Data Panda brengt de data uit je CRM, ERP, webshop en boekhouding samen in een warehouse en voedt Superset vanuit één gecureerde laag. SQL Lab, virtuele datasets en de chart-bibliotheek lezen dezelfde definities, en je self-hosted instantie wordt geen museum van losse koppelingen meer.
Apache Superset is in 2015 ontstaan als hackathon-project bij Airbnb door Maxime Beauchemin, toen nog onder de naam Caravel. Het project ging in 2017 naar de Apache Software Foundation als incubator-project en kreeg in 2021 de status van top-level Apache-project. Het draait onder Apache 2.0, host je zelf op je eigen infrastructuur, en koppelt aan 70+ SQL-databanken zoals Snowflake, BigQuery, Redshift, Postgres, MySQL, ClickHouse en DuckDB. De commerciële variant is Preset, het bedrijf van Beauchemin, dat een beheerde Cloud-editie aanbiedt en het merendeel van de commits naar het open-source-project terug levert.
De aantrekkingskracht in BE/NL is eenvoudig: een chart-bibliotheek, een SQL Lab-editor, dashboards en een virtual-dataset-model, zonder een Tableau- of Power BI-rekening per seat. Data-engineering-teams kiezen ervoor omdat het dataset-model gewoon SQL en YAML is, geen LookML of DAX, en omdat elke chart ook als bewaarde query kan vertrekken. De val, in de KMO-uitrollen die we zien, is dezelfde als bij elk BI-tool: gericht op drie operationele databanken in plaats van één gecureerd warehouse, vermenigvuldigen de SQL Lab-queries, stapelen de virtuele datasets zich op, en gaan de dashboards elkaar tegenspreken. Wij voeden Superset vanuit één warehouse, zodat het dataset-model klein blijft, de cache-hits landen waar het hoort, en de upgrade-flow beheersbaar blijft.
Superset-datasets en charts lezen op een gecureerd warehouse-model met één definitie per metric.
Superset leest het warehouse op een gekende cadans in plaats van live op ERP en CRM te bevragen.
De chart-explorer van Superset en de AI-functies van Preset antwoorden vanuit warehouse-views, niet vanuit ruwe tabellen.
Superset embedded dashboards tonen klant-views op dezelfde warehouse-data die je team gebruikt.
Een lijst van concrete rapporten, automatisaties en AI-toepassingen die we op Apache Superset-data hebben gebouwd. Kies er een die bij je situatie past.
Hoeveel van onze Superset virtuele datasets rekenen omzet anders uit?
Loop de dataset-lijst af tegen één gedeelde warehouse-view en de duplicaten komen snel boven. Een self-hosted Superset die langer dan twee jaar draait, draagt meestal drie of vier versies van omzet: een virtuele dataset op de CRM-extract, een op het billing-tool, een op een SQL Lab-snippet die iemand als chart heeft bewaard. Die afpunten op één warehouse-view maakt van het volgende stuurcomité een gesprek over de zaak, niet over wiens dashboard juist is.
Waarom draait onze Superset nog op een versie van een jaar geleden?
Self-hosted Superset upgraden vraagt Python-, Celery-, Redis- en database-migratie-discipline die niemand op het team van A tot Z opneemt. De meeste BE/NL self-hosted instanties die we zien, lopen een of twee minor versies achter op de Apache-releaselijn. Ofwel zet je een upgrade-cadans op de warehouse-gevoede opzet, ofwel ga je naar Preset Cloud en laat je hen de upgrade- en patch-achterstand dragen. De dataset-laag blijft hetzelfde op beide paden.
Moeten we van self-hosted Superset naar Preset Cloud?
Preset Cloud neemt de upgrades, het schalen en het Celery-worker-babysitten uit handen, wat de meest voorkomende reden is dat self-hosted instanties stilvallen. Beide paden werken op een warehouse-gevoede opzet, want de dataset-laag staat los van waar Superset zelf draait. De keuze wordt waar je operations-tijd in wil steken, niet waar je data zit.
Finance krijgt een Superset-dashboardpack waar omzet, debiteuren en marge teruggaan op de boekhouding in plaats van zichzelf per virtuele dataset opnieuw uit te vinden. Maandafsluit is geen drie mensen meer die charts vergelijken, en de CFO kan inschrijven op een overzicht dat al klopt.
Sales ziet pipeline, gebruik en hernieuwingsrisico in één Superset-dashboard, met dezelfde klantmaster die finance en CS lezen. Forecast-meetings zijn geen discussie meer over wiens SQL Lab-query de juiste is, en dezelfde cijfers gaan naar het QBR-pack.
Operations en product-leads krijgen warehouse-gevoede dashboards op de open-source BI die het data-team toch al draait. De productiedatabank is niet meer de plek waar analisten zware SQL op draaien, en virtuele datasets blijven niet vermenigvuldigen omdat de gecureerde laag de gewone vragen al beantwoordt.
Je houdt de rapporteringstool die je al hebt. Wij koppelen hem aan het warehouse waar je Apache Superset-data staat.
OAuth-authenticatie. Standaard read-only. Wij tekenen een DPA en je admin houdt de sleutels.
Data stroomt naar je warehouse op het schema dat jij kiest. Bijna real-time of 's nachts, aan jou. Jij bent eigenaar.
We bouwen het eerste dashboard, de eerste workflow of AI-toepassing samen met jou, en geven de sleutels over. Of we blijven erbij voor doorlopende levering.
Wij zetten de basis op. Jouw team bouwt erop verder.
Beste match Teams die al een BI-analist of data engineer in huis hebben en zelf willen bouwen.
Wij bouwen het geheel, van A tot Z.
Beste match Teams zonder BI- of dev-capaciteit in huis. Jij zegt wat je nodig hebt en wij leveren het.
Jij. Ze komt in jouw warehouse terecht, op jouw cloud-account. Wij verkopen ze niet door en aggregeren ze niet. Stop je met ons, dan blijft het warehouse van jou en blijft het draaien.
Bijna real-time voor de meeste operationele systemen. Voor zwaardere bronnen plannen we per uur of per nacht. Je kiest op basis van wat de rapporten nodig hebben.
Nee. Heb je er geen, dan helpen we je er een kiezen en zetten we het op als deel van de eerste levering. Gangbare startpunten zijn Snowflake, Microsoft Fabric of een kleine Postgres-start.
Beide paden werken. Het warehouse is de bron van waarheid en Superset leest het via een gewone SQLAlchemy-verbinding. Self-hosted Apache Superset onder Apache 2.0 regelt veel gratis, Preset Cloud neemt de upgrade-, schaling- en Celery-worker-inspanning uit handen, en de enterprise-tiers van Preset voegen SSO, governance en embedded analytics toe als je die nodig hebt. De dataset-laag blijft dezelfde, ongeacht waar Superset zelf draait.
Start bij de eigen gebruikslogs van Superset om te zien welke datasets, charts en queries effectief geopend worden, en leg de overblijvers naast het warehouse-model. De duplicaten vallen samen tot één warehouse-view per metric, de stille gaan naar een archiefmap, en nieuwe vragen landen op de gecureerde laag in plaats van als nieuwe virtuele datasets op de CRM-extract.
Ja. Superset ondersteunt embedded dashboards via de embedded SDK, en Preset Cloud verpakt dat als beheerde functie met row-level security. Eén gecureerd warehouse kan zowel de interne Superset van je team als de klantgerichte dashboards in je product voeden, met tenant-filtering in de warehouse-view in plaats van in elke chart-definitie.
We bekijken je Apache Superset-opzet en de systemen eromheen. Samen kiezen we wat we als eerste bouwen.