OLTP (Online Transaction Processing)
OLTP (Online Transaction Processing) bezeichnet eine Klasse von Datenbank-Workloads, die große Mengen kurzer, gleichzeitiger Lese- und Schreibvorgänge verarbeiten, etwa das Aufgeben einer Bestellung oder das Aktualisieren eines Kontostands, mit strengen Garantien, dass jede Transaktion korrekt abgeschlossen wird.
Was ist OLTP?
OLTP-Systeme sind die Datenbanken hinter den Buttons: Checkout, Buchung, Login und Zahlung. Jede Transaktion betrifft wenige Zeilen, meist über den Primärschlüssel, und muss in Millisekunden abgeschlossen sein, während Tausende andere gleichzeitig laufen.
Damit das sicher funktioniert, bieten OLTP-Datenbanken ACID-Garantien und speichern Daten typischerweise zeilenweise in normalisierten Tabellen, oft in dritter Normalform, sodass jede Information an genau einer Stelle liegt. PostgreSQL, MySQL, SQL Server, Oracle und Amazon Aurora sind gängige Beispiele, die meist mit SQL abgefragt werden. Für Analysen werden ihre Daten anschließend an einen anderen Ort kopiert, wo aufwendige Abfragen laufen.
Die Normalisierung ist gewollt. Wird die Adresse eines Kunden nur einmal gespeichert statt in jeder Bestellung, betrifft eine Änderung genau eine Zeile und kann keine widersprüchlichen Kopien hinterlassen. Der Preis sind mehr Joins beim Lesen, was akzeptabel ist, wenn Abfragen nur eine Handvoll Zeilen abrufen.
Was macht ein OLTP-System schnell und korrekt?
Korrektheit entsteht durch Transaktionen und Isolation; Geschwindigkeit durch Indizes, kurze Transaktionen und Verbindungsmanagement.
ACID: Atomarität (alles oder nichts), Konsistenz (Constraints bleiben erfüllt), Isolation (gleichzeitige Transaktionen beschädigen sich nicht gegenseitig) und Dauerhaftigkeit (bestätigte Daten überstehen einen Absturz).
Isolationsstufen: PostgreSQL nutzt standardmäßig Read Committed, MySQL InnoDB Repeatable Read; strengere Stufen tauschen Durchsatz gegen Sicherheit.
Indizes: auf Primärschlüsseln und häufigen Abfragefeldern, aber nicht auf jeder Spalte.
Connection Pooling: PgBouncer oder RDS Proxy halten die Zahl der Verbindungen beherrschbar.
Ausfallsicherheit: Replikate, automatisierte Backups und Point-in-Time-Recovery.
Beobachten Sie die p95-Latenz und die Transaktionen pro Sekunde, nicht Durchschnittswerte.
Wie sieht OLTP in der Praxis aus?
Ein typisches OLTP-Problem: Zwei Kunden greifen im selben Moment nach demselben knappen Artikel. Nehmen Sie ein Autovermietungs-Startup mit 30 Mitarbeitenden, das PostgreSQL nutzt.
Jede Buchung speichert eine Fahrzeug-ID und einen Zeitraum.
Ein Exclusion Constraint mit GiST-Index lehnt jede neue Buchung ab, deren Zeitraum sich mit einer bestehenden Buchung für dasselbe Fahrzeug überschneidet, sodass Doppelbuchungen auf Datenbankebene unmöglich werden.
Als die Monatsabschlussberichte der Analysten den Checkout zu verlangsamen beginnen, verlagert das Team das Reporting auf ein Lesereplikat.
Später streamt Change Data Capture die Buchungen nach BigQuery, sodass aufwendige Analysen nie die primäre Datenbank berühren.
Angenommen, die p95-Latenz im Checkout kehrt an dem Tag in ihren normalen Bereich zurück, an dem das Reporting von der primären Datenbank verlagert wird.
Was sind die typischen Fallstricke bei OLTP?
Der klassische OLTP-Fehler besteht darin, Analysen auf der Produktionsdatenbank auszuführen. Eine einzige große Aggregationsabfrage kann Ressourcen blockieren und jede Kundentransaktion verlangsamen.
Zu viele Indizes: Jeder Index beschleunigt Lesevorgänge, verlangsamt aber jedes Einfügen und Aktualisieren.
Lange Transaktionen: Wer Sperren hält, während er auf einen externen API-Aufruf wartet, blockiert andere Nutzer.
N+1-Abfragen: ein ORM, das pro Zeile eine Abfrage absetzt statt eines einzigen Joins.
Fehlende Constraints: sich allein auf den Anwendungscode verlassen, um Dubletten oder verwaiste Datensätze zu verhindern.
Wenn das Schreibvolumen enorm ist und die Daten Key-Value-förmig sind, etwa Sitzungs- oder Ereignisdaten, passt ein Speicher aus der NoSQL-Familie wie DynamoDB womöglich besser als eine relationale Datenbank.
Worin unterscheidet sich OLTP von OLAP?
OLTP erfasst, was passiert, eine Transaktion nach der anderen; OLAP analysiert Millionen dieser Datensätze auf einmal. OLTP-Datenbanken sind zeilenorientiert und für schnelle Einzelzeilen-Schreibvorgänge normalisiert. OLAP-Systeme wie Snowflake, BigQuery, Amazon Redshift und ClickHouse sind spaltenorientiert und oft für schnelle Scans und Aggregationen denormalisiert.
Daten fließen zwischen beiden über ETL oder Change Data Capture. Manche Engines, teils als HTAP bezeichnet, versuchen beides zu leisten, doch die meisten Unternehmen trennen die Workloads weiterhin.
Ein schneller Weg, sie zu unterscheiden, ist ein Blick auf die meistgenutzte Abfrage. Ruft sie die offenen Bestellungen eines Kunden ab, haben Sie es mit OLTP zu tun. Summiert sie den Umsatz nach Region über drei Jahre, gehört sie in eine OLAP-Engine.
OLTP vs. OLAP
OLTP | OLAP | |
|---|---|---|
Zweck | Das Geschäft betreiben: Bestellungen, Buchungen, Zahlungen | Das Geschäft analysieren: Trends, Summen |
Abfrageform | Wenige Zeilen per Schlüssel, viele Schreibvorgänge | Millionen Zeilen, überwiegend Lesevorgänge |
Speicherlayout | Zeilenorientiert, normalisiert | Spaltenorientiert, oft denormalisiert |
Beispielsysteme | PostgreSQL, MySQL, SQL Server, Aurora | Snowflake, BigQuery, Redshift, ClickHouse |
Zentrale Kennzahl | Latenz pro Transaktion | Abfragezeit bei großen Scans |
Wie arbeitet VIZIO AI mit OLTP-Systemen?
Die Projekte von VIZIO AI liegen typischerweise nachgelagert zu OLTP-Systemen: Sie überführen Transaktionsdaten in eine separate Analyseschicht, statt operative Anwendungen direkt abzufragen. Für eine Familienrechtskanzlei im Raum Seattle synchronisierte unser DX Studio Lawmatics, Clio Manage und QuickBooks täglich in ein zentrales SQL-Warehouse, das Power BI speist, reduzierte den manuellen Reporting-Aufwand um 65 % und verbesserte die Genauigkeit der Umsatzverfolgung um 42 %.
Für einen Möbel- und Leuchtenhersteller aus Minnesota nutzte das Studio AWS Lambda, um Live-Daten aus Shopify und Bestellprotokollen für eine 4K-Vertriebsanzeige zu verarbeiten, und steigerte die Transparenz operativer Daten um 85 %. Wo Sie anfangen sollten: Prüfen Sie, ob Berichte Ihre Produktionsdatenbank direkt abfragen, und verlagern Sie diese zuerst.
OLTP (Online Transaction Processing) in Fallstudien von VIZIO AI
- Legal Operational Performance Analytics ›Tägliche Synchronisierungen aus Lawmatics, Clio Manage und QuickBooks in ein SQL-Warehouse reduzierten den manuellen Reporting-Aufwand einer Kanzlei um 65 %.
- 4K Screen-Compatible Real-Time Sales ›AWS Lambda verarbeitete Live-Daten aus Shopify und Bestellungen für eine 4K-Anzeige und steigerte die Transparenz operativer Daten um 85 %.