Wenn Sie ein Platform- oder Data-Engineering-Team leiten und Tools zur Databricks-Kostenoptimierung vergleichen, stellen Sie zuerst die Frage: Was leistet ein kostenpflichtiges Tool über Databricks hinaus? In der Ankündigung des Governance Hub beschreibt Databricks, wie FinOps-Verantwortliche (Financial Operations) in Ausgaben eintauchen und deren Treiber identifizieren – ohne Dutzende Queries und Dashboards zu pflegen. Governance Hub bringt diese Analyse direkt in die Account-Konsole.
Welches Tool das richtige ist, hängt von Ihrer Umgebung ab und davon, wie viel Kontrolle das Tool über Ihre Databricks-Ressourcen haben soll. Dieser Leitfaden vergleicht vier Kategorien anhand von Schreibzugriff, Scope und öffentlichen Preisen. Der Schreibzugriff zeigt, was das Tool ändern kann; der Scope, ob es nur mit Databricks oder plattformübergreifend arbeitet. Jedes Tool ist nach dem Schreibzugriffsmodell eingeordnet, das der jeweilige Anbieter beschreibt.
TL;DR
- Native Kontrollfunktionen und Governance Hub (Beta) zeigen Ihre gesamten Databricks-Ausgaben und wie viel davon getaggt ist.
- Cost-Intelligence-Plattformen wie LakeSentry liefern Zuordnung auf Job- und Team-Ebene, Anomalie-Erkennung und priorisierte Maßnahmen, die Ihr Team selbst umsetzt.
- Autonome Engines wie Sedai, Altimate, Capital One Slingshot, Unravel und SELECT können Ihre Databricks-Ressourcen für Sie anpassen – mit je nach Tool unterschiedlichen Freigabestufen.
- Breit aufgestellte FinOps-Plattformen wie Flexera führen Ihre Databricks-Kosten mit den Ausgaben für Cloud- und Datenplattformen zusammen.
- Die Wahl hängt letztlich davon ab, wie viel Entscheidungsgewalt Sie einem Tool über Ihre Databricks-Ressourcen einräumen.
Brauchen Sie 2026 überhaupt noch Tools zur Databricks-Kostenoptimierung?
Ein kostenpflichtiges Tool brauchen Sie dann, wenn Governance Hub Aufgaben für Ihr Team offenlässt. Governance Hub ging im Juli 2026 in die Beta und wurde im August öffentlich angekündigt.
Governance Hub verändert, wie Sie kostenpflichtige Tools bewerten. Die Cost-Seite zeigt Ihnen, wohin Ihr Geld fließt. Wenn Sie eine Zuordnung bis auf Benutzer- oder Query-Ebene benötigen oder Optimierungen an Ihren Ressourcen für Sie umgesetzt werden sollen, brauchen Sie mehr, als die Cost-Seite bietet.
Um Ihren Bedarf zu ermitteln, starten Sie mit den fünf Routinen in Databricks cost optimization actually explained, die die Arbeit hinter der Senkung von Databricks-Kosten skizzieren. Die Phasen Inform, Optimize und Operate der FinOps Foundation zeigen, wo diese Arbeit angesiedelt ist: Inform analysiert Kosten- und Nutzungsdaten, Optimize identifiziert Effizienzpotenziale und Operate setzt die Änderungen um. Alles, was Governance Hub über diese Routinen und Phasen hinweg nicht abdeckt, muss ein kostenpflichtiges Tool liefern.
Welche vier Kategorien von Databricks-Kostentools gibt es?
Tools zur Databricks-Kostenoptimierung lassen sich in vier Kategorien einteilen: native Kontrollfunktionen, Cost-Intelligence-Plattformen, autonome Optimierungs-Engines und breit aufgestellte FinOps-Plattformen. Die Einteilung richtet sich danach, was das Tool ändern darf und wie viele Plattformen es abdeckt. Die Vergleichsseite von LakeSentry verwendet eine nahezu identische Vierteilung – dieses Raster ist also keine Erfindung dieses Leitfadens, aber auch kein Branchenstandard.
Native Kontrollfunktionen sind die in Databricks enthaltenen Kostentools. Systemtabellen und Governance Hub Cost lesen Ihre Nutzungsdaten und können Ihr Compute nicht verändern; Budgets und Compute-Richtlinien sind Grenzen, die Sie selbst festlegen.
Cost-Intelligence-Plattformen bauen auf diesen Daten auf – mit Zuordnung, Anomalie-Erkennung und priorisierten Maßnahmen. LakeSentry ist ein reines Databricks-Beispiel und standardmäßig read-only, Ihr Team entscheidet also selbst, ob es handelt.
Autonome Optimierungs-Engines können Ressourcen verändern. Sedai, Altimate, Capital One Slingshot, Unravel und SELECT können Warehouses skalieren oder Cluster anpassen – mit Kontrollmechanismen von Freigabeprozessen bis zur automatischen Ausführung.
Breit aufgestellte FinOps-Plattformen führen Databricks mit AWS (Amazon Web Services), Azure, GCP (Google Cloud Platform), Snowflake und weiteren Plattformausgaben zusammen. Flexera ist ein Beispiel – Databricks ist dort nur eine Position unter vielen.
Die Kategorien unterscheiden sich vor allem in Schreibzugriff und Scope. Die folgende Tabelle fasst diese Unterschiede samt Preismodellen zusammen.
| Kategorie | Schreibzugriff | Scope | Preismodell |
|---|---|---|---|
| Native Kontrollfunktionen | Keine Compute-Änderungen (Budgets lassen sich setzen) | Nur Databricks | In Databricks enthalten |
| Cost Intelligence | Standardmäßig read-only | Nur Databricks | Öffentlich einsehbar |
| Autonome Optimierungs-Engines | Von Freigabeprozess bis Auto-Apply | Multi-Plattform | Je nach Anbieter |
| Breite FinOps-Plattformen | Nur Empfehlungen | Multi-Plattform | Nicht auf der Produktseite veröffentlicht |
Was decken Systemtabellen und der neue Governance Hub ab?
Native Kontrollfunktionen geben Ihnen detaillierte Einblicke in Ihre Databricks-Ausgaben. Systemtabellen liefern die zugrunde liegenden Abrechnungsdaten, Governance Hub ergänzt eine Sicht auf Account-Ebene.
In den Billing-Systemtabellen erfasst system.billing.usage die abrechenbare Nutzung, einschließlich der verbrauchten Databricks Units (DBUs); durch einen Join mit system.billing.list_prices rechnen Sie diese Nutzung in Listenpreis-Dollar um. Die Zuordnung zu Teams oder Projekten erfolgt über Tags, die Compute-Richtlinien bei klassischem Compute erzwingen und Serverless-Nutzungsrichtlinien bei Serverless Compute anwenden.
Governance Hub umfasst die Seiten Data, AI (künstliche Intelligenz), Cost und Tags; relevant ist hier Cost. Die Seite ergänzt einen Spend Explorer für Kosten nach Produkt, Workspace, Ressource oder Tag sowie das Tracking getaggter Ausgaben und Budgets, die Workspace-Admins für ihre Workspaces anlegen und verwalten. Die Kostenempfehlungen sind read-only, und alle Beträge auf der Cost-Seite werden zu Listenpreisen angezeigt – Ihre verhandelten Rabatte tauchen dort also nicht auf.
Im Governance Hub können Sie Genie Fragen stellen, etwa warum die Kosten gestiegen sind, und erhalten Antworten auf Basis Ihrer Governance-Daten. Laut der Databricks-Ankündigung vom August 2026 soll Genie bald auch Aktionen ausführen, etwa Richtlinien konfigurieren, Alerts einrichten und Empfehlungen umsetzen. Zum Zeitpunkt dieser Ankündigung erklärt Genie nur und handelt nicht.
system.billing.usage deckt ausschließlich Databricks-Gebühren ab; bei klassischem Compute fallen zusätzlich Cloud-Provider-Kosten für die zugrunde liegenden virtuellen Maschinen an. Wenn Sie klassisches Compute betreiben, benötigen Sie für die vollständigen Compute-Kosten sowohl die Databricks-Abrechnungsdaten als auch die Cloud-Provider-Kosten. Der Databricks-Blogbeitrag vom Februar 2026 zum Zusammenführen von Databricks- und Cloud-Infrastrukturkosten stellt eine Open-Source-Lösung vor, die beide Datenquellen auf AWS und Azure verknüpft.
Was bietet LakeSentry in der reinen Databricks-Kategorie Cost Intelligence?
LakeSentry ergänzt Ihre Systemtabellendaten um Zuordnung auf Job- und Team-Ebene, Anomalie-Erkennung und priorisierte Maßnahmen. Die Anbindung erfolgt über einen Read-only-Service-Principal; laut GetApp-Eintrag ordnet das Tool Ausgaben über Workspaces und Umgebungen hinweg nach Job und Team zu.
Bei Kostenspitzen vergleicht LakeSentry die jüngsten Ausgaben per Z-Score mit einer Baseline – mit Mindestkosten-Schwellenwerten, damit kleine Workloads keine Meldungen auslösen, wie die Dokumentation zur Anomalie-Erkennung beschreibt. Jede Meldung zeigt ihre Belege, etwa die Baseline und den Kostenanstieg.
Die Preise sind öffentlich und richten sich nach der Nutzerzahl. Free unterstützt einen Nutzer, Standard kostet 499 $ pro Monat für bis zu fünf Nutzer, Pro 849 $ pro Monat für unbegrenzt viele Nutzer; kostenpflichtige Pläne werden jährlich abgerechnet. Alle Pläne umfassen unbegrenzt viele Workspaces, und der Preis hängt weder von der DBU-Nutzung noch von der Workspace-Anzahl ab. Die Preisseite führt außerdem in jedem Plan "Safe optimization" auf – fragen Sie den Anbieter vor der Anbindung, was darunter fällt und welches Schreibzugriffsmodell gilt.
LakeSentry veröffentlicht zudem einen Vergleich von Databricks-Kostentools, zuletzt aktualisiert am 5. August 2026. Darin ordnet sich LakeSentry selbst der Cost-Intelligence-Kategorie zu und gruppiert Unravel bei breiteren Effizienz- und FinOps-Plattformen. Dieser Leitfaden zählt Unravel zu den autonomen Engines, weil dessen Arvix-AI-Engine Änderungen umsetzen kann – LakeSentrys eigene Tabelle beschreibt Unravel als Tool mit autonomer Remediation.
Da LakeSentry eines der verglichenen Produkte selbst verkauft, behandeln Sie diese Kategorisierung als Anbietersicht und prüfen Sie sie gegen unabhängige Quellen.
Wie handhaben Sedai, Altimate, Slingshot und Unravel autonome Optimierung?
Mit Sedai, Altimate, Slingshot und Unravel können Sie Optimierungsänderungen an Databricks an Software übergeben. Die Tools unterscheiden sich darin, wie viel Kontrolle Sie behalten – von automatischer Ausführung über Freigabeprozesse bis zu Einstellungen pro Job.
Sedai
Laut Sedai verbinden Sie Ihre Cloud- und Monitoring-Accounts in unter 15 Minuten. Im Copilot-Modus geben Sie jede Änderung per Klick frei, alternativ laufen Optimierungen automatisch. Sedais Launch-Ankündigung vom Juni 2025 stellt Databricks neben AWS, Azure, GCP und Kubernetes und nennt Cloud-Kostensenkungen von 30 % und mehr über die gesamte Plattform. Die Databricks-Seite wirbt mit 30 bis 50 %.
Altimate
Altimates Auto-Tune-Agents arbeiten mit Freigabeprozessen, steuerbar pro Job, Task und Warehouse, wie Altimates Leitfaden beschreibt. Altimates Databricks-Seite nennt typische Einsparungen von 20 bis 35 %, und Auto Tune macht Änderungen, die die Performance verschlechtern, automatisch rückgängig.
Capital One Slingshot
Slingshot gibt Ihnen Kontrolle auf Job-Ebene – mit Technologie von Sync Computing, dessen Team 2025 zu Capital One Software wechselte. Laut Capital Ones Databricks-Ankündigung wenden Sie eine Optimierung per Klick an oder automatisieren sie vollständig; die Slingshot-Dokumentation zeigt, dass jedes Job-Projekt eine eigene Auto-Apply-Einstellung hat, sodass verschiedene Jobs im selben Deployment mit unterschiedlichen Automatisierungsstufen laufen können.
Unravel
Unravel deckt Databricks, Snowflake und BigQuery ab. Die Arvix-AI-Engine kann Code umschreiben, Compute per Right-Sizing anpassen und Storage aufräumen. Jede Änderung wird vor der Umsetzung gegen das Workload-Verhalten getestet und bei Performance-Einbußen automatisch zurückgenommen.
Was Sie vor automatisierten Änderungen prüfen sollten
Anbieter geben Ihnen unterschiedlich viel Kontrolle über automatisierte Änderungen – von manuellen Freigaben bis zur automatischen Ausführung. Klären Sie vor der Anbindung eines Tools, wann eine Änderung Ihre Freigabe benötigt, wann das Tool eigenständig handeln darf und was passiert, wenn eine Änderung Probleme verursacht.
Prüfen Sie bei jedem Tool, das Sie in Betracht ziehen – einschließlich SELECT –, welche Berechtigungen es hat, welche Ressourcen es ändern kann, welche Rollback-Möglichkeiten es bietet und welchen Audit-Trail es liefert. Prüfen Sie außerdem, wie diese Änderungen in Ihren Deployment-Prozess einfließen, denn außerhalb von Infrastructure as Code geänderte Einstellungen können von Ihrer definierten Konfiguration abweichen. SELECTs Setup-Guide verlangt CAN_MANAGE auf Jobs, Clustern und Warehouses, wenn Automated Savings aktiviert ist.
Wo ordnet sich Flexera im breiten Multi-Cloud-FinOps ein?
Flexera passt, wenn Sie Ihre Databricks-Kosten in derselben Ansicht wie Ihre übrigen Cloud- und Datenplattform-Ausgaben sehen möchten; das Databricks-Produkt empfiehlt Änderungen, statt sie umzusetzen. Die oben genannten autonomen Engines sind darauf ausgelegt, Ressourcen zu verändern, während Flexera auf FinOps über mehrere Cloud- und Datenplattformen hinweg setzt und Ihnen eine konsolidierte Sicht auf Ihre Kosten bietet.
Flexera One Data Cloud Optimization ist das frühere Chaos Genius, das Flexera im Januar 2026 übernommen hat. Es liefert Right-Sizing-Empfehlungen für Databricks und Snowflake innerhalb einer FinOps-Suite für Budgetierung und Forecasting. Flexeras Release Notes vom Juni 2026 beschreiben ein Databricks-Analyzer-Dashboard, das DBU-Ausgaben mit den zugrunde liegenden Compute-Kosten der Cloud-Infrastruktur kombiniert und Ihnen so eine einheitliche Sicht auf Plattform- und Compute-Ausgaben gibt.
Laut Flexeras Übernahme-Ankündigung hat Chaos Genius Fortune-500-Unternehmen geholfen, Kosten um bis zu 30 % zu senken; das Produkt wird dort als autonome, agentische Optimierung beschrieben. Die Dokumentation zu Data Cloud Optimization konzentriert sich auf Transparenz, Allokation und Sparempfehlungen. Dieser Leitfaden behandelt den dokumentierten Databricks-Workflow daher als empfehlungsbasiert, solange Flexera keine konkreten Schreibaktionen dokumentiert. Preise veröffentlicht Flexera auf der Produktseite nicht.
Wo passt SELECT hin – und wo liegen die Grenzen?
SELECT passt, wenn Sie kontinuierliche, per Toggle steuerbare Änderungen an Worker-Anzahl und Autoscaling in Databricks möchten. Es weist weder Ihre Cloud-Infrastrukturrechnung aus noch schreibt es Ihren Code um. Die entscheidenden Fragen lauten: Was sieht das Tool, was kann es ändern und wo liegen die Grenzen?
SELECT schlüsselt Databricks-Ausgaben nach Workspace, Workload-Typ, Job, Cluster, Nutzer und Query auf, wie der Launch-Changelog zu Databricks beschreibt. Einmal konfiguriert, passt Automated Savings Worker-Anzahl und Autoscaling für All-Purpose Compute und SQL Warehouses an – ohne tägliches Nachjustieren. Dieser Leitfaden ordnet SELECT der autonomen Kategorie zu, weil dieser Schreibzugriff kontinuierlich und per Toggle steuerbar ist. SELECT nennt Einsparungen von bis zu 30 % bei geeigneten Workloads.
SELECT weist Databricks-Plattformausgaben auf Basis der Billing- und Listenpreis-Systemtabellen von Databricks aus; Cloud-Infrastrukturkosten erfassen Sie daher separat. SELECTs Leitfaden zur Databricks-Kostenoptimierung liefert eine Faustregel, um diese Kosten neben Ihrer DBU-Rechnung abzuschätzen.
Betrachten Sie Governance Hub als Ihre Ausgangsbasis. Die Cost-Seite zeigt Beträge zu Listenpreisen, während Sie mit SELECTs Custom Rates verhandelte Rabatte in Ihre Zahlen einfließen lassen. SELECT ordnet Ausgaben zudem bis auf Nutzer- und Query-Ebene zu, und Automated Savings greift dort, wo die Read-only-Empfehlungen von Governance Hub enden.
Machen Sie sich vor dem Kauf mit den Grenzen vertraut. SELECT schreibt keinen Code um – Unravels Launch-Material vom Mai 2026 sagt, dass Arvix AI das tut. Die Preise beginnen bei 1.499 $ pro Monat, das endgültige Angebot hängt von Ihrer Umgebung ab – für kleinere Umgebungen kann Governance Hub also ausreichen.
Welche Kategorie passt zu Ihrem Team?
Entscheiden Sie danach, wie viel Entscheidungsgewalt Sie einem Tool über Ihre Databricks-Ressourcen einräumen möchten. Wenn Sie vor allem mehr Transparenz brauchen, starten Sie mit nativen Kontrollfunktionen und Governance Hub – Änderungen bleiben dabei in Ihrer Hand. Governance Hub ist in der Beta (Stand Oktober 2026). Wenn Sie zusätzlich Zuordnung und Anomalie-Erkennung benötigen, Änderungen aber intern umsetzen wollen, ergänzen Sie eine Cost-Intelligence-Plattform wie LakeSentry.
Wenn Änderungen für Sie umgesetzt werden sollen, wählen Sie eine autonome Engine. Die Kontrolle variiert je nach Tool – von Freigabeprozessen bis zu automatischer Ausführung mit Rollback. Legen Sie also fest, wie viel Automatisierung jeder Workload bekommen soll. Wenn Sie Databricks neben anderen Plattformen betreiben, wählen Sie eine breite FinOps-Plattform wie Flexera, die Databricks neben Ihren übrigen Cloud- und Datenplattform-Ausgaben darstellt.
Bevor Sie für ein weiteres Tool zahlen, prüfen Sie, was Governance Hub bereits abdeckt und was das zusätzliche Tool beisteuert. SELECTs Beitrag zu den nächsten Schritten nach den Quick Wins behandelt die nächste Ebene, sobald die Grundlagen stehen. Wenn Sie SELECT in Ihrer Umgebung evaluieren möchten, können Sie einen Workspace verbinden – laut SELECT dauert das rund 20 Minuten – oder eine Demo buchen.