BI y visualización de datos
Elige pensando en quién hace las preguntas y qué datos puede consultar.
Un analista SQL explorando un warehouse, un equipo de negocio creando dashboards y un cliente consultando un informe integrado necesitan interfaces y permisos distintos. Evaluaría esos recorridos antes de contar gráficos. La base de datos ejecuta las consultas analíticas; BI añade metadatos, identidades, resultados en caché y responsabilidades de publicación.
-
Datasets y métricas
Tablas curadas, modelos semánticos o consultas SQL versionadas definen dimensiones, medidas y joins para compartir definiciones coherentes.
-
Identidad y permisos
SSO, control por roles, filtros por fila y credenciales de base de datos fijan si las consultas corren con cuenta compartida o por lector.
-
Pushdown y caché
La capa BI traduce exploraciones visuales o SQL en consultas al motor, coordina workers asíncronos y gestiona cachés sin cruzar datos.
-
Dashboards, informes y embeds
Gráficos interactivos, envíos programados, informes como código en Markdown y vistas firmadas llegan a equipos internos o clientes.
Comparación de un vistazo
Fuentes revisadas: octubre de 2026, a partir de repositorios, versiones y documentación oficiales. Cada calificación (1–5) es una nota editorial de preparación para el encaje de su fila; el desglose está bajo la tabla y el método, en el índice del Blog.
| Proyecto | Calificación | Licencia del núcleo | Lo preseleccionaría para | Restricción principal |
|---|---|---|---|---|
| Apache Superset 6.1.0 | Apache-2.0 | Exploración SQL y dashboards compartidos sobre varios motores analíticos | Metadatos, workers, cachés y permisos de base de datos necesitan un plan operativo. | |
| Metabase 0.64.1 | AGPLv3 en Open Source Edition | Usuarios de negocio que combinan consultas visuales con preguntas SQL | Gobierno avanzado e integración en aplicaciones dependen de la edición y sus términos. | |
| Redash 26.9.0 | BSD-2-Clause | Equipos SQL que comparten consultas, gráficos y dashboards | Programación, workers, resultados y credenciales de las fuentes necesitan mantenimiento. | |
| Lightdash 2.586.0 | Núcleo MIT; excepciones enterprise | Exploración sobre dimensiones y métricas modeladas, especialmente con dbt | La responsabilidad de los modelos y las funciones del núcleo abierto deben encajar con el despliegue. | |
| Evidence 40.1.8 | Framework MIT | Informes de datos redactados con SQL y Markdown | Publicación y control de acceso deben proteger los datos distribuidos con el informe. |
Cómo se calculó cada calificación
Cinco criterios de 0, 0,5 o 1 punto. Topes: upstream archivado 1, sin versión estable en 18 meses 2, sin versión de disponibilidad general 2,5. "Edición abierta" puntúa lo que incluye la edición open source sin nivel de pago. Puntuado en octubre de 2026 con el repositorio, las versiones y la documentación oficiales; el método está en el índice del Blog.
| Proyecto | Mantenimiento | Edición abierta | Madurez | Operación | Interoperabilidad | Calificación |
|---|---|---|---|---|---|---|
| Apache Superset | 1 | 1 | 1 | 0,5 | 1 | 4,5 |
| Cube | 1 | 1 | 1 | 0,5 | 1 | 4,5 |
| Metabase | 1 | 0,5 | 1 | 0,5 | 1 | 4 |
| Redash | 0,5 | 1 | 0,5 | 0,5 | 1 | 3,5 |
| Lightdash | 1 | 0,5 | 0,5 | 0,5 | 0,5 | 3 |
| Evidence | 0,5 | 0,5 | 0,5 | 1 | 0,5 | 3 |
Empieza por el lector
- Analistas SQL explorando varias fuentes: preseleccionaría Superset y Redash. Probaría drivers reales, límites de consulta y carga de dashboards.
- Usuarios de negocio que necesitan exploración guiada: empezaría con Metabase y una pregunta real con sus usuarios. Verificaría los controles de Open Source Edition antes de incluir funciones de pago en el diseño.
- Un equipo que ya gobierna métricas con dbt: compararía Lightdash con las definiciones semánticas y responsabilidades existentes. Reconciliaría joins, filtros y nombres de métricas antes de elegir la presentación.
- Un informe con explicación redactada y publicación reproducible: consideraría Evidence. Trataría los datos generados como parte del artefacto publicado, con audiencia y límite de acceso explícitos.
- Analítica integrada en una aplicación de clientes: evaluaría primero aislamiento por tenant, propagación de identidad y licencias. Un iframe por sí solo no establece un límite de autorización.
Versiones y notas operativas
Superset — proteger aplicación y base de datos
El repositorio revisado describe exploración visual, SQL Lab y conexiones a bases de datos. Su guía de seguridad explica permisos y restricciones por filas.
Usa una identidad de base de datos con los privilegios necesarios. Prueba cachés, acceso SQL y exportaciones con dos usuarios que deban ver datos distintos. Conserva los metadatos de la aplicación además de la fuente analítica; tablas del warehouse no reconstruyen dashboards y permisos.
Metabase — identificar edición y términos de integración
El archivo de licencia distingue código y binarios AGPL de artefactos enterprise. La página de licencias documenta opciones de integración y términos comerciales separados.
Prueba consultas visuales, editor SQL y distribución con la audiencia prevista. Revisa la edición exacta para aislamiento por tenant, auditoría e identidad. Recupera la base de la aplicación y verifica preguntas guardadas, permisos y entregas programadas.
Lightdash — coordinar cambios de métricas y aplicación
El proyecto conecta dimensiones y métricas gobernadas con exploración interactiva. Su licencia establece MIT para el núcleo y términos separados para un directorio enterprise.
Cambia una métrica y un join mientras los dashboards los referencian. Comprueba revisión, vista previa y reversión en el despliegue real. Valida integración dbt y adaptadores sin asumir que toda función del producto alojado se incluye en el núcleo.
Evidence — revisar el artefacto de datos publicado
Evidence Core construye aplicaciones de datos con SQL y Markdown. El framework MIT y Studio alojado tienen alcances distintos; la documentación identifica funciones exclusivas de Studio.
Inspecciona el artefacto generado y las peticiones del navegador con una cuenta de lector. Ocultar un gráfico o enlace no elimina sus datos. Prueba actualizaciones, fallos de publicación y recuperación del informe anterior. Verifica que la documentación corresponde a la generación elegida.
Redash — operar la ejecución de consultas
El proyecto autoalojado ofrece consultas guardadas, visualizaciones y dashboards. La documentación separa recorridos de usuario y operación de una instalación propia.
Prueba consultas largas, una fuente no disponible y una credencial vencida. Comprueba qué resultados sobreviven en caché y quién puede exportarlos. Incluye base de la aplicación, cola y workers en el presupuesto.
Dónde encajan Cube y Grafana
Cube 1.8.6 es una capa semántica para exponer datos modelados mediante APIs y SQL. Sus licencias de código combinan Apache-2.0 y MIT según el paquete. Puede respaldar una aplicación analítica; su entrega difiere de una interfaz BI de autoservicio completa.
Grafana pertenece principalmente a la comparativa de observabilidad. Puede consultar fuentes SQL, pero investigar incidentes, visualizar series temporales y gobernar métricas de negocio son escenarios de evaluación diferentes.
Candidatos a seguir
Rill (Apache-2.0; 0.90.5, publicada el 2026-10-09) define dashboards, una capa semántica y políticas de seguridad como YAML y SQL, y consulta motores OLAP como ClickHouse y DuckDB. Aún no tiene calificación: no he revisado qué incluye la edición open source frente a Rill Cloud con los criterios de arriba.
Una prueba que pueda cambiar la decisión
Usa un modelo de ingresos, dos tenants y una pregunta de negocio representativa.
- Corrección: reconcilia totales, zonas horarias, nulos, filtros y multiplicación de filas por joins con una consulta de referencia.
- Autorización: verifica dashboards, consultas directas, exportaciones, cachés y vistas integradas después de revocar permisos de un usuario.
- Usabilidad: observa a los usuarios previstos responder la pregunta; registra errores y ayuda requerida, además del tiempo empleado.
- Recuperación: restaura metadatos, identidades, conexiones e informes; comprueba que las entregas programadas llegan a la audiencia correcta.
- Costo: mide trabajo en la base origen, frecuencia de actualización, almacenamiento en caché y operación con concurrencia representativa.
Completa el recorrido de los datos
La transformación define modelos confiables; los motores OLAP ejecutan consultas. El formato de tabla gobierna el estado del lakehouse, y la observabilidad ayuda a detectar informes desactualizados y fallos. Empieza con la combinación mínima que necesita el lector.