Половина моих знакомых аналитиков использует Excel для всего — от ежедневных отчётов до сложных моделей с вложенными формулами. Я тоже так делал. Пока однажды файл с квартальным отчётом не превратился в тыкву: двойной ВПР на 50 тысяч строк, макрос на VBA, который писал кто-то до меня и боялся трогать, и ссылка на ячейку Sheet7!AF234, которая волшебным образом сломалась после переноса данных.
Это было в прошлом году. Сейчас я открываю Visual Studio Code с GitHub Copilot, пишу комментарий на русском — и через десять секунд у меня готовый код на Python, который делает то же самое, но быстрее и без танцев с бубном.
Не думайте, что это холодный переход на «взрослые инструменты». Дело в другом: ИИ внутри Copilot реально снимает главный барьер, который мешал людям сдвинуться с Excel.
Что держит людей в Excel
Excel — это не слабость. Это то, что удобно для конкретного размера задач. Таблица на 500 строк с парой формул? Берёшь, делаешь, отправляешь. Красиво, быстро, все понимают.
Проблемы начинаются, когда задача перестаёт помещаться в формат «накидал формул — забыл». Три источника данных, которые нужно склеить и посчитать динамику по сегментам за два года. Раз в неделю. Вручную. Ты либо живёшь в этом файле, либо страдаешь перед каждым релизом отчёта.
Переход на Python традиционно тормозился двумя вещами. Первая — синтаксис: нужно выучить основы pandas, numpy, matplotlib, хотя бы базовую логику работы с DataFrame. Вторая — лень: «зачем мне тратить вечер на изучение нового, если Excel и так работает?»
Copilot бьёт ровно по этим двум точкам. Но по-разному.
Как это выглядит на практике
Сажусь за новую задачу. Нужно взять выгрузку из CRM, приджойнить данные по продажам из другой системы и посчитать конверсию по менеджерам за последний квартал.
Раньше: открывал Excel, делал ВПР, фильтры, сводную таблицу, копировал данные в новый файл, форматировал. Сорок минут, если повезёт.
Сейчас: открываю VS Code, создаю файл analysis.py, пишу комментарий:
# Загрузить crm_export.csv, приджойнить sales_data.xlsx по полю manager_id
# Посчитать конверсию = closed_deals / total_leads * 100
# Сгруппировать по менеджеру и месяцу
Copilot дописывает весь код. Не идеально — иногда путает названия колонок или выбирает merge вместо join — но базовый каркас готов за пять секунд. Я проверяю, поправляю пару вещей, запускаю.
Первая итерация выдаёт ошибку. Не страшно: копирую текст ошибки — Copilot объясняет, что не так, и предлагает исправление. Обычно он попадает.
За двадцать минут задача закрыта. Результат — файл с графиком конверсии по менеджерам, который можно перезапускать каждую неделю одной командой.
Что Copilot реально умеет, а где он врёт
Главное, в чём Copilot хорош — перевод с человеческого на pandas. «Сделай сводную таблицу по столбцу категория и посчитай среднее по столбцу сумма» превращается в работающий код почти сразу. Меньше ошибок с названиями колонок, чем я ожидал.
Хорошо справляется с типовыми вещами: groupby, merge, fillna, построение графиков через matplotlib или seaborn. Если задача укладывается в стандартный пайплайн — загрузка, очистка, агрегация, визуализация — Copilot пишет код, который работает с первой попытки.
Но есть три ситуации, где он слабеет.
Первая — нестандартная логика. Нужно разбить клиентов на когорты по месяцу первой покупки и посчитать retention для каждой когорты? Базовый код он напишет, но с нюансами придётся разбираться самому. Не потому что нельзя, а потому что ты должен чётко знать, что хочешь получить.
Вторая — отладка. Он хорошо объясняет ошибки, но иногда предлагает решение, которое просто переносит проблему в другое место. Если код падает на конкретной строке — проверяй сам, не принимай совет на веру.
Третья — оптимизация. Copilot генерирует рабочий код, но не всегда эффективный. Цикл по строкам DataFrame там, где можно применить векторизацию — это он любит. Если важна скорость на больших данных, переписывай вручную.
Про страх «а вдруг я не пойму, что он сгенерировал»
Это самый частый вопрос, который я слышу. Короткий ответ: поймёшь. Потому что писать код всё равно приходится тебе.
Copilot дополняет, а не заменяет. Ты видишь каждый сгенерированный блок. Разбираешься, что он делает. Поправляешь. Запускаешь. Это не «нажал кнопку — получил результат», а скорее «написал скелет — достроил детали».
Через месяц такого подхода замечаешь, что код, который раньше писал Copilot, уже не вызывает вопросов. Ты читаешь его так же свободно, как формулу в Excel. Параллельно учишь синтаксис — не специально, а по ходу.
У меня ушло примерно три недели регулярной работы, чтобы перестать чувствовать себя переводчиком с чужого языка.
А что с данными, которые не влезают в память
Excel на миллион строк тормозит. Python с pandas на таком объёме данных тоже не блещет, если читать всё в оперативную память. Copilot не решает эту проблему напрямую, но он умеет генерировать код с библиотеками polars или dask — и честно предупреждает, когда видит, что задача выходит за рамки стандартного подхода.
Для данных в пределах нескольких гигабайт pandas хватает. Для всего, что больше — это уже инфраструктурный вопрос, и там одной магии Copilot недостаточно.
Переходный минимум
Если вы работаете в Excel и хотите попробовать Python с Copilot — вот что реально нужно на старте:
Visual Studio Code с установленным GitHub Copilot. Python. Pandas. И терпение на первый вечер.
Не нужно знать всё сразу. Возьмите одну задачу, которую делаете в Excel регулярно, и попробуйте перенести её в Jupyter Notebook с Copilot. Это может быть что угодно: раз в неделю грузите выгрузку и считаете несколько метрик. Или ежемесячно обновляете сводный файл из трёх источников.
Не получилось с первого раза — нормально. Пятая попытка сработает. А к шестой вы уже будете знать, где Copilot врёт, а где нет.
Excel никуда не денется. Для быстрых разовых задач он остаётся удобным. Но если вы тратите на отчёт больше часа в неделю и делаете это по кругу — Python с Copilot быстро окупает время, потраченное на освоение.
