Почти все компании начинают построение аналитики в Excel. Это удобно потому, что на старте данных немного и все можно собрать в одну таблицу, быстро посчитать и в целом понимать, что происходит.
Excel довольно универсальный инструмент. Хочешь — отчет собери, хочешь — модель посчитай, хочешь — гипотезу проверь. Но постепенно его начинает не хватать.
Сначала компании разрастаются данными. Потом они появляются в разных местах , таких как, CRM, рекламные кабинеты, бухгалтерия, сайт. Потом с ростом компании появляются дополнительные отчеты. И тебе уже приходится работать сразу в нескольких файлах и системах.
Сначала это терпимо. Потом начинает раздражать. А потом ловишь себя на мысли, что даже на простой вопрос по бизнесу нужно потратить время: открыть несколько таблиц, сверить цифры, проверить формулы.
Тогда многие компании начинают задумываться об усовершенствовании аналитики и внедрении BI.
Почему Excel так популярен
По данным «КОРУС Консалтинг», около 43% компаний до сих пор строят аналитику именно в Excel. Ещё примерно треть используют его вместе с другими инструментами.
И это абсолютно объяснимо. Excel — это быстрый и доступный старт. Не нужно ничего внедрять, никого обучать. Открыл файл — и работаешь. Можно быстро собрать отчёт, прикинуть экономику, проверить гипотезу.
Я до сих пор им пользуюсь. Просто уже не как основным инструментом, а как вспомогательным. Для точечных задач он по-прежнему удобен.
Проблема не в Excel как инструменте. Проблема в том, что со временем бизнес становится сложнее, чем таблицы.
Где Excel начинает тормозить
Обычно это не один резкий момент, а постепенное накопление.
Сначала подготовка отчётов начинает занимать чуть больше времени. Потом ещё чуть больше. В какой-то момент это превращается в часы ежедневной работы.
Причина здесь простая. Excel — это всегда ручной процесс. Нужно выгрузить данные, привести их к одному виду, объединить, проверить расчёты. И так каждый раз.
Да, в какой-то момент многие начинают подключать данные через API. Это можно сделать через Power Query или другие коннекторы, и это действительно упрощает жизнь. Данные начинают подтягиваться автоматически и становится меньше ручных выгрузок.
Но по факту это не меняет сам подход. Таблица всё равно остается таблицей. Ее нужно поддерживать, проверять, пересобирать логику. Как только структура усложняется — все снова начинает ломаться.
Плюс есть важный момент, который часто недооценивают — актуальность. Excel всегда показывает прошлое. То, что было на момент последнего обновления. Даже если данные подтягиваются автоматически, это не полноценная система, а все та же таблица с ограничениями. И решения всё равно часто принимаются с задержкой.
Ну и ошибки. С ними сталкивался, наверное, каждый. Чем сложнее файл, тем выше вероятность, что где-то сломалась формула или логика. Есть исследование нескольких университетов Австралии и Гонконга, где говорится, что от 80% до 94% корпоративных таблиц содержат ошибки. И по опыту это очень похоже на правду.
Пока это простые задачи — ничего страшного. Но когда речь идёт о деньгах или управлении, такие вещи начинают напрямую влиять на результат.
Excel и BI-аналитика — не конкуренты
Мне часто задают вопрос: что лучше — Excel или BI. Но на практике этот вопрос вообще не так стоит.
Excel никуда не уходит. Он остаётся удобным инструментом для расчётов, быстрых проверок, финансовых моделей.
BI-аналитика закрывает другую задачу. Она нужна, когда важно не просто посчитать, а выстроить систему работы с данными. Чтобы они были собраны в одном месте, считались одинаково и всегда были актуальны.
Поэтому в реальности эти инструменты живут вместе. Просто используются в разных задачах.
Главное отличие
Самое заметное отличие, которое я вижу — подход к работе с данными.
В Excel ты каждый раз заново собираешь аналитику. Даже если есть шаблоны и автоматизация, это всё равно повторяющийся процесс. Нужно выгрузить, проверить, обновить, пересобрать данные. И чем сложнее бизнес, тем больше времени это начинает съедать.
В BI-аналитике ты один раз выстраиваешь систему, и дальше она работает постоянно. Данные подтягиваются сами, логика расчетов уже задана, отчеты обновляются без участия человека. Ты просто открываешь дашборд и смотришь текущую картину.
Но есть и другие важные отличия.
Скорость. В Excel аналитика всегда запаздывает, потому что между событием и отчётом есть ручной процесс. В BI этого разрыва почти нет — данные обновляются регулярно, и ты работаешь с актуальной ситуацией.
Управляемость. В Excel каждая новая задача — это новая таблица или усложнение старой. Со временем это превращается в набор файлов, в которых сложно разобраться. В BI-аналитике, наоборот, все строится вокруг единой модели данных, и система не разваливается по мере роста.
Стоимость. Это тот момент, который часто понимают не сразу. На первый взгляд Excel кажется бесплатным или дешевым инструментом. Но если посчитать время команды на сбор, проверку и исправление отчетов, стоимость оказывается довольно высокой. BI требует вложений на старте, но сильно экономит время дальше — и в итоге это почти всегда окупается.
Откуда берутся «разные цифры»
Есть ещё одна история, которая почти в каждой компании повторяется. Разные отделы начинают считать показатели по-разному. У финансов одна логика, у маркетинга другая, у продаж третья. В итоге вместо анализа начинается выяснение того, какие цифры правильные. Я это сам видел много раз. И это сильно тормозит работу, хотя внешне кажется, что все заняты аналитикой.
BI-аналитика эту проблему закрывает довольно жестко. Все метрики считаются в одной модели. Если выручка определена одним образом, она такой и остается во всех отчетах.
И после этого обсуждать уже нечего. Можно наконец переходить к решениям.
Как понять, пора ли переходить с Excel на BI
Здесь нет универсального момента, когда «все, теперь точно пора». Я видел небольшие команды, которым BI был критичен, и крупные компании, которые годами жили в Excel.
Если говорить просто, Excel хорошо работает до тех пор, пока аналитика остается локальной задачей. Когда нужно что-то быстро посчитать, проверить гипотезу или собрать разовый отчет. Он удобен и полностью закрывает задачу.
Но дальше начинает играть масштаб и регулярность.
Я обычно смотрю на несколько вещей:
Сколько времени уходит на отчёты. Если это часы каждую неделю или, тем более, каждый день — это уже сигнал. Потому что это время команда тратит не на анализ, а на подготовку данных.
Сколько источников данных участвует. Пока всё в одном месте — Excel справляется. Как только появляется CRM, реклама, бухгалтерия, сайт — ручная сборка начинает усложняться и давать ошибки.
Насколько вы доверяете цифрам. Если регулярно возникают ситуации, когда «что-то не сходится» и нужно перепроверять расчеты — это прямой индикатор, что текущая система не держит нагрузку.
И ещё один важный момент — скорость решений. Если между вопросом «что происходит?» и ответом проходит несколько часов или дней, значит аналитика уже тормозит бизнес.
Теперь про деньги, потому что это всегда главный вопрос.
BI-аналитика почти всегда требует вложений на старте. И если у вас маленький объём данных и простые задачи, эти вложения действительно могут не окупиться сразу. В таком случае лучше выжать максимум из Excel и не усложнять систему раньше времени.
Но если аналитика уже начинает забирать ресурсы команды, появляются ошибки, а решения принимаются с задержкой — BI, как правило, быстро окупается за счёт экономии времени и более точных решений.
Пример одной компании
К нашей команте обратилась компания, которая делает аналитику для селлеров маркетплейсов. У них свой собственный сервис аналитики, который помогает продавцам на Wildberries и Ozon управлять продажами, расходами и прибылью.
Изначально вся аналитика была в Google Sheets и Excel. Данные подтягивались через API, дальше обрабатывались вручную. Пока объём был небольшой, это работало.
Но с ростом начались проблемы. Данных стало больше, таблицы начали тормозить, периодически ломались, появлялись расхождения в цифрах. Подготовка отчетов занимала по несколько часов в день и превращалась в рутину.
Тогда мы выстроили для них BI-аналитику в Yandex DataLens. Пример дашбордов ниже.
В результате время на аналитику у них сократилось с 15–20 часов в неделю до 2–3 часов. Ушла путаница в цифрах, появилась единая логика расчетов.
Это как раз хороший пример, когда компания вовремя заметила, что текущий подход перестал работать, и не стала тянуть дальше.
Мы с ними до сих пор продолжаем работу — дорабатываем и улучшаем дашборды по мере роста задач. И по их словам, внедрение BI у них окупилось примерно за 4 месяца.
Итог
Если смотреть с позиции практики, Excel — это нормальная точка старта. Я не видел ни одной компании, которая сразу начинала с BI. Все проходят через таблицы, и это ок.
Проблема начинается тогда, когда он перестает справляться с нагрузкой. Когда данных становится больше, чем удобно держать в голове и в файлах. Когда команда тратит время не на анализ, а на сбор цифр. Когда решения начинают запаздывать.
Я это вижу практически в каждом проекте, с которым работаю. И в какой-то момент у всех наступает одинаковая точка: либо продолжаешь жить в таблицах и мириться с ограничениями, либо выстраиваешь систему и начинаешь управлять бизнесом через данные.
Кстати, это моя первая статья здесь, надеюсь, получилось понятно и полезно, и вы где-то узнали свою ситуацию. Я в целом часто делюсь такими наблюдениями из практики и веду телеграм-канал От цифр к делу🔎 | Никита Василевский, где разбираю реальные кейсы и то, как компании на самом деле выстраивают аналитику. Буду рад встретиться с вами и там
