Hybrid Tables sind jetzt bis zu 8x schneller

Hybrid Tables sind jetzt bis zu 8x schneller (basierend auf internen Benchmarks)¹ – mit standardisierter Abrechnung und drastisch verbesserter Batch-Performance. Dieser Durchbruch macht Hybrid Tables noch leistungsstärker für Workloads mit hoher Parallelität und geringer Latenz, wie KI-Anwendungen und das Workflow-Statusmanagement.

Das bedeutet in der Praxis: Teams können nun Tausende von gleichzeitigen Point-Lookups ausführen, den Status von KI-Agenten speichern und transaktionale Anwendungslogik direkt in Snowflake verwalten – und das mit Geschwindigkeiten, für die bisher eine separate, dedizierte Datenbank erforderlich war. 

Transaktionale Workloads sollten keine komplexen Datenverschiebungen erfordern 

Zu lange waren Teams, die transaktionale Anwendungen entwickeln, gezwungen, neben ihrer Analyseplattform separate OLTP-Datenbanken (Online Transaction Processing) zu pflegen und anzubinden. Dies führt zu einer enormen Komplexität: fehleranfällige Pipelines, Dateninkonsistenz sowie doppelte Governance- und Entwicklungsaufwände, bei denen Systeme synchronisiert werden, anstatt Produkte zu entwickeln.

Im Zeitalter von KI-Agenten und Echtzeitanwendungen kann diese Fragmentierung zu einem Risiko werden. Wenn Ihr Agent aktuelle Transaktionsstatus lesen, historischen Kontext abfragen und Ergebnisse zurückschreiben muss – und das alles in Millisekunden –, können Sie sich die Latenz von Datenpipelines nicht leisten.

Hybrid Tables lösen dieses Problem, indem sie transaktionale Workloads tief in die Snowflake-Datenbank integrieren. So können Sie transaktionale und analytische Daten in einer einzigen Abfrage verknüpfen und gleichzeitig einheitliche Governance- und Sicherheitskontrollen für all Ihre Daten aufrechterhalten. 

Was ist neu: Performance, die neue Möglichkeiten eröffnet

Dieses Release umfasst drei wesentliche Verbesserungen.

1. Höherer Durchsatz, automatisch angewendet

Hybrid Tables unterstützen jetzt die Ausführung von Single-Statement-Abfragen, was den Overhead für wiederkehrende Operationen drastisch reduzieren kann. Das Ergebnis: ein bis zu 8x höherer Durchsatz für Point-Operationen, basierend auf internen Benchmarks.¹ 

Sobald diese Performance-Verbesserung allgemein verfügbar ist, wird sie standardmäßig für alle Hybrid Tables-Workloads aktiviert – ohne dass Codeänderungen oder Konfigurationen erforderlich sind.

2. Schnellere, kostengünstigere Batch-Operationen

Bulk Inserts in Hybrid Tables sind nun auf Ebene der Storage Engine optimiert. Benchmarks zeigen bis zu 10x schnellere Batch-Schreibvorgänge bei 10x geringeren Kosten, selbst bei Tabellen mit vorhandenen Daten.² Das System wählt dynamisch das optimale Ausführungsmodell. Optimierte Batch-Update-, Merge- und Delete-Operationen folgen in Kürze.

Dies macht einen großen Unterschied für Teams, die ETL-Prozesse (Extract, Transform, Load) in Hybrid Tables ausführen, Status-Backfills durchführen oder große Datensätze synchronisieren. Was früher eine sorgfältige Orchestrierung erforderte, funktioniert jetzt mit einer einfachen INSERT-Anweisung.

3. Wegfall von Request Credits zur Kosteneinsparung

Snowflake hat die Abrechnung von Request Credits für Hybrid Tables abgeschafft. Die Preisgestaltung folgt nun einem vereinfachten Rechenressourcen- und Speichermodell – demselben Modell, das Snowflake-Kund:innen bereits kennen. Kund:innen verzeichnen bei Hybrid Tables durchschnittlich 15 % und bei anspruchsvollen Workloads mit hohem Durchsatz bis zu 40 % oder mehr geringere Kosten,³ sodass Teams mit Hybrid Tables kosteneffizienter skalieren können.

Performance der nächsten Generation führt zu echten Geschäftsergebnissen

Mit diesen Durchbrüchen ermöglichen Hybrid Tables nun eine noch bessere Performance für eine Vielzahl von Produktions-Workloads. So setzen Kund:innen sie in der Praxis ein:

Metadaten- und Statusmanagement 

Vereinfachung der Architektur durch Konsolidierung des Status in Snowflake

Teams, die komplexe Datenpipelines und Anwendungen ausführen, pflegen oft externe Datenbanken, nur um den Job-Status, Workflow-Checkpoints, Benutzersitzungsdaten oder Konfigurationsmetadaten von Anwendungen zu erfassen. Hybrid Tables beseitigen diesen Overhead und ermöglichen es, den Status zusammen mit Ihren analytischen Daten unter Einhaltung von ACID-Transaktionsgarantien zu speichern – ganz ohne separate Infrastruktur.

MarketWise, die Holdinggesellschaft für Finanzdienstleistungen, die Millionen von Abonnent:innen selbstgesteuertes Investieren ermöglicht, hat MySQL und DynamoDB durch Hybrid Tables ersetzt, um den Workflow-Status zahlreicher Data Engineering-Pipelines in Echtzeit zu verfolgen. Das Ergebnis: Eine Reduzierung der Infrastrukturkosten um 35 % und eine zentralisierte Plattform, die unnötige Datenverschiebungen überflüssig macht.

Dasselbe Konsolidierungsmuster erstreckt sich auch über das Data Engineering hinaus. Verantos, das Life-Sciences-Unternehmen, das aus Milliarden von klinischen Datensätzen Real-World-Evidenz generiert, vereinte Forschungs-Metadaten und den Anwendungsstatus mit seinen analytischen Workloads auf Hybrid Tables – und machte so separate RDS- und Redshift-Infrastruktur überflüssig. Komplexe Abfragen, die früher 30 Minuten dauerten, werden jetzt in unter 10 Minuten abgeschlossen. Ihr schlankes DevOps-Team leistet nun das, was zuvor zusätzliches Personal erforderte.

Data Serving 

Bereitstellung aktueller Lookups mit geringer Latenz direkt aus Snowflake

Wenn Anwendungen Echtzeitergebnisse wie Produktempfehlungen, Geodaten-Lookups und Preisdaten bereitstellen müssen, richten Teams traditionell eine dedizierte Serving-Schicht ein. Hybrid Tables machen Snowflake selbst zu einer High-Performance-Serving-Schicht, wodurch Datenverschiebungen entfallen und die Ergebnisse aktuell bleiben.

Grailed, ein führender, Community-gesteuerter Marktplatz für Luxus-, Streetwear- und Vintage-Mode, nutzt Hybrid Tables, um Millionen von Nutzer:innen in Sekundenbruchteilen personalisierte Style-Empfehlungen zu liefern. Durch die Speicherung vorberechneter ML-Empfehlungen in Hybrid Tables stellen sie Point-Lookups mit hohem Durchsatz und geringer Latenz direkt aus Snowflake bereit, ohne eine separate Serving-Datenbank zu benötigen.

Leichtgewichtige Anwendungen und agentenbasierte Workflows

Ausführung kundenorientierter Anwendungslogik nativ auf Snowflake

Für Anwendungen, die schnelle Lese- und Schreibvorgänge erfordern – Customer Journeys, Case Management, Session-Tracking und Berechtigungsprüfung –, bieten Hybrid Tables die Transaktionsgarantien einer OLTP-Datenbank ohne den operativen Aufwand für deren Betrieb.

Elementum, die durch KI gesteuerte Plattform zur Workflow-Automatisierung, läuft direkt auf Snowflake und nutzt Hybrid Tables, um sowohl operative Geschwindigkeit als auch analytische Leistung zu bieten. Ihre Plattform orchestriert KI-Agenten, Geschäftsregeln und menschliche Interaktionen in mehrstufigen Prozessen, die alle Lese- und Schreibvorgänge in Echtzeit und mit hoher Parallelität sowie erzwungene Primär- und Fremdschlüssel-Constraints erfordern.

Die Ergebnisse sprechen für sich. Kund:innen erzielen eine doppelt so schnelle Vertragsabwicklung, durchschnittliche Support-Lösungszeiten von 15 Minuten (eine Steigerung der Kundenzufriedenheitswerte um 125 %) und jährliche Einsparungen von mehr als 10 Millionen USD durch automatisiertes Softwarelizenzmanagement.

Starten Sie noch heute

Sehen Sie sich diesen Quickstart Guide an, um noch heute mit Hybrid Tables zu beginnen. Um unsere neuesten Performance-Verbesserungen auszuprobieren, folgen Sie unserer Dokumentation, um sich für die Public Preview anzumelden.

Zukunftsgerichtete Aussagen: Dieser Artikel enthält zukunftsgerichtete Aussagen, unter anderem über künftige Produktangebote. Diese Aussagen stellen keine Garantie dar, dass diese Angebote wirklich bereitgestellt werden. Die tatsächlichen Ergebnisse und Angebote können abweichen und unterliegen bekannten und unbekannten Risiken und Unsicherheiten. Weitere Informationen finden Sie in unserem jüngsten 10-Q-Formular.

¹ Daten basierend auf Benchmarks, die mit dem Yahoo Cloud Serving Benchmark (YCSB) mit einem Lese-Workload von 100 % auf einem Gen2 XS-Warehouse ausgeführt wurden.

² Daten basierend auf internen Benchmarks zum Laden von 50 GB in Hybrid Tables mit einem 2X-Large Warehouse.

³ Daten basierend auf Snowflake-Schätzungen der durchschnittlichen Kosteneinsparungen bei Kund:innen, gemessen am realen Credit-Verbrauch in der Produktion im Februar 2026.