Python en Power BI: cuándo es útil y cuándo es excesivo

🎯 Situación

Un analista de datos vino a verme después de una reunión de equipo donde alguien había propuesto "agregar Python a Power BI" para resolver un reporte lento. El reporte tenía 40 columnas importadas desde tablas crudas, sin star schema, y medidas DAX iterando sobre 2 millones de filas. El problema era el modelo de datos — no una oportunidad de Python.

Pero la semana anterior, otra analista me había preguntado por qué su modelo de pronóstico no funcionaba dentro de Power BI. Estaba intentando usar DAX para implementar suavizamiento exponencial a través de períodos de tiempo. DAX es la herramienta incorrecta para eso. Python es exactamente la correcta.

Aquí está cómo distinguirlos.

⚠️ Cómo funciona Python dentro de Power BI

Power BI soporta Python en dos lugares — y sirven propósitos muy diferentes:

Entender en qué capa estás trabajando cambia completamente la decisión. Python en Power Query se ejecuta en tiempo de actualización y moldea el modelo de datos. Los visuales de Python se ejecutan en tiempo de renderizado y moldean lo que ven los usuarios.

✓️ 3 casos donde Python es la herramienta correcta

1. Pronósticos estadísticos y modelos ML

DAX puede hacer promedios móviles e inteligencia de tiempo básica. No puede hacer suavizamiento exponencial, ARIMA ni predicciones de scikit-learn. Si necesitas una columna de pronóstico — generada por un modelo entrenado — Python en Power Query es el lugar correcto para ejecutarlo.

2. Visualizaciones personalizadas no disponibles nativamente

La biblioteca de visuales de Power BI es grande. Pero si necesitas un tipo de gráfico específico — un violin plot, un diagrama de Sankey, un mapa de calor personalizado con lógica de color específica — y el marketplace no lo tiene o la versión disponible no es adecuada, un visual de Python con matplotlib o seaborn te da control total. Aquí hay un ejemplo que resalta en rojo los márgenes por debajo del umbral:

# Python visual in Power BI — anomaly highlighting
# Runs inside Power BI Desktop (requires Python + matplotlib installed)

import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
import pandas as pd

# 'dataset' is the Power BI dataframe passed automatically
df = dataset.copy()
df['color'] = df['margin_pct'].apply(
    lambda x: '#e53e3e' if x < 0.10 else '#38a169'
)

fig, ax = plt.subplots(figsize=(10, 4))
ax.bar(df['customer_name'], df['margin_pct'] * 100, color=df['color'])
ax.axhline(y=10, color='gray', linestyle='--', linewidth=1, label='10% threshold')
ax.set_ylabel('Margin %')
ax.set_title('Customer Margin — Below 10% flagged in red')
plt.xticks(rotation=45, ha='right')
plt.tight_layout()
plt.show()

3. Procesamiento de texto complejo o NLP

Si tu dataset incluye campos de texto libre — comentarios de clientes, descripciones de tickets de soporte, reseñas de productos — y necesitas extraer sentimiento, agrupar temas o limpiar entradas inconsistentes a escala, las bibliotecas NLP de Python (spaCy, NLTK, transformers) hacen en 10 líneas lo que Power Query simplemente no puede hacer.

❌ 4 casos donde Python es excesivo

• Consolidación de datos y limpieza básica — si estás uniendo tablas, renombrando columnas, filtrando filas o eliminando duplicados, Power Query maneja esto nativamente y eficientemente. Reemplazar código M con un script de Python agrega una dependencia (Python instalado en cada máquina de actualización) sin ganancia de rendimiento.
• Agregaciones y cálculos de KPIs — SUM, AVERAGE, COUNTROWS con filtros es la fortaleza central de DAX. Escribir una agregación de pandas para hacer lo que CALCULATE(SUM(...), ...) hace nativamente es más lento en la actualización y más difícil de mantener.
• Problemas de rendimiento en reportes lentos — si tu reporte es lento, la causa casi siempre es el modelo de datos o los patrones DAX (como vimos en el artículo de errores DAX). Agregar Python a un dataset mal modelado lo hace más lento, no más rápido.
• Gráficos estándar con colores personalizados — no necesitas matplotlib para cambiar colores de barras. El formato condicional nativo de Power BI maneja esto nativamente y renderiza en milisegundos en lugar de segundos.