{"id":14119,"date":"2026-02-13T09:36:24","date_gmt":"2026-02-13T09:36:24","guid":{"rendered":"https:\/\/www.hopmann.com\/blog\/\/"},"modified":"2026-02-27T08:55:42","modified_gmt":"2026-02-27T08:55:42","slug":"snowflake-kosten-optimieren-ohne-performanceverlust","status":"publish","type":"blog","link":"https:\/\/www.hopmann.com\/de\/blog\/snowflake-kosten-optimieren-ohne-performanceverlust\/","title":{"rendered":"Snowflake Kosten optimieren ohne Performanceverlust"},"content":{"rendered":"<hr>\n<ul>\n<li><a href=\"#\">social<\/a>\n<\/li>\n<\/ul>\n<hr>\n<div>\n<p data-start=\"315\" data-end=\"706\"><em>Dieser Leitfaden konzentriert sich auf das Snowflake Kosten optimieren f\u00fcr Data Engineers, Analytics Engineers und <a href=\"https:\/\/www.hopmann.com\/de\/technologien\/snowflake\/\">Snowflake<\/a> Administratoren, die f\u00fcr das Design und den Betrieb von Snowflake Workloads verantwortlich sind. Er setzt Vertrautheit mit Warehouses, Tabellen und Query Ausf\u00fchrung voraus und fokussiert sich auf praktische \u00c4nderungen, die den Credit Verbrauch direkt reduzieren.<\/em><\/p>\n<p data-start=\"708\" data-end=\"873\">Snowflake macht das Skalieren von Analytics einfach. Genau diese Flexibilit\u00e4t kann jedoch unbemerkt zu steigenden Kosten f\u00fchren, wenn sie nicht aktiv gesteuert wird.<\/p>\n<p data-start=\"875\" data-end=\"951\">Die meisten <a href=\"https:\/\/www.hopmann.com\/de\/projekte\/case-study-cloud-kosten-monitoring-aws-snowflake\/\">Snowflake Ausgaben<\/a> werden durch drei zentrale Faktoren bestimmt:<\/p>\n<ul>\n<li data-start=\"953\" data-end=\"1201\"><strong data-start=\"953\" data-end=\"965\">Compute:<\/strong> Virtual Warehouses, die Queries ausf\u00fchren, Daten laden oder Transformationen durchf\u00fchren<\/li>\n<li data-start=\"953\" data-end=\"1201\"><strong data-start=\"1057\" data-end=\"1069\">Storage:<\/strong> Aktive Daten, Time Travel, Fail Safe und historische Micro Partitions<\/li>\n<li data-start=\"953\" data-end=\"1201\"><strong data-start=\"1142\" data-end=\"1155\">Services:<\/strong> Metadatenoperationen und Hintergrunddienste<\/li>\n<\/ul>\n<\/div>\n<p><img decoding=\"async\" src=\"\/wp-content\/uploads\/Snowflake-Kosten-optimieren-Blog-Hopmann.png\" alt=\"Snowflake Kosten optimieren Blog Hopmann\"><\/p>\n<div>\n<p><strong>In der Praxis ist Compute nahezu immer der dominante Kostentreiber<\/strong>, insbesondere wenn Warehouses \u00fcberdimensioniert sind, unn\u00f6tig lange laufen oder ineffiziente Workloads ausf\u00fchren.<\/p>\n<p>Um die Kontrolle zu behalten, stellt Snowflake integrierte Kostentransparenz \u00fcber die <b>Cost Management Views<\/b> in der Benutzeroberfl\u00e4che bereit. Dort k\u00f6nnen Sie:<\/p>\n<ul>\n<li>Credit Verbrauch im Zeitverlauf nachverfolgen<\/li>\n<li>Ausgaben pro Warehouse aufschl\u00fcsseln<\/li>\n<li>Kostenanstiege und langlaufende Workloads identifizieren<\/li>\n<li>Erwartungen und Budgets auf Basis realer Daten definieren<\/li>\n<\/ul>\n<p>Monitoring ist der erste Schritt. Nachhaltige Einsparungen entstehen jedoch durch b<strong>ewusste Design und Konfigurationsentscheidungen<\/strong>.<\/p>\n<p>In diesem <strong>ersten Teil unserer Blog-Serie<\/strong> zeigen wir, wie Sie Snowflake Kosten optimieren k\u00f6nnen durch gezielte Anpassungen an Virtual Warehouses und Tabellenkonfigurationen.<\/p>\n<p><b>Im zweiten Blogbeitrag<\/b> analysieren wir, wie Workload Konfiguration, Datenlade Muster und integrierte Snowflake Kontrollmechanismen dabei helfen k\u00f6nnen, Snowflake Kosten zu optimieren.<\/p>\n<\/div>\n<h2>1. Snowflake Compute Kosten optimieren durch Warehouse Konfiguration<\/h2>\n<h3>1.1 Auto Suspend Einstellungen optimieren, um Snowflake Kosten zu reduzieren<\/h3>\n<div>\n<p data-start=\"2397\" data-end=\"2701\">Compute wird f\u00fcr jede Sekunde berechnet, in der ein Virtual Warehouse l\u00e4uft, mit einer Mindestabrechnung von 60 Sekunden pro Start. Snowflake suspendiert ein Virtual Warehouse automatisch nach einer definierten Leerlaufzeit. Der Standardwert f\u00fcr Auto Suspend betr\u00e4gt 10 Minuten, also 600 Sekunden.<\/p>\n<p data-start=\"2703\" data-end=\"2939\">Ist der Auto Suspend Wert h\u00f6her als 60 Sekunden gesetzt, l\u00e4uft das Warehouse weiter und verursacht Kosten, auch wenn es keine Queries verarbeitet. Daher ist die korrekte Einstellung von Auto Suspend entscheidend f\u00fcr die Kostenkontrolle.<\/p>\n<p data-start=\"2941\" data-end=\"3396\">F\u00fcr ETL und Batch Workloads sollte Auto Suspend typischerweise auf 60 Sekunden gesetzt werden, um Leerlaufkosten zu minimieren. BI und interaktive Workloads profitieren hingegen von 90 bis 120 Sekunden, um Cache zu erhalten und die Benutzererfahrung zu verbessern. Die effektivste Strategie besteht darin, ETL und BI in separate Warehouses mit jeweils angepassten Auto Suspend Einstellungen zu trennen, um sowohl Kosten als auch Performance zu optimieren.<\/p>\n<p data-start=\"3398\" data-end=\"3470\"><strong><em>Warum Auto Suspend unter 60 Sekunden zu doppelten Kosten f\u00fchren kann<\/em><\/strong><\/p>\n<p data-start=\"3472\" data-end=\"3623\">Ein Auto Suspend Wert <em>unter<\/em> 60 Sekunden wird nicht empfohlen, da er unbeabsichtigt zu h\u00f6heren Kosten durch wiederholte Mindestabrechnungen f\u00fchren kann.<\/p>\n<p data-start=\"3625\" data-end=\"4230\">Angenommen, ein Warehouse ist auf 30 Sekunden Auto Suspend konfiguriert. Eine Query l\u00e4uft 10 Sekunden, danach wird das Warehouse nach 30 Sekunden Inaktivit\u00e4t suspendiert. Obwohl das Warehouse nur 30 Sekunden aktiv war, berechnet Snowflake dennoch die volle Mindestlaufzeit von 60 Sekunden. Wenn kurz darauf eine weitere Query eingeht, muss das Warehouse erneut gestartet werden, wodurch eine weitere Mindestabrechnung von 60 Sekunden entsteht. Zwei kurze Aktivit\u00e4tsphasen k\u00f6nnen so zu 120 Sekunden berechnetem Compute f\u00fchren, obwohl das Warehouse nur einen Bruchteil dieser Zeit tats\u00e4chlich genutzt wurde.<\/p>\n<p data-start=\"4232\" data-end=\"4376\"><strong data-start=\"4232\" data-end=\"4250\">Best Practice:<\/strong> Auto Suspend auf 60 Sekunden f\u00fcr ETL und Batch Workloads und auf 90 bis 120 Sekunden f\u00fcr BI und interaktive Workloads setzen.<\/p>\n<\/div>\n<h3>1.2 Virtual Warehouses richtig dimensionieren<\/h3>\n<div>\n<p data-start=\"4510\" data-end=\"4621\">\u00dcberdimensionierte Virtual Warehouses verursachen h\u00e4ufig einen erheblichen Anteil der Snowflake Compute Kosten.<\/p>\n<p data-start=\"4623\" data-end=\"5169\">Da Snowflake Preise auf Basis von <strong>Ausf\u00fchrungszeit multipliziert mit Credit Verbrauchsrate<\/strong> berechnet, kostet eine Query, die auf einem Medium Warehouse doppelt so schnell l\u00e4uft wie auf einem Small Warehouse, in der Regel gleich viel. Sobald jedoch die Performance ein Plateau erreicht, erh\u00f6hen gr\u00f6\u00dfere Warehouses lediglich die Kosten, ohne nennenswerte Geschwindigkeitsverbesserungen zu liefern. Dieses Verhalten zeigt sich typischerweise darin, dass die Ausf\u00fchrungszeit abflacht, w\u00e4hrend die Kosten mit zunehmender Warehouse Gr\u00f6\u00dfe weiter steigen.<\/p>\n<\/div>\n<p><img decoding=\"async\" src=\"\/wp-content\/uploads\/Reducing-Snowflake-Costs.png\" alt=\"Reducing Snowflake Costs\"><\/p>\n<div>\n<p><strong>Empfohlene Vorgehensweise zur Bestimmung der optimalen Warehouse Gr\u00f6\u00dfe<\/strong><\/p>\n<ol>\n<li>Wenn m\u00f6glich mit einem <strong>X Small Warehouse<\/strong> starten<\/li>\n<li>Die Warehouse Gr\u00f6\u00dfe schrittweise erh\u00f6hen und die Query Laufzeit beobachten<\/li>\n<li>Das Hochskalieren beenden, sobald die Ausf\u00fchrungszeit nicht mehr proportional sinkt, zum Beispiel nicht mehr halbiert wird. Das zeigt, dass das Warehouse nicht mehr vollst\u00e4ndig ausgelastet ist<\/li>\n<li>F\u00fcr das beste Verh\u00e4ltnis aus Kosten und Performance sollte eine <strong>Gr\u00f6\u00dfe unterhalb des Punkts mit abnehmendem Grenznutzen<\/strong> gew\u00e4hlt werden. &#8211;&gt; Beispiel: Wenn eine Erh\u00f6hung von Medium auf Large die Query Laufzeit nur um 25 Prozent reduziert, ist Medium in der Regel die kosteneffizientere Wahl.<\/li>\n<li>Gr\u00f6\u00dfere Warehouses sollten nur dann eingesetzt werden, wenn explizit schnellere Performance erforderlich ist, wobei zu beachten ist, dass der Nutzen ab einem bestimmten Punkt abnimmt.<\/li>\n<\/ol>\n<p><strong>Best Practice:<\/strong> Klein starten, schrittweise skalieren und dort stoppen, wo die Performancegewinne abflachen. Die kleinste Gr\u00f6\u00dfe w\u00e4hlen, die die Anforderungen erf\u00fcllt.<\/p>\n<\/div>\n<h3>1.3 Minimum Cluster Count auf 1 setzen<\/h3>\n<div>\n<p>In der <a href=\"https:\/\/www.snowflake.com\/de\/\" target=\"_blank\" rel=\"noopener\">Snowflake<\/a> Enterprise Edition und h\u00f6her erm\u00f6glichen Multi Cluster Warehouses das parallele Starten zus\u00e4tzlicher Cluster, um Lastspitzen bei gleichzeitigen Abfragen abzufangen. Um unn\u00f6tige Compute Kosten zu vermeiden, sollte der <strong>Minimum Cluster Count stets auf 1 gesetzt werden<\/strong>.<\/p>\n<p>Snowflake provisioniert bei steigender Last automatisch zus\u00e4tzliche Cluster bis zum definierten Maximum und tut dies mit minimaler Startzeit. Wird der Minimum Cluster Count h\u00f6her als 1 gesetzt, bleiben zus\u00e4tzliche Cluster dauerhaft aktiv, auch wenn sie nicht ben\u00f6tigt werden, und verursachen vollst\u00e4ndig abrechenbare Compute Kosten.<\/p>\n<p>Durch das Festlegen des Minimum Cluster Count auf 1 wird sichergestellt, dass zus\u00e4tzliche Cluster nur dann gestartet werden, wenn die Last dies rechtfertigt. So wird \u00dcberprovisionierung vermieden und gleichzeitig Performance bei Lastspitzen sichergestellt.<\/p>\n<p><strong>Best Practice:<\/strong> Minimum Cluster Count immer auf 1 setzen und Snowflake nur bei tats\u00e4chlichem Parallelit\u00e4tsbedarf skalieren lassen.<\/p>\n<\/div>\n<h3>1.4 Virtual Warehouses konsolidieren<\/h3>\n<div>\n<p data-start=\"7479\" data-end=\"7854\">Ein h\u00e4ufiges Kostenproblem in Snowflake Umgebungen ist <strong>Warehouse Sprawl<\/strong>. Wenn zu viele Warehouses existieren, sind viele davon unterausgelastet, f\u00fchren nur selten Queries aus oder befinden sich im Leerlauf, verbrauchen aber dennoch Credits. Die Kosteneffizienz steigt, wenn Workloads in so wenige Warehouses wie praktikabel konsolidiert werden und diese gut ausgelastet sind.<\/p>\n<p data-start=\"7856\" data-end=\"8206\">Anstatt Warehouses nach Daten Dom\u00e4nen zu strukturieren, zum Beispiel getrennt f\u00fcr Marketing und Finance, ist es in der Regel effizienter, sie nach <strong>Workload Typ<\/strong> zu organisieren. Beispielsweise f\u00fchrt ein Warehouse f\u00fcr Datenladung, eines f\u00fcr Transformationen und eines f\u00fcr BI oder Nutzerabfragen meist zu besserer Auslastung und geringeren Gesamtkosten.<\/p>\n<p data-start=\"8208\" data-end=\"8559\">Workloads innerhalb derselben Kategorie weisen oft \u00e4hnliche Performance Eigenschaften auf. Datenlade Jobs tolerieren beispielsweise Warteschlangen und k\u00f6nnen effizient auf einem gemeinsamen Multi Cluster X Small Warehouse laufen. Interaktive oder nutzernahe Abfragen profitieren dagegen typischerweise von gr\u00f6\u00dferen Warehouses, um Latenz zu minimieren.<\/p>\n<p data-start=\"8561\" data-end=\"8657\"><strong data-start=\"8561\" data-end=\"8579\">Best Practice:<\/strong> Warehouses nach Workload Typ strukturieren, nicht nach Team oder Fachbereich.<\/p>\n<\/div>\n<h2>2. Wie Tabellenkonfiguration Snowflake Storage und Query Kosten beeinflusst<\/h2>\n<h3>2.1 Tabellen korrekt clustern<\/h3>\n<div>\n<p>Eine der effektivsten Methoden zur Optimierung von Query Performance und zur Reduzierung von Kosten ist<strong> Query Pruning<\/strong>. Dabei wird die Anzahl der gescannten Micro Partitions begrenzt.<\/p>\n<p>Das Lesen von Micro Partitions ist einer der teuersten Schritte in Snowflake Queries, da der Datenzugriff remote \u00fcber das Netzwerk erfolgt.<\/p>\n<p>Query Pruning funktioniert, wenn Filter in <code>WHERE<\/code> Klauseln, Joins oder Subqueries irrelevante Micro Partitions ausschlie\u00dfen k\u00f6nnen. Damit dies effektiv funktioniert, muss die Tabelle <strong>auf Spalten geclustert sein, die den Query Mustern entsprechen<\/strong>, sodass jede Micro Partition einen engen Wertebereich enth\u00e4lt.<\/p>\n<p>Beispiel f\u00fcr eine <code>orders<\/code> Tabelle mit h\u00e4ufigem Filter auf <code>created_at<\/code>:<\/p>\n<\/div>\n<pre><code>CREATE TABLE my_schema.my_table (\r\n    id          NUMBER,\r\n    created_at  TIMESTAMP_NTZ,\r\n    data        VARIANT\r\n)\r\nCLUSTER BY (created_at);<\/code><\/pre>\n<div>\n<p data-start=\"9616\" data-end=\"9969\">Clustering lohnt sich insbesondere f\u00fcr Tabellen mit einem hohen Verh\u00e4ltnis von Abfragen zu DML Operationen wie INSERT, UPDATE oder DELETE. Das bedeutet, dass die Tabelle h\u00e4ufig gelesen und nur selten ver\u00e4ndert wird. Vor Einf\u00fchrung von Clustering empfiehlt Snowflake <em><strong>ausdr\u00fccklich<\/strong><\/em>, repr\u00e4sentative Queries zu testen und Performance Baselines zu definieren.<\/p>\n<p data-start=\"9971\" data-end=\"10086\">Korrektes Clustering reduziert die pro Query gescannten Daten, verbessert die Performance und senkt Compute Kosten.<\/p>\n<p data-start=\"10088\" data-end=\"10179\"><strong data-start=\"10088\" data-end=\"10106\">Best Practice:<\/strong> Auf Spalten clustern, die h\u00e4ufig in Filtern oder Joins verwendet werden.<\/p>\n<\/div>\n<h3>2.2 Unbenutzte Tabellen l\u00f6schen<\/h3>\n<div>\n<p>Unbenutzte Tabellen und Time Travel Sicherungen verbrauchen Storage und tragen langfristig zu Snowflake Kosten bei. Eine regelm\u00e4\u00dfige Identifikation und Entfernung nicht mehr ben\u00f6tigter Tabellen kann den Credit Verbrauch reduzieren.<\/p>\n<p><em>Wie man ungenutzte Tabellen identifiziert<\/em><\/p>\n<p>Sie k\u00f6nnen Snowflakes <code>INFORMATION_SCHEMA.TABLES<\/code> abfragen, um \u00c4nderungen an der Tabellenstruktur (z. B. hinzugef\u00fcgte Spalten, ge\u00e4nderte Datentypen) oder das Auftreten von datenver\u00e4ndernden DML-Anweisungen (INSERT, UPDATE, DELETE, MERGE) zu ermitteln.<\/p>\n<\/div>\n<pre><code>SELECT table_schema,\r\n       table_name,\r\n       last_altered,\r\n       created\r\nFROM information_schema.tables\r\nORDER BY last_altered ASC;<\/code><\/pre>\n<div>\n<p>Wenn festgestellt werden soll, welche Tabellen in letzter Zeit nicht abgefragt wurden, sollte zus\u00e4tzlich die Query Historie genutzt werden, beispielsweise die <code>QUERY_HISTORY<\/code> View im <code>SNOWFLAKE.ACCOUNT_USAGE<\/code> Schema.<\/p>\n<p>Hier ist ein einfaches Beispiel:<\/p>\n<\/div>\n<pre><code>SELECT DISTINCT\r\n    t.table_schema,\r\n    t.table_name,\r\nMAX(q.start_time)AS last_query_time\r\nFROM snowflake.account_usage.tables t\r\nLEFT JOIN snowflake.account_usage.query_history q\r\nON q.query_text ILIKE'%'|| t.table_name||'%'\r\nWHERE t.table_schema='YOUR_SCHEMA'\r\nGROUP BY t.table_schema, t.table_name\r\nORDER BY last_query_time<\/code><\/pre>\n<div>\n<p>Die Kombination aus <code>INFORMATION_SCHEMA.TABLES<\/code> und <strong>Query Historie<\/strong> liefert das genaueste Bild \u00fcber ungenutzte Tabellen.<\/p>\n<p><strong>Best Practice:<\/strong> Metadaten und Query Historie kombinieren, um unbenutzte Tabellen sicher zu identifizieren und zu entfernen.<\/p>\n<\/div>\n<h3>2.3 Data Retention durch Time Travel reduzieren<\/h3>\n<div>\n<p>Die <strong>Time Travel Funktion<\/strong> von Snowflake speichert Kopien aller \u00c4nderungen an einer Tabelle f\u00fcr einen konfigurierten Zeitraum und erh\u00f6ht dadurch Storage Nutzung und Kosten. Die Standard Retention betr\u00e4gt einen Tag und ist f\u00fcr alle Snowflake Accounts automatisch aktiviert. Eine Retention von 0 Tagen deaktiviert Time Travel f\u00fcr das jeweilige Objekt.<\/p>\n<p>Die Reduzierung der Time Travel Retention senkt Storage Verbrauch und damit verbundene Snowflake Credits, ohne aktive Workloads zu beeintr\u00e4chtigen.<\/p>\n<p>F\u00fcr <strong>nicht kritische Tabellen<\/strong> wie <strong>Staging, Zwischenlayer oder Entwicklungsumgebungen<\/strong> kann Time Travel auf <strong>0 Tage<\/strong> gesetzt werden, wenn Daten tempor\u00e4r sind und leicht aus Quellsystemen reproduziert werden k\u00f6nnen. F\u00fcr <strong>produktive und gesch\u00e4ftskritische Tabellen<\/strong> sollte die <strong>Standard Retention von einem Tag<\/strong> bestehen bleiben, um versehentliche L\u00f6schungen oder fehlerhafte Merges abzusichern.<\/p>\n<p>Um die Datenaufbewahrungsfrist f\u00fcr eine bestimmte Tabelle zu verk\u00fcrzen:<\/p>\n<\/div>\n<pre><code>alter table my_non_critical_table set data_retention_time_in_days=0;<\/code><\/pre>\n<div>\n<p><strong>Best Practice:<\/strong> Retention Perioden f\u00fcr nicht kritische Tabellen reduzieren.<\/p>\n<\/div>\n<h3>2.4 Transient Tabellen f\u00fcr nicht kritische Daten verwenden<\/h3>\n<div>\n<p>Die <strong>Fail Safe Funktion<\/strong> ist die letzte Schutzschicht in Snowflake. Fail Safe wird erst nach Ablauf der Time Travel Retention aktiv, gilt<strong> sieben Tage<\/strong> f\u00fcr permanente Tabellen und kann nicht konfiguriert werden.<\/p>\n<p>F\u00fcr Tabellen, die im Rahmen von ETL Prozessen regelm\u00e4\u00dfig gel\u00f6scht oder neu erstellt werden oder deren Daten extern gesichert sind, bietet Fail Safe oft wenig Mehrwert, erh\u00f6ht jedoch Storage Kosten.<\/p>\n<p>Durch die <strong>Verwendung von Transient Tabellen<\/strong> statt permanenter Tabellen:<\/p>\n<ul>\n<li>wird Fail Safe <strong>nicht angewendet<\/strong>, wodurch sich der Storage Verbrauch reduziert wird.<\/li>\n<li>k\u00f6nnen auch Time Travel Kosten minimiert werden.<\/li>\n<\/ul>\n<p>Transient Tabellen eignen sich ideal f\u00fcr Zwischenlayer oder tempor\u00e4re ETL Tabellen, die keine vollst\u00e4ndige historische Wiederherstellung ben\u00f6tigen.<\/p>\n<p><strong>Best Practice:<\/strong> Transient Tabellen f\u00fcr reproduzierbare oder nicht kritische ETL Daten verwenden.<\/p>\n<\/div>\n<h2>Fazit<\/h2>\n<div>\n<p>Dieser Beitrag beschreibt praktische Techniken zur Kostenoptimierung in Snowflake, die sich auf die <strong>Konfiguration virtueller Warehouses und Tabellen<\/strong> konzentrieren und sich an technische Teams richten, die Snowflake in der Produktion einsetzen. Er zeigt, wie kleine, bewusste Konfigurationsentscheidungen den Kreditverbrauch erheblich reduzieren k\u00f6nnen, ohne die Leistung oder Zuverl\u00e4ssigkeit zu beeintr\u00e4chtigen.<\/p>\n<p><strong>Die wichtigsten Erkenntnisse:<\/strong><\/p>\n<ul>\n<li><strong>Compute ist der prim\u00e4re Kostentreiber in Snowflake.<\/strong> Die gr\u00f6\u00dften Einsparungen entstehen durch korrekt dimensionierte Warehouses, richtig gesetztes Auto Suspend, Minimum Cluster Count von 1 und Konsolidierung nach Workload Typ.<\/li>\n<li><strong>Tabellendesign beeinflusst sowohl Performance als auch Kosten.<\/strong> Korrektes Clustering verbessert Query Pruning. Das L\u00f6schen ungenutzter Tabellen, das Reduzieren von Time Travel Retention und die Nutzung von Transient Tabellen senken unn\u00f6tigen Storage Overhead.<\/li>\n<li><strong>Monitoring allein gen\u00fcgt nicht.<\/strong> Nachhaltige Kostensenkung erfordert die konsequente Ausrichtung von Warehouse und Tabellenkonfiguration auf reale Workload Muster und Nutzungsverhalten.<\/li>\n<\/ul>\n<p>Im n\u00e4chsten Beitrag werden wir uns mit Techniken zur Kostensenkung in drei weiteren Bereichen befassen: Workload-Konfiguration, Datenladungsmuster und Nutzung der integrierten Snowflake-Kontrollmechanismen.<\/p>\n<p><em><strong>M\u00f6chten Sie verstehen, woher Ihre Snowflake-Kosten wirklich stammen?<\/strong><\/em><\/p>\n<p>Wir helfen technischen Teams dabei, ihre Snowflake-Nutzung zu \u00fcberpr\u00fcfen und konkrete M\u00f6glichkeiten zur Kosteneinsparung zu identifizieren, ohne die Leistung oder Zuverl\u00e4ssigkeit zu beeintr\u00e4chtigen. Nehmen Sie hier <a href=\"https:\/\/www.hopmann.com\/de\/kontakt\/\">Kontakt<\/a> mit uns auf.<\/p>\n<\/div>\n<h2>FAQ zu Snowflake Kosten optimieren<\/h2>\n<ul>\n<li>\n<h3>Was sind die Hauptkostentreiber in Snowflake?<\/h3>\n<div>\n<p>Die wichtigsten Kostentreiber sind Compute, Storage und Cloud Services. Compute \u00fcber Virtual Warehouses ist in den meisten Umgebungen der gr\u00f6\u00dfte Faktor, insbesondere bei \u00fcberdimensionierten oder lange laufenden Warehouses.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Wie kann ich Snowflake Compute Kosten optimieren?<\/h3>\n<div>\n<p>Durch korrekt dimensionierte Warehouses, Auto Suspend auf 60 Sekunden, reduzierte Job Frequenz und inkrementelle Verarbeitung statt Full Refreshes. Zus\u00e4tzlich helfen Query Optimierung und Konsolidierung von Warehouses.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Spart Auto Suspend wirklich Credits?<\/h3>\n<div>\n<p>Ja, bei korrekter Konfiguration. 60 Sekunden verhindern unn\u00f6tige Leerlaufzeiten. Werte unter 60 Sekunden k\u00f6nnen durch wiederholte Mindestabrechnungen Mehrkosten verursachen.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Wann sollte ich Transient Tabellen verwenden?<\/h3>\n<div>\n<p>F\u00fcr tempor\u00e4re oder reproduzierbare Daten, die keinen erweiterten Schutz ben\u00f6tigen. Sie reduzieren Storage Kosten, da Fail Safe nicht angewendet wird.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Wie reduziert Clustering Query Kosten?<\/h3>\n<div>\n<p>Clustering verbessert das Query Pruning. Weniger gelesene Micro Partitions bedeuten geringere Compute Nutzung und schnellere Abfragen. Besonders wirksam ist es bei gro\u00dfen Tabellen mit h\u00e4ufigen Filtern auf bestimmten Spalten.<\/p>\n<\/div>\n<\/li>\n<\/ul>\n<hr>\n<p><p>\n        Vorheriger Artikel    <\/p>\n<\/p>\n<p><p>\n        N\u00e4chster Artikel    <\/p>\n<\/p>\n<hr>\n<div>Neueste Artikel<\/div>\n<div>\n<\/div>\n<div>Kategorien<\/div>\n<div>\n<\/div>\n<p><!--more--><br \/>\n<!-- {\"type\":\"layout\",\"children\":[{\"type\":\"section\",\"props\":{\"animation\":\"slide-bottom-medium\",\"animation_delay\":\"50\",\"height\":\"page\",\"image_position\":\"center-center\",\"padding\":\"large\",\"padding_remove_top\":true,\"style\":\"default\",\"title_breakpoint\":\"xl\",\"title_position\":\"top-left\",\"title_rotation\":\"left\",\"vertical_align\":\"\",\"width\":\"large\"},\"children\":[{\"type\":\"row\",\"props\":{\"column_gap\":\"large\",\"layout\":\"2-3,1-3\",\"padding_remove_horizontal\":false,\"row_gap\":\"large\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"width_large\":\"2-3\"},\"children\":[{\"type\":\"headline\",\"props\":{\"margin_remove_bottom\":true,\"title_element\":\"div\",\"title_style\":\"text-meta\"},\"source_extended\":{\"props\":{\"content\":{\"composed\":{\"value\":\"{{ sources.6b78 }}: {{ sources.46d0 }}\",\"sources\":{\"6b78\":{\"name\":\"field.datum\",\"query\":{\"name\":\"#parent\"},\"filters\":{\"search\":\"\",\"date\":\"d.m.Y\"}},\"46d0\":{\"name\":\"field.subline\",\"query\":{\"name\":\"#parent\"}},\"6ef0\":{\"name\":\"field.datum\",\"query\":{\"name\":\"#parent\"},\"filters\":{\"search\":\"\",\"date\":\"d.m.Y\"}}},\"conditions\":[]}}}}},{\"type\":\"headline\",\"props\":{\"margin\":\"small\",\"margin_remove_top\":false,\"title_element\":\"h1\",\"title_style\":\"h1\"},\"source_extended\":{\"props\":{\"content\":{\"name\":\"title\",\"query\":{\"name\":\"#parent\"}}}}},{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\",\"margin\":\"medium\",\"margin_remove_bottom\":true}},{\"type\":\"fragment\",\"props\":{\"margin\":\"remove-vertical\"},\"children\":[{\"type\":\"row\",\"props\":{\"css\":\".el-row {\\n\\tmargin-top: 8px;\\n    margin-bottom: 8px;\\n}\",\"layout\":\"1-2,1-2\",\"margin\":\"large\",\"yooessentials_access_conditions\":[],\"yooessentials_access_mode\":\"AND\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"vertical_align\":\"middle\",\"width_default\":\"1-2\"},\"children\":[{\"type\":\"panel\",\"props\":{\"content_column_breakpoint\":\"m\",\"icon_width\":80,\"image_align\":\"left\",\"image_border\":\"circle\",\"image_grid_breakpoint\":\"\",\"image_grid_column_gap\":\"small\",\"image_grid_row_gap\":\"medium\",\"image_grid_width\":\"auto\",\"image_height\":40,\"image_svg_color\":\"emphasis\",\"image_vertical_align\":true,\"image_width\":40,\"link_style\":\"default\",\"link_text\":\"Read more\",\"margin\":\"\",\"meta_align\":\"below-title\",\"meta_element\":\"div\",\"meta_style\":\"text-meta\",\"title_align\":\"top\",\"title_element\":\"h3\",\"title_font_family\":\"tertiary\",\"title_grid_breakpoint\":\"m\",\"title_grid_width\":\"1-2\",\"title_hover_style\":\"reset\",\"title_style\":\"text-small\"},\"source_extended\":{\"props\":{\"image\":{\"name\":\"field.foto.url\",\"query\":{\"name\":\"#parent\"}},\"title\":{\"composed\":{\"value\":\"\",\"sources\":[],\"conditions\":[]}},\"content\":{\"composed\":{\"value\":\"{{ sources.5d02 }}, {{ sources.67e8 }}\",\"sources\":{\"5d02\":{\"name\":\"field.autor\",\"query\":{\"name\":\"#parent\"},\"filters\":{\"search\":\"\"}},\"67e8\":{\"name\":\"field.datum\",\"query\":{\"name\":\"#parent\"},\"filters\":{\"search\":\"\",\"date\":\"d.m.Y\"}}},\"conditions\":[]}},\"content_en_us\":{\"composed\":{\"value\":\"{{ sources.cce3 }} on {{ sources.4656 }}\",\"sources\":{\"4656\":{\"name\":\"date\",\"query\":{\"name\":\"blogs.singleBlog\"},\"filters\":{\"date\":\"\"}},\"cce3\":{\"filters\":{\"search\":\"\"},\"name\":\"field.autor\",\"query\":{\"name\":\"blogs.singleBlog\"}}},\"conditions\":[]}}}},\"name\":\"Verfasser\"}]},{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"vertical_align\":\"middle\",\"width_default\":\"1-2\"},\"children\":[{\"type\":\"yooessentials_social_sharing\",\"props\":{\"class\":\"social-sharing-blog\",\"grid\":\"horizontal\",\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"image_svg_inline\":true,\"link_style\":\"link\",\"margin\":\"default\",\"text_align\":\"right\"},\"children\":[{\"type\":\"yooessentials_social_sharing_item\",\"props\":{\"link_target\":\"_blank\",\"link_target_height\":\"\",\"link_target_width\":\"\",\"network\":\"linkedin\"}}],\"name\":\"Teilen\"}]}]}]},{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\",\"margin\":\"medium\",\"margin_remove_top\":true}},{\"type\":\"html\",\"props\":{\"content\":\"\"},\"name\":\"--- \\\/\\\/ Content Start \\\/\\\/ ---\"},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"\n\n<p data-start=\\\"315\\\" data-end=\\\"706\\\"><em>Dieser Leitfaden konzentriert sich auf das Snowflake Kosten optimieren f\\u00fcr Data Engineers, Analytics Engineers und <a href=\\\"https:\\\/\\\/www.hopmann.com\\\/de\\\/technologien\\\/snowflake\\\/\\\">Snowflake<\\\/a> Administratoren, die f\\u00fcr das Design und den Betrieb von Snowflake Workloads verantwortlich sind. Er setzt Vertrautheit mit Warehouses, Tabellen und Query Ausf\\u00fchrung voraus und fokussiert sich auf praktische \\u00c4nderungen, die den Credit Verbrauch direkt reduzieren.<\\\/em><\\\/p>\\n\n\n<p data-start=\\\"708\\\" data-end=\\\"873\\\">Snowflake macht das Skalieren von Analytics einfach. Genau diese Flexibilit\\u00e4t kann jedoch unbemerkt zu steigenden Kosten f\\u00fchren, wenn sie nicht aktiv gesteuert wird.<\\\/p>\\n\n\n<p data-start=\\\"875\\\" data-end=\\\"951\\\">Die meisten <a href=\\\"https:\\\/\\\/www.hopmann.com\\\/de\\\/projekte\\\/case-study-cloud-kosten-monitoring-aws-snowflake\\\/\\\">Snowflake Ausgaben<\\\/a> werden durch drei zentrale Faktoren bestimmt:<\\\/p>\\n\n\n<ul>\\n\n\n<li data-start=\\\"953\\\" data-end=\\\"1201\\\"><strong data-start=\\\"953\\\" data-end=\\\"965\\\">Compute:<\\\/strong> Virtual Warehouses, die Queries ausf\\u00fchren, Daten laden oder Transformationen durchf\\u00fchren<\\\/li>\\n\n\n<li data-start=\\\"953\\\" data-end=\\\"1201\\\"><strong data-start=\\\"1057\\\" data-end=\\\"1069\\\">Storage:<\\\/strong> Aktive Daten, Time Travel, Fail Safe und historische Micro Partitions<\\\/li>\\n\n\n<li data-start=\\\"953\\\" data-end=\\\"1201\\\"><strong data-start=\\\"1142\\\" data-end=\\\"1155\\\">Services:<\\\/strong> Metadatenoperationen und Hintergrunddienste<\\\/li>\\n<\\\/ul>\",\"content_en_us\":\"\n\n<p><em>This guide focuses on Snowflake cost optimization for data engineers, analytics engineers, and Snowflake administrators responsible for designing and operating Snowflake workloads. It assumes familiarity with warehouses, tables, and query execution, and focuses on practical changes that directly reduce credit consumption.<\\\/em><\\\/p>\\n\n\n<p><a href=\\\"https:\\\/\\\/www.hopmann.com\\\/en\\\/technologies\\\/snowflake\\\/\\\">Snowflake<\\\/a> makes scaling analytics easy, but that same flexibility can quietly drive costs up if left unmanaged.<\\\/p>\\n\n\n<p>Most <a href=\\\"https:\\\/\\\/www.hopmann.com\\\/en\\\/projects\\\/case-study-cloud-cost-monitoring-aws-snowflake\\\/\\\">Snowflake spend<\\\/a> is driven by three core factors:<\\\/p>\\n\n\n<ul>\\n\n\n<li><strong>Compute<\\\/strong>: Virtual warehouses running queries, loading data, or performing transformations<\\\/li>\\n\n\n<li><strong>Storage<\\\/strong>: Active data, time travel, fail-safe, and historical micro-partitions<\\\/li>\\n\n\n<li><strong>Services<\\\/strong>: Metadata operations and background services (usually a smaller portion)<\\\/li>\\n<\\\/ul>\\n\n\n<p><!-- notionvc: 77650830-8098-4423-9261-29bd624abc24 --><\\\/p>&#8222;,&#8220;margin&#8220;:&#8220;medium&#8220;,&#8220;margin_remove_top&#8220;:true,&#8220;text_style&#8220;:&#8220;large&#8220;},&#8220;name&#8220;:&#8220;Lead-Text&#8220;},{&#8222;type&#8220;:&#8220;image&#8220;,&#8220;props&#8220;:{&#8222;image&#8220;:&#8220;wp-content\\\/uploads\\\/Snowflake-Kosten-optimieren-Blog-Hopmann.png&#8220;,&#8220;image_alt&#8220;:&#8220;Snowflake Kosten optimieren Blog Hopmann&#8220;,&#8220;image_svg_color&#8220;:&#8220;emphasis&#8220;,&#8220;image_width&#8220;:900,&#8220;margin&#8220;:&#8220;small&#8220;,&#8220;margin_remove_bottom&#8220;:false,&#8220;margin_remove_top&#8220;:false}},{&#8222;type&#8220;:&#8220;text&#8220;,&#8220;props&#8220;:{&#8222;column_breakpoint&#8220;:&#8220;m&#8220;,&#8220;content&#8220;:&#8220;<\/p>\n<p><strong>In der Praxis ist Compute nahezu immer der dominante Kostentreiber<\\\/strong>, insbesondere wenn Warehouses \\u00fcberdimensioniert sind, unn\\u00f6tig lange laufen oder ineffiziente Workloads ausf\\u00fchren.<\\\/p>\\n<\/p>\n<p>Um die Kontrolle zu behalten, stellt Snowflake integrierte Kostentransparenz \\u00fcber die <b>Cost Management Views<\\\/b> in der Benutzeroberfl\\u00e4che bereit. Dort k\\u00f6nnen Sie:<\\\/p>\\n<\/p>\n<ul>\\n<\/p>\n<li>Credit Verbrauch im Zeitverlauf nachverfolgen<\\\/li>\\n\n<li>Ausgaben pro Warehouse aufschl\\u00fcsseln<\\\/li>\\n\n<li>Kostenanstiege und langlaufende Workloads identifizieren<\\\/li>\\n\n<li>Erwartungen und Budgets auf Basis realer Daten definieren<\\\/li>\\n<\\\/ul>\\n\n<p>Monitoring ist der erste Schritt. Nachhaltige Einsparungen entstehen jedoch durch b<strong>ewusste Design und Konfigurationsentscheidungen<\\\/strong>.<\\\/p>\\n<\/p>\n<p>In diesem <strong>ersten Teil unserer Blog-Serie<\\\/strong> zeigen wir, wie Sie Snowflake Kosten optimieren k\\u00f6nnen durch gezielte Anpassungen an Virtual Warehouses und Tabellenkonfigurationen.<\\\/p>\\n<\/p>\n<p><b>Im zweiten Blogbeitrag<\\\/b> analysieren wir, wie Workload Konfiguration, Datenlade Muster und integrierte Snowflake Kontrollmechanismen dabei helfen k\\u00f6nnen, Snowflake Kosten zu optimieren.<\\\/p>&#8222;,&#8220;content_en_us&#8220;:&#8220;<\/p>\n<p>Among these, <strong>compute is almost always the dominant cost driver<\\\/strong>, especially when warehouses are oversized, idle, or running inefficient workloads.<\\\/p>\\n<\/p>\n<p>To stay in control, Snowflake provides built-in cost visibility through the <strong>Cost Management<\\\/strong> views in the UI. From there, you can:<\\\/p>\\n<\/p>\n<ul>\\n<\/p>\n<li>Track credit usage over time<\\\/li>\\n\n<li>Break down spend by warehouse<\\\/li>\\n\n<li>Identify cost spikes and long-running workloads<\\\/li>\\n\n<li>Set expectations and budgets with real data<\\\/li>\\n<\\\/ul>\\n\n<p>Monitoring is the first step but real savings come from <strong>intentional design and configuration choices<\\\/strong>.<\\\/p>\\n<\/p>\n<p><strong>In this first blog post<\\\/strong>, we\\u2019ll dive into cost reduction strategies that fall into two main categories, virtual warehouse and table configuration.<\\\/p>\\n<\/p>\n<p><strong>In the second blog post<\\\/strong>, we\\u2019ll analyze how workload configuration, data loading patterns and built-in Snowflake controls can help reducing costs.<\\\/p>\\n<\/p>\n<p><!-- notionvc: 2109f721-b96d-4a8e-85ce-68e65b4ec9dc --><\\\/p>&#8222;,&#8220;margin&#8220;:&#8220;medium&#8220;,&#8220;margin_remove_top&#8220;:true,&#8220;text_style&#8220;:&#8220;large&#8220;}},{&#8222;type&#8220;:&#8220;headline&#8220;,&#8220;props&#8220;:{&#8222;content&#8220;:&#8220;1. Snowflake Compute Kosten optimieren durch Warehouse Konfiguration&#8220;,&#8220;content_en_us&#8220;:&#8220;1. How to reduce Snowflake compute costs with virtual warehouse configuration&#8220;,&#8220;margin&#8220;:&#8220;default&#8220;,&#8220;margin_remove_bottom&#8220;:false,&#8220;title_element&#8220;:&#8220;h2&#8243;,&#8220;title_style&#8220;:&#8220;h2&#8243;},&#8220;name&#8220;:&#8220;H2&#8243;},{&#8222;type&#8220;:&#8220;headline&#8220;,&#8220;props&#8220;:{&#8222;content&#8220;:&#8220;1.1 Auto Suspend Einstellungen optimieren, um Snowflake Kosten zu reduzieren&#8220;,&#8220;content_en_us&#8220;:&#8220;1.1 Optimize auto-suspend settings to reduce Snowflake costs&#8220;,&#8220;margin&#8220;:&#8220;default&#8220;,&#8220;margin_remove_bottom&#8220;:false,&#8220;title_element&#8220;:&#8220;h3&#8243;,&#8220;title_style&#8220;:&#8220;h3&#8243;},&#8220;name&#8220;:&#8220;H3&#8243;},{&#8222;type&#8220;:&#8220;text&#8220;,&#8220;props&#8220;:{&#8222;column_breakpoint&#8220;:&#8220;m&#8220;,&#8220;content&#8220;:&#8220;<\/p>\n<p data-start=\\\"2397\\\" data-end=\\\"2701\\\">Compute wird f\\u00fcr jede Sekunde berechnet, in der ein Virtual Warehouse l\\u00e4uft, mit einer Mindestabrechnung von 60 Sekunden pro Start. Snowflake suspendiert ein Virtual Warehouse automatisch nach einer definierten Leerlaufzeit. Der Standardwert f\\u00fcr Auto Suspend betr\\u00e4gt 10 Minuten, also 600 Sekunden.<\\\/p>\\n<\/p>\n<p data-start=\\\"2703\\\" data-end=\\\"2939\\\">Ist der Auto Suspend Wert h\\u00f6her als 60 Sekunden gesetzt, l\\u00e4uft das Warehouse weiter und verursacht Kosten, auch wenn es keine Queries verarbeitet. Daher ist die korrekte Einstellung von Auto Suspend entscheidend f\\u00fcr die Kostenkontrolle.<\\\/p>\\n<\/p>\n<p data-start=\\\"2941\\\" data-end=\\\"3396\\\">F\\u00fcr ETL und Batch Workloads sollte Auto Suspend typischerweise auf 60 Sekunden gesetzt werden, um Leerlaufkosten zu minimieren. BI und interaktive Workloads profitieren hingegen von 90 bis 120 Sekunden, um Cache zu erhalten und die Benutzererfahrung zu verbessern. Die effektivste Strategie besteht darin, ETL und BI in separate Warehouses mit jeweils angepassten Auto Suspend Einstellungen zu trennen, um sowohl Kosten als auch Performance zu optimieren.<\\\/p>\\n<\/p>\n<p data-start=\\\"3398\\\" data-end=\\\"3470\\\"><strong><em>Warum Auto Suspend unter 60 Sekunden zu doppelten Kosten f\\u00fchren kann<\\\/em><\\\/strong><\\\/p>\\n<\/p>\n<p data-start=\\\"3472\\\" data-end=\\\"3623\\\">Ein Auto Suspend Wert <em>unter<\\\/em> 60 Sekunden wird nicht empfohlen, da er unbeabsichtigt zu h\\u00f6heren Kosten durch wiederholte Mindestabrechnungen f\\u00fchren kann.<\\\/p>\\n<\/p>\n<p data-start=\\\"3625\\\" data-end=\\\"4230\\\">Angenommen, ein Warehouse ist auf 30 Sekunden Auto Suspend konfiguriert. Eine Query l\\u00e4uft 10 Sekunden, danach wird das Warehouse nach 30 Sekunden Inaktivit\\u00e4t suspendiert. Obwohl das Warehouse nur 30 Sekunden aktiv war, berechnet Snowflake dennoch die volle Mindestlaufzeit von 60 Sekunden. Wenn kurz darauf eine weitere Query eingeht, muss das Warehouse erneut gestartet werden, wodurch eine weitere Mindestabrechnung von 60 Sekunden entsteht. Zwei kurze Aktivit\\u00e4tsphasen k\\u00f6nnen so zu 120 Sekunden berechnetem Compute f\\u00fchren, obwohl das Warehouse nur einen Bruchteil dieser Zeit tats\\u00e4chlich genutzt wurde.<\\\/p>\\n<\/p>\n<p data-start=\\\"4232\\\" data-end=\\\"4376\\\"><strong data-start=\\\"4232\\\" data-end=\\\"4250\\\">Best Practice:<\\\/strong> Auto Suspend auf 60 Sekunden f\\u00fcr ETL und Batch Workloads und auf 90 bis 120 Sekunden f\\u00fcr BI und interaktive Workloads setzen.<\\\/p>&#8222;,&#8220;content_en_us&#8220;:&#8220;<\/p>\n<p>Compute is billed for every second a virtual warehouse runs, with a minimum charge of 60 seconds per start. Snowflake automatically suspends a virtual warehouse after a specified period of inactivity, with the default auto-suspend time set to 10 minutes (600 seconds).<\\\/p>\\n<\/p>\n<p>When the auto-suspend value is set higher than 60 seconds, the warehouse continues running and incurring costs, even when it is not actively processing queries. Therefore, setting auto-suspend appropriately is critical for cost control.<\\\/p>\\n<\/p>\n<p>For ETL and batch workloads, auto-suspend should typically be set to 60 seconds to minimize idle compute charges, while BI and interactive workloads benefit from 90\\u2013120 seconds to preserve cache and improve user experience. The most effective strategy is to separate ETL and BI into different warehouses with tailored auto-suspend settings to optimize both cost and performance.<\\\/p>\\n<\/p>\n<p><strong><em>Why auto-suspend below 60 seconds can cause double charges.<\\\/em><\\\/strong><\\\/p>\\n<\/p>\n<p>Setting auto-suspend <em>below<\\\/em> 60 seconds is not recommended, as it can unintentionally increase costs due to repeated minimum charges.Assume a warehouse has auto-suspend set to 30 seconds. A query runs for 10 seconds, after which the warehouse becomes idle and suspends at the 30-second mark. Even though the warehouse only ran for 30 seconds, Snowflake still charges for the full 60-second minimum. If another query arrives shortly afterward, the warehouse must resume, triggering another minimum 60-second charge. As a result, two short bursts of activity can lead to 120 seconds of billed compute, even though the warehouse was only actively used for a fraction of that time.<\\\/p>\\n<\/p>\n<p><strong>Best practice:<\\\/strong> Set <em>auto-suspend<\\\/em> to 60 seconds for ETL and batch workloads and to 90-120 seconds for BI and interactive workloads.<!-- notionvc: 68cc450b-88ba-45e7-b2de-215f872fddc2 --><\\\/p>&#8222;,&#8220;margin&#8220;:&#8220;medium&#8220;,&#8220;margin_remove_top&#8220;:true,&#8220;text_style&#8220;:&#8220;large&#8220;}},{&#8222;type&#8220;:&#8220;headline&#8220;,&#8220;props&#8220;:{&#8222;content&#8220;:&#8220;1.2 Virtual Warehouses richtig dimensionieren&#8220;,&#8220;content_en_us&#8220;:&#8220;1.2. Right-size virtual warehouses&#8220;,&#8220;margin&#8220;:&#8220;default&#8220;,&#8220;margin_remove_bottom&#8220;:false,&#8220;title_element&#8220;:&#8220;h3&#8243;,&#8220;title_style&#8220;:&#8220;h3&#8243;},&#8220;name&#8220;:&#8220;H3&#8243;},{&#8222;type&#8220;:&#8220;text&#8220;,&#8220;props&#8220;:{&#8222;column_breakpoint&#8220;:&#8220;m&#8220;,&#8220;content&#8220;:&#8220;<\/p>\n<p data-start=\\\"4510\\\" data-end=\\\"4621\\\">\\u00dcberdimensionierte Virtual Warehouses verursachen h\\u00e4ufig einen erheblichen Anteil der Snowflake Compute Kosten.<\\\/p>\\n<\/p>\n<p data-start=\\\"4623\\\" data-end=\\\"5169\\\">Da Snowflake Preise auf Basis von <strong>Ausf\\u00fchrungszeit multipliziert mit Credit Verbrauchsrate<\\\/strong> berechnet, kostet eine Query, die auf einem Medium Warehouse doppelt so schnell l\\u00e4uft wie auf einem Small Warehouse, in der Regel gleich viel. Sobald jedoch die Performance ein Plateau erreicht, erh\\u00f6hen gr\\u00f6\\u00dfere Warehouses lediglich die Kosten, ohne nennenswerte Geschwindigkeitsverbesserungen zu liefern. Dieses Verhalten zeigt sich typischerweise darin, dass die Ausf\\u00fchrungszeit abflacht, w\\u00e4hrend die Kosten mit zunehmender Warehouse Gr\\u00f6\\u00dfe weiter steigen.<\\\/p>&#8222;,&#8220;content_en_us&#8220;:&#8220;<\/p>\n<p>Over-sized virtual warehouses often account for a large share of Snowflake compute costs.<\\\/p>\\n<\/p>\n<p>Because Snowflake pricing is based on <strong>execution time \\u00d7 credit consumption rate<\\\/strong>, a query that runs twice as fast on a Medium warehouse compared to a Small warehouse typically costs the same. However, once performance plateaus, larger warehouses simply increase cost without providing meaningful speed improvements. This behavior is illustrated in the graph below, where execution time flattens while cost continues to grow as warehouse size increases.<\\\/p>&#8222;,&#8220;margin&#8220;:&#8220;medium&#8220;,&#8220;margin_remove_top&#8220;:true,&#8220;text_style&#8220;:&#8220;large&#8220;}},{&#8222;type&#8220;:&#8220;image&#8220;,&#8220;props&#8220;:{&#8222;image&#8220;:&#8220;wp-content\\\/uploads\\\/Reducing-Snowflake-Costs.png&#8220;,&#8220;image_alt&#8220;:&#8220;Reducing Snowflake Costs&#8220;,&#8220;image_svg_color&#8220;:&#8220;emphasis&#8220;,&#8220;image_width&#8220;:800,&#8220;margin&#8220;:&#8220;small&#8220;,&#8220;margin_remove_bottom&#8220;:false,&#8220;margin_remove_top&#8220;:false}},{&#8222;type&#8220;:&#8220;text&#8220;,&#8220;props&#8220;:{&#8222;column_breakpoint&#8220;:&#8220;m&#8220;,&#8220;content&#8220;:&#8220;<\/p>\n<p><strong>Empfohlene Vorgehensweise zur Bestimmung der optimalen Warehouse Gr\\u00f6\\u00dfe<\\\/strong><\\\/p>\\n<\/p>\n<ol>\\n<\/p>\n<li>Wenn m\\u00f6glich mit einem <strong>X Small Warehouse<\\\/strong> starten<\\\/li>\\n\n<li>Die Warehouse Gr\\u00f6\\u00dfe schrittweise erh\\u00f6hen und die Query Laufzeit beobachten<\\\/li>\\n\n<li>Das Hochskalieren beenden, sobald die Ausf\\u00fchrungszeit nicht mehr proportional sinkt, zum Beispiel nicht mehr halbiert wird. Das zeigt, dass das Warehouse nicht mehr vollst\\u00e4ndig ausgelastet ist<\\\/li>\\n\n<li>F\\u00fcr das beste Verh\\u00e4ltnis aus Kosten und Performance sollte eine <strong>Gr\\u00f6\\u00dfe unterhalb des Punkts mit abnehmendem Grenznutzen<\\\/strong> gew\\u00e4hlt werden. &#8211;&gt; Beispiel: Wenn eine Erh\\u00f6hung von Medium auf Large die Query Laufzeit nur um 25 Prozent reduziert, ist Medium in der Regel die kosteneffizientere Wahl.<\\\/li>\\n\n<li>Gr\\u00f6\\u00dfere Warehouses sollten nur dann eingesetzt werden, wenn explizit schnellere Performance erforderlich ist, wobei zu beachten ist, dass der Nutzen ab einem bestimmten Punkt abnimmt.<\\\/li>\\n<\\\/ol>\\n\n<p><strong>Best Practice:<\\\/strong> Klein starten, schrittweise skalieren und dort stoppen, wo die Performancegewinne abflachen. Die kleinste Gr\\u00f6\\u00dfe w\\u00e4hlen, die die Anforderungen erf\\u00fcllt.<\\\/p>&#8222;,&#8220;content_en_us&#8220;:&#8220;<\/p>\n<p><strong>Recommended approach to determining the optimal warehouse size:<\\\/strong><\\\/p>\\n<\/p>\n<ol>\\n<\/p>\n<li>Start with an <strong>X-Small<\\\/strong> warehouse whenever possible.<\\\/li>\\n\n<li>Incrementally increase the warehouse size and monitor query duration.<\\\/li>\\n\n<li>Stop scaling up when execution time no longer decreases proportionally (for example, no longer halves). This indicates the warehouse is no longer fully utilized.<\\\/li>\\n\n<li>For the best cost-to-performance ratio, select <strong>one size smaller<\\\/strong> than the point of diminishing returns.\\n\n<ul>\\n<\/p>\n<li>Example: If increasing from Medium to Large only reduces query time by 25%, the Medium warehouse is typically the more cost-efficient choice.<\\\/li>\\n<\\\/ul>\\n<\\\/li>\\n\n<li>Use larger warehouses only when faster performance is explicitly required, keeping in mind that returns diminish beyond this point.<\\\/li>\\n<\\\/ol>\\n\n<p><strong>Best practice:<\\\/strong> Start small, scale up gradually, and stop when performance gains flatten. Choose the smallest size that meets requirements.<\\\/p>\\n<\/p>\n<p><!-- notionvc: 4a8761d1-1ae0-4688-902d-df4267b82e5d --><\\\/p>&#8222;,&#8220;margin&#8220;:&#8220;medium&#8220;,&#8220;margin_remove_top&#8220;:true,&#8220;text_style&#8220;:&#8220;large&#8220;}},{&#8222;type&#8220;:&#8220;headline&#8220;,&#8220;props&#8220;:{&#8222;content&#8220;:&#8220;1.3 Minimum Cluster Count auf 1 setzen&#8220;,&#8220;content_en_us&#8220;:&#8220;1.3. Set minimum cluster count to 1&#8243;,&#8220;margin&#8220;:&#8220;default&#8220;,&#8220;margin_remove_bottom&#8220;:false,&#8220;title_element&#8220;:&#8220;h3&#8243;,&#8220;title_style&#8220;:&#8220;h3&#8243;},&#8220;name&#8220;:&#8220;H3&#8243;},{&#8222;type&#8220;:&#8220;text&#8220;,&#8220;props&#8220;:{&#8222;column_breakpoint&#8220;:&#8220;m&#8220;,&#8220;content&#8220;:&#8220;<\/p>\n<p>In der <a href=\\\"https:\\\/\\\/www.snowflake.com\\\/de\\\/\\\">Snowflake<\\\/a> Enterprise Edition und h\\u00f6her erm\\u00f6glichen Multi Cluster Warehouses das parallele Starten zus\\u00e4tzlicher Cluster, um Lastspitzen bei gleichzeitigen Abfragen abzufangen. Um unn\\u00f6tige Compute Kosten zu vermeiden, sollte der <strong>Minimum Cluster Count stets auf 1 gesetzt werden<\\\/strong>.<\\\/p>\\n<\/p>\n<p>Snowflake provisioniert bei steigender Last automatisch zus\\u00e4tzliche Cluster bis zum definierten Maximum und tut dies mit minimaler Startzeit. Wird der Minimum Cluster Count h\\u00f6her als 1 gesetzt, bleiben zus\\u00e4tzliche Cluster dauerhaft aktiv, auch wenn sie nicht ben\\u00f6tigt werden, und verursachen vollst\\u00e4ndig abrechenbare Compute Kosten.<\\\/p>\\n<\/p>\n<p>Durch das Festlegen des Minimum Cluster Count auf 1 wird sichergestellt, dass zus\\u00e4tzliche Cluster nur dann gestartet werden, wenn die Last dies rechtfertigt. So wird \\u00dcberprovisionierung vermieden und gleichzeitig Performance bei Lastspitzen sichergestellt.<\\\/p>\\n<\/p>\n<p><strong>Best Practice:<\\\/strong> Minimum Cluster Count immer auf 1 setzen und Snowflake nur bei tats\\u00e4chlichem Parallelit\\u00e4tsbedarf skalieren lassen.<\\\/p>&#8222;,&#8220;content_en_us&#8220;:&#8220;<\/p>\n<p>In <a href=\\\"https:\\\/\\\/www.snowflake.com\\\/de\\\/\\\">Snowflake<\\\/a> Enterprise Edition and higher, multi-cluster warehouses allow additional clusters to be started in parallel to handle spikes in concurrency. To avoid unnecessary compute costs, the <strong>minimum cluster count should always be set to 1<\\\/strong>.<\\\/p>\\n<\/p>\n<p>Snowflake automatically provisions additional clusters up to the configured maximum when workload demand increases, and does so with minimal startup time. Setting the minimum cluster count higher than 1 forces extra clusters to remain running even when they are not needed, resulting in unused but fully billable compute.<\\\/p>\\n<\/p>\n<p>By keeping the minimum cluster count at 1, you ensure that additional clusters are only started when demand justifies them, preventing over-provisioning while still maintaining performance during peak usage.<\\\/p>\\n<\/p>\n<p><strong>Best practice:<\\\/strong> Always keep the minimum cluster count at 1 and let Snowflake scale up only when concurrency demands it.<\\\/p>\\n<\/p>\n<p><!-- notionvc: ef1b48d0-0ab2-4136-991d-7ce8588bd3c7 --><\\\/p>&#8222;,&#8220;margin&#8220;:&#8220;medium&#8220;,&#8220;margin_remove_top&#8220;:true,&#8220;text_style&#8220;:&#8220;large&#8220;}},{&#8222;type&#8220;:&#8220;headline&#8220;,&#8220;props&#8220;:{&#8222;content&#8220;:&#8220;1.4 Virtual Warehouses konsolidieren&#8220;,&#8220;content_en_us&#8220;:&#8220;1.4. Consolidate virtual warehouses&#8220;,&#8220;margin&#8220;:&#8220;default&#8220;,&#8220;margin_remove_bottom&#8220;:false,&#8220;title_element&#8220;:&#8220;h3&#8243;,&#8220;title_style&#8220;:&#8220;h3&#8243;},&#8220;name&#8220;:&#8220;H3&#8243;},{&#8222;type&#8220;:&#8220;text&#8220;,&#8220;props&#8220;:{&#8222;column_breakpoint&#8220;:&#8220;m&#8220;,&#8220;content&#8220;:&#8220;<\/p>\n<p data-start=\\\"7479\\\" data-end=\\\"7854\\\">Ein h\\u00e4ufiges Kostenproblem in Snowflake Umgebungen ist <strong>Warehouse Sprawl<\\\/strong>. Wenn zu viele Warehouses existieren, sind viele davon unterausgelastet, f\\u00fchren nur selten Queries aus oder befinden sich im Leerlauf, verbrauchen aber dennoch Credits. Die Kosteneffizienz steigt, wenn Workloads in so wenige Warehouses wie praktikabel konsolidiert werden und diese gut ausgelastet sind.<\\\/p>\\n<\/p>\n<p data-start=\\\"7856\\\" data-end=\\\"8206\\\">Anstatt Warehouses nach Daten Dom\\u00e4nen zu strukturieren, zum Beispiel getrennt f\\u00fcr Marketing und Finance, ist es in der Regel effizienter, sie nach <strong>Workload Typ<\\\/strong> zu organisieren. Beispielsweise f\\u00fchrt ein Warehouse f\\u00fcr Datenladung, eines f\\u00fcr Transformationen und eines f\\u00fcr BI oder Nutzerabfragen meist zu besserer Auslastung und geringeren Gesamtkosten.<\\\/p>\\n<\/p>\n<p data-start=\\\"8208\\\" data-end=\\\"8559\\\">Workloads innerhalb derselben Kategorie weisen oft \\u00e4hnliche Performance Eigenschaften auf. Datenlade Jobs tolerieren beispielsweise Warteschlangen und k\\u00f6nnen effizient auf einem gemeinsamen Multi Cluster X Small Warehouse laufen. Interaktive oder nutzernahe Abfragen profitieren dagegen typischerweise von gr\\u00f6\\u00dferen Warehouses, um Latenz zu minimieren.<\\\/p>\\n<\/p>\n<p data-start=\\\"8561\\\" data-end=\\\"8657\\\"><strong data-start=\\\"8561\\\" data-end=\\\"8579\\\">Best Practice:<\\\/strong> Warehouses nach Workload Typ strukturieren, nicht nach Team oder Fachbereich.<\\\/p>&#8222;,&#8220;content_en_us&#8220;:&#8220;<\/p>\n<p>A common cost issue in Snowflake environments is <strong>warehouse sprawl<\\\/strong>. When too many warehouses exist, many are underutilized running infrequent queries or sitting idle, but still consuming credits. Cost efficiency improves when workloads are consolidated into as few warehouses as practical and those warehouses are kept busy.<\\\/p>\\n<\/p>\n<p>Rather than creating warehouses by data domain (for example, separate warehouses for marketing and finance), it is typically more efficient to organize warehouses by <strong>workload type<\\\/strong>. For example, using one warehouse for data loading, one for transformations, and one for live BI or user-facing queries usually results in better utilization and lower overall cost.<\\\/p>\\n<\/p>\n<p>Workloads within the same category often share similar performance characteristics. Data-loading jobs, for instance, generally tolerate some queueing and can often run efficiently on a shared, multi-cluster X-Small warehouse. In contrast, interactive or user-facing queries typically benefit from larger warehouses to minimize latency.<\\\/p>\\n<\/p>\n<p><strong>Best practice:<\\\/strong> Organize warehouses by workload type (loading, transformations, BI) rather than by team or domain.<\\\/p>\\n<\/p>\n<p><!-- notionvc: 822baade-b486-45c0-897d-8e741a986e23 --><\\\/p>&#8222;,&#8220;margin&#8220;:&#8220;medium&#8220;,&#8220;margin_remove_top&#8220;:true,&#8220;text_style&#8220;:&#8220;large&#8220;}},{&#8222;type&#8220;:&#8220;headline&#8220;,&#8220;props&#8220;:{&#8222;content&#8220;:&#8220;2. Wie Tabellenkonfiguration Snowflake Storage und Query Kosten beeinflusst&#8220;,&#8220;content_en_us&#8220;:&#8220;2. How table configuration impacts Snowflake storage and query costs&#8220;,&#8220;margin&#8220;:&#8220;default&#8220;,&#8220;margin_remove_bottom&#8220;:false,&#8220;title_element&#8220;:&#8220;h2&#8243;,&#8220;title_style&#8220;:&#8220;h2&#8243;},&#8220;name&#8220;:&#8220;H2&#8243;},{&#8222;type&#8220;:&#8220;headline&#8220;,&#8220;props&#8220;:{&#8222;content&#8220;:&#8220;2.1 Tabellen korrekt clustern&#8220;,&#8220;content_en_us&#8220;:&#8220;2.1 Ensure tables are properly clustered&#8220;,&#8220;margin&#8220;:&#8220;default&#8220;,&#8220;margin_remove_bottom&#8220;:false,&#8220;title_element&#8220;:&#8220;h3&#8243;,&#8220;title_style&#8220;:&#8220;h3&#8243;},&#8220;name&#8220;:&#8220;H3&#8243;},{&#8222;type&#8220;:&#8220;text&#8220;,&#8220;props&#8220;:{&#8222;column_breakpoint&#8220;:&#8220;m&#8220;,&#8220;content&#8220;:&#8220;<\/p>\n<p>Eine der effektivsten Methoden zur Optimierung von Query Performance und zur Reduzierung von Kosten ist<strong> Query Pruning<\\\/strong>. Dabei wird die Anzahl der gescannten Micro Partitions begrenzt.<\\\/p>\\n<\/p>\n<p>Das Lesen von Micro Partitions ist einer der teuersten Schritte in Snowflake Queries, da der Datenzugriff remote \\u00fcber das Netzwerk erfolgt.<\\\/p>\\n<\/p>\n<p>Query Pruning funktioniert, wenn Filter in <code>WHERE<\\\/code> Klauseln, Joins oder Subqueries irrelevante Micro Partitions ausschlie\\u00dfen k\\u00f6nnen. Damit dies effektiv funktioniert, muss die Tabelle <strong>auf Spalten geclustert sein, die den Query Mustern entsprechen<\\\/strong>, sodass jede Micro Partition einen engen Wertebereich enth\\u00e4lt.<\\\/p>\\n<\/p>\n<p>Beispiel f\\u00fcr eine <code>orders<\\\/code> Tabelle mit h\\u00e4ufigem Filter auf <code>created_at<\\\/code>:<\\\/p>\",\"content_en_us\":\"<\/p>\n<p>One of the most effective ways to optimize query performance and reduce costs is <strong>query pruning<\\\/strong>, which limits the number of micro-partitions scanned. Reading micro-partitions is one of the most expensive steps in Snowflake queries because it requires remote data access over the network.<\\\/p>\\n<\/p>\n<p>Query pruning works when filters in <code>WHERE<\\\/code> clauses, joins, or subqueries can eliminate irrelevant micro-partitions. To make this effective, the table must be <strong>clustered on columns that match your query patterns<\\\/strong>, so each micro-partition contains a narrow range of relevant values. For an <code>orders<\\\/code> table where queries often filter by <code>created_at<\\\/code>, cluster the table on that column:<\\\/p>\",\"margin\":\"medium\",\"margin_remove_top\":true,\"text_style\":\"large\"}},{\"type\":\"code\",\"props\":{\"content\":\"CREATE TABLE my_schema.my_table (\\n    id          NUMBER,\\n    created_at  TIMESTAMP_NTZ,\\n    data        VARIANT\\n)\\nCLUSTER BY (created_at);\"}},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"<\/p>\n<p data-start=\\\"9616\\\" data-end=\\\"9969\\\">Clustering lohnt sich insbesondere f\\u00fcr Tabellen mit einem hohen Verh\\u00e4ltnis von Abfragen zu DML Operationen wie INSERT, UPDATE oder DELETE. Das bedeutet, dass die Tabelle h\\u00e4ufig gelesen und nur selten ver\\u00e4ndert wird. Vor Einf\\u00fchrung von Clustering empfiehlt Snowflake <em><strong>ausdr\\u00fccklich<\\\/strong><\\\/em>, repr\\u00e4sentative Queries zu testen und Performance Baselines zu definieren.<\\\/p>\\n<\/p>\n<p data-start=\\\"9971\\\" data-end=\\\"10086\\\">Korrektes Clustering reduziert die pro Query gescannten Daten, verbessert die Performance und senkt Compute Kosten.<\\\/p>\\n<\/p>\n<p data-start=\\\"10088\\\" data-end=\\\"10179\\\"><strong data-start=\\\"10088\\\" data-end=\\\"10106\\\">Best Practice:<\\\/strong> Auf Spalten clustern, die h\\u00e4ufig in Filtern oder Joins verwendet werden.<\\\/p>\",\"content_en_us\":\"<\/p>\n<p>However, clustering is worth for tables that have a high ratio of queries to DML operations (INSERT\\\/UPDATE\\\/DELETE). This typically means that the table is queried frequently and updated infrequently. Before choosing to cluster a table, Snowflake\\u00a0<em><strong>strongly<\\\/strong><\\\/em>\\u00a0recommends that you test a representative set of queries on the table to establish some performance baselines.<\\\/p>\\n<\/p>\n<p>Proper clustering reduces the data scanned per query, improving performance and lowering compute costs.<\\\/p>\\n<\/p>\n<p><strong>Best practice:<\\\/strong> Cluster on columns frequently used in filters or joins.<!-- notionvc: a2ad8eac-d068-4968-8342-80c7bcc627ee --><\\\/p>\\n<\/p>\n<p><!-- notionvc: 810d57c1-e903-40c3-947d-6053b5b71a5d --><\\\/p>\",\"margin\":\"medium\",\"margin_remove_top\":true,\"text_style\":\"large\"}},{\"type\":\"headline\",\"props\":{\"content\":\"2.2 Unbenutzte Tabellen l\\u00f6schen\",\"content_en_us\":\"2.2 Drop unused tables\",\"margin\":\"default\",\"margin_remove_bottom\":false,\"title_element\":\"h3\",\"title_style\":\"h3\"},\"name\":\"H3\"},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"<\/p>\n<p>Unbenutzte Tabellen und Time Travel Sicherungen verbrauchen Storage und tragen langfristig zu Snowflake Kosten bei. Eine regelm\\u00e4\\u00dfige Identifikation und Entfernung nicht mehr ben\\u00f6tigter Tabellen kann den Credit Verbrauch reduzieren.<\\\/p>\\n<\/p>\n<p><em>Wie man ungenutzte Tabellen identifiziert<\\\/em><\\\/p>\\n<\/p>\n<p>Sie k\\u00f6nnen Snowflakes <code>INFORMATION_SCHEMA.TABLES<\\\/code> abfragen, um \\u00c4nderungen an der Tabellenstruktur (z. B. hinzugef\\u00fcgte Spalten, ge\\u00e4nderte Datentypen) oder das Auftreten von datenver\\u00e4ndernden DML-Anweisungen (INSERT, UPDATE, DELETE, MERGE) zu ermitteln.<\\\/p>\",\"content_en_us\":\"<\/p>\n<p>Unused tables and time-travel backups consume storage and contribute to Snowflake costs over time. Regularly identifying and removing tables that are no longer needed can help reduce credit usage.<\\\/p>\\n<\/p>\n<p><em>How to identify unused tables<\\\/em><\\\/p>\\n<\/p>\n<p>You can query Snowflake\\u2019s <strong><code>INFORMATION_SCHEMA.TABLES<\\\/code><\\\/strong> to find table\\u2019s structure changes (e.g., columns added, data types changed) or when data-modifying DML (INSERT, UPDATE, DELETE, MERGE) occurred.<\\\/p>\",\"margin\":\"medium\",\"margin_remove_top\":true,\"text_style\":\"large\"}},{\"type\":\"code\",\"props\":{\"content\":\"SELECT table_schema,\\n       table_name,\\n       last_altered,\\n       created\\nFROM information_schema.tables\\nORDER BY last_altered ASC;\"}},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"<\/p>\n<p>Wenn festgestellt werden soll, welche Tabellen in letzter Zeit nicht abgefragt wurden, sollte zus\\u00e4tzlich die Query Historie genutzt werden, beispielsweise die <code>QUERY_HISTORY<\\\/code> View im <code>SNOWFLAKE.ACCOUNT_USAGE<\\\/code> Schema.<\\\/p>\\n<\/p>\n<p>Hier ist ein einfaches Beispiel:<\\\/p>\",\"content_en_us\":\"<\/p>\n<p>If you want to identify tables that haven\\u2019t been <strong>queried recently<\\\/strong>, you need to use <strong>query history<\\\/strong> instead. For example, Snowflake\\u2019s <code>QUERY_HISTORY<\\\/code> view in the <code>SNOWFLAKE.ACCOUNT_USAGE<\\\/code> schema can tell you which tables were accessed and when.<\\\/p>\\n<\/p>\n<p>Here\\u2019s a simple example:<\\\/p>\",\"margin\":\"medium\",\"margin_remove_top\":true,\"text_style\":\"large\"}},{\"type\":\"code\",\"props\":{\"content\":\"SELECT DISTINCT\\n    t.table_schema,\\n    t.table_name,\\nMAX(q.start_time)AS last_query_time\\nFROM snowflake.account_usage.tables t\\nLEFT JOIN snowflake.account_usage.query_history q\\nON q.query_text ILIKE'%'|| t.table_name||'%'\\nWHERE t.table_schema='YOUR_SCHEMA'\\nGROUP BY t.table_schema, t.table_name\\nORDER BY last_query_time\"}},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"<\/p>\n<p>Die Kombination aus <code>INFORMATION_SCHEMA.TABLES<\\\/code> und <strong>Query Historie<\\\/strong> liefert das genaueste Bild \\u00fcber ungenutzte Tabellen.<\\\/p>\\n<\/p>\n<p><strong>Best Practice:<\\\/strong> Metadaten und Query Historie kombinieren, um unbenutzte Tabellen sicher zu identifizieren und zu entfernen.<\\\/p>\",\"content_en_us\":\"<\/p>\n<p>Combining <strong><code>INFORMATION_SCHEMA.TABLES<\\\/code><\\\/strong> with <strong>query history<\\\/strong> gives the most accurate picture of unused tables.<\\\/p>\\n<\/p>\n<p><strong>Best practice:<\\\/strong> Combine metadata and query history to identify and safely remove unused tables.<\\\/p>\",\"margin\":\"medium\",\"margin_remove_top\":true,\"text_style\":\"large\"}},{\"type\":\"headline\",\"props\":{\"content\":\"2.3 Data Retention durch Time Travel reduzieren\",\"content_en_us\":\"2.3 Lower data retention (time travel)\",\"margin\":\"default\",\"margin_remove_bottom\":false,\"title_element\":\"h3\",\"title_style\":\"h3\"},\"name\":\"H3\"},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"<\/p>\n<p>Die <strong>Time Travel Funktion<\\\/strong> von Snowflake speichert Kopien aller \\u00c4nderungen an einer Tabelle f\\u00fcr einen konfigurierten Zeitraum und erh\\u00f6ht dadurch Storage Nutzung und Kosten. Die Standard Retention betr\\u00e4gt einen Tag und ist f\\u00fcr alle Snowflake Accounts automatisch aktiviert. Eine Retention von 0 Tagen deaktiviert Time Travel f\\u00fcr das jeweilige Objekt.<\\\/p>\\n<\/p>\n<p>Die Reduzierung der Time Travel Retention senkt Storage Verbrauch und damit verbundene Snowflake Credits, ohne aktive Workloads zu beeintr\\u00e4chtigen.<\\\/p>\\n<\/p>\n<p>F\\u00fcr <strong>nicht kritische Tabellen<\\\/strong> wie <strong>Staging, Zwischenlayer oder Entwicklungsumgebungen<\\\/strong> kann Time Travel auf <strong>0 Tage<\\\/strong> gesetzt werden, wenn Daten tempor\\u00e4r sind und leicht aus Quellsystemen reproduziert werden k\\u00f6nnen. F\\u00fcr <strong>produktive und gesch\\u00e4ftskritische Tabellen<\\\/strong> sollte die <strong>Standard Retention von einem Tag<\\\/strong> bestehen bleiben, um versehentliche L\\u00f6schungen oder fehlerhafte Merges abzusichern.<\\\/p>\\n<\/p>\n<p>Um die Datenaufbewahrungsfrist f\\u00fcr eine bestimmte Tabelle zu verk\\u00fcrzen:<\\\/p>\",\"content_en_us\":\"<\/p>\n<p>Snowflake\\u2019s <strong>time-travel<\\\/strong> feature maintains copies of all changes to a table for a configured retention period, which increases storage usage and costs. The standard retention period is 1 day (24 hours) and is automatically enabled for all Snowflake accounts. A retention period of 0 days for an object effectively deactivates Time Travel for the object.<\\\/p>\\n<\/p>\n<p>Reducing the time-travel retention period lowers storage consumption and associated Snowflake credits without impacting active workloads.<\\\/p>\\n<\/p>\n<p>Time Travel can be set to <strong>0 days<\\\/strong> on <strong>non-critical tables<\\\/strong> such as <strong>staging, intermediate, and development\\\/sandbox tables<\\\/strong>, where data is transient and easily reproducible from source systems or pipelines. For <strong>production and business-critical tables<\\\/strong>, Time Travel should remain at the <strong>standard 1-day retention<\\\/strong> to protect against accidental deletes, bad merges, or other operational errors.<\\\/p>\\n<\/p>\n<p>To lower the data retention period for a specific table:<\\\/p>\",\"margin\":\"medium\",\"margin_remove_top\":true,\"text_style\":\"large\"}},{\"type\":\"code\",\"props\":{\"content\":\"alter table my_non_critical_table set data_retention_time_in_days=0;\"}},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"<\/p>\n<p><strong>Best Practice:<\\\/strong> Retention Perioden f\\u00fcr nicht kritische Tabellen reduzieren.<\\\/p>\",\"content_en_us\":\"<\/p>\n<p><strong>Best practice:<\\\/strong> Reduce retention periods for non-critical tables.<\\\/p>\",\"margin\":\"medium\",\"margin_remove_top\":true,\"text_style\":\"large\"}},{\"type\":\"headline\",\"props\":{\"content\":\"2.4 Transient Tabellen f\\u00fcr nicht kritische Daten verwenden\",\"content_en_us\":\"2.4. Use transient tables for non-critical data\",\"margin\":\"default\",\"margin_remove_bottom\":false,\"title_element\":\"h3\",\"title_style\":\"h3\"},\"name\":\"H3\"},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"<\/p>\n<p>Die <strong>Fail Safe Funktion<\\\/strong> ist die letzte Schutzschicht in Snowflake. Fail Safe wird erst nach Ablauf der Time Travel Retention aktiv, gilt<strong> sieben Tage<\\\/strong> f\\u00fcr permanente Tabellen und kann nicht konfiguriert werden.<\\\/p>\\n<\/p>\n<p>F\\u00fcr Tabellen, die im Rahmen von ETL Prozessen regelm\\u00e4\\u00dfig gel\\u00f6scht oder neu erstellt werden oder deren Daten extern gesichert sind, bietet Fail Safe oft wenig Mehrwert, erh\\u00f6ht jedoch Storage Kosten.<\\\/p>\\n<\/p>\n<p>Durch die <strong>Verwendung von Transient Tabellen<\\\/strong> statt permanenter Tabellen:<\\\/p>\\n<\/p>\n<ul>\\n<\/p>\n<li>wird Fail Safe <strong>nicht angewendet<\\\/strong>, wodurch sich der Storage Verbrauch reduziert wird.<\\\/li>\\n\n<li>k\\u00f6nnen auch Time Travel Kosten minimiert werden.<\\\/li>\\n<\\\/ul>\\n\n<p>Transient Tabellen eignen sich ideal f\\u00fcr Zwischenlayer oder tempor\\u00e4re ETL Tabellen, die keine vollst\\u00e4ndige historische Wiederherstellung ben\\u00f6tigen.<\\\/p>\\n<\/p>\n<p><strong>Best Practice:<\\\/strong> Transient Tabellen f\\u00fcr reproduzierbare oder nicht kritische ETL Daten verwenden.<\\\/p>\",\"content_en_us\":\"<\/p>\n<p>Snowflake\\u2019s <strong>Fail-Safe<\\\/strong> feature is the final layer of data protection. Fail-Safe only becomes active after the time-travel retention period ends, lasts <strong>7 days<\\\/strong> for permanent tables and cannot be configured.<\\\/p>\\n<\/p>\n<p>For tables that are frequently deleted, re-created during ETL processes, or already backed up in external storage, maintaining Fail-Safe provides little value but increases storage costs.<\\\/p>\\n<\/p>\n<p>By creating <strong>transient tables<\\\/strong> instead of permanent ones:<\\\/p>\\n<\/p>\n<ul>\\n<\/p>\n<li>Fail-Safe is <strong>not applied<\\\/strong>, reducing storage usage.<\\\/li>\\n\n<li>Time-Travel costs can also be minimized.<\\\/li>\\n<\\\/ul>\\n\n<p>This is ideal for intermediate or temporary ETL tables that don\\u2019t require full historical recovery.<\\\/p>\\n<\/p>\n<p><strong>Best practice:<\\\/strong> Use transient tables for intermediate or reproducible ETL data.<\\\/p>\",\"margin\":\"medium\",\"margin_remove_top\":true,\"text_style\":\"large\"}},{\"type\":\"headline\",\"props\":{\"content\":\"Fazit\",\"content_en_us\":\"Conclusion\",\"margin\":\"default\",\"margin_remove_bottom\":false,\"title_element\":\"h2\",\"title_style\":\"h2\"},\"name\":\"H2\"},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"<\/p>\n<p>Dieser Beitrag beschreibt praktische Techniken zur Kostenoptimierung in Snowflake, die sich auf die <strong>Konfiguration virtueller Warehouses und Tabellen<\\\/strong> konzentrieren und sich an technische Teams richten, die Snowflake in der Produktion einsetzen. Er zeigt, wie kleine, bewusste Konfigurationsentscheidungen den Kreditverbrauch erheblich reduzieren k\\u00f6nnen, ohne die Leistung oder Zuverl\\u00e4ssigkeit zu beeintr\\u00e4chtigen.<\\\/p>\\n<\/p>\n<p><strong>Die wichtigsten Erkenntnisse:<\\\/strong><\\\/p>\\n<\/p>\n<ul>\\n<\/p>\n<li><strong>Compute ist der prim\\u00e4re Kostentreiber in Snowflake.<\\\/strong> Die gr\\u00f6\\u00dften Einsparungen entstehen durch korrekt dimensionierte Warehouses, richtig gesetztes Auto Suspend, Minimum Cluster Count von 1 und Konsolidierung nach Workload Typ.<\\\/li>\\n\n<li><strong>Tabellendesign beeinflusst sowohl Performance als auch Kosten.<\\\/strong> Korrektes Clustering verbessert Query Pruning. Das L\\u00f6schen ungenutzter Tabellen, das Reduzieren von Time Travel Retention und die Nutzung von Transient Tabellen senken unn\\u00f6tigen Storage Overhead.<\\\/li>\\n\n<li><strong>Monitoring allein gen\\u00fcgt nicht.<\\\/strong> Nachhaltige Kostensenkung erfordert die konsequente Ausrichtung von Warehouse und Tabellenkonfiguration auf reale Workload Muster und Nutzungsverhalten.<\\\/li>\\n<\\\/ul>\\n\n<p>Im n\\u00e4chsten Beitrag werden wir uns mit Techniken zur Kostensenkung in drei weiteren Bereichen befassen: Workload-Konfiguration, Datenladungsmuster und Nutzung der integrierten Snowflake-Kontrollmechanismen.<\\\/p>\\n<\/p>\n<p><em><strong>M\\u00f6chten Sie verstehen, woher Ihre Snowflake-Kosten wirklich stammen?<\\\/strong><\\\/em><\\\/p>\\n<\/p>\n<p>Wir helfen technischen Teams dabei, ihre Snowflake-Nutzung zu \\u00fcberpr\\u00fcfen und konkrete M\\u00f6glichkeiten zur Kosteneinsparung zu identifizieren, ohne die Leistung oder Zuverl\\u00e4ssigkeit zu beeintr\\u00e4chtigen. Nehmen Sie hier <a href=\\\"https:\\\/\\\/www.hopmann.com\\\/de\\\/kontakt\\\/\\\">Kontakt<\\\/a> mit uns auf.<\\\/p>\",\"content_en_us\":\"<\/p>\n<p>This post outlines practical Snowflake cost optimization techniques focused on <strong>virtual warehouse and table configuration<\\\/strong>, aimed at technical teams operating Snowflake in production. It shows how small, intentional configuration choices can significantly reduce credit consumption without impacting performance or reliability.<\\\/p>\\n<\/p>\n<p><strong>Key takeaways<\\\/strong><\\\/p>\\n<\/p>\n<ul>\\n<\/p>\n<li><strong>Compute is the primary cost driver in Snowflake<\\\/strong>, and most savings come from right-sizing warehouses, setting auto-suspend correctly, keeping minimum cluster count at 1, and consolidating warehouses by workload type.<\\\/li>\\n\n<li><strong>Table design directly impacts both performance and cost<\\\/strong>: proper clustering improves query pruning, while dropping unused tables, reducing time-travel retention, and using transient tables lowers unnecessary storage overhead.<\\\/li>\\n\n<li><strong>Monitoring alone is not enough<\\\/strong> \\u2014 meaningful cost reduction requires aligning warehouse and table configuration with actual workload patterns and usage behavior.<\\\/li>\\n<\\\/ul>\\n\n<p>In the next post, we will explore cost reduction techniques across three additional areas: workload configuration, data loading patterns, and leverage built-in Snowflake controls.<\\\/p>\\n<\/p>\n<p><strong><em>Do you want to understand where your Snowflake costs are really coming from?<\\\/em><\\\/strong><\\\/p>\\n<\/p>\n<p>We help technical teams review their Snowflake usage and identify concrete cost-saving opportunities without compromising performance or reliability. <a href=\\\"https:\\\/\\\/www.hopmann.com\\\/en\\\/contact\\\/\\\">Get in touch with us here.<\\\/a><\\\/p>\",\"margin\":\"medium\",\"margin_remove_top\":true,\"text_style\":\"large\"}},{\"type\":\"headline\",\"props\":{\"content\":\"FAQ zu Snowflake Kosten optimieren\",\"content_en_us\":\"FAQ on Snowflake Cost Optimization\",\"margin\":\"default\",\"margin_remove_bottom\":false,\"title_element\":\"h2\",\"title_style\":\"h2\"},\"name\":\"H2\"},{\"type\":\"accordion\",\"props\":{\"collapsible\":true,\"content_column_breakpoint\":\"m\",\"image_align\":\"top\",\"image_grid_breakpoint\":\"m\",\"image_grid_width\":\"1-2\",\"image_svg_color\":\"emphasis\",\"link_style\":\"default\",\"link_text\":\"Read more\",\"show_image\":true,\"show_link\":true},\"children\":[{\"type\":\"accordion_item\",\"props\":{\"content\":\"<\/p>\n<p>Die wichtigsten Kostentreiber sind Compute, Storage und Cloud Services. Compute \\u00fcber Virtual Warehouses ist in den meisten Umgebungen der gr\\u00f6\\u00dfte Faktor, insbesondere bei \\u00fcberdimensionierten oder lange laufenden Warehouses.<\\\/p>\",\"content_en_us\":\"<\/p>\n<p>Snowflake costs are mainly driven by compute, storage, and cloud services usage. Compute from virtual warehouses is usually the largest cost factor, especially when warehouses are oversized or run unnecessarily long. Storage costs increase with time travel and fail-safe retention.<\\\/p>\",\"title\":\"Was sind die Hauptkostentreiber in Snowflake?\",\"title_en_us\":\"What are the main drivers of Snowflake costs?\"}},{\"type\":\"accordion_item\",\"props\":{\"content\":\"<\/p>\n<p>Durch korrekt dimensionierte Warehouses, Auto Suspend auf 60 Sekunden, reduzierte Job Frequenz und inkrementelle Verarbeitung statt Full Refreshes. Zus\\u00e4tzlich helfen Query Optimierung und Konsolidierung von Warehouses.<\\\/p>\",\"content_en_us\":\"<\/p>\n<p>Reduce compute costs by right-sizing warehouses, setting auto-suspend to 60 seconds, and avoiding unnecessary job frequency. Incremental processing instead of full refreshes also lowers data scanned and execution time. Optimizing queries and consolidating warehouses further improves efficiency.<\\\/p>\",\"title\":\"Wie kann ich Snowflake Compute Kosten optimieren?\",\"title_en_us\":\"How can I reduce Snowflake compute costs?\"}},{\"type\":\"accordion_item\",\"props\":{\"content\":\"<\/p>\n<p>Ja, bei korrekter Konfiguration. 60 Sekunden verhindern unn\\u00f6tige Leerlaufzeiten. Werte unter 60 Sekunden k\\u00f6nnen durch wiederholte Mindestabrechnungen Mehrkosten verursachen.<\\\/p>\",\"content_en_us\":\"<\/p>\n<p>Yes, if configured correctly. Setting auto-suspend to 60 seconds prevents warehouses from running idle and consuming unnecessary credits. Settings below 60 seconds can increase costs due to repeated minimum billing charges.<\\\/p>\",\"title\":\"Spart Auto Suspend wirklich Credits?\",\"title_en_us\":\"Does auto-suspend really save Snowflake credits?\"}},{\"type\":\"accordion_item\",\"props\":{\"content\":\"<\/p>\n<p>F\\u00fcr tempor\\u00e4re oder reproduzierbare Daten, die keinen erweiterten Schutz ben\\u00f6tigen. Sie reduzieren Storage Kosten, da Fail Safe nicht angewendet wird.<\\\/p>\",\"content_en_us\":\"<\/p>\n<p>Use transient tables for intermediate or reproducible data that does not require long-term recovery. They reduce storage costs because fail-safe does not apply. Avoid them for critical data that requires extended protection.<\\\/p>\",\"title\":\"Wann sollte ich Transient Tabellen verwenden?\",\"title_en_us\":\"When should I use transient tables in Snowflake?\"}},{\"type\":\"accordion_item\",\"props\":{\"content\":\"<\/p>\n<p>Clustering verbessert das Query Pruning. Weniger gelesene Micro Partitions bedeuten geringere Compute Nutzung und schnellere Abfragen. Besonders wirksam ist es bei gro\\u00dfen Tabellen mit h\\u00e4ufigen Filtern auf bestimmten Spalten.<\\\/p>\",\"content_en_us\":\"<\/p>\n<p>Clustering improves micro-partition pruning, which reduces the amount of data scanned during queries. Less data scanned means lower compute usage and faster execution. It is most effective for large tables frequently filtered on specific columns.<\\\/p>\",\"title\":\"Wie reduziert Clustering Query Kosten?\",\"title_en_us\":\"How does clustering reduce Snowflake query costs?\"}}]},{\"type\":\"html\",\"props\":{\"content\":\"\"},\"name\":\"--- \\\/\\\/ Content Ende \\\/\\\/ ---\"},{\"type\":\"fragment\",\"props\":{\"margin\":\"default\"},\"children\":[{\"type\":\"row\",\"props\":{\"css\":\".el-row {\\n\\tmargin-top: 70px;\\n}\",\"margin_remove_bottom\":true},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\"},\"children\":[{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\"}}]}]},{\"type\":\"row\",\"props\":{\"class\":\"blog-pager\",\"layout\":\"1-2,1-2\",\"margin\":\"small\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"width_default\":\"1-2\",\"width_medium\":\"1-2\"},\"children\":[{\"type\":\"button\",\"props\":{\"class\":\"blog-pager\",\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"margin\":\"remove-vertical\"},\"children\":[{\"type\":\"button_item\",\"props\":{\"button_style\":\"\",\"content\":\"Vorheriger Artikel\",\"content_en_us\":\"Previous article\",\"dialog_layout\":\"modal\",\"dialog_offcanvas_flip\":true,\"icon\":\"chevron-left\",\"icon_align\":\"left\"},\"source\":{\"query\":{\"name\":\"blogs.singlePreviousBlog\"},\"props\":{\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]}]},{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"width_default\":\"1-2\",\"width_medium\":\"1-2\"},\"children\":[{\"type\":\"button\",\"props\":{\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"margin\":\"remove-vertical\",\"text_align\":\"right\"},\"children\":[{\"type\":\"button_item\",\"props\":{\"button_style\":\"\",\"content\":\"N\\u00e4chster Artikel\",\"content_en_us\":\"Next article\",\"dialog_layout\":\"modal\",\"dialog_offcanvas_flip\":true,\"icon\":\"chevron-right\",\"icon_align\":\"right\"},\"source\":{\"query\":{\"name\":\"blogs.singleNextBlog\"},\"props\":{\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]}]}]},{\"type\":\"row\",\"props\":{\"margin_remove_top\":true},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\"},\"children\":[{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\",\"margin\":\"medium\",\"margin_remove_top\":true}}]}]}]}]},{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky\":\"column\",\"position_sticky_breakpoint\":\"m\",\"position_sticky_offset\":\"120\",\"width_large\":\"1-3\"},\"children\":[{\"type\":\"headline\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"content\":\"Neueste Artikel\",\"content_en_us\":\"Latest articles\",\"margin_remove_bottom\":false,\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"title_element\":\"div\",\"title_style\":\"h6\"}},{\"type\":\"grid\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"class\":\"articles-sm\",\"content\":\"Neueste Artikel\",\"content_column_breakpoint\":\"m\",\"filter_align\":\"left\",\"filter_all\":true,\"filter_grid_breakpoint\":\"m\",\"filter_grid_width\":\"auto\",\"filter_position\":\"top\",\"filter_style\":\"tab\",\"grid_default\":\"1\",\"grid_divider\":true,\"grid_medium\":\"\",\"grid_row_gap\":\"small\",\"icon_width\":80,\"image_align\":\"top\",\"image_grid_breakpoint\":\"\",\"image_grid_width\":\"auto\",\"image_svg_color\":\"emphasis\",\"image_vertical_align\":true,\"item_animation\":true,\"lightbox_bg_close\":true,\"link_style\":\"default\",\"link_text\":\"\",\"margin\":\"default\",\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"meta_align\":\"above-title\",\"meta_element\":\"div\",\"meta_style\":\"text-small\",\"panel_expand\":false,\"panel_image_no_padding\":true,\"panel_link\":true,\"show_content\":true,\"show_hover_image\":true,\"show_hover_video\":true,\"show_image\":true,\"show_link\":true,\"show_meta\":true,\"show_title\":true,\"show_video\":true,\"title_align\":\"top\",\"title_element\":\"div\",\"title_font_family\":\"tertiary\",\"title_grid_breakpoint\":\"m\",\"title_grid_width\":\"1-2\",\"title_hover_style\":\"reset\",\"title_margin\":\"remove\"},\"children\":[{\"type\":\"grid_item\",\"props\":{\"yooessentials_access_conditions\":[],\"yooessentials_access_mode\":\"AND\"},\"source\":{\"query\":{\"name\":\"blogs.customBlogs\",\"arguments\":{\"users\":[],\"users_operator\":\"IN\",\"offset\":0,\"limit\":5,\"order\":\"date\",\"order_direction\":\"DESC\",\"terms\":[],\"blog_kategorie_operator\":\"IN\"}},\"props\":{\"title\":{\"filters\":{\"search\":\"\"},\"name\":\"title\"},\"meta\":{\"filters\":{\"search\":\"\"},\"name\":\"field.subline\"},\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]},{\"type\":\"headline\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"content\":\"Kategorien\",\"content_en_us\":\"Categories\",\"margin\":\"large\",\"margin_remove_bottom\":true,\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"title_element\":\"div\",\"title_style\":\"h6\",\"yooessentials_access_conditions\":[{\"type\":\"yooessentials_access_dynamic\",\"id\":\"ci_AD8A0F\",\"props\":{\"condition\":\"!\",\"reversed\":true},\"source_extended\":{\"props\":{\"value\":{\"name\":\"blog_kategorieString\",\"query\":{\"name\":\"#parent\"}}}}}],\"yooessentials_access_mode\":\"AND\"}},{\"type\":\"list\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"class\":\"tag-list\",\"column_breakpoint\":\"m\",\"content\":\"Kategorien\",\"image_align\":\"left\",\"image_svg_color\":\"emphasis\",\"image_vertical_align\":true,\"list_element\":\"ul\",\"list_horizontal_separator\":\"\",\"list_type\":\"horizontal\",\"margin\":\"small\",\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"show_image\":true,\"show_link\":true},\"children\":[{\"type\":\"list_item\",\"source\":{\"query\":{\"name\":\"blogs.singleBlog\",\"field\":{\"name\":\"blog_kategories\",\"directives\":[{\"name\":\"slice\",\"arguments\":{\"offset\":0}}]}},\"props\":{\"content\":{\"filters\":{\"search\":\"\"},\"name\":\"name\"},\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]}]}]}],\"name\":\"Blog V8 - 10\\\/25\",\"source\":{\"query\":{\"name\":\"blogs.singleBlog\"}}}],\"version\":\"4.5.32\",\"yooessentialsVersion\":\"2.4.12\"} --><\/p>\n","protected":false},"featured_media":14415,"template":"","blog-kategorie":[56,57],"class_list":["post-14119","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-kategorie-deep-dive","blog-kategorie-data-engineering"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog\/14119","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"version-history":[{"count":0,"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog\/14119\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/media\/14415"}],"wp:attachment":[{"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/media?parent=14119"}],"wp:term":[{"taxonomy":"blog-kategorie","embeddable":true,"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog-kategorie?post=14119"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}