Excel un datu analīzes prasmes darbā: ko patiesībā ir vērts apgūt no Excel līdz Power BI
- 30. aug.
- Lasīts 10 min
Updated: pirms 8 stundām
Ar Excel strādāju vairāk nekā 25 gadus, un šajā laikā ir būtiski mainījies gan pats Excel, gan tas, ko uzņēmumi sagaida no cilvēka, kurš ikdienā strādā ar datiem.
Kādreiz ar “labām Excel zināšanām” bieži saprata prasmi izveidot formulu, sakārtot tabulu un sagatavot diagrammu. Šodien darba situācijas ir daudz plašākas.
Dati tiek saņemti no dažādām sistēmām un failiem. Tie jāapvieno, jāpārbauda, jāpārveido un regulāri jāatjauno. Vadītājam vajadzīga atskaite, kolēģim — detalizācija, bet pašam datu sagatavotājam jābūt pārliecinātam, ka gala rezultāts tiešām ir pareizs.
Tāpēc, runājot par Excel prasmēm, es arvien biežāk runāju par darbu ar datiem kopumā.
Formula ir tikai viens no instrumentiem.
Dažreiz piemērotākais risinājums ir Excel tabula. Citreiz PivotTable. Vēl citā situācijā Power Query var aizstāt virkni darbību, kas līdz šim katru mēnesi veiktas manuāli. Savukārt Power BI kļūst vērtīgs brīdī, kad pārskatiem vajadzīgs plašāks datu modelis, regulāra atjaunošana un ērta rezultātu izmantošana vairākiem cilvēkiem.
Šajā rakstā gribu izskaidrot, kā es skatos uz Excel un datu analīzes prasmēm praksē - un kā saprast, kuru nākamo soli izvēlēties.
Excel prasmes šodien nozīmē daudz vairāk par formulām
Mācībās bieži jautāju dalībniekiem, kā viņi paši vērtē savas Excel zināšanas.
Atbildes parasti ir līdzīgas:
“Formulas protu diezgan labi.”
“Ar PivotTable esmu strādājis.”
“XLOOKUP izmantoju.”
“Power Query esmu mazliet redzējis.”
Tas ir labs sākumpunkts, taču viena funkcija pati par sevi vēl maz pasaka par to, cik efektīvi cilvēks spēj atrisināt reālu darba uzdevumu.
Man daudz svarīgāks ir cits jautājums:
Ko Tu dari, kad saņem failu ar 50 000 rindām, kurā jāsalīdzina pārdošana pa klientiem, jāatrod neatbilstības un nākamajā mēnesī viss process jāatkārto?
Te sākas īstā datu prasme.
Profesionālā darbā ar Excel parasti jāprot:
saprast datu struktūru;
sagatavot datus analīzei;
pārbaudīt datu kvalitāti;
izvēlēties piemērotu aprēķina pieeju;
savienot informāciju no dažādiem avotiem;
apkopot rezultātus;
izveidot pārskatāmu atskaiti;
pārbaudīt gala rezultātu;
izskaidrot, ko iegūtie skaitļi nozīmē.
Tieši tāpēc Excel un datu analīzes prasmes šodien arvien vairāk pārklājas.
Excel ir vide, kurā mēs ne tikai rēķinām. Mēs pārvēršam datus informācijā, ar kuru iespējams pieņemt lēmumus.
Ko es visbiežāk redzu uzņēmumu ikdienā
Strādājot ar uzņēmumiem un apmācību dalībniekiem, redzu vienu ļoti raksturīgu situāciju.
Cilvēks savu darbu paveic.
Atskaite ir gatava. Skaitļi ir aprēķināti. Vadītājs saņem rezultātu. Taču ceļš līdz šim rezultātam mēdz būt daudz garāks, nekā nepieciešams.
Viena un tā pati atskaite katru mēnesi tiek būvēta gandrīz no jauna
Tiek saņemts jauns eksports.
Dati tiek pārkopēti.
Kolonnas sakārtotas.
Datumi pārveidoti.
Formulas novilktas uz leju.
PivotTable atjaunota.
Pārbaudītas kopsummas.
Nākamajā mēnesī process sākas vēlreiz.
Šādā situācijā es vispirms skatītos nevis pēc jaunas formulas, bet uz pašu procesa uzbūvi.
Vai datu sagatavošanu iespējams padarīt atkārtojamu?
Vai Power Query var pārņemt daļu no darbībām?
Vai avota datiem iespējams izveidot vienotu struktūru?
Tieši šādos procesos bieži slēpjas lielākais produktivitātes ieguvums.
Daudz laika tiek patērēts, lai sagatavotu datus, nevis tos analizētu
Šī ir viena no situācijām, ko redzu visbiežāk.
Cilvēkam jāanalizē pārdošana, izmaksas vai projektu rezultāti, bet lielākā daļa darba laika paiet:
kopējot;
pārdēvējot kolonnas;
labojot formātus;
dzēšot liekās rindas;
savienojot failus;
meklējot kļūdas.
Rezultātā pašai analīzei paliek pavisam maz laika.
Manā skatījumā labs darbs ar datiem sākas brīdī, kad spējam samazināt tehnisko sagatavošanu un vairāk laika atstāt domāšanai.
Kas ir mainījies?
Kur radusies novirze?
Kuri klienti devuši lielāko pieaugumu?
Kāpēc izmaksas šajā periodā atšķiras?
Tie ir jautājumi, kuru dēļ mēs datus vispār apstrādājam.
Aprēķins strādā, bet uzticēšanās tam prasa vēl pusstundu
Arī šī situācija ir ļoti pazīstama.
Formula dod rezultātu, taču pēc tam sākas pārbaude:
Vai diapazons ir pareizs?
Vai visas rindas ir iekļautas?
Vai filtrs kaut ko neizslēdza?
Vai atsauce nav nobīdījusies?
Vai šajā kolonnā tiešām visi datumi ir datumi?
Profesionālas datu prasmes ietver ne tikai spēju iegūt rezultātu, bet arī spēju uzbūvēt procesu tā, lai rezultātu būtu ērti pārbaudīt.
Šī atšķirība ir ļoti būtiska.
Septiņas prasmes, kuras es uzskatu par īpaši vērtīgām
Ja man būtu jānosauc prasmes, kurām mūsdienu darbā ar Excel un datiem ir vislielākā praktiskā vērtība, es tās sakārtotu šādi.
1. Datu struktūras izpratne
Šo es liktu pašā sākumā.
Ļoti daudzas Excel problēmas rodas vēl pirms pirmās formulas uzrakstīšanas.
Piemēram:
Klients | Janvāris | Februāris | Marts |
vizuāli var šķist ērti.
Taču analīzei bieži daudz vērtīgāka ir struktūra:
Datums | Klients | Summa |
Kāpēc?
Jo šādu tabulu ir daudz vieglāk:
filtrēt;
papildināt ar jauniem periodiem;
izmantot PivotTable;
importēt Power Query;
savienot ar citiem datiem;
izmantot Power BI.
Vienkāršs princips, ko mācu ļoti bieži:
viena rinda = viens ieraksts;
viena kolonna = viens datu lauks.
Ja datu struktūra ir pārdomāta, nākamie darba soļi kļūst daudz vienkāršāki.
2. Formulas - ar izpratni par aprēķina loģiku
Formulas joprojām ir būtiska Excel daļa.
Taču savās mācībās es mazāk koncentrējos uz funkciju iegaumēšanu un vairāk uz jautājumu:
Kāpēc tieši šī formula šajā situācijā ir piemērota?
Ikdienas darbā īpaši noder:
SUMIFS;
COUNTIFS;
IF;
XLOOKUP;
datumu funkcijas;
kļūdu apstrāde;
dinamiskas atsauces;
Excel Tables strukturētās atsauces.
Svarīgi saprast arī formulas uzbūvi.
Ja nosacījums pēc mēneša mainīsies, vai formula būs jāpārraksta?
Vai kritēriju var ievadīt atsevišķā šūnā?
Vai aprēķins automātiski iekļaus jaunās rindas?
Tieši šādi jautājumi atšķir vienreizēju aprēķinu no risinājuma, kuru iespējams izmantot atkārtoti.
3. PivotTable - ātram skatam uz lielu datu apjomu
PivotTable ir viens no Excel rīkiem, kuru uzskatu par ļoti vērtīgu praktiskajā darbā.
Ar dažiem soļiem iespējams apskatīt:
pārdošanu pa klientiem;
izmaksas pa nodaļām;
darījumus pa mēnešiem;
produktus pa kategorijām;
projektu rezultātus;
dažādu periodu salīdzinājumus.
Taču te ir svarīga nianse.
PivotTable kvalitāti lielā mērā nosaka avota datu kvalitāte.
Ja avota tabulā sajaukti datu tipi, ievietotas tukšas rindas, apvienotas šūnas vai starprezultāti, arī PivotTable darbs kļūs sarežģītāks.
Tāpēc PivotTable prasmes vienmēr saistu ar datu struktūras izpratni.
4. Datu pārbaude
Šo prasmi reizēm novērtē par zemu.
Izveidot aprēķinu ir viena lieta. Pārliecināties, ka rezultāts ir pareizs, ir otra.
Es iesaku veidot sev kontroljautājumus:
Vai rindu skaits sakrīt ar avotu?
Vai kopējā summa pirms un pēc transformācijas ir vienāda?
Vai datumu diapazons ir pareizs?
Vai atskaitē iekļauti visi klienti?
Vai kādā kolonnā parādījušās tukšas vērtības?
Vai filtrs mainījis kopsummu tā, kā sagaidīts?
Labs datu risinājums vienmēr ietver arī pārbaudes mehānismu.
5. Power Query - viens no lielākajiem produktivitātes soļiem Excel lietotājam
Ja cilvēks jau pārliecinoši strādā ar Excel un regulāri sagatavo datus, Power Query bieži ir viens no vērtīgākajiem nākamajiem soļiem.
Iedomāsimies vienkāršu situāciju.
Katru mēnesi mapē tiek ievietots jauns pārdošanas fails:
Janvaris.xlsx
Februaris.xlsx
Marts.xlsx
Tradicionālā pieeja varētu būt atvērt katru failu un datus pārkopēt kopējā tabulā.
Ar Power Query iespējams izveidot procesu, kurš:
nolasa failus no mapes;
apvieno tos;
sakārto kolonnas;
pārveido datu tipus;
iztīra nevajadzīgās vērtības;
sagatavo vienotu tabulu analīzei.
Nākamajā mēnesī mapē ieliekam aprīļa failu un izvēlamies Refresh.
Šeit arī slēpjas Power Query galvenais ieguvums.
Mēs saglabājam nevis rezultātu, bet darbību secību.
Tas būtiski maina veidu, kā iespējams organizēt atkārtotus datu sagatavošanas procesus.
Ja Tavā darbā daudz laika aizņem regulāra datu tīrīšana, pārveidošana vai vairāku failu apvienošana, plašāk par šo pieeju lasi rakstā Power Query Excel darbā: kā pāriet no manuālas datu apstrādes uz atkārtojamu procesu.
6. Atskaite, kas palīdz saprast rezultātu
Vēl viena prasme, kurai pievēršu lielu uzmanību, ir informācijas pasniegšana.
Atskaite var saturēt ļoti daudz skaitļu un vienlaikus sniegt ļoti maz informācijas.
Pirms veidoju pārskatu, es sev jautāju:
Kādu lēmumu cilvēks ar šo atskaiti pieņems?
Ja vadītājam jāredz pārdošanas dinamika, viņam, iespējams, vispirms vajadzīgi:
kopējie ieņēmumi;
izmaiņa pret iepriekšējo periodu;
lielākās pozitīvās un negatīvās novirzes;
galvenie klienti vai produkti;
tendence laikā.
Tikai pēc tam - detalizācija.
Labs pārskats palīdz ātri pamanīt būtisko.
Šī prasme kļūst īpaši svarīga, pārejot no Excel tabulas uz Power BI pārskatiem.
7. Power BI - kad nepieciešams nākamais datu analīzes līmenis
Power BI bieži tiek uztverts kā vienkārši modernāks diagrammu rīks.
Es uz to skatos plašāk.
Power BI lielā vērtība parādās, kad:
dati nāk no vairākiem avotiem;
starp tabulām jāveido attiecības;
nepieciešami regulāri atjaunojami pārskati;
aprēķini kļūst sarežģītāki;
vienu pārskatu izmanto vairāki cilvēki;
nepieciešama vienota rādītāju loģika.
Power BI darbā ļoti svarīga kļūst datu modelēšana.
Piemēram, atsevišķi var būt:
Darījumi
Klienti
Produkti
Kalendārs
Tā vietā, lai visu informāciju mēģinātu ievietot vienā milzīgā tabulā, mēs veidojam savstarpēji saistītu datu modeli.
Tas jau ir nākamais domāšanas līmenis darbā ar datiem.
Kāpēc vēl viena formula dažreiz dod ļoti mazu ieguvumu
Ir viegli nonākt situācijā, kad katrai jaunai problēmai meklējam jaunu Excel formulu.
Formulas ir vērtīgas, taču praksē bieži redzu, ka īstā problēma ir citur.
Piemēram:
katru mēnesi tiek saņemti 12 faili;
katram ir nedaudz cita struktūra;
dati tiek kopēti vienā Excel failā;
pēc tam tiek izmantotas sarežģītas formulas, lai to visu savienotu.
Šeit jautājums vairs nav:
“Kādu formulu izmantot?”
Daudz vērtīgāk būtu pajautāt:
“Vai šo procesu vispār vajadzētu būvēt šādā veidā?”
Dažreiz risinājums ir Excel Table.
Dažreiz Power Query.
Dažreiz datu modeļa pārveidošana.
Dažreiz Power BI.
Profesionāla prasme ir ne tikai zināt vairāk instrumentu, bet arī spēt izvēlēties pareizo instrumentu.
Praktisks piemērs: ikmēneša pārdošanas atskaite
Paņemsim ļoti tipisku piemēru.
Uzņēmumā katru mēnesi jāsagatavo pārdošanas pārskats.
Sākotnējais process izskatās šādi:
eksportē pārdošanas datus;
atver iepriekšējā mēneša Excel failu;
nokopē jaunos datus;
labo datumu formātus;
pārbauda klientu nosaukumus;
novelk formulas;
atjauno PivotTable;
pārbauda kopsummas;
sagatavo diagrammas.
Pieņemsim, ka tas aizņem trīs stundas.
Nākamajā mēnesī - atkal trīs stundas.
Gada laikā tas jau ir ievērojams darba apjoms.
Tagad paskatāmies uz šo pašu procesu no datu prasmju perspektīvas.
1. Sakārtojam avota struktūru
Vienojamies par vienotiem kolonnu nosaukumiem un datu tipiem.
2. Izveidojam Excel Table vai Power Query ievades procesu
Jaunas rindas automātiski tiek iekļautas datos.
3. Atkārtojamo datu tīrīšanu pārceļam uz Power Query
Datumu pārveidošana, kolonnu atlase un failu apvienošana tiek definēta vienu reizi.
4. Izveidojam pārbaudāmu PivotTable vai datu modeli
Pārskats tiek atjaunots no sagatavotajiem datiem.
5. Izveidojam kontroles punktus
Piemēram:
darījumu skaits;
kopējais apgrozījums;
datu periods;
tukšo klientu skaits.
Tagad ikmēneša darbs var kļūt par:
ieliec failu → Refresh → pārbaudi kontroles punktus→ analizē rezultātu.
Tieši šeit es redzu datu prasmju lielāko vērtību.
Mazāk laika tiek tērēts mehāniskām darbībām.
Vairāk laika iespējams veltīt tam, ko dati patiesībā rāda.
Kā saprast, ar ko sākt?
Šo jautājumu man uzdod ļoti bieži.
Mana atbilde parasti ir: sāc ar problēmu, kuru vēlies atrisināt.
Nevis ar rīka nosaukumu.
Ja ikdienas darbs Excel vēl prasa daudz manuālas labošanas
Fokusējies uz:
Excel Tables;
formulām;
strukturētām atsaucēm;
datu validāciju;
PivotTable;
datu pārbaudi.
Ja daudz laika aizņem datu importēšana un tīrīšana
Skaties Power Query virzienā.
Ja regulāri jāapvieno vairākas tabulas
Nākamais solis var būt Power Query un Power Pivot.
Ja pārskats jāizmanto vairākiem cilvēkiem
Ir vērts izvērtēt Power BI.
Ja Power BI jau izmanto
Tad nākamais attīstības solis bieži ir:
datu modelēšana;
DAX;
pārskatu arhitektūra;
Power BI Service;
datu atjaunošanas process.
Šādi prasmes veidojas pakāpeniski.
Excel → datu sagatavošana → datu modelēšana → analīze → pārskati.
Individuālam lietotājam un uzņēmuma komandai pieeja atšķiras
Strādājot individuāli, Tu ļoti labi vari sākt ar savu konkrēto darba situāciju.
Piemēram:
“Katru mēnesi divas stundas kopēju datus no vairākiem failiem.”
Tas jau diezgan skaidri norāda, kuru prasmi būtu vērts attīstīt.
Uzņēmuma līmenī situācija mēdz būt sarežģītāka.
Vienā komandā var būt:
cilvēks, kuram jānostiprina formulas;
kolēģis, kurš jau ļoti labi strādā ar PivotTable;
speciālists, kuram vajadzīgs Power Query;
analītiķis, kurš jau gatavs Power BI.
Tāpēc, plānojot mācības uzņēmumā, es vienmēr iesaku vispirms saprast:
kādi uzdevumi cilvēkiem jāveic un kur šobrīd rodas lielākie darba šķēršļi.
Tikai pēc tam izvēlēties mācību tēmas.
Tādā veidā mācības daudz ciešāk sasaistās ar reālo darbu.
Kā mākslīgais intelekts maina Excel un datu prasmes?
Šis jautājums pēdējā laikā kļūst arvien aktuālāks.
AI jau šodien var palīdzēt:
uzrakstīt formulu;
izskaidrot kļūdas paziņojumu;
piedāvāt Power Query M kodu;
palīdzēt ar DAX;
analizēt tabulas struktūru;
piedāvāt vizualizācijas idejas.
Tas ir ļoti vērtīgi.
Taču AI vēl vairāk palielina vienas prasmes nozīmi:
spēju saprast, vai piedāvātais risinājums ir pareizs.
Ja cilvēks saprot datu struktūru, aprēķina loģiku un sagaidāmo rezultātu, AI var būt ļoti spēcīgs palīgs.
Ja šīs izpratnes trūkst, kļūst grūtāk novērtēt, vai AI piedāvājums tiešām der konkrētajai situācijai.
Tāpēc es uzskatu, ka mākslīgais intelekts datu prasmes nepadara mazāk svarīgas.
Tas padara izpratni vēl svarīgāku.
Ko es ieteiktu cilvēkam, kurš vēlas kļūt labāks darbā ar datiem
Pirmais solis būtu paskatīties uz savu darba nedēļu.
Nevis uz Excel funkciju sarakstu.
Pieraksti trīs lietas:
1. Kuras darbības ar datiem atkārtojas?
2. Kur visbiežāk zaudē laiku?
3. Kurā darba posmā jūties vismazāk pārliecināts?
Atbildes ļoti bieži pašas parāda attīstības virzienu.
Ja problēma ir formulās - nostiprini formulas.
Ja problēma ir datu struktūrā - sāc ar to.
Ja katru nedēļu tīri vienus un tos pašus failus - mācies Power Query.
Ja pārskati kļūst arvien apjomīgāki - skaties Power BI virzienā.
Mērķis nav zināt pēc iespējas vairāk Excel funkciju.
Mērķis ir spēt savu darbu ar datiem paveikt skaidrāk, ātrāk un ar lielāku pārliecību par rezultātu.
Kā es mācu Excel, Power Query un Power BI
Ar Excel strādāju vairāk nekā 25 gadus, bet Power BI manā profesionālajā ikdienā ir vairāk nekā desmit gadus.
Šajā laikā esmu redzējis ļoti dažādus datu risinājumus - no vienkāršām darba tabulām līdz sarežģītiem uzņēmumu pārskatu un datu modeļu risinājumiem.
Tieši tāpēc mācībās man ir svarīgi neapstāties pie jautājuma:
“Kuru pogu nospiest?”
Daudz svarīgāk ir saprast:
Kāpēc mēs šo rīku izmantojam?
Kādu problēmu tas atrisina?
Vai šajā situācijā ir labāka pieeja?
Kā uzbūvēt risinājumu tā, lai tas strādātu arī nākamajā mēnesī?
Mācībās daudz izmantoju praktiskus piemērus un reālas darba situācijas, jo tieši tajās vislabāk var saprast rīku būtību.
Ja vēlies šīs prasmes attīstīt klātienē, apskati arī šī rudens LIFT Excel, Power Query un Power BI kursus.
Secinājums: svarīgākā datu prasme ir spēja izvēlēties pareizo pieeju
Ja man vajadzētu visu šo rakstu apkopot vienā domā, tā būtu šāda:
profesionāls darbs ar datiem sākas nevis ar funkciju zināšanu, bet ar izpratni par problēmu.
Excel formulas ir instruments.
PivotTable ir instruments.
Power Query ir instruments.
Power BI ir instruments.
Vērtība rodas tad, kad cilvēks saprot, kuru no tiem izmantot konkrētajā situācijā un kā uzbūvēt procesu, kuram iespējams uzticēties.
Tieši šo spēju es uzskatu par vienu no svarīgākajām mūsdienu datu analīzes prasmēm.
Vēlies attīstīt Excel un datu analīzes prasmes praktiski?
Excel Know How mācībās strādājam ar Excel, Power Query, Power Pivot un Power BI no praktisku darba situāciju perspektīvas.
Atkarībā no Tavas pieredzes nākamais solis var būt:
Excel online kurss - efektīvākam ikdienas darbam ar tabulām, formulām un PivotTable;
Excel Power online kurss (Power Query,Power Pivot, DAX) - datu sagatavošanai, apvienošanai un datu modeļiem;
Power BI online pamatkurss - pirmajiem interaktīvajiem pārskatiem;
Power BI online kurss (padziļināts) - datu modelēšanai, DAX un profesionālākiem analītikas risinājumiem.
Ja vēlies šīs prasmes attīstīt klātienē, apskati arī šī rudens LIFT Excel, Power Query un Power BI kursus.
Biežāk uzdotie jautājumi par Excel un datu analīzes prasmēm
Kādas Excel prasmes darbā ir vissvarīgākās?
Es sāktu ar spēju pareizi strukturēt datus, veidot un pārbaudīt aprēķinus, izmantot Excel Tables un PivotTable un saprast, kā rezultātu sagatavot atkārtotai izmantošanai. Cilvēkiem, kuri regulāri apstrādā lielākus datu apjomus, ļoti vērtīgas kļūst arī Power Query prasmes.
Vai pietiek tikai labi zināt Excel formulas?
Formulas ir ļoti svarīgas, taču profesionāls darbs ar datiem ietver daudz vairāk - datu struktūru, kvalitātes pārbaudi, datu sagatavošanu, apkopošanu un piemērotākā rīka izvēli.
Kad ir vērts sākt mācīties Power Query?
Power Query īpaši iesaku situācijās, kad regulāri jātīra, jāpārveido vai jāapvieno dati un vienas un tās pašas darbības atkārtojas katru nedēļu vai mēnesi.
Kāda ir atšķirība starp Power Query un Power Pivot?
Power Query galvenokārt izmantoju datu iegūšanai un sagatavošanai. Power Pivot palīdz veidot datu modeli, attiecības starp tabulām un aprēķinus ar DAX. Praktiskos risinājumos šie rīki bieži papildina viens otru.
Kad Excel vietā izvēlēties Power BI?
Power BI kļūst īpaši vērtīgs, ja dati nāk no vairākiem avotiem, pārskati regulāri jāatjauno, tos izmanto vairāki cilvēki un nepieciešams strukturēts datu modelis un interaktīva analīze.
Vai Power BI apgūšanai vispirms jābūt Excel ekspertam?
Eksperta līmenis nav priekšnoteikums. Ļoti palīdz izpratne par tabulu struktūru, datu tipiem, aprēķinu loģiku un datu apkopošanu. Šīs prasmes padara Power BI apguvi daudz saprotamāku.
Kā saprast, kuru prasmi attīstīt vispirms?
Es ieteiktu sākt ar savu darba procesu. Atrodi posmu, kurā regulāri zaudē visvairāk laika vai rodas visvairāk neskaidrību. Tas parasti ļoti precīzi parāda nākamo mācību virzienu.
Vai mākslīgais intelekts samazina nepieciešamību mācīties Excel un Power BI?
Es redzu pretēju tendenci. AI ļoti labi palīdz izveidot formulas, kodu un aprēķinus, taču cilvēkam jāspēj novērtēt datu struktūru, izvēlēto pieeju un rezultāta pareizību. Jo vairāk izmantojam AI, jo vērtīgāka kļūst izpratne par datiem.
Komentāri