Microsoft Fabric oder Azure Databricks?
Zwei Plattformen, zwei Betriebsmodelle.
Kurz beantwortet
Microsoft Fabric passt, wenn Power BI und Self-Service im Mittelpunkt stehen und Ihr Team wenig selbst betreiben will. Azure Databricks passt, wenn viele Quellen, eigene KI-Anwendungen und Engineering-Tiefe zählen. Viele Unternehmen kombinieren beides: Data Engineering und KI auf Azure Databricks, Berichte in Power BI.
Wir haben Projekte auf beiden Plattformen umgesetzt und bauen heute auf Azure Databricks. Die Einordnung unten stammt aus diesen Projekten.
Wofür beide stehen
Microsoft Fabric ist eine fertige Plattform als Software as a Service (SaaS), seit November 2023 allgemein verfügbar. Datenintegration, Data Engineering, Warehouse, Echtzeitdaten und Power BI liegen unter einer Oberfläche, die Daten in OneLake. Abgerechnet wird über eine Kapazität fester Größe, die sich alle Workloads teilen. Sie kostet, solange sie läuft. Pausieren Sie die Kapazität, entfallen die Rechenkosten, der Speicher in OneLake wird aber weiter berechnet, und an die Daten kommen Sie erst nach dem Fortsetzen wieder heran.
Azure Databricks ist ein Azure-Dienst, den Sie in Ihrem eigenen Azure-Abonnement anlegen. Die Daten liegen als Delta-Tabellen in einem offenen Format, Zugriffsrechte, Herkunft und Protokoll regelt Unity Catalog für Tabellen, Dateien und KI-Modelle an einer Stelle. Abgerechnet wird nach Verbrauch in Databricks Units (DBU). Bei klassischen Clustern kommen die virtuellen Maschinen in Ihrem Azure-Abonnement dazu, bei Serverless stellt Databricks die Rechenleistung selbst bereit.
Beim Datenformat unterscheiden sich beide kaum, auch OneLake speichert Tabellen im Delta-Format. Der eigentliche Unterschied liegt im Betriebsmodell. Fabric nimmt Ihnen mehr Betrieb ab, Azure Databricks lässt Ihnen mehr Spielraum bei Architektur und Kosten.
Sechs Kriterien für die Wahl
| Kriterium | Spricht für Microsoft Fabric | Spricht für Azure Databricks | Einordnung |
|---|---|---|---|
| Nutzerkreis | Fachbereiche arbeiten in der vertrauten Oberfläche von Power BI, Self-Service ist eingebaut. | Data-Teams arbeiten mit Code, Git und eigenen Werkzeugen. Fachbereiche nutzen Genie One, eine einfache Oberfläche für Dashboards, Fragen an die Daten und Apps. | Arbeiten vor allem Fachanwender mit Berichten, ist der Weg mit Fabric kürzer, weil Power BI dort zu Hause ist. Je komplexer die Anforderungen, vor allem in Data Engineering und KI, desto mehr spielt Azure Databricks seine Reife und seinen Funktionsumfang aus. |
| Workloads | Integration, Warehouse, Echtzeitdaten und Berichte aus einer Hand, vieles ohne Code einzurichten. | Viele und verschiedene Quellen, Streaming und volle Kontrolle über die Rechenleistung. | Je mehr Quellen und je verzweigter die Datenpipelines, desto mehr zählt die Engineering-Tiefe von Azure Databricks. |
| KI | Copilot hilft beim Bauen und beim Auswerten. Fabric-Datenagenten beantworten Fragen an Lakehouses, Warehouses und semantische Modelle, bisher nur auf Englisch. | Eigene Agenten und KI-Anwendungen mit Modellen verschiedener Anbieter, mit Tests und Überwachung auf derselben Plattform. | Für Fragen an vorhandene Daten bringen beide etwas mit. Sollen eigene KI-Anwendungen auf Ihren Daten entstehen, ist der Baukasten auf Azure Databricks vollständiger. |
| Governance | Workspaces und Domänen ordnen die Plattform, OneLake Security regelt Rechte bis auf Zeilen und Spalten, Microsoft Purview ist angebunden. | Unity Catalog regelt Rechte bis auf Zeilen und Spalten, Herkunft und Protokoll für Tabellen, Modelle und KI an einer Stelle. | Zeilen- und Spaltenrechte können beide. Sollen dieselben Regeln auch für Modelle und KI-Anwendungen gelten, ist Unity Catalog die durchgängigere Lösung. |
| Kosten | Eine gebuchte Kapazität für alle Workloads, planbar im Budget und pausierbar. Spark-Jobs lassen sich wahlweise nach Verbrauch abrechnen. | Abrechnung nach Verbrauch, die Rechenleistung wählen Sie je Aufgabe. | Fabric macht die Kosten planbar, weil Sie eine Kapazität mit festem Preis buchen. Die Last auf Data- & AI-Plattformen schwankt aber in der Regel, etwa mit nächtlichen Ladeläufen und dem Monatsabschluss. Dann ist Azure Databricks mit Abrechnung nach Verbrauch oft günstiger. Belastbar wird der Vergleich mit einer Schätzung Ihrer Use Cases. |
| Betrieb | Wenig selbst zu betreiben, Updates und Infrastruktur liegen bei Microsoft. Zu steuern bleibt die Kapazität. Ist sie dauerhaft überlastet, bremst Fabric neue Abfragen. | Mehr Einstellungen, dafür mehr Kontrolle über Umgebung, Netzwerk und Kosten. Mit Serverless entfällt die Verwaltung von Clustern. | Beide Plattformen brauchen Betrieb. Fabric nimmt als SaaS mehr Infrastruktur ab, verlangt dafür aber Kapazitätsmanagement. Databricks hat mit Serverless zudem stark aufgeholt. Der größere Aufwand liegt bei beiden ohnehin im Aufbau, in der Weiterentwicklung und im Betrieb der Lösungen auf der Plattform. Dieser Aufwand ist weitgehend plattformunabhängig. Weniger Plattformbetrieb allein trägt eine Entscheidung für Fabric deshalb selten. |
Fabric liegt beim Nutzerkreis vorn, Azure Databricks bei Workloads und KI. Bei der Governance hängt es daran, ob auch Modelle und KI-Anwendungen unter dieselben Regeln fallen sollen. Beim Betrieb hat Fabric einen kleinen Vorsprung, der aber selten den Ausschlag gibt. Bei den Kosten liegt Azure Databricks oft vorn, wenn die Last stark schwankt, Fabric ist dafür besser planbar. Wer vor allem Berichte und Self-Service-Analysen braucht, ist mit Fabric gut bedient. Wer viele komplexe Quellsysteme integriert, eigene KI-Anwendungen baut oder Prozesse mit KI automatisieren will, kommt mit Azure Databricks weiter.
Was für Power BI gilt
Power BI funktioniert auf beiden Wegen. Die Berichte liegen im Power-BI-Dienst, egal ob die Daten aus Fabric oder aus Azure Databricks kommen. Deshalb gelten auch dieselben Lizenzregeln: Unterhalb der Kapazitätsgröße F64 braucht jeder Leser eine Lizenz für Power BI Pro oder Premium pro Benutzer, ab F64 reicht für reine Leser die kostenlose Lizenz.
Die Lizenzfrage wird oft mit der Plattformwahl vermischt, weil Microsoft die Premium-Kapazitäten von Power BI (P-SKUs) einstellt und stattdessen Fabric-Kapazitäten (F-SKUs) empfiehlt. Wer heute eine Premium-Kapazität nutzt, steht also ohnehin vor dem Wechsel auf eine Fabric-Kapazität. Ob die Datenplattform mitzieht, ist eine eigene Entscheidung, und sie hängt an den Kriterien oben.
Beides kombinieren
Oft fällt die Wahl nicht auf eine Plattform allein. Data Engineering und KI laufen dann auf Azure Databricks, die Berichte in Power BI. Über einen gespiegelten Unity Catalog liest Fabric die Tabellen aus Azure Databricks, ohne die Daten zu kopieren, und Power BI greift per Direct Lake darauf zu. Umgekehrt kann Azure Databricks Tabellen aus Lakehouses und Warehouses in Fabric lesen, aber nicht ändern.
Microsoft beschreibt diese Aufteilung auch in seinem Architecture Center, als Lösungsidee für kleine und mittlere Unternehmen, die Azure Databricks bereits nutzen. Azure Databricks bereitet dort die Daten auf, Fabric und Power BI stellen sie für die Auswertung bereit.
Beim Spiegeln gibt es Grenzen, die Sie vorher kennen sollten. Die Zugriffsrechte aus Unity Catalog kommen nicht mit, alle Abfragen laufen mit den Rechten der hinterlegten Verbindung. Wer in Fabric welche Daten sehen darf, legen Sie dort also noch einmal fest. Tabellen mit Zeilenfiltern oder Spaltenmasken, Sichten, materialisierte Sichten und Streaming-Tabellen werden nicht gespiegelt, und Änderungen an den Daten kommen mit einigen Sekunden bis Minuten Verzug in Fabric an.
Die Grenze zwischen beiden muss früh feststehen. Transformationen und Kennzahlen entstehen an genau einer Stelle, bei uns in der Gold-Schicht auf Azure Databricks. Rechnet zusätzlich Fabric oder der einzelne Bericht, gibt es doppelte Berechnungen und Kennzahlen mit leicht unterschiedlichen Werten, und am Ende weiß niemand, welcher Wert gilt. Warum die Logik nicht ins BI-Werkzeug gehört, steht ausführlich in „Business-Logik in Microsoft Fabric richtig denken“.
Wie die Wahl bei uns fällt
Die Entscheidung bereiten wir im Einstieg zu Use Cases und Roadmap vor, in zwei bis vier Wochen. Grundlage sind Ihre Use Cases, Ihr Team und Ihre IT: Welche Use Cases stehen an, wer arbeitet später mit der Plattform, welche Quellsysteme kommen dazu, und was gibt Ihre IT vor?
Bilanz
Beide Plattformen laufen in vielen Unternehmen produktiv. Fabric nimmt Ihnen mehr Betrieb ab und passt, solange Berichte und Self-Service den Kern bilden. Azure Databricks trägt weiter, sobald viele Quellen, eigene KI-Anwendungen und Automatisierung dazukommen. Bei den Konzernen und Hidden Champions, mit denen wir arbeiten, ist das fast immer der Fall. Deshalb bauen wir auf Azure Databricks und binden Power BI an die Gold-Schicht an, in der die Kennzahlen entstehen.
Häufige Fragen
Wann passt Microsoft Fabric besser als Azure Databricks?
Wenn vor allem Berichte und Self-Service gebraucht werden, die Anforderungen an Datenintegration und -modellierung überschaubar sind und Ihr Team wenig selbst betreiben möchte. Den Plattformbetrieb übernimmt Microsoft, weil Fabric als SaaS läuft, und Power BI gehört direkt dazu. Abgerechnet wird über eine gebuchte Kapazität, das macht die Kosten planbar.
Wir nutzen schon Power BI. Liegt Fabric dann nicht nahe?
Nicht automatisch. Power BI arbeitet mit beiden Plattformen zusammen, mit Azure Databricks auch per Direct Lake, wenn der Unity Catalog nach Fabric gespiegelt wird. Dass Microsoft die Premium-Kapazitäten von Power BI durch Fabric-Kapazitäten ersetzt, ändert daran nichts. Die Kapazität trägt Ihre Berichte, die Datenplattform darunter kann trotzdem Azure Databricks sein. Entscheidend ist, was außer Berichten auf der Plattform laufen soll.
Ist Microsoft Fabric günstiger als Azure Databricks?
Bei stark schwankender Last oft nicht. Dafür sind die Kosten mit Fabric besser planbar. Fabric rechnet über eine gebuchte Kapazität ab, die auch Geld kostet, wenn gerade niemand arbeitet, sofern Sie sie nicht pausieren. Azure Databricks rechnet nach Verbrauch ab, bei klassischen Clustern zuzüglich der virtuellen Maschinen in Ihrem Azure-Abonnement. Für planbare Grundlast gibt es auf beiden Plattformen Rabatt, wenn Sie für ein oder drei Jahre im Voraus buchen. Eine belastbare Antwort gibt erst eine Schätzung mit Ihren Use Cases.
Lassen sich Fabric und Databricks kombinieren?
Ja, das kommt häufig vor: Data Engineering und KI auf Azure Databricks, Berichte über Power BI in Fabric. Wichtig ist, früh festzulegen, welche Aufgabe wo liegt. Sonst entstehen doppelte Transformationen und Kennzahlen mit leicht unterschiedlichen Werten. Die Zugriffsrechte aus Unity Catalog werden dabei nicht mit gespiegelt, in Fabric regeln Sie sie gesondert.
Wir haben Microsoft Fabric schon im Einsatz. Müssen wir wechseln?
Nein. Läuft Fabric bei Ihnen gut und decken Berichte und Self-Service Ihren Bedarf, gibt es keinen Grund zu wechseln. Kommen viele Quellen, eigene KI-Anwendungen oder Automatisierung dazu, lässt sich Azure Databricks daneben aufbauen und über den gespiegelten Unity Catalog mit Fabric verbinden. Ihre Berichte bleiben dabei in Power BI.
Lassen sich beide Plattformen in ein privates Netz einbinden?
Ja, mit Unterschieden. Azure Databricks lässt sich in Ihr eigenes virtuelles Netz in Azure einbinden und über Private Link privat erreichen. Fabric unterstützt private Verbindungen für den ganzen Mandanten oder für einzelne Workspaces, einige Funktionen stehen dann aber nicht zur Verfügung, etwa Copilot. Wie streng die Abschottung sein muss, klären wir mit Ihrer IT, bevor die Plattform steht.
Bauen Sie auch auf Microsoft Fabric?
Wir bauen auf Azure Databricks. Microsoft Fabric kennen wir aus eigenen Projekten, deshalb können wir den Vergleich aus Erfahrung führen. Passt Fabric zu Ihren Anforderungen besser, empfehlen wir Ihnen das auch.
Sie stehen vor der Wahl zwischen Microsoft Fabric und Azure Databricks? Im Einstieg zu Use Cases und Roadmap klären wir in zwei bis vier Wochen, welche Plattform zu Ihren Use Cases passt, mit Architektur und Kostenschätzung.
Erstgespräch vereinbarenEin bis zwei Mal im Monat ein neuer Beitrag zu Architektur, Modellierung und Betrieb von Data- & AI-Plattformen. Kein Vertrieb, jederzeit abbestellbar.