一句话定位：Apache Superset 创作者 2019 年出来开的商业公司，把 74K ⭐ 的开源 BI 套上 SaaS 外壳 + AI Chatbot + 企业级合规，$20/user/ 月即可上手。
写在前面
BI 圈绕不开的一个问题：为什么有人愿意付钱用商业版 Apache Superset，而不是免费自托管？
开源 Superset 是 Apache 顶级项目，74,484 ⭐ / 18,184 forks / Apache-2.0 ✅，社区成熟、文档完整、可定制性极强。但生产环境跑起来：Postgres + Redis + Celery worker + 升级 + 安全补丁 + 备份 + 监控——一套 DevOps 流水线下来，少则 1 周工程量，多则 1 个 FTE 长期维护。
Preset 的全部价值 = 把这套运维砍掉 + 加企业级功能 + 接 AI Agent。
创始人是 Maxime Beauchemin——同时是 Apache Airflow 和 Apache Superset 的原作者，一个人两次定义现代数据栈两大支柱 。2019 年出来开公司，专做 Superset 托管，Presetteam 贡献了 Superset 75% 的 commits——这不是套壳公司，这是 原作者在经营自家开源项目的商业版。
7 年过去，融资 $48.4M（Series A $36M 来自 a16z + Redpoint + SV Angel），客户覆盖金融 / 医疗 / 零售 /SaaS 等多行业，SOC 2 Type II + HIPAA-eligible + AI Chatbot + MCP Server（2026 年新加）。
本文 9 段深度拆解，从商业模型到 5 大决策矩阵，从 AI Chatbot 架构到 TCO 计算，一次讲透 ” 开源 Superset vs 商业 Preset” 怎么选。
一、它解决什么问题
Preset = 托管版 Apache Superset + 企业增强 + AI Agent 接入。
1.1 一句话定位
AI-Native BI built on Apache Superset™ — Cloud-hosted data exploration and visualization platform with enterprise-grade hosting and broad BI experience.
1.2 基本信息（实时数据 · 2026-08-27 拉取）
| 字段 | 值 |
|---|---|
| 公司 | Preset Inc. |
| 官网 | preset.io |
| 成立 | 2019 年 |
| 总部 | San Mateo, CA |
| 员工 | 40+（部分来源 51-200） |
| 融资 | $48.4M（Series A $36M · Andreessen Horowitz + Redpoint + SV Angel） |
| CEO & Founder | Maxime Beauchemin（同时是 Apache Superset + Apache Airflow 原作者） |
| Apache Superset 占比 | Preset team 贡献 75% 的 commits |
| License | 闭源 SaaS（底层 Apache Superset 是 Apache-2.0 ✅） |
| 合规 | SOC 2 Type II · HIPAA-eligible |
| 客户规模 | B2B/B2C 高增长 startup 到企业级（金融 / 医疗 / 零售 /SaaS） |
| AI 能力 | AI Chatbot（所有付费用户可试 14 天）+ MCP Server（Enterprise tier） |
1.3 三大落地场景
| 场景 | 适用 |
|---|---|
| 不想运维 Superset 的数据团队 | 中小公司 / 数据团队 ≤ 5 人，没有 DevOps 资源自托管 |
| 企业级 BI 合规需求 | 金融 / 医疗需要 SOC 2 + HIPAA + SSO + SCIM + 审计日志 |
| AI Agent 接 BI 数据 | 想用自然语言查 dashboard / 让 LLM 调 BI 工具 |
二、核心能力 1：托管 Apache Superset（核心价值）
2.1 全自动 Superset 运维
Preset 团队跑 Superset 帮你做所有脏活：
| 工作 | 自托管 Superset | Preset |
|---|---|---|
| 安装部署 | 30 分钟 + Docker + 配置 | 0（注册即用） |
| 数据库 | 自己装 Postgres + Redis | 全自动 |
| Celery worker | 自己起 + 监控 | 全自动 |
| Superset 升级 | 季度手动升级 + 测试 | 自动 + 0 停机 |
| 安全补丁 | 自己追 CVE + 升级 | 自动 |
| 备份 | 自己写脚本 + S3 | 自动 |
| 监控告警 | 自己接 Prometheus | 自带 |
| 多区域 | 自己搭 K8s + 跨区域 | Multi-region 内置 |
| SSL 证书 | 自己 Let’s Encrypt | 自动 |
| SSO/SCIM | 自己接 OIDC | 预设集成 |
演示话术：” 同样跑 Superset，自托管团队需要 1 个平台工程师长期维护，Preset 是注册 30 秒就能用。”
2.2 数据集为中心（Dataset-centric）
跟传统 BI 工具按 ” 数据源 → 表 ” 组织不同，Preset/Superset 用 Dataset 抽象：
- ✅ 分析师在 Dataset 里 只暴露相关列（不是全表），减少认知负担
- ✅ Dataset 里定义 Metrics（
SUM(revenue)这种聚合）+ Dimensions（category、region） - ✅ Dataset 之间共享同一个语义层（Semantic Layer），dashboard 之间指标定义统一
- ✅ Dataset 一次定义，所有 dashboard 复用
这是 dbt + BI 一体化 的早期形态，跟现代 MetricFlow / Cube.js 思路一致。
2.3 40+ 可视化 + SQL IDE
底层完全继承 Superset 的可视化能力：
| 类别 | 数量 | 代表 |
|---|---|---|
| 可视化类型 | 40+ | Bar / Line / Pie / Time-series / Big Number / Sankey / Heatmap / Funnel / Map |
| 图表自定义 | 高 | 自定义颜色 / 标签 / tooltip / cross-filtering |
| SQL IDE | ✅ | SQL Lab · 自动补全 · 查询历史 · 保存查询 · 多 tab |
| 跨表查询 | ✅ | JOIN / UNION 自由 |
| Cross-filter | ✅ | 点击图表联动筛选 |
| Drill-down | ✅ | 时间序列下钻到日 / 小时 |
| Embedding | ✅ | iframe / SDK / 自定义主题 |
三、核心能力 2：AI Chatbot + MCP Server（2026 新增）
3.1 Preset Chatbot
2026 年新功能，所有付费用户14 天试用：
“Take analytics to the next level with Preset. Use our AI Chatbot or connect your own agent to Preset MCP. Build charts and dashboards. Discover new insights.”
功能：
– ✅
自然语言建图表——” 画一个 2026 年 8 月华东区订单数趋势 ”
– ✅
自然语言查数据——” 上周转化率是多少 ”
– ✅
根因分析——” 为什么华东区转化率下降 ”
– ✅
自动洞察发现——AI 主动找异常 + 解释
3.2 MCP Server（Enterprise tier）
Model Context Protocol Server——让 Claude / Cursor / OpenClaw 等 AI Agent 直接调 Preset API：
# 概念示例：AI Agent 调 Preset MCP
mcp_tool = PresetMCP(server_url="https://mcp.preset.io/...")
result = mcp_tool.call("list_dashboards", workspace_id="...")
charts = mcp_tool.call("query_chart", chart_id=42, time_range="last_7_days")
这意味着：
– 任何 AI Agent（Coding Agent / BI Agent / Sales Agent）可以
直接问 Preset 数据
– 不需要中间 ETL 层，Agent 直连 Semantic Layer
–
BI 数据成为 Agent 的 ” 工具 ”——Agent 不只是查代码，还能量化决策
3.3 AI vs 传统 BI 的代差
| 能力 | 传统 BI（拖拽 + SQL） | AI-Native BI（Preset） |
|---|---|---|
| 建图表 | 拖拽 / 写 SQL 5-30 分钟 | 自然语言 10 秒 |
| 查数据 | 拖筛选器 + 改 SQL | 自然语言 1 秒 |
| 找异常 | 每天看 dashboard | AI 主动推送 |
| 根因分析 | 自己点多个图对比 | AI 自动解释 |
| 决策支持 | BI 报表 + 人工读 | AI 给出 actionable 建议 |
四、核心能力 3：企业级（SSO + SCIM + 审计 + SOC 2）
4.1 安全合规矩阵
| 能力 | 自托管 Superset | Preset |
|---|---|---|
| SOC 2 Type II | ❌ 自己审计 | ✅ |
| HIPAA-eligible | ❌ | ✅ |
| SSO (OIDC / SAML) | 需配置 | ✅ 内置 |
| SCIM（自动 provisioning） | 需配置 | ✅ Enterprise |
| Audit logs | 需自己接 | ✅ Enterprise |
| Row-level security | ✅ | ✅ + 增强 |
| Column-level encryption | ❌ | ✅ Managed Private Cloud |
| Database SSH tunnel | 自己配 | ✅ Enterprise |
| Multi-region | ❌ 或自己搭 | ✅ 内置 |
| RBAC（细粒度角色） | 需配 | ✅ 内置 |
| Usage metrics | ❌ | ✅ Enterprise |
| DPA（数据处理协议） | ❌ | ✅ |
4.2 适合谁
| 行业 | 必要性 |
|---|---|
| 金融 / 银行 / 保险 | SOC 2 + 审计日志 + 行级权限 必选 |
| 医疗 / 医疗 SaaS | HIPAA + BAA 必选 |
| 企业 SaaS | SOC 2 客户准入 必选 |
| 跨境业务 | 多区域部署 + 数据驻留 必选 |
| 内部 BI | RBAC + SSO 强烈推荐 |
4.3 Managed Private Cloud（Enterprise 独有）
不是 SaaS 共享版，是 专属云：
- ✅ 专属 AWS / GCP 账户
- ✅ Customer-managed encryption keys（客户自管加密密钥）
- ✅ Customer-managed VPC（网络隔离）
- ✅ 审计日志直接进客户 SIEM（Splunk/Datadog）
- ✅ 99.9% SLA
适合：金融机构 / 政府客户 / 不能数据出域的合规场景。
五、定价 + TCO（10-50 人团队）
5.1 官方定价（2026 Q3 · preset.io/pricing）
| Tier | 价格 | 用户 | 工作区 | 主要限制 |
|---|---|---|---|---|
| Starter | $0 永久免费 | ≤ 5 | 1 | 基础功能 |
| Professional | $20/user/ 月（年付）/ $25/ 月（月付） | 不限 | 3 | + RBAC + Slack 告警 + 多区域 |
| Enterprise | Custom | 不限 | 不限 | + dbt 集成 + Managed Private Cloud + SSO/SCIM + 审计 + SLA |
Add-on：
–
Embedded dashboards：$500/ 月 50 个 Viewer License（90% 批量折扣可用）
–
API access：Enterprise Add-on（联系销售）
5.2 TCO 计算（10 人团队 1 年）
场景 A：自托管 Apache Superset
| 项目 | 成本 |
|---|---|
| 软件 | $0（Apache-2.0） |
| 基础设施（AWS EC2 + RDS + ElastiCache） | ~$300/ 月 = $3,600/ 年 |
| 平台工程师 1 人 × 20% 时间 | ~$20,000/ 年 |
| 安全补丁 + 升级 + 监控（工程师时间） | ~$5,000/ 年 |
| 总 TCO（10 人团队） | ~$28,600/ 年 |
场景 B：Preset Professional
| 项目 | 成本 |
|---|---|
| 软件 | 10 用户 × $20/ 月 × 12 = $2,400/ 年 |
| 基础设施 | $0（Preset 自带） |
| 平台工程师 | $0（无需维护） |
| 总 TCO（10 人团队） | ~$2,400/ 年 |
结论 ：10 人团队自托管比 Preset 贵 10-12 倍！
5.3 TCO 临界点
| 团队规模 | 自托管 TCO/ 年 | Preset TCO/ 年 | 推荐 |
|---|---|---|---|
| 5 人 | ~$15K（含 50% 工程师时间） | $0（Starter 免费） | Preset Starter |
| 10 人 | ~$28K | $2.4K | Preset Professional ✅ |
| 25 人 | ~$50K | $6K | Preset Professional ✅ |
| 50 人 | ~$80K | $12K | Preset Professional |
| 100 人 | ~$120K | $24K | Preset Professional / Enterprise |
| 500 人 + 合规 | ~$500K | $120K-$300K | Preset Enterprise |
金句：自托管 Superset 是 ” 工程师省钱，业务费时间 ”；Preset 是 ” 业务费点钱，工程师省时间 ”。
六、对比 Apache Superset（开源 vs 商业 6 维）
6.1 横评矩阵
| 维度 | Apache Superset（开源） | Preset（商业 SaaS） |
|---|---|---|
| License | Apache-2.0 ✅ | 闭源 SaaS |
| 部署 | 自托管（Docker + Postgres + Redis + Celery） | 云托管，注册即用 |
| 运维 | 重（DevOps 必须） | 零运维 |
| 升级 | 手动 + 测试 | 自动 + 0 停机 |
| Stars | 74,484 ⭐ | 闭源（无） |
| 定制化 | 极高（改源码） | 中（主题 / 插件市场） |
| AI Chatbot | ❌ 需自己接 LLM | ✅ 内置 + MCP |
| SOC 2 / HIPAA | ❌ 自己审 | ✅ |
| SSO + SCIM | 需配 OIDC | ✅ Enterprise |
| Embedded | ✅ | ✅（$500/ 月 50 viewer） |
| 学习曲线 | 中（DevOps + BI 都得会） | 低（拖拽即可） |
| Vendor lock-in | 无（Apache-2.0） | 中（图表 / 数据集可迁回 Superset） |
| 社区 | 大（Slack + GitHub） | 中（自家 + 共享 Superset） |
| 起步时间 | 30 分钟 + 数天调通 | 30 秒 |
| 月费（10 人） | ~$2,400 工程师时间 | $200 |
6.2 关键差异点
- Preset = 商业 Superset = 同一个底层 ——可视化能力 完全一样，区别在托管 + 企业 + AI
- 无 vendor lock-in——Preset 的 dashboard / dataset 都可以 迁回自托管 Superset（这是 Preset 的核心承诺）
- 75% Superset commits 来自 Preset team——你不是付钱给套壳公司，是付钱给 原作者做维护
- AI Chatbot + MCP Server——这是 2026 年跟自托管 Superset 最大的代差
- Enterprise tier 的 Managed Private Cloud——金融 / 医疗场景的杀手锏
6.3 决策框架（5 大决策点）
决策点 1：团队规模 ≤ 10 人 + 无 DevOps
- 选 Preset Starter（免费）或 Professional（$20/user/ 月）——省钱省时间
- ❌ 不要自托管 Superset
决策点 2：≥ 50 人 + 强合规（金融 / 医疗 / 政府）
- 选 Preset Enterprise（Managed Private Cloud）——SOC 2 + HIPAA + 自管密钥
- ✅ 自托管要花 $500K/ 年工程成本做审计
决策点 3：AI Agent 接 BI 数据
- 选 Preset（Chatbot + MCP Server）——唯一原生支持
- ❌ 自托管 Superset 要自己接 LLM + 写 Semantic Layer adapter
决策点 4：需要深度定制（改 Superset 源码）
- 选自托管 Apache Superset——Preset 不支持改底层
- ⚠️ 但 95% 场景不需要改源码，用插件 + 主题就够
决策点 5：预算 <$500/ 月 + 想要全功能
- Preset Professional（年付 $20/user/ 月） + 严格控制用户数
- ⚠️ Embedded 单独计费（$500/ 月），小心
七、风险与坑（6 条）
7.1 闭源 SaaS = 数据出域风险 ⚠️
Preset 是 SaaS，你的数据查询走 Preset 服务器 ——虽然 数据本身不存 Preset（只查你 DB），但：
– ⚠️ 查询 metadata（dashboard 名 / dataset schema / 用户行为）
存 Preset
– ⚠️ 极敏感行业（涉密 / 国防 / 医疗 PHI）
需要 Enterprise + Managed Private Cloud才能满足合规
7.2 Embedded $500/ 月 隐性成本 ⚠️
很多客户被 ”Embedded dashboard viewer licenses” 坑到：
– ❌ 以为 Professional 包含 embedding，
不包含
– ✅ 单独买 Viewer License 50 个 = $500/ 月
– ⚠️ 如果做 toC 嵌入式 BI（仪表盘给最终用户看），用户基数大 → 成本爆炸
–
规避：100 个 viewer 内 ≈ $1,000/ 月可接受；1000+ viewer → 自建 + Superset
7.3 AI Chatbot 还在早期
2026 年新功能，14 天试用 + Enterprise 才完整：
– ⚠️ Chatbot 准确率取决于 Semantic Layer 定义质量
– ⚠️ MCP Server 仅 Enterprise
– ⚠️ 模型可能编造指标（hallucinate）——
业务团队需要 verify
7.4 升级偶发 breaking change
虽然是托管 + 自动升级，但 Preset 偶尔会有 breaking change：
– ✅ Dashboard 跨升级正常
– ⚠️ Custom plugin 可能需要适配
– ✅
无 vendor lock-in 承诺 让迁回自托管相对容易
7.5 学习曲线不等于零
虽然 ” 零运维 ” 但还是 BI 工具：
– ⚠️ Dataset 定义 / SQL Lab / RBAC 配置都是
业务分析师 技能
– ⚠️ 不是 ” 老板上去就能用 ”
– ⚠️ 至少需要 1 个
分析师 做管理员
7.6 单租户 SaaS 的常见限制
跟所有 SaaS 一样：
– ⚠️ 突发流量扩容需要等几分钟（不像自托管 K8s 秒级）
– ⚠️ 跨区域复制需要 Enterprise tier
– ⚠️ 自定义 domain（CNAME）需要 Enterprise
八、总结
8.1 3 个最值得选 Preset 的理由
- 零运维 + 自动升级 ——10 人团队 省 1 个平台工程师 （~$20K/ 年）， 比自托管便宜 10 倍
- AI Chatbot + MCP Server（2026 杀手锏）——唯一原生支持 LLM Agent 接 BI的 BI 平台
- 无 vendor lock-in + 75% commits 来自 Preset——付钱给原作者维护，比付钱给套壳公司靠谱
8.2 3 个不要选 Preset 的场景
- ❌ 数据不能出域（涉密 / 国防）→ 自托管 Superset 或国产 BI（帆软 / 思迈特）
- ❌ 大量 embedded viewers（>1000） → 自托管 Superset 避免 $500/ 月 隐性成本
- ❌ 需要改 Superset 源码 → 自托管是唯一选择
8.3 一句话决策
≤ 50 人 + 无 DevOps + 想要 AI Agent 接 BI → Preset Professional（$20/user/ 月）；
≥ 50 人 + 强合规 → Preset Enterprise（Managed Private Cloud）；
数据不出域 / 大量嵌入式 / 要改源码 → 自托管 Apache Superset（$0 软件 + 工程师时间）。
📎 WordPress 链接
- 官方链接：《Preset 调研：AI-Native BI 商业版 Apache Superset 的 5 大决策点》
- 短链：
https://east196.cn/?p=419 - WordPress API ID：419
- 状态：published · 2026-08-28
参考
- Preset 官网 — AI-Native BI Built on Apache Superset™
- Preset 定价 — Starter / Professional / Enterprise 三档
- Apache Superset GitHub — 74,484 ⭐ / Apache-2.0 ✅
- Maxime Beauchemin – Preset 创始故事 — 创业历程
- Preset Chatbot — AI Chatbot 介绍
- Apache Superset vs Preset 决策框架 — TCO 对比
- Preset 客户案例 — 金融 / 医疗 / 零售 /SaaS 客户
- Preset Chatbot 文档 — AI Chatbot + MCP Server 使用
- Preset 公司资料 — $48.4M 融资 + Andreessen Horowitz
- Apache Superset 调研 — 8/2 已发 BI 平台对比
- 数据治理横评 — 6 OSS AI Context Layer
- Metabase 调研 — 同类 BI 工具对比