Reporting con Python

Contexto

Muchos equipos viven entre informes manuales semanales o mensuales: varias fuentes (exportaciones, hojas históricas, sistemas distintos), limpieza a mano y un último paso en Excel para “dejarlo presentable”. Funciona hasta que cambia un campo, se duplica una fila o alguien de vacaciones no sabe qué archivo era “el bueno”. Ahí el reporting deja de ser un trámite y se convierte en riesgo de decisión.

Problema

El trabajo se concentraba en consolidar y limpiar datos a golpe de fórmulas y copiar/pegar, con poco margen para cruzar fuentes de forma reproducible. Las validaciones eran frágiles: un filtro mal aplicado o una columna renombrada rompía el informe sin aviso claro. La visualización llegaba tarde porque casi todo el esfuerzo se iba en preparar la tabla. El coste real no era “hacer el Excel”, sino no poder confiar en el número que se presenta.

Qué hice

Se mapearon las fuentes y los pasos repetidos (qué columnas, qué claves de cruce, qué reglas de limpieza). Donde encajaba, se mantuvo Power Query y Excel como capa de consumo para quien ya decidía desde ahí. Para la parte pesada y repetible, se escribieron scripts en Python con Pandas: lectura de exportaciones, normalización de tipos y fechas, deduplicación, joins entre tablas y validaciones explícitas (filas rechazadas, conteos de control, flags de anomalía). Se versionó el código de forma sencilla y se documentó cómo ejecutar un ciclo (entrada/salida, parámetros). Cuando hubo gráficos o tablas pivot finales, se integraron en el flujo sin forzar a todo el mundo al terminal: el objetivo era un proceso fiable, no un monumento técnico.

Herramientas

• Python y Pandas para consolidación, limpieza, cruces y validaciones con trazabilidad en logs o archivos de salida de error.
• Excel y Power Query donde el negocio ya validaba y consumía; evita fricción innecesaria.
• Criterios de visualización solo después de fijar la capa de datos; así los gráficos reflejan reglas estables.

Resultado

Ciclos de reporting más cortos y repetibles, con menos sorpresas al cambiar de mes o de fuente. En términos prudentes y alineados con automatizaciones similares, la reducción del tiempo manual en el reporting automatizado superó el 70% una vez el pipeline estaba estable (el primer ciclo siempre cuesta más: hay que medir y ajustar). La fiabilidad ganó porque las validaciones fallan en voz alta en lugar de en silencio.

Aprendizaje

Automatizar un informe no es generar un archivo más rápido; es crear un proceso fiable para decidir mejor. El método útil aquí es observar el informe actual, ordenar fuentes y supuestos, priorizar qué validación evita el error más caro, entregar un MVP que corra en un entorno controlado, validar números contra un caso conocido, automatizar el tramo estable, documentar entradas/salidas y escalar a otra métrica o región cuando el patrón está claro.