Datafold

Kurzfazit

Datafold ist das spezialisierteste Werkzeug für ein hartes Problem: zu beweisen, dass eine Data-Warehouse-Migration die Daten nicht verfälscht hat. Der Migration Agent übersetzt SQL-Logik zwischen Dialekten (etwa Oracle-Stored-Procedures nach dbt-Modellen in Snowflake), und das Cross-Database Diffing vergleicht Quelle und Ziel Wert für Wert, nicht nur Schema oder Zeilenzahl, sondern jeden einzelnen Datensatz. Abweichungen fließen automatisch zurück an den Agenten, der seine Übersetzung iterativ korrigiert, bis Parität erreicht ist. Seit 2025 verkauft Datafold das nicht mehr nur als Tool, sondern als „migration as an outcome” mit vertraglichem Festpreis, Termin und Qualitätsgarantie. Der Haken: kein öffentlicher Preis, kein EU-Hosting, kein deutscher Support, und das früher kostenlose Open-Source-Tool data-diff wurde 2024 eingestellt. Für sein enges Spezialgebiet ist Datafold trotzdem führend.

Für wen ist Datafold?

Data-Engineering-Teams in Migrationsprojekten: Die Kernzielgruppe. Wer ein Legacy-Warehouse (Oracle, SQL Server, Teradata, Redshift) auf ein modernes Cloud-Warehouse (Snowflake, BigQuery, Databricks) hebt, bekommt mit Datafold beides: automatische Code-Übersetzung und beweisbare Datenparität. Statt monatelanger manueller Validierung liefert das Cross-Database Diffing den Nachweis, dass jeder Wert übereinstimmt.

Plattform-Teams mit ETL-Modernisierung: Wer tausende Stored Procedures oder Informatica-/Talend-Pipelines in dbt überführt, profitiert vom Migration Agent am meisten, er übersetzt den Dialekt und prüft das Ergebnis in einem Zug. Manuelle Übersetzung dieser Größenordnung kostet Monate und ist fehleranfällig.

Analytics-Leiter mit Termindruck: Wenn eine Warehouse-Lizenz ausläuft oder ein Cloud-Wechsel zum Stichtag fertig sein muss, ist das outcome-basierte Modell mit vertraglich zugesichertem Termin und Festpreis interessant, es verlagert das Projektrisiko vom eigenen Team auf den Anbieter.

Data-Quality-Teams im laufenden Betrieb: Auch außerhalb von Migrationen lässt sich das Diffing nutzen, etwa um nach einer Pipeline-Änderung zu prüfen, ob sich Werte unbeabsichtigt verschoben haben (Regression Testing in CI/CD).

Weniger geeignet für: Teams ohne SQL- und Data-Engineering-Kompetenz, Unternehmen mit zwingendem EU-Hosting oder Berufsgeheimnis, Organisationen, die On-Prem-ERP-Systeme statt analytischer Warehouses migrieren, und alle, die transparente Listenpreise statt eines Sales-Prozesses erwarten.

Preise im Detail

Modell	Preis	Was du bekommst
Data Diff / Quality	Auf Anfrage	Cross-Database Diffing, Monitoring überwachter Tabellen, CI/CD-Integration, dbt-Anbindung
Migration Agent	Outcome-basiert, Festpreis	Vollständige Migration als Projekt: KI-Übersetzung + Validierung, vertraglicher Termin und Qualitätsgarantie, Preis nach Anzahl Legacy-Objekte und Komplexität
Enterprise	Auf Anfrage	Wie oben + SSO, erweiterte Sicherheit, dediziertes Engineering-Team, Support-SLA
data-diff (Open Source)	-	Seit Mai 2024 eingestellt und archiviert. Nicht mehr verfügbar.

Einordnung: Datafold veröffentlicht keine Listenpreise, die Pricing-Seite leitet direkt auf das Kontaktformular weiter. Das Migration-Modell ist bewusst kein Lizenz-, sondern ein Projektgeschäft: Du zahlst einen Festpreis für ein definiertes Ergebnis, kalkuliert nach Menge der zu migrierenden Objekte und Umgebungskomplexität, „no hourly billing, no scope creep”. Realistisch bewegt sich ein einzelnes Migrationsprojekt im fünf- bis sechsstelligen Dollar-Bereich, je nach Umfang; verlässliche Zahlen gibt es aber nur nach dem Sales-Gespräch. Datafold wirbt damit, Migrationen „bis zu 6x schneller und günstiger” als klassische Beratungsansätze zu liefern, eine Anbieterangabe, die du gegen ein konkretes Angebot prüfen solltest. Für KMU ohne laufendes Migrationsprojekt ist Datafold schlicht nicht das richtige Werkzeug; sein Wert entsteht erst bei großen, risikoreichen Datenmigrationen.

Stärken im Detail

Validierung auf Werteebene, nicht auf Stichprobe. Das ist Datafolds eigentlicher Kern. Klassische Migrationsprüfung vergleicht Zeilenzahlen oder zieht Stichproben, beides übersieht subtile Fehler. Datafold vergleicht jeden Datensatz Wert für Wert zwischen Quelle und Ziel und markiert Diskrepanzen bis auf Spaltenebene. So fallen genau die Fehler auf, die sonst erst Monate später im Reporting auftauchen: unterschiedliches NULL-Handling, Rundungsfehler, Zeitzonen-Verschiebungen, abgeschnittene Strings.

Der Migration Agent schließt den Kreis. Andere Tools übersetzen Code oder validieren Daten, Datafold koppelt beides. Der Agent übersetzt die SQL-Logik in den Zieldialekt, das Diffing prüft das Ergebnis, und gefundene Abweichungen fließen automatisch zurück an den Agenten, der seine Übersetzung nachbessert. Dieser Regelkreis läuft so lange, bis Parität erreicht ist. Das ersetzt einen großen Teil der manuellen Iterations-Arbeit, die Migrationen so teuer macht.

Data Knowledge Graph als Kontextschicht. Seit der KI-Neuausrichtung 2025 steht der Data Knowledge Graph im Zentrum: Er erfasst Lineage, Geschäftslogik, Nutzung und organisatorisches Wissen über die Datenpipelines. Dieser Kontext macht die KI-Agenten zuverlässiger, weil sie verstehen, was eine Transformation fachlich bedeutet, nicht nur, wie der SQL-Code aussieht. Das ist der Unterschied zwischen blindem Code-Übersetzen und semantisch korrekter Modernisierung.

Outcome-Modell verlagert das Risiko. Statt Stundensätze zu zahlen und das Projektrisiko selbst zu tragen, bekommst du einen vertraglichen Festpreis, einen zugesicherten Termin und eine Qualitätsgarantie über die Value-Level-Validierung. Für Organisationen mit hartem Migrationsstichtag (auslaufende Lizenz, Cloud-Wechsel) ist diese Risikoverlagerung oft mehr wert als der reine Toolzugang.

Tiefe dbt- und CI/CD-Integration. Datafold ist seit Jahren eng mit dem dbt-Ökosystem verzahnt und nutzt Lineage-Informationen, um die Validierungsreihenfolge sinnvoll zu staffeln. Das Diffing lässt sich in Pull-Request-Workflows einhängen, sodass Datenabweichungen schon vor dem Merge sichtbar werden, Regression Testing für Datenpipelines.

Schwächen ehrlich betrachtet

Komplette Preisintransparenz. Es gibt keine öffentliche Preisliste, keinen Self-Service-Plan, keinen Self-Signup mit klaren Stufen. Wer wissen will, was Datafold kostet, muss durch den Sales-Prozess. Für ein Engineering-Werkzeug ist das ungewöhnlich und erschwert die Vorauswahl erheblich, du investierst Zeit, bevor du auch nur eine Hausnummer kennst.

Keine dedizierte EU-Region, kein deutscher Support. Datafold ist ein US-Anbieter ohne ausgewiesene EU-Standardregion, und der Support ist englischsprachig. Immerhin gibt es Single-Tenant- und VPC-Deployments auf AWS, GCP und Azure, bei denen die Daten die eigene Umgebung nicht verlassen sollen, plus SOC-2-, HIPAA- und DSGVO-Konformität. Wer personenbezogene Produktivdaten validiert, muss Auftragsverarbeitung und Datenflüsse trotzdem sorgfältig prüfen (siehe DSGVO-Abschnitt).

Open-Source-Pfad weggefallen. Bis 2024 gab es mit data-diff ein kostenloses Open-Source-Tool, mit dem Teams das Diffing-Konzept gefahrlos ausprobieren konnten. Seit Mai 2024 ist es eingestellt und archiviert. Damit ist der niedrigschwellige Einstieg verschwunden, heute führt der einzige Weg über den kommerziellen Sales-Prozess. Das schmälert die Glaubwürdigkeit als community-naher Anbieter.

Enger Anwendungsbereich. Datafold ist ein Spezialwerkzeug für Data-Warehouse-Migration und -Validierung, kein Allrounder. Für On-Prem-ERP-Migrationen, Anwendungs-Datenmigration oder klassische Stammdatenmigration ist es das falsche Tool. Außerhalb eines aktiven Migrations- oder Analytics-Kontextes entsteht kein Mehrwert.

Developer-Tool, kein No-Code. Setup, Datenbankanbindung, CI/CD-Integration und die Interpretation der Diff-Ergebnisse setzen solide SQL- und Data-Engineering-Kompetenz voraus. Fachabteilungen ohne technisches Team kommen damit nicht weit.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Transformationslogik aufbauen und versionieren willst (statt sie zu migrieren)
Datenqualitätsregeln deklarativ in Pipelines testen willst	oder
Das Ziel-Warehouse selbst auswählst	oder

Datafold besetzt eine schmale, klar abgegrenzte Nische, die Validierung einer Migration auf Werteebene. definiert und betreibt die Transformationen, übernimmt aber kein cross-database Diffing. und prüfen Datenqualität gegen Erwartungswerte, vergleichen aber nicht zwei Systeme zeilengenau gegeneinander. und sind typische Migrationsziele, keine Validierungswerkzeuge. Direkte Wettbewerber zum Migration-Agent-Konzept (etwa SQLMesh oder spezialisierte Monitoring-Plattformen wie Monte Carlo) haben bei uns noch keine eigene Seite. Für den konkreten Job „beweise, dass beide Systeme identische Werte liefern” hat Datafold im Markt kaum ebenbürtige Konkurrenz.

So steigst du ein

Schritt 1: Vereinbare ein Scoping-Gespräch und liefere Datafold die Eckdaten deiner Migration, Quell- und Zielsystem, Anzahl der zu migrierenden Objekte (Tabellen, Views, Stored Procedures), Komplexität der Transformationslogik. Daraus ergibt sich der outcome-basierte Festpreis und ein verbindlicher Zeitplan. Einen kostenlosen Self-Service-Einstieg gibt es seit dem Wegfall von data-diff nicht mehr.

Schritt 2: Nach Anbindung von Quell- und Zieldatenbank übersetzt der Migration Agent deine SQL-Logik in den Zieldialekt, etwa Oracle PL/SQL nach dbt-Modellen in Snowflake. Die erste Übersetzung ist selten perfekt; das Cross-Database Diffing prüft das Ergebnis Wert für Wert, und gefundene Abweichungen fließen automatisch zurück an den Agenten, der iterativ nachbessert.

Schritt 3: Konfiguriere das Diffing für deine kritischen Tabellen und hänge es in deinen CI/CD-Workflow ein. Datafold vergleicht Quelle und Ziel auf Spaltenebene und markiert exakt, welche Felder abweichen. So bekommst du nicht nur am Migrationsende, sondern während der gesamten Umstellung einen laufenden Parität-Nachweis, und kannst die Migration mit belegbaren Zahlen abnehmen lassen.

Ein konkretes Beispiel

Ein deutsches Logistikunternehmen migriert sein BI-Warehouse von Oracle zu Snowflake. 80 Stored Procedures mit komplexer Transformationslogik müssen in dbt-Modelle überführt werden, die Oracle-Lizenz läuft in sieben Monaten aus, der Termin ist hart. Statt das Risiko intern zu tragen, beauftragt das Team Datafold zum Festpreis mit zugesichertem Endtermin. Der Migration Agent übersetzt die PL/SQL-Logik nach dbt, das Cross-Database Diffing prüft jede Tabelle Wert für Wert. Dabei findet es in 12 Tabellen Abweichungen durch unterschiedliches NULL-Handling und abweichende Rundung, Fehler, die bei manueller Stichprobenvalidierung unentdeckt geblieben und erst Monate später im Reporting aufgefallen wären. Die Übersetzung und Validierung dauert rund 4 Wochen statt der ursprünglich geschätzten 6 Monate Eigenarbeit. Entscheidend ist nicht nur die Zeitersparnis, sondern der belegbare Parität-Nachweis: Das Team kann den Vorstand mit Zahlen überzeugen, dass das neue Warehouse identische Ergebnisse liefert.

DSGVO & Datenschutz

• Datenhosting: US-Anbieter (Datafold Inc.), eine dedizierte EU-Region für Standardpläne ist nicht ausgewiesen. Datafold bietet laut eigener Angabe aber Single-Tenant- und VPC-Deployments auf AWS, GCP und Azure an, bei denen die Daten die eigene Sicherheitsumgebung nicht verlassen sollen, das relativiert das US-Hosting-Risiko, wenn du diese Option vertraglich nutzt.
• Compliance: Datafold weist SOC 2, HIPAA und DSGVO-Konformität aus. Diese Zertifikate ersetzen keine eigene Prüfung, sind für ein US-Tool aber ein positives Signal.
• Datenfluss: Für Diffing und Migration verarbeitet Datafold Daten aus deinen Quell- und Zielsystemen. Ob und welche Produktivdaten dabei wohin fließen, hängt von der Architektur ab (Cloud-SaaS vs. VPC-/Single-Tenant-Deployment), vor produktivem Einsatz mit personenbezogenen Daten zwingend klären.
• Auftragsverarbeitung (AVV): Für Enterprise-Kunden auf Anfrage; nicht öffentlich dokumentiert. Im Sales-Prozess explizit einfordern.
• Berufsgeheimnis & sensible Branchen: Für Daten unter Berufsgeheimnis (Gesundheit, Recht, Finanzen) oder besonders schützenswerte personenbezogene Daten ist die direkte Nutzung kritisch. Wenn möglich, nur auf anonymisierten oder pseudonymisierten Datensätzen testen.
• Empfehlung für Unternehmen: Vor dem Einsatz eine Datenschutz-Folgenabschätzung durchführen, AVV und Standardvertragsklauseln einfordern und prüfen, ob die Validierung auf nicht-personenbezogenen oder maskierten Daten erfolgen kann.

Gut kombiniert mit

• , dbt baut und versioniert die Transformationen im Zielsystem, Datafold validiert, dass sie identische Werte wie die Legacy-Quelle liefern. Datafold nutzt dbt-Lineage direkt, um die Validierungsreihenfolge zu staffeln, das natürliche Tandem in jedem Migrationsprojekt.
• , als typisches Migrationsziel ist Snowflake die Umgebung, in die Datafold die Logik übersetzt und gegen die es prüft. Wer ohnehin Richtung Snowflake migriert, kombiniert beide praktisch automatisch.
• , während Datafold den Migrationsmoment absichert (Quelle vs. Ziel), übernimmt Great Expectations die laufende Qualitätssicherung danach: deklarative Erwartungswerte, die jede Pipeline-Ausführung gegen Regeln prüfen.

Unser Testurteil

Datafold verdient 4 von 5 Sternen. Für seinen engen, schwierigen Job, die werte­genaue Validierung von Data-Warehouse-Migrationen plus KI-gestützte Code-Übersetzung, ist es das ausgereifteste Werkzeug am Markt, und der iterative Regelkreis aus Übersetzen und Diffing ist ein echter Produktivitätshebel bei großen Migrationen. Den fünften Stern kosten vor allem drei Dinge: die vollständige Preisintransparenz (kein öffentlicher Preis, kein Self-Service), das fehlende EU-Hosting samt englischsprachigem Support, ein hartes K.-o.-Kriterium für viele deutsche Unternehmen, und der Wegfall des kostenlosen Open-Source-Pfads, der den niedrigschwelligen Einstieg gekostet hat. Wer ein ernsthaftes Migrationsprojekt mit hartem Termin und Compliance-Spielraum für US-Hosting hat, findet in Datafold eine sehr starke Wahl. Wer nur „mal ausprobieren” oder DSGVO-streng arbeiten will, ist hier falsch.

Was wir bemerkt haben

• Mai 2024, Datafold hat das Open-Source-Tool data-diff eingestellt und das GitHub-Repository archiviert (letztes Release v0.11.1 im Februar 2024). Damit ist der kostenlose, niedrigschwellige Einstieg in das Diffing-Konzept verschwunden, heute führt der einzige Weg über den kommerziellen Sales-Prozess. Ein deutliches Signal für die Fokussierung aufs Enterprise-Geschäft.
• 2025, Datafold hat sich von einem Datenqualitäts-Tool zur „AI-powered platform for data teams” umpositioniert. Im Zentrum steht jetzt der Data Knowledge Graph als Kontextschicht für KI-Agenten; Data Diff und Datenqualität werden zu Enablern dieser Agenten statt zu eigenständigen Hauptprodukten.
• 2025, Das Migrationsgeschäft wurde vom Tool zum Ergebnis umgebaut: „migration as an outcome” mit vertraglichem Festpreis, Termin- und Qualitätsgarantie statt Stundensätzen. Datafold wirbt mit Migrationen „bis zu 6x schneller und günstiger” als klassische Beratung, eine Anbieterangabe ohne unabhängige Bestätigung.
• Juni 2026, Eine dedizierte EU-Standardregion und deutschsprachiger Support fehlen weiterhin. Datafold wirbt aber mit Single-Tenant-/VPC-Deployments auf AWS, GCP und Azure sowie SOC-2-, HIPAA- und DSGVO-Konformität, die das US-Hosting-Risiko abfedern, wenn man diese Option vertraglich nutzt. Für den deutschen Markt bleibt der englischsprachige Support trotzdem ein Bremsklotz, gerade weil bei der Validierung potenziell Produktivdaten verarbeitet werden.