BI 平台概览

BI 平台 连接数仓与业务用户：语义层、权限、缓存、自助分析。选对平台取决于数据栈、预算、用户技能与 embedded 需求。

学习目标

• 对比 Tableau、Looker、Power BI、Qlik 的定位与优劣
• 理解语义层（Metrics Layer）与直连 SQL 的区别
• 评估开源方案 Metabase、Superset 的适用场景

核心概念

主流平台对比

平台	强项	典型栈	注意
Tableau	可视化、探索	Snowflake、Redshift	许可按用户较贵
Looker	LookML 语义层、Git 协作	BigQuery、Snowflake	建模学习曲线
Power BI	Microsoft 集成、性价比	Azure SQL、Synapse	DAX 需单独学
Qlik	关联引擎、内存计算	混合云	生态小于前三

没有「 universally 最佳」；与现有云与数仓绑定 往往是第一筛选条件。

核心能力清单

连接 — 数据库、Warehouse、Google Sheets
建模 — 关系、计算字段、聚合规则
语义层 — 统一「活跃用户」定义，避免每人各写 SQL
权限 — 行级 RLS、列级脱敏
交付 — 订阅、告警、嵌入 iframe / SDK

Looker 的 LookML、Power BI 的 Dataset、Tableau 的 Published Data Source 都是语义层变体。

开源与轻量

• Metabase：部署快，SQL + 简单 Question，适合中小团队
• Apache Superset：可扩展，需运维；图表类型丰富
• Lightdash：dbt 项目即语义层，Analytics Engineer 友好

CodeRoadMap 规模可 Metabase + MySQL 只读副本 起步；数据量上来再迁 Snowflake + Looker/Tableau。

选型建议

1. 列必选：数据源、用户规模、是否需要 embedded
2. POC：同一 Dashboard 在两平台复现，比功能清单可靠
3. 算 TCO：许可 + 实施 + 培训 + 运维

练习

• 若主仓是 BigQuery，优先评估哪两个平台？说明理由
• 解释「语义层」如何解决两个分析师算出的 DAU 不一致
• 为 10 人团队选 BI 工具，写 3 条决策标准

小结

平台是指标口径与自助分析的网关；选型看栈、看用户、看语义层成熟度。 最后一课做端到端综合练习。