Это не книга про Excel как электронную таблицу и не сборник «трюков и рецептов». Литературы по Excel существует огромное количество — от пособий для бухгалтеров до массивных справочников по формулам. Excel как продукт существует почти 40 лет, и на фоне Python, R, BI-платформ и облачных аналитических стеков может показаться, что в середине 2020-х годов писать о нем уже нечего. Однако книга Джорджа Маунта показывает обратное. Здесь Excel рассматривается как полноценная аналитическая платформа, встроенная в современный стек анализа данных — со своим ETL, моделью данных, языками запросов и элементами augmented analytics и машинного обучения.
Рецензия по традиции начинается со ссылки на страницу книги «Современная аналитика данных в Excel: использование Power Query, Power Pivot и других инструментов для расширенного анализа данных» на сайте издательства БХВ. Напомним, что на все бумажные книги по компьютерным технологиям от издательств «БХВ Петербург», «Alist» и «Фолиант» доступен промокод SSPSOFT на скидку 25% как подарок читателям Хабра от нашего блога.
В чем принципиальная особенность книги
Главное отличие книги Маунта от сотен томов по Excel — архитектурный взгляд на аналитику. Автор не учит азам продукта, а объясняет, как правильно выстроить аналитический процесс над массивом данных: от формы хранения данных до выбора инструмента для конкретной задачи.
Excel здесь не противопоставляется Python, SQL или BI-инструментам, а рассматривается как точка входа и связующее звено между self-service аналитикой и более сложными аналитическими системами. Инструментарий Power Query, Power Pivot, DAX и динамические массивы показаны как части единого аналитического конвейера, а не как набор разрозненных возможностей.
Важно и то, что книга постоянно возвращается к теме качества данных и их формы. Понятие tidy data, знакомое по миру инженеров по data science, здесь становится фундаментом для всей дальнейшей аналитики — от сводных таблиц до AI-функций Excel.
Tidy data — это концепция организации данных, при которой структура таблицы делает анализ максимально простым, понятным и воспроизводимым. Термин был популяризирован в 2014 году Хэдли Уикхэмом (Hadley Wickham, один из отцов аналитики данных и со-основатель языка R) и сегодня используется далеко за пределами data science — в том числе именно в том контексте, в котором о нем говорит Джордж Маунт в книге про Excel. Если кратко, то tidy data отвечает на вопрос: «Как должны выглядеть данные, чтобы с ними было удобно работать дальше — в формулах, сводных таблицах, Power Query, BI и ML?»
Книга адресована продвинутым пользователям Excel. Она предполагает, что читатель уже умеет работать с таблицами, формулами и сводными таблицами, но чувствует, что знание классического Excel перестает справляться с реальными аналитическими задачами.
Основная аудитория — это бизнес-аналитики, финансовые аналитики, инженеры по специальности data analysts, product-аналитики и технически ориентированные специалисты, которым приходится работать с реальными, сырыми и меняющимися данными, но которые по разным причинам не всегда могут или должны переходить на Python или BI-платформы.
Также книга будет полезна тем, кто стоит на границе между Excel и более «серьезной» аналитикой и хочет понять, какие задачи еще имеет смысл решать внутри Excel, а где уже нужен другой инструмент.
Сильные стороны книги
Сильнейшая и яркая сторона книги — концептуальная цельность. Excel здесь не «растянут» до data science, но и не занижен до бухгалтерской таблицы. Автор постоянно объясняет, почему один инструмент лучше другого в конкретном контексте и какие компромиссы при этом принимаются.
Отдельно стоит отметить внимание к воспроизводимости и читабельности аналитических решений — темам, которые редко поднимаются в книгах по Excel, но критически важны в реальной работе.
Структура и содержание книги
Книга логически выстроена от базовых принципов организации данных к современным инструментам аналитики и автоматизации, постепенно расширяя представление о том, чем является «современный Excel». После нескольких абзацев общего обзора, ниже рассмотрим еще и очень краткие аннотации к каждой главе.
В первых главах Excel-таблицы рассматриваются не как форматирование, а как базовый объект аналитики, который задает структуру данных и делает возможной дальнейшую автоматизацию. Автор подчеркивает, что без корректных заголовков, типов данных и «tidy»-структуры никакие инструменты не спасут.
Большой блок посвящен Power Query как ETL-инструменту. Здесь подробно разбираются операции над строками и столбцами, очистка данных, воспроизводимость трансформаций и принцип «один клик — одно обновление». Power Query показан как способ избавиться о�� ручной работы и превратить Excel-файл в повторяемый аналитический процесс.
Отдельное внимание уделяется динамическим массивам и современным формулам Excel. Автор показывает, что они перестали быть «костылем» и теперь являются полноценным инструментом для фильтрации, сортировки, агрегации и объединения данных — часто проще и нагляднее, чем Power Query или DAX.
Финальные главы выходят за рамки классического Excel и показывают, как он встраивается в мир augmented analytics: AI-подсказки, Analyze Data, OCR, интеграция с Azure Machine Learning, базовые модели и sentiment analysis. При этом автор остается честным и подчеркивает ограничения Excel по сравнению с Python или специализированными ML-инструментами.
Часть I. Очистка и преобразование данных
Глава 1. Таблицы — проводники в современный Excel
Вводная глава закладывает концептуальный фундамент всей книги. Автор показывает, что Excel-таблицы — это ключевая структура, на которой держится базовая современная аналитика. Рассматриваются заголовки, ссылки, именование таблиц и подготовка данных к анализу. Отдельно обсуждаются популярные мифы о «ограничениях Excel» и вводится первое знакомство с Power Query как инструмента промышленного уровня.
Глава 2. Профилирование данных в Power Query
Глава посвящена первичному анализу качества данных. Автор разбирает инструменты профилирования столбцов, поиск ошибок, пропусков и аномалий, а также объясняет, как интерпретировать статистику данных до начала трансформаций. Делается акцент на том, что понимание данных важнее немедленных вычислений.
Глава 3. Преобразование строк в Power Query
Здесь подробно рассматриваются операции над строками: фильтрация, удаление дубликатов, замена значений, заполнение пропусков и обновление запросов. Автор показывает Power Query как воспроизводимый ETL-процесс, принципиально отличный от ручной правки ячеек.
Глава 4. Преобразование столбцов в Power Query
Глава фокусируется на работе со столбцами: типы данных, пользовательские вычисляемые столбцы, обработка дат и проверка корректности загрузки. Подчеркивается, что именно корректная работа со столбцами делает данные пригодными для дальнейшего моделирования.
Глава 5. Объединение и добавление данных в Power Query
Эта глава посвящена интеграции данных из нескольких источников. Рассматриваются объединения (joins), добавление запросов, подключение к внешним книгам и основы реляционного мышления. Автор проводит параллели между Power Query и SQL, объясняя логику соединений без формального языка запросов.
Часть II. Моделирование и анализ данных
Глава 6. Знакомство с Power Pivot
Глава вводит Power Pivot как аналитическое ядро Excel. Автор объясняет, зачем нужна модель данных и чем она отличается от обычных таблиц и сводных. Power Pivot позиционируется как следующий шаг после очистки данных.
Глава 7. Создание реляционной модели данных в Power Pivot
Мы дошли до главной и ключевой главы книги. Рассматриваются типы связей (один-к-одному, один-ко-многим, многие-ко-многим), направление фильтрации и влияние модели на корректность аналитики. Автор показывает, почему плохая модель данных «ломает» даже правильно составленные формулы.
Глава 8. Создание мер DAX и показателей KPI в Power Pivot
Глава посвящена мерам и бизнес-показателям. Рассматриваются неявные и явные меры, расчеты во времени, базовые KPI и принципы аналитического мышления в DAX. Акцент делается на том, что DAX — это не просто язык формул, а язык анализа.
Глава 9. Функции DAX в Power Pivot
Продолжение предыдущей темы с углублением в функции CALCULATE, фильтровый контекст и логические условия. Автор по шагам объясняет, как работают условия И / ИЛИ и почему контекст — центральное понятие в DAX.
Часть III. Инструменты аналитики в Excel
Глава 10. Введение в функции динамических массивов
Глава знакомит с динамическими массивами как новой парадигмой формул Excel. Рассматриваются массивы, ссылки, FILTER, SORT, UNIQUE, SORTBY и современные функции поиска. Автор показывает, как динамические массивы меняют стиль работы с формулами.
Глава 11. Дополненная аналитика и будущее Excel
Глава посвящена augmented analytics и роли ИИ в Excel. Рассматриваются Analyze Data, использование статистических моделей, анализ настроений и интеграция с AI-сервисами. Автор подчеркивает, что интеллект Excel напрямую зависит от структуры данных.
Глава 12. Python и Excel
Одна из самых сильных и близких к современной data science глав. Excel рассматривается как часть экосистемы анализа данных, где Python выступает «клеем» между инструментами. Разбираются пакеты, автоматизация, контроль версий, обработка данных и генерация отчетов. Глава показывает Excel как интерфейс к более сложным аналитическим системам.
Глава 13. Заключение и дальнейшие шаги
Финальная глава подводит итоги и дает направления дальнейшего развития: углубление в Power Query, Power Pivot, Power BI, Python и AI-инструменты. Excel окончательно закрепляется как точка входа в современную аналитику данных.
Заключение
«Современная аналитика данных в Excel: Использование Power Query, Power Pivot и других инструментов для расширенного анализа данных» — это книга не столько про Excel, сколько про современное аналитическое мышление в среде, которую знают десятки миллионов пользователей по всему миру. Она актуальна именно потому, что не пытается конкурировать с Python или BI-платформами, а честно показывает границы Excel и его реальную роль в аналитическом стеке в 2026 году.
Это книга, которая одновременно уважает историю инструмента и показывает его путь в будущее. Для тех, кто работает с данными в Excel и хочет делать это профессионально, книга Джорджа Маунта — одна из самых содержательных и зрелых работ последних лет.
Немного HR-рекламы от нашего блога: мы занимаемся заказной разработкой ПО и ИТ-аутсорсингом. Ждем резюме специалистов, готовых работать оффлайн в Москве (ЦАО) или Томске, а также удаленно из любой точки России. Текущие вакансии на нашей странице на hh. Откликайтесь с резюме нам напрямую в Telegram или на почту job@ssp-soft.com. Пож-та приложите сопроводительное письмо с фразой «Нашел(ла) вас на Хабре» для более ускоренного рассмотрения резюме.
👉 У нас активный найм, за 2025 год мы наняли 179 специалистов.
Успехов в анализе данных с помощью Excel и связки Power Query + Power Pivot!
P.S. И еще: знаем, что хабровцы не любят рекламу ТГ-каналов, но будет приятно, если заглянете в наш телеграм-канал SSP SOFT, там публикуем разные полезности из мира ИТ, советы для поддержания здоровья и продуктивности, проводим конкурсы с призами.
Если вам канал понравится — рады видеть вас в числе подписчиков.
