Integrar Siigo con Power BI: la guía definitiva (y por qué casi nadie lo hace bien)

1. Las 3 formas reales de conectar Siigo a Power BI

• Power Query directo contra la API de Siigo
  El más fácil de empezar. Pros: cero infraestructura, todo vive en el .pbix. Contras: lento con históricos grandes, refresh limitado a 8 veces/día en Power BI Pro, complejo de mantener si la API cambia. Recomendado solo para pymes con < 5.000 facturas/año.
• ETL intermedio + data warehouse (recomendado)
  Una capa Python o n8n extrae datos de Siigo, los guarda en BigQuery/Postgres/Supabase y Power BI consume del DW. Pros: extracción incremental, refresh ilimitado, fácil de combinar con otras fuentes (Shopify, Excel, otro ERP). Contras: requiere infra (mínima, ~USD 20/mes). La mejor opción para 95% de las empresas.
• Plataforma BI dedicada con conector nativo
  Productos SaaS tipo BI360.ai o conectores no-code (Pipedream, Pabbly). Pros: setup rápido, sin código. Contras: precio por usuario, lock-in con el proveedor, customización limitada. Buena puerta de entrada, suele migrarse a opción 2 al crecer.

2. Paso a paso: autenticación OAuth + JWT contra Siigo API

1. Solicita las credenciales OAuth al equipo de Siigo (Client ID y Client Secret). 2. Hace un POST a /auth con username + access_key para obtener el access_token JWT. 3. El token expira cada 24 horas — implementa refresh automático. 4. Todos los endpoints de la API requieren el header Authorization: Bearer <token>. 5. Maneja respuesta 401 → renueva token y reintenta. Maneja 429 → backoff exponencial. 6. Logging detallado: cada extracción debe ser auditable.

3. Errores comunes (y cómo evitarlos)

• Timeout en /invoices con históricos grandes → paginación con created_start/end e incremental por fecha.
• Refresh token expirado en mitad de la extracción → rotación automática y guardar nuevo token en secret manager.
• Rate limit 429 → backoff exponencial con jitter, máximo 5 reintentos.
• Cambios silenciosos en el schema de respuesta → contract tests semanales con alertas.
• Duplicados por reintentos → upsert por ID Siigo, no insert.
• Caracteres especiales en razón social → encoding UTF-8 explícito en todos los pasos.
• Diferencias entre Siigo Pyme y Siigo Nube → abstraer el extractor con interface común.

4. Por qué Power Query directo solo escala a pymes muy pequeñas

Power Query es excelente para prototipos. El problema aparece cuando la empresa crece: el refresh tarda 20+ minutos, el .pbix pesa cientos de megas, la lógica se vuelve imposible de mantener entre múltiples consultas, y cualquier cambio en la API obliga a editar 15 pasos manuales. Una arquitectura con DW intermedio te ahorra esos dolores y te deja una base sobre la que puedes seguir construyendo (más fuentes, más dashboards, automatizaciones, IA encima).

5. Arquitectura recomendada para empresas con > 50 facturas/día

Siigo API → extractor Python (Airflow / n8n / cron) → Postgres o BigQuery → modelo dimensional (dbt) → Power BI / Looker Studio. Ventajas: el modelo se versiona en Git, los datos se pueden auditar, agregar otra fuente (Alegra, Shopify, Excel) toma horas, y el dashboard refresca instantáneo contra el DW sin tocar la API en cada apertura.

6. Plantillas DAX listas

• Medidas financieras: Margen Bruto %, EBITDA, EBITDA % sobre ventas, Crecimiento YoY, Crecimiento MoM.
• KPIs de cartera: Días Promedio de Cobro (DSO), % Cartera vencida > 60 días, Top 10 deudores.
• Comparativos vs presupuesto: Variación absoluta, variación %, semáforo automático.
• Time intelligence: YTD, MTD, QTD, mismo período año anterior, móvil 12 meses.

7. ¿Lo hago yo o lo tercerizo?

Si lo haces interno con un analista BI experimentado: 4–6 semanas de aprendizaje + desarrollo. Si tercerizas: 2–4 semanas, arquitectura probada, soporte incluido. El paquete Tableros BI a la medida (USD 4.500 setup + USD 950/mes) ya incluye toda esta infra montada, monitoreo, alertas y mejoras evolutivas.