Мы регулярно получаем вопрос «какой BI-инструмент выбрать для компании в Казахстане». Универсального ответа нет — выбор зависит от размера компании, навыков команды, требований к локализации данных и бюджета. Но за восемь лет работы у нас сложилось понимание, какие платформы реально живы на казахстанском рынке, какие — затухают, и какие активно растут. Делимся наблюдениями.
Группа первая: коммерческие платформы корпоративного уровня
Это Power BI, Tableau, Qlik Sense. В Казахстане наиболее распространён Power BI — за счёт интеграции с Microsoft-экосистемой, которая у крупных компаний уже стоит. Tableau встречается реже, обычно у компаний с иностранным акционером или западной материнской структурой. Qlik — нишевое решение, часто остаётся «по наследству» от предыдущих проектов.
Сильные стороны: зрелость, функциональность, обучающие материалы, поддержка вендора. Слабые: лицензирование может быть дорогим (особенно когда учитываются Premium-возможности), сложность администрирования, привязка к экосистеме поставщика. Подходит компаниям, у которых есть выделенная BI-команда и бюджет на лицензии.
Группа вторая: open-source платформы
Metabase, Apache Superset, Lightdash. За последние три года их доля в казахстанских проектах выросла особенно заметно. Причины — стоимость лицензий, гибкость в развёртывании on-premise и появление зрелых российских и казахстанских интеграторов.
Metabase — самый простой в освоении. Удобный визуальный конструктор запросов, понятная админка, активное сообщество. Подходит для команд без выделенного BI-разработчика, где аналитики и руководители работают с дашбордами самостоятельно. На производственных средах поддерживает PostgreSQL, MySQL, ClickHouse, BigQuery.
Superset — более «инженерная» платформа. Шире возможности кастомизации, но требует больше времени на освоение. Хороший выбор, если вы хотите гибкость без переплаты за коммерческие лицензии. В Казахстане встречается у технологических компаний и крупных производственных предприятий.
Lightdash — относительно новый игрок. Тесно интегрирован с dbt: метрики описываются в коде, что особенно ценно для команд с инженерной культурой. Из недостатков — экосистема пока меньше, материалов на русском пока недостаточно.
«В 2022 году open-source BI занимал у наших клиентов 25% портфеля. В 2025 — уже 58%. Это не разовый тренд, это устойчивая динамика».
Группа третья: облачные решения
Looker, Looker Studio (бывший Data Studio), Mode, Hex. В Казахстане распространены меньше, чем коммерческие и open-source, из-за вопросов локализации данных. Финансовый сектор и государственные предприятия часто не могут хранить данные за пределами Казахстана, а развернуть Looker on-premise крайне сложно и дорого.
Для не-регулируемых секторов (e-commerce, маркетинговые агентства, медиа) облачные решения остаются интересным вариантом — за счёт минимального порога входа и быстрого старта. Looker Studio, в частности, удобен для отчётности по веб-аналитике и маркетинговым кампаниям.
Что и под кого подходит
Для торговой сети на 20–80 точек с командой из 1–2 аналитиков — обычно рекомендуем Metabase + ClickHouse или PostgreSQL. Простой стек, который команда сможет поддерживать сама, без привлечения дорогих внешних специалистов.
Для производственного предприятия с потребностью в operational dashboards и анализом качества — Superset с инфраструктурой на ClickHouse. Высокая нагрузка, гибкость кастомизации, on-premise.
Для финансовой организации с требованиями к комплаенсу — Power BI (если уже стоит Microsoft) или Superset с PostgreSQL on-premise. Важна возможность аудита всех действий и точная управляемость доступом.
Для технологического стартапа с быстрым ростом — Metabase или Lightdash + современный стек (Snowflake/BigQuery с правильно настроенной локализацией или ClickHouse). Скорость итераций важнее «корпоративных» функций.
На что обратить внимание помимо инструмента
Самая частая ошибка — фокусироваться на BI-инструменте и забывать про слой моделирования данных и хранилище. По нашему опыту, разница между «работает хорошо» и «работает плохо» в 70% случаев определяется не выбором BI-платформы, а тем, как устроены данные под ней. Если хранилище неструктурировано, моделирование отсутствует, метрики не имеют единых определений — даже Tableau не поможет.
Поэтому в наших проектах внедрение BI-инструмента — это всегда последний шаг, а не первый. Сначала мы разворачиваем DWH, настраиваем слой моделирования (обычно через dbt), проектируем метрики с владельцами, и только потом подключаем визуальный инструмент. В этом порядке риск «дорогого красивого дашборда, которым никто не пользуется» снижается на порядок.
Что меняется на рынке в 2026
Несколько устойчивых трендов. Первый — рост open-source доли, мы видим это и у себя в портфеле, и в опросах коллег. Второй — увеличение интереса к «дашбордам как код»: когда определения метрик и дашбордов хранятся в репозиториях git и проходят через ревью наравне с кодом приложений. Третий — повышенный спрос на on-premise решения в связи с регуляторными требованиями к локализации данных. Четвёртый — постепенный отказ от «универсальных корпоративных платформ» в пользу композиции из нескольких специализированных инструментов.
Если суммировать: выбирайте инструмент под навыки своей команды и требования к локализации данных, а не под маркетинговые материалы вендора. И помните, что инструмент — это последнее звено цепи; первые звенья — хранилище, моделирование и понятная архитектура метрик. Без них любой BI-инструмент будет давать одинаково посредственный результат.
Полностью согласен про Lightdash — у нас как раз dbt-команда, и работа с метриками в коде сильно упростилась.
Спасибо за честный взгляд на Tableau. У нас тоже остаётся «по наследству», но активно мигрируем на Superset.
Хороший пункт про порядок шагов. У нас была история, когда руководство купило Power BI, развернули — а данные сводить не из чего. Пришлось остановиться и сначала делать DWH.