Бесплатный фрагмент - Нейросети для HoReCa: автоматизация, продажи, отзывы, команда

Глава 1. Революция натурального языка: почему формулы больше не нужно учить

Есть странный парадокс в том, как люди входили в Excel и Google Sheets последние двадцать лет. Таблицы обещали свободу: «сделай расчёт сам, без программиста». На практике свобода заканчивалась там, где начинался синтаксис. Человек мог точно знать, что он хочет посчитать, но не знать, как это правильно «сказать» таблице. В итоге работа с данными превращалась в перевод с человеческого на машинный, где каждый знак препинания — потенциальная катастрофа.

С появлением ИИ у таблиц случилось тихое, но фундаментальное событие: интерфейс начал меняться. Если раньше вы искали функцию, то теперь вы описываете намерение. И таблица — через ИИ — всё чаще понимает, что вы имели в виду, даже если вы сами не уверены, как это формализовать.

Эта глава про смену эпохи: от «знать формулы» к «уметь ставить задачу». Не про магию и не про мечты. Про практический сдвиг, который уже экономит часы людям, которые всю жизнь жили внутри табличных файлів.

Смена интерфейса: от поиска функции к описанию намерения

Старый интерфейс таблиц выглядел так: вы видите проблему, вспоминаете, какая функция может помочь, лезете в подсказки, собираете формулу по кусочкам, потом бьётесь с ошибкой, потом проверяете результаты, потом понимаете, что надо ещё одно условие, и цикл повторяется.

Новый интерфейс выглядит иначе. Вы начинаете с фразы на человеческом языке: «Посчитай выручку по клиенту за последние 30 дней, исключая возвраты и отмены, и выведи топ-10 по росту относительно прошлого месяца».

Дальше происходит главное: вы больше не обязаны держать в голове каталог функций, их аргументы, порядок скобок и то, как правильно «прицепить» одно к другому. Это не означает, что математика исчезла. Исчезает необходимость вручную конструировать синтаксис на каждом шаге.

У этой смены есть важное следствие: таблица становится ближе к разговорному инструменту, а не к экзамену по грамматике. И это меняет поведение человека. Раньше многие «обрезали» запрос до уровня своих навыков: считали не так, как нужно бизнесу, а так, как умеют. Теперь наоборот: люди чаще формулируют задачу честно, а потом подгоняют решение под реальность данных.

Практический вывод здесь простой: качество результата теперь сильнее зависит от качества постановки задачи, чем от памяти о формулах. Это не отменяет знания, но меняет его роль. Знать функции полезно, но уже не обязательно для движения вперёд.

ИИ как переводчик: как превратить «хотелку» бизнеса в безупречный синтаксис

В любой компании есть типичная сцена: менеджер говорит «давай сделаем отчёт», аналитик уточняет детали, а дальше начинается танец вокруг формул и колонок. Проблема почти никогда не в том, что люди не понимают бизнес. Проблема в том, что бизнес говорит смыслами, а таблица понимает правилами.

ИИ в этой цепочке играет роль переводчика. Причём переводчика, который не просто преобразует слова в формулу, а помогает структурировать мысль. Хороший запрос к ИИ обычно содержит четыре слоя:

Контекст данных: что за таблица, какие поля, где даты, где сумма, где статус.
Правило расчёта: что включаем, что исключаем, какие условия считаем важными.
Формат результата: одно число, колонка с вычислением, новый лист, сводка, ранжирование.
Проверка: как убедиться, что формула не врёт: контрольные примеры, сверка по ручному подсчёту на 5–10 строках, проверка крайних случаев.

Когда вы пишете «хотелку» в стиле «сделай красиво», ИИ будет стараться угадать, и это опасно. Когда вы пишете задачу как техзадание на человеческом языке, ИИ делает то, что всегда было самым дорогим навыком в аналитике: превращает туман в структуру.

Есть особенно полезный приём: просить ИИ не только формулу, но и вариант логики. Например: «Сначала опиши словами, как ты это считаешь, затем предложи формулу для Excel и для Google Sheets, потом предложи, как проверить корректность на маленьком наборе строк».

Этот шаг возвращает вам контроль. Вы перестаёте верить формуле на слово и начинаете проверять смысл. Таблица становится не «чёрным ящиком», а ускоренной лабораторией.

Прощай, «загугливание» ошибок: почему ИИ находит опечатку быстрее человека

Классическая табличная боль — ошибка, которую вы не видите. Лишняя скобка. Не тот разделитель. Ссылка на неправильный диапазон. Текст вместо числа. Дата, которая выглядит как дата, но хранится как строка. Формула «работает», но считает не то.

Человек ищет ошибку глазами и вниманием. Это утомляет, потому что внимание — ресурс дорогой и капризный. ИИ делает иначе: он анализирует структуру выражения и проверяет типовые места поломки. Это похоже на опытного редактора, который быстро замечает, где фраза разваливается, даже если не может сходу объяснить, почему вам «неприятно читать».

Но здесь важно не попасть в ловушку: ИИ способен уверенно предложить исправление, которое выглядит правдоподобно, но не соответствует вашей бизнес-логике. Поэтому правильная привычка — просить не «исправь», а «найди, что может быть не так, и предложи варианты».

Практический шаблон: «Вот формула, вот что я ожидал получить, вот что получается, вот 3–5 строк данных для примера. Найди возможные причины расхождения и предложи исправления. Для каждого исправления объясни, что изменится».

Так вы превращаете поиск ошибок из гадания в диагностику. И экономите не только время, но и нервную систему.

Психология «чистого листа»: как начать сложный отчёт, просто поговорив с ботом

Самая неприятная часть отчёта часто не расчёты. Самая неприятная часть — старт. Пустой лист, куча источников, расплывчатый запрос: «хочу видеть воронку, динамику, эффективность, ещё чтобы по регионам и по менеджерам, и чтобы было понятно директору». В этот момент человек обычно выбирает один из двух сценариев: либо начинает делать что-то мелкое и безопасное, либо откладывает.

ИИ полезен не только как генератор формул. Он полезен как собеседник для развертывания мысли. Вы можете начать с вопроса, который раньше не задавали таблице напрямую: «Помоги спроектировать отчёт: какие блоки нужны, какие метрики, какие срезы, какие проверки качества данных, и какие типовые ошибки меня подстерегают».

Важное слово здесь — «спроектировать». Это снимает давление «сразу сделать правильно». Вы сначала строите карту местности, а потом уже идёте по ней.

Есть ещё один психологический эффект: разговор снижает страх сложности. Когда вы проговариваете задачу, она превращается из монстра в последовательность шагов. Таблица любит шаги. ИИ любит шаги. Ваш мозг тоже любит шаги, просто иногда забывает об этом в понедельник утром.

Почему знание промптов ценится выше, чем сертификат мастера Excel

Сертификаты учили вас владеть инструментом. Новая реальность требует владеть постановкой задачи. Это похожее, но не одинаковое умение.

Хороший промпт — не «магическое заклинание». Это короткое, ясное описание, где есть:

цель,
контекст данных,
ограничения,
формат результата,
критерий проверки.

В этом смысле промпт — это мини-техническое задание. А техническое задание — основа любого качественного результата, будь то таблица, отчёт, скрипт или финансовая модель.

Парадокс в том, что «промпт-навык» часто быстрее растёт у людей без сильной табличной подготовки. Они не застревают в привычке «я должен сам собрать формулу». Они задают вопрос прямо. И получают решение. Опытный табличник тоже выигрывает, когда перестаёт воспринимать ИИ как угрозу профессионализму и начинает воспринимать его как ускоритель.

Смысл профессионализма сдвигается: не «я знаю тысячу функций», а «я умею превращать хаос данных в понятную картину, проверяемую и воспроизводимую». ИИ помогает с частью механики. Ответственность за смысл остаётся у человека.

Артефакт: сравнительная схема «Ручной труд vs ИИ-ускорение»

Ниже — не таблица, а «мысленная линейка», чтобы быстро оценить, где вы выигрываете больше всего.

1) Постановка задачи Ручной труд: вы сразу прыгаете в формулы, часто уточняя требования по ходу. ИИ-ускорение: вы сначала формулируете намерение и критерии, ИИ помогает разложить на шаги.

2) Выбор метода Ручной труд: вы выбираете знакомые функции, иногда обходными путями. ИИ-ускорение: вы получаете несколько вариантов (формула, сводная, фильтры, скрипт), выбираете по ситуации.

3) Сборка логики Ручной труд: длинные вложенные конструкции, трудно поддерживать. ИИ-ускорение: ИИ предлагает более читаемые конструкции и объясняет смысл частей.

4) Отладка Ручной труд: поиск ошибок глазами, через догадки и усталость. ИИ-ускорение: диагностика типовых поломок, разбор причин, быстрые правки.

5) Проверка корректности Ручной труд: часто ограничивается «похоже на правду». ИИ-ускорение: легче запросить контрольные расчёты и тест-кейсы на крайних значениях.

6) Поддержка и передача коллегам Ручной труд: формулы превращаются в личную магию автора. ИИ-ускорение: можно попросить пояснить формулу словами и подготовить комментарии к логике.

Эта схема не говорит, что ИИ всегда лучше. Она говорит, где чаще всего теряется время. И почти всегда это не «нажать кнопку», а «понять, что именно должно получиться».

В следующей главе мы разберём, чем именно укомплектовать «ИИ-цех» для работы с таблицами: какие инструменты закрывают разные задачи, как сочетать встроенные помощники и внешние решения, и как устроить процесс так, чтобы он ускорял вас каждый день, а не только в момент вдохновения.

Глава 2. Инструменты ИИ для таблиц: кто за что отвечает и как собрать рабочий набор

Если в первой главе мы радовались, что таблицы начали понимать человеческую речь, то теперь пора включить взрослый режим: какие именно инструменты это делают — и почему один и тот же запрос («сделай отчёт») в разных системах превращается в разные результаты.

ИИ для таблиц — это не один «бот», а целая экосистема: встроенные помощники, формульные генераторы, «умные» автозаполнения, чат-интерфейсы к данным, плагины для очистки, инструменты для анализа текста, и даже агенты, которые умеют строить отчёты по расписанию.

Цель этой главы — дать вам карту. Чтобы вы не собирали инструментарий по принципу «что попалось», а понимали роли: кто пишет формулы, кто чистит данные, кто строит сводки, кто помогает проверять, а кто превращает всё это в повторяемый процесс.

1) Встроенный ИИ в Excel и Google Sheets: «первый слой» помощи

Встроенные помощники — это то, что ближе всего к «ИИ как интерфейсу». Они живут прямо внутри таблицы и решают задачи «на месте».

Что они обычно умеют лучше всего:

Создавать и объяснять формулы по описанию задачи.
Предлагать идеи визуализации: какие графики подходят к данным.
Подсказывать структуры: сводные, группировки, сортировки.
Автозаполнять шаблоны (иногда с элементами «умного» вывода).

Их главный плюс: не надо переносить данные куда-то ещё. Главный минус: они ограничены контекстом текущего файла и возможностями платформы. Если вам нужно серьёзно чистить данные, соединять источники, делать нестандартные проверки — одного встроенного помощника может быть мало.

Практический подход: встроенный ИИ — это ваш «первый помощник». Он закрывает 60–80% типовых задач в ежедневной табличной жизни.

2) Чат-бот рядом с таблицей: «второй мозг» для проектирования и сложных запросов

Есть отдельный класс инструментов: вы общаетесь с ИИ в чате и используете его как:

архитектора отчёта,
редактора логики,
диагноста ошибок,
генератора вариантов решений,
наставника по проверкам.

Почему это часто лучше «внутри таблицы»: чат может держать длинную мысль. Например, развернуть дизайн отчёта, предложить структуру метрик, описать контроль качества данных, придумать тестовые кейсы, а потом уже выдать формулы/шаги.

Главная привычка здесь — просить не только решение, но и объяснение и проверку:

«Опиши логику словами → предложи формулу → предложи способ проверки → перечисли крайние случаи».

Если вы внедрите это как стандарт, качество отчётов вырастет резко, даже если вы не станете «гуру функций».

3) Генераторы формул и «переводчики» между Excel и Sheets

Смешной факт: боль «у меня не работает формула» часто происходит не потому, что формула плохая, а потому что:

разные разделители (; vs,),
разные имена функций,
разные правила массивов,
разные особенности работы с датами и текстом.

ИИ тут полезен как переводчик «диалектов». Вы можете буквально сказать:

«Вот формула для Google Sheets. Перепиши для Excel 365, учти разделители и аналоги функций. Объясни изменения».

Это экономит время и снижает риск тихих ошибок. Особенно в командах, где часть людей сидит на Sheets, часть на Excel.

4) Очистка данных: почему «грязь» — это главная причина провала отчётов

ИИ часто воспринимают как «про анализ». На практике огромная часть побед — это очистка:

даты в формате текста,
пробелы и невидимые символы,
разный регистр и написание,
дубли,
кривые выгрузки (например, сумма с разделителем тысяч),
«пустые» значения, которые на самом деле не пустые.

Инструменты очистки бывают двух типов:

Табличные: фильтры, Power Query, Query/Импорт в Sheets, регулярные выражения, текстовые функции.
ИИ-помощники: которые по примерам понимают правило и предлагают нормализацию.

Самый мощный подход — гибрид:

ИИ помогает быстро угадать правило и составить план чистки.
Таблица (или Power Query) делает повторяемую процедуру.

ИИ хорош в «догадке по смыслу». Таблица хороша в «повтори это точно 10 000 раз».

5) Сводные, группировки и «планирование отчёта»: ИИ как аналитический архитектор

Если вы когда-либо строили отчёт «в лоб», то знаете: можно сделать 10 разных табличек и всё равно не ответить на главный вопрос бизнеса.

ИИ полезен как архитектор отчёта:

предложить блоки: воронка → конверсия → выручка → удержание → каналы,
предложить метрики и определения («что считать активным клиентом?»),
предложить срезы (регион, продукт, менеджер, канал),
подсказать визуализации,
предложить контрольные проверки.

Это особенно полезно в начале работы: когда задача расплывчатая и вы не знаете, откуда начинать. Вы разговариваете — и постепенно кристаллизуете «что именно мы хотим видеть».

6) Автоматизация: агенты и сценарии, которые делают отчёт «сам по расписанию»

Настоящий взрослый табличный кайф — когда отчёт не «делается», а «обновляется».

Тут важны инструменты, которые умеют:

подтягивать данные из источников,
обновлять трансформации,
пересчитывать показатели,
формировать итоговую витрину,
(иногда) отправлять результат в письмо/чат.

ИИ тут полезен в двух ролях:

Собрать и объяснить сценарий автоматизации: какие шаги, где риски, как логировать ошибки.
Помочь поддерживать: когда ломается источник, меняется формат выгрузки, появляются новые поля.

Но важный принцип: автоматизация должна быть детерминированной (то есть повторяемой и предсказуемой). ИИ — это ускоритель разработки и диагностики, но сам процесс лучше фиксировать в понятных правилах (Power Query, скрипты, макросы, пайплайны).

Как собрать рабочий набор: «три уровня» инструментов

Чтобы не утонуть, можно мыслить так:

Уровень 1 — базовый (каждый день):

встроенный ИИ в таблице + чат-бот рядом Задачи: формулы, объяснения, быстрые отчёты, диагностика.

Уровень 2 — профессиональный (когда отчёты повторяются):

Power Query / импорт и трансформации / регулярки + ИИ как помощник-архитектор Задачи: очистка, нормализация, стабильные расчёты, интеграция источников.

Уровень 3 — системный (когда отчёт становится продуктом):

автоматизация обновления + проверка качества + документация логики (частично с ИИ) Задачи: надёжность, воспроизводимость, масштабирование, контроль ошибок.

Ваша цель — не «собрать все инструменты», а поднимать задачу на следующий уровень, когда она созрела. Один разовый анализ не требует автоматизации. Ежедневный отчёт — требует.

Мини-артефакт: матрица «задача → лучший ИИ-инструмент»

Сформулировать метрики и структуру отчёта → чат-бот (архитектура, план, проверки)
Сгенерировать формулу по описанию → встроенный ИИ / чат-бот
Перевести формулу Excel ↔ Sheets → чат-бот (с явной просьбой учесть различия)
Найти ошибку в формуле и объяснить причину → чат-бот + примеры строк
Очистить даты/текст/пробелы/дубли → Power Query/трансформации + ИИ для выявления правил
Сводная/группировки/топы/ранжирование → встроенный ИИ + сводные
Автообновление отчёта → трансформации/скрипты + ИИ для проектирования и поддержки

В следующей главе логично перейти от «что существует» к «как именно с этим разговаривать»: разберём промпт-шаблоны для самых частых табличных задач — от простых формул до проектирования отчётов и диагностики грязных данных. Это будет глава про язык: как формулировать запросы так, чтобы ИИ работал как точный инструмент, а не как гадалка.

Глава 3. Промпты для таблиц: как разговаривать с ИИ так, чтобы он работал как инженер, а не как гадалка

ИИ в таблицах похож на сверхбыстрого стажёра: он может накидать решение за секунды, но качество зависит от того, насколько хорошо вы поставили задачу и насколько строго вы проверяете результат. Это не «про магию формул», а про управляемое мышление. Вы формулируете намерение — ИИ переводит его в синтаксис — вы проверяете, что смысл не потерялся.

Эта глава — набор рабочих схем общения: промпт-шаблоны, которые превращают хаос «надо посчитать» в ясные шаги и корректные формулы.

1) Золотое правило промптов: «контекст → правило → формат → проверка»

Если промпт короткий («сделай формулу»), ИИ будет угадывать. Угадывание — враг аналитики.

Хороший промпт содержит четыре элемента:

Контекст

где данные (лист, таблица, диапазон),
названия колонок,
типы данных (дата, число, текст),
примеры 3–5 строк.

Правило

что считать,
какие условия,
какие исключения.

Формат результата

одна формула?
массивная формула?
новая колонка?
сводная?
топ-10?

Проверка

как понять, что формула верна,
какие крайние случаи учесть.

Это и есть «мини-ТЗ», просто на человеческом языке.

2) Универсальный промпт-шаблон «Сделай расчёт»

Скопируйте и используйте как основу:

Задача: [что нужно посчитать]
Данные: колонки: A= […], B= […], C= […] (или имена столбцов)
Условия: включать…, исключать…
Период/группировка: по дням/месяцам/клиентам/менеджерам…
Результат: формула для [Excel 365 / Google Sheets], вставить в ячейку [X], протянуть вниз (или массивом)
Пример строк:

…
……

Проверка: покажи расчёт вручную на строке 2 и объясни логику.

Фишка: последняя строка («покажи расчёт вручную») резко снижает риск красивой, но неверной формулы.

3) Промпт «Объясни формулу так, чтобы я мог её защищать на совещании»

Когда вы получаете формулу от ИИ (или от коллеги), важно уметь объяснить её словами. Шаблон:

Объясни эту формулу простыми словами, по шагам.

Что она делает в целом
Что делает каждая часть
Какие типовые ошибки возможны (пустые значения, текст вместо числа, формат даты)
Как проверить на 5 строках вручную Формула: [вставьте формулу]

Это превращает формулу из «магии» в «документируемую логику».

4) Промпт «Найди ошибку»: как чинить формулы без бесконечного тыка

Чтобы ИИ действительно диагностировал, а не «переписал что-то похожее», дайте ему:

формулу,
ожидаемый результат,
фактический результат,
3–10 строк данных (минимальный пример),
платформу (Excel/Sheets, версия).

Шаблон:

Вот формула: … Ожидаю: … (описание и/или число) Получаю: … Платформа: Excel 365 (или Google Sheets) Пример данных (строки 2–8): … Найди возможные причины расхождения и предложи 2–3 исправления. Для каждого исправления объясни, что изменится и как проверить.

Так ИИ перестаёт быть «генератором формул» и становится «инженером по отладке».

5) Промпт «Очисти данные»: ИИ как детектор грязи и нормализатор

Для чистки данных лучше всего работает подход «покажи примеры до/после»:

У меня колонка с [датами/телефонами/именами/суммами], но данные грязные. Примеры исходных значений:

…
… 
… Хочу привести к виду: [пример целевого формата] Предложи формулу (ы) или шаги трансформации (Power Query/Sheets функции), и объясни, какие типы мусора ты учитываешь.

ИИ особенно хорош, когда в данных много «человеческого хаоса»: пробелы, скобки, “+7», «8», разные разделители.

6) Промпт «Сделай сводку/отчёт»: от данных к структуре, а не к одной формуле

Если вы попросите «сделай отчёт», получите набор случайных идей. Лучше: попросите проект.

Мне нужен отчёт для [роль: директор/продакт/маркетинг] про [тема]. Данные: [какие таблицы/колонки есть] Бизнес-вопросы:

…
… 
… Ограничения: [частота обновления, точность, время на подготовку] Спроектируй структуру отчёта: блоки, метрики, срезы, визуализации. Добавь раздел «проверки качества данных» и «типовые ловушки интерпретации».

Это сильнее, чем сразу прыгать в формулы: вы сначала строите карту, потом прокладываете маршруты.

7) Промпт «Сравни подходы»: формула vs сводная vs Power Query

Иногда один и тот же результат можно получить тремя способами. ИИ полезен как консультант по выбору.

Задача: … Данные: … Мне важно: [скорость / поддерживаемость / понятность / совместимость] Предложи 3 решения:

формулой
сводной
через Power Query/импорт Для каждого: плюсы/минусы, где может сломаться, как поддерживать.

Это сразу выводит вас на «профессиональный уровень»: вы выбираете архитектуру, а не просто «чтобы считалось».

Мини-набор «коротких команд» (когда времени нет)

«Сгенерируй формулу для [Excel/Sheets], учитывай разделители.»
«Объясни формулу по частям + предложи проверки.»
«Найди причину ошибки: ожидаю X, получаю Y, вот 5 строк данных.»
«Предложи нормализацию: вот примеры до/после.»
«Спроектируй отчёт: блоки, метрики, проверки данных.»

Короткие команды работают, если вы даёте контекст (колонки и примеры).

Главная мысль главы

ИИ не отменяет ответственность за смысл. Он отменяет рутину синтаксиса и ускоряет итерации. Ваша роль — быть «редактором намерения»: чётко формулировать, что именно считается, и проверять, что формула действительно делает это.

В следующей главе логично разобрать типовые «боевые сцены»: продажи, финансы, HR, маркетинг — и показать на конкретных кейсах, как промпты и ИИ-логика превращаются в живые формулы, отчёты и автоматизации, без героизма и бессонницы.

Глава 4. Боевые сценарии: продажи, финансы, маркетинг, HR — и как ИИ превращает хаос в отчёты

Таблицы в реальной жизни редко выглядят как учебник. Они выглядят как «выгрузка из CRM», «экспорт из банка», «табличка от подрядчика», «список лидов», «что-то из HR-системы». Колонки названы странно, даты живут своей жизнью, статусы плодятся как кролики, а руководитель хочет «просто понять, что происходит».

ИИ здесь ценен не тем, что он знает формулы. Ценность в другом: он помогает быстро пройти путь от сырья к понятной модели — и сделать это так, чтобы результат можно было повторить, проверить и поддерживать.

Дальше — четыре сценария. Для каждого: типовая структура данных, что обычно хотят посчитать, где люди ломаются, и какие промпты реально работают.

Сценарий A. Продажи: воронка, конверсия, выручка, план-факт

Типовые данные

Дата лида / сделки
Статус (новый, в работе, выигран, проигран, отменён)
Сумма
Менеджер
Источник/канал
Клиент/компания
Дата закрытия

Что обычно нужно

Воронка: сколько сделок на каждом этапе
Конверсия: доля переходов между этапами
Выручка: сумма выигранных за период
Скорость: среднее время от создания до закрытия
План-факт: сравнение с планом по менеджерам/месяцам
Качество пайплайна: сколько «зависших» сделок

Типовые ловушки

Статусы написаны разными словами («Won», «выиграно», «закрыто успешно»)
Дата закрытия пустая или криво заполнена
Суммы текстом («1 200 000», «$3000»)
Дубли по сделкам
Сделки «отменены», но всё ещё в данных как активные

Промпт-шаблон (воронка)

Данные: колонки: DateCreated, Stage, Amount, Owner, Source, CloseDate. Нужно: сводку-воронку по Stage за период [даты], отдельно по Owner. Исключить: Stage = [Cancelled/Refund/Spam]. Сделай:

структуру отчёта (какие сводные/таблицы)
формулы или шаги (Excel/Sheets)
проверки корректности (дубли, пустые даты, суммы текстом)

Промпт-шаблон (конверсия)

Хочу конверсию между этапами воронки: New → Qualified → Proposal → Won. Данные: каждая строка — сделка, колонка Stage содержит текущий этап. Как корректно посчитать конверсию по месяцам создания сделки? Предложи 2 подхода:

«по текущему этапу» (быстро)
«по истории этапов» (если нужна честная конверсия) Укажи ограничения каждого.

(важно: ИИ тут должен заставить вас осознать, есть ли у вас история изменений этапов. Без неё «конверсия» часто — иллюзия.)

Сценарий B. Финансы: P&L, cashflow, расходы по статьям, маржа

Типовые данные

Дата операции
Категория/статья
Контрагент
Сумма
Валюта
Тип (доход/расход)
Проект/центр затрат

Что обычно нужно

P&L по месяцам: выручка, COGS, OPEX, прибыль
Cashflow: притоки/оттоки, остаток
Расходы по статьям: топ категорий и динамика
Маржинальность: валовая и операционная
План-факт бюджета

Типовые ловушки

Одна и та же категория названа по-разному
Знак суммы: расход как отрицательное или отдельный столбец «тип»
Валюты смешаны, курсы не учтены
Даты «в тексте»
НДС/налоги учтены непоследовательно

Промпт-шаблон (нормализация категорий)

У меня категории расходов написаны хаотично. Примеры: «Marketing», «Маркетинг», «Ads», «Реклама FB», «SMM», «Performance». Я хочу привести их к 8–12 стандартным статьям (Marketing, Payroll, Rent…). Предложи правило группировки + таблицу соответствий. Затем предложи формулу/подход, как автоматически присваивать стандартную категорию по исходной.

(здесь ИИ полезен как «семантический группировщик», а таблица — как механизм применения правила.)

Промпт-шаблон (P&L)

Данные транзакций: Date, Type (income/expense), Category, Amount. Нужно P&L по месяцам:

Revenue (Type=income)
OPEX (Type=expense, исключая COGS)
COGS (Category in …)
Gross Profit, Operating Profit Сделай структуру табличного отчёта + формулы для Excel/Sheets. Добавь проверки: сумма доходов/расходов должна сходиться с общей.

Сценарий C. Маркетинг: CAC, ROAS, LTV, каналы, когортный анализ

Типовые данные

Расходы по каналам/кампаниям/датам
Лиды/регистрации/покупки
Доход по клиентам
Источник привлечения (UTM, канал, кампания)
Даты первого касания / первой покупки

Что обычно нужно

ROAS: доход / расходы по каналу
CAC: стоимость привлечения клиента
Конверсия: клик → лид → покупка
Когорты: удержание/повторные покупки по месяцам первой покупки
LTV: доход от клиента за период (30/90/180 дней)

Типовые ловушки

Источник не совпадает между системами (UTM потерян, канал “ (direct)»)
Дедупликация клиентов (email/телефон в разных форматах)
Смешение «лидов» и «клиентов»
Запаздывание дохода относительно расхода (атрибуция)

Промпт-шаблон (ROAS)

Есть две таблицы:

AdsSpend: Date, Channel, Campaign, Spend
Orders: OrderDate, Revenue, Channel, CustomerID Нужно: ROAS по Channel и по месяцам. Опиши, как объединить данные, какие ключи использовать, и как посчитать. Если есть риск некорректной атрибуции — перечисли и предложи упрощения.

Промпт-шаблон (кохорты)

Таблица заказов: CustomerID, OrderDate, Revenue. Нужно: когортный анализ по месяцу первой покупки:

размер когорты
выручка по месяцам жизни (M0, M1, M2…)
retention (доля вернувшихся) Предложи структуру в Excel/Sheets: какие вспомогательные колонки, как построить сводную, какие формулы. Добавь 3 проверки корректности.

(кохорты — отличный пример задачи, где ИИ ускоряет проектирование, но вы всё равно должны понимать определение.)

Сценарий D. HR: найм, текучесть, зарплаты, эффективность, кадровая аналитика

Типовые данные

Сотрудник, отдел, роль
Дата найма, дата увольнения
Зарплата, грейд, тип занятости
Вакансии, кандидаты, этапы найма
Оценки, performance, отпуска/больничные

Что обычно нужно

Headcount: численность по месяцам
Текучесть: увольнения / средняя численность
Time-to-hire: скорость найма по вакансиям/рекрутерам
Воронка найма: отклики → интервью → оффер → выход
Фонд оплаты труда: динамика и прогноз

Типовые ловушки

Увольнение без даты (или дата есть, но сотрудник «активен»)
Сотрудники с несколькими контрактами (дубли)
Разные «типы» увольнений (сокращение, по желанию)
Воронка найма без единого ID кандидата

Промпт-шаблон (headcount по месяцам)

Таблица сотрудников: EmployeeID, HireDate, TerminationDate (может быть пустой), Department. Нужно: headcount по месяцам и по Department — сколько было активных в каждом месяце. Предложи способ в Excel/Sheets:

какие вспомогательные столбцы
формулу или сводную
как обработать TerminationDate пустой и увольнение в середине месяца

Промпт-шаблон (turnover)

На основе тех же данных посчитай текучесть по месяцам: увольнения за месяц / средняя численность за месяц. Опиши, как корректно считать «среднюю численность» и какие варианты допустимы.

Универсальный приём для всех сценариев: «контрольные суммы» и тест-кейсы

Любой отчёт в таблицах должен иметь 2–3 «контрольных крючка», чтобы ловить ошибки:

сумма по деталям = сумма в итогах
число строк после фильтра = ожидаемое число (проверка исключений)
несколько ручных подсчётов на 5 строках
проверка крайних случаев (пустые даты, нули, отмены)

Промпт, который делает это привычкой:

Для этого отчёта предложи 5 проверок качества данных и 5 тест-кейсов, которые выявляют ошибки в формулах/логике.

ИИ редко сам добавит проверки, если не попросить. Но если попросить — он становится вашим QA-инженером.

Главная мысль главы

ИИ полезен не «вместо аналитика», а «вместо бесполезной боли». Он ускоряет проектирование, сборку и отладку, но смысл и определения метрик вы должны держать руками — иначе получите идеально посчитанную ерунду.

В следующей главе можно сделать шаг от «разовых побед» к «устойчивой системе»: как документировать логику, как строить контроль качества, как превращать отчёт в повторяемый процесс, и как не попасть в зависимость от одного человека (или одного бота).

Глава 5. Надёжность и контроль: как сделать отчёт, которому можно верить (и который не развалится через неделю)

ИИ ускоряет работу с таблицами, но есть одна неприятная правда: быстрее всего ломаются именно те отчёты, которые «быстро сделали». Причём ломаются не драматично, а тихо: новая выгрузка поменяла формат даты, у статуса появилось новое значение, колонку переименовали, кто-то вставил строку посередине, а вы продолжаете смотреть на график и думать, что он «про реальность».

Эта глава — про то, как строить табличные решения как инженер: с проверками, документацией, защитой от мусора и понятной логикой. ИИ здесь полезен как ускоритель, но дисциплина — ваша.

1) Табличная правда: «неправильно» чаще бывает незаметно

Ошибки в таблицах делятся на два типа:

явные — #VALUE!, #N/A, «не работает»
тихие — всё работает, но считает не то

ИИ особенно хорош в борьбе с явными ошибками. А вот «тихие» — ваш главный враг. И побеждаются они не магией, а контролем.

Практический принцип: любой отчёт, который влияет на решения, должен иметь встроенные «сигнализации».

2) Контроль качества данных: 7 проверок, которые окупаются всегда

Вот минимальный набор, который почти универсален:

Пустые ключевые поля

даты, суммы, идентификаторы, статус

Тип данных не тот

дата как текст, число как текст, валюта с символами

Дубли

по ID сделки/заказа/сотрудника

Новые/неожиданные значения

новые статусы, новые категории, новые каналы

Диапазоны и выбросы

отрицательные суммы там, где их быть не должно
гигантские значения (ошибка единиц)

Сходимость контрольных сумм

сумма деталей = сумма итогов

Стабильность структуры

все нужные колонки на месте, названия не изменились, порядок не важен

Попросите ИИ не просто «сделать проверки», а оформить их как блок отчёта: отдельная вкладка «Checks» или секция сверху с красными/зелёными индикаторами.

Промпт:

Для моего отчёта предложи вкладку Checks: какие проверки добавить, какие формулы/условные форматы использовать, и какие пороги считать тревожными. Дай пример структуры.

3) «Контрольные суммы»: лучший друг здравого смысла

Контрольная сумма — это когда вы создаёте независимую проверку того, что итог совпадает с деталями.

Примеры: