Business Intelligence para LATAM en 2026: Power BI, Looker y Tableau — elegir sin ilusiones

Resumen en un minuto

El 70% de las PYME en LATAM arman sus reportes financieros en Excel. El mismo 70% piensa que "business intelligence es cosa de corporativos". En la práctica, Power BI bien elegido cuesta USD 165 al año por usuario; un Fabric F64 mal dimensionado cuesta USD 60 000 al año por recursos que trabajan tres horas al día. Esta guía-pilar compara Power BI, Looker, Tableau y Microsoft Fabric con números reales para PYME en Perú, México, Chile, Colombia y Argentina.

• Power BI Pro — óptimo para la mayoría de PYME LATAM con Microsoft 365 en operación. Cerca de USD 13,70 por usuario al mes, interfaz en español, regiones Mexico Central y Brazil South disponibles.
• Looker (Google Cloud) — para quienes ya están en BigQuery y necesitan LookML como capa semántica única para 20+ analistas. Solo contrato anual, precio por sales call.
• Tableau — para equipos de analistas que necesitan exploración interactiva diaria. Creator USD 75/mes, Viewer USD 15/mes. Stack Salesforce, con Pulse AI encima.
• Looker Studio (gratuito) — para marketing, dashboards a clientes y equipos pequeños. Cero dólares, pero sin semántica LookML ni row-level security real.
• Microsoft Fabric — absorbe data warehouse, BI y data engineering en una sola capacidad. Desde F2 (≈ USD 262/mes) hasta F2048. Mexico Central soporta todos los workloads; Chile Central solo Power BI.
• La decisión "qué BI" se resuelve con dos preguntas: dónde están tus datos y cuántos usuarios los van a leer.

Qué cambió en 2024–2026

El mercado BI en LATAM pasó por tres giros en los últimos dos años. Sin entenderlos, cualquier comparación entre Power BI y Looker queda obsoleta en un trimestre.

Primero. En mayo de 2023 Microsoft lanzó Microsoft Fabric, una plataforma SaaS que junta Data Factory, Data Engineering, Data Warehouse, Real-Time Intelligence, Data Science y Power BI sobre un único almacenamiento llamado OneLake. Para LATAM eso significa que la arquitectura clásica de tres pisos (ETL → DWH → BI sobre stacks distintos) ahora se compra como un solo SKU. Y que las licencias Power BI Premium per Capacity (P SKUs) quedaron oficialmente discontinuadas: Microsoft ya no las vende a clientes nuevos. Si tienes una P activa sigue funcionando, pero la oferta para nuevos es la serie F.

Segundo. Mexico Central (la región Azure de Querétaro) entró en la lista de regiones con soporte completo para todos los workloads de Fabric, incluyendo Lakehouse, Notebooks y Real-Time Intelligence. Brazil South soporta lo mismo. Chile Central solo soporta Power BI workspace, sin el stack completo. Argentina, Colombia, Perú y Ecuador todavía no tienen datacenters propios de Azure; sus tenants caen por defecto en Brazil South o US East. Esto es crítico para data residency: si estás regulado por banca o sector público (SBS en Perú, CMF en Chile, SFC en Colombia), la región del tenant determina si el servicio se puede activar.

Tercero. Looker migró a un modelo por usuario: tres niveles (Developer, Standard, Viewer) y tres ediciones de producto (Standard para equipos de hasta 50 usuarios, Enterprise y Embed). Todas requieren contrato anual; los precios no se publican y se obtienen por sales call. Conversational Analytics (NLQ embebido) sigue gratis hasta el 1 de octubre de 2026; después Google empezará a tarifar tokens: USD 3 por millón de input y USD 20 por millón de output.

En paralelo, Tableau bajo Salesforce sacó Pulse AI: alertas automáticas y summaries generativos de métricas. Power BI Copilot llegó a GA para capacidades F2+ (no funciona sobre tenants Free: Copilot exige paid capacity, no Pro/PPU). Looker Studio Pro — el tier pago sobre el clásico Data Studio — alcanzó GA para dashboards a clientes y gestión enterprise.

Arquitectura por capas: cómo se descompone un stack BI

Para elegir con criterio hay que distinguir las capas. Cualquier stack BI tiene tres:

1. Fuente de datos — dónde viven los datos crudos: SQL Server, PostgreSQL, BigQuery, Snowflake, Redshift, SAP HANA, Excel, Google Sheets, Salesforce, APIs REST.
2. Capa semántica — donde se definen métricas, dimensiones y lógica de negocio. DAX en Power BI, LookML en Looker, calculated fields en Tableau, dbt sobre el data warehouse.
3. Visualización y entrega — donde el analista arma dashboards, el business user los lee y el CFO se suscribe al summary semanal.

#1. Power BI y Microsoft Fabric

Power BI lleva en el mercado desde 2015, vive dentro de Microsoft Power Platform y desde 2023 también dentro de Microsoft Fabric. De la tabla de licencias conviene retener cinco SKU:

Power BI Desktop conecta a más de 100 fuentes. Los conectores se agrupan por categoría: File, Database, Microsoft Fabric, Power Platform, Azure, Online Services, Other. De los críticos para LATAM: PostgreSQL, MySQL, Oracle, SAP HANA, Snowflake, BigQuery, Salesforce, Dynamics 365, Google Analytics, Excel, SharePoint. La capa semántica es DAX (Data Analysis Expressions). La curva de aprendizaje es agresiva: tres o cuatro semanas hasta uso proactivo. Las calculated columns y measures en DAX son lo que separa una pivot table en Power BI de una solución BI real.

Copilot for Power BI exige capacidad F2+ o Premium P1+. No funciona en licencias Free ni Pro. La región de la capacidad tiene que estar en la lista soportada, y si está fuera de US/EU el tenant-admin debe permitir explícitamente el envío de datos a Azure OpenAI fuera de la zona geográfica. En español Copilot funciona "occasionally": Microsoft lo dice claro — multilingüe todavía no está oficialmente soportado.

#2. Looker (Google Cloud)

Looker nació en 2012 y fue comprado por Google en 2020 por USD 2 600 millones. Arquitectónicamente es una capa semántica sobre cualquier SQL. El analista escribe LookML — un lenguaje declarativo que describe modelos, dimensiones, métricas y relaciones. El business user hace preguntas vía UI, Looker genera SQL al vuelo, lo ejecuta sobre el data warehouse y devuelve resultados.

Esto distingue a Looker de Power BI y Tableau de forma fundamental: los datos no se importan ni se cachean. Cada consulta es SQL contra la fuente. Por eso Looker y BigQuery son la pareja natural: BigQuery cobra por TB escaneado, Looker genera las consultas, el caching ocurre del lado del warehouse.

Licencias por usuario:

• Developer — acceso completo, incluyendo LookML, desarrollo y API. 4M tokens input / 80K output al mes en Conversational Analytics.
• Standard — dashboards, Looks, Explore, SQL Runner, LookML view-only. 2M / 40K tokens.
• Viewer — read-only. 1M / 20K tokens.

Edición de producto:

• Standard — hasta 50 usuarios, 1000 llamadas API/mes. Incluye 10 Standard + 2 Developer.
• Enterprise — security-enhanced, 100k API/mes. Para sectores regulados.
• Embed — para empotrar en tu propio producto, 500k API/mes.

Todas las ediciones requieren annual commit: contratos de 1, 2 o 3 años. Los precios no se publican. Lo mínimo que suele decir sales es del orden de USD 50–100 mil al año.

#3. Tableau (Salesforce)

Tableau fue adquirido por Salesforce en agosto de 2019 por USD 15 700 millones. Hoy está fuertemente integrado con Salesforce Einstein y Data Cloud. Tres licencias:

• Creator — USD 75/usuario/mes. Desarrollo completo de dashboards, conexión a fuentes, publicación.
• Explorer — USD 42/usuario/mes. Puede modificar dashboards publicados y crear nuevos desde data sources existentes.
• Viewer — USD 15/usuario/mes. Solo lectura.

Tableau es favorito de analistas de datos cuyo workflow es "abrí, construí cinco views en una hora, cerré". Sus calculated fields son más naturales que DAX. El builder drag-and-drop funciona. Pulse — la nueva capa AI — detecta cambios en métricas y dispara alertas a Slack o email.

#4. Looker Studio (gratuito)

Visualizador gratuito de Google, antes Google Data Studio. Conecta a más de 800 fuentes vía partner connectors; nativamente a Google Sheets, GA4, BigQuery (free y pago), MySQL. No tiene LookML, no tiene semantic governance, no tiene row-level security a nivel enterprise. Se comparte por link — si el modo "anyone with the link" queda activo, el dashboard se indexa públicamente.

Looker Studio Pro es el tier pago (desde USD 9/usuario/mes). Suma team-management, asset library, sensitivity labels y soporte extendido. No es Looker (la BI enterprise); son dos productos distintos bajo la misma marca.

#5. Apache Superset, Metabase, Redash

Las alternativas open-source. Superset es proyecto de Apache Software Foundation, mantenido activamente por Preset. Metabase es open-core con tier pagos. Redash fue adquirido por Databricks. Para PYME con equipo data interno y rechazo al gasto de USD 300/usuario/año, son un camino real. Self-hosting en DigitalOcean, Hetzner o AWS Lightsail cuesta USD 20–50/mes para toda la operación. El costo se traslada a soporte, capacitación y mantenimiento, que pasan a ser tuyos.

Cuándo funciona cada herramienta (y cuándo no)

Esta es la sección que más se siente en la práctica. Situaciones reales de empresas LATAM con presupuesto y restricciones reales.

Menos de 100 usuarios, presupuesto hasta USD 300/usuario/año, equipo ya en Microsoft 365 y Excel → Power BI Pro es la elección obvia. Licencia a USD 13,70/usuario/mes o incluida en M365 E5. Tenant en Mexico Central o Brazil South resuelve residency. Analistas pasan de Excel a Power BI Desktop en un par de semanas. El costo de no tener features de capacidad (XMLA, Direct Lake) suele ser bajo: pocas PYME las necesitan.

BigQuery como DWH y 20+ analistas haciendo preguntas distintas sobre las mismas métricas → Looker es la elección correcta. LookML obliga al equipo a acordar una sola vez qué es "active customer", "monthly revenue", "churn rate". Después, cada dashboard usa la misma definición. Resuelve un problema clásico en LATAM: tres reportes a C-level muestran tres revenue distintos y nadie recuerda cuál metodología era la correcta.

Más de 50 analistas haciendo exploración ad-hoc todos los días → Tableau Creator a USD 75/usuario/mes vale el costo. Drag-and-drop construye en minutos lo que en Power BI lleva horas (Power BI es mejor para dashboards productivos; Tableau, para investigación). Si ya estás en stack Salesforce, Tableau integra el CRM sin conectores intermedios.

Menos de 20 usuarios, solo marketing o dashboards a clientes, presupuesto mínimo → Looker Studio Free alcanza. GA4, Google Ads y Search Console se conectan de forma nativa. BigQuery sandbox (10 GB gratis) sobra para empezar. Lo que pierdes: control de versiones, RLS serio y audit log. Para un dashboard de marketing a un cliente: bien. Para reporte financiero a contraloría: no.

Datos on-premise (banca, sector público, industria regulada) → opciones: Power BI Report Server (on-premise, incluido en P SKU y F SKU), Tableau Server (on-premise) o Apache Superset self-hosted. Cloud-BI queda descartado por compliance. Es la situación típica en bancos tier-1 de Perú, Colombia, Chile y en empresas del Estado.

Tenant fuera de Mexico Central / Brazil South / Chile Central y necesitas Copilot → Copilot llega disabled by default. El tenant-admin tiene que activar la opción "Data sent to Azure OpenAI can be processed outside geographic region". En sectores regulados de Perú, Colombia y Argentina, ese setting es un bloqueador de compliance. La salida es crear un tenant nuevo en Mexico Central o esperar que se anuncie región local.

Equipo mixto: 5 analistas-desarrolladores y 50 viewers de solo lectura → F64 capacity (≈ USD 5 000/mes en reservation) más licencias Free para los 50 viewers. Sale más barato que 50 × Pro (USD 13,70/mes × 12 × 50 = USD 8 220/año) más Pro para los developers. El punto de equilibrio ronda los 35 viewers si solo cuentas licencias; si sumas que F64 también cubre Data Engineering y Real-Time Intelligence en la misma capacidad, baja todavía más.

Cinco errores que cuestan USD 20–40 mil al año

#1. Comprar Power BI Pro para los 100 empleados cuando 80 solo miran dashboards

100 × USD 13,70 × 12 = USD 16 440 al año. Alternativa: F64 capacity + 20 Pro + 80 Free. F64 cuesta ≈ USD 60 mil/año en reservation, más 20 × USD 13,70 × 12 = USD 3 288. Parece más caro, pero F64 cubre además Data Engineering y Real-Time Intelligence — ya no es solo BI, es capacidad multi-workload. Calcular TCO completo, no licencias aisladas del resto del stack.

#2. Implementar Looker sin disciplina de governance en LookML

En un año terminas con 200 dashboards y métricas duplicadas. El reporte a C-level desde finanzas muestra revenue USD 4,2M, el de sales USD 4,4M, el de operations USD 4,1M. Las tres versiones son correctas según su propia interpretación. LookML fue diseñado precisamente para impedir esto — pero solo si hay un LookML owner nominal que haga code review a cada pull request del repositorio de modelos. Sin code review, LookML degenera en "lo mismo que DAX pero más difícil de escribir".

#3. Usar Tableau como BI cuando realmente necesitas un data warehouse

Tableau no arregla datos sucios — los visualiza. Si CRM, ERP, e-commerce y marketing devuelven datos contradictorios, el problema no está en la capa BI. Primero data warehouse y ETL; después BI encima. El error se repite: la PYME compra Tableau Creator a USD 75/usuario, descubre que los dashboards no coinciden y le echa la culpa a Tableau.

#4. Tenant home region mismatch

Equipo en Argentina abre tenant en US East (el sistema a veces lo registra en el datacenter más cercano, que no siempre es Brazil South). Después descubre que para sector regulado eso incumple los requisitos de residencia de AFIP/ARCA o de SBS. Mover la home region requiere ticket a Microsoft Support y ventana de downtime. Lo correcto es elegir Brazil South o Mexico Central desde el primer día, o (si la distancia importa) Chile Central — recordando que ahí solo hay Power BI workspace, sin Fabric completo.

#5. Olvidar que la capacidad Fabric se tarifica 24/7

F64 son ≈ USD 5 000 al mes independientemente de si usaste 100% o 5% del tiempo. La PYME compra F64 "para el futuro", gasta USD 60 mil/año y consume el equivalente a USD 8 mil. Dos salidas: pause capacity en horarios no laborales (baja la cuenta proporcionalmente al tiempo inactivo) o reservation pricing a un año, que da ≈ 40% de descuento pero pierde la opción de pausar.

"El error más caro no es elegir mal la herramienta, es elegir capacidad antes de elegir arquitectura. F64 sin DWH limpio es USD 60 mil al año automatizando el caos."

Caso: 15 marcas retail en México, ROAS 1.5x → 4.2x

Holding retail mexicano con 15 marcas de cosmética y lifestyle. Antes del proyecto: 11 workbooks de Tableau separados (uno por marca más los financieros transversales), una fuente de datos por marca, el reporte a C-level se armaba a mano en Excel durante tres días al cierre de mes. El ROAS por marca oscilaba entre 1,5x y 4,2x y las causas de la dispersión no eran claras.

Qué hicieron: levantar BigQuery como DWH único. Migraron datos desde las 15 instancias de Shopify de cada marca y desde las cuentas de Google Ads y Meta Ads. Construyeron un modelo LookML con definiciones únicas para "attributed revenue", "media spend", "promo cost", "net contribution". Aplicaron un modelo de fraud detection a los datos de promociones — descubrieron que en tres marcas cerca del 11% de los códigos promo los usaban resellers, deprimiendo el ROAS neto. Para el C-level levantaron una capa fina de Power BI sobre las mismas tablas de BigQuery: los ejecutivos prefieren drag-and-drop, no SQL.

Resultado: el reporte de cierre de mes se arma en 4 horas en vez de 3 días. El ROAS incremental después de excluir fraude promocional sumó 11% al attributed revenue neto. Las 15 marcas usan la misma métrica "net contribution"; los debates en C-level sobre cuál cifra era la "real" se cerraron.

Stack final: BigQuery como DWH, Looker (capa semántica LookML + analítica), Power BI (capa ejecutiva), dbt para transformaciones y tests de datos. Caso completo con diagrama arquitectónico aquí.

Checklist antes de comprar licencias BI

1. ¿Tienes data warehouse? Si no — primero DWH (BigQuery, Snowflake, Synapse, ClickHouse). BI sin DWH = automatización del caos.
2. ¿Dónde está la home region del tenant? Si estás regulado: Mexico Central, Brazil South o Chile Central. Nunca US East por defecto.
3. ¿Cuántos viewers vs creators tienes? El punto de equilibrio Pro vs F64 ronda 35 viewers.
4. ¿Necesitas Copilot AI en español? La región debe soportarlo y el tenant-admin debe permitir explícitamente data egress a Azure OpenAI.
5. ¿Necesitas semantic governance (fuente única de verdad)? Looker LookML o dbt + Power BI semantic models.

Descargar el PDF extendido del checklist "BI-stack para PYME LATAM 2026" — se envía por email, sin spam.

Preguntas frecuentes