HomeChef bändigt die Snowflake-Kosten und schärft das Kostenbewusstsein im Analytics-Team

SELECT lieferte sofort die Kostentransparenz und Optimierungs-Insights, die die internen Tools von HomeChef nicht bieten konnten. Die Einrichtung dauerte gerade einmal 30 Minuten. Dank der tiefen Integration mit dbt und einer durchgängigen Kostenaufschlüsselung konnte das Team über 1.200 dbt-Modelle hinweg schnell die wirkungsvollsten Optimierungshebel finden – mit genau der Sicht, für die zuvor eigene Dashboards gebaut werden mussten.

HomeChef migrierte vor fünf Jahren von EMR zu Snowflake und nutzte die Plattform zunächst, um Looker-Dashboards mit täglichen dbt-Batch-Updates zu versorgen – ein stabiles und kosteneffizientes Setup. Das änderte sich, als HomeChef immer mehr operative workloads über Snowflake laufen ließ. Aus täglichen Queries wurden Queries alle 15 Minuten. Wer viele Upserts auf Churn-Tabellen fährt, sieht die Snowflake-Ausgaben rasant nach oben schnellen. Praktisch über Nacht stieg der Verbrauch um eine Größenordnung.

Vor SELECT hatte HomeChef ein eigenes Kostenmonitoring aufgebaut: inkrementelles Harvesting der Query History, getrennte Warehouses zur Nachverfolgung der dbt-Umgebungskosten und individuelle Looker-Dashboards. Die hauseigene Lösung funktionierte für den Routinebetrieb, wurde bei neuen Problemstellungen aber schnell zur Bremse. Für neue Features brauchte es PRs mit zusätzlichen Dimensionen in Tabellen und neuen Measures in Dashboards; Ad-hoc-Analysen waren wegen der komplexen Metadatenstruktur von Snowflake zäh. Die Trägheit und Reibung waren hoch. Mit jedem Feature, das innerhalb von Snowflake dazukam, musste das Team faktisch einen weiteren obskuren Datensatz neu erlernen.

Als die Kosten in die Höhe schossen, brauchte HomeChef sofort Klarheit darüber, was die Ausgaben trieb. Innerhalb von 30 Minuten war SELECT einsatzbereit. Das tiefe Verständnis des dbt-Ökosystems und die umfassende Kostentransparenz von SELECT machten den Umstieg nahtlos – und die Eigenentwicklung überflüssig.

HomeChef erzielte deutliche Kostensenkungen: Zuerst wurden Storage-Probleme angegangen (20 % Einsparung), anschließend identifizierte das Team mit SELECT Performance-Optimierungen für weitere 40 %. Bei über 1.200 dbt-Modellen wäre es unmöglich gewesen, die richtigen Stellschrauben manuell zu finden. Die Kostenaufschlüsselung und die Performance-Insights von SELECT erlaubten es dem Team, sich genau dort einzubringen, wo der Hebel am größten war. SELECT diente gleichzeitig als Werkzeug zur Zielauswahl und als zentrale Beobachtungswarte für Performance-Optimierungen.

SELECT hat HomeChefs Arbeitsweise vom reaktiven Krisenmanagement zu proaktivem Monitoring verschoben. Devin beginnt jeden Arbeitstag mit einem kurzen Blick in SELECT. Er holt sich seinen Kaffee, schaut auf die Pipes und checkt dann SELECT. In zwei bis drei Minuten hat er ein Gefühl dafür, was im Snowflake-Setup passiert. Diese Routine deckt Anomalien, neue workloads und Kostenspitzen frühzeitig auf, bevor daraus größere Probleme werden. Er sieht Nutzungsveränderungen im Zeitverlauf und erkennt, ob neue, nicht eingeplante Use Cases entstehen – und das Business-Analytics-Team kann direkt auf die jeweiligen End-User zugehen.

Die vielleicht wichtigste kulturelle Veränderung: Analytics Engineers denken Optimierung bereits beim Entwickeln mit, nicht erst nach dem Deployment. In Pairing-Sessions mit SELECT-Insights hat das gesamte Team die Prinzipien der Query-Optimierung verinnerlicht. Heute feilen Analytics Engineers proaktiv an der Performance, bevor sie einen Pull Request stellen. Die AEs kündigen jetzt schon vorab an: "Achtung, das hier wird teuer" oder "Ich habe die Laufzeit von X auf Y gedrückt, bevor ich den PR aufgemacht habe, weil mir klar war, dass mich diese Window Function killt". Mindestens genauso wichtig: SELECT zeigt auch, wann sich Optimierung nicht lohnt – und verhindert so vergebliche Mühe bei Modellen mit geringem Hebel.