Performance ist kein Nice-to-have. Sie entscheidet über Conversion, Skalierbarkeit und ob dein Team nachts ruhig schläft. Mit Shopware 6.7 haben wir die Plattform unter realistischen Lastszenarien auf den Prüfstand gestellt. Parallel hat unser Partner 8mylez auf Produktionsniveau getestet – mit Millionen von Datensätzen und konstant hoher Last. Das Ergebnis: 6.7 skaliert, und zwar nicht nur im Labor, sondern auch unter extremer Datenlast.
Erfahre in diesem Blogbeitrag, wie getestet wurde, welche Performance-Gewinne 6.7 bringt und was sie für Skalierung im Enterprise-Alltag bedeuten.
Was die Benchmarks belegen (Shopware 6.6 vs. 6.7)
Im offiziellen Performance-Whitepaper haben wir vier Szenarien getestet – von Organic Traffic ohne Cache bis hin zu Enterprise-Load mit Varnish + kontinuierlichen API-Imports. Die Vergleichstabellen je Szenario findest du im PDF (z. B. Szenario 2 auf S. 15, Szenario 3 auf S. 17).
Highlights aus den Ergebnissen:
Flash-Sale mit Varnish (Szenario 2): Bestellungen pro Sekunde steigen von 1,9 auf 3,96 (+108 %). Gleichzeitig sinkt die p95-Latenz um bis zu 60 % [vgl. Tabelle Szenario 2].
Enterprise-Load mit API-Importern (Szenario 3): 95-Latenz reduziert sich von ca. 2 s auf 321 ms; Orders/sec steigen +65 % (2,29 → 3,79) [vgl. Tabelle Szenario 3].
Frontend-Optimierung (Sitespeed Audit): Durch Vite/Refactoring wurden JS/CSS-Payloads um ~25 % reduziert, der Performance-Score verbessert sich spürbar (76 → 78)[siehe Frontend-Audit].
Warum das wichtig ist
Die Benchmarks zeigen, dass 6.7 unter hoher Konkurrenz von Lese/Schreib-Operationen spürbar stabiler reagiert – besonders dort, wo Varnish und Valkey zusammenspielen und Backend-Bottlenecks reduziert wurden.
Was die Praxis beweist (8mylez-Stresstest mit Millionen Datensätzen)
8mylez hat Shopware 6 in einem mehrstufigen Lastszenario mit maxcluster getestet – ausgelegt auf Millionen von Datensätzen und konstante Hochlast. Laut Overview und Ergebnisse skaliert das Setup auch bei gigantischen Datenmengen stabil (Details und Diagramme siehe S. 3, S. 8–10).
Setup & Kennzahlen:
Datenvolumen: bis zu 11 Mio. Produkte, 230 Mio. Kunden, 160 Mio. Bestellungen (manuell weiter erhöht; System blieb stabil).
Lastprofil: ~600.000 Requests/h und ~5.000 Bestellungen/h; Fokus auf Backend/Serverprozesse (Frontend-Assets bewusst ausgeklammert).
Antwortzeiten: über eine Stunde konstant, Ø ~0,8 s, p95 ~3,6 s – abhängig von Cluster-Ressourcen und Konfiguration.
Tooling: Eigenes Locust-basiertes Lasttest-Tool (auf Tideways-Open-Source aufbauend), angepasst auf typische Nutzerprofile [Beschreibung S. 7].
Best Practices aus dem Cluster-Setup (Auszug):
Loadbalancer + Varnish vor mehreren App-Servern;
Redis (Sessions, Cache, Warenkorb, Locking), RabbitMQ (Queues), OpenSearch (Suche), Master/Slave-DB;
Shared Filesystem für Medien/Assets; Shopware-Best-Practices inkl. xkey-Workarounds; gezielte PHP/DB-Tuningmaßnahmen (OPcache, InnoDB Buffer Pool, etc.) [Details S. 5–6].
Praxis-Learnings:
8mylez optimiert u. a. das Caching für eingeloggte Nutzer und Warenkörbe (z. B. Ajax-Nachladen personalisierter Inhalte, feinere Invalidierungslogik) – damit Cache-Trefferquoten hoch bleiben und Serverlast sinkt, auch wenn User eingeloggt sind [S. 6].
Transparenz zu Grenzen: Für sehr große Datenmengen werden Elasticsearch-Indexierung, Admin-Performance, Backup/Restore, Migrationen und Statistiken zu Herausforderungen – hier empfehlen sich maßgeschneiderte Strategien (z. B. Archivierung, externe Auswertungen) [S. 9].
Theorie × Praxis: Was heißt das für dich?
Shopware 6.7 liefert messbare Verbesserungen bei Durchsatz und Latenz unter unterschiedlichen Lastprofilen (siehe Vergleichstabellen in den Szenarien).
8mylez zeigt: Auch bei extremen Datenvolumina bleibt das System stabil skalierbar, wenn Architektur & Caching klug aufgesetzt sind (siehe Testphasen & Ergebnisse).
Kurz:
Benchmarks geben dir Planungssicherheit (Upgrade-Entscheidungen, Kapazitätsplanung).
Praxis-Stresstests liefern Erfahrungswerte, wie du mit Millionen von Datensätzen im Alltag umgehst – inkl. Fallstricken und Workarounds.
7 konkrete Best Practices für hohe Last (sofort umsetzbar)
HTTP-Caching konsequent nutzen Varnish/Valkey aktivieren, Storefront-Cache-Strategien sauber modellieren; Benchmark-Szenario 2 zeigt, wie stark die Effekte ausfallen können (Orders/sec +108 %).
Auch eingeloggte User „cachen“ Statische vs. individuelle Inhalte trennen, personalisierte Teile per Ajax nachladen; Invalidierung gezielt steuern, um Cache-Bypässe zu vermeiden. (8mylez-Ansatz, S. 6)
Horizontal skalieren – aber gezielt App-Server sauber horizontal anbinden, Queue-Handling mit RabbitMQ, Sessions/Cache mit Redis/Valkey; Such-Last OpenSearch/Elasticsearch zuordnen. (Cluster-Kapitel)
Datenbank fit machen InnoDB Buffer Pool, I/O-Settings, Threads, Binlog-Parameter prüfen (vgl. Whitepaper-Anhang zu MariaDB/DB-Tuning); bei 8mylez ebenfalls DB-Tuning Teil des Erfolgs.
Indexierung & Reporting entkoppeln Für sehr große Kataloge Index-Strategien und ggf. externe Auswertungstools einplanen; Statistik-Abfragen nicht über die gesamte Datenbank laufen lassen. (Hinweise S. 9)
Migrationen & Backups planen Mit wachsendem Volumen werden Migration/Updates und Backup/Restore komplexer – Archivierungskonzepte und Zeitfenster vorab definieren. (S. 9)
Frühe Lasttests automatisieren Lasttests in die Entwicklungsphase holen (CI/CD-Stage), damit Engpässe durch individuelle Anpassungen früh sichtbar werden. (S. 9)
Für wen ist das relevant?
CTOs & Architekt:innen, die belastbare Upgrade- und Skalierungsentscheidungen treffen müssen.
Dev- & Ops-Teams, die Caching-Strategien, Queues, Suche und DB-Tuning operativ verantworten.
Wachsende Händler (DACH), die Replatforming oder starkes Wachstum planen.
Ausblick: Webinar & Ressourcen
Gemeinsam mit 8mylez veranstalten wir ein Webinar mit technischem Schwerpunkt. Dort gehen wir auf deine Fragen ein und zeigen konkret, wie du die oben genannten Best Practices in deinem Setup umsetzt. Das genaue Datum des Webinars wird in Kürze bekannt gegeben. Weitere Informationen kannst du schon bald hier finden.
Shopware 6.7 Performance Whitepaper (Englisch) – alle Benchmarks, Szenarien & Setup-Details.
8mylez Case Study – Stresstests mit Millionen-Datensätzen, Cluster-Blueprints & Optimierungen.
