Wat kost een ETL-pipeline? Realistische budgetten voor MKB-dataprojecten

Kernpunten: De bouw van een ETL-pipeline voor het MKB kost tussen de 5.000 en 100.000 euro, afhankelijk van complexiteit en het aantal databronnen. De maandelijkse cloudkosten variëren van 100 tot 2.000 euro. Dit artikel geeft transparante kostenoverzichten voor drie complexiteitsniveaus, vergelijkt de belangrijkste tools en laat zien hoe subsidies als de WBSO tot 32% van de ontwikkelkosten kunnen dekken.

Een ETL-pipeline kost minder dan de meeste ondernemers denken, en meer dan leveranciers suggereren wanneer ze hun tools demonstreren op een schone demo-dataset

De term ETL staat voor Extract, Transform, Load en beschrijft het proces waarmee data uit verschillende bronnen wordt opgehaald, omgezet naar een bruikbaar formaat en geladen in een centrale opslaglocatie. Voor het MKB is een ETL-pipeline het technische fundament onder datagedreven werken. Zonder ETL blijven CRM-data, financiële gegevens, webshopstatistieken en operationele data geïsoleerde eilanden die geen samenhangend beeld opleveren.

Volgens onderzoek van Fivetran besteden data-engineers gemiddeld 44% van hun tijd aan ETL-gerelateerde werkzaamheden. Voor het MKB, dat doorgaans geen eigen data-engineers in dienst heeft, betekent dit dat externe expertise noodzakelijk is voor de opbouw en dat de initiële investering zich concentreert in de eerste drie tot zes maanden. Daarna zijn de operationele kosten relatief beperkt en voorspelbaar.

De kosten van een ETL-pipeline hangen af van vier factoren: het aantal en de complexiteit van de databronnen, het volume en de frequentie van dataverwerking, de mate van datatransformatie die nodig is en de gekozen tooling en infrastructuur. In dit artikel behandelen we elk van die factoren in detail en geven we transparante kostenoverzichten op drie niveaus.

Niveau 1: Eenvoudige ETL-pipeline (5.000 tot 15.000 euro)

Een eenvoudige ETL-pipeline verbindt twee tot vier databronnen met een centraal datawarehouse en voert basale transformaties uit. Dit is het instapniveau voor MKB-bedrijven die hun eerste stappen zetten naar geïntegreerde data. Gangbare bronnen zijn een CRM-systeem als HubSpot of Salesforce, een boekhoudpakket als Exact of Twinfield, Google Analytics en eventueel een webshopplatform als Shopify of WooCommerce.

De ontwikkelkosten voor dit niveau bedragen 5.000 tot 15.000 euro, verspreid over vier tot acht weken doorlooptijd. Dit omvat het opzetten van de extractie uit elke bron via API-koppelingen, het definiëren van de transformatieregels die data standaardiseren en verrijken, het inrichten van de opslaglaag in een cloudgebaseerd datawarehouse en het bouwen van monitoring die waarschuwt wanneer iets misgaat.

De maandelijkse operationele kosten op dit niveau zijn bescheiden. Google BigQuery rekent op basis van verbruik en komt voor gangbare MKB-volumes uit op 50 tot 150 euro per maand. Een managed ETL-tool als Fivetran kost daar 250 tot 500 euro per maand bovenop voor twee tot vier connectoren. Het alternatief is open-source tooling als Airbyte, dat gratis is maar meer technische kennis vereist voor beheer. De totale maandelijkse kosten op dit niveau bedragen 100 tot 500 euro.

Een belangrijk aandachtspunt op dit niveau is de datakwaliteit bij de bron. In de praktijk gaat 30 tot 40% van het ontwikkelbudget op aan het opschonen en standaardiseren van brondata. Denk aan bedrijfsnamen die in het ene systeem als afkorting staan en in het andere voluit zijn geschreven, datumformaten die per bron verschillen en ontbrekende velden die achteraf moeten worden aangevuld. Dat is geen technisch falen; elk dataproject krijgt ermee te maken.

Niveau 2: Medium complexiteit (15.000 tot 40.000 euro)

Een ETL-pipeline van medium complexiteit verbindt vijf tot tien databronnen, verwerkt grotere datavolumes en voert geavanceerdere transformaties uit. Dit niveau is typisch voor MKB-bedrijven met 30 tot 100 medewerkers die meerdere afdelingen willen voorzien van geïntegreerde data-inzichten.

Naast de standaardbronnen uit niveau één komen hier vaak productiesystemen, HR-platformen, projectmanagementtools en externe databronnen bij, zoals marktdata of weergegevens voor demand forecasting. De complexiteit neemt toe omdat elke bron zijn eigen datamodel, updatefrequentie en API-beperkingen heeft. Een ERP-systeem levert batch-updates per uur, terwijl een webshop real-time transacties genereert. Het synchroniseren van die verschillende ritmes vereist een orchestratielaag.

Op dit niveau wordt de toolkeuze belangrijker. Apache Airflow is de de facto standaard voor ETL-orchestratie en is als open-source gratis beschikbaar, maar vereist technische kennis voor installatie en onderhoud. Managed versies als Google Cloud Composer kosten 300 tot 500 euro per maand en nemen het beheer uit handen. Voor de transformatielaag is dbt (data build tool) de dominante keuze, met een gratis open-source versie en een cloudversie vanaf 100 euro per maand voor teams.

De ontwikkelkosten op dit niveau bedragen 15.000 tot 40.000 euro over acht tot zestien weken. De maandelijkse operationele kosten stijgen naar 500 tot 1.200 euro, opgebouwd uit cloudinfrastructuur (200-500 euro), toollicenties (200-500 euro) en monitoring en onderhoud (100-200 euro). Reken ook op 2 tot 4 uur per week aan interne beheertijd, of besteed dit uit voor 500 tot 1.000 euro per maand aan een externe partij.

Uit een benchmark van Databricks blijkt dat bedrijven die investeren in een gestructureerd dataplatform op dit niveau gemiddeld 3,2 keer sneller rapportages kunnen genereren en 67% minder tijd besteden aan ad-hoc dataverzoeken. Die tijdsbesparing alleen al rechtvaardigt de investering voor de meeste bedrijven binnen twaalf maanden.

Niveau 3: Complexe ETL-pipeline (40.000 tot 100.000 euro)

Een complexe ETL-pipeline omvat tien of meer databronnen, verwerkt grote datavolumes met hoge frequentie en ondersteunt geavanceerde use cases als real-time analytics, machine learning-pipelines en geautomatiseerde besluitvorming. Dit niveau is relevant voor MKB-bedrijven met ambitieuze datastrategieën, bedrijven in datarijke sectoren als e-commerce, logistiek of productie en organisaties die hun data als strategisch asset willen inzetten.

De architectuur op dit niveau verschuift van een klassieke ETL-benadering naar een modern dataplatform. Naast extractie, transformatie en laden omvat dit een data lake voor ongestructureerde data, een feature store voor machine learning, een data governance-laag met toegangscontrole en lineage-tracking en een API-laag waarlangs andere systemen de geanalyseerde data kunnen ophalen.

De ontwikkelkosten op dit niveau bedragen 40.000 tot 100.000 euro over vier tot acht maanden. De toolstack omvat doorgaans Snowflake of Databricks als dataplatform (500-2.000 euro per maand), dbt voor transformaties, Airflow of Prefect voor orchestratie, Great Expectations of Soda voor datakwaliteitscontroles en Fivetran of Airbyte voor gestandaardiseerde connectoren. De totale maandelijkse operationele kosten bedragen 1.000 tot 2.000 euro, exclusief interne beheertijd.

De keuze tussen Snowflake en Databricks is op dit niveau een strategische beslissing. Snowflake excelleert in SQL-gebaseerde analytics en is eenvoudiger te beheren, met kosten die direct gekoppeld zijn aan verbruik. Databricks biedt meer flexibiliteit voor machine learning-workloads en verwerkt ongestructureerde data beter, maar vereist meer technische expertise. Voor de meeste MKB-bedrijven is Snowflake de veiligere keuze, tenzij machine learning een kernonderdeel is van de datastrategie.

Toolkosten in detail

De toolkeuze heeft veel invloed op zowel de initiële als de operationele kosten. Managed ETL-tools als Fivetran bieden kant-en-klare connectoren voor honderden databronnen en vereisen minimale technische kennis. De kosten zijn echter fors: het starterstarief begint bij 250 euro per maand voor beperkte volumes, standaardplannen kosten 500 tot 1.500 euro per maand en enterprise-volumes lopen op tot 5.000 euro per maand of meer.

Open-source alternatieven als Airbyte bieden vergelijkbare functionaliteit tegen lagere licentiekosten. De self-hosted versie is gratis, de cloudversie kost vanaf 50 euro per maand. Het verschil zit in de operationele overhead: self-hosted vereist technische kennis voor installatie, updates en troubleshooting. Voor bedrijven zonder interne technische capaciteit is de managed optie vaak kosteneffectiever ondanks de hogere licentiekosten.

Voor de transformatielaag is dbt de onbetwiste standaard. De open-source versie (dbt Core) is gratis en volledig functioneel. dbt Cloud voegt een webinterface, scheduling en documentatie toe voor 100 tot 500 euro per maand. De meerwaarde van dbt zit in de reproduceerbaarheid en testbaarheid van transformaties, wat de kans op fouten drastisch verlaagt en het onderhoud vereenvoudigt.

Verborgen kosten die het budget kunnen opblazen

Drie kostencategorieën worden structureel onderschat in ETL-projecten. De eerste is data-opschoning. Onderzoek van Experian toont dat 94% van de bedrijven vermoedt dat hun klantdata fouten bevat, en ze hebben gelijk. Duplicaten, verouderde records, inconsistente opmaak en ontbrekende velden kosten veel werk om te corrigeren. Reken op 15 tot 25% van het totale projectbudget voor data-opschoning, ongeacht het complexiteitsniveau.

De tweede verborgen kostenpost is change management bij de bronnen. API's veranderen, systemen worden geüpgraded en datavelden worden hernoemd. Elke wijziging in een bronsysteem kan de ETL-pipeline breken. Investeer in monitoring die automatisch waarschuwt bij schema-wijzigingen en plan 2 tot 4 uur per maand in voor het verwerken van bronwijzigingen.

De derde is het oplopen van de cloudkosten bij groeiende datavolumes. Cloud data warehouses rekenen op basis van opslag en verwerking. Bij een jaarlijkse datagroei van 30 tot 50%, wat voor digitale bedrijven realistisch is, verdubbelen de cloudkosten elke twee tot drie jaar zonder optimalisatie. Zet vanaf dag één kostenalerts aan en stel een retentiebeleid op dat historische data archiveert of verwijdert.

Subsidies voor ETL en data-infrastructuurprojecten

De ontwikkeling van een ETL-pipeline komt in veel gevallen in aanmerking voor de WBSO-subsidie. De WBSO is een fiscale regeling die innovatieve R&D-werkzaamheden ondersteunt met een gemiddeld voordeel van 32% op loonkosten en uitgaven. Het bouwen van een datapipeline op maat, waarvoor nieuwe technische oplossingen nodig zijn voor bedrijfsspecifieke vraagstukken, valt doorgaans onder de definitie van technisch nieuw en innovatief die de WBSO hanteert.

Concreet betekent dit dat een ETL-project van 50.000 euro met de WBSO een effectief voordeel van circa 16.000 euro kan opleveren. Voor projecten die AI-componenten bevatten, zoals een datapipeline die data voorbereidt voor machine learning-modellen, biedt de AInnovate-subsidie aanvullende mogelijkheden met subsidies tot 50% van de projectkosten.

Subsidies zijn in veel gevallen te combineren, en dat kan de netto-investering met 40 tot 50% verlagen. De aanvraagprocedure voor de WBSO is relatief eenvoudig en kent meerdere aanvraagmomenten per jaar. De investering in de aanvraag bedraagt doorgaans 2.000 tot 4.000 euro bij een gespecialiseerde adviseur, een fractie van het potentiële voordeel.

Build versus buy: wanneer custom, wanneer een platform?

De fundamentele keuze bij elk ETL-project is een pipeline op maat of een kant-en-klaar platform. Beide benaderingen hebben duidelijke voor- en nadelen die afhangen van de specifieke situatie.

Een pipeline op maat met open-source tools als Airbyte, dbt en Airflow biedt maximale flexibiliteit en de laagste licentiekosten. De rekening beperkt zich tot cloudinfrastructuur en ontwikkeltijd. De keerzijde is de afhankelijkheid van technische expertise voor onderhoud, updates en troubleshooting. Wanneer de ontwikkelaar die de pipeline heeft gebouwd niet meer beschikbaar is, kan de overdracht aan een nieuwe partij flink wat kosten. Uit onderzoek van Gartner blijkt dat 28% van de maatwerk-dataprojecten vertraging oploopt door kennisverlies bij personeelswisselingen.

Een managed platform als Fivetran of Stitch combineert gebruiksgemak met betrouwbaarheid. De leverancier regelt updates, monitoring en connectorbeheer. De lagere ontwikkel- en onderhoudstijd compenseert de hogere licentiekosten. Voor bedrijven zonder interne technische capaciteit is dit vaak de meest kosteneffectieve route op de lange termijn.

De hybride benadering, met een managed tool voor standaardconnectoren en custom code voor unieke bronnen of complexe transformaties, is in de praktijk het meest succesvol voor het MKB. De technische complexiteit blijft beperkt tot de onderdelen waar het echt nodig is, en het standaardwerk gaat naar beproefde platformen. Ongeveer 65% van de MKB-bedrijven die succesvol met data werken, hanteert deze hybride strategie volgens een analyse van dbt Labs.

De juiste keuze voor de situatie

De keuze tussen de drie complexiteitsniveaus hangt niet alleen af van de huidige behoeften maar ook van de groeiambities. Begin met het niveau dat de meest urgente use case oplost en ontwerp de architectuur zo dat deze kan meegroeien. Een goed ontworpen pipeline op niveau 1 kan met beperkte aanpassingen opschalen naar niveau 2 wanneer de behoeften groeien.

Wees kritisch op leveranciers die meteen naar het hoogste niveau sturen. Een complex dataplatform voor een bedrijf met drie databronnen is overengineering. Tegelijkertijd is het onverstandig om te besparen op fundamentele keuzes als datakwaliteit en monitoring, want die rekening komt later dubbel terug in de vorm van onbetrouwbare analyses en tijdrovende troubleshooting.