Управленческий дашборд, на который раньше уходило 3 недели и аналитик данных за 200 тыс. рублей в месяц, финансист собирает за 3-5 дней в паре с ChatGPT. Я Натали Васильева, эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO» (45 000 подписчиков в @findir_pro, 800+ выпускников AI-курса). Два года наблюдаю, как мои ученицы строят Power BI-дашборды самостоятельно: ChatGPT пишет DAX-формулы по описанию на русском, а финансист проверяет и настраивает визуализацию. В этой статье: 10 готовых промптов, DAX-формулы с объяснением, три кейса с цифрами и честный разбор ограничений. Актуально на 21 июня 2026 года.
Почему финансисту нужен Power BI и что его останавливает
Power BI сегодня стал главным инструментом управленческой отчётности для компаний среднего размера. Причина простая: бесплатный Power BI Desktop превратил создание интерактивных дашбордов из задачи BI-аналитика в задачу финансиста с базовыми навыками Excel. Загружаете данные, настраиваете связи, добавляете визуализации — и у собственника есть живой отчёт вместо статичной таблицы.
Но есть одна деталь, которая останавливает большинство. Она называется DAX.
DAX (Data Analysis Expressions) — это язык формул Power BI. Визуально он похож на Excel, но работает принципиально иначе. В Excel вы пишете =СУММ(B2:B100) и получаете сумму ячеек. В DAX вы пишете CALCULATE([Выручка], FILTER('Даты', 'Даты'[Год] = 2025)) — и это не просто формула, а инструкция для движка данных, как пересчитать меру в конкретном контексте фильтра.
Большинство финансистов, которые приходят ко мне на курс, проходят один и тот же путь. Первые три часа в Power BI — интерфейс понятен, данные загружены, срезы добавлены. Потом нужна формула «выручка за прошлый год». Открываешь документацию Microsoft, видишь SAMEPERIODLASTYEAR(Dates[Date]) — и сразу вопросы: почему у меня таблица дат называется не Dates, что такое «временная таблица», почему формула показывает BLANK вместо числа. Дальше три варианта: нанять аналитика данных (150-250 тыс. рублей в месяц в Москве), отказаться от дашборда и вернуться в Excel, попросить ChatGPT разобраться.
В 2026 году третий путь стал рабочим для тысяч финансистов.
Крупнейшие финансовые организации мира уже масштабировали ChatGPT на десятки тысяч сотрудников — это факт, который подтверждает сам OpenAI в своих публикациях. Финансовые команды меньшего масштаба используют нейросеть для конкретных задач: написания DAX, генерации Power Query-скриптов, объяснения сложных расчётов на понятном языке. Порог входа снизился настолько, что финансист без ИТ-фона теперь собирает дашборд с нуля.
Что конкретно останавливает при самостоятельной работе с DAX:
- Синтаксис — DAX непохож на Excel, первые формулы кажутся инопланетными
- Контекст фильтрации — ключевая концепция DAX, без которой формулы работают неправильно
- Неинформативные ошибки — Power BI выдаёт «невозможно оценить выражение» вместо «вот что именно не так»
- Временная аналитика — год к году, нарастающий итог, скользящее среднее требуют понимания таблицы дат
ChatGPT решает первые три проблемы мгновенно. Четвёртую — тоже, если правильно описать структуру данных.
Что такое DAX: объяснение без технического жаргона
Чтобы работать с ChatGPT по DAX, достаточно понять три концепции. Не весь DAX, а именно эти три вещи, которые влияют на то, как вы ставите задачу нейросети.
Мера vs вычисляемый столбец. Мера — это формула, которая считается «на лету» в зависимости от выбранных фильтров и срезов. Вычисляемый столбец добавляет новую колонку в таблицу с фиксированным значением при загрузке данных. Для управленческого дашборда финансисту почти всегда нужны меры: они реагируют на срезы по периоду, региону, менеджеру. Когда просите ChatGPT написать формулу, указывайте явно: «напиши меру, не вычисляемый столбец».
Контекст фильтра. Самая важная концепция DAX. Когда вы добавляете меру в визуализацию, Power BI автоматически фильтрует данные по тому, что выбрано на дашборде: месяц, регион, категория. DAX-мера работает внутри этого контекста. Функция CALCULATE позволяет контекст изменить — например, посчитать выручку за прошлый год независимо от текущего фильтра по периоду. Именно поэтому почти все сложные меры содержат CALCULATE.
Таблица дат. Для временной аналитики (год к году, накопленный итог, скользящее среднее) в Power BI нужна отдельная таблица дат, связанная с таблицей фактов по полю даты и помеченная как «таблица дат» в настройках модели. Без неё функции SAMEPERIODLASTYEAR, DATEADD, TOTALYTD работают неправильно или выдают ошибку. ChatGPT знает об этом требовании и сразу спрашивает: «Как называется ваша таблица дат?»
Три вещи, которые объясняете ChatGPT при описании задачи:
- Как называется таблица с данными (например, «Продажи» или «ФинРезультат»)
- Как называется таблица дат и поле даты в ней («Даты», «Даты[Дата]»)
- Как связаны таблицы (например, «Продажи[ДатаПродажи] -> Даты[Дата], многие к одному»)
С этим минимумом ChatGPT напишет точную формулу с первой попытки в 80% случаев.
Как ChatGPT помогает с DAX: три основных сценария
Три задачи, которые финансист решает с ChatGPT ежедневно при работе в Power BI.
Сценарий 1. Написать формулу с нуля. Вы описываете что нужно посчитать — «процент выполнения плана продаж по каждому менеджеру в разрезе выбранного месяца». ChatGPT пишет DAX-меру, объясняет каждую функцию. Без ChatGPT та же задача у новичка занимает 30-60 минут с поиском документации, попытками и ошибками.
Сценарий 2. Отладить ошибку. Power BI выдал «Ошибка: не удаётся найти столбец» или «MdxScript: произошла ошибка». Вы копируете формулу и текст ошибки в ChatGPT. Он объясняет причину и предлагает исправление. Это в разы быстрее, чем читать форумы Power BI на английском языке.
Сценарий 3. Объяснить чужую формулу. Достался дашборд от предыдущего аналитика с формулами в 10 строк, которые непонятно что делают. Копируете формулу в ChatGPT и просите: «Объясни что делает эта мера DAX и в каких ситуациях она может считать неправильно». Получаете объяснение на русском с примерами и предупреждениями.
И ещё один сценарий, про который редко говорят: перевод формулы для руководителя. Собственник или совет директоров спрашивает, как считается тот или иной показатель на дашборде. Копируете DAX-формулу в ChatGPT и просите: «Объясни эту формулу финансовому директору, который не знает DAX, в трёх предложениях». Получаете понятное объяснение без технического жаргона.
Как описать свою модель данных в ChatGPT: главный шаг перед первым промптом
Большинство финансистов, которые жалуются «ChatGPT написал неправильную формулу», пропускают этот шаг. ChatGPT не видит вашу модель данных в Power BI — он видит только текст в чате. Если написать «сделай формулу для плана и факта», нейросеть сама придумает названия таблиц и полей, они не совпадут с вашими, и формула не заработает.
Чтобы получить рабочую формулу с первой попытки, нужен один промпт в начале сессии: описание вашей модели данных. После этого все следующие формулы ChatGPT пишет правильно, используя ваши реальные названия.
Что включать в описание модели:
- Названия всех таблиц в Power BI
- Список полей каждой таблицы с типами данных
- Связи между таблицами: какое поле с каким, тип связи
- Структуру таблицы дат отдельно (она критична для временной аналитики)
- Пример строки данных без реальных цифр (для понимания смысла полей)
Что НЕ включать:
- Реальные суммы и финансовые данные
- Имена клиентов и контрагентов
- ИНН, номера счетов и другие идентификаторы
Промпт 1. Описание модели данных для базового дашборда по продажам Я финансовый директор. Хочу писать DAX-формулы для Power BI. Запомни структуру моей модели данных и используй её для всех последующих запросов. ТАБЛИЦА "Продажи" (факт продаж): - ДатаПродажи (Date) - МенеджерID (Text, например "MGR001") - КатегорияТовара (Text) - ВыручкаФакт (Decimal Number) - СебестоимостьФакт (Decimal Number) - КоличествоФакт (Integer) - РегионID (Text) ТАБЛИЦА "Даты" (связана с Продажи[ДатаПродажи], один-ко-многим): - Дата (Date, уникальный ключ, помечена как таблица дат в Power BI) - Год (Integer) - НомерМесяца (Integer, 1-12) - НазваниеМесяца (Text) - Квартал (Integer, 1-4) - КварталТекст (Text, например "Q1 2025") ТАБЛИЦА "ПланПродаж": - ГодМесяц (Integer, например 202501 для января 2025) - МенеджерID (Text) - КатегорияТовара (Text) - ВыручкаПлан (Decimal Number) (Прямой связи с таблицей Даты нет, буду указывать как связывать в каждом промпте) Подтверди что запомнил структуру и скажи, какой тип связи лучше для таблицы ПланПродаж.
После этого промпта ChatGPT работает как персональный DAX-аналитик, знающий вашу модель. Можно просто писать: «Напиши меру для расчёта маржи %» — и он использует правильные названия.
Промпт 2. Описание модели данных для дашборда финансовых результатов (P&L) Запомни структуру моей модели данных Power BI: ТАБЛИЦА "ФинРезультат": - Дата (Date) - Статья (Text) — например: "Выручка от продаж", "Себестоимость реализации" - СтатьяГруппа (Text) — "Доходы" или "Расходы" - Подразделение (Text) - СуммаФакт (Decimal Number) - СуммаПлан (Decimal Number) ТАБЛИЦА "Календарь" (связана с ФинРезультат[Дата], один-ко-многим): - Дата (Date, уникальный ключ, помечена как таблица дат) - Год (Integer) - НомерМесяца (Integer, 1-12) - НазваниеМесяца (Text) - Квартал (Integer) Мне нужен список из 8 мер DAX для отчёта о прибылях и убытках. Перечисли названия и что каждая считает. Формулы напишем по одной отдельно.
10 DAX-формул для управленческой отчётности: промпты и готовые решения
Собрала 10 мер, которые встречаются в каждом финансовом дашборде. Для каждой даю промпт и базовый вариант формулы. Адаптируйте названия таблиц и полей под свою модель.
Выручка факт и её вариации
Базовая мера — фундамент для всех остальных расчётов:
ВыручкаФакт = SUM('Продажи'[ВыручкаФакт])
Выручка за прошлый год — нужна для сравнительного анализа:
Промпт 3. Выручка за прошлый год (год к году) На основе моей модели данных (описал выше) напиши меру DAX "ВыручкаПрошлыйГод". Требования: - Возвращает сумму ВыручкаФакт за тот же период прошлого года - Работает корректно при любом срезе: месяц, квартал, год - Если данных за прошлый год нет, возвращать BLANK(), не ноль - Объясни что делает каждая функция в формуле ВыручкаПрошлыйГод = CALCULATE( [ВыручкаФакт], SAMEPERIODLASTYEAR('Даты'[Дата]) )
Рост к прошлому году
РостКПрошломуГоду% = VAR ТекущийПериод = [ВыручкаФакт] VAR ПрошлыйПериод = [ВыручкаПрошлыйГод] RETURN DIVIDE( ТекущийПериод - ПрошлыйПериод, ПрошлыйПериод, BLANK() )
Выполнение плана
Промпт 4. Выполнение плана в % с защитой от ошибок Напиши меру "ВыполнениеПлана%". - Числитель: сумма ВыручкаФакт из таблицы Продажи - Знаменатель: сумма ВыручкаПлан из таблицы ПланПродаж - Таблица ПланПродаж не связана с Даты напрямую. Фильтруй план через FILTER по полю ГодМесяц, сформированному из текущего контекста фильтра (Год * 100 + НомерМесяца) - Используй DIVIDE для защиты от деления на ноль, возвращай 0 если план = 0 - Формула должна работать при срезе по месяцу и по кварталу
Маржа в процентах
Маржа% = DIVIDE( SUM('Продажи'[ВыручкаФакт]) - SUM('Продажи'[СебестоимостьФакт]), SUM('Продажи'[ВыручкаФакт]), 0 )
Накопленный итог с начала года (YTD)
ВыручкаYTD = TOTALYTD( [ВыручкаФакт], 'Даты'[Дата] )
Скользящее среднее за 3 месяца
Промпт 5. Скользящее среднее за 3 месяца Напиши меру "СкользящееСреднее3М" — среднее значение ВыручкаФакт за текущий и два предыдущих месяца. Используй DATESINPERIOD. Моя таблица дат называется "Даты", поле "Дата". Важно: мера должна работать при срезе по месяцу, а не по году. СкользящееСреднее3М = AVERAGEX( DATESINPERIOD('Даты'[Дата], LASTDATE('Даты'[Дата]), -3, MONTH), [ВыручкаФакт] )
Ранг по выручке (для топ-N)
РангПоВыручке = RANKX( ALL('Продажи'[КатегорияТовара]), [ВыручкаФакт], , DESC, Dense )
Светофор: статус выполнения плана
СтатусПлана = SWITCH( TRUE(), [ВыполнениеПлана%] >= 1, "Выполнен", [ВыполнениеПлана%] >= 0.8, "В риске", "Не выполнен" )
И цветовая мера для условного форматирования карточек:
ЦветСтатуса = SWITCH( TRUE(), [ВыполнениеПлана%] >= 1, "#27AE60", [ВыполнениеПлана%] >= 0.8, "#F39C12", "#E74C3C" )
Дебиторская задолженность просроченная
ДЗПросроченная = CALCULATE( SUM('ДЗ'[СуммаДЗ]), 'ДЗ'[ДатаОплатыПо] < TODAY(), 'ДЗ'[Оплачено] = FALSE() )
Для этой формулы обязательно попросите ChatGPT адаптировать под вашу структуру таблицы ДЗ — названия полей у каждого свои.
Хотите разбирать такие кейсы каждую неделю? Подписывайтесь на @findir_pro — 45 000 финансистов уже там. Ежедневные разборы AI-инструментов без воды.
Как построить управленческий дашборд с нуля: план на 5 дней
Разбиваю процесс по дням. Это не теория, а реальная последовательность по которой работают мои ученицы.
День 1. Подготовка данных (4-6 часов)
Данные для дашборда почти всегда приходят из 1С. Самый простой и безопасный путь: выгрузить нужные отчёты в Excel.
Минимальный набор для дашборда по выручке и плану:
- Отчёт по продажам (факт) с разбивкой по менеджерам, категориям, периодам
- Бюджет или план по месяцам в том же разрезе
- Справочник менеджеров (ID, имя, регион)
Перед загрузкой в Power BI проверьте: нет объединённых ячеек, все столбцы имеют заголовки, числовые поля не содержат текст. Power Query (встроенный инструмент очистки данных) умеет чинить многое автоматически, а ChatGPT хорошо знает M-язык Power Query.
Промпт 6. Power Query: очистка данных из 1С У меня данные из выгрузки 1С в Excel. Проблемы: 1. В числовом поле "СуммаФакт" часть значений — текст (например, "н/д" или пробелы) 2. Поле "Дата" пришло как текст в формате "дд.мм.гггг" 3. Первые 3 строки — заголовок отчёта 1С, а не данные Напиши шаги Power Query (M-язык) для исправления этих проблем. Объясни каждый шаг.
День 2. Модель данных и базовые меры (4-5 часов)
Загружаете три таблицы в Power BI. Открываете вкладку «Модель». Настраиваете связи по ключевым полям.
Если таблицы дат нет, создайте её через «Новая таблица»:
Даты = ADDCOLUMNS( CALENDAR(DATE(2023, 1, 1), DATE(2030, 12, 31)), "Год", YEAR([Date]), "НомерМесяца", MONTH([Date]), "НазваниеМесяца", FORMAT([Date], "MMMM", "ru-RU"), "Квартал", ROUNDUP(MONTH([Date]) / 3, 0), "КварталТекст", "Q" & ROUNDUP(MONTH([Date]) / 3, 0) & " " & YEAR([Date]), "НомерНедели", WEEKNUM([Date], 2) )
После создания таблицы обязательно пометьте её как «Таблицу дат» в настройках (правой кнопкой по таблице в панели полей).
Создаёте первые 4-5 мер: ВыручкаФакт, ВыручкаПрошлыйГод, РостКПрошломуГоду%, Маржа%, ВыполнениеПлана%. Проверяете каждую: добавляете в пустую таблицу на холсте, убеждаетесь что цифры сходятся с источником.
День 3. Визуализации (4-6 часов)
Базовый набор для управленческого дашборда по продажам:
Визуализация Что показывает Меры 4 карточки KPI Выручка факт, выполнение плана %, рост к прошлому году %, маржа % ВыручкаФакт, ВыполнениеПлана%, РостКПрошломуГоду%, Маржа% Линейный график Тренд выручки: факт vs прошлый год по месяцам ВыручкаФакт, ВыручкаПрошлыйГод Гистограмма Выполнение плана по менеджерам или категориям ВыполнениеПлана% + условный цвет Таблица-матрица Детализация: статья, период, факт, план, отклонение, рост % Все меры Срезы Год, Квартал, Месяц, Менеджер, Регион -- Промпт 7. Структура управленческого дашборда Я строю дашборд для финансового директора в Power BI. Данные: выручка по менеджерам и категориям, план vs факт, 2 года истории. Аудитория: собственник и CFO — хотят видеть итог быстро, без деталей. Предложи: 1. Структуру страниц дашборда (2-3 страницы, что на каждой) 2. Порядок визуализаций на главной странице (что важнее — выше) 3. Какие срезы разместить в верхней части, чтобы фильтровать всё сразу 4. Как назвать страницы чтобы собственник сразу понял назначение
День 4. Форматирование и условное форматирование (2-3 часа)
Условное форматирование — когда карточки или ячейки меняют цвет в зависимости от значения. Настраивается через «Форматирование» -> «Условное форматирование» -> «Цвет фона» -> «На основе поля». Подключаете цветовую меру ЦветСтатуса из предыдущего раздела.
Это превращает таблицу в светофор: зелёный — план выполнен, жёлтый — в риске, красный — критично. Собственник видит проблему с первого взгляда без чтения цифр.
День 5. Тестирование и публикация (2-4 часа)
Проверьте три граничных случая обязательно: январь нового года (нет данных за прошлый год в том же периоде — мера должна вернуть BLANK, не ошибку), нулевые продажи у нового менеджера (мера возвращает 0, не ошибку деления), отсутствие данных плана (мера возвращает 0%, не ошибку).
Публикация: через кнопку «Опубликовать» -> выбираете рабочее пространство в Power BI Service. Или экспортируете в PDF для первой презентации, если лицензии Pro ещё нет.
Три кейса с цифрами: как финансисты строили дашборды с ChatGPT
Кейс 1. Финдир производственной компании, 800 сотрудников, Екатеринбург
Было: ежемесячный отчёт для собственника собирался 3 недели. Данные из 1С в разных отчётах, Excel-сводки вручную, финансовый аналитик на аутсорсе за 45 000 рублей в месяц.
Что сделала: за 4 рабочих дня собрала Power BI дашборд с 14 DAX-мерами. ChatGPT написал 11 из 14 формул с первого раза, 3 пришлось скорректировать через итерации из-за нестандартной структуры плановой таблицы (план был сведён в одну строку на месяц, а не разбит по направлениям). На третьей итерации ChatGPT сам предложил промежуточную таблицу-мост для связи плана с факторной аналитикой.
Результат: дашборд обновляется каждый понедельник за 20 минут через Power Query. Отчёт для собственника стал интерактивным — он фильтрует по подразделению прямо в презентации. Экономия: 3 недели в первый месяц, затем 8-10 часов ежемесячно. Аутсорс-аналитик не нужен. При той же ставке 45 000 рублей в месяц экономия за год — более 500 000 рублей.
Кейс 2. Главный бухгалтер оптовой компании, Новосибирск
Было: дашборд дебиторской задолженности делался вручную каждую пятницу. Выгрузка из 1С, сводная таблица в Excel, форматирование, отправка руководству. Около 2,5 часов каждую неделю.
Что сделала: описала структуру таблицы ДЗ из 1С в ChatGPT, получила 6 мер: общая ДЗ, просроченная, средний срок просрочки, ТОП-10 должников, доля просроченной в общей, динамика просрочки за 12 недель. Три итерации на меру «средний срок просрочки» — ChatGPT поначалу неправильно понял, что просрочка считается в рабочих днях.
Настроила автоматическую выгрузку из 1С в папку на локальном сервере. Power BI проверяет папку каждую пятницу в 08:00 и обновляет данные.
Результат: отчёт по ДЗ готов автоматически в 08:30. Руководитель получает ссылку в Telegram-боте. Время главбуха на эту задачу: 15 минут в неделю на проверку корректности. Экономия: 2+ часа в неделю, около 100 часов в год.
Кейс 3. Финансовый менеджер стартапа, команда 30 человек
Было: нужен дашборд unit-экономики для инвесторского отчёта. CAC, LTV, MRR, Churn Rate, когортный анализ по месяцам привлечения. В Excel это делалось раз в квартал за 2 дня.
Что сделала: всю работу — от описания концепции до написания формул — вела с ChatGPT в одном чате. Описала структуру данных о подписках (дата активации, дата отмены, ежемесячный платёж, канал привлечения). Попросила составить план мер для когортного анализа. ChatGPT предложил использовать SUMMARIZE + EARLIER для группировки когорт — это потребовало 4 итерации для понимания логики.
Для когортного анализа финальная мера заняла 18 строк кода. ChatGPT написал её с пятой попытки, зато с подробным объяснением каждого шага.
Результат: инвестиционный дашборд за 6 рабочих дней. Из 18 мер 2 написаны самостоятельно (простые SUM и COUNT), остальные — ChatGPT. Бюджет на аналитика: ноль. По обратной связи инвестора, интерактивный дашборд с возможностью фильтровать когорты по каналу привлечения произвёл лучшее впечатление, чем таблица в Excel.
Когда ChatGPT ошибается в DAX и как это быстро исправить
ChatGPT делает ошибки в DAX. Важно знать где, чтобы не тратить время итерируя в неправильном направлении.
Ошибка 1: Неправильный фильтровый контекст. ChatGPT может написать формулу, которая синтаксически правильна, но считает не то из-за неправильного понимания контекста. Симптом: мера возвращает одно и то же число при любом срезе. Решение: в промпте явно написать «формула должна реагировать на срез по [полю]» и дать пример ожидаемого результата при конкретных значениях фильтра.
Ошибка 2: Неправильные имена полей. Если не давали описание модели, ChatGPT использует стандартные английские имена (Sales, Date, Amount). Решение: всегда описывайте модель в начале сессии, как в Промптах 1 и 2.
Ошибка 3: Временная аналитика без отметки таблицы дат. SAMEPERIODLASTYEAR и TOTALYTD работают только если таблица дат помечена как «таблица дат» в настройках Power BI. ChatGPT об этом знает, но если не проверил — напомните явно.
Ошибка 4: Устаревшие паттерны. ChatGPT иногда предлагает EARLIER() там, где современнее и читаемее VAR. После получения формулы полезно спросить: «Есть ли более современный способ написать эту формулу с VAR?»
Рабочая схема отладки любой DAX-ошибки:
Промпт 8. Отладка DAX-ошибки в Power BI Вставил эту меру DAX в Power BI: [скопируй формулу полностью] Получаю ошибку: [скопируй текст ошибки из Power BI дословно] Ожидаемое поведение: [что должна считать мера] Фактическое поведение: [что происходит на самом деле, например "возвращает BLANK при любом срезе"] Срез, при котором проблема: [например "только когда выбран квартал, а не месяц"] Моя модель данных: [описание из Промпта 1 или 2] Найди причину ошибки и дай исправленную формулу с объяснением.
Практика: большинство ошибок ChatGPT исправляет за 1-2 итерации при грамотно составленном запросе на отладку. Если за 3 итерации не получилось — начните новый чат с более детальным описанием структуры данных. Иногда проблема не в формуле, а в том, что ChatGPT неправильно понял модель данных.
Промпт 9. Объяснение DAX-формулы для собственника или коллеги Объясни эту DAX-формулу Power BI простыми словами: [скопируй формулу] Требования к объяснению: - Для аудитории: финансовый директор без знания DAX - Длина: 3-5 предложений - Включи: что считает, на что реагирует, есть ли граничные случаи - Без технического жаргона (фильтровый контекст, итератор и т.д.)
ChatGPT vs Claude vs Gemini: кто лучше справляется с задачами Power BI
Актуально на июнь 2026 года. Для тех, у кого есть подписки на несколько нейросетей и хочется понять, кому какую задачу давать.
Задача GPT-5.5 (ChatGPT) Claude Sonnet 4.6 Gemini 2.5 DeepSeek V3.2 Базовые меры DAX (SUM, DIVIDE, IF) Отлично Отлично Хорошо Хорошо Формулы с CALCULATE и FILTER Отлично Отлично Хорошо Удовлетворительно Временная аналитика (YoY, YTD, скольз. среднее) Отлично Хорошо Хорошо Удовлетворительно Отладка ошибок Power BI Отлично Хорошо Удовлетворительно Слабо Объяснение логики формулы Хорошо Отлично Хорошо Хорошо Power Query (M-язык) Отлично Хорошо Хорошо Хорошо Когортный анализ и сложная аналитика Хорошо Хорошо Удовлетворительно Слабо Доступ в России без VPN Нет Нет Нет Да Стоимость $20/мес. (Plus) $20/мес. (Pro) Бесплатно/платно Бесплатно
Мои рекомендации:
GPT-5.5 — основной инструмент для DAX. Лучше всего отлаживает ошибки: понимает текст сообщения об ошибке Power BI и предлагает конкретное исправление с объяснением. Режим «Холст» помогает итерировать длинные формулы, не теряя контекст.
Claude Sonnet 4.6 — беру когда нужно объяснить сложную логику формулы заказчику или написать сложную DAX с нетипичной структурой данных. Лучше удерживает длинный контекст диалога о модели данных. Объяснения формул — самые понятные из всех четырёх моделей.
Gemini 2.5 — удобен если данные уже в Google Sheets и хотите работать в экосистеме Google без Power BI. Для задач непосредственно с DAX уступает GPT-5.5, особенно в отладке ошибок.
DeepSeek V3.2 — единственный вариант без VPN для тех, кто не может получить доступ к ChatGPT и Claude. Базовые меры напишет правильно, но для сложной временной аналитики и отладки лучше перепроверять результат дополнительно.
Где ChatGPT не заменит аналитика данных: честный разбор
Хочу сказать прямо о том, что ChatGPT делает плохо, чтобы вы не потратили несколько дней на задачу, которая требует специалиста.
Сложный ETL и многоисточниковые данные. Power Query для простых трансформаций ChatGPT пишет хорошо. Но если данные из 5-7 разных систем с несогласованными форматами, нетривиальной логикой очистки и автоматическими обновлениями — это задача data engineer. ChatGPT может помочь с отдельными шагами, но проектирование ETL-пайплайна целиком — не его зона.
Row-Level Security (RLS). Безопасность на уровне строк, когда менеджер видит только своих клиентов, а директор — всю картину. ChatGPT объяснит концепцию и напишет базовые правила DAX для RLS. Но тестирование, настройка ролей через Power BI Service и интеграция с Active Directory требуют понимания инфраструктуры конкретной компании.
Оптимизация производительности. Когда дашборд загружается 30+ секунд, проблема обычно в неэффективных мерах или неоптимальной модели. ChatGPT может предложить улучшения (например, заменить FILTER на CALCULATETABLE или убрать итераторы), но глубокая оптимизация с анализом VertiPaq Storage Engine через DAX Studio — экспертная задача.
Архитектура для 20+ таблиц. Если модель данных большая, данные из нескольких источников с разными гранулярностями, нужна звезда или снежинка — правильная архитектура проектируется с аналитиком изначально. Переделывать сложную модель после того как на ней уже работают отчёты — дороже и болезненнее, чем сделать правильно с начала.
Мой вывод. ChatGPT закрывает 80% задач финансиста в Power BI: написание мер, отладка ошибок, генерация Power Query, выбор визуализаций, объяснение формул. Оставшиеся 20% — задачи инфраструктуры и корпоративной безопасности, которые нужны не с первого дашборда. Начинайте с ChatGPT — аналитика подключайте когда вырастете из базового управленческого отчёта.
Чек-лист: 12 шагов от данных до готового дашборда
Использую этот список как контрольный перед каждым новым дашбордом. Прошла по нему сама и с учениками.
- Согласуйте список вопросов дашборда с собственником или заказчиком. Что конкретно он хочет видеть, в каком разрезе, как часто обновлять. Это спасёт от переделок.
- Выгрузите данные из 1С в Excel. Минимум: факт продаж/финрезультата, план, справочники. Одна таблица — один лист, никаких объединений.
- Очистите данные перед загрузкой. Уберите итоговые строки, заголовки отчёта 1С, объединённые ячейки. Попросите ChatGPT написать Power Query для автоматической очистки при следующих обновлениях.
- Создайте таблицу дат через DAX. Без неё временная аналитика работает неправильно. ChatGPT напишет формулу за 2 минуты. Обязательно пометьте её как «таблицу дат» в настройках.
- Настройте связи в представлении «Модель». Проверьте тип связи (один-ко-многим), направление фильтра. Спросите ChatGPT если не уверены в правильном типе.
- Опишите модель данных в ChatGPT в начале сессии. Один раз, как в Промптах 1 и 2. Это инвестиция в точность всех последующих формул.
- Создайте базовые меры по одной. Начните с простых (ВыручкаФакт, Маржа%), потом переходите к условным (YoY, план-факт). Каждую проверяйте до перехода к следующей.
- Постройте визуализации согласно плану. Карточки KPI, 1-2 графика, таблица детализации. Задайте ChatGPT вопрос про тип диаграммы если не уверены.
- Настройте срезы и проверьте реакцию мер. Все меры должны корректно фильтроваться по каждому срезу. Тест: выберите один месяц и убедитесь, что все карточки обновились правильно.
- Добавьте условное форматирование. Светофор для ключевых метрик через цветовую меру. Это визуально акцентирует проблемные зоны без чтения цифр.
- Протестируйте граничные случаи. Пустые периоды, нулевые значения, отсутствующий план. Всё должно возвращать 0 или прочерк, не ошибку.
- Опубликуйте или покажите через PDF. Power BI Service для онлайн-доступа или экспорт в PDF для первой презентации если лицензии Pro ещё нет.
Промпт 10. Оптимизация медленной DAX-формулы Эта мера DAX работает медленно (дашборд загружается 20+ секунд): [вставь формулу] Моя таблица содержит около [N] миллионов строк. Модель данных: [краткое описание] Объясни почему формула может быть медленной и предложи оптимизированный вариант. Какие паттерны DAX стоит избегать при больших объёмах данных?
FAQ: частые вопросы про Power BI и ChatGPT
Нужно ли знать DAX, чтобы работать с ChatGPT в Power BI?
Базовые концепции полезно знать: что такое мера, чем она отличается от вычисляемого столбца, что такое фильтровый контекст. Без этого сложно проверить, правильно ли ChatGPT понял задачу. Писать формулы с нуля и знать синтаксис не нужно: ChatGPT делает это за вас. Рекомендую один бесплатный вводный урок в документации Microsoft — и дальше работать с нейросетью.
ChatGPT делает ошибки в DAX?
Да, делает. Чаще всего в сложных вычислениях с фильтровым контекстом и в формулах с временной аналитикой. Рабочая схема: ChatGPT генерирует формулу, вставляете в Power BI, тестируете. Если ошибка — копируете текст ошибки обратно. Обычно хватает 1-2 итераций.
Power BI Desktop бесплатный?
Power BI Desktop полностью бесплатный для создания отчётов. Деньги начинаются при публикации и расшаривании коллегам: Power BI Pro — платная подписка, актуальную цену уточняйте на официальной странице Microsoft. Если дашборд только для себя — Desktop хватает.
Можно ли использовать Claude или Gemini вместо ChatGPT?
Можно. Claude Sonnet 4.6 хорош для объяснения логики формул и работы с длинными описаниями модели данных. Gemini 2.5 удобен в экосистеме Google. GPT-5.5 лучше для отладки ошибок Power BI. DeepSeek V3.2 работает без VPN — для базовых мер подходит.
Сколько времени займёт первый дашборд?
При готовых данных в Excel и помощи ChatGPT — 3-5 рабочих дней. День 1: данные. День 2: модель и меры. День 3: визуализации. День 4-5: тестирование и публикация. Без ChatGPT у новичка то же самое — 2-4 недели.
Безопасно ли описывать структуру данных в ChatGPT?
Структуру таблиц (названия полей, типы данных, связи) без реальных чисел и контрагентов описывать безопасно. Реальные суммы и ИНН в промпт не вставляем: обезличиваем. Структурное описание модели — не коммерческая тайна.
Нужен ли аналитик данных при работе с Power BI?
Для базового и среднего дашборда — нет. ChatGPT заменяет аналитика в задачах написания мер, отладки формул, выбора визуализаций. Аналитик нужен при: ETL из 10+ источников, корпоративном Row-Level Security, архитектуре модели для 100+ пользователей.
Можно ли подключить 1С к Power BI напрямую?
Прямое подключение через ODBC возможно, но требует настройки ИТ-специалиста. Рабочий путь для большинства: выгрузить отчёты из 1С в Excel и загрузить в Power BI через Power Query. При каждом обновлении файла Power BI автоматически подтягивает новые данные.
Освоить Power BI с ChatGPT, n8n и другие AI-инструменты системно можно на курсе «AI-навыки финансиста» онлайн-школы «Финансовый директор | Мастер CFO». 10 модулей, 800+ выпускников, диплом государственного образца, налоговый вычет 13%. Основатель школы — Софья Бурцева. Записаться на курс
Наши каналы
Следите за практическими разборами AI-инструментов для финансистов:
- @findir_pro — 45 000 подписчиков, ежедневные кейсы и разборы без воды
- «АИ с Софьей и Натали» — 13 000 подписчиков, глубокие разборы нейросетей для финансистов
- MAX — 5 000+ участников, закрытое сообщество школы с шаблонами, промптами и поддержкой