SQL (Structured Query Language)
SQL (Structured Query Language) ist die Standardsprache zum Definieren, Abfragen und Ändern von Daten in relationalen Datenbanken und wird überall eingesetzt, von PostgreSQL und MySQL bis zu Cloud Data Warehouses wie Snowflake, BigQuery und Amazon Redshift.
Was ist SQL?
SQL ist deklarativ: Sie beschreiben das gewünschte Ergebnis, und der Query Optimizer der Datenbank entscheidet, wie es ermittelt wird. Die Sprache entstand in den 1970er-Jahren aus Forschungsarbeiten bei IBM zum relationalen Modell von Edgar F. Codd und wurde 1986 zum ANSI-Standard und 1987 zum ISO-Standard.
Sie besteht aus vier Teilen:
DDL definiert die Struktur: CREATE, ALTER, DROP.
DML liest und ändert Zeilen: SELECT, INSERT, UPDATE, DELETE.
DCL steuert den Zugriff: GRANT, REVOKE.
TCL verwaltet Transaktionen: COMMIT, ROLLBACK.
Jede Engine fügt ihren eigenen Dialekt hinzu, etwa T-SQL in SQL Server, PL/pgSQL in PostgreSQL und GoogleSQL in BigQuery, sodass Code eher dem Prinzip nach als im Detail portabel ist.
Wie wird eine SQL-Abfrage verarbeitet?
Eine Abfrage wird in einer anderen logischen Reihenfolge ausgeführt, als sie geschrieben wird, was die meisten Anfängerfehler erklärt.
FROM und JOIN stellen die Zeilen zusammen.
WHERE filtert einzelne Zeilen.
GROUP BY fasst Zeilen zu Gruppen zusammen.
HAVING filtert Gruppen.
SELECT berechnet die Ausgabespalten, einschließlich Window Functions.
ORDER BY sortiert, danach kürzt LIMIT.
Deshalb lehnen die meisten Engines einen SELECT-Alias innerhalb von WHERE ab, und deshalb erfordert das Filtern nach einem Aggregat HAVING. Window Functions wie ROW_NUMBER() und SUM() OVER (PARTITION BY …) berechnen laufende Summen und Rangfolgen, ohne Zeilen zusammenzufassen.
Ist eine Abfrage langsam, zeigt EXPLAIN (oder das Query Profile in Snowflake und BigQuery) den vom Optimizer gewählten Plan, etwa Full Scans, die Join-Reihenfolge und wie viele Daten jeder Schritt liest.
Wie sieht SQL in der Praxis aus?
Eine einzige gut strukturierte Abfrage kann ein monatliches Spreadsheet-Ritual ersetzen. Nehmen wir ein B2B-SaaS-Unternehmen mit 30 Mitarbeitenden, dessen Stripe-Daten nach BigQuery synchronisiert werden und das die Net Revenue Retention (NRR) ermitteln möchte: Anfangs-MRR plus Expansion, minus Kontraktion und Churn, geteilt durch den Anfangs-MRR, für Kunden, die bereits 12 Monate zuvor existierten.
Der Analyst schreibt eine Common Table Expression, die den MRR pro Kunde und Monat berechnet, eine zweite, die den aktuellen Monat jedes Kunden mit demselben Monat des Vorjahres verknüpft, und ein abschließendes SELECT, das beide Seiten summiert. Die Abfrage wird als geplante View gespeichert und speist ein Diagramm in Looker Studio.
Angenommen, die Finanzleitung hat dafür früher jeden Monat einen halben Tag in Excel verbracht; jetzt aktualisiert sich die Zahl automatisch, und jeder kann genau nachlesen, wie sie berechnet wird.
Da die Logik in versioniertem SQL statt in Zellformeln liegt, erscheint eine Änderung der Definition, etwa der Ausschluss einmaliger Einrichtungsgebühren, als geprüfter Diff statt als stille Änderung.
Was sind häufige SQL-Fehler und -Grenzen?
Die meisten falschen Zahlen in SQL entstehen durch Joins und NULLs, nicht durch die Syntax.
NULL ist mit nichts gleich, auch nicht mit NULL; verwenden Sie IS NULL und achten Sie auf COUNT(column) im Vergleich zu COUNT(*).
Wird vor dem Summieren eine 1:n-Tabelle gejoint, werden Summen dupliziert.
SELECT * auf spaltenorientierten Warehouses, die nach gescannten Bytes abrechnen, etwa bei BigQuery mit On-Demand-Preisen.
Abfragen durch Verketten von Benutzereingaben zu bauen, was SQL-Injection ermöglicht; verwenden Sie parametrisierte Abfragen.
Intensive Nutzung der Funktionen eines bestimmten Dialekts, was Migrationen erschwert.
Für tiefe Graph-Traversierungen, Volltextsuche oder stark verschachtelte Dokumente ist SQL schlecht geeignet; hier funktionieren Graphdatenbanken, Suchmaschinen oder NoSQL-Datenbanken besser.
Wo wird SQL eingesetzt und welche Tools führen es aus?
Dieselbe Sprache dient sowohl Transaktionssystemen als auch Analytics, doch die Engines sind sehr unterschiedlich optimiert. Zeilenorientierte Datenbanken wie PostgreSQL, MySQL und SQL Server treiben OLTP-Anwendungen an. Spaltenorientierte Engines wie Snowflake, BigQuery, Redshift und DuckDB treiben Analytics in einem Data Warehouse an.
Drumherum verwandelt dbt SQL-Dateien in getestete, versionierte Datenmodelle, und BI-Tools wie Metabase, Mode, Looker und Power BI generieren entweder SQL oder lassen Analysten es direkt schreiben.
SQL- vs. NoSQL-Abfragen
SQL-Datenbanken | NoSQL-Datenbanken | |
|---|---|---|
Datenstruktur | Tabellen mit festem Schema | Dokumente, Key-Value, Wide-Column oder Graph |
Abfragesprache | Standard-SQL mit Dialekten | Produktspezifische APIs oder Sprachen |
Joins | Nativ und ausdrucksstark | Eingeschränkt; Daten werden stattdessen oft dupliziert |
Transaktionen | Standardmäßig starke ACID-Garantien | Je nach Produkt und Konfiguration unterschiedlich |
Am besten geeignet für | Reporting, Finanzen, relationale Datensätze | Flexible Schemata, sehr hohes Schreibvolumen |
Beispiele | PostgreSQL, SQL Server, BigQuery | MongoDB, DynamoDB, Cassandra, Neo4j |
Wie nutzt VIZIO AI SQL?
VIZIO AI nutzt SQL-Warehouses als gemeinsame Ebene, auf der Daten aus verschiedenen Geschäftssystemen endlich übereinstimmen. Für eine Kanzlei für Familienrecht in Seattle hat das DX Studio ein zentrales SQL Data Warehouse aufgebaut, das Lawmatics, Clio Manage und QuickBooks integriert und per automatisierter täglicher Synchronisierung Power-BI-Dashboards zu Conversion, Auslastung sowie abgerechnetem gegenüber vereinnahmtem Umsatz speist.
Der manuelle Reporting-Aufwand sank um 65 %, und die Genauigkeit des Umsatz-Trackings verbesserte sich um 42 %, weil jede Kennzahl einmal in SQL berechnet und nicht in Spreadsheets nachgebaut wurde. Wo Sie anfangen sollten: Nehmen Sie einen wiederkehrenden Spreadsheet-Bericht und schreiben Sie ihn als gespeicherte, geplante Abfrage neu.