Een open dataplatform tot meer dan 150 gebruikers: goedkoper dan Fabric, vergelijkbaar met Databricks en Snowflake, veel minder zelf te beheren

Het rekenvoorbeeld

Het voorbeeld is een organisatie met vijftig rapportgebruikers en ongeveer een terabyte aan data. Elke nacht haalt één laadronde van een paar uur alleen de wijzigingen op. Power BI leest uit importmodellen van hooguit tien gigabyte die één keer per dag verversen. Er is een ontwikkel- en een productieomgeving. Spark, machine learning in productie en streaming komen er niet in voor.

De bronnen komen via Azure Data Factory binnen in één Azure SQL-database, waarin alle verwerking als gewone SQL gebeurt. Yres stuurt het laden aan, bewaart de historie en schrijft elke wijziging als Parquet-bestanden naar een data lake op Azure Data Lake Storage Gen2.

De Azure-factuur voor beide omgevingen samen komt op zo'n 750 euro per maand. De productiedatabase is de grootste regel, omdat je die per uur betaalt voor de stand waarop hij staat. Yres zet hem bij de start van het laden hoog en na de laatste tabel weer terug, zodat hij overdag laag staat. De rest van de factuur bestaat uit de Data Factory-activiteiten, de opslag, de sleutelkluis en de kleine database van de ontwikkelomgeving. Yres zelf kost een vast bedrag per maand, zonder prijs per gebruiker of verbruikskosten; het pakket Advanced van 674 euro brengt de tweede omgeving, het wijzigingsproces en het automatisch schalen mee.

De Power BI-prijzen zijn die van de Nederlandse prijspagina van Microsoft op 6 oktober 2026, bij jaarbetaling en exclusief btw. De laatste regel van de tabel is optioneel: een kleine Fabric-capaciteit (F8) die je af en toe aanzet voor een analyse of een notebook op dezelfde Parquet-bestanden en daarna weer pauzeert. Bij veertig uur per maand kost die zo'n 60 dollar.

Kosten in één oogopslag

Hetzelfde scenario op de drie andere platforms, altijd met Power BI als rapportagelaag. De Yres-kolom is het rekenvoorbeeld in euro's; de andere drie zijn schattingen op lijstprijzen van 6 oktober 2026 in dollars, realistisch gedimensioneerd en zonder korting. Bij Fabric is de uitkomst hard: een importmodel van tien gigabyte ververst pas op een F64-capaciteit, die aan moet zolang mensen rapporten openen. Bij Databricks en Snowflake hangt het bedrag af van clustermaten en uren; daarom staat daar een bandbreedte.

De uitkomst: tegenover Fabric is de Yres-opzet ruim de helft goedkoper. Tegenover Databricks en Snowflake liggen de bedragen in dezelfde orde, met de Yres-opzet aan de lage kant. Het verschil zit in de onderste regel van de tabel. Het laden van Nederlandse pakketten, de historie, het wijzigingsproces en de bewaking bouw en onderhoud je daar zelf. Eén dag per week van een data-engineer kost bij een gangbaar uurtarief meer dan de hele Yres-licentie. Hoe de bedragen zijn berekend, staat in de bijlage onderaan deze pagina.

Beheersbaarheid: wie doet het werk?

De kosten hierboven zijn de rekening van de leverancier. De andere rekening is die van je eigen team: wie bouwt het laden, wie vangt een gewijzigde bron op, wie kijkt 's ochtends of alles goed ging. De tabel zet per setup naast elkaar wat de motor doet en wat je zelf doet, voor de acht situaties die in de praktijk de meeste tijd kosten. De cellen voor Fabric, Databricks en Snowflake komen uit hun eigen documentatie op 6 oktober 2026.

Databricks en Snowflake leveren daar echte bouwstenen voor: beheerde connectoren, automatisch tabelonderhoud, historie in declaratieve pipelines, alerts op mislukte taken. Het verschil met Yres is dat je die bouwstenen per bron samenstelt en bewaakt, dat de meeste alleen werken als de bron een wijzigingsstroom levert en dat geen ervan de Nederlandse pakketten kent.

Twee omgevingen horen daar bij. Het pakket Advanced brengt een aparte ontwikkel- en productieomgeving mee, elk met een eigen database, Data Factory, opslag en sleutelkluis. Je bouwt alleen in de ontwikkelomgeving. Elke bewerking daar boekt Yres automatisch onder een change in een project; bij het vrijgeven vergrendelt Yres de change en controleert hij of die niet steunt op werk dat nog niet is vrijgegeven. Installeren op productie is daarna één actie: Yres rolt de databasestructuur uit, publiceert de pipelines opnieuw en vertaalt de namen per omgeving. De objecthistorie laat per tabel, view of procedure zien hoe die over changes heen is veranderd, met twee versies naast elkaar. Bij de andere drie richt je dat uitrolproces zelf in met Git en pipelines; de kennisbank beschrijft het wijzigingsproces van Yres stap voor stap.

Welke functies elke setup meebrengt

Op de grote functies verschillen de vier setups minder in wat er uiteindelijk kan dan in wat je zelf moet bouwen om daar te komen. 'Inbegrepen' betekent dat de functie werkt zonder dat je er iets voor bouwt; 'zelf bouwen' betekent dat het platform de bouwstenen levert en jij de oplossing.

Tot hoeveel gebruikers en hoeveel data blijft dit goedkoper?

Het aantal gebruikers is de eerste groeirichting. Elke extra gebruiker kost 20,80 euro aan licentie; het platform zelf verandert niet. Fabric F64 is vlak, ongeveer 5.100 dollar per maand met reservering, hoeveel kijkers er ook zijn. Het omslagpunt ligt daardoor rond 175 gebruikers. Daarboven zet je alleen de rapportagelaag op een F64-capaciteit, boven op de Yres-kosten: de kijkers worden gratis, de makers houden Pro, de database en de Parquet-bestanden blijven waar ze staan. Yres zelf blijft 674 euro, hoeveel gebruikers er ook bijkomen.

De tweede groeirichting is de hoeveelheid data. De Standard-reeks van Azure SQL, waarin het voorbeeld draait, gaat tot één terabyte per database. Dat is een terabyte aan gecomprimeerde data: Yres slaat de historietabellen kolomgeoriënteerd op, waarvoor Microsoft tot tienmaal compressie noemt, zodat die terabyte overeenkomt met een veelvoud aan brondata. Wie oudere historie archiveert naar de Parquet-bestanden in de data lake, blijft daar lang onder, terwijl de volledige geschiedenis via een samengevoegde view beschikbaar blijft. Boven die terabyte wordt de inrichting maatwerk; daar houdt dit rekenvoorbeeld op.

De derde is het werk per dag. Het voordeel komt uit het laadvenster. Met de laadronde van een paar uur uit het voorbeeld staat de database bij één tot vier verversingen per dag nog meer dan de helft van de tijd op de basisstand. Wie elk uur ververst, vult de dag en betaalt bijna de hoge stand; dan is een vaste capaciteit of een warehouse dat zelf stopt even duur. Past een nachtelijke laadronde ook op de hoogste stand van de Standard-reeks niet in zijn venster, dan is dat het moment voor Spark naast de data lake.

Waar de opzet bij past en wat je ernaast zet

De opzet is gemaakt voor batchverwerking met een voorspelbaar laadvenster waarin per nacht alleen de wijzigingen worden opgehaald, met rapportage uit importmodellen. Wat daarbuiten valt, is geen beperking van Yres als tool maar een keuze over de omgeving: je zet er iets naast, op dezelfde Parquet-bestanden in je eigen data lake.

• Grens: de SQL-database is de rekenmotor. Wie elke nacht een terabyte volledig herverwerkt in plaats van alleen de wijzigingen, loopt tegen de grootste stand aan en verliest het voordeel van het terugschalen
• Advies: Spark, machine learning op grote schaal of streaming zet je naast de data lake van Yres, in Fabric of Databricks, rechtstreeks op dezelfde Parquet-bestanden; de capaciteit zet je uit als het werk klaar is
• Advies: een F8 naast je Premium-per-user-licenties voor kleine machine-learningscenario's en notebooks; de Azure-opslag koppel je rechtstreeks in OneLake met een snelkoppeling, zodat er geen kopie van de data nodig is
• Advies: een Premium-per-user-licentie voor iedereen. Daarmee draaien importmodellen tot honderd gigabyte zonder capaciteit en hoef je niet per werkruimte bij te houden wie welk rapport mag openen

Bijlage: hoe de bedragen zijn berekend

Bij Fabric bepaalt het geheugen per semantisch model welke capaciteit je nodig hebt: tien gigabyte op F32, vijfentwintig op F64. Omdat een model tijdens het verversen ruim het dubbele van zijn omvang nodig heeft, ververst een importmodel van tien gigabyte in de praktijk pas op F64. Die capaciteit kost 0,18 dollar per capaciteitseenheid per uur: ongeveer 8.400 dollar per maand zonder reservering en 5.000 met een reservering van een jaar. Vanaf F64 kijken de vijftig gebruikers met een gratis licentie; de vijf makers houden Pro. Pauzeren kan alleen buiten kantooruren en niet bij een reservering. Een ontwikkelwerkruimte draait op dezelfde capaciteit; een aparte F8 voor ontwikkeling zou ongeveer 620 dollar per maand met reservering kosten.

Bij Databricks rekenen we met een taakcluster van twee knooppunten uit de middenklasse dat drie uur per nacht laadt. Voor de verversing van Power BI en losse vragen draait een serverloos SQL-warehouse van maat Small drie uur per dag. Daarbij komt een ontwikkelcluster van zestig uur per maand, opslag en een ETL-tool voor het binnenhalen van de bronnen: Data Factory zoals in de Yres-opzet, ongeveer 150 dollar, of een ELT-dienst die per connector rekent. De laadflows voor AFAS, Exact of SAP bouw je daarin zelf. Samen is dat zo'n 1.300 dollar per maand, plus vijftig Premium-per-user-licenties, want een importmodel van tien gigabyte vraagt die ook hier.

Bij Snowflake draait een warehouse van maat Small drie uur per nacht voor het laden, een X-Small vier uur per dag voor de verversing en losse vragen en een Small zestig uur per maand voor ontwikkeling. Dat zijn samen 420 credits à 2,60 dollar in de Standard-editie voor West-Europa; de Enterprise-editie rekent anderhalf keer zoveel. Met 23 dollar per terabyte opslag en dezelfde ETL-tool komt dat op zo'n 1.300 dollar per maand in de Standard-editie en zo'n 1.800 in Enterprise, plus vijftig Premium-per-user-licenties.

De rapportgebruikers zelf kosten in geen van de vier kolommen rekenkracht, omdat ze uit importmodellen in Power BI lezen; alleen de dagelijkse verversing raakt het warehouse. Wie bij Databricks of Snowflake voor DirectQuery kiest, laat het warehouse tijdens kantooruren meedraaien: zo'n 600 dollar per maand extra bij Databricks, zo'n 570 bij Snowflake. In de Yres-opzet raakt rapportage de database niet, ook niet bij 150 gebruikers.

De Yres-kolom bevat een volledige ontwikkel- en productieomgeving met het wijzigingsproces ertussen. Bij Databricks en Snowflake zitten de ontwikkeluren in de aannames, maar een tweede volledige omgeving met eigen laadflows en de inrichting van het uitrolproces komen daar nog bij, in tijd meer dan in geld. Alle bedragen gelden voor dit scenario: groeit de data, dan groeien alle vier de kolommen mee, bij Fabric mogelijk naar een tweede F64, bij Databricks en Snowflake naar meer clusteruren en credits, bij de Yres-opzet naar een hogere databasestand. De sommen voor Databricks en Snowflake zijn schattingen; vraag daar een eigen berekening op.

Veelgestelde vragen