Cloudflare satte en ny plattform midt i skyen 1. oktober 2026. Basin er en serverløs analyseplattform bygget på Apache Iceberg og R2-lagring, og den går rett i strupen på tre etablerte navn: Snowflake, Databricks og Google BigQuery. For norske og nordiske team som allerede sliter med datautgang-regninger og låste tabellformater, er spørsmålet enkelt: er dette et reelt alternativ, eller bare enda en analysetjeneste å holde styr på? Vi har gått gjennom prislister, kundeeksempler, Gartner-vurderinger og omsetningstall fra alle fire selskapene for å gi deg et konkret svar.
Denne sammenligningen handler ikke bare om hvilken knapp som er billigst å trykke på. Den handler om hvor dataene dine faktisk bor, hvem som kan lese dem senere, og hva som skjer den dagen du vil bytte leverandør. Vi bruker konkrete tall fra offisielle prissider, kvartalsrapporter og publiserte kundecaser gjennom hele artikkelen, og vi sier klart fra hver gang et tall kommer fra leverandøren selv i stedet for en uavhengig kilde.
Hva er Cloudflare Basin, og hvorfor lanseres det nå
Cloudflare Basin ble annonsert og gjort allment tilgjengelig 1. oktober 2026, ifølge Cloudflares offisielle lanseringsinnlegg. Plattformen er bygget rundt to komponenter team allerede kjenner: Apache Iceberg som tabellformat og Cloudflare R2 som lagringslag. Basin SQL, motoren som kjører spørringene, er en distribuert og serverløs SQL-motor. Det betyr at utviklere ikke trenger å dimensjonere, skalere eller lukke ned en klynge. Cloudflare fakturerer kun når data lastes inn, bearbeides eller spørres mot, uten timebaserte avgifter for infrastruktur som står ubrukt.
Det som gjør lanseringen interessant for et nordisk publikum, er ikke selve funksjonslisten. Det er posisjoneringen. Cloudflare bygger Basin for mindre team og utviklere som vil slippe å administrere en egen datastabel, i kontrast til Snowflake, Databricks og BigQuery som alle i stor grad retter seg mot virksomheter med dedikerte dataplattform-grupper. Basin bruker et åpent format (Iceberg) i stedet for en proprietær tabellstruktur, noe som i teorien gjør det enklere å flytte data ut igjen senere. The Register omtalte lanseringen 1. oktober som et forsøk på å konkurrere på færre og enklere gebyrer, ikke nødvendigvis på rå ytelse.
Basin arver også R2s mest omtalte egenskap: null kostnad for datautgang. For team som i dag betaler for å flytte data ut av AWS eller Google Cloud for analyseformål, er det et konkret argument, ikke bare markedsføring. Samtidig er plattformen splitter ny. Den mangler ennå den modenheten, de referansekundene og den operasjonelle historikken som Snowflake, Databricks og BigQuery har bygget opp over et tiår eller mer.
Utover selve spørremotoren består Basin av flere mindre byggeklosser som Cloudflare har priset separat. Pipelines kan laste data rett inn som Iceberg- eller Parquet-filer, SQL-transformasjoner kan omforme data underveis, og et eget katalogledd holder styr på hvilke tabeller som finnes og hvem som eier dem. Hver av disse komponentene har egne gratiskvoter og egne priser utover kvoten, noe vi går i detalj på i prisseksjonen lenger ned. Poenget med å dele opp produktet slik, ifølge Cloudflares egen beskrivelse, er at team skal kunne starte med bare spørremotoren og legge til resten etter behov, i stedet for å kjøpe en ferdig pakke de ikke trenger.
De tre etablerte utfordrerne: Snowflake, Databricks og BigQuery
Snowflake, Databricks og Google BigQuery er ikke nye navn for noen som har jobbet med data de siste ti årene. Snowflake bygde seg opp som et rendyrket skydatavarehus og har siden utvidet til det selskapet kaller en «AI Data Cloud». I regnskapsåret 2026, som ble avsluttet 31. januar 2026, rapporterte Snowflake en total omsetning på 4,684 milliarder dollar, opp fra 3,626 milliarder året før. I fjerde kvartal alene vokste produktomsetningen 30 prosent år over år til 1,227 milliarder dollar, med en nettoinntektsretensjon på 125 prosent.
Databricks har tatt en annen vei og posisjonerer seg som en samlet data- og AI-plattform bygget på Delta Lake og Unity Catalog. Selskapet ble verdsatt til 134 milliarder dollar i en finansieringsrunde på over 4 milliarder dollar annonsert 16. desember 2025, ifølge Reuters og CNBCs dekning av runden. Samme måned opplyste Databricks at de hadde passert en årlig inntektsrate på 4,8 milliarder dollar, en vekst på over 55 prosent år over år.
Google BigQuery er den eldste av de tre, lansert i 2010, og lener seg tungt på integrasjonen med resten av Google Cloud. BigQuery har ingen separat børsnotering å vise til tall fra, men Google fremhever at tjenesten for sjette år på rad ble kåret til leder i Gartners Magic Quadrant for skydatabasesystemer i 2025, med plassering lengst fremme på visjon-aksen i rapporten.
Det som bør slå deg ved å lese disse tre historiene ved siden av hverandre, er hvor forskjellige forretningsmodellene faktisk er, selv om alle tre selger «dataanalyse». Snowflake tjener penger på forbruk av beregningskreditter uansett hvilken sky dataene ligger i. Databricks tjener penger på DBU-forbruk og posisjonerer seg stadig tydeligere som en AI-plattform, ikke bare et datavarehus. Google tjener penger på at BigQuery trekker kunder dypere inn i resten av Google Cloud-økosystemet. Basin er det eneste av de fire produktene der inntektsmodellen er eksplisitt bygget rundt å fjerne kostnader, ikke legge dem til, noe som sier mye om hvilken del av markedet Cloudflare faktisk jakter på.
Arkitektur: serverløs motor mot provisjonerte varehus
Den arkitektoniske forskjellen mellom disse fire plattformene bestemmer mye av resten av sammenligningen. Basin skiller lagring og spørring fullstendig. Data ligger som Iceberg-tabeller i R2, og Basin SQL kjører spørringer mot dem uten at du noen gang tildeler eller nedskalerer en klynge. Det er en ren pay-as-you-go-modell uten faste kostnader når ingenting skjer.
Snowflake bruker fortsatt konseptet «virtuelle varehus», altså beregningsklynger du starter, stopper og skalerer selv, selv om de faktureres i kreditter i stedet for rene timepriser. Databricks tilbyr begge deler: tradisjonelle klynger for jobber og en serverløs SQL-opsjon for interaktive spørringer, fakturert i Databricks Units (DBU) som skalerer med faktisk prosesseringskraft. BigQuery har historisk vært mest «serverløst» av de tre etablerte, med on-demand-fakturering per databehandlet mengde, men tilbyr nå også abonnement på faste kapasitetsblokker («slots») gjennom Standard-, Enterprise- og Enterprise Plus-editions for team som vil ha forutsigbare kostnader.
Det praktiske skillet handler om kontroll mot enkelhet. Snowflake og Databricks gir deg knotter å skru på: varehus-størrelse, klyngetype, autoskalering, caching-lag. Basin og BigQuerys on-demand-modus fjerner de knottene og håper du ikke trenger dem. For et lite team uten dedikert plattform-ingeniør er det ofte riktig retning. For en virksomhet med forutsigbar, tung døgnkontinuerlig last kan provisjonert kapasitet fortsatt komme billigere ut per spørring.
Samtidighet er et annet punkt der arkitekturen gjør seg gjeldende i praksis. Et provisjonert varehus hos Snowflake har en fast kapasitet, så mange samtidige brukere som spør mot samme varehus, deler den samme beregningskraften med mindre du skalerer opp manuelt eller setter opp autoskalering mellom flere varehus. Databricks sin serverløse SQL-opsjon og BigQuerys on-demand-modell skalerer i prinsippet automatisk med antall samtidige spørringer, men du betaler for den skaleringen krone for krone. Basin er for ny til at noen har dokumentert hvordan den oppfører seg under høy samtidighet i produksjon, noe som er verdt å teste grundig med egen trafikk før du stoler på den for noe forretningskritisk.
Spesifikasjoner side om side
Tabellen under samler de viktigste tekniske og kommersielle egenskapene til alle fire plattformene, basert på offisiell dokumentasjon fra hver leverandør.
| Egenskap | Cloudflare Basin | Snowflake | Databricks | Google BigQuery |
|---|---|---|---|---|
| Lansert / etablert | Oktober 2026 | 2014 | 2013 | 2010 |
| Arkitektur | Serverløs, ingen klynger | Provisjonerte virtuelle varehus | Klynger og serverløs SQL | On-demand eller slot-abonnement |
| Lagringslag | Cloudflare R2 (objektlagring) | Proprietær mikropartisjonert lagring | Delta Lake på objektlagring | Proprietær kolonnelagring |
| Primært tabellformat | Apache Iceberg | Proprietært, med native Iceberg-støtte | Delta Lake, med Iceberg via UniForm | Proprietært, med BigLake/Iceberg-støtte |
| Katalogtjeneste | Basin Catalog (R2 Data Catalog) | Horizon Catalog | Unity Catalog | BigLake-metastore |
| Beregningsmodell | Betaling per databehandlet/skannet | Kreditter per time virtuelt varehus | DBU per sekund prosessering | Betaling per databehandlet eller slots |
| Lagringspris (standard) | $0,015/GB per måned | Cirka $23/TB per måned (AWS US East) | Varierer med underliggende skylagring | Cirka $23/TiB per måned (aktiv) |
| Spørringspris | $2,50 per TB skannet data | Kredittforbruk, varierer med varehusstørrelse | $0,20 per DBU (Jobs Compute Enterprise, AWS) | $6,25 per TiB etter 1 TiB gratis |
| Datautgang | $0 | Varierer med sky og region | Varierer med sky og region | Varierer med sky og region |
| Styring/governance | Basin Catalog, tidlig fase | Horizon: lineage, styring, markedsplass | Unity Catalog: lineage og tilgangsstyring | Dataplex og BigLake-styring |
| Gartner Magic Quadrant 2025 (Cloud DBMS) | Ikke vurdert, for nylig lansert | Omtalt i rapporten | Leder, femte året på rad | Leder, sjette året på rad |
| Typisk målgruppe | Utviklerteam og mindre selskaper | Enterprise BI og datadeling | Enterprise AI/ML og lakehouse | Enterprise analytics i GCP-økosystem |
Prissammenligning: lagring, spørringer og databehandling
Pris er der Basin forsøker å skille seg ut tydeligst. Cloudflares egen prisside viser R2 Standard-lagring til $0,015 per GB per måned, og Infrequent Access-laget til $0,01 per GB per måned. Basin SQL, spørremotoren, koster $0,0025 per GB skannet komprimert data, altså $2,50 per TB. Til sammenligning oppgir Googles offisielle prisside $6,25 per TiB spurt data i BigQuery, etter den første gratis TiB-en hver måned. Snowflakes dokumenterte lagringspris for standard on-demand-lagring i AWS US East ligger på rundt $23 per TB per måned, mens selve beregningskostnaden faktureres i kreditter der prisen per kreditt varierer med sky, region og avtaletype, så den lar seg ikke oppgi som ett eksakt tall uten en konkret kontrakt.
Databricks sitt tydeligste offentlige tall er $0,20 per DBU for Jobs Compute Enterprise på AWS, ifølge selskapets egen prisside. En DBU er en normalisert enhet for prosesseringskraft, så den faktiske kostnaden per spørring avhenger av hvor mye databehandling jobben faktisk krever. Serverløs SQL-prising hos Databricks varierer på samme måte etter workload og abonnementsnivå.
Satt opp som et regnestykke blir forskjellene lettere å se. Et team som lagrer 10 terabyte data i en måned, betaler cirka $150 hos Basin (10 000 GB multiplisert med $0,015), mot cirka $230 hos både Snowflake og BigQuerys aktive lagringstier (10 enheter multiplisert med cirka $23). Skanner det samme teamet 50 terabyte i spørringer gjennom måneden, lander Basin-regningen på cirka $125 (50 multiplisert med $2,50), mens BigQuery lander på cirka $306 etter den første gratis terabyten (49 multiplisert med $6,25). Disse tallene er ren multiplikasjon av leverandørenes egne offentlige enhetspriser, ikke garanterte sluttpriser, siden faktisk forbruk, rabattavtaler og dataorganisering endrer resultatet i begge retninger.
| Kostnadskomponent | Cloudflare Basin | Snowflake | Databricks | Google BigQuery |
|---|---|---|---|---|
| Lagring, standard | $0,015/GB/mnd | ~$23/TB/mnd | Avhenger av skylagring | ~$23/TiB/mnd (aktiv) |
| Lagring, kald/langtid | $0,01/GB/mnd (IA) | Rabattert ved lite endring | Avhenger av skylagring | ~$16/TiB/mnd (langtid) |
| Spørring/dataskanning | $2,50/TB skannet | Kredittbasert | $0,20/DBU (Jobs Compute Enterprise) | $6,25/TiB etter 1 TiB gratis |
| Datautgang | $0 | Skyavhengig | Skyavhengig | Skyavhengig |
| Katalogoperasjoner | 1 mill. gratis, så $9/mill. | Inkludert i Horizon | Inkludert i Unity Catalog | Inkludert i BigLake |
| Gratis kvote per måned | Varierer per tjeneste (f.eks. 50 GB pipeline-sink) | Ingen fast gratiskvote | Ingen fast gratiskvote | 1 TiB spørring, 10 GiB lagring |
Skjulte kostnader å se opp for
Ingen av disse fire plattformene er så enkle som hovedprisen antyder. Hos Basin er katalogoperasjoner og automatisk komprimering (compaction) målt separat utover de inkluderte kvotene: Cloudflare oppgir $9 per million katalogoperasjoner utover den første millionen, og $2 per million komprimerte objekter utover ti millioner inkluderte. Pipeline-sinker og SQL-transformasjoner har egne kvoter på 50 GB i måneden før $0,03 til $0,06 per GB slår inn.
Hos Snowflake og Databricks er den vanligste fellen uutnyttet beregningskapasitet, altså et varehus eller en klynge som står på uten at noen kjører spørringer mot den. BigQuery sin vanligste felle er spørringer uten partisjonsfilter, som kan skanne hele tabeller og dermed trekke flere TiB enn nødvendig per kjøring. Uansett plattform er de reelle kostnadene et resultat av hvordan dataene er organisert, ikke bare prislisten.
Et godt tankesett er å regne kostnaden din som to separate linjer i budsjettet: en forutsigbar linje for lagring, som vokser sakte og jevnt, og en volatil linje for beregning eller spørring, som kan hoppe kraftig opp hvis noen kjører en dårlig skrevet spørring mot en stor tabell. Overvåk den andre linjen aktivt uansett hvilken plattform du velger, siden ingen av de fire leverandørene varsler deg automatisk før en dyr spørring kjører.
Ytelse og benchmarks: hva tallene faktisk viser
Her må vi være ærlige om hva som finnes av dokumentasjon, og hva som ikke gjør det. Det finnes ingen uavhengig verifisert TPC-DS- eller TPC-H-benchmark som sammenligner alle fire plattformene direkte i 2025 eller 2026. Det eneste tallsatte ytelsesmålet vi fant, kommer fra Databricks selv: en TPC-DI ETL-basert sammenligning publisert etter Snowflakes Gen2-lansering, der Databricks SQL Serverless hevdes å være omtrent 2,8 ganger raskere enn Snowflake, med omtrent 3,4 ganger bedre pris-ytelse. Dette er et leverandørpublisert tall, ikke en nøytral tredjepartsmåling, og fordelen skal ifølge Databricks øke med datavolum og samtidighet. Les det som et marketingargument med en reell metodikk bak, ikke som en objektiv sannhet.
Det nærmeste vi kommer en uavhengig kvalitetsvurdering, er analytikerrapporter. Gartners Magic Quadrant for Cloud Database Management Systems fra 2025 plasserte både Databricks og Google (BigQuery) som ledere, for henholdsvis femte og sjette år på rad. Databricks ble rangert høyest for lakehouse-bruksområdet, mens BigQuery ble rangert først for event analytics i Gartners tilhørende Critical Capabilities-rapport. Disse rapportene måler ikke rå spørrehastighet, men samlet produktvisjon, utførelsesevne og kundetilfredshet, og de sier i praksis at alle tre etablerte plattformer regnes som modne, konkurransedyktige valg av uavhengige analytikere.
For Basin finnes det per nå ingen ekstern ytelsesdokumentasjon overhodet. Plattformen er for ny til at noen har kjørt systematiske tester mot den. Det er ikke et tegn på at den er dårlig, men det betyr at enhver ytelsespåstand om Basin bør behandles som ubekreftet frem til uavhengige tester dukker opp.
Mangelen på nøytrale, offentlige benchmarks for alle fire er ikke tilfeldig. En rettferdig test må kontrollere for datasett og skala, filformat og partisjonering, varmt mot kaldt cache, antall samtidige brukere og hvilket SQL-dialekt-subsett som faktisk kjøres, og ingen leverandør har noe å tjene på å sponse en test der konkurrenten kan vinne på egne premisser. Inntil et uavhengig miljø som en forskningsinstitusjon eller et nøytralt benchmarkprosjekt publiserer sammenlignbare tall for alle fire, bør enhver ytelsespåstand, inkludert vår egen gjengivelse av Databricks sitt tall over, leses som et utgangspunkt for egen testing, ikke en fasit.
Apache Iceberg: fellesnevneren som endrer alt
Det som gjør denne sammenligningen mer interessant enn den ville vært for tre år siden, er at alle fire plattformene nå snakker samme tabellspråk. Apache Iceberg har gått fra nisjeformat til bransjestandard. I den årlige kartleggingen «State of the Apache Iceberg Ecosystem», samlet inn i januar 2026 og publisert 1. mars 2026 av Data Lakehouse Hub, svarte 78,6 prosent av respondentene at de bruker Iceberg som sitt eneste åpne tabellformat, foran alternativer som Delta Lake og Hudi.
Basin er bygget på Iceberg fra bunnen av. Snowflake støtter native Iceberg-tabeller, inkludert kundeforvaltet ekstern lagring, og fikk i juni 2026 generell tilgjengelighet for Snowflake-forvaltet lagring av Iceberg-tabeller gjennom sin Horizon Catalog. Databricks løser det samme problemet fra motsatt kant: Unity Catalog og funksjonen UniForm lar en Delta Lake-tabell bære både Delta- og Iceberg-metadata samtidig, slik at eksterne motorer som Snowflake, BigQuery, Redshift, Athena og Trino kan lese dataene som om de var native Iceberg-tabeller. Databricks har i tillegg begynt å tilby Unity Catalog Managed Iceberg-tabeller direkte.
Konsekvensen er at «hvilken plattform eier dataene mine» blir et mindre skremmende spørsmål enn før. Når data ligger som Iceberg, uansett hvilken av de fire plattformene som skrev dem, kan i prinsippet en annen motor lese dem igjen uten full re-eksport. Det reduserer innlåsingsrisikoen betraktelig, selv om det ikke fjerner den helt, siden proprietære funksjoner som lagret prosedyrer, optimaliseringshint og styringsregler fortsatt er plattformspesifikke.
Det som driver denne utviklingen videre, er at katalogene selv begynner å snakke sammen. Basin Catalog, Snowflakes Horizon og Databricks sin Unity Catalog tilbyr alle grensesnitt som andre motorer kan koble seg til for å finne og lese Iceberg-tabeller, i stedet for at hver leverandør krever sin egen proprietære katalog-protokoll. For et team betyr det i praksis at valget av spørremotor og valget av lagringssted gradvis blir to separate beslutninger, ikke én. Du kan lagre data ett sted og la flere ulike verktøy spørre mot dem, så lenge alle snakker Iceberg.
-- Eksempel: lese en Iceberg-tabell lagret i R2 via Basin SQL
SELECT kunde_id, SUM(belop) AS total_omsetning
FROM basin_catalog.salg.transaksjoner
WHERE dato >= '2026-01-01'
GROUP BY kunde_id
ORDER BY total_omsetning DESC
LIMIT 100;Markedsposisjon: omsetning, vekst og analytikervurderinger
Tallene bak de tre etablerte selskapene gir et bilde av hvor mye kapital og kundemasse Basin faktisk konkurrerer mot. Snowflake rapporterte 4,684 milliarder dollar i total omsetning for regnskapsåret som ble avsluttet 31. januar 2026, en vekst fra 3,626 milliarder året før. Selskapet la til 740 nye kunder i siste kvartal alene, en økning på 40 prosent år over år, og hadde 733 kunder som hver bidro med over en million dollar i produktomsetning i løpet av de siste tolv månedene.
Databricks er ikke børsnotert, men finansieringsrunden fra desember 2025 verdsatte selskapet til 134 milliarder dollar, ifølge Reuters og CNBCs dekning av runden samme måned. Databricks oppga da en årlig inntektsrate på 4,8 milliarder dollar, opp over 55 prosent fra året før, og selskapets egen kundeoversikt hevder over 20 000 organisasjoner og mer enn 70 prosent av Fortune 500-selskapene som kunder.
Google oppgir ikke BigQuery-spesifikke omsetningstall separat fra Google Cloud totalt, men fremhever i stedet analytikerposisjon: sjette året på rad som leder i Gartners Magic Quadrant for skydatabasesystemer, med plassering lengst fremme på visjon-aksen av alle vurderte leverandører i 2025-rapporten. Cloudflare, som eier Basin, rapporterte for sin del 696,1 millioner dollar i total kvartalsomsetning for andre kvartal 2026, opp 36 prosent år over år, ifølge selskapets offisielle kvartalsrapport. Det tallet dekker hele Cloudflares virksomhet, ikke Basin isolert, siden produktet er for nytt til å ha egne rapporterte tall.
Cloudflares kvartalsomsetning har økt jevnt gjennom 2025 og inn i 2026: fra 614,5 millioner dollar i fjerde kvartal 2025, til 639,8 millioner i første kvartal 2026, til 696,1 millioner i andre kvartal 2026. Den veksten gir Cloudflare finansiell muskel til å bygge ut Basin over flere år uten å måtte tjene penger på produktet umiddelbart, noe som er en annen konkurransesituasjon enn et frittstående dataselskap ville hatt. Samtidig er 696 millioner dollar i kvartalsomsetning for hele Cloudflare fortsatt lavere enn Snowflakes 1,284 milliarder dollar i kvartalsomsetning alene, noe som setter størrelsesforholdet mellom utfordreren og de etablerte aktørene i perspektiv.
Virkelige eksempler: hvem bruker hva
Teori og prislister er én ting. Hvem som faktisk bruker disse plattformene i produksjon, sier mer om hvor modne de er. Den danske legemiddelgiganten Novo Nordisk er et av Snowflakes offisielt publiserte kundeeksempler med nordisk tilknytning: selskapet har samlet rundt 900 terabyte med data og gitt rundt 40 000 ansatte tilgang til selvbetjent innsikt gjennom plattformen. Siemens bruker Snowflake som sin globale data-plattform og har bygget en datamaske («data mesh») som i dag dekker over 600 interne prosjekter. Måltidskit-selskapet HelloFresh kombinerer Snowflakes AI Data Cloud med Snowplow for å analysere kundeadferd, og oppgir 30 prosent lavere kostnader som resultat. AT&T bruker Snowflake for raskere forretningsinnsikt til lavere kostnad enn sin tidligere løsning, ifølge selskapets egen kundecase.
På Databricks-siden er den tyske energikonsernet EnBW et dokumentert eksempel: selskapet bruker Unity Catalog som del av en styrt datamaske-modernisering, og bruker Lakehouse Federation til å koble sammen datakilder i Azure Synapse, Snowflake og BigQuery, altså en reell flerplattform-drift i praksis, ikke bare teori. Telekomselskapet TELUS er et offisielt publisert BigQuery-kundeeksempel: selskapet samler hele dataøkosystemet sitt i BigQuery og bruker det til å drive sin generative AI-plattform Fuel iX. Identitetsnettverket Unico er et av de mer interessante eksemplene fordi det går motsatt vei: selskapet migrerte sine dataoperasjoner fra Databricks til BigQuery som del av en bredere moderniseringsinnsats for å bedre driftseffektiviteten, ifølge Googles egen kundecase.
Det som gjør disse syv eksemplene nyttige som referansepunkt, er bredden i bransjer de dekker: legemidler, energi, telekom, industri, mat og identitetsteknologi. Ingen av dem er små selskaper som eksperimenterer, de er etablerte virksomheter som har flyttet forretningskritisk databehandling til en av de tre plattformene og vært villige til å la leverandøren omtale det offentlig. Det sier noe om modenhetsnivået disse tre plattformene har nådd, et nivå Basin ennå ikke har rukket å bygge opp siden den er under en måned gammel ved publisering av denne artikkelen.
| Selskap | Plattform | Bruksområde |
|---|---|---|
| Novo Nordisk (Danmark) | Snowflake | ~900 TB samlet data, 40 000 selvbetjente brukere |
| Siemens | Snowflake | Datamaske med over 600 interne prosjekter |
| HelloFresh | Snowflake + Snowplow | Kundeadferdsanalyse, 30% lavere kostnad |
| AT&T | Snowflake | Raskere forretningsinnsikt til lavere kostnad |
| EnBW | Databricks | Styrt datamaske, kobler Synapse, Snowflake og BigQuery |
| TELUS | Google BigQuery | Samlet dataøkosystem, driver Fuel iX generativ AI |
| Unico | BigQuery (migrert fra Databricks) | Bedre driftseffektivitet etter plattformbytte |
Fem bruksområder: hvilken plattform passer til hva
Valget avhenger mindre av hvilken plattform som er «best» i isolasjon, og mer av hvilken situasjon teamet ditt faktisk står i. Her er fem konkrete scenarioer der dataene over peker tydelig i én retning.
- Liten oppstartsbedrift uten dataplattform-team: Cloudflare Basins null-drift-modell og fravær av timebaserte kostnader gjør det billig å eksperimentere, selv om modenheten foreløpig er lav.
- Team som allerede kjører mye trafikk gjennom Cloudflares edge: Basin fjerner datautgang-kostnaden helt og unngår å flytte data ut av et nettverk de allerede betaler for.
- Enterprise med tunge AI- og ML-arbeidsbelastninger: Databricks sin kombinasjon av Unity Catalog, lakehouse-arkitektur og Gartners rangering som leder for nettopp dette bruksområdet gjør det til et naturlig valg.
- Organisasjon dypt investert i Google Cloud: BigQuery sin tette integrasjon med resten av GCP, pluss topplasseringen for event analytics, gjør det vanskelig å forbigå hvis Looker, Vertex AI og Google Workspace allerede er på plass.
- Etablert BI-miljø med mange samtidige brukere og krav til datadeling: Snowflake sin modenhet innen styring, markedsplass-funksjoner og dokumentert skala hos kunder som Siemens og Novo Nordisk gjør det til det tryggeste valget for store, spredte brukergrupper.
Ingen av disse anbefalingene er absolutte. Flere virksomheter, som EnBW, kjører faktisk flere av disse plattformene samtidig og kobler dem sammen via Iceberg, nettopp fordi de ulike styrkene utfyller hverandre. Den sjette vurderingen bør derfor alltid være: trenger du egentlig bare én plattform, eller løser en kombinasjon problemet bedre enn ett enkelt valg?
Migreringsguide: slik bytter du plattform
Å flytte en dataplattform er aldri bare en kopieringsjobb. Du flytter også SQL-dialekter, tilgangsstyring, planlagte jobber, BI-koblinger og ofte år med implisitt kunnskap om hvordan dataene faktisk er organisert. Iceberg gjør selve datalaget enklere å flytte, men resten av migreringen krever fortsatt planlegging.
- Kartlegg alle spørringer, jobber og BI-koblinger som peker mot dagens plattform, ikke bare tabellene.
- Identifiser proprietær funksjonalitet (lagrede prosedyrer, UDF-er, optimaliseringshint) som ikke flytter seg automatisk med dataene.
- Eksporter eller registrer dataene som Iceberg-tabeller først, og valider at radantall og datatyper stemmer før noe skrivearbeid flyttes.
- Kjør gammel og ny plattform parallelt i en avgrenset periode, og sammenlign faktiske resultater og kostnader før du legger ned den gamle.
Disse fire stegene gjelder uansett hvilken retning du migrerer, og de to konkrete eksemplene under viser hvordan det ser ut i praksis for henholdsvis en nykommer-migrering og en migrering mellom to etablerte plattformer.
Fra Snowflake eller BigQuery til Cloudflare Basin
Siden Basin er bygget på åpne Iceberg-tabeller i R2, er den enkleste veien inn å eksportere eksisterende data til Parquet-filer og registrere dem som Iceberg-tabeller i Basin Catalog. Både Snowflake og BigQuery kan eksportere til Parquet via standard verktøy. Det som krever mer arbeid, er alt som ikke er rene tabeller: lagrede prosedyrer, materialiserte visninger, tilgangspolicyer og planlagte transformasjoner må enten skrives om i Basins SQL-transformasjoner eller flyttes til et eget orkestreringslag. Start med én ikke-kritisk datapipeline, mål faktisk kostnad over en måned, og utvid gradvis i stedet for å gjøre et fullt bytte på én gang.
Fra Databricks til BigQuery
Unico sin dokumenterte migrering fra Databricks til BigQuery er et godt praktisk eksempel på hvordan denne retningen fungerer i virkeligheten. Fordi Databricks sin UniForm-funksjon allerede skriver Iceberg-kompatible metadata til Delta-tabeller, kan BigQuery i mange tilfeller lese eksisterende Databricks-data direkte via BigLake uten en full re-eksport. Jobber og notebooks som bruker Databricks-spesifikke biblioteker, som MLflow-integrasjoner eller Spark-spesifikk kode, må derimot skrives om for BigQuerys SQL-dialekt og Vertex AI-integrasjoner. Planlegg migreringen i faser: først lesetilgang via Iceberg-broen, deretter gradvis flytting av skrivejobber, og til slutt avvikling av den gamle plattformen når begge systemer har kjørt parallelt lenge nok til å bekrefte datakonsistens.
Fordeler og ulemper ved hver plattform
Ingen av de fire plattformene vinner på alle punkter. Her er den kortest mulige, ærligste oppsummeringen av hver.
- Cloudflare Basin – fordel: null datautgang og lav lagringspris. Ulempe: ingen uavhengig ytelsesdokumentasjon, ung katalogfunksjonalitet, få referansekunder så langt.
- Snowflake – fordel: moden styring, bred datadelingsfunksjonalitet og dokumentert skala hos store kunder. Ulempe: lagringsprisen ligger over flere konkurrenter, og kredittbasert prising kan være vanskelig å forutsi.
- Databricks – fordel: ledende innen AI/ML-arbeidsbelastninger og Gartners høyeste lakehouse-rangering. Ulempe: prisstrukturen med DBU-er krever innsikt i egen arbeidsbelastning for å unngå overraskelser, og mange av de offentlige prisene varierer etter sky og avtale.
- Google BigQuery – fordel: enkel on-demand-prising og tett integrasjon med resten av Google Cloud. Ulempe: ukontrollerte spørringer uten partisjonsfilter kan bli uventet dyre, og plattformen er mindre attraktiv hvis resten av stacken ikke allerede kjører på GCP.
Norge og Norden: hva betyr dette i praksis
Ingen av kildene vi har gått gjennom, bekrefter en konkret norsk kunde eller et eget Nordics-tilpasset tilbud for Basin, Snowflake, Databricks eller BigQuery. Det nærmeste nordiske holdepunktet er Novo Nordisk sin dokumenterte bruk av Snowflake i Danmark, der selskapet har samlet rundt 900 terabyte data og gitt 40 000 ansatte selvbetjent tilgang til innsikt. Det viser at minst én stor nordisk virksomhet har valgt et etablert, provisjonert datavarehus fremfor en nyere serverløs løsning, trolig fordi skala og styringskrav i en regulert bransje som legemidler veier tyngre enn en marginalt lavere lagringspris.
For norske team er det likevel to konkrete ting verdt å følge med på. Det første er dataresidens: ingen av kildene bekrefter om Basin har egne europeiske eller nordiske datasentre utover Cloudflares allerede eksisterende, brede edge-nettverk, så virksomheter med strenge krav til hvor data fysisk lagres bør avklare dette direkte med Cloudflare før de tester produktet i produksjon. Det andre er kostnad: med Nord-Europas typisk høye datavolum i industrier som energi og telekom, kan en nullkostnad for datautgang fra Basin bety mer i kroner og øre enn i markeder der data sjeldnere flyttes mellom skyer.
Norske og nordiske virksomheter som vurderer amerikanske skyleverandører, må uansett plattform avklare hvordan personopplysninger behandles under GDPR, inkludert hvilket rettslig grunnlag som brukes for eventuell overføring av data til USA. Det gjelder like mye for Cloudflare Basin som for Snowflake, Databricks og BigQuery, og det er en vurdering som bør gjøres før valg av plattform, ikke etter at produksjonsdata allerede ligger der.
Verdikt: hvilken plattform vinner i 2026
Det finnes ikke én vinner, men dataene peker på et klart mønster. Hvis du allerede driver en moden dataorganisasjon med krav til styring, datadeling på tvers av partnere og dokumentert skala, er Snowflake fortsatt det tryggeste valget, støttet av 4,684 milliarder dollar i årlig omsetning og kunder som Siemens og Novo Nordisk som opererer i regulerte bransjer. Hvis arbeidsbelastningen din er tung på AI og maskinlæring, gir Databricks sin Gartner-ledende lakehouse-posisjon og 134 milliarder dollar i verdsettelse et sterkt argument for at investeringen i plattformen vil fortsette å vokse. Hvis du allerede lever i Google Cloud-økosystemet, er BigQuerys enkle on-demand-prising på $6,25 per TiB og sjette året som Gartner-leder vanskelig å argumentere mot.
Cloudflare Basin er den mest spennende nykommeren på lenge, med en reell pris-fordel på $2,50 per TB skannet data og null datautgang, men den er for ny til å anbefales for forretningskritisk last i dag. Den riktige strategien for de fleste team er trolig ikke å velge én vinner for alltid, men å følge EnBW sitt eksempel: bruk Iceberg som det felles språket, og la ulike plattformer håndtere det de faktisk er best på, i stedet for å tvinge all data gjennom én motor.
Sett konkret av tre måneder til en kontrollert pilot før du tar en endelig beslutning. Flytt én ikke-kritisk datapipeline, mål faktisk kostnad og ytelse mot dagens løsning, og la resultatet avgjøre heller enn prislisten alene. Markedet beveger seg fort nok akkurat nå, med Snowflakes Iceberg-lagring, Databricks sin UniForm og Cloudflares helt nye Basin, til at et valg gjort i dag ikke trenger å være permanent.
Ofte stilte spørsmål
Er Cloudflare Basin klar for produksjon i 2026?
Basin ble gjort allment tilgjengelig 1. oktober 2026. Det finnes ennå ingen uavhengig ytelsesdokumentasjon eller store, navngitte referansekunder, så de fleste bør starte med ikke-kritiske arbeidsbelastninger før de flytter forretningskritisk data dit.
Hva koster det egentlig å kjøre en spørring mot Cloudflare Basin?
Basin SQL koster $0,0025 per GB skannet komprimert data, altså $2,50 per TB, i tillegg til eventuell lagrings- og katalogbruk utover de inkluderte gratiskvotene.
Støtter Snowflake Apache Iceberg?
Ja. Snowflake har native støtte for Iceberg-tabeller, inkludert kundeforvaltet ekstern lagring, og fikk i juni 2026 generell tilgjengelighet for egenforvaltet Iceberg-lagring gjennom Horizon Catalog.
Kan jeg bruke Databricks-data direkte i BigQuery uten migrering?
I mange tilfeller ja, takket være Delta Lake UniForm, som skriver Iceberg-kompatible metadata til Delta-tabeller slik at eksterne motorer som BigQuery kan lese dem uten full re-eksport. Databricks-spesifikk kode og biblioteker må likevel skrives om separat.
Hvilken plattform er billigst for lagring?
Målt per gigabyte er Cloudflare R2, lagringslaget bak Basin, klart billigst med $0,015 per GB per måned mot rundt $23 per TB (tilsvarer $0,023 per GB) hos både Snowflake og BigQuerys aktive lagringstier. Databricks sin kostnad avhenger av hvilken underliggende skylagring du selv velger.
Er Databricks eller Snowflake raskest?
Databricks har publisert et eget TPC-DI-basert tall som hevder omtrent 2,8 ganger raskere ytelse og 3,4 ganger bedre pris-ytelse enn Snowflake etter Snowflakes Gen2-lansering. Dette er et leverandørpublisert tall, ikke en uavhengig test, så det bør leses med forbehold.
Finnes det norske eller nordiske kunder hos noen av disse plattformene?
Den klareste nordiske referansen vi fant, er Novo Nordisk i Danmark, som bruker Snowflake til å samle rundt 900 terabyte data og gi 40 000 ansatte selvbetjent tilgang til innsikt. Ingen av kildene bekrefter en norsk kunde eller egne norske datasentre for noen av de fire plattformene.
Må jeg velge én plattform, eller kan jeg bruke flere samtidig?
Flere virksomheter kjører allerede flere plattformer parallelt. EnBW bruker Databricks Unity Catalog med Lakehouse Federation nettopp for å koble sammen data i Azure Synapse, Snowflake og BigQuery, fordi Iceberg-kompatibiliteten gjør det praktisk mulig uten å duplisere alt.
