5 формул Excel, доказывающих готовность к аналитике данных
Пишете ВПР по памяти, строите сводные таблицы и вложенные ЕСЛИ? Вы уже мыслите как аналитик данных. Вот как каждая формула переходит в SQL.
Если вы можете написать ВПР по памяти, собрать сводную таблицу без подсказок и связать несколько ЕСЛИ для классификации данных — у вас уже есть ключевые аналитические навыки, которые работодатели проверяют на собеседованиях аналитиков данных. Это не «трюки в таблицах». Это те же логические операции, на которых строятся SQL-запросы, обработка данных в Python и BI-дашборды. Ниже — как пять важнейших формул Excel соотносятся с профессиональными инструментами аналитики, с реальными примерами и подтверждением того, что смена профессии ближе, чем кажется. Персональный план смены профессии в Traecta определит, какие именно навыки Excel напрямую переносятся на путь обучения аналитике данных.
Пять формул, которые имеют значениеPermalink to “Пять формул, которые имеют значение”
Не каждый навык Excel относится к аналитике. Форматирование ячеек, вставка рисунков и печать в PDF — нет. Но пять категорий формул — поиск, условная агрегация, свод, условная логика и извлечение данных — составляют аналитическую основу и Excel, и профессиональных инструментов работы с данными.
По данным анализа вакансий аналитиков данных, Excel фигурирует в большинстве объявлений, а сводные таблицы — самый часто упоминаемый продвинутый навык. Пять формул ниже — доказательство того, что соответствующая логика у вас уже есть.
Формула 1: ВПР / ПРОСМОТРX — ваш первый SQL JOINPermalink to “Формула 1: ВПР / ПРОСМОТРX — ваш первый SQL JOIN”
Что она делаетPermalink to “Что она делает”
ВПР находит значение из одной таблицы в столбце другой и возвращает соответствующую информацию. ПРОСМОТРX — современная версия, у которой нет ограничений ВПР (поиск слева, ошибки в индексе столбца, настройки точного совпадения).
Аналог в SQLPermalink to “Аналог в SQL”
SELECT orders.*, customers.segment, customers.lifetime_value
FROM orders
LEFT JOIN customers ON orders.customer_id = customers.customer_id;
ВПР и SQL JOIN решают одну задачу: объединяют данные из двух источников по общему ключу. LEFT JOIN — ближайший аналог, потому что, как и ВПР, сохраняет все строки из первой таблицы, даже если во второй нет совпадений.
Реальный примерPermalink to “Реальный пример”
У вас есть отчёт по продажам с идентификаторами клиентов и отдельный экспорт из CRM с сегментами и пожизненной ценностью клиента. Нужно добавить информацию о сегменте к каждой транзакции.
| Шаг | В Excel | В SQL |
|---|---|---|
| 1 | =ПРОСМОТРX(A2; CRM[customer_id]; CRM[segment]) | LEFT JOIN customers ON... |
| 2 | Скопировать формулу вниз | Один запрос обрабатывает все строки |
| 3 | Обновлять вручную при изменении CRM | Запрос всегда берёт актуальные данные |
Логика идентична. Разница в масштабе и автоматизации.
Признак готовностиPermalink to “Признак готовности”
Если вы регулярно объединяете наборы данных с ВПР или ПРОСМОТРX и понимаете, зачем нужно точное совпадение, — вы понимаете реляционные данные, основу всей аналитики баз данных.
Формула 2: СУММЕСЛИМН / СЧЁТЕСЛИМН — условная агрегация, она же SQL WHERE + GROUP BYPermalink to “Формула 2: СУММЕСЛИМН / СЧЁТЕСЛИМН — условная агрегация, она же SQL WHERE + GROUP BY”
Что она делаетPermalink to “Что она делает”
СУММЕСЛИМН складывает значения, удовлетворяющие нескольким условиям. СЧЁТЕСЛИМН считает значения по нескольким условиям. Это рабочие формулы бизнес-отчётности.
Аналог в SQLPermalink to “Аналог в SQL”
SELECT region, product_category, SUM(revenue) AS total_revenue
FROM sales
WHERE date BETWEEN '2026-01-01' AND '2026-03-31'
AND region = 'Запад'
GROUP BY region, product_category;
СУММЕСЛИМН выполняет ту же операцию, что и SQL-запрос с WHERE (для условий) и GROUP BY (для агрегации). Разница: СУММЕСЛИМН работает с диапазоном на листе, а SQL — со всей таблицей в базе данных.
Реальный примерPermalink to “Реальный пример”
Руководитель спрашивает: «Какова сумма продаж электроники в западном регионе за первый квартал?»
| Подход | Формула / Запрос |
|---|---|
| Excel | =СУММЕСЛИМН(revenue; category; "Электроника"; region; "Запад"; date; ">="&ДАТА(2026;1;1); date; "<="&ДАТА(2026;3;31)) |
| SQL | SELECT SUM(revenue) FROM sales WHERE category='Электроника' AND region='Запад' AND date BETWEEN '2026-01-01' AND '2026-03-31' |
Та же логика, другой синтаксис.
Признак готовностиPermalink to “Признак готовности”
Если вы используете СУММЕСЛИМН с тремя и более условиями и понимаете, как каждое сужает результат, — вы понимаете фильтрацию с агрегацией, самый распространённый паттерн в аналитике данных.
Формула 3: Сводные таблицы — GROUP BY в визуальной формеPermalink to “Формула 3: Сводные таблицы — GROUP BY в визуальной форме”
Что она делаетPermalink to “Что она делает”
Сводные таблицы обобщают большие наборы данных, группируя строки по категориям и вычисляя агрегаты (сумму, количество, среднее, долю). Это самый мощный аналитический инструмент Excel.
Аналог в SQLPermalink to “Аналог в SQL”
SELECT region, product_category,
SUM(revenue) AS total,
COUNT(*) AS transactions,
AVG(revenue) AS avg_order
FROM sales
GROUP BY region, product_category
ORDER BY total DESC;
Каждая сводная таблица — это визуальный запрос GROUP BY. Строки соответствуют столбцам GROUP BY, значения — агрегатным функциям, фильтры — условиям WHERE.
Почему сводные таблицы подтверждают аналитическую готовностьPermalink to “Почему сводные таблицы подтверждают аналитическую готовность”
По наблюдениям рекрутеров, лишь немногие кандидаты уверенно владеют одновременно ВПР, СУММЕСЛИМН и сводными таблицами — а именно эта тройка составляет ядро аналитики в Excel. Если вы можете построить сводную таблицу с группировкой по нескольким измерениям, добавить вычисляемые поля и применять срезы для интерактивной фильтрации — вы уже мыслите категориями многомерного анализа. Именно это делают аналитики данных с помощью SQL и BI-инструментов.
Реальный примерPermalink to “Реальный пример”
У вас 100 000 строк транзакционных данных. Руководству нужна разбивка выручки по региону, категории товаров и кварталу.
| Метод | Время | Воспроизводимость |
|---|---|---|
| Ручная сортировка и суммирование | 2–3 часа | Низкая — при обновлении всё нужно переделывать |
| Сводная таблица | 5 минут | Высокая — обновление выполняется автоматически |
| SQL-запрос + BI-дашборд | 10 минут (разовая настройка) | Полная автоматизация — дашборд обновляется по расписанию |
Признак готовностиPermalink to “Признак готовности”
Если вы можете построить многоуровневую сводную таблицу с вычисляемыми полями и срезами, вы понимаете агрегацию на уровне, который напрямую переносится в SQL GROUP BY и дашборды BI-инструментов. Подробнее о том, как превратить этот навык в проекты для портфолио, — в руководстве по первым проектам для перехода в аналитику.
Формула 4: ЕСЛИ / ЕСЛИМН — условная логика, основа CASE WHENPermalink to “Формула 4: ЕСЛИ / ЕСЛИМН — условная логика, основа CASE WHEN”
Что она делаетPermalink to “Что она делает”
ЕСЛИ возвращает одно значение, если условие истинно, и другое, если ложно. ЕСЛИМН обрабатывает несколько условий без вложенности. Обе функции — строительные блоки классификации и сегментации данных.
Аналог в SQLPermalink to “Аналог в SQL”
SELECT customer_id,
CASE
WHEN total_spent >= 50000 THEN 'VIP'
WHEN total_spent >= 10000 THEN 'Постоянный'
ELSE 'Новый'
END AS customer_tier
FROM customer_summary;
Каждое вложенное ЕСЛИ, которое вы когда-либо писали, — это оператор CASE WHEN, который ждёт своего часа. Логика идентична: проверить условие и вернуть результат на основе проверки.
Реальный примерPermalink to “Реальный пример”
Классификация клиентов по уровням расходов для целевой маркетинговой кампании.
| Клиент | Сумма покупок | Формула Excel | Аналог в SQL |
|---|---|---|---|
| А | 72 000 ₽ | =ЕСЛИМН(B2>=50000;"VIP"; B2>=10000;"Постоянный"; ИСТИНА;"Новый") | CASE WHEN total>=50000 THEN 'VIP'... |
| Б | 14 000 ₽ | Та же формула, другой результат | Тот же запрос, другой результат |
| В | 3 000 ₽ | Та же формула, другой результат | Тот же запрос, другой результат |
Признак готовностиPermalink to “Признак готовности”
Если вы регулярно классифицируете, сегментируете или помечаете данные с помощью ЕСЛИ/ЕСЛИМН с несколькими условиями, вы понимаете условную логику — ключевой навык для трансформации данных в SQL и Python.
Формула 5: ИНДЕКС-ПОИСКПОЗ — гибкое извлечение данных (продвинутый JOIN)Permalink to “Формула 5: ИНДЕКС-ПОИСКПОЗ — гибкое извлечение данных (продвинутый JOIN)”
Что она делаетPermalink to “Что она делает”
ИНДЕКС-ПОИСКПОЗ — более гибкая альтернатива ВПР. Она умеет искать влево (ВПР не может), работает с динамическими ссылками на столбцы и быстрее на больших наборах данных.
Аналог в SQLPermalink to “Аналог в SQL”
SELECT p.product_name, s.supplier_region, s.supplier_rating
FROM products p
JOIN suppliers s ON p.supplier_id = s.supplier_id;
ИНДЕКС-ПОИСКПОЗ даёт точный контроль над тем, какие столбцы извлекать, — такой же контроль вы получаете, указывая столбцы в SQL-операторе SELECT после JOIN.
Когда ИНДЕКС-ПОИСКПОЗ лучше ВПРPermalink to “Когда ИНДЕКС-ПОИСКПОЗ лучше ВПР”
| Ограничение | ВПР | ИНДЕКС-ПОИСКПОЗ |
|---|---|---|
| Позиция столбца поиска | Только крайний левый | Любой столбец |
| Ошибки при вставке столбцов | Легко сломать | Динамический — не зависит от порядкового номера столбца |
| Производительность на больших данных | Медленнее | Быстрее (возможен двоичный поиск) |
| Двумерный поиск | Невозможен | ИНДЕКС(диапазон; ПОИСКПОЗ(строка); ПОИСКПОЗ(столбец)) |
Признак готовностиPermalink to “Признак готовности”
Если вы используете ИНДЕКС-ПОИСКПОЗ вместо ВПР, потому что понимаете его преимущества, — вы уже мыслите категориями гибкости и производительности при извлечении данных. Именно так подходят к проектированию запросов профессионалы баз данных.
Как эти пять формул соотносятся с карьерой в аналитикеPermalink to “Как эти пять формул соотносятся с карьерой в аналитике”
Полная таблица соответствия навыковPermalink to “Полная таблица соответствия навыков”
| Ваш навык Excel | Эквивалент в аналитике | Частота в вакансиях |
|---|---|---|
| ВПР / ПРОСМОТРX | SQL JOIN | SQL требуется примерно в трёх четвертях вакансий |
| СУММЕСЛИМН / СЧЁТЕСЛИМН | SQL WHERE + GROUP BY | Основа каждой аналитической роли |
| Сводные таблицы | GROUP BY + BI-дашборды | Самый востребованный продвинутый навык Excel |
| ЕСЛИ / ЕСЛИМН | SQL CASE WHEN | Требуется в задачах трансформации данных |
| ИНДЕКС-ПОИСКПОЗ | SQL JOIN с выборкой столбцов | Отличает уверенный уровень от базового SQL |
Что нужно изучить дальшеPermalink to “Что нужно изучить дальше”
Пять формул доказывают, что у вас есть аналитическое мышление. Разрыв в инструментах, а не в концепциях. Руководство по переходу от Excel к аналитике данных описывает полный путь: SQL в месяцы 1–2, BI-инструмент в месяцы 3–4 и, по желанию, Python в месяцы 5–6.
Рекомендуемый порядок изучения инструментов:
| Приоритет | Инструмент | Почему |
|---|---|---|
| 1 | SQL | Требуется примерно в трёх четвертях вакансий; напрямую соответствует вашим навыкам Excel |
| 2 | Power BI или Tableau | Превращает навыки сводных таблиц в интерактивные дашборды |
| 3 | Python (по желанию) | Примерно в половине вакансий; открывает автоматизацию и работу с большими данными |
Данные о зарплатах: сколько стоят ваши навыки ExcelPermalink to “Данные о зарплатах: сколько стоят ваши навыки Excel”
Разрыв между ролями, где доминирует Excel, и позициями в аналитике данных значителен. По данным Хабр Карьеры и hh.ru за 2025–2026 годы:
| Роль | Типичная зарплата, ₽/мес | Источник |
|---|---|---|
| Бухгалтер / административный специалист (Excel) | 50 000–80 000 | hh.ru, 2025 |
| Операционный аналитик | 70 000–110 000 | hh.ru, 2025 |
| Аналитик данных (начальный уровень) | 90 000–140 000 | Хабр Карьера, hh.ru |
| Аналитик данных (средний уровень) | 170 000–200 000 | Хабр Карьера |
| Data Scientist | от 250 000–300 000 | Хабр Карьера, hh.ru |
Прибавка при переходе от Excel-ориентированной роли к аналитике данных — обычно 30 000–80 000 ₽ в месяц на старте, и она растёт с накоплением опыта. Для специалистов, приходящих с предметной экспертизой, доход часто оказывается ещё выше.
Чек-лист готовностиPermalink to “Чек-лист готовности”
Если вы отвечаете «да» хотя бы на три из пяти вопросов — у вас есть аналитическая база, чтобы сразу начать изучать SQL и BI-инструменты:
- Можете ли вы написать формулу ВПР или ПРОСМОТРX по памяти для объединения данных из двух таблиц?
- Можете ли вы составить СУММЕСЛИМН с тремя и более условиями для расчёта условных итогов?
- Можете ли вы создать сводную таблицу, сгруппированную по нескольким измерениям, с вычисляемыми полями?
- Можете ли вы написать формулу ЕСЛИ или ЕСЛИМН, классифицирующую данные по трём и более категориям?
- Можете ли вы использовать ИНДЕКС-ПОИСКПОЗ для извлечения данных из любого столбца, а не только крайнего левого?
Каждое «да» — это подтверждённый аналитический навык, который напрямую отображается на операцию SQL или функцию BI-инструмента. Чтобы понять, где ваше конкретное сочетание навыков ставит вас на карьерном пути аналитика, дорожная карта аналитика данных для опытных специалистов разбирает развитие по уровням.
Краткие выводыPermalink to “Краткие выводы”
- ВПР — это JOIN. Если вы объединяете таблицы в Excel, вы уже понимаете реляционные данные — основу SQL.
- СУММЕСЛИМН — это WHERE + GROUP BY. Условная агрегация — самая частая операция в аналитике данных.
- Сводные таблицы — это визуальный SQL. Многомерное обобщение с фильтрами — именно то, что делают BI-дашборды.
- ЕСЛИ/ЕСЛИМН — это CASE WHEN. Классификация и сегментация данных напрямую переносятся из таблиц в базы данных.
- ИНДЕКС-ПОИСКПОЗ — это гибкий JOIN. Понимание того, почему он лучше ВПР, говорит о том, что вы мыслите категориями производительности и гибкости — отличительные черты специалиста по данным.
