Power BI vs Tableau vs Looker: confronto per PMI italiane nel 2022

All’inizio del 2022 la business intelligence non e’ piu’ un tema da grandi corporate: anche le PMI italiane hanno scoperto che dashboarding e self-service analytics sono leve concrete per ridurre tempo nelle riunioni, intercettare anomalie nei dati di vendita e dare ai responsabili di funzione una vista comune della performance. Il mercato si e’ consolidato intorno a tre nomi che dominano qualsiasi shortlist seria: Microsoft Power BI, Tableau (acquisita da Salesforce nel 2019) e Looker (entrata nell’orbita Google Cloud sempre nel 2019). Sono tutti e tre solidi, ma rispondono a domande diverse, costano in modo molto diverso e impongono curve di apprendimento differenti.

Questa guida e’ pensata per imprenditori, IT manager e responsabili dati di aziende italiane tra i 10 e i 250 dipendenti che stanno valutando il primo strumento BI strutturato o vogliono sostituire un mix di Excel e report statici. L’obiettivo non e’ eleggere un vincitore assoluto, ma fornire un confronto onesto su architettura, prezzi reali, performance, governance e total cost of ownership a tre anni. Vedremo perche’ nella maggioranza dei casi italiani la risposta convergente e’ Power BI, in quali contesti Tableau resta giustificato e quando un investimento su Looker ha senso.

Come abbiamo strutturato il confronto

I tre tool vengono spesso messi in concorrenza diretta, ma non sono prodotti omogenei. Power BI e’ una suite Microsoft che parte da Desktop gratuito e arriva a Premium per capacita’ dedicata. Tableau e’ una piattaforma di visualizzazione con prodotti separati (Desktop, Server, Online, Public, Prep) tipicamente venduti per utente. Looker e’ una piattaforma di modeling e delivery basata sul linguaggio LookML, pensata per team con un data warehouse cloud (BigQuery, Snowflake, Redshift, Synapse) gia’ in produzione.

Per ogni strumento valutiamo otto dimensioni: architettura tecnica, modello di pricing reale per PMI italiana, qualita’ della visualizzazione, capacita’ di modellazione semantica, governance e row-level security, performance su dataset crescenti, ecosistema connettori e community, capacita’ di embedding in applicazioni custom. Chiudiamo con un calcolo di TCO a 36 mesi per uno scenario tipico di 20 utenti e una raccomandazione per use case concreti.

Power BI deep-dive: il leader di mercato per le PMI

L’architettura di Power BI poggia su tre componenti principali. Power BI Desktop e’ l’applicazione Windows gratuita usata per progettare report, costruire il data model e scrivere formule DAX. Power BI Service e’ il SaaS cloud (basato su Azure) dove i report vengono pubblicati, schedulati, condivisi e consumati via browser o app mobile. Power BI Report Server e’ l’opzione on-premise per chi non puo’ uscire dal proprio data center, inclusa nel piano Premium. A questi si aggiungono Power BI Embedded per integrare report dentro applicazioni SaaS e i Dataflows per pipeline ETL low-code basate su Power Query.

La forza di Power BI sta nel linguaggio DAX, evoluzione delle formule Excel pensata per modelli tabulari. La curva di apprendimento e’ reale (concetti come row context, filter context, CALCULATE richiedono studio), ma chi padroneggia DAX puo’ costruire misure di business sofisticate come time intelligence, year-over-year, running totals, parent-child senza una sola riga di SQL. Il secondo linguaggio, M (usato in Power Query), gestisce trasformazione e ingestione dati con un approccio funzionale ma di nuovo low-code per i passaggi comuni.

Sul fronte pricing, Power BI parte gratis con Desktop per autore singolo. La condivisione richiede Power BI Pro a 9,99 $/utente/mese, prezzo che resta il benchmark di mercato dal 2017 e che nessun competitor riesce ad avvicinare. Per organizzazioni con oltre 200-500 consumer, Power BI Premium per capacita’ dedicata parte da circa 4.995 $/mese e permette ai consumatori di vedere i report senza licenza individuale: il punto di pareggio matematico e’ intorno ai 500 utenti consumer. Per PMI italiane fino a 50-100 utenti la formula Pro per utente e’ praticamente sempre l’opzione corretta.

L’integrazione con l’ecosistema Microsoft e’ il vero moltiplicatore: connessione nativa a Excel, SharePoint, Dynamics 365, Azure SQL, Azure Synapse, Dataverse; embed in Teams come scheda di canale; collaborazione su workspace condivisi con permessi gestiti da Azure AD; export PDF/PowerPoint nativo per chi ancora vive di slide nelle board meeting. Per un’azienda gia’ su Microsoft 365, Power BI Pro e’ spesso vendibile internamente quasi senza obiezioni, perche’ non aggiunge un nuovo silo identitario, non richiede un altro SSO, non duplica i ruoli IT.

Tableau deep-dive: visualizzazione di livello consulenziale

Tableau e’ nato in ambito accademico e ha mantenuto un’identita’ precisa: prima di tutto un motore di visualizzazione. La sua VizQL traduce i drag-and-drop dell’utente in query ottimizzate e in geometrie grafiche con un livello di cura estetica che, ancora oggi nel 2022, resta superiore alla media. Quando un dashboard Tableau e’ progettato bene, comunica in modo immediato; quando un dashboard Tableau e’ progettato male, lo capisci comunque dopo cinque secondi, mentre con altri tool spesso il problema e’ nascosto dietro layout ingombranti.

L’architettura prevede Tableau Desktop per gli autori, Tableau Server (on-premise o self-hosted in cloud privato) o Tableau Online (SaaS gestito da Salesforce) per la distribuzione, Tableau Prep Builder per la preparazione dati con interfaccia visuale e Tableau Public, la versione gratuita ma con tutti i contenuti pubblici, ottima per imparare ma inadatta a dati aziendali. Dopo l’acquisizione da parte di Salesforce nel 2019, l’integrazione con la suite CRM si e’ irrobustita, in particolare per chi usa Sales Cloud o Service Cloud come fonte dati principale.

Il punto di attrito storico e’ il prezzo. Una licenza Tableau Creator costa circa 70 $/utente/mese (oltre 800 $ annui), una Explorer 35 $ e una Viewer 12 $. Per una PMI da 20 dipendenti con 3 autori e 17 consumer si arriva facilmente a 700-800 $/mese di sola licenza, contro i circa 200 $/mese che pagherebbe la stessa azienda con Power BI Pro per tutti. Il differenziale di costo annuo e’ nell’ordine dei 6.000-7.000 euro, una cifra che per un’azienda italiana media non e’ marginale e richiede una giustificazione di valore concreta.

Tableau vince quando la visualizzazione e’ parte del prodotto: agenzie di consulenza che consegnano dashboard ai clienti, dipartimenti marketing che presentano risultati di campagne complesse, organizzazioni dove il dashboard e’ strumento narrativo e non solo reportistico. Vince anche per analisi geospaziale (mapping integrato di alto livello) e per scenari di esplorazione libera del dato, dove la velocita’ di iterazione visiva e’ superiore a qualsiasi competitor.

Looker deep-dive: il semantic layer per data team modern

Looker non e’ uno strumento di self-service nello stesso senso degli altri due. E’ una piattaforma costruita intorno al concetto di semantic layer centralizzato, descritto in LookML, un linguaggio dichiarativo che mappa tabelle, join, dimensioni e misure in un modello unico. Tutti gli utenti finali navigano i dati attraverso questo modello, senza poter aggirare le definizioni: una metrica come “ricavo netto” e’ definita una volta in LookML e ovunque appaia ha la stessa formula.

Questa scelta architetturale ha conseguenze profonde. Da un lato Looker richiede che esista gia’ un data warehouse cloud performante: BigQuery, Snowflake, Redshift, Azure Synapse, Databricks. Looker non importa i dati, li interroga in tempo reale generando SQL ottimizzato. Dall’altro lato impone disciplina: il modello LookML va versionato in Git, revisionato in pull request, deployato con processi DevOps. Concetti come persistent derived tables (PDT) permettono di materializzare query complesse a intervalli configurabili per performance.

Il pricing Looker e’ opaco e si negozia. Le PMI tipicamente trovano quotazioni che partono da 5.000 $/mese per pacchetti entry-level con limiti su utenti e query, salgono velocemente verso 15.000-30.000 $/mese per implementazioni serie. E’ uno strumento enterprise-priced che ha senso quando esiste un data team di almeno 2-3 persone (data engineer + analytics engineer + analyst), una pipeline ELT su dbt e Fivetran, e un’esigenza di governance forte. Per PMI italiane sotto i 50 dipendenti, Looker e’ quasi sempre overkill.

Il caso d’uso ideale e’ la scale-up tech in crescita rapida che vuole evitare la proliferazione di metriche inconsistenti tra reparti. In quel contesto, LookML diventa il contratto centrale: marketing, prodotto, finance leggono dati definiti una sola volta. La community Looker e’ piu’ piccola di quelle Power BI o Tableau ma piu’ tecnica: data engineer e analytics engineer la frequentano per blocchi LookML riusabili e best practice di modellazione.

Connettori dati e ingestione

Power BI offre il catalogo connettori piu’ ampio: oltre 150 nativi che spaziano da Excel, SQL Server, Oracle, SAP HANA, PostgreSQL fino a Salesforce, HubSpot, GA4, Facebook Ads. Power Query (motore M) standardizza l’esperienza, e i Dataflows centralizzano la logica ETL in cloud.

Tableau ha circa 80 connettori nativi e si appoggia a Tableau Prep per trasformazioni articolate. Il punto di forza e’ l’hyper extract, formato colonnare proprietario che permette di lavorare su dataset di centinaia di milioni di righe con ottime performance.

Looker si basa su connessioni dirette al data warehouse via SQL: la qualita’ del modello dipende dallo schema sottostante. Le organizzazioni che adottano Looker abbinano tipicamente Fivetran per l’ingestione, dbt per la trasformazione e Looker per la presentazione. Questo “modern data stack” e’ standard de facto nelle scale-up americane nel 2021 e arriva in Italia tramite aziende con DNA tech.

Governance, row-level security e collaborazione

La governance e’ il punto in cui le differenze diventano operative. Power BI implementa row-level security (RLS) tramite ruoli definiti nel modello dati e filtri DAX. E’ efficace ma richiede che chi modella sappia cosa sta facendo: una formula RLS scritta male puo’ esporre dati a utenti sbagliati. Power BI Premium aggiunge endorsement di dataset e workspace, certificazione “Promoted” o “Certified” che segnala agli utenti finali la fonte affidabile.

Tableau gestisce RLS attraverso user filters applicati a livello di data source e supporta gerarchie di permessi su progetti, workbook e singole viste. L’integrazione con SAML e con Active Directory e’ matura. Il limite e’ che la logica di sicurezza non e’ centralizzata: ogni data source puo’ avere le sue regole, e in implementazioni grandi diventa difficile auditare chi vede cosa.

Looker e’ qui in vantaggio strutturale: la sicurezza e’ parte di LookML attraverso access_filter e access_grant. Una regola di accesso definita una volta nel modello vale per tutti i Look, Dashboard e Explore che ne discendono. Per organizzazioni con compliance pesanti (sanita’, finance regolamentata, PA italiana) questa centralizzazione e’ un valore reale che giustifica parte del prezzo. Tutti e tre supportano audit log, ma solo Looker porta la governance dentro il linguaggio di modeling.

Performance e dimensione dataset

Power BI Desktop e’ performante fino a dataset di alcuni milioni di righe in memoria, grazie al motore VertiPaq colonnare. Con Power BI Premium si raggiungono i 100 GB di dataset in memoria; oltre serve passare a modalita’ DirectQuery, che pero’ sposta il carico sul database e impone disciplina sul SQL generato. Le PMI italiane raramente toccano questi limiti: la maggioranza dei modelli sta sotto i 500 MB.

Tableau eccelle sui dataset grandi grazie agli Hyper extract: in benchmark indipendenti del 2021 Hyper risulta tra i formati colonnari piu’ veloci per workload analitici. Per dataset live oltre i 100 milioni di righe, Tableau resta spesso piu’ fluido di Power BI in modalita’ DirectQuery.

Looker ha performance proporzionali al data warehouse sottostante: su BigQuery o Snowflake ben dimensionati gestisce facilmente miliardi di righe. La leva e’ tutta nel PDT, persistent derived table, che materializza query complesse e le aggiorna su trigger o schedule. Per dataset enormi e query ricorrenti, l’architettura Looker e’ la piu’ scalabile dei tre.

Ecosistema, community e formazione

Power BI ha la community piu’ vasta. Forum ufficiale, Microsoft Learn gratuito, conferenze come PASS Summit, user group locali (Power BI Italia) e una rete consolidata di partner Microsoft forniscono materiale infinito. Trovare un consulente Power BI freelance a Milano, Roma, Torino o Bologna nel 2022 e’ facile, con tariffe giornaliere tra 500 e 900 euro.

Tableau ha una community storicamente vivace, in particolare su Tableau Public dove autori indipendenti pubblicano viz di livello altissimo. I Tableau User Group e il programma Tableau Visionary mantengono alta la qualita’ del contenuto. In Italia la community e’ piu’ piccola ma attiva nei settori marketing e consulting.

Looker ha una community di nicchia ma piu’ tecnica. Il Looker Community forum gestito da Google e i Looker Blocks riusabili per e-commerce, marketing e finance sono il riferimento. In Italia il talent pool LookML e’ limitato: trovare un analytics engineer esperto richiede ricerca attiva o formazione interna.

Embed in applicazioni custom

Tutti e tre supportano embedding con approcci diversi. Power BI Embedded e’ un servizio Azure per integrare report in SaaS multi-tenant con pricing a capacita’ (A SKU on-demand o EM SKU per ISV); e’ la scelta piu’ costo-efficiente per offrire BI come parte del proprio prodotto, ma richiede competenze Azure.

Tableau offre Embedded Analytics e una JavaScript API matura per controllare filtri e interazioni dal codice host. Il limite resta il pricing: anche in embedding la licenza per utente finale e’ cara e i contratti ISV vanno negoziati con Salesforce.

Looker espone dashboard tramite iframe embed con SSO firmato e una API REST completa. La forza e’ la coerenza semantica: chi consuma i dati embedded vede la stessa metrica degli utenti interni. Per SaaS B2B e’ tecnicamente eccellente ma il costo iniziale e’ alto.

TCO a 36 mesi: scenario PMI italiana con 20 utenti

Calcoliamo il total cost of ownership su tre anni per una PMI italiana con 5 autori e 15 consumer, dataset di circa 50 GB cumulati, data sources Excel + SQL Server + Google Analytics + HubSpot. Stima realistica, esclusi setup e formazione iniziale.

Power BI Pro per 20 utenti: 20 x 9,99 $ x 36 = circa 7.193 $ totali, ~6.300 euro al cambio medio 2022. Aggiungiamo una capacita’ Premium per dataset grandi solo se necessaria; nella maggioranza dei casi non serve. Totale stimato: 6.500-8.000 euro su 36 mesi.

Tableau Creator + Explorer + Viewer: 5 Creator x 70 $ + 7 Explorer x 35 $ + 8 Viewer x 12 $ = 691 $/mese x 36 = circa 24.876 $, ~22.000 euro. Totale stimato: 22.000-25.000 euro su 36 mesi.

Looker (pacchetto entry-level negoziato): 5.000 $/mese x 36 = 180.000 $, ~158.000 euro, a cui aggiungere costo del data warehouse cloud (BigQuery o Snowflake) per 30.000-60.000 euro/anno. Totale stimato: 250.000-330.000 euro su 36 mesi.

La differenza di un ordine di grandezza tra Power BI e Looker non e’ un errore di calcolo: e’ la realta’ del posizionamento. Looker non e’ progettato per essere il primo tool BI di una PMI; e’ progettato per essere il sistema centrale di delivery dati di organizzazioni che hanno gia’ team e infrastruttura per giustificarlo.

Raccomandazione per use case

Per un e-commerce PMI italiano con 30 dipendenti, fatturato 2-10 milioni e Microsoft 365: Power BI Pro e’ la scelta corretta nel 99% dei casi. Connettori nativi a Shopify, GA4, Facebook Ads, Klaviyo; dashboard vendite, cohort retention e attribution multitouch base sono realizzabili in 2-3 settimane con un consulente esperto.

Per un’agenzia marketing che vende report ai clienti finali e fa della qualita’ visiva un differenziatore: Tableau Creator per gli account senior e Tableau Server o Online per la distribuzione. Il costo extra viene assorbito dal pricing dei contratti clienti.

Per una scale-up tech seed-Series B con 80-150 dipendenti, data team formato e data warehouse Snowflake o BigQuery in produzione: Looker e’ strutturalmente la scelta piu’ solida nonostante il prezzo. Il payback arriva dalla riduzione del “dato discusso” in leadership e dalla velocita’ di onboarding di nuovi analyst su un semantic layer pulito.

Per PA italiana e sanita’ regolamentata con vincoli di residency e audit pesanti: Power BI con Report Server on-premise (incluso in Premium) o Tableau Server on-prem sono le sole opzioni concrete; Looker e’ SaaS only e questo lo esclude da molti capitolati pubblici che richiedono dati su suolo nazionale.

Errori comuni di implementazione

Il primo errore e’ scegliere il tool prima delle domande di business. Una PMI che acquista 30 licenze senza prima definire 5-7 KPI core finisce con 30 dashboard scollegati che nessuno guarda. La scelta tecnologica viene dopo le metriche north star e gli owner.

Il secondo errore e’ sottostimare il modello dati. Tutti e tre i tool sono ottimi su dati puliti e falliscono quando devono fare il lavoro che doveva avvenire a monte. Una staging area SQL Server o uno schema dbt minimale rende qualsiasi tool BI 5 volte piu’ produttivo.

Il terzo errore e’ confondere “dashboard belli” con “decisioni migliori”. Una dashboard che non viene aperta e’ un costo. La metrica di successo non e’ il numero di report pubblicati ma il numero di decisioni operative tracciabili a un dashboard.

Il quarto errore e’ ignorare la governance fin dall’inizio. Definire dal giorno uno nomi di metrica, ownership e criteri di certificazione costa qualche ora; rimediare a sei mesi di metriche inconsistenti costa settimane e perdita di fiducia interna.

Roadmap di rollout in 90 giorni

Giorni 1-15: discovery e metric definition. Workshop con stakeholder per 5-8 KPI core, formule, owner, refresh atteso. Mappare data source e gap. Output: metric catalog versionato.

Giorni 16-30: prototipo tecnico. Primo modello dati con 2-3 fonti, dashboard “leadership overview” coi KPI core. Validazione numerica contro report esistenti. Output: una dashboard live che la leadership apre.

Giorni 31-60: estensione e self-service. Aggiunta di 3-5 dashboard tematici (vendite, marketing, operations, finance) con drill-down. Formazione di 4-6 power user interni come referenti di reparto.

Giorni 61-90: governance e adoption. RLS dove necessario, certificazione dataset, monitoring utilizzi, retrospettiva e piano di estensione anno 2. A 90 giorni il sistema deve girare senza supporto esterno per le attivita’ ricorrenti.

Come scegliere in 5 passi

1. Mappare ecosistema esistente: Microsoft 365 punta a Power BI; Salesforce Sales/Service Cloud avvicina Tableau; data warehouse cloud + data team interno fa pensare a Looker.
2. Stimare numero di autori e consumer a 24 mesi per dimensionare il modello di pricing reale, non quello del primo mese.
3. Verificare connettori critici: la sorgente dati piu’ importante (ERP italiano, CRM, e-commerce) deve avere un connettore nativo o REST API stabile.
4. Quantificare il budget formazione e consulenza nei primi 6 mesi, tipicamente 2-3 volte il costo licenze.
5. Prototipare su un caso d’uso reale prima di firmare contratti pluriennali: tutti e tre offrono trial o piani gratuiti utili per validare.

Domande frequenti

Power BI Free e’ sufficiente per una piccola azienda?

Solo se l’azienda ha un singolo utilizzatore che produce e consuma i propri report. Appena serve condividere dashboard con colleghi e’ necessaria una licenza Pro per chi pubblica e per chi consuma, oppure una capacita’ Premium. Per qualsiasi uso aziendale reale, Power BI Pro a 9,99 $/utente e’ il punto di partenza.

Tableau Public puo’ essere usato in azienda?

No, perche’ qualsiasi contenuto pubblicato su Tableau Public e’ visibile online a chiunque. E’ uno strumento eccellente per imparare, costruire un portfolio personale o pubblicare data journalism, ma non e’ utilizzabile con dati aziendali riservati. Per uso interno servono Tableau Server o Tableau Online.

Looker richiede sempre un data warehouse cloud?

In pratica si’. Looker supporta tecnicamente alcuni database OLTP, ma e’ pensato per data warehouse colonnari (BigQuery, Snowflake, Redshift, Synapse). Senza un DWH ben dimensionato, le performance crollano e l’investimento Looker non si giustifica.

Posso migrare da Power BI a Tableau o viceversa?

Si’, ma e’ un progetto serio: modelli dati, formule (DAX vs calculated fields), dashboard e workspace vanno ricostruiti. Esistono tool di conversione ma la migrazione manuale resta lo standard. Pianificare bene la scelta iniziale risparmia mesi di lavoro futuro.

Quanto tempo serve per formare un utente da zero?

Per produrre dashboard semplici, una settimana di training strutturato e’ sufficiente sia su Power BI sia su Tableau. Per padroneggiare DAX o LOD expressions Tableau servono 3-6 mesi di pratica continua. LookML richiede competenze SQL solide piu’ 1-2 mesi per essere produttivi sul modello esistente.

Power BI funziona su Mac?

Power BI Desktop e’ Windows only, ma Power BI Service e’ fruibile via browser anche da macOS e Linux per consumare report. Gli autori su Mac usano Parallels o un PC Windows dedicato all’editing.

Esistono alternative open source serie nel 2022?

Si’. Metabase e’ la piu’ user-friendly per piccoli team, gratuita self-hosted; Apache Superset e’ piu’ tecnica ma potente; Redash resta valida per analisti SQL puri. Opzioni concrete per PMI con budget stringenti o esigenze di sovranita’ del dato.