Welke ETL-tools zijn er voor het mkb?
ETL staat voor ophalen, bewerken en wegschrijven. Wat dat precies inhoudt, lees je in wat is een datapipeline (ETL). Dit artikel gaat over de volgende vraag: waarmee doe je het?
Voor een mkb-bedrijf dat met Power BI werkt, zijn er in de praktijk drie routes:
- Power Query. De bewerkingsstap die al in Power BI Desktop en Excel zit. Je haalt gegevens op, bewerkt ze met een reeks stappen en laadt ze in je rapport of werkblad.
- Make.com. Een automatiseringsplatform dat op een vast moment gegevens ophaalt en record voor record verwerkt. Het is gemaakt voor processen, maar je kunt er ook gegevens mee in een database zetten.
- Een eigen pipeline. Een script of een dataplatform zoals Data Factory dat gegevens in bulk ophaalt en wegschrijft naar een centrale database. Power BI leest daarna uit die database.
Wanneer is Power Query genoeg als ETL-tool?
Power Query is vaak een prima begin. Je hebt niets extra's nodig, de stappen zijn goed te volgen en voor veel pakketten is er een connector of API die je kunt aanroepen. Gaat het om één of twee rapporten op een paar bronnen, dan is dit meestal de juiste keuze.
Je moet wel weten waar de grenzen liggen. Volgens de documentatie van Microsoft (peildatum 5 november 2026) gelden met een Pro-licentie deze limieten:
- Maximaal acht geplande verversingen per dag per semantisch model. Bij Premium per gebruiker of een Fabric-capaciteit zijn dat er 48.
- Een verversing moet binnen twee uur klaar zijn. Met incrementeel vernieuwen, dat ook met Pro kan, haal je alleen de nieuwste periode opnieuw op. De bron moet dan wel op datum kunnen filteren.
Die limieten zijn zelden het echte probleem. De lastigere grenzen zitten in de opzet:
- Power Query in Power BI Desktop of Excel schrijft niet naar een database. Het resultaat staat in je rapport of werkblad en is daarbuiten niet zomaar te gebruiken.
- Je bouwt geen vanzelfsprekende historie op. Toont je pakket alleen de stand van vandaag, dan zie je na een verversing ook alleen de stand van vandaag.
- De logica zit in het rapport. Bouw je een tweede rapport, dan kopieer je de stappen en heb je twee versies om bij te houden.
Voor dat laatste bestaan dataflows: Power Query online, zodat meerdere rapporten dezelfde bewerkte tabellen kunnen gebruiken. Met een Pro-licentie kun je de oudere variant maken, die Microsoft inmiddels als legacy aanduidt, met minder functies. Dataflow Gen2 kan wel naar een database schrijven, maar vraagt een Fabric- of Premium-capaciteit.
Wanneer is Make.com geschikt als ETL-tool?
Make werkt goed als er per record iets moet gebeuren, of als het om kleine aantallen gaat. Denk aan elke nacht de stand van een paar honderd open kansen vastleggen, een lijstje uit een pakket zonder connector ophalen, of een order doorzetten en tegelijk iemand een taak geven. De bouw is snel, de planning en de foutafhandeling zitten erin, en iemand anders kan het scenario op het scherm volgen.
Het omslagpunt zit in de manier waarop Make rekent. Bij gewone modules kost elke actie een credit, en een module draait voor elk record dat binnenkomt. Hoe je dat uitrekent, staat in Make.com automatisering: wat kost het. Bij rapportagedata tikt dat snel aan, omdat je dan niet tien gebeurtenissen per dag verwerkt, maar duizenden regels per nacht.
Ook dit zijn limieten om vooraf te kennen (peildatum 5 november 2026):
- Looptijd. Volgens het helpcentrum van Make stopt een scenario na 45 minuten, op het gratis plan al na 10 minuten. De resterende records worden dan niet meer verwerkt.
- Dataverkeer. Per 10.000 credits in je plan is 5 GB dataverkeer per maand inbegrepen.
- Opslag. De data stores van Make zijn klein: 10 MB per 10.000 credits. Ze zijn dus geen vervanging voor een database.
Gebruik je Make als ETL-tool, schrijf dan weg naar een echte database, haal alleen op wat veranderd is en zorg voor een melding als een run mislukt. Hoe dat laatste werkt, lees je in Make.com foutafhandeling.
Wanneer heb je een eigen pipeline nodig?
Een eigen pipeline haalt gegevens in bulk op, zet ze in je eigen database en legt de bewerkingen daar vast. Power BI, Excel en automatiseringen lezen vervolgens uit dezelfde tabellen. Dat is meer werk om op te zetten, maar het lost precies de punten op waar Power Query en Make vastlopen: je bouwt historie op, je definities staan op één plek en het aantal records bepaalt niet meer direct je rekening.
Ook hier heb je keuze:
- Een script op een geplande taak. Bijvoorbeeld Python en SQL. Dit geeft de meeste vrijheid, zeker bij pakketten met een eigenzinnige API. Je bent er wel zelf verantwoordelijk voor dat iemand het kan onderhouden, en documentatie en bewaking moet je zelf regelen.
- Azure Data Factory. Een Microsoft-dienst waarin je pipelines samenstelt met kant-en-klare activiteiten. Je betaalt naar gebruik, onder meer per 1.000 runs en voor de tijd die het kopiëren van data kost. Controleer de actuele tarieven in de prijscalculator van Microsoft.
- Data Factory in Microsoft Fabric. Vergelijkbaar, maar het verbruik gaat ten koste van een Fabric-capaciteit. Interessant als je die toch al hebt of de rest van het platform wilt gebruiken.
In alle gevallen heb je een plek nodig waar de gegevens landen. Welke database daarbij past, lees je in een database voor het mkb. Of je dat meteen een datawarehouse moet noemen, staat in datawarehouse voor het mkb: wanneer wel en wanneer niet.
De licentie of de hosting is hier meestal niet de grootste kostenpost. Dat is de tijd voor bouw en beheer: API's veranderen, tokens verlopen en iemand moet weten wat er gebeurt als de pipeline een nacht niet draait.
Hoe kies je tussen Power Query, Make en een eigen pipeline?
Loop deze vijf vragen langs. Eén duidelijk ja bij een van de eerste vier is meestal al reden om een stap verder te kijken.
- Moet je terug in de tijd kunnen kijken? Wil je weten hoe je voorraad, pijplijn of debiteurenstand er een kwartaal geleden uitzag, en bewaart je pakket dat niet? Dan moet je momentopnames vastleggen. Dat kan niet met alleen Power Query. Bij kleine aantallen kan het met Make, daarboven met een eigen pipeline.
- Gebruiken meerdere rapporten of systemen dezelfde data? Bij twee rapporten kun je met een dataflow nog vooruit. Gebruik je dezelfde cijfers ook in automatiseringen of een klantportaal, dan hoort de data in een database.
- Hoeveel records verander je per dag? Reken grofweg met één Make-credit per weggeschreven regel. Bij tienduizenden regels per maand ga je dat merken in je plan. Bij honderdduizenden is een bulkroute vrijwel altijd logischer.
- Moet er iets gebeuren, of alleen iets zichtbaar worden? Moet er een taak, mail of update uit komen, dan past Make. Is het doel alleen een rapport, dan is een workflowtool vaak niet nodig.
- Wie beheert het straks? Een eenvoudige oplossing die jouw collega begrijpt, is beter dan een nette pipeline die niemand durft aan te raken. Heb je niemand in huis, regel het beheer dan voordat je gaat bouwen.
Onze vuistregel: kies de lichtste route die je huidige vraag beantwoordt en verzin geen volumes die je nog niet hebt. Maar begin wel op tijd met historie vastleggen als je die nodig gaat hebben, want die kun je achteraf niet meer ophalen.
Een voorbeeld: drie fases in dezelfde webwinkel
Een fictief, maar herkenbaar voorbeeld. Een webwinkel met twaalf medewerkers gebruikt een webshopplatform en een boekhoudpakket, en de directie wil omzet en marge per productgroep zien.
- Fase 1: Power Query. Eén Power BI-rapport haalt orders en facturen op en ververst vier keer per dag. Dit werkt prima, kost weinig bouwtijd en de directie heeft haar overzicht.
- Fase 2: Make erbij. De inkoper wil de voorraadstand per week terugzien, maar het platform toont alleen de stand van vandaag. Een scenario legt elke nacht ongeveer 400 gewijzigde voorraadregels vast in een kleine database. Dat is grofweg 400 credits per nacht, dus zo'n 12.000 per maand, plus een paar credits voor het ophalen. Dat past nog steeds, al is het al meer dan het kleinste creditpakket van 10.000.
- Fase 3: een eigen pipeline. Er komt een tweede verkoopkanaal bij en het aantal regels loopt op naar 5.000 per nacht. Via Make is dat ongeveer 150.000 credits per maand. De webwinkel stapt voor deze gegevens over op een script dat ze in bulk ophaalt en wegschrijft. Power BI leest voortaan uit de database, en de omzetdefinitie staat daar ook.
Make verdwijnt daarmee niet. Het blijft bijvoorbeeld de melding versturen als een product onder de minimale voorraad zakt. Elke tool doet dan waar hij goed in is.
Hulp bij het kiezen van je ETL-tool
Twijfel je welke route bij jouw situatie past, of loopt je huidige opzet tegen zijn grenzen aan? Het opzetten van pipelines en databases is wat wij onder data engineering verstaan. Welke pakketten we al kunnen ontsluiten, zie je bij onze koppelingen. Voor de processen eromheen kun je kijken bij workflow automation en voor de rapporten erbovenop bij dashboarding.
