Полгода назад коллега-аналитик спросил: «Зачем мне Python, если в Excel всё есть?» Вчера он прислал скриншот — Copilot написал ему скрипт для обработки 200 тысяч строк, которые Excel даже открыть не мог. «Окей, ты был прав», — написал он.
Я не был прав. Просто научился одной штуке: ИИ умеет переводить с «экселя» на Python так, что не нужно три месяца учить синтаксис. Открываешь Copilot, описываешь задачу человеческими словами — получаешь работающий код. Звучит как реклама, но это просто мой опыт последних месяцев.
Расскажу как перестать бояться кода и начать делать то, на что в Excel уходили часы.
Где Excel сдаётся
Excel хорош для быстрых расчётов. Сводная таблица, пара графиков, ВПР — всё это работает. Проблемы начинаются когда данных много или задача чуть сложнее стандартной.
У меня был файл с логами — 350 тысяч строк. Excel открывал его минуты три, потом намертво вис на любой фильтрации. Формулы ИНДЕКС-ПОИСКПОЗ пересчитывались по пять минут. Я пробовал Power Query — стало чуть лучше, но интерфейс настолько запутанный, что проще было бы выучить SQL.
Дело в том что задачи повторяются. Каждую неделю один и тот же отчёт: загрузить три CSV, склеить, почистить дубликаты, посчитать метрики, нарисовать графики. В Excel это полчаса ручной работы. Макросы писать страшно — VBA выглядит как код из девяностых, документации толковой нет.
Ещё проблема — совместная работа. Отправляешь файл с формулами коллеге, у него другая версия Excel, формулы ломаются, ссылки слетают. Или того хуже — кто-то случайно меняет исходные данные, и весь расчёт едет.
Python решает эти три проблемы. Но его нужно выучить. Точнее, нужно было.
Как Copilot переводит задачу в код
GitHub Copilot — это ИИ-ассистент, который живёт прямо в редакторе кода. Пишешь комментарий на человеческом языке, он генерирует код. Звучит просто, работает неожиданно хорошо.
Пример. Мне нужно было загрузить CSV, оставить только строки где в колонке "статус" написано "завершено", и посчитать среднее по колонке "сумма". В Excel это фильтр и СРЗНАЧЕСЛИ. В Python я написал комментарий:
# загрузить файл orders.csv, отфильтровать строки где status = 'completed', посчитать среднее по колонке amount
Copilot выдал:
import pandas as pd
df = pd.read_csv('orders.csv')
completed = df[df['status'] == 'completed']
average_amount = completed['amount'].mean()
print(average_amount)
Пять строк кода. Работает с любым размером файла. Выполняется за секунду даже на миллионе строк.
Я не знал pandas до этого момента. Не понимал что такое df[df['status'] == 'completed'] — выглядело как магия. Но код работал, я скопировал его, запустил — получил результат. Потом погуглил синтаксис, понял логику. Через неделю уже мог менять такие куски самостоятельно.
Copilot не заменяет обучение. Он даёт рабочий пример, от которого можно оттолкнуться. Это как если бы рядом сидел опытный программист и показывал как он решал бы твою задачу.
Типичные задачи аналитика
Вот что я делаю теперь через Python вместо Excel.
Склейка файлов. Раньше: открыть десять CSV, скопировать данные в один файл, следить чтобы заголовки совпадали. Теперь: Copilot пишет цикл который читает все файлы из папки и склеивает их автоматически. Три строки кода.
Очистка данных. Удалить дубликаты, заменить пустые ячейки на ноль, привести даты к одному формату. В Excel это цепочка действий, которую нужно повторять вручную. В Python это скрипт, который выполняется одной кнопкой.
Группировка и агрегация. СУММЕСЛИ работает медленно на больших данных. В pandas есть groupby — делает то же самое в сто раз быстрее. Copilot генерирует правильный синтаксис, мне остаётся только подставить названия колонок.
Графики. Excel рисует графики красиво, но настройка отнимает время. Библиотека matplotlib в Python требует кучу кода для простого графика. Зато если нужно нарисовать сто графиков для разных категорий — Python сделает это циклом, а в Excel придётся копировать шаблон вручную.
Автоматизация отчётов. Скрипт который загружает данные, обрабатывает, считает метрики и сохраняет результат в Excel или PDF. Запускается по расписанию без моего участия. Такое в чистом Excel невозможно.
Самое приятное — я описываю задачу обычными словами. Copilot понимает даже косноязычные формулировки вроде «сделай так чтобы в таблице остались только уникальные значения по двум колонкам».
Что нужно знать чтобы начать
Я не программист. Шесть месяцев назад видел Python только в мемах. Вот что реально понадобилось.
Установить Python. Скачал с официального сайта, нажал «далее-далее-готово». Десять минут.
Поставить VS Code. Бесплатный редактор от Microsoft. Интерфейс попроще чем в PyCharm, для начала хватает.
Подписка на GitHub Copilot. 10 долларов в месяц. Есть пробный период. Для студентов бесплатно.
Библиотека pandas. Устанавливается командой pip install pandas. Это основной инструмент для работы с таблицами в Python.
Всё. Синтаксис Python учится по ходу. Copilot показывает примеры, я их читаю и постепенно начинаю понимать логику. Через месяц уже мог писать простые скрипты без подсказок.
Конечно, бывают ситуации когда Copilot генерирует код с ошибкой. Особенно если задача сформулирована нечётко. Тогда копирую текст ошибки, вставляю в комментарий — Copilot исправляет. Или гуглю, если непонятно что не так. Stack Overflow ещё никто не отменял.
На практике Copilot хорошо работает с типовыми задачами. Если нужно что-то экзотическое — специфичный формат данных, сложная бизнес-логика — придётся больше времени тратить на правки и объяснения. Но для 80% аналитических задач его хватает с головой.
Зачем это аналитику который не хочет быть программистом
Я не планировал становиться разработчиком. Мне нужно было делать свою работу быстрее. Python с Copilot дал именно это.
Пример. Еженедельный отчёт по продажам. Раньше: скачать три выгрузки из CRM, открыть в Excel, склеить через ВПР, посчитать метрики, нарисовать графики, сохранить в PDF. Полтора часа работы, из которых час — рутина.
Теперь: запускаю скрипт, он делает всё за три минуты. Я проверяю результат и отправляю. Скрипт написал Copilot по моему описанию задачи. Я потратил час на то чтобы объяснить что нужно и поправить пару моментов. Но это разовая работа — скрипт теперь работает каждую неделю.
Экономия времени — это одно. Второе — меньше ошибок. В Excel легко ошибиться: не туда протянул формулу, случайно отсортировал одну колонку без других, забыл обновить данные. В Python процесс воспроизводим. Запустил скрипт — получил тот же результат что и в прошлый раз.
С другой стороны, есть масштабируемость. Если данных стало больше, скрипт справится. Если нужно добавить ещё одну метрику, правлю пару строк. В Excel при росте объёма данных приходится перестраивать весь процесс.
Ещё момент — это просто интереснее. Excel надоел. Каждый день одно и то же. Python даёт ощущение что ты делаешь что-то новое, автоматизируешь, улучшаешь процессы. Плюс навык который ценится на рынке.
Что дальше
Copilot не сделает из аналитика Data Scientist за неделю. Но он убирает главный барьер — страх перед кодом. Раньше я смотрел на скрипты Python и думал «это не для меня, слишком сложно». Теперь понимаю что большая часть работы аналитика — это типовые операции с данными, для которых уже есть готовые решения. Copilot помогает найти эти решения и адаптировать под свою задачу.
Я всё ещё использую Excel. Для быстрых расчётов, для презентаций, для случаев когда нужно показать коллеге как работает формула. Но для всего что связано с автоматизацией, большими данными или повторяющимися задачами — Python. С Copilot переход оказался безболезненным.
Если ты аналитик и думаешь «мне бы автоматизировать эту рутину, но программирование — не моё» — попробуй Copilot. Месяц пробного периода хватит чтобы понять, зайдёт или нет. У меня зашло.
