Die besten Looker-Alternativen 2026: 14 Tools mit einer echten semantischen Schicht

Von Camellia · Aktualisiert am 21. August 2026

Microsoft Power BI ist die beste Looker-Alternative für Teams, die bereits auf Microsoft 365 oder Azure standardisiert sind und eine semantische Schicht mit Governance wollen, ohne einen eigenen LookML-Entwickler einzustellen. Lightdash ist die engste Entsprechung, wenn Sie dieselbe Git-basierte, code-definierte Modellierungsdisziplin behalten wollen, aber rund um dbt statt einer proprietären Sprache. Und Sigma Computing ist die beste Wahl für Finance- und Revenue-Teams, die lieber in einer Tabellenkalkulation arbeiten, als überhaupt eine Modellierungssprache zu lernen. Jedes Tool unten wird danach bewertet, ob es eine echte Modellierungsschicht mit Governance hat und nicht nur Diagrammtypen, und jeder Preis stammt aus der eigenen Preisseite des Anbieters, Stand August 2026.

Die meiste Suche nach einem Looker-Ersatz beginnt mit einer Verwechslung, die man zuerst klären sollte: „Looker" und „Looker Studio" sind verschiedene Google-Produkte mit verschiedenen Eigentümern, verschiedenen Preismodellen und verschiedenen Zielgruppen, und viele Suchanfragen der Art „Ich will Looker verlassen" meinen in Wahrheit das kostenlose. Dieser Leitfaden behandelt beide, plus 12 weitere Tools für CTOs, VPs of Data, Analytics Engineers und BI Leads, die entscheiden, ob sie eine Git-basierte semantische Schicht behalten, zu einem GUI-first-Modell mit Governance wechseln oder die Modellierung ganz ans Warehouse abgeben. Beginnen Sie mit der BI-Tool-Übersicht, wenn Sie die Kategorie noch nicht eingegrenzt haben, oder lesen Sie weiter, wenn Looker konkret der Platzhirsch ist, gegen den Sie evaluieren.

Wichtige Fakten

• Googles Looker wurde im Gartner Magic Quadrant für Analytics- und Business-Intelligence-Plattformen im Report 2026 zum dritten Mal in Folge als Leader eingestuft (Google Cloud Blog).
• Microsoft Power BI wurde im selben Magic Quadrant seit dem Report 2025 18 Jahre in Folge als Leader eingestuft, die längste aktive Serie aller Anbieter der Kategorie (Microsoft Power BI Blog).
• Nur 27 % der Datenteams planten, in den nächsten 12 Monaten die Investitionen in Tools für die semantische Schicht zu erhöhen, laut einer Befragung von 459 Data-Praktikern und -Führungskräften (dbt Labs, 2025 State of Analytics Engineering Report).
• Fast zwei Drittel der BI-Verantwortlichen sagen, dass KI ihre Analytics-Roadmap entweder beschleunigt oder neu ausgerichtet hat, laut Dresner Advisorys Leitstudie zum Markt (Dresner Advisory Services, 17th Edition Business Intelligence Market Study, 2026).
• Der weltweite Markt für BI-Software soll 2026 $43,7 Milliarden erreichen und bis 2033 mit einer CAGR von 9,3 % wachsen (Grand View Research).

Schnellvergleichstabelle

Looker vs. Looker Studio: Nicht dasselbe Produkt

Hier lohnt es sich, vor allem anderen innezuhalten, denn es entscheidet, welche Hälfte dieses Leitfadens für Sie tatsächlich gilt. Looker (die Kernplattform von Google Cloud) und Looker Studio (früher Google Data Studio) teilen sich einen Namen und ein Mutterunternehmen und architektonisch sonst nichts.

Looker ist die Enterprise-BI-Plattform auf Basis von LookML, einer Git-basierten Modellierungssprache, die Dimensionen, Kennzahlen und Joins als Code definiert. Sie wird in den Editionen Standard, Enterprise und Embed verkauft, alle nur auf Anfrage mit jährlichen Bindungen von 1, 2 oder 3 Jahren, und jede Plattform enthält 10 Standard- und 2 Developer-Nutzer. Eine konkrete Zahl veröffentlicht Google: Überschreitungen bei Conversational-Analytics-Datentokens von $3,00 pro 1 Mio. Input-Tokens und $20,00 pro 1 Mio. Output-Tokens, gültig ab 1. Oktober 2026 (derzeit bis zum 30. September 2026 im Rahmen der Fair-Use-Grenzen unbegrenzt, laut Googles eigener Preisseite).

Looker Studio ist ein kostenloses Point-and-click-Reporting-Tool ohne Modellierungssprache und ohne eigene semantische Schicht. Es verbindet sich mit Hunderten Datenquellen (Google Ads, Analytics, Sheets, BigQuery und Community-Konnektoren) und ist für den schnellen Berichtsaufbau gebaut, nicht für Enterprise-Metriken mit Governance. Looker Studio Pro ergänzt eine kostenpflichtige Lizenz, die an ein Google-Cloud-Projekt gebunden ist, pro Lizenz abgerechnet, ob sie genutzt wird oder nicht, zu $9 pro Nutzer und Projekt und Monat.

Wenn Ihre eigentliche Klage lautet „Ich brauche kostenlose Dashboards auf meinen Google-Ads- und Analytics-Daten", brauchen Sie keine Alternative, denn Looker Studio kann das schon. Der Rest dieses Leitfadens gilt der schwierigeren Frage: Was ersetzt das zentral gesteuerte Modell von LookML?

Warum Teams nach einer Looker-Alternative suchen

Fünf Dinge kommen immer wieder auf, wenn Teams einen Wechsel weg von Looker evaluieren, und sie sind meist die Kehrseite dessen, was LookML überhaupt wertvoll macht.

Die Lernkurve von LookML erzeugt eine Abhängigkeit von Entwicklern. LookML ist eine Abhängigkeitssprache, näher an make als an SQL, und bringt eigene Konzepte (Explores, Joins, Dimensionen, Kennzahlen) obendrauf, statt SQL zu ersetzen. Analysten, die mit dem nötigen Git-Workflow nicht vertraut sind, stoßen beim Erlernen von Commits und Branches auf echten Widerstand, und die Iterationsschleife selbst ist langsam: LookML schreiben, auf Validate klicken, auf Save klicken, das Ergebnis erkunden, wiederholen. Jede Änderung an einer Metrikdefinition braucht jemanden, der LookML beherrscht, was das Reporting bei Teams ohne eigene BI-Engineers in einer Entwicklerwarteschlange festhält.

Die Preise gibt es nur auf Anfrage, mit angehängter jährlicher Bindung. Auf Lookers Preisseite steht nirgends ein Dollarbetrag, nur drei Editionen, alle mit Laufzeiten von 1, 2 oder 3 Jahren. Das funktioniert gut, sobald Sie sich festgelegt haben, macht es aber schwer, vor einem Verkaufsgespräch zu budgetieren oder zu prototypisieren, und es bindet Sie von Anfang an an eine Laufzeit, statt die Nutzung Monat für Monat wachsen zu lassen.

Die Struktur aus Plattform- plus Nutzerlizenz schränkt echte Arbeit auf Developer-Plätze ein. Nur 10 Standard- und 2 Developer-Nutzer sind pro Plattform inbegriffen. Standard-Nutzer erhalten Dashboards, Explores und eingeschränktes LookML, echte Modelländerungen laufen weiterhin über einen dieser 2 Developer-Plätze, sodass Sie, sobald eine dritte Person das Modell bearbeiten muss, wieder in einem Lizenzgespräch landen.

Die Anziehungskraft des Google-Cloud-Ökosystems ist für manche Teams ein Feature und für andere Reibung. Lookers tiefste Integration gilt BigQuery und dem Rest von Google Cloud; die neueren Conversational-Analytics-Funktionen sind an Gemini gebunden. Wenn Ihr Warehouse Snowflake, Databricks oder ein Multi-Cloud-Mix ist, wirkt diese Anziehungskraft gegen Sie statt für Sie.

Wonach Teams stattdessen suchen, lässt sich auf wenige klare Muster eingrenzen: eine Git-basierte semantische Schicht ohne die proprietäre Syntax (Lightdash auf dbt, Holistics mit der eigenen Sprache AML), eine Tabellenoberfläche, die die Modellierung zugunsten der Warehouse-Governance überspringt (Sigma), oder volle Kontrolle durch Selbst-Hosting (Metabase oder Apache Superset). Wenn nicht nur die Modellierungssprache, sondern der Git-Workflow selbst der Teil Ihres Stacks ist, den es zu überprüfen gilt, behandelt unser Leitfaden zu GitLab-Alternativen diese angrenzende Entscheidung.

Vergleich der semantischen Schichten: Wer wirklich eine hat

Eine Übersicht über Looker-Alternativen, die diese Tabelle auslässt, lässt den Kern aus. Der Kernwert von LookML sind nicht die Diagramme, sondern eine einzige, zentral gesteuerte, versionierte Definition jeder Metrik. Manche Tools dieser Liste ersetzen diese Disziplin direkt, manche durch eine andere Art von Governance, und einige haben darauf eigentlich keine Antwort.

Nur Lightdash und Holistics behandeln Modellierung als Code so wie LookML: code-definiert, Git-versioniert und in einem Pull Request prüfbar, und GoodDatas Logical Data Model kommt über das eigene Analytics-as-Code-CLI dorthin, statt über dbt- oder LookML-Syntax. Alle anderen auf dieser Liste tauschen diese Disziplin entweder gegen schnellere Zeit bis zum Dashboard oder gegen ein ganz anderes Governance-Modell (das Warehouse selbst, im Fall von Sigma). Wofür Sie sich auch entscheiden, die zugrunde liegende Governance-Frage verschwindet nicht, sie wandert nur; unser Framework Source of Truth für Umsatzdaten ist eine nützliche Referenz, um zu klären, was „govern" in Ihrem Unternehmen bedeuten muss, unabhängig davon, welches Tool es durchsetzt.

1. Microsoft Power BI - Das Modell mit Governance ohne LookML

Die semantischen Modelle von Power BI (früher Datasets genannt) geben Ihnen eine wiederverwendbare, Metrikschicht mit Governance, ohne LookML von Hand zu schreiben, und die Git-Integration von Microsoft Fabric speichert diese Modelle im TMDL-Format, eine Datei pro Tabelle, Kennzahl und Beziehung, sodass Änderungen echte Diffs und Code-Reviews bekommen, obwohl die Erstellung selbst GUI-first statt Code-first ist. Copilot ergänzt KI-gestütztes DAX und Berichtserstellung obendrauf. Microsoft wurde in Forresters Business Intelligence Platforms Wave im Q2 2025 als Leader eingestuft, mit der höchsten Bewertung aller Anbieter bei generativen KI-Funktionen, und ist seit 18 Jahren in Folge Leader im Gartner Magic Quadrant, länger als jeder andere Anbieter der Kategorie. Für jede Organisation, die bereits in Microsoft 365, Teams und Azure lebt, ist diese Ökosystemtiefe der eigentliche Anziehungspunkt.

Der Kompromiss zeigt sich, sobald Sie tief in Fabric stecken. Kapazitätspreise (F-SKUs) sind regionsspezifisch und werden über einen Rechner statt einer festen Preisliste dargestellt, und die Kosten skalieren mit der Nutzung auf eine Weise, die schwerer vorherzusagen ist als eine pauschale Gebühr pro Nutzer.

Preise: Kostenlos (persönlich, kein Teilen möglich); Pro $14,00/Nutzer/Monat bei jährlicher Zahlung; Premium Per User $24,00/Nutzer/Monat bei jährlicher Zahlung; Fabric-Kapazität wird separat pro Region abgerechnet, Reservierungen sparen etwa 41 %.

Am besten geeignet für: Auf Microsoft standardisierte Teams, die ein versioniertes semantisches Modell mit Governance wollen, ohne jemanden einzustellen, der LookML beherrscht.

Größeneignung: Funktioniert von kleinen Teams bis zum Konzern; die Fabric-Kapazitätskosten sind im großen Maßstab die eigentliche Grenze, nicht die Lizenz pro Nutzer.

Stage-Fit: Eine starke Passung, sobald ein Unternehmen seinen Datenstack auf Microsoft standardisiert, unabhängig davon, wie ausgereift seine BI-Praxis bereits ist.

Wenn Sie Alternativen zu Power BI selbst evaluieren, lesen Sie unseren eigenen Leitfaden zu Power-BI-Alternativen, und wenn Sie noch zwischen den beiden größten Platzhirschen dieser Kategorie entscheiden, behandelt Power BI vs. Tableau diesen Vergleich direkt.

2. Tableau - Beste visuelle Analytik, weiterhin keine zentrale semantische Schicht

Für die Direktvergleichsversion dieses Abschnitts vergleicht Tableau vs Looker die beiden bei den Kosten für 25, 50 und 100 Nutzer und danach, was jedes von ihnen steuert.

Tableau bleibt der Referenzpunkt für visuelle Exploration: Drag-and-drop-Analyse, die tiefste Diagrammbibliothek der Kategorie und wirklich schnelle Ad-hoc-Entdeckung. Neuere Ergänzungen wie das VizQL Data Model und Tableau Pulse sind Tableaus eigener Schritt zu einer zentraleren Metrikschicht, und Salesforces Agentforce-Integration bringt konversationelle Abfragen auf Tableau-Daten. Aber historisch und weitgehend bis heute definiert jede Arbeitsmappe ihre eigene Datenquellenlogik, statt von einem einzigen Modell mit Governance zu erben, wie jeder Explore in Looker von LookML erbt, sodass dieselbe Metrik zwischen Arbeitsmappen auseinanderdriften kann, wenn keine bewusste Disziplin dagegen arbeitet.

Preise: Creator $75, Explorer $42, Viewer $15 pro Nutzer/Monat, jährlich abgerechnet (Standard Edition; Enterprise kostet mehr, Creator liegt bei $115).

Am besten geeignet für: Teams, die visuelle Analyse und Ad-hoc-Exploration über zentrale Metrik-Governance stellen.

Größeneignung: Skaliert von kleinen Analystenteams bis zu großen Konzernen; die Lizenzkosten sind der wichtigste Hebel, nicht die Modellierungskomplexität.

Stage-Fit: Eine starke Passung, sobald visuelles Storytelling und Dashboard-Feinschliff ebenso wichtig sind wie die Konsistenz der zugrunde liegenden Metriken.

Wenn Tableau das Tool ist, das Sie tatsächlich ersetzen, geht unser Leitfaden zu Tableau-Alternativen tiefer auf diese konkrete Shortlist ein.

3. Sigma Computing - Tabellenoberfläche, keine Modellierung nötig

Sigmas gesamtes Argument läuft entgegengesetzt zu dem von LookML: Statt eines Modells mit Governance, das jede neue Frage bewacht, arbeiten Fachanwender direkt in einer Tabellenoberfläche auf Live-Warehouse-Daten (Snowflake, Databricks, BigQuery), einschließlich Eingabetabellen mit Rückschreiben für Was-wäre-wenn-Szenarien. Die Governance liegt in den eigenen Zugriffskontrollen und Ansichten des Warehouse und nicht in einer Modelldatei im Looker-Stil, sodass keine Entwicklerwarteschlange zwischen einem Analysten und einer neuen Pivot-Tabelle steht, auf Kosten der zentralen Metrikkonsistenz, die LookML erzwingt.

Preise: Kein veröffentlichter Preis. Nur kostenlose Testphase und Demo-Anfrage.

Am besten geeignet für: Finance-, Revenue- und Ops-Teams, die tabellenkalkulationsnahen Self-Service wollen, ohne auf ein Datenteam zu warten.

Größeneignung: Am besten bei etwa 50 bis 2.000 Mitarbeitenden, überall dort, wo Warehouse-native Governance bereits vertraut wird.

Stage-Fit: Eine Passung, sobald ein Unternehmen ein echtes Cloud-Warehouse hat und Fachanwender direkt darauf abfragen lassen will.

Wenn Sigmas Tabellenargument besonders reizt, weil Ihr Finance-Team ohnehin in Tabellenkalkulationen lebt, lohnt sich auch der Vergleich mit dedizierten Planungsplattformen; siehe unsere Übersicht Best FP&A Software.

4. Metabase - Der kostenlose Startpunkt

Metabase ist die naheliegende erste Station für Teams, die Lookers Lizenzmodell ganz hinter sich lassen. Die selbst gehostete Open-Source-Edition ist kostenlos mit unbegrenzten Nutzern, und das Konzept „Models", kuratierte SQL-Ansichten als wiederverwendbare Bausteine, funktioniert als leichtgewichtige semantische Schicht. Es ist absichtlich einfacher und weniger streng als LookML: Es gibt kein Äquivalent zu LookMLs Explores oder symmetrischen Aggregaten, nur gespeicherte, wiederverwendbare Abfragen.

Preise: Open Source selbst gehostet kostenlos, unbegrenzte Nutzer; Cloud Starter $90/Monat bei jährlicher Zahlung ($1.080/Jahr), 5 Nutzer inbegriffen, +$6/Nutzer/Monat; Cloud Pro $517,50/Monat bei jährlicher Zahlung ($6.210/Jahr), 10 Nutzer inbegriffen, +$12/Nutzer/Monat; Enterprise individuell ab etwa $20.000/Jahr.

Am besten geeignet für: Kleine Teams und Startups, die einen wirklich kostenlosen Startpunkt ohne Sorge um die Platzzahl wollen.

Größeneignung: Am besten unter 200 Mitarbeitenden; größere Organisationen wachsen meist aus seinem Governance-Modell heraus.

Stage-Fit: Ein natürliches erstes BI-Tool oder ein bewusstes Downgrade von Looker für ein Team, das entschieden hat, nie das volle Gewicht von LookML zu brauchen.

5. Lightdash - Die buchstäbliche Looker-Alternative für dbt-Shops

Lightdash ist die direkteste philosophische Entsprechung zu LookML auf dieser Liste. Sie bauen Metriken als YAML direkt in Ihrem bestehenden dbt-Projekt, wobei die Spezifikation meta.metrics seit dem Start der dbt-native Weg ist, committen sie in Git und erhalten Dashboards obendrauf, ohne Ihren dbt-Workflow zu verlassen. dbt Write-Back lässt Analysten Metriken in der Lightdash-Oberfläche erstellen oder bearbeiten und schiebt diese Änderungen direkt zurück in Ihr dbt-Repository, sodass das Governance-Modell wirklich Git-nativ ist, dieselbe Disziplin, die LookML erzwingt, nur rund um dbt statt einer proprietären Sprache. Beta-Unterstützung für das Abrufen von Metriken über dbts eigene Semantic Layer (MetricFlow) wird ausgerollt und ist derzeit auf einfache, Verhältnis- und abgeleitete Metriktypen beschränkt.

Preise: Kostenlos (selbst gehostet, Open Source); Cloud Pro $3.000/Monat ohne Preis pro Platz (unbegrenzte Nutzer); Enterprise individuell.

Am besten geeignet für: Teams, die bereits dbt betreiben und die Code-und-Git-Disziplin von LookML ohne Lookers Preisschild oder Google-Abhängigkeit behalten wollen.

Größeneignung: Am besten bei etwa 20 bis 500 Mitarbeitenden, überall dort, wo bereits ein dbt-Projekt existiert.

Stage-Fit: Ideal für ein Team, das von Looker migriert und beim Umzug keinerlei Modellierungsstrenge verlieren will.

Für die tieferen Mechanismen, wie man ein Modell baut, das eine solche Migration übersteht, lesen Sie unseren Leitfaden SQL-Datenmodellierung, die skaliert.

6. Preset (verwaltetes Apache Superset) - Open Source, kein Lock-in

Preset ist verwaltetes Apache Superset, das ursprünglich bei Airbnb gebaute Open-Source-Projekt. Wenn das eigentliche Ziel ist, Vendor-Lock-in ganz zu entkommen, ist selbst gehostetes Superset für immer kostenlos, Sie tragen nur die Betriebslast. Preset nimmt diese Hosting-Last ab und hält Sie auf derselben offenen Engine, sodass es kein Risiko proprietärer Formate gibt, wie bei der Migration weg von einem vollständig geschlossenen Tool. Supersets Datasets (virtuell oder physisch) funktionieren als leichtgewichtige Modellierungsschicht, und Assets lassen sich zur Versionierung als YAML exportieren, auch wenn es ab Werk kein dbt-metrik-natives System ist.

Preise: Preset Starter dauerhaft kostenlos bis zu 5 Nutzer; Professional $20/Nutzer/Monat bei jährlicher Zahlung ($25 bei monatlicher Zahlung), unbegrenzte Nutzer; Enterprise individuell. Selbst gehostetes Apache Superset selbst ist Open Source und kostenlos.

Am besten geeignet für: Engineering-geführte Teams, die eine Open-Source-BI-Engine wollen, ohne die Infrastruktur zu besitzen.

Größeneignung: Starter passt zu Teams unter 5 Nutzern; Professional skaliert bequem bis in den Mid-Market.

Stage-Fit: Eine gute Passung überall dort, wo Open-Source-Governance und das Vermeiden von Lock-in schwerer wiegen als Modellierungstiefe auf LookML-Niveau.

7. ThoughtSpot - Search-first, mit einer Brücke zurück zu dbt und Looker

ThoughtSpots Argument ist Suche, nicht Dashboards: Sie tippen oder stellen eine natürlichsprachliche Frage, und es fragt Ihr Modell direkt ab, angetrieben von der eigenen KI plus neueren agentischen Funktionen. Seine Models (früher Worksheets genannt) sind ThoughtSpots eigene semantische Schicht, exportierbar in einem YAML-ähnlichen Format namens TML. Eine Partnerschaft mit dbt Labs von 2022, weiterhin aktiv und über Analyst Studio erweitert, lässt ThoughtSpot Metriken direkt aus der dbt Semantic Layer oder aus einer bestehenden Looker-/LookML-Instanz abfragen, nützlich, wenn Sie schrittweise migrieren, statt Looker auf einen Schlag umzustellen.

Preise: Essentials ab $25/Nutzer/Monat bei jährlicher Zahlung (5-50 Nutzer, bis zu 25 Mio. Zeilen); Pro ab $50/Nutzer/Monat bei jährlicher Zahlung (bis zu 1.000 Nutzer, 250 Mio. Zeilen); Enterprise individuell. Embedded: Developer 1 Jahr kostenlos (10 Nutzer), Enterprise individuell.

Am besten geeignet für: Fachanwender, die Fragen in natürlicher Sprache stellen wollen, statt durch Dashboards zu navigieren.

Größeneignung: Essentials passt zu 5-50 Nutzern; Pro skaliert bis 1.000.

Stage-Fit: Funktioniert gut als Looker-Ersatz oder als Brückentool, das bei einer schrittweisen Migration auf einem bestehenden Looker-/dbt-Modell sitzt.

8. Qlik Cloud Analytics - Assoziative Exploration, Kapazitätspreise

Qliks assoziative Engine ist architektonisch die größte Abkehr von Lookers Philosophie auf dieser Liste. Statt jeden Join und jede Beziehung vorab zu definieren, wie es LookML verlangt, indiziert Qliks In-Memory-Engine alle Beziehungen Ihrer Daten im Voraus, sodass Nutzer durch Assoziationen klicken können, die ein starres Star-Schema komplett verpassen würde. Diese Flexibilität wird gegen Governance im LookML-Stil getauscht: Es gibt keine einzelne kanonische Modelldatei, die man in einem Pull Request prüfen könnte. Die Preise sind kapazitätsbasiert statt pro Nutzer, sodass zusätzliche Analysten die Lizenzkosten nicht erhöhen, wie es beim Standard-User-Modell von Looker der Fall ist. Qlik wurde laut eigener Ankündigung im Gartner Magic Quadrant 2025 für Analytics- und BI-Plattformen zum 15. Mal in Folge als Leader eingestuft.

Preise: Starter $300/Monat (10 Nutzer, 10 GB, jährlich abgerechnet); Standard $825/Monat (25 GB, zusätzliche Nutzer kostenlos); Premium $2.750/Monat (50 GB); Enterprise auf Anfrage, Minimum 250 GB. Alles kapazitätsbasiert, jährlich abgerechnet.

Am besten geeignet für: Teams, die explorative, nichtlineare Analyse wollen und bereit sind, nach Datenvolumen statt nach Plätzen zu budgetieren.

Größeneignung: Starter passt zu kleinen Teams bei 10 GB; Premium und Enterprise skalieren auf große Datenvolumen unabhängig von der Mitarbeiterzahl.

Stage-Fit: Eine Passung, sobald das Datenvolumen und nicht die Nutzerzahl die berechenbarere Wachstumsgröße Ihrer Organisation ist.

9. Hex - Notebooks plus eine Metrikschicht mit Governance

Hex ist in erster Linie kein Dashboard-Tool, sondern ein kollaboratives Notebook: SQL-, Python- und No-Code-Zellen in einem Dokument, gedacht für Analytics Engineers und Data Scientists, die ausgefeilte Apps statt nur Diagramme veröffentlichen. Wo es sich mit Lookers Kernversprechen überschneidet, ist die Integration der dbt Semantic Layer: Hex' Semantic Model Sync, im März 2026 in öffentlicher Beta, zieht Kennzahlen und Dimensionen mit Governance direkt aus dbt MetricFlow oder Cube in ein Notebook. Das heißt, die „Single Source of Truth", die LookML liefert, kann in dbt leben, während Hex die Exploration und den App-Bau darauf übernimmt.

Preise: Community kostenlos; Professional $36 pro Editor/Monat; Team $75 pro Editor/Monat; Enterprise individuell.

Am besten geeignet für: Analytics Engineers und Data Scientists, die Notebooks mit zentral gesteuerten Metriken darunter wollen, nicht noch ein Dashboard-Tool.

Größeneignung: Die kostenlose Community-Stufe funktioniert für Einzelpersonen; die Team-Stufe passt zu Analytics-Teams mit 5-50 Personen.

Stage-Fit: Am besten für Teams mit bestehender dbt-Investition, die darauf interaktive Apps bauen wollen, statt ihre BI-Schicht komplett zu ersetzen.

10. Holistics - Das nächste LookML-Analogon, ohne Google

Wenn Ihnen die Kernidee von LookML gefiel, code-definierte, Git-versionierte Metriken, aber nicht Googles Ökosystem, ist Holistics die direkteste Entsprechung auf dieser Liste. Die Modellierungssprache AML (Analytics Modeling Language) spielt eine ähnliche Rolle wie LookML: Dimensionen, Kennzahlen und Beziehungen werden als Code geschrieben und mit echter bidirektionaler Synchronisierung, Branching und Code-Review in Git eingecheckt, ein womöglich vollständigerer Git-Workflow als LookMLs eigene Beziehung zur Versionskontrolle. Es ist ein kleineres Unternehmen als Google, sodass der Fachkräftepool von Leuten, die AML bereits kennen, dünner ist als der LookML-Markt, aber für ein Team, das Looker verlassen will, ohne „Modellierung als Code" als Prinzip aufzugeben, ist es die engste philosophische Entsprechung.

Preise: Entry $800/Monat bei jährlicher Zahlung ($960 monatlich), erste 10 Nutzer und 100 Berichte; Standard $1.000/Monat jährlich ($1.200 monatlich), unbegrenzte Berichte; Security Compliance Suite $2.000/Monat jährlich ($2.400 monatlich). Zusätzliche Nutzer 12,50-18 $/Monat.

Am besten geeignet für: Teams, die das Code-als-Governance-Modell von LookML gezielt geschätzt haben und dieselbe Philosophie anderswo wollen.

Größeneignung: Die Entry-Stufe passt zu Teams bis zu 10 Nutzern; Standard skaliert mit unbegrenzten Berichten für größere Analytics-Teams.

Stage-Fit: Am besten für ein Team mit bestehender LookML-Disziplin, das sie durch eine Migration hindurch bewahren statt aufgeben will.

11. Looker Studio - Kostenlos, aber kein echter Looker-Ersatz

Wenn das kostenlose Tool tatsächlich das ist, wonach Sie gesucht haben, ist Power BI vs Looker Studio der nützlichere Vergleich.

Das ist das „kostenlose Looker", an das viele Leute tatsächlich denken, wenn sie sagen, sie wollen Looker verlassen, und es sollte klar gesagt werden: Es ist keine Light-Version der LookML-basierten Plattform, sondern ein grundlegend anderes Produkt (früher Google Data Studio), das Google übernommen und umbenannt hat. Es verbindet sich mit Hunderten Datenquellen, keine semantische Schicht, kein LookML, und ist für den schnellen Berichtsaufbau gebaut und nicht für Enterprise-Analytik mit Governance. Wenn Ihre eigentliche Klage über Looker lautet „Ich brauche nur kostenlose Dashboards auf meinen Google-Ads- und Analytics-Daten", ist Looker Studio kein Wettbewerber auf dieser Liste, sondern liegt vermutlich schon in Ihrem Google-Konto.

Preise: Kostenlos. Looker Studio Pro ergänzt eine kostenpflichtige Lizenz, die an ein Google-Cloud-Projekt gebunden ist, pro Lizenz abgerechnet, ob sie genutzt wird oder nicht, zu $9 pro Nutzer und Projekt und Monat.

Am besten geeignet für: Marketer und Analysten, die schnelle, kostenlose Berichte speziell auf Google- und Marketingdaten brauchen.

Größeneignung: Passt zu Teams jeder Größe, da in der kostenlosen Stufe keine Kosten pro Platz anfallen.

Stage-Fit: Eine Passung in jeder Phase, in der der Bedarf im Berichtsaufbau liegt und nicht in Enterprise-BI mit Governance.

12. Domo - Keine Kosten pro Platz, stattdessen Verbrauchs-Credits

Domos Argument ist eine Plattform, Mobile-First, keine Platzsteuer: Es berechnet Nutzerplätze überhaupt nicht, sondern misst nach Verbrauchs-Credits für Speicher, Tabellenaktualisierungen, Workflows und ML-Inferenz. Das kehrt Lookers Modell aus Preis pro Nutzer plus Plattformgebühr komplett um, gut für Organisationen, die Dashboards vor jedem Mitarbeitenden haben wollen, ohne dass eine Rechnung pro Platz mit der Mitarbeiterzahl mitwächst, riskanter für Teams mit unvorhersehbaren oder stoßweisen Workloads, bei denen sich der Credit-Verbrauch schwer vorab prognostizieren lässt. Domo Everywhere deckt das Embedding ab, und die mobile App ist wirklich Mobile-First gebaut und kein responsiver Web-Wrapper, der an ein Desktop-Produkt angeflanscht wurde.

Preise: Kein veröffentlichter Preis. Verbrauchs-Credit-Modell; Credits werden durch Speicher, Tabellenaktualisierungen, Workflows und ML-Inferenz verbraucht und werden in jedem Abrechnungszyklus im Rahmen eines Jahres- oder Mehrjahresabonnements aufgefüllt.

Am besten geeignet für: Organisationen, die Dashboards vor eine große, nicht-technische Belegschaft bringen wollen, ohne Lizenzierung pro Platz.

Größeneignung: Funktioniert in nahezu jeder Größe, da Plätze kostenlos sind; der Credit-Verbrauch, nicht die Mitarbeiterzahl, ist die eigentliche Budgetvariable.

Stage-Fit: Eine Passung, sobald breiter, unternehmensweiter Dashboard-Zugriff wichtiger ist als tiefe Modellierung mit Governance.

Wenn Domo das Tool ist, gegen das Sie Alternativen vergleichen, lesen Sie unseren eigenen Leitfaden zu Domo-Alternativen.

13. Sisense - Für Embedding gebaut, nicht für interne BI

Sisense ist für Teams gebaut, die Analytik in ihr eigenes Produkt einbetten, statt BI für den internen Gebrauch zu betreiben. Die In-Memory-Engine ElastiCube und die White-Label-Optionen zielen auf Produkt- und Engineering-Teams, die Analytik als Feature ihrer eigenen Anwendung ausliefern, nicht auf eine interne Reporting-Schicht im Looker-Stil. Das Sisense-Intelligence-Release 2025 ergänzte GenAI-Assistenzfunktionen (natürlichsprachliche Tools für „Explanation" und „Forecast") obendrauf auf die bestehende Embedding-Geschichte. Das Unternehmen durchlief 2023 bis 2024 zwei Entlassungsrunden, wird aber Stand Mitte 2026 weiterhin unabhängig betrieben, ohne angekündigte Übernahme.

Preise: Kein veröffentlichter Preis. Zwei benannte Pläne auf der Preisseite: Self-Serve (kostenlose Testphase) und Enterprise (Vertrieb kontaktieren).

Am besten geeignet für: Produkt- und Engineering-Teams, die Analytik direkt in ihre eigene SaaS-Anwendung einbetten.

Größeneignung: Am besten für Unternehmen mit einem bestehenden Produkt, in das eingebettet werden soll, unabhängig von der internen Mitarbeiterzahl.

Stage-Fit: Eine Passung, sobald Analytik zu einem Feature Ihres Produkts wird und nicht nur zu einem internen Reporting-Tool.

14. GoodData (GoodData.AI) - Headless-Semantikschicht für Embedded Analytics

GoodData wurde im April 2026 in GoodData.AI umbenannt und hat seine Abfrage-Engine rund um Open-Source-Komponenten (Apache Arrow, DuckDB, Apache Iceberg) neu gebaut, aber sein Kernangebot für einen Looker-Interessenten hat sich nicht geändert: ein Headless-, zentral gesteuertes Logical Data Model (LDM), das mehrere Anwendungen und KI-Agenten konsistent abfragen können, verwaltet über einen „Analytics as Code"-Workflow mit CLI und Git-Integration, philosophisch nah an LookML, aber in einem eigenen deklarativen Format statt in LookMLs Syntax ausgedrückt. Gartner stufte GoodData.AI im Magic Quadrant 2026 für Analytics- und BI-Plattformen als Visionary ein, nach Niche Player im Vorjahr, was diesen eingebetteten, entwicklerzentrierten Fokus widerspiegelt.

Preise: Kein veröffentlichter Preis. Professional pro Workspace bepreist; Enterprise individuell und anwendungsfallbasiert.

Am besten geeignet für: SaaS-Unternehmen, die mandantenfähige Analytik mit Governance und KI-Agenten in ihr eigenes Produkt einbetten.

Größeneignung: Am besten für Unternehmen mit einem echten Embedding-Anwendungsfall, von Startups, die Analytics-as-a-Feature bauen, bis zu Konzernen mit vielen nachgelagerten Apps.

Stage-Fit: Eine Passung, sobald Analytik über mehrere Anwendungen und Agenten hinweg konsistent sein muss, nicht nur in einem internen Dashboard.

Migration weg von LookML: Was sich nicht übertragen lässt

Für welches Tool Sie sich auch entscheiden, planen Sie ein, was tatsächlich neu aufgebaut werden muss, denn nichts davon wandert automatisch.

Metrikdefinitionen lassen sich nicht exportieren. Jede in LookML geschriebene Kennzahl, Dimension und abgeleitete Tabelle muss manuell in der eigenen Modellierungssprache des Zieltools neu implementiert werden, ob DAX in Power BI, YAML in Lightdash oder AML in Holistics. Es gibt keinen Konverter, der die LookML-Logik toolübergreifend vollständig bewahrt.

Join-Verhalten auf Explore-Ebene hat kein direktes Äquivalent. LookMLs Explores legen fest, welche Felder verknüpfbar sind und wie sich symmetrische Aggregate über diese Joins verhalten; die meisten anderen Tools handhaben Joins pro Abfrage oder pro Modell anders, diese Logik muss also neu durchdacht und nicht nur übersetzt werden.

Sicherheit auf Zeilenebene muss im Modell des neuen Tools neu aufgebaut werden. Lookers auf Nutzerattributen basierende Zugriffsfilter lassen sich nicht übertragen; jedes Zieltool setzt Sicherheit auf Zeilenebene auf eigene Weise um.

Actions, geplante Zustellungen und eigene Visualisierungen müssen alle neu erstellt werden, in den jeweiligen Entsprechungen der neuen Plattform, da keine dieser Integrationen als exportierbare und importierbare Konfiguration mitwandert.

Es gibt einen echten Lichtblick: Wenn Ihre Organisation bereits ein von Looker unabhängiges dbt-Projekt betreibt, ist diese zugrunde liegende Datenmodellierungsarbeit übertragbar, und LookML hat womöglich Logik dupliziert, die schon in dbt lebte. Der Wechsel zu einem dbt-nativen Tool wie Lightdash ist in diesem Fall keine Migration, sondern eine Konsolidierung auf das Modell, das Sie schon hatten. So oder so ist eine klare Referenz dafür, was jede Metrik bedeutet und woher sie kommt, während einer Migration wichtiger als zu jedem anderen Zeitpunkt; unser Framework Umsatz-Datenwörterbuch ist ein nützliches Muster zum Ausleihen, unabhängig davon, welches Tool es am Ende durchsetzt. Und wenn es bei der größeren Frage eigentlich um Ihren gesamten Analytics-Stack geht und nicht nur um die BI-Schicht darüber, ist unser Leitfaden zu Tools und Tech-Stack für Datenanalysten eine gute nächste Station.

Größen- und Persona-Eignung

Stage-Fit

Wie Sie wählen: Entscheidungsrahmen

Wählen Sie nach dem Governance-Modell, das Ihr Team pflegen kann, und grenzen Sie dann die Produkt-Shortlist ein.

Wenn die Lücke, die Sie eigentlich schließen wollen, Produktnutzungsdaten statt Business-Reporting betrifft, ist das eine ganz andere Kategorie; siehe unseren Leitfaden So wählen Sie Product-Analytics-Software aus.

Die nächsten Schritte

Wählen Sie Ihre zwei stärksten Kandidaten aus dem obigen Entscheidungsrahmen, einen von jeder Seite der Weggabelung Git-basiert gegen GUI-first, und bauen Sie in jedem davon eine echte Sache aus Ihrer aktuellen Looker-Instanz nach: ein Dashboard, das Ihr Team wöchentlich tatsächlich nutzt, oder die Metrikdefinitionen hinter Ihrem meistgenutzten Explore. Setzen Sie sich dafür nicht in eine Vertriebs-Demo. Beobachten Sie, wie lange Ihre eigenen Analysten brauchen, um etwas nachzubauen, dem sie in LookML schon vertrauen, und ob das Governance-Modell des neuen Tools, welcher Art auch immer, wirklich trägt, sobald jemand anderes im Team es bearbeitet. Diese Übung sagt Ihnen mehr über die tatsächlichen Migrationskosten als jeder Funktionsvergleich auf dieser Seite.

Camellia schreibt über Business Intelligence und Analytics-Tools für B2B-Teams.