Бывает, что при работе с Power Query вызываешь какое-то действие и оно всплывает вспомогательным окном и вот в таком виде и зависает. И меня это люто бесило, т.к. приходилось закрывать весь Excel на компе через диспетчер задач. А оказывается, можно просто нажать Alt+F4 и окошко исчезает, а вы работаете дальше. Надеюсь кому-то сберёг миллионы нервных клеток

НАБОЛЕЛО!

Когда в компании топы с серьёзным видом просят каждую неделю высылать им три таблицы с ВПР в Excel на почту, не потому что заняты, а потому что Excel для них — это тёмная магия, — тут уже не про data-driven, тут про археологию.

Когда на всех компах гордо стоит Microsoft Office 2010 как музейный экспонат, а на демонстрации BI отчёта звучит сакральное: «давай как раньше» — можно смело фиксировать диагноз:
данные в компании есть, но они используются строго в декоративных целях.

Data-driven тут, конечно, «внедряется».
Просто пешком.
Через болото.
В 2010-й год.

Ну что, друзья, снова в статусе студента 🙂

Поступил на курс Fullstack-аналитика от Simulative.
Причём часть этого я уже делаю в работе — собираю отчёты, кручу Excel, строю модели, автоматизирую. Но захотелось пойти глубже.

Буду прокачивать не просто отчёты, а всю цепочку работы с данными: от сбора и хранилищ до аналитики и выводов — Python, SQL, DWH и архитектура решений.
Фокус — понять, как строится система целиком, а не только её витрина.

Учёба на 17 месяцев, но это как раз тот случай, когда игра стоит свеч.

Да, сейчас многое умеет ИИ.
Можно нагенерить пайплайн, собрать отчёт — и вроде всё работает.
А потом в один момент что-то падает… и ты уже не понимаешь, где и почему. ИИ может помочь, а может сделать ещё хуже.

Поэтому хочется не просто «уметь делать», а понимать, как всё устроено под капотом.

План простой: усилить текущие навыки и стать 3 в 1 — Аналитик данных + инженер данных + BI-специалист🤓

Отчет без ручной рутины: с чего вообще начинать

Обычно отчет начинают собирать не с того места.

Хочется сразу открыть Excel, вставить выгрузку, написать формулы, сделать сводную и как-нибудь привести всё в красивый вид.

Но нормальный отчет начинается не с формулы.

Он начинается с вопроса:

какое решение человек должен принять по этому отчету?

Например:

— понять, какие товары просели в продажах;
— увидеть, где остатки закончатся раньше срока;
— найти клиентов с долгами;
— проверить, где не сходятся оплаты и заказы;
— оценить маржу по категориям.

Если вопрос не сформулирован, отчет быстро превращается в склад таблиц: цифр много, а ясности мало.

Хороший порядок такой:

1. Сначала вопрос бизнеса.
2. Потом нужные показатели.
3. Потом источники данных.
4. Потом логика расчета.
5. Потом Excel, Power Query, BI или другой инструмент.

Инструмент важен, но он не должен быть первым решением.

Иначе можно сделать красивый дашборд, который не отвечает ни на один рабочий вопрос.

5 проверок перед отправкой отчета ✅
Как аналитик я давно заметил одну неприятную вещь: отчет может выглядеть аккуратно, красиво и «готово к отправке» — но цифры внутри уже будут неверные.
И чаще всего ошибка не в сложной формуле, а в какой-нибудь мелочи, которую не проверили перед отправкой.
Перед отправкой отчета я бы проверял минимум 5 вещей 👇
1. Обновились ли сводные таблицы 🔄
Особенно если данные менялись, а файл уже был открыт раньше.
2. Нет ли активных фильтров 🔍
Классика: часть строк скрыта, итог выглядит правдоподобно, но на самом деле считается не всё.
3. Числа точно числа? 🔢
После выгрузок из систем числа часто приезжают как текст.
Визуально они похожи на числа, но формулы и сводные могут работать странно.
4. Нет ли дублей 🧬
Один задвоенный заказ или артикул может испортить итог сильнее, чем кажется.
5. Сходится ли контрольная сумма 🧾
Если данные проходят несколько этапов обработки, полезно сверять сумму на входе и на выходе.
Главная мысль: отчет нужно проверять не глазами, а контрольными точками.
Глаза видят красивую таблицу.
Контрольные точки показывают, можно ли ей доверять.

Когда пора переносить отчет из формул в Power Query

Формулы в Excel - отличный инструмент. Но иногда ими начинают чинить то, что лучше решать на этапе подготовки данных.

Я бы смотрел на 5 признаков.

1. Вы каждый раз чистите выгрузку руками

Удаляете пустые строки, переименовываете столбцы, меняете типы данных, склеиваете файлы.

2. Источников больше одного

Например, продажи из одной системы, остатки из другой, справочник товаров из третьей.

3. Файл обновляется регулярно

Если отчет повторяется каждую неделю или каждый месяц, ручные действия почти точно начнут давать ошибки.

4. Формулы стали слишком длинными

Когда формула превращается в отдельную простыню, часто это сигнал, что данные нужно подготовить раньше.

5. Отчет страшно трогать

Если любое изменение вызывает мысль "лишь бы ничего не сломалось", процесс уже пора упрощать.

Power Query хорош тем, что позволяет один раз описать шаги обработки данных, а потом просто обновлять результат.

Не всегда нужно сразу уходить в BI или сложную систему. Иногда достаточно убрать ручную чистку из Excel-файла.

Какой отчет съедает у вас больше всего времени?

Хочу собрать реальные задачи для следующих разборов.

Какой отчет у вас чаще всего отнимает время?

— продажи;
— остатки;
— сверка оплат и заказов;
— финансы;
— маркетплейсы;
— HR/персонал;
— управленческий отчет;
— что-то другое.

Можно ответить в комментариях или отправить задачу через @Y_T_V_bot.

Если есть файл, лучше без конфиденциальных данных: можно заменить названия, суммы и клиентов на условные.

По самым частым темам сделаю разборы в канале.

Добрый день, коллеги, друзья.
Узнал об онлайн конфе, у кого будет время обязательно посетите
ссылка вот
участие бесплатное, но есть нюанс 😉
Чтобы можно было посмотреть в записи позже, нужно платить

Слушайте, я тут уперся в рабочую проблему. Есть данные, которые приходят очень грязными и приходят они от нашего партнёра, который собирает их с наших дистрибьюторов. Так вот, после обработки нет источника правды и проверить насколько верно я их посчитал очень сложно. Ну то есть бизнес конечно понимает, что если большие "всплески", то это какая-то фигня, но если расхождения на 30%, то никто и не заметит. Собственно хочется услышать есть у кого-то из вас похожий кейс и как вы с ним работаете?

Ищем аналитика, нужен Excel, Power Query, Sql, dax. Кидайте резюме в бот @Y_T_V_bot. Офис без удаленки и гибрида. Москва

С чего начать путь в аналитику?

Очень часто мне задают вопрос: «С чего начать, если хочется стать аналитиком?»

Если отбросить всё лишнее, то мой ответ будет таким.

1. Желание и интерес к профессии.
Это фундамент. Аналитик постоянно изучает что-то новое: инструменты, технологии, бизнес-процессы. Если интереса нет, выгорание наступит очень быстро.

2. Аналитическое мышление и любопытство.
Недостаточно просто строить отчёты. Нужно постоянно задавать вопросы:
Почему так произошло?
Что повлияло на результат?
Как это проверить?
Именно это отличает аналитика от человека, который просто умеет пользоваться программой.

3. Excel.
Да, сегодня не в каждой вакансии он стоит на первом месте. Но хороший Excel до сих пор экономит часы работы и помогает быстро разобраться в данных. Для меня это обязательная база.

4. SQL.
Без него сейчас практически никуда. Если Excel — инструмент анализа, то SQL — инструмент получения данных. Это один из ключевых навыков аналитика.

5. BI-система.
Нужно научиться превращать данные в понятные интерактивные отчёты. Мой фаворит — Power BI, хотя достойных решений сейчас несколько.

6. Python.
Когда данных становится много, а задачи начинают повторяться, Python становится мощным инструментом автоматизации и анализа.

📚 Где учиться?

Сейчас огромное количество качественных материалов доступно бесплатно. По многим темам рекомендую посмотреть курсы на Stepik — там действительно есть хорошие программы для начинающих.

Если говорить про SQL, то мой личный фаворит для старта — бесплатный курс Карпова. На мой взгляд, один из самых понятных курсов для новичков.

⚠️ Это не реклама Stepik или курса Карпова. Просто делюсь тем, что сам считаю хорошей отправной точкой.

📌 Освоив эти шесть направлений, уже можно претендовать на позицию junior-аналитика. А дальше начинается самое интересное — практика. В аналитике обучение не заканчивается никогда, и, честно говоря, именно это мне в этой профессии нравится больше всего.

🚀 Как некоторые компании внедряют BI

Недавно поймал себя на мысли, что в некоторых компаниях BI внедряют примерно так.

— Нам нужен самолет. Современный. Быстрый. Чтобы летать далеко и высоко.

✈️ Приглашают конструктора самолетов.

Он приходит, открывает чертежи, начинает проектировать.

И тут ему говорят:

«— Подожди. Пока мы ездим на телеге. Ее тоже нужно обслуживать. Вот ведро с гайками, вот сломанное колесо, вот еще ось скрипит. Самолет, конечно, очень нужен… но сначала сделай так, чтобы телега ехала.»

📅 Проходит месяц.

📅 Потом второй.

📅 Потом полгода.

Конструктор так и не построил ни одного крыла.

🔧 Он стал лучшим механиком по ремонту телег.

---

🎯 Очень похоже на то, как в некоторых компаниях внедряют BI.

Нанимают аналитика делать дашборды, строить модель данных, автоматизировать отчетность.

Но почти все время уходит на:

- 📊 поддержку старых Excel-файлов;
- 🛠 ручные исправления;
- 📚 бесконечные справочники;
- 🔄 переклейку формул;
- 🧹 борьбу с грязными данными.

В итоге руководству кажется, что "BI не дает результата".

Хотя проблема совсем не в BI.

💡 Проблема в том, что человек, который должен строить самолет, каждый день ремонтирует телегу.

И самое интересное — решение часто лежит на поверхности.

🧰 Для ремонта телег нужен мастер по телегам: специалист по качеству данных, оператор сопровождения, data steward — назовите как угодно.

✈️ А конструктору нужно освободить время, чтобы он занимался тем, ради чего его наняли: проектировал самолет.

Но если инженер-конструктор постоянно чинит телеги, самолет никогда не взлетит

https://t.me/data_publication/1991
планирую послушать, а то все пугают, что ИИ отоберёт работу ))