einzelner Datens\u00e4tze auszeichnen (z.B. die Suche nach einer Kundenbestellung), sind OLAP-data-Datenbanken darauf ausgelegt, Millionen von Zeilen zu durchsuchen und umfangreiche Berechnungen in Sekundenschnelle durchzuf\u00fchren. Sie erreichen diese Geschwindigkeit, indem sie data in Spalten und nicht in Zeilen speichern. So k\u00f6nnen Sie blitzschnell Trends analysieren, Durchschnittswerte berechnen oder Ums\u00e4tze \u00fcber ganze data-S\u00e4tze summieren. Dies ist derselbe Ansatz, der von modernen data-Warehouses wie BigQuery oder Snowflake verwendet wird. Auf der anderen Seite haben Sie OLTP (Online Transaction Processing) data-Basen wie PostgreSQL, SQLite oder MySQL. Dies sind die Arbeitstiere, die Ihre Anwendungen antreiben und Tausende von einzelnen Lese- und Schreibvorg\u00e4ngen pro Sekunde verarbeiten, damit Ihre Anwendung reibungslos l\u00e4uft.<\/span> Sehen Sie mehr \u00fcber OLAP vs. OLTP<\/span><\/a>.<\/span><\/p>\n Um zu verstehen, wie revolution\u00e4r der Ansatz von DuckDB wirklich ist, m\u00fcssen wir einen Schritt zur\u00fccktreten und uns ansehen, wie wir hierher gekommen sind. Mitte der 1990er Jahre, als Web-Giganten wie Yahoo und Amazon auf den Plan traten, stie\u00dfen sie auf eine Mauer, die die gesamte data-Landschaft umgestalten sollte. Diese Unternehmen ertranken in data, dem, was wir sp\u00e4ter als \u201cgro\u00dfes data\u201d bezeichnen w\u00fcrden, und ihre bestehenden Systeme konnten einfach nicht mehr mithalten. Die L\u00f6sung? Teure, monolithische Infrastrukturen, die den Umfang bew\u00e4ltigen konnten. Doch als die Hardwarekosten in den 2000er Jahren drastisch sanken, kam eine neue Philosophie auf: Warum nicht viele kleinere, billigere Maschinen verwenden, anstatt gr\u00f6\u00dfere zu kaufen? Aus dieser \u00dcberlegung heraus entstanden verteilte Systeme wie MapReduce und Apache Hadoop, Technologien zur Verteilung von Arbeitslasten auf Cluster von Standardhardware. Amazon machte sich diesen Trend zunutze, indem es diese verteilten Technologien als Dienste verpackte und Amazon Web Services, die erste gro\u00dfe cloud-Plattform, auf den Markt brachte. Jahrelang wurde dies zum Standardverfahren: Wenn Sie auf ein data-Problem stie\u00dfen, verteilten Sie es auf mehrere Rechner (Fundamentals of Data Engineering, Joe Reis & Matt Housley).<\/span><\/p>\n Aber das Faszinierende ist, dass, w\u00e4hrend alle damit besch\u00e4ftigt waren, verteilte Systeme zu entwickeln, im Hintergrund noch etwas anderes geschah. Die gleichen Kr\u00e4fte, die das verteilte Rechnen wirtschaftlich machten, machten auch die einzelnen Rechner unglaublich leistungsf\u00e4hig. Ihr Laptop ist heute mit mehr Arbeitsspeicher, schnelleren Prozessoren und besserem Speicher unglaublich leistungsf\u00e4hig geworden. Die Entwickler von DuckDB erkannten diese \u00fcbersehene Chance: Was w\u00e4re, wenn wir, anstatt immer weiter zu skalieren, intelligenter skalieren k\u00f6nnten? Was w\u00e4re, wenn wir viele data Probleme ganz ohne die Komplexit\u00e4t verteilter Systeme l\u00f6sen k\u00f6nnten?<\/span><\/p>\n Einer der am h\u00e4ufigsten eingesetzten database-Motoren der Welt<\/span><\/a>, SQLite verfolgt einen radikal anderen Ansatz als herk\u00f6mmliche data-Basen. W\u00e4hrend PostgreSQL und MySQL als separate Server laufen, mit denen sich Anwendungen \u00fcber ein Netzwerk verbinden, bettet sich SQLite als leichtgewichtige Bibliothek direkt in Ihre Anwendung ein. Es muss kein Server konfiguriert werden, es gibt keinen Netzwerk-Overhead und keine komplexe Einrichtung, sondern nur reine, lokale database-Funktionalit\u00e4t, die innerhalb des Prozesses Ihrer Anwendung l\u00e4uft. Diese Einfachheit, kombiniert mit bemerkenswerter Zuverl\u00e4ssigkeit und Geschwindigkeit, hat dazu gef\u00fchrt, dass SQLite von mobilen Anwendungen bis hin zu Webbrowsern allgegenw\u00e4rtig ist.<\/span><\/p>\n DuckDB wendet dieselbe eingebettete Philosophie auf analytische Workloads an und beweist, dass Sie nicht immer ein verteiltes System ben\u00f6tigen, um gro\u00dfe data-Sets zu verarbeiten. So wie SQLite die lokale data-Speicherung revolutioniert hat, nutzt DuckDB die rohe Kraft Ihres lokalen Rechners, um Analysen wieder einfach zu machen. Die Installation dauert nur wenige Sekunden, es gibt keine externen Abh\u00e4ngigkeiten, mit denen Sie sich herumschlagen m\u00fcssen, und pl\u00f6tzlich k\u00f6nnen Sie komplexe analytische Abfragen auf Gigabytes von data durchf\u00fchren, ohne eine einzige cloud-Instanz hochzufahren.<\/span><\/p>\n Das Besondere an DuckDB ist, dass es die Entwickler dort abholt, wo sie stehen. Sie m\u00fcssen einen Python DataFrame analysieren? DuckDB kann ihn direkt abfragen. Sie m\u00f6chten eine CSV-Datei durchsuchen? Das ist kein Problem. Diese nahtlose Integration hat DuckDB in Verbindung mit seiner blitzschnellen Columnar-Engine zu einem der am schnellsten wachsenden dataBase-Systeme im Bereich der Analytik gemacht. Die Leistungssteigerungen sind oft so dramatisch, dass Sie sich fragen, warum Sie \u00fcberhaupt verteilte Systeme verwenden. Wenn Sie tiefer in die technische Philosophie hinter diesem Ansatz eintauchen m\u00f6chten, empfehlen wir Ihnen die Lekt\u00fcre<\/span> \u201cProzessbegleitendes analytisches Data-Management mit DuckDB\u201d<\/span><\/a> vom Miterfinder von DuckDB, Hannes M\u00fchleisen.<\/span><\/p>\n Da Sie nun wissen, was DuckDB ist, lassen Sie uns \u00fcber seine Grenzen sprechen. Jede Technologie hat Kompromisse. DuckDB kann nur auf einem einzigen Rechner betrieben werden und akzeptiert jeweils nur eine Verbindung. In einer Welt, in der data-Teams cloud-native L\u00f6sungen f\u00fcr ganze Unternehmen entwickeln, ist dies eine ziemlich gro\u00dfe Einschr\u00e4nkung. Es ist nicht m\u00f6glich, dass mehrere Analysten gleichzeitig dieselbe DuckDB-Instanz abfragen, und schon gar nicht k\u00f6nnen Sie data-Sets in verschiedenen Teams gemeinsam nutzen, wie es bei einem herk\u00f6mmlichen data-Warehouse m\u00f6glich w\u00e4re. Bei aller Geschwindigkeit und Einfachheit sperrt DuckDB Ihr data im Wesentlichen auf einen Rechner, auf den jeweils nur eine Person Zugriff hat. Wie k\u00f6nnen Sie also diese unglaublich schnelle, aber von Natur aus auf einen einzigen Benutzer beschr\u00e4nkte data-Datenbank in ein cloud data-Warehouse verwandeln, das ein ganzes Unternehmen bedienen kann?<\/span><\/p>\n An dieser Stelle kommt MotherDuck ins Spiel. MotherDuck ist ein serverloses data-Warehouse, das die L\u00fccke zwischen der reinen Leistung von DuckDB und den kollaborativen Anforderungen moderner data-Teams schlie\u00dft. MotherDuck schafft ein, wie sie es nennen, \u201cindividualisiertes data-Warehouse f\u00fcr Analysen\u201d, das jedem Benutzer seine eigene leistungsstarke DuckDB-Instanz zur Verf\u00fcgung stellt und gleichzeitig die M\u00f6glichkeit bietet, data im gesamten Unternehmen gemeinsam zu nutzen. So funktioniert die Architektur:<\/span><\/p>\n In traditionellen cloud data-Lagern ist Ihr Laptop nur ein dummes Terminal. Alle schweren Aufgaben werden auf entfernten Servern erledigt, f\u00fcr die Sie stundenweise bezahlen. Aber die Sache ist die: Ihr MacBook ist wahrscheinlich schneller als eine $20-60 pro Stunde data Lagerinstanz. MotherDuck versucht, diese Rechenleistung mit zwei innovativen Ans\u00e4tzen zu nutzen:\u00a0<\/span><\/p>\n Bevor ich auf diese beiden Methoden eingehe, m\u00f6chte ich darauf hinweisen, dass die Rechenleistung von MotherDuck besonders gut zur Geltung kommt, wenn Sie sie auf Ihre <\/span>Goldschicht<\/span><\/a>. F\u00fcr diejenigen, die mit dem Begriff nicht vertraut sind: Die Goldschicht ist das endg\u00fcltige, gesch\u00e4ftsf\u00e4hige data, das bereinigt, aggregiert und angereichert wurde. Im Wesentlichen handelt es sich um die ausgefeilten data-Sets, die Ihre Analysen, Berichte und das maschinelle Lernen unterst\u00fctzen. Dies ist das data, das Ihre wichtigsten Gesch\u00e4ftsentscheidungen beeinflusst, so dass die Leistung hier absolut entscheidend ist. Jeder Stakeholder hat schon einmal unter qu\u00e4lend langsamen Dashboards gelitten, und jedes data-Teammitglied hat schon einmal auf das sich drehende Rad des Todes gestarrt, w\u00e4hrend es darauf wartete, dass komplexe Abfragen beendet wurden. MotherDuck geht diese Frustration frontal an.<\/span><\/p>\n Diese L\u00f6sung nutzt das leichtgewichtige und portable Design von DuckDB, so dass sie \u00fcber WebAssembly (Wasm) direkt in Ihrem Browser ausgef\u00fchrt werden kann. Stellen Sie sich Wasm als eine Technologie vor, mit der komplexe Software nativ in Ihrem Browser ausgef\u00fchrt werden kann: keine Plugins, keine Downloads, nur Rechenleistung, wo Sie sie am meisten brauchen. Mit DuckDB, das clientseitig ausgef\u00fchrt wird, k\u00f6nnen Sie komplexe analytische Abfragen durchf\u00fchren, ohne die \u00fcbliche Prozedur, bei der Sie Anfragen an einen Server senden und auf Antworten warten m\u00fcssen. Die data-Verarbeitung findet direkt in Ihrem Browser statt, wodurch die Netzwerklatenz entf\u00e4llt und die Abh\u00e4ngigkeiten von der Infrastruktur vollst\u00e4ndig reduziert werden. Sie k\u00f6nnen diese Magie selbst erleben, indem Sie Folgendes ausprobieren<\/span> DuckDB in Ihrem Browser<\/span><\/a>.<\/span><\/p>\n Wir werden hier nicht n\u00e4her auf die technische Umsetzung eingehen, aber es ist erw\u00e4hnenswert, dass sich DuckDB-Wasm auszeichnet. Ausf\u00fchrliche Forschung in<\/span> dieses Papier<\/span><\/a> zeigt, dass es bestehende browserbasierte L\u00f6sungen wie die Wasm-Version von SQLite oder Lovefield, eine JavaScript-basierte database, deutlich \u00fcbertrifft. Diese clevere technische Demo signalisiert einen grundlegenden Wandel in der Art und Weise, wie wir \u00fcber den Standort analytischer Berechnungen denken.<\/span><\/p>\n MotherDuck bietet diese von Wasm angetriebene Architektur, wie Mehdi Ouazza in<\/span> dieser Artikel<\/span><\/a>. Dieser Ansatz ist besonders leistungsf\u00e4hig f\u00fcr die Goldschicht-Analyse. Ihr data-Team kann mit sauberem, gesch\u00e4ftsf\u00e4higem data arbeiten, ohne sich um die Backend-Infrastruktur k\u00fcmmern zu m\u00fcssen. Die Verarbeitung erfolgt lokal, um eine maximale Geschwindigkeit zu erreichen, und Sie erzielen einige der schnellsten Antwortzeiten, die m\u00f6glich sind, indem Sie die Netzwerklatenz vollst\u00e4ndig eliminieren. Au\u00dferdem vermeiden Sie die hohen Rechenkosten, die herk\u00f6mmliche cloud data-Warehouses Ihnen gerne f\u00fcr jede Abfrage in Rechnung stellen. Das ist ein \u00fcberzeugendes Angebot: schnellere Analysen, niedrigere Kosten und eine einfachere Architektur - alles in einem.<\/span><\/p>\n <\/p>\n Eine weitere M\u00f6glichkeit, MotherDuck in Ihrer Goldschicht zu nutzen, ist seine duale Ausf\u00fchrungsf\u00e4higkeit, die auf intelligente Weise lokale Rechenleistung mit cloud-Skalierung kombiniert. Anstatt Ihr gesamtes data-Team zu zwingen, sich dieselben Rechenressourcen zu teilen, gibt MotherDuck jedem Benutzer sein eigenes \u201cEntlein\u201d: eine individuelle, serverlose Recheninstanz, die mit seinen Bed\u00fcrfnissen skaliert.<\/span><\/p>\n Die wahre St\u00e4rke der dualen Ausf\u00fchrung zeigt sich, wenn Sie mit data arbeiten, das \u00fcber verschiedene Quellen verstreut ist. Stellen Sie sich vor, Sie m\u00fcssen data, das in MotherDuck gespeichert ist, abfragen, es mit Dateien in S3 kombinieren und es mit einem data-Set verbinden, das sich lokal auf Ihrem Laptop befindet. Herk\u00f6mmliche cloud-Systeme w\u00fcrden Sie dazu zwingen, alles an einem Ort hochzuladen, bevor Sie quellen\u00fcbergreifende Abfragen durchf\u00fchren k\u00f6nnen. Die hybride Ausf\u00fchrung von MotherDuck ist intelligenter. Sie analysiert Ihre Abfrage, beh\u00e4lt nur die notwendigen data aus jeder Quelle und f\u00fchrt intelligente Verkn\u00fcpfungen zwischen den Standorten durch, wodurch Sie Zeit und data-\u00dcbertragungskosten sparen.<\/span><\/p>\n Unter der Haube zerlegt der Optimierer von MotherDuck Ihre Abfrage in einen DAG (gerichteten azyklischen Graphen) von Operationen, sch\u00e4tzt die Kosten f\u00fcr die Ausf\u00fchrung jedes Knotens vor Ort gegen\u00fcber der Ausf\u00fchrung aus der Ferne ab und behandelt data-Bewegungen automatisch. Sie schreiben einfach SQL, MotherDuck ermittelt die optimale Ausf\u00fchrungsstrategie. Dieser Ansatz definiert die cloud-Analytik grundlegend neu. Wir m\u00fcssen uns nicht mehr zwischen lokaler Einfachheit und cloud-Skalierbarkeit entscheiden, die jeweils ihre eigene Komplexit\u00e4t in Bezug auf data-Sharing und Workflow-Orchestrierung mit sich bringen. Mit MotherDuck erhalten Sie das Beste aus beiden Welten: Sie k\u00f6nnen lokal arbeiten, wenn Ihr Rechner damit zurechtkommt, bei Bedarf auf cloud skalieren und m\u00fchelos gemeinsam nutzen. Es handelt sich um eine serverlose L\u00f6sung, die die cloud-Rechenkosten senkt, weil Sie nur f\u00fcr das zahlen, was Sie tats\u00e4chlich berechnen.<\/p>\n Aber jetzt wird es interessant: Die gemeinsame Nutzung von data wird m\u00fchelos. Erinnern Sie sich noch daran, dass die Zusammenarbeit mit DuckDB aufgrund der Einzelplatznutzung m\u00fchsam war? Wenn ein data-Analyst eine gro\u00dfartige Analyse erstellte, musste er alles exportieren und auf ein gemeinsames Speichersystem hochladen, nur damit seine Kollegen darauf zugreifen konnten. Mit MotherDuck ist die gemeinsame Nutzung so einfach wie das Klicken auf eine Schaltfl\u00e4che oder das Ausf\u00fchren einer einzigen Codezeile, um einen Null-Kopie-Snapshot mit entsprechenden Zugriffskontrollen zu erstellen. Keine data-Bewegung, keine Speicherduplizierung, nur sofortige Zusammenarbeit.<\/p>\n Erfahren Sie mehr \u00fcber Dual\/Hybrid Query Execution in MotherDuck's Paper von <\/span>die Konferenz \u00fcber innovative Data-Systemforschung (CIDR)<\/span><\/a>. Sie k\u00f6nnen auch dies sehen <\/span>dbt Coalesce talk<\/span><\/a> von Jordan Tigani, Mitbegr\u00fcnder und CEO von MotherDuck.<\/span><\/p>\n Wir haben gesehen, wie MotherDuck den data-Teams erheblichen Overhead abnimmt und gleichzeitig leistungsstarke Analysefunktionen f\u00fcr Ihre Goldschicht bereitstellt. Aber die Theorie geht nur so weit. Wir wollten MotherDuck im Vergleich zu etablierten Anbietern im Bereich cloud data-Lager testen. Ein Blick auf die<\/span> Data Stack Bericht von 2025<\/span><\/a> ver\u00f6ffentlicht von Metabase, haben wir etwas \u00dcberraschendes herausgefunden: PostgreSQL ist nach wie vor die beliebteste database-Wahl, auch f\u00fcr analytische Arbeitslasten, gefolgt von Snowflake und BigQuery bei den befragten Unternehmen. Dies hat uns zu unseren Vergleichszielen gef\u00fchrt.<\/span><\/p>\n Wir haben beschlossen, MotherDuck mit gehostetem PostgreSQL auf Google Cloud und BigQuery zu vergleichen, indem wir <\/span>Apache Superset<\/span><\/a> als unser BI-Tool der Wahl. Superset bot sich aus mehreren Gr\u00fcnden an: Es ist Open Source, weit verbreitet und nativ mit MotherDuck und den meisten anderen wichtigen data-Basen kompatibel. Unsere Testumgebung bestand aus Apache Superset, das auf der Google Cloud Kubernetes Engine eingesetzt wurde und mit drei verschiedenen Backends verbunden war: BigQuery, PostgreSQL auf Cloud SQL und MotherDuck.<\/span><\/p>\n Wir haben unsere Tests in zwei Phasen unterteilt. Zun\u00e4chst f\u00fchrten wir den TPC-H-Benchmark durch: ein standardisierter Benchmark zur Entscheidungsunterst\u00fctzung, der uns zeigen sollte, wie MotherDuck in einer kontrollierten, theoretischen Umgebung abschneidet. Dann gingen wir n\u00e4her an die Realit\u00e4t heran und testeten, wie sich die Beziehung zwischen Superset und MotherDuck im Vergleich zu herk\u00f6mmlichen data-Warehouses in realen Dashboarding-Szenarien darstellt.<\/span><\/p>\n TPC-H ist der Standard f\u00fcr das Testen der analytischen Leistung von database. Es ist ein Benchmark zur Entscheidungsunterst\u00fctzung, der entwickelt wurde, um gro\u00dfe Mengen von data zu untersuchen, komplexe Abfragen auszuf\u00fchren und Antworten auf kritische Gesch\u00e4ftsfragen in verschiedenen Branchen zu liefern. Die vollst\u00e4ndige Spezifikation finden Sie in der<\/span> offizielle Dokumentation<\/span><\/a>. Der Benchmark besteht aus 22 Abfragen, die reale analytische Arbeitslasten simulieren, von einfachen Aggregationen bis hin zu komplexen Multi-Table-Joins.<\/span><\/p>\n Wir haben jede Abfrage einzeln durch das SQL-Labor von Superset f\u00fcr alle drei data-Basen laufen lassen: MotherDuck, BigQuery und PostgreSQL<\/b>. Wir haben die Abfragen auch direkt in der grafischen Benutzeroberfl\u00e4che von MotherDuck getestet, um die Client-Server-Latenz auszuschalten und weil, ehrlich gesagt, jedes Unternehmen, das MotherDuck einsetzt, seine data-Analysten wahrscheinlich eher in der vom Notizbuch inspirierten Oberfl\u00e4che von MotherDuck arbeiten l\u00e4sst als im SQL Lab von Superset. Au\u00dferdem kann die MotherDuck-Anwendung die WebAssembly-Architektur nutzen, die wir bereits besprochen haben, und wir waren neugierig, wie diese browserbasierte Ausf\u00fchrung im Vergleich zu herk\u00f6mmlichen Server-Client-Modellen abschneiden w\u00fcrde. Um faire Tests zu gew\u00e4hrleisten, war der Cache von Superset w\u00e4hrend aller Benchmarks deaktiviert.<\/span><\/p>\n F\u00fcr diesen Benchmark haben wir den TPC-H Skalierungsfaktor 10 (SF-10) verwendet, der ein 10 GB gro\u00dfes dataset erzeugt. Wir haben uns f\u00fcr den Skalierungsfaktor 10 entschieden, weil 10 GB eine realistische dataset-Gr\u00f6\u00dfe f\u00fcr die analytischen Arbeitslasten der meisten Unternehmen darstellt, die gro\u00df genug ist, um aussagekr\u00e4ftige Leistungsunterschiede zu erkennen, ohne dass eine Infrastruktur im Unternehmensma\u00dfstab erforderlich ist. Hier sehen Sie, wie sich das data auf die wichtigsten Tabellen verteilt:<\/span><\/p>\n Wir haben die DuckDB TPC-H-Erweiterung verwendet, um die data lokal zu generieren, und sie dann nahtlos auf MotherDuck hochgeladen. Dank der data-Ladefunktionen von MotherDuck dauerte dieser Vorgang nur wenige Minuten.<\/span><\/p>\n Hier sind die TPC-H SF-10 Ergebnisse in Sekunden. Die gelbe Spalte zeigt die Ergebnisse der nativen Benutzeroberfl\u00e4che der MotherDuck-App, w\u00e4hrend die anderen Spalten die Leistung des SQL-Labors von Superset (SST) darstellen:<\/span><\/p>\n MotherDuck liefert durchg\u00e4ngig eine Leistung im Sekundenbereich: <\/span>21 von 22 Abfragen \u00fcber Superset in weniger als einer Sekunde abgeschlossen<\/b>, wobei alle Abfragen in weniger als einer Sekunde abgeschlossen werden, wenn sie direkt \u00fcber die MotherDuck-App ausgef\u00fchrt werden. BigQuery zeigt eine respektable Leistung, aber im Durchschnitt <\/span>etwa 4x langsamer als MotherDuck <\/b>in der gesamten Benchmark-Suite. Bei PostgreSQL sieht das ganz anders aus. Hier ist die Leistung deutlich langsamer und es gibt deutliche Probleme bei komplexen Aggregationen und Joins. Dies war vorhersehbar, da PostgreSQL grunds\u00e4tzlich f\u00fcr OLTP-Arbeitslasten und nicht f\u00fcr die analytische Verarbeitung konzipiert ist, aber wir haben es in unseren Vergleich einbezogen, weil es von Unternehmen nach wie vor h\u00e4ufig f\u00fcr analytische Aufgaben verwendet wird. Es ist erw\u00e4hnenswert, dass PostgreSQL mit geeigneten Optimierungstechniken wie Indizierung, Partitionierung oder materialisierten Ansichten eine viel bessere Leistung erzielen k\u00f6nnte, aber selbst dann w\u00fcrde es immer noch gegen seine zeilenbasierte Architektur ank\u00e4mpfen. Der Leistungsunterschied macht deutlich, warum es speziell entwickelte OLAP-Systeme wie MotherDuck gibt: Wenn Sie komplexe analytische Abfragen auf umfangreichen data-Sets ausf\u00fchren, ist die Architektur von enormer Bedeutung.<\/span><\/p>\n TPC-H zeigt zwar die reine Abfrageleistung an, aber der eigentliche Test ist, wie sich dies auf die tats\u00e4chliche Benutzererfahrung in Business Intelligence-Tools auswirkt.<\/span><\/p>\n Wir haben gesehen, dass die Leistung f\u00fcr data-Analysten, die mit SQL auf ihrem data-Warehouse arbeiten, hervorragend war, aber wir wollten testen, ob sich diese Verbesserung auch auf das Dashboarding \u00fcbertragen l\u00e4sst, also auf den Bereich, in dem die Gesch\u00e4ftsinteressenten tats\u00e4chlich mit dem data interagieren. Schlie\u00dflich n\u00fctzen blitzschnelle SQL-Abfragen nicht viel, wenn Ihre Dashboards immer noch ewig zum Laden brauchen.<\/span><\/p>\n Um dies zu testen, haben wir ein realistisches E-Commerce dataset von<\/span> Kaggle<\/span><\/a> mit 67,5 Millionen Zeilen auf 9 GB data, der Gr\u00f6\u00dfenordnung, mit der viele Unternehmen f\u00fcr ihre monatlichen Kundenanalysen arbeiten. Anhand dieser einzigen Tabelle erstellten wir ein umfassendes Dashboard, mit dem wir die F\u00e4higkeit der einzelnen Systeme zur Bew\u00e4ltigung realer Business Intelligence-Arbeitslasten testen konnten:<\/span><\/p>\n Ich habe das Dashboard in mehreren Durchl\u00e4ufen ausgiebig getestet und dabei verschiedene Filter angewendet, Ladezeiten gemessen, den Cache deaktiviert und die Reaktionszeiten \u00fcber die Entwickler-Tools meines Browsers \u00fcberwacht. Nach mehreren Testzyklen, um konsistente Ergebnisse sicherzustellen, sind hier die Dashboard-Leistungskennzahlen in Sekunden:<\/span><\/p>\n Unsere Dashboard-Ladetests zeigen, welche praktischen Auswirkungen die Leistung von database auf die Benutzererfahrung hat. MotherDuck bietet eine au\u00dfergew\u00f6hnliche Reaktionsf\u00e4higkeit des Dashboards mit einer durchschnittlichen Ladezeit von nur 3,35 Sekunden und erm\u00f6glicht so wirklich interaktive Analysen, bei denen die Benutzer data ohne Reibungsverluste erkunden k\u00f6nnen. Im Gegensatz dazu ben\u00f6tigt BigQuery 8,55 Sekunden, um dasselbe Dashboard zu laden. Das ist f\u00fcr geplante Berichte noch akzeptabel, f\u00fchrt aber zu sp\u00fcrbaren Verz\u00f6gerungen, die von explorativen Analysen abhalten k\u00f6nnen. Die Ladezeit von PostgreSQL von 216 Sekunden (>3 Minuten) macht es f\u00fcr die Verwendung in Dashboards v\u00f6llig unpraktisch. Dieser Leistungsvorteil f\u00fcr MotherDuck kann die Art und Weise, wie Gesch\u00e4ftsanwender mit data interagieren, grundlegend ver\u00e4ndern. Wenn Dashboards in Sekunden statt in Minuten geladen werden, steigt die Akzeptanz bei den Anwendern, k\u00f6nnen Analysten schnell auf Erkenntnisse zur\u00fcckgreifen und die Analyse wird zu einem Wettbewerbsvorteil und nicht zu einem Engpass.<\/span><\/p>\n MotherDuck kombiniert Speicherung mit <\/span>Umlageverfahren<\/span><\/a> Rechenleistung, optimiert f\u00fcr interaktive Analysen. Da die Skalierung auf einem einzigen Rechner erfolgt, anstatt \u00fcber einen Cluster verteilt zu werden, wird der Overhead vermieden, f\u00fcr den die Benutzer letztendlich bezahlen. Eine Sitzung mit Dutzenden von Abfragen kostet vielleicht nur $0,05-$0,10, w\u00e4hrend ein Team, das monatlich Tausende von Abfragen durchf\u00fchrt, vielleicht nur $20-$40 ausgibt. Im Gegensatz dazu k\u00f6nnen data-Basen, die st\u00e4ndig in Betrieb sind, $300-$500\/Monat kosten, nur um in Betrieb zu bleiben, und cloud-Lagerh\u00e4user berechnen oft $5-$10 pro gescanntem TB. Mit seinem Scale-up-Design h\u00e4lt MotherDuck die Preisgestaltung einfach, vorhersehbar und kosteneffizient.<\/span><\/p>\n MotherDuck mag auf den ersten Blick teurer erscheinen, weil es eine Organisationsgeb\u00fchr und ein anderes Preismodell f\u00fcr die Datenverarbeitung hat. Beide Systeme verwenden jedoch Preismodelle, die unterschiedliche Nutzungsmuster beg\u00fcnstigen: BigQuery eignet sich hervorragend f\u00fcr die Verarbeitung gro\u00dfer Stapel, w\u00e4hrend MotherDuck f\u00fcr interaktive Analysen optimiert ist. Bei unserem TPC-H-Benchmark kostete die Ausf\u00fchrung von 22 Abfragen auf SF-10 $0,03 f\u00fcr MotherDuck gegen\u00fcber $0,60-$1,00 f\u00fcr BigQuery. Ber\u00fccksichtigt man den Infrastruktur-Overhead - unser PostgreSQL-Setup ben\u00f6tigte 14 \u20ac\/Tag, nur um online zu bleiben -, so liefert der serverlose Ansatz von MotherDuck oft bessere Gesamtbetriebskosten f\u00fcr interaktive analytische Workloads.<\/span><\/p>\n Im Unternehmensma\u00dfstab verschiebt sich die Wirtschaftlichkeit je nach Nutzungsmuster. BigQuery wird kosteneffizienter f\u00fcr die Batch-Verarbeitung in sehr gro\u00dfen Mengen, w\u00e4hrend MotherDuck seinen Vorteil f\u00fcr interaktive Analysen und explorative Workflows beibeh\u00e4lt. Die wichtigste Erkenntnis: W\u00e4hlen Sie Ihr Preismodell auf der Grundlage der Art und Weise, wie Ihr Team tats\u00e4chlich mit data arbeitet, und nicht nur auf der Grundlage der Rohkosten pro Einheit.<\/span><\/p>\n Hinweis: Alle Preisbeispiele basieren auf der Region Europa-West4 und sollten eher als illustrativ denn als exakt angesehen werden, da die tats\u00e4chlichen Kosten stark von den spezifischen Nutzungsmustern und den Eigenschaften des data abh\u00e4ngen.<\/span><\/i><\/p>\n MotherDuck stellt einen grundlegenden Wandel in der Art und Weise dar, wie wir \u00fcber analytische data-Basen denken. Es stellt die Annahme in Frage, dass Sie komplexe, verteilte Systeme ben\u00f6tigen, um ernsthafte data-Workloads zu bew\u00e4ltigen. MotherDuck \u00fcbernimmt die eingebettete Philosophie von DuckDB und erweitert sie auf den cloud. Damit bietet MotherDuck die kollaborativen F\u00e4higkeiten, die moderne data-Teams ben\u00f6tigen, und beh\u00e4lt gleichzeitig die Leistung bei, die DuckDB so au\u00dfergew\u00f6hnlich macht.<\/span><\/p>\n Unsere Benchmarking-Ergebnisse erz\u00e4hlen eine \u00fcberzeugende Geschichte: MotherDuck \u00fcbertraf sowohl BigQuery als auch PostgreSQL durchg\u00e4ngig um ein Vielfaches und lieferte eine Abfrageleistung von weniger als einer Sekunde bei 10GB datasets und Dashboard-Ladezeiten, die wirklich interaktive Analysen erm\u00f6glichen. Der Leistungsvorteil gegen\u00fcber BigQuery und der sehr gro\u00dfe Vorteil gegen\u00fcber PostgreSQL in Dashboard-Szenarien bezieht sich nicht nur auf schnellere Abfragen, sondern auf die Umwandlung von Analysen in ein interaktives, exploratives Erlebnis, das die data-driven Entscheidungsfindung f\u00f6rdert.<\/span><\/p>\n Am wichtigsten ist vielleicht, dass MotherDuck diese Leistung erreicht und gleichzeitig die Komplexit\u00e4t der Infrastruktur und die Kosten drastisch reduziert. W\u00e4hrend herk\u00f6mmliche cloud-Setups eine st\u00e4ndig verf\u00fcgbare Infrastruktur erfordern, die monatlich Hunderte von Dollar kostet, wird beim serverlosen Modell von MotherDuck nur die tats\u00e4chliche Nutzung berechnet, was die Kosten oft senkt. Das Pay-per-Compute-Preismodell entspricht genau der Arbeitsweise von Analysten: Sie f\u00fchren mehrere Abfragen in Explorationssitzungen durch und nicht nur einzelne, seltene Anfragen.<\/span><\/p>\n Die Auswirkungen gehen \u00fcber die reine Leistung und die Kosten hinaus. Das duale Ausf\u00fchrungsmodell von MotherDuck und die browserbasierten Analysefunktionen deuten auf eine Zukunft hin, in der die Grenze zwischen lokalem und cloud-Computing zunehmend flie\u00dfend wird. Anstatt Teams zu zwingen, sich zwischen lokaler Einfachheit und cloud-Skalierbarkeit zu entscheiden, bietet MotherDuck beides und leitet Berechnungen auf intelligente Weise dorthin, wo sie am sinnvollsten sind.<\/span><\/p>\n Was mich beim Testen wirklich beeindruckt hat, war die Einfachheit der Nutzung und Einrichtung von MotherDuck. Das duale Ausf\u00fchrungsmodell erm\u00f6glichte es mir, die data sowohl lokal als auch im cloud gleichzeitig abzufragen, w\u00e4hrend die Einrichtung der Verbindung zwischen Superset und MotherDuck bemerkenswert einfach war.<\/span><\/p>\n F\u00fcr Unternehmen, die ihre analytischen F\u00e4higkeiten ab der Goldschicht modernisieren m\u00f6chten, bietet MotherDuck ein sehr attraktives Angebot: Leistung auf Unternehmensniveau, kollaborative Arbeitsabl\u00e4ufe und Kosteneffizienz, und das alles ohne den operativen Aufwand einer herk\u00f6mmlichen data-Warehouse-Infrastruktur. In einer Welt, in der data-driven-Entscheidungen zunehmend den Wettbewerbsvorteil bestimmen, ist die F\u00e4higkeit, data interaktiv und in Sekundenschnelle zu erforschen, nicht nur ein Nice-to-have, sondern wird immer wichtiger.<\/span><\/p>\n Sind Sie bereit, die Performance von MotherDuck selbst zu erleben?<\/b> Sie k\u00f6nnen mit einer <\/span>21-t\u00e4gige kostenlose Testversion oder mit dem kostenlosen 10GB-Tarif <\/span><\/a>um es mit Ihren eigenen data-Sets und Workloads zu testen. Wenn Sie wissen m\u00f6chten, ob MotherDuck zu Ihrem speziellen data-Stack passt, oder wenn Sie Hilfe bei der Implementierung ben\u00f6tigen, wenden Sie sich an unser Team unter <\/span>Artefact<\/span><\/a>, Wir w\u00fcrden uns freuen, Ihren Analysebedarf zu ermitteln und Ihnen bei der Umstellung auf eine effizientere und kosteng\u00fcnstigere Analyseinfrastruktur zu helfen.<\/span><\/p>\n <\/p>","protected":false},"excerpt":{"rendered":" MotherDuck erweitert die analytische Leistung von DuckDB auf das cloud mit kollaborativen Funktionen und bietet eine 4x schnellere Leistung als BigQuery sowie Kosteneinsparungen gegen\u00fcber herk\u00f6mmlichen data-Warehouses durch serverlose, nutzungsabh\u00e4ngige Preise. Nach der Ank\u00fcndigung der neuen europ\u00e4ischen cloud-Region von MotherDuck waren wir von der Leistung und dem attraktiven Preis beeindruckt. MotherDuck kann bereits in Ihre Goldschichten integriert werden, um die Bereitstellung von data-Anwendungsf\u00e4llen zu beschleunigen und gleichzeitig Kosten zu sparen. Siehe Leistungsbenchmark.<\/p>","protected":false},"featured_media":1021833,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995,21939],"blog-language":[2991],"class_list":["post-1015858","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-category-medium","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/1015858","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/1021833"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=1015858"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=1015858"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=1015858"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Eine schl\u00fcpfende Ente<\/b><\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Client-Server-MotherDuck.png\")
<\/p>\n![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Chart-MotherDuck.png\")
<\/h3>\nDie Ente, die das Fliegen lernte<\/b><\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-Architecture.png\")
<\/p>\n\n
In-Browser-Analysen<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-WASM-Powered-1.5-tier-architecture.png\")
<\/p>\nDoppelte Ausf\u00fchrung<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-Dualhybrid-query-execution.png\")
<\/h2>\n![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Architecture-Managed-DuckDB-in-the-cloud.png\")
<\/p>\nEnten in freier Wildbahn<\/h2>\n
TPC-H-Benchmarking<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-Web-GUI.png\")
<\/p>\n![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-Tables.png\")
<\/p>\n![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Results-for-the-22-queries-in-seconds-MD.png\")
<\/p>\nDashboard Leistung<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Superset-dashboard.png\")
<\/p>\n![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Loading-results-MD.png\")
<\/p>\nVergleich der Preise<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Pricing-models-of-each-solution-for-the-benchmark.png\")
<\/p>\nFazit<\/b><\/h2>\n