Uno strumento di business intelligence open source promette due cose che pesano sul budget di un’azienda: nessuna licenza da pagare per utente e il controllo del dato tenuto in casa propria. È il motivo per cui, quando serve trasformare tabelle e numeri in dashboard leggibili, la prima lista che si finisce per guardare è quella dei progetti liberi, da Apache Superset a Metabase e Grafana, fino a nomi meno noti come Redash, Lightdash e Knowage.
Il punto è che «open source» è un’etichetta larga, e sotto ci stanno realtà molto diverse per licenza, per tipo di dato trattato e persino per scopo. Prima di confrontare i grafici conviene allora mettere in fila i criteri che contano davvero, vedere cosa fa ciascuno strumento e per chi è pensato, ragionare su quando il gratuito conviene e quando invece vale la pena investire in un abbonamento, e capire dove la BI si incastra nei processi di un’azienda.
Come scegliere uno strumento open source di BI
Uno strumento di BI, in questa categoria, è un layer che sta sopra i database esistenti. La documentazione di Superset è esplicita e vale come definizione generale: non è un data warehouse, non è un tool ETL, interroga, visualizza e condivide, ma i dati devono già esserci, e già puliti e modellati.
Il secondo concetto da avere chiaro prima di installare qualunque cosa è l’application database, detto anche metadata database, cioè il posto dove lo strumento salva la propria configurazione, dashboard e utenti compresi, distinto dal database che analizzi, ed è proprio in quella distinzione trascurata che nasce quasi ogni sorpresa in produzione.
Apache 2.0 è permissiva e concede diritti perpetui e royalty-free, con obblighi di attribuzione e di segnalazione dei file modificati. AGPL è copyleft e, come spiega l’annuncio di Grafana Labs citato sopra, obbliga a condividere il sorgente modificato anche quando il software viene reso disponibile soltanto attraverso la rete.
Funzionalità da valutare
Le funzioni che fanno davvero la differenza fra uno strumento e l’altro sono quattro, e conviene tenerle a mente prima di installare qualunque cosa: chi scrive le query, quali visualizzazioni arrivano già preinstallate, se esiste un sistema di alerting e se le dashboard si possono versionare.
Superset si presenta come piattaforma di esplorazione e visualizzazione con oltre 40 tipi di grafico preinstallati, SQL editor web, semantic layer leggero, caching, cross-filter e drill-to-detail. Metabase punta sul query builder, che costruisce la domanda passo passo con join fra tabelle dello stesso database, colonne calcolate, filtri, aggregazioni e drill-through, e mostra un’anteprima delle prime dieci righe a ogni passaggio. Grafana notifica gli allarmi verso Slack, PagerDuty ed email. Lightdash tiene metriche, grafici e dashboard come file versionabili in Git.
Qui il perimetro è solo l’open source, e per la panoramica larga, proprietari inclusi, ci sono gli strumenti di business intelligence da conoscere.
Integrazione con database e fonti dati
Contare i connettori serve a poco, perché la domanda giusta è se il tuo database rientra nel meccanismo di connessione che quello strumento usa, e i meccanismi sono diversi fra loro.
Superset connette qualunque database per cui esistano un dialetto SQLAlchemy e un driver Python DB-API, ed è questo il criterio da applicare al proprio caso più del conteggio: la documentazione ufficiale, consultata ad agosto 2026, elenca oltre ottanta database documentati, ma pagine diverse dello stesso progetto riportano cifre diverse. Metabase lavora su una lista chiusa di driver ufficiali mantenuti dal team, da PostgreSQL e MySQL fino a BigQuery, Snowflake, Databricks, ClickHouse, MongoDB, Oracle e Redshift. Se il tuo database non è in quella lista, la strada è più lunga.
Grafana organizza le fonti dati core per tipo di segnale, e fra queste i database SQL sono tre, MSSQL, MySQL e PostgreSQL, contro Prometheus, Loki, Jaeger, Tempo e Pyroscope, e già il rapporto fra le due liste dice a cosa serve lo strumento.
Vantaggi e limiti
Il self-hosted ti dà il controllo e ti risparmia la licenza per utente, ma il costo non sparisce per questo, si sposta soltanto sull’esercizio, che da quel momento diventa una tua responsabilità.
Metabase in produzione richiede un application database esterno al posto dell’H2 di default, e Java 25 o successivo. Grafana usa SQLite di default e la sua documentazione di installazione avverte che non è raccomandato in produzione, dove servono MySQL 8.0 o PostgreSQL 12 e superiori, obbligatori anche per l’alta disponibilità. Il quickstart di Superset con Docker Compose è dichiarato esplicitamente come non adatto alla produzione.
In tutti e tre i casi la manutenzione è un costo ricorrente e non un’operazione da fare una volta sola, e va messa in conto prima ancora di scegliere lo strumento.
I migliori strumenti da conoscere
Apache Superset
È il più puramente open source dei tre, nel senso letterale che nel repository non esiste un’edizione commerciale accanto a quella aperta. Si autodefinisce piattaforma moderna di esplorazione e visualizzazione dei dati, e la sua documentazione chiarisce che non sostituisce né un data warehouse né una pipeline ETL.
Il progetto è in continuo aggiornamento e richiede Python 3.10 o superiore.
Ha senso quando hai warehouse SQL eterogenei e persone con esperienza in SQL. Provalo in locale con Docker Compose per capire se ti convince, tenendo presente che quel setup, per ammissione della documentazione, non è un’installazione di produzione: il salto successivo è un progetto a sé, da mettere in conto prima di decidere.
Metabase
Quando chi deve interrogare i dati non scrive SQL, Metabase è la risposta più diretta: il query builder costruisce la domanda passo passo e la può anche convertire in SQL, ma è una conversione a senso unico, perché dal SQL generato non si torna indietro al costruttore visuale.
Qui l’equazione fra open source e gratuito si rompe in modo verificabile, perché i due piani convivono nello stesso repository, con i binari standard sotto AGPL e quelli della cartella metabase-enterprise che invece non lo sono. Il listino pubblico mette l’edizione Open Source a zero con utenti illimitati, poi lo Starter a 100 dollari al mese, il Pro a 575 dollari al mese e un Enterprise su misura con un minimo di 20.000 dollari l’anno.
Grafana
Grafana finisce in quasi ogni articolo sulla BI open source, anche se nella sua documentazione introduttiva non si definisce così: il testo parla di interrogare, visualizzare e generare allarmi su metriche, log e tracce ovunque siano archiviati, cioè di quello che si chiama osservabilità, un mestiere diverso dalla reportistica aziendale che la composizione delle sue fonti dati core conferma.
Chi la installa per fare reportistica su un gestionale finisce per passare mesi a combattere contro lo strumento, e se ne accorge quando ormai cambiare rotta significa pagare una migrazione.
Il core è AGPLv3 dal 2021, mentre l’edizione Enterprise self-managed è un binario proprietario, gratuito da usare ma non open source, e non va contata nel confronto fra software liberi. E le survey sull’osservabilità più citate sono prodotte da Grafana Labs, cioè da una parte interessata, e non misurano il mercato della BI.
Dove Grafana è la scelta giusta lo dice il suo dominio naturale, cioè il monitoraggio di sistemi in esercizio con alerting sopra Prometheus, Loki e Tempo, ed è anche l’unico dei tre strumenti nato esattamente per quello.
Open source contro software proprietari
Differenze
Il confronto fatto a cifre non regge, perché i listini hanno strutture diverse fra loro, per utente da una parte e a consumo dall’altra. Regge invece su due assi: chi possiede il diritto di modificare il software e chi si assume il rischio di esercizio.
Il primo asse lo decide la licenza, e con Apache 2.0 modifichi e ridistribuisci con obblighi minimi. Con AGPL puoi fare lo stesso, ma se pubblichi in rete il servizio modificato devi rendere disponibile il sorgente, e per un prodotto commerciale è un vincolo da leggere prima e non dopo.
Il secondo asse invece si basa molto sugli abbonamenti e lo storage messo a disposizione, ad esempio il listino Power BI prevede Pro a 14,00 dollari per utente al mese e Premium Per User a 24,00 dollari per utente al mese con pagamento annuale, più un tier gratuito che non consente la condivisione. I limiti tecnici seguono il piano, con 8 aggiornamenti al giorno e 1 GB di model memory su Pro contro 48 aggiornamenti e 100 GB su PPU. Se il confronto ti interessa dal lato dell’adozione aziendale, la trattazione dedicata sta in Power BI per aziende.
Quando scegliere il gratuito e quando investire
Il self-hosted regge quando esiste qualcuno che lo gestisce davvero e diventa interessante quando il numero di utenti fa crescere il costo per posto. L’edizione Open Source di Metabase ha utenti illimitati, mentre lo Starter parte da cinque utenti inclusi a 100 dollari al mese più 6 dollari per utente aggiuntivo. Il punto di pareggio si sposta con il numero di persone, e quel calcolo lo puoi fare solo tu con i tuoi numeri.
L’abbonamento conviene quando il tempo delle persone vale più della licenza, o quando serve un supporto contrattualizzato. Anche il gestito ha una versione gratuita, visto che Grafana Cloud offre un piano Free permanente e un Pro con quota fissa più consumo.
Qualunque sia la scelta, il costo di esercizio non è mai zero, e nel self-hosted lo paghi in ore e infrastruttura o nell’abbonamento in canone.
Come integrare la BI nei processi aziendali
Dal dato grezzo alle decisioni
Lo strumento di BI sta sopra i dati, non li produce, e la documentazione di Superset lo dichiara per sé pur valendo per l’intera categoria: nessuna dashboard compensa un lavoro di ingestione e modellazione che a monte non è stato fatto.
Se le tabelle di partenza sono incoerenti, la dashboard renderà l’incoerenza più visibile e più veloce, il che è utile, ma non è la stessa cosa che risolverla. Su cosa serve a monte, dalla query all’analisi, la discussione è nei migliori strumenti di analisi dati.
Il ruolo delle competenze interne
Il self-hosted presuppone delle competenze, non le crea: una JVM aggiornata per Metabase, un PostgreSQL o un MySQL come application database per Metabase e per Grafana, un percorso di deploy oltre Docker Compose per Superset, più aggiornamenti e backup del metadata database. Se non c’è chi presidia queste cose, il risparmio sulla licenza torna indietro come downtime e come dashboard che nessuno aggiorna più.
Formazione con Data Masters
La griglia di scelta serve a non sbagliare strumento, ma poi resta il lavoro vero, quello di modellare i dati e interrogarli bene, una competenza che si porta da una piattaforma all’altra senza perdere niente per strada.
Chi vuole costruirla su uno strumento diffuso può partire dal Corso Power BI e proseguire con il Corso di DAX Avanzato, dove il linguaggio di calcolo smette di essere un ostacolo e diventa lo strumento con cui si scrivono le metriche che contano.
AUTORE:Simone Truglia Apri profilo LinkedIn
Simone è un Ingegnere Informatico con specializzazione nei sistemi automatici e con una grande passione per la matematica, la programmazione e l’intelligenza artificiale. Ha lavorato con diverse aziende europee, aiutandole ad acquisire e ad estrarre il massimo valore dai principali dati a loro disposizione.
