Een BI-tool kiezen: Looker Studio, Lightdash, Power BI of Metabase

Een business intelligence tool haalt data op uit een bron, rekent er iets mee en zet het resultaat op een scherm. Grafieken, tabellen, filters, een dashboard dat je deelt met je team.

De tool bewaart zelf meestal geen data. Hij stuurt een query naar je datawarehouse of je advertentieaccount en tekent wat er terugkomt. Dat verklaart waarom twee dashboards die naast elkaar staan verschillende getallen kunnen laten zien: ze stellen een andere vraag aan dezelfde bron.

Voor een marketingteam is de vraag zelden of je een BI-tool nodig hebt. De vraag is welke, en wat je eronder legt.

Gratis, koppelt in twee minuten aan GA4, Google Ads en Search Console, en iedereen in je team kan ermee werken. Voor een rapport met tien grafieken op één bron is het prima.

Het knelt zodra je dataset groeit. Elke keer dat iemand het rapport opent, gaat er een query naar de bron. Bij BigQuery betaal je die queries per scan, dus een dashboard dat vaak open staat wordt een kostenpost. De extract-connector zet een kopie klaar die sneller laadt, maar die heeft een maximum per extract, dus grote tabellen passen er niet in.

De tweede beperking is beheer. Berekende velden staan per rapport, soms per grafiek. Verandert iemand de formule achter "omzet", dan is er geen review, geen diff en geen makkelijke manier om terug te zien wie wat wanneer heeft aangepast.

Open source, en gebouwd boven op dbt. Je definieert je metrieken in de YAML naast je dbt-modellen, in dezelfde repository als je transformaties.

Dat is het verschil dat telt. Een metriek als revenue staat één keer gedefinieerd, in code, met een pull request eromheen. Elke grafiek die hem gebruikt rekent identiek. Verandert de definitie, dan verandert hij overal tegelijk en zie je in de git-historie waarom.

De prijs daarvan is dat je dbt moet draaien. Heb je dat niet, dan is Lightdash een omweg. Heb je het wel, dan hoef je je metrieken niet twee keer op te schrijven.

Wij bouwen onze eigen dashboards op Lightdash boven BigQuery. De reden is precies die ene: de definitie van een cijfer hoort bij de transformatie, niet bij de grafiek.

Power BI is sterk als het bedrijf al Microsoft draait. Rechten via Entra ID, rapporten in Teams, Excel-gebruikers die zich meteen thuis voelen. Het model van Power BI, met DAX en een eigen semantisch model in het bestand, is krachtig en heeft een leercurve. De desktopapplicatie waarin je bouwt draait op Windows, wat op een Mac-team een praktisch bezwaar is.

Metabase is de laagdrempelige: open source, in een middag opgezet, en collega's zonder SQL kunnen zelf een vraag stellen via de query builder. Voor een team dat wil beginnen met zelf data bekijken is dat de snelste weg naar iets bruikbaars. Voor zwaardere modellering loop je er eerder tegen grenzen aan.

Als drie dashboards drie verschillende omzetcijfers tonen, komt dat zelden doordat de tool verkeerd rekent. Het komt doordat niemand heeft vastgelegd wat omzet is.

Telt een order mee op besteldatum of op factuurdatum? Inclusief of exclusief btw? Met of zonder verzendkosten? Trek je retouren af, en zo ja, in de maand van de bestelling of in de maand van de retour? Vier redelijke antwoorden, vier verschillende grafieken.

Zonder één plek waar die keuze staat, maakt elke analist zijn eigen versie in zijn eigen rapport. Die plek is je datawarehouse met een modellaag erboven, of het is de semantische laag van je BI-tool. Wat het niet kan zijn: een berekend veld in een dashboard dat één persoon ooit heeft aangemaakt.

• Begin bij de definities, niet bij de tool. Schrijf voor je vijf kernmetrieken op hoe ze gerekend worden, inclusief btw, retouren en de datum waarop je toerekent.
• Draait alles op Google en is je rapport klein, dan is Looker Studio genoeg. Blijf je erin bouwen tot het traag wordt, dan heb je het probleem alleen verplaatst.
• Gebruik je dbt, kijk dan naar Lightdash. Je metrieken staan dan in dezelfde repository als je modellen, met review en historie.
• Draait het bedrijf op Microsoft, dan wint Power BI op rechten en adoptie, ook als een ander model technisch mooier is.
• Wil je snel beginnen zonder datateam, zet dan Metabase op je warehouse en kijk over een kwartaal wat je team daadwerkelijk gebruikt.
• Meet wat je dashboards kosten. In BigQuery zie je per query hoeveel er gescand is, en een druk dashboard zonder caching is daar vaak de grootste post.