Jämförelse av de tre stora dataplattformarna för svenska företag: kostnad, kompetens, Power BI och lock-in.
Välj Microsoft Fabric om ni är ett Microsoft- och Power BI-företag som vill ha en enda SaaS-produkt med kapacitetsbaserad prissättning. Välj Databricks om data engineering, Spark och maskininlärning står i centrum och ni vill kunna köra i flera moln. Välj Snowflake om SQL-analys och datadelning dominerar. Alla tre kan lagra data i öppna tabellformat, så inlåsningen går att hantera.
Plattformarna överlappar mer för varje år och deras marknadsföring låter likadant. De skillnader som spelar roll handlar om hur ni betalar, vilken kompetens teamet behöver, hur väl plattformen fungerar med Power BI och hur svårt det blir att byta senare. Jämförelsen är skriven av Devies, ett produkt- och utvecklingskonsultbolag i Göteborg som bygger och driver dataplattformar. Den är en leverantörsneutral utgångspunkt, inte en ersättning för ett test på era egna data.
Vad skiljer plattformarna åt?
Microsoft Fabric, Databricks och Snowflake lagrar, transformerar och levererar analysdata i molnet, men de kommer från olika håll.
Microsoft Fabric är Microsofts analysplattform som SaaS. Den samlar data engineering, datalager, realtidsanalys, Data Factory-pipelines och Power BI i en produkt som faktureras via en gemensam kapacitet. Varje Fabric-tenant har OneLake, en gemensam datasjö för hela organisationen.
Databricks är en data- och AI-plattform byggd kring Apache Spark och tabellformatet Delta Lake. Den körs på Azure, AWS och Google Cloud och är den plattform som gjorde begreppet lakehouse känt.
Snowflake började som ett SQL-datalager i molnet och har vuxit till data engineering, datadelning och AI-funktioner. Även Snowflake körs på de tre stora molnen.
Ett lakehouse är en arkitektur där data ligger som filer i öppet format i billig objektlagring, samtidigt som ni får datalagrets funktioner som tabeller, transaktioner och SQL ovanpå. Alla tre leverantörer stöder numera någon form av det, så den gamla frågan "datalager eller datasjö" väger lättare än förr. Vill ni gå djupare i den skillnaden finns vår genomgång av data lakehouse och datalager.
Beslutskriterier: vad ska avgöra valet?
Valet avgörs av er befintliga moln- och BI-miljö, teamets kompetens, vilken kostnadsmodell ni kan förutse och hur fria ni vill vara att byta motor senare. Gå igenom frågorna innan ni jämför funktionslistor:
- Var finns rapporteringen? Om Power BI är företagets standard väger stödet för Power BI tyngre än prestandatester.
- Vilken kompetens har teamet? SQL-analytiker, Spark- och Python-utvecklare och integratörer som arbetar med low-code passar olika plattformar.
- Hur vill ni betala? En fast kapacitet som ni dimensionerar, eller förbrukning per fråga och klusterminut.
- Vilket moln har ni bundit er till? Ett Microsoft-avtal, ett AWS-åtagande eller en multicloud-policy smalnar av fältet.
- Hur tung är maskininlärningen? Enstaka modeller går överallt. Ett team som tränar och driftsätter modeller varje dag har större krav.
- Vad är exitplanen? Tabellformatet och vem som äger lagringskontot avgör hur svår en framtida flytt blir.
Väljer ni plattform för att kunna använda AI, börja i användningsfallen och inte i verktygen. Guiden om hur ni prioriterar AI-användningsfall visar hur ni tar reda på vilka data ni faktiskt behöver först.
Jämförelsetabell: Fabric, Databricks och Snowflake
Plattformarna skiljer sig mest i prismodell, primär kompetens och hur djupt de är integrerade med Power BI, och minst i rå kapacitet. Tabellen visar den allmänna bilden i oktober 2026. Funktioner ändras snabbt, så kontrollera de detaljer som är viktiga för er.
Kriterium
Microsoft Fabric
Databricks
Snowflake
Leveransmodell
Microsoft Fabric
SaaS i Microsoft-tenanten
Databricks
Hanterad plattform i ert Azure-, AWS- eller Google Cloud-konto
Snowflake
SaaS på AWS, Azure eller Google Cloud
Kostnadsmodell
Microsoft Fabric
Kapacitet (F-SKU) som delas av alla arbetslaster, kan pausas
Databricks
Förbrukningsbaserad beräkning plus molninfrastruktur
Snowflake
Förbrukningsbaserad beräkning (krediter) plus lagring
Kärnkompetens
Microsoft Fabric
SQL, Power BI, low-code-pipelines, viss Spark
Databricks
Python, Spark, SQL, MLOps
Snowflake
SQL först, Python finns
Power BI
Microsoft Fabric
Inbyggt, inklusive Direct Lake
Databricks
Via koppling eller spegling i Fabric
Snowflake
Via koppling eller Fabric-integration
Datainläsning
Microsoft Fabric
Inbyggda Data Factory-pipelines och dataflöden
Databricks
Egna verktyg, eller Azure Data Factory och liknande
Snowflake
Egna verktyg, eller externa ETL-verktyg
Öppna format
Microsoft Fabric
Delta Parquet och Iceberg i OneLake
Databricks
Delta Lake, Iceberg via UniForm
Snowflake
Egna tabeller samt Iceberg-tabeller
Typisk passform
Microsoft Fabric
Microsoft-centrerade medelstora företag
Databricks
Utvecklings- och ML-tunga team
Snowflake
SQL-analys och datadelning i stor skala
För Power BI har Fabric en strukturell fördel. Direct Lake är ett lagringsläge i Power BI som läser in Delta-tabeller från OneLake i minnet utan att kopiera dem, och det kräver en Fabric-kapacitet. Databricks och Snowflake fungerar bra med Power BI via Import eller DirectQuery, men då hanterar ni uppdateringar och frågekostnader i två system i stället för ett.
När det gäller inlåsning är läget bättre än tidigare. Microsoft skriver att OneLake lagrar tabeller i Delta Parquet eller Iceberg, två öppna standarder som vilket verktyg som helst kan läsa. Databricks släppte Unity Catalog som öppen källkod under Apache 2.0-licensen i juni 2024. Snowflake stöder Apache Iceberg-tabeller där filerna ligger i molnlagring som ni själva hanterar. Den verkliga inlåsningen sitter i dag i pipelines, säkerhetsmodeller och affärslogik, inte i filformaten.
Scenarier: vilken plattform passar er?
Rätt plattform följer oftast av er dominerande arbetslast och era befintliga avtal, så utgå från det scenario som liknar er mest.
Medelstort företag med Microsoft 365 och Power BI. Ett litet datateam, rapporter som byggs av analytiker och ett befintligt Microsoft-avtal. Microsoft Fabric är oftast den kortaste vägen: en faktura, en säkerhetsmodell och inbyggt Power BI. Var noga med dimensioneringen, eftersom alla arbetslaster delar samma kapacitetsenheter.
Utvecklingsdrivet företag med maskininlärning i drift. Flera dataingenjörer arbetar i Python och Spark, och modeller tränas och driftsätts regelbundet. Databricks passar det teamet väl, med mogna verktyg för notebooks, jobb och modellhantering. Räkna med att plattformen kräver den kompetensen.
SQL-tung analys med många användare eller extern datadelning. Analytikerna arbetar främst i SQL, frågevolymerna varierar kraftigt och ni delar data med partner. Snowflakes separation av lagring och beräkning och dess funktioner för datadelning passar det mönstret.
Redan på Azure Synapse eller Azure Data Factory. Många företag kör pipelines i Azure Data Factory som matar ett Synapse- eller SQL-lager. Fabric är det mest naturliga nästa steget, men det är fortfarande en migrering. Pipelines, notebooks och behörigheter behöver byggas om eller testas, inte bara kopieras.
Blandade lösningar är vanliga och legitima. Fabric kan spegla en Azure Databricks-katalog och arbeta med data i Snowflake, så en motor för transformationer och en annan för rapportering är en rimlig design om ni kan motivera den extra driftkostnaden.
Migrering: så minskar ni risken och inlåsningen
En migrering handlar mest om att flytta pipelines, affärslogik och behörigheter, inte data, så planera den i lager och håll kärndata i öppna format.
En medaljongstruktur hjälper. Rådata landar i ett bronslager, tvättas i silver och formas för affärsfrågor i guld. Om brons och silver lagras som Delta- eller Iceberg-tabeller i lagring som ni kontrollerar påverkar en senare flytt beräkningen och guldlagret, inte hela er historik. Medaljongarkitekturen beskrivs närmare i en egen artikel. Devies såg samma mönster när de tog över och moderniserade Stena Lines dataplattform i Azure: plattformen flyttades till en medaljongarkitektur på Azure Synapse Analytics och körtiden för pipelines minskade med ungefär 25 procent.
Genomför migreringen i den här ordningen:
- Inventera: källor, pipelines, scheman, rapporter och vem som äger vad.
- Pilot med en domän: flytta ett ämnesområde hela vägen, inklusive behörigheter och Power BI-rapporter.
- Kör parallellt: jämför siffrorna mellan gammal och ny plattform innan användarna flyttas.
- Avveckla medvetet: stäng av gamla pipelines först när ägarna har godkänt.
En daterad uppgift berör många Power BI-kunder. I oktober 2026 anger Microsofts guide för migrering från Premium att Power BI Premium per kapacitet (P-SKU) avvecklas när respektive kunds avtalsperiod löper ut, och att nya installationer ska använda Fabric F-SKU. Närmar sig er förnyelse är det ett naturligt tillfälle att fatta plattformsbeslutet i stället för att förnya av gammal vana.
Devies
Vill ni ha en second opinion?
Devies, en produkt- och utvecklingskonsult i Göteborg, arbetar med frågor som den här tillsammans med nordiska produkt- och IT-team. Berätta var ni står så föreslår vi ett rimligt första steg.
Vanliga frågor
Är Microsoft Fabric billigare än Databricks eller Snowflake?
Det beror på arbetslasten, inte på listpriser. Fabric bygger på en kapacitet som ni dimensionerar och kan pausa, så kostnaden blir förutsägbar men ni betalar för marginalen. Databricks och Snowflake debiterar främst för den beräkning ni förbrukar, vilket passar varierande laster men kräver bevakning. Gör ett test på två till fyra veckor med riktiga data och rapporter och jämför den uppmätta månadskostnaden.
Kan vi använda Power BI med Databricks eller Snowflake?
Ja. Power BI ansluter till båda via Import och DirectQuery, och många företag kör så med gott resultat. Skillnaden är att Fabric dessutom har Direct Lake, som läser Delta-tabeller i OneLake utan att kopiera dem till Power BI-modellen. Med Databricks eller Snowflake hanterar ni uppdateringsscheman och frågekostnader på två ställen.
Måste vi ersätta Azure Data Factory när vi går över till Fabric?
Inte från dag ett. Azure Data Factory finns kvar som en separat Azure-tjänst, och Fabric har en egen Data Factory med pipelines och dataflöden. Många team låter befintliga pipelines i Azure Data Factory gå vidare medan de flyttar en domän i taget till Fabric. Planera bytet per pipeline, testa parallellt och avveckla först när ägarna har godkänt.
Källor
- Microsoft Learn: OneLake, the unified data lake
- Microsoft Learn: Direct Lake overview
- Microsoft Learn: Pause and resume your Fabric capacity
- Microsoft Learn: Power BI Premium migration decision guide
- Databricks: Databricks open sources Unity Catalog (12 juni 2024)
- Snowflake documentation: Apache Iceberg tables
- Devies, Stena Line (kundcase)










