OLAP vs. OLTP

OLTP (Online Transaction Processing) ist für schnelle, häufige Einzeltransaktionen optimiert. OLAP (Online Analytical Processing) für komplexe Analysen über große Datenmengen.

Fortgeschritten2 Min Lesezeit

Erklärung starten

Auf einen Blick

3 Punkte

  1. OLTP: Optimiert für viele kleine, schnelle Lese-/Schreiboperationen (INSERT, UPDATE)
  2. OLAP: Optimiert für wenige, komplexe Abfragen über große Datenmengen (SELECT mit Aggregationen)
  3. Typischerweise werden OLTP-Daten regelmäßig in ein OLAP-System (Data Warehouse) übertragen

Sofortantwort

OLAP vs. OLTP einfach erklärt

OLTP für schnelle Transaktionen, OLAP für komplexe Analysen großer Datenmengen.

Kurz gesagt
OLTP: Optimiert für viele kleine, schnelle Lese-/Schreiboperationen (INSERT, UPDATE)
Typischer Einsatz
Marketing, KI-Training, Business Intelligence
Wichtig zu wissen
Typischerweise werden OLTP-Daten regelmäßig in ein OLAP-System (Data Warehouse) übertragen

OLAP vs. OLTP im Überblick

Zwei grundlegend verschiedene Anforderungen an Datenbanken:

OLTP – die Datenbank hinter deiner App: Viele Nutzer gleichzeitig, jeder macht kleine Operationen. Eine Bestellung aufgeben, einen Lagerbestand aktualisieren, einen Nutzer anlegen. Geschwindigkeit und Konsistenz sind entscheidend.

OLAP – die Datenbank hinter deinen Analysen: Wenige, aber komplexe Abfragen. „Wie war der Umsatz im letzten Quartal, aufgeteilt nach Region und Produktkategorie, im Vergleich zum Vorjahr?” Solche Abfragen scannen Millionen Zeilen – dafür ist OLTP nicht gebaut.

Vergleich:

AspektOLTPOLAP
OperationenINSERT, UPDATE, DELETESELECT mit Aggregationen
DatenmengeAktuelle DatenHistorische Daten
AbfragenViele, einfach, schnellWenige, komplex, langsam
Optimiert fürSchreibenLesen
BeispielPostgreSQL, MySQLBigQuery, Snowflake

Technisch betrachtet

OLTP-Abfrage (schnell, gezielt)

-- Einzelne Bestellung abrufen – Millisekunden
SELECT * FROM orders
WHERE order_id = 'ord_12345'
  AND user_id = 'usr_456';

OLAP-Abfrage (komplex, aggregiert)

-- Umsatzanalyse – scannt Millionen Zeilen
SELECT
  DATE_TRUNC('month', created_at) AS month,
  region,
  product_category,
  SUM(amount) AS revenue,
  COUNT(DISTINCT user_id) AS unique_customers,
  AVG(amount) AS avg_order_value
FROM orders
WHERE created_at >= '2025-01-01'
GROUP BY 1, 2, 3
ORDER BY 1, revenue DESC;

Typische Architektur

App → OLTP (PostgreSQL) → ETL/ELT → OLAP (BigQuery)

                              BI-Tool (Looker, Tableau)
                              ML-Training
                              Ad-hoc-Analysen

01Einsatzbereiche

Wann ist OLAP vs. OLTP sinnvoll?

Geeignet für

  • MarketingOLTP: Bestellungen aufnehmen, Lagerbestand aktualisieren. OLAP: Umsatzanalysen, Kaufmusterauswertung
  • KI-TrainingOLAP-Systeme als Quelle für Trainingsdaten – effiziente Abfragen über Millionen von Datensätzen
  • Business IntelligenceOLAP-Cubes für mehrdimensionale Analysen: Umsatz nach Region, Produkt und Zeitraum

↑ Inhalt

02Werkzeuge

Womit OLAP vs. OLTP umgesetzt wird

↑ Inhalt

Merksatz

OLTP ist wie eine Supermarktkasse

Viele kleine, schnelle Transaktionen gleichzeitig – jeder Kauf wird sofort verbucht. OLAP ist wie der Buchhalter am Monatsende: Er analysiert alle Transaktionen, sucht Muster und erstellt Berichte – langsamer, aber mit viel mehr Tiefe.

  1. OLTP: Optimiert für viele kleine, schnelle Lese-/Schreiboperationen (INSERT, UPDATE)
  2. OLAP: Optimiert für wenige, komplexe Abfragen über große Datenmengen (SELECT mit Aggregationen)
  3. Typischerweise werden OLTP-Daten regelmäßig in ein OLAP-System (Data Warehouse) übertragen

04Redaktion

Herkunft und Stand

Redaktion und Aktualität

Ebenex RedaktionRedaktion

Veröffentlicht
Aktualisiert

Dieses Feld entwickelt sich schnell. Oben stehen Veröffentlichung und letzte Änderung; ein Prüfdatum kommt dazu, sobald die Erklärung nach ihrer letzten Änderung geprüft wurde.

↑ Inhalt

05FAQ

Häufige Fragen zu OLAP vs. OLTP

Kann ich eine Datenbank für beides nutzen?

Moderne Datenbanken wie Snowflake oder CockroachDB versuchen, HTAP (Hybrid Transactional/Analytical Processing) zu bieten. Für die meisten Anwendungen ist aber eine Trennung sinnvoll: OLTP-Datenbank für die Anwendung, regelmäßiger ETL-Transfer in ein Data Warehouse für Analysen.

Was ist ein OLAP-Cube?

Eine mehrdimensionale Datenstruktur, die voraggregierte Daten speichert. Statt bei jeder Abfrage Millionen Zeilen zu aggregieren, werden die Ergebnisse vorberechnet. Dimensionen sind z. B. Zeit, Region, Produkt – man kann 'würfeln' und Daten aus verschiedenen Perspektiven betrachten.

Was ist der Unterschied zwischen Row Store und Column Store?

OLTP-Datenbanken speichern Daten zeilenweise (Row Store): Alle Felder einer Zeile liegen zusammen – gut für INSERT/UPDATE einzelner Datensätze. OLAP-Datenbanken speichern spaltenweise (Column Store): Alle Werte einer Spalte liegen zusammen – gut für Aggregationen über eine Spalte (SUM, AVG) bei Millionen Zeilen.

↑ Inhalt

06Weiterlernen

Was möchtest du als Nächstes verstehen?

  • Grundlage nachholen

    Data Warehouse

    Ein System zur schnellen Analyse strukturierter Daten aus verschiedenen Quellen.

  • Technisch vertiefen

    Data Lake

    Ein Speicher für große Mengen an Rohdaten in ihrem Originalformat.

↑ Inhalt