Lær · Sammenlign

Microsoft Fabric eller BigQuery til en mindre virksomhed?

Udgivet 31. oktober 2026

Kort svar. Vælg den, der passer til den tech stack, I allerede arbejder i, og til det sted, jeres regnskabsdata ligger. Arbejder I i Microsoft 365 og fører bogholderiet i Business Central, er Fabric det naturlige valg: Microsoft giver det en færdig connector til Business Central, og Power BI er en del af det. Arbejder I i Google Workspace, eller er jeres vigtigste datakilder nogle, Google allerede forbinder til, som Shopify eller Google Analytics, er BigQuery det naturlige valg, og som udgangspunkt betaler I pr. forespørgsel. Har I kun få systemer og et regneark, der stadig fungerer, behøver I ingen af dem endnu.

Siden sammenligner de to på det, der afgør valget for en mindre virksomhed: hvordan jeres data kommer ind, hvordan afregningen fungerer, hvilken AI der er indbygget, hvilke kompetencer det kræver, og hvor let det er at skifte væk igen. Oplysningerne kommer fra Microsofts og Googles egen dokumentation, kontrolleret i oktober 2026.

Hvad Fabric og BigQuery er

Begge kan rumme det ene data warehouse i et datafundament: det ene sted, hvor tallene fra alle jeres systemer samles, så hver rapport og hver AI-agent læser de samme tal.

Microsoft Fabric er Microsofts analyseplatform, leveret som en tjeneste. Den gemmer data i OneLake, en data lake, der følger med hver Fabric-tenant, og Power BI er indbygget. (Microsoft Learn: What is Microsoft Fabric)

Google BigQuery er Google Clouds fuldt administrerede, serverløse data warehouse. Google driver serverne, så I hverken skal dimensionere eller vedligeholde nogen. (Google Cloud: BigQuery overview)

I begge tilfælde ligger data i jeres egen cloud: for Fabric i virksomhedens Microsoft-tenant, for BigQuery i virksomhedens Google Cloud-projekt. I styrer selv adgangen.

Fabric og BigQuery side om side

	Microsoft Fabric	Google BigQuery
Den tech stack, det hører til	Microsoft: jeres Microsoft 365-logins, Power BI indbygget. [1]	Google Cloud: jeres Google Workspace-logins; Google Sheets læser data fra BigQuery via Connected Sheets. [2]
Data fra Business Central	En færdig Business Central-connector i Dataflow Gen2. Mirroring fra Business Central, som kopierer tabeller til OneLake og holder dem opdaterede, er en preview hos Microsoft. [3][4]	Ingen færdig Business Central-connector. En pipeline læser Business Centrals API’er, som Microsoft angiver som den eneste understøttede måde at læse data fra Business Central online på. [5][6]
Andre datakilder	Over 200 connectors, blandt andet Salesforce, Google BigQuery og Google Sheets. [1][3]	Planlagte overførsler fra Googles egne tjenester, Salesforce, Shopify (preview), Stripe (preview), HubSpot (preview), databaser og cloud-lagring. [5]
Sådan afregnes det	I køber en kapacitet i en valgt størrelse og betaler for den pr. sekund, mens den kører, eller reserverer den for et år. Lagring afregnes for sig. [7][8]	Som udgangspunkt betaler I for de data, hver forespørgsel læser. I kan skifte til at betale for reserveret kapacitet. Lagring afregnes for sig, og der gælder et månedligt gratis niveau. [9]
Indbygget AI	Copilot i Fabric, på en betalt kapacitet. [10]	Gemini i BigQuery; kernefunktionerne uden ekstra omkostning på alle BigQuerys beregningsmuligheder. [11]
Kompetencer, det kræver	Power Query, T-SQL og Power BI; Spark-notebooks til tungere arbejde. [12]	SQL (GoogleSQL) og Python; en pipeline til datakilder uden connector. [13]
Data ud igen	Tabeller gemmes i åbne formater (Delta Parquet eller Iceberg), som almindelige data lake-værktøjer kan læse. [14]	Tabeller eksporteres til Cloud Storage som Parquet, Avro, CSV eller JSON. [15]

Tallene i kantede parenteser henviser til listen over kilder nederst på siden.

Sådan kommer jeres ERP-data ind

Jeres ERP-system er det system, der rummer bogholderiet og ordrerne, for eksempel Business Central. En connector er en færdig forbindelse, der kopierer data fra ét system til et andet med faste mellemrum. Hvor der ikke findes en connector, klarer en pipeline den samme opgave: et lille program, der læser systemet og indlæser data.

Business Central og Fabric. Fabric har en færdig Business Central-connector i Dataflow Gen2. Microsoft tilbyder også mirroring som preview: I vælger regnskaberne og tabellerne i Business Central, og mirroring kopierer et første øjebliksbillede til OneLake og holder det derefter opdateret med ændringerne. Microsoft beskriver mirroring som en preview, omfattet af vilkårene for previews. (Fabric connector overview; Data mirroring to Microsoft Fabric from Business Central)

Business Central og BigQuery. BigQuerys Data Transfer Service har ingen Business Central-connector. En pipeline læser Business Central gennem systemets API’er, som Microsoft angiver som den eneste understøttede måde at læse data fra Business Central online på. (BigQuery Data Transfer Service data sources; Extract data from Business Central)

Andre regnskabssystemer. Ingen af de to leverandørers lister over færdige connectors omfatter e-conomic eller Dinero, kontrolleret i oktober 2026. Til de systemer kræver begge en pipeline, der læser systemets API, så valget mellem dem ændrer sig ikke.

Data fra webshop og marketing. BigQuery har planlagte overførsler for Shopify, Stripe og HubSpot (alle tre som preview) og for Google Analytics 4 og Google Ads. Tjek listen for jeres egne datakilder, før I vælger.

Sådan afregner de

Begge leverandører afregner beregning og lagring hver for sig. Forskellen ligger i, hvordan de afregner beregningen.

	Microsoft Fabric	Google BigQuery
Beregning	En kapacitet: en fast mængde regnekraft, hvis størrelse I selv vælger. Azure afregner den pr. sekund, mens den kører, uden binding, eller I reserverer den for et år til en lavere pris. [7]	On-demand som udgangspunkt: I betaler for de data, hver forespørgsel læser. Eller kapacitet: I reserverer regnekraft og betaler for den over tid, med mulighed for binding i et eller tre år. [9]
Pause	I kan sætte en kapacitet på pause og stoppe betalingen for beregning. Mens den er sat på pause, er indholdet på den ikke tilgængeligt. [8]	Ved on-demand er der intet at sætte på pause; I betaler, når en forespørgsel kører. [9]
Lagring	Afregnes pr. GB lagret, adskilt fra kapaciteten, og afregnes også, mens kapaciteten er sat på pause. [16]	Afregnes pr. GB lagret; data, der står uændret i 90 dage, overgår til en lavere langtidspris. [9]
Se rapporter	På de mindre kapaciteter skal alle, der ser Power BI-rapporter, have en Power BI Pro-licens. [17]	Dem, der ser et delt Google-regneark, behøver ikke adgang til BigQuery; det gør den, der opdaterer data. [2]
Prøv det af	En prøvekapacitet i 60 dage, uden Copilot. [18]	BigQuery-sandkassen, uden betalingskort; tabeller udløber efter 60 dage. [19]

For en mindre virksomhed betyder det to forskellige risici. Med Fabric er omkostningen forudsigelig, men I betaler for kapaciteten, mens den kører, uanset om nogen bruger den. Med BigQuery on-demand koster en måned med få forespørgsler kun lidt, men en rapport, der læser en stor tabel ved hver opdatering, koster mere hver gang; sæt en udgiftsgrænse på projektet. De aktuelle priser står på Microsofts prisside for Fabric og Googles prisside for BigQuery.

Den AI, der er indbygget i hver

Copilot i Fabric hjælper med at omforme data, skrive forespørgsler og bygge Power BI-rapporter. Den kræver en betalt kapacitet i størrelse F2 eller større og kører ikke på prøvekapaciteten. Den er slået til som standard på betalte kapaciteter, og virksomheden bestemmer i tenant-indstillingerne, hvem der må bruge den. Copilots forbrug trækker på jeres kapacitet. (Overview of Copilot in Fabric; Enable Copilot in Fabric)

Gemini i BigQuery hjælper med at skrive og forklare SQL, forberede data, udforske dem med data insights og chatte med dem via data agents. Google tilbyder kernefunktionerne uden ekstra omkostning på alle BigQuerys beregningsmuligheder. Google gør opmærksom på, at Gemini i BigQuery ikke understøtter alle de compliance-ordninger, som BigQuery selv understøtter, så tjek det, før I slår det til. (Gemini in BigQuery overview; Gemini for Google Cloud pricing; Set up Gemini in BigQuery)

Begge assistenter hjælper dem, der bygger og læser data. AI-agenter, I selv bygger, kan læse fra begge data warehouses, så den indbyggede assistent afgør ikke, hvilke agenter I kan få senere.

De kompetencer, hver kræver

Fabric passer til en virksomhed, hvor nogen allerede bygger Power BI-rapporter. Data kommer ind via Power Query (Dataflow Gen2), data warehouset taler T-SQL, og rapporterne er Power BI. Nogen skal også dimensionere kapaciteten og holde øje med forbruget. (What is Fabric Data Warehouse; Plan your capacity size)

BigQuery passer til en virksomhed, der er fortrolig med SQL og har nogen, internt eller hos en partner, til at drive pipelines for de datakilder, Google ikke forbinder til. Ved on-demand-afregning er der ingen kapacitet at dimensionere. (Introduction to SQL in BigQuery)

I begge tilfælde skal nogen sætte adgangene op: jeres egen IT eller jeres IT-partner.

Sådan får I jeres data ud igen

Begge gemmer jeres data i formater, som andre værktøjer kan læse. Fabric gemmer tabeller i OneLake i de åbne formater Delta Parquet eller Iceberg, som andre data lake-værktøjer læser direkte. BigQuery eksporterer tabeller til Cloud Storage som Parquet, Avro, CSV eller JSON. Fabric kan også spejle data fra BigQuery, en funktion Microsoft angiver som generelt tilgængelig, så de to kan arbejde sammen. (Mirroring Google BigQuery in Fabric; OneLake overview; Export table data to Cloud Storage; Get started with mirroring in Fabric)

Det, der er sværest at flytte, er logikken: forespørgslerne skrevet i én SQL-dialekt, pipelines og rapportmodellerne. Gem den logik som kode i et repository, virksomheden selv ejer, så betyder et senere skifte, at I omskriver dele, I kan se.

Hvilken passer til jeres virksomhed

Jeres situation	Det passer	Hvorfor
I arbejder i Microsoft 365, fører bogholderiet i Business Central og laver rapporter i Power BI	Fabric	Business Central-connectoren er klar, mirroring er en preview hos Microsoft, Power BI er indbygget, og jeres folk logger allerede ind hos Microsoft.
I arbejder i Google Workspace, eller jeres vigtigste datakilder er Shopify, Google Analytics eller Google Ads	BigQuery	Google forbinder til de datakilder, Connected Sheets lægger data ind i de regneark, I allerede bruger, og med on-demand-afregning koster en måned med få forespørgsler kun lidt.
I bruger begge, for eksempel Microsoft 365 med en webshop, Google forbinder til	Følg jeres regnskabsdata og jeres rapporter	Placér data warehouset dér, hvor bogholderiet og rapporterne er. BigQuery fungerer med Power BI, og Fabric kan læse fra BigQuery, så den anden side stadig kan kobles på.
Få systemer og et regneark, der fungerer	Ingen af dem endnu	Se nedenfor.

BigQuery nævner Power BI blandt de business intelligence-værktøjer, det understøtter. (BigQuery overview)

Når I endnu ikke behøver nogen af dem

Et data warehouse er pengene værd, når tal fra flere systemer skal afstemmes mod hinanden. I har sandsynligvis ikke brug for et endnu, hvis alt det her gælder:

Jeres tal kommer fra ét regnskabssystem, måske med en webshop, der allerede bogfører i det.
Rapporterne i jeres regnskabssystem besvarer de spørgsmål, I stiller.
Ét regneark klarer resten, og den, der vedligeholder det, kan stole på det.
Ingen AI-agent skal læse tal på tværs af systemer.

Start i så fald i de systemer, I har: ryd op i kunde- og leverandørstamdata, hold én kontoplan, og skriv ned, hvad hvert nøgletal betyder. Det er at få styr på jeres data, og det kræver intet data warehouse. I behøver heller ikke Gathena til det.

Svaret ændrer sig, når tal fra et andet system skal afstemmes i hånden, når månedsafslutningen betyder eksport til et regneark, eller når en AI-agent skal besvare spørgsmål ud fra jeres tal. Så bliver valget på denne side værd at træffe.

Kontrolleret mod leverandørernes dokumentation den 31. oktober 2026.

Kilder

Produkt- og virksomhedsnavne er varemærker tilhørende deres respektive ejere og bruges til at identificere de omtalte produkter. Der er ingen anbefaling eller partnerskab underforstået.