➡️ включайте видео
➡️ ставьте на паузу
➡️ то, на чём остановилось — ваше предсказание на 2026 год

⚡ Для самых ленивых сверхразумов.

✅ Автосоздание загрузочного файла РК одновременно:

— На поиск ЯД.
— В РСЯ.
— И с ключами.
— И без ключей на чистом автотаргетинге.

(Вау, Хитро не дрочит на семантику? Это вообще законно?)

😮 Сверхразумы спросят:

«21? Но как?»

⚡️ В каждый заголовок автоматически тянем из других групп отфильтрованные и отсортированные по ряду условий фразы, более точно подходящие для заголовков под автотаргетинг.

(А чё, так можно было?)

❓ Что это значит:

10+ лет назад на "курсах" по контексту "учили" протягивать в Excel по всей семантике одну универсальную добавку в конце заголовка.

✖ Это приводило к нечитабельной ерунде и дублированию слов в заголовках:

купить кроссовки купить
суши москва москва
цены на ремонт окон цена

✅ Комбайн вместо бездумной сцепки берёт действительные фразы из семантики.

❓ Пример:

В группе — широкие категорийные фразы:

окна пвх
окна из пвх
пластиковые окна
окна из пластика

Т.е. «Предмет + Материал».

Если эти фразы бездумно передать в заголовки, получатся короткие обрубки, ничем не полезные:
— Ни пользователям.
— Ни автотаргетингу.
— Ни рекламодателю.

И, казалось бы, сиди вручную добавляй в заголовки "купить", "москва" и т.д.

❗ Решение:

В том же категорийном кластере «Предмет + Материал» ищем в других группах наиболее полные и полезные фразы с наличием:

— Геодобавки.
— Нескольких самых частотных в данном кластере комбинаций горячих добавок.

Если в этой категории их нет или мало, проверяем более широкий уровень смысловой группировки, и берём фразы с добавками оттуда.

В 21 заголовке — по одной фразе из каждого кластера наиболее полных и частотных комбинаций добавок.

❓ То есть:

С проверкой длины строки вместо одинаковых добавок во все заголовки:

"купить" + "москва"

подставляем действительные фразы из других схожих групп с сохранением порядка слов и падежей:

купить пластиковые окна в москве с установкой цена

В заголовки группы передаём до 21 разной фразы из данного смыслового кластера.

— Алгоритмов обработки данных в Power Query.
— Промптов для создания быстрого кода.
— Параметризации кода переменными.

Предыдущие посты серии:

1. Документация по промптам.

— На языке M в Power Query.
— На языке DAX в Power Pivot.

— Корректность обработки первых 50–100 строк массива:

а) Каждого шага запроса (модуля кода) по отдельности.
б) Всего запроса целиком.

— Корректность обработки нужного столбца, отфильтрованного по условиям (символам, словам, фразам), которые данный код:

а) Должен был обработать.
б) Не должен был обработать.

— Скорость на тестовом массиве на 30–50 тысяч строк.

— Производительность на объёмах в 0,5–1 млн строк.

— Без ошибок.
— Быстрее работающий.
— Масштабируемый (применимый для обработки больших массивов данных).

1️⃣ По одному и тому же промпту генерю код в нескольких нейронках сразу.

2️⃣ Проверяю на наличие ошибок.

3️⃣ Текст ошибки вместе с названием шага запроса, на котором появилась ошибка, копирую нейронке, и говорю исправить.

4️⃣ Проверяю на корректность обработки данных, отфильтровав в разных столбцах разные условия (символы, слова, фразы), которые после обработки:

🥷 Должны были там появиться.
🥷 Не должны были там появиться.

5️⃣ Выбираю корректно и безошибочно отработавший код (при наличии такового).

6️⃣ Выбираю очевидно самый быстрый вариант кода.

7️⃣ Каждую нейронку ещё по несколько раз прошу переписать корректно отработавший код, пользуясь всегда примерно одинаковым подходом к оптимизации скорости запроса.

Предыдущие посты серии:

1. Документация по промптам.
2. Выбор нейронок.

⚫️ К чему приводят последствия нерешённой задачи.
⚫️ Как и почему от этого страдаю я и мой клиент.
⚫️ Как и почему я страдаю от этого на каждом последующем проекте.
⚫️ Как и почему от этого страдают другие люди, у кого всё ещё нет на руках готового автоматизированного решения этой проблемы.
⚫️ Как и почему я страдаю в процессе объяснения любому собеседнику (клиентам, коллегам) всех перечисленных выше 4 пунктов.

⚫️ Ищем на ютубе плейлисты по самой базовой базе интересующего языка программирования и смотрим хотя бы базу для чайников.
⚫️ Понимаем, на что он вообще способен, какие есть типы объектов, операций, библиотеки и проч.
⚫️ На каждом рассмотренном примере включаем образное мышление и сразу пытаемся придумать десятки способов применения увиденного для обработки ваших данных.
⚫️ Делаем скриншоты и заметки, сохраняем ссылки в разные плейлисты избранного, чтобы потом легко найти всё сохраненное.
⚫️ При сохранении ссылок сразу пишем комментарий, что нашли в видео, какая идея появилась, как и где хотели это применить.
⚫️ По каждой новой появившейся идее ищем на ютубе ролики, читаем статьи, спрашиваем у нейронок, как это работает, как это применить в ваших задачах, смотрим на конкретные примеры реализации, расширяем понимание возможностей данного языка.

⚫️ Для кого строится эта визуализация данных.
⚫️ На какие основные и дополнительные вопросы она должна отвечать.
⚫️ Как должен выглядеть результат.
⚫️ Как его нужно отфильтровать, отсортировать, сегментировать.
⚫️ Какие данные должны обновляться, как часто.

Предыдущие посты серии:

1. Документация по промптам.
2. Выбор нейронок.
3. Подготовка к разработке.

⚡ «Big O» нотация.

— Язык и версия.
— Среда разработки и версия.
— Об исходных данных.
— Проблема.
— Задача.
— Что где находится.
— Названия всех объектов.
— Что нужно получить в результате.

1. Исходные данные (было).
2. Итоговый результат (стало).
3. Явное пояснение, чем отличается результат от исходных данных.

1. Внимательно проанализируй задачу и приложенный код, если он предоставлен.

2. Если тебе не хватает явных инструкций — задай мне точные вопросы.

3. Найди все узкие горлышки.

4. Оптимизируй код под производительность.

5. Ускорь отработку.

6. Обрабатывай только уникальные значения.

7. Используй операции с количеством вычислений O(1), O(log n), O(n), O(n + m), но как можно меньшее из них — для быстрой обработки сотен тысяч строк.

8. Не используй операции с количеством вычислений: O(n log n), O(n × m), O(n²), O(nᵏ), O(2ⁿ), O(n!).

9. Используй аналоги векторной обработки всего массива целиком.

10. Используй самые современные методы оптимизации M-кода в Power Query, которые советуют известные и уважаемые профессионалы BI-индустрии, эксперты со статусом MVP от Microsoft, авторы книг, курсов, блогов, статей, Ютуб-каналов по Power BI и Power Query.

11. Используй функции только из справки Microsoft по Power Query.

12. Используй самые прогрессивные способы оптимизации производительности M-кода в Power Query на сотнях тысяч и миллионах строк данных.

13. Оптимизируй код без потери функционала.

14. Пиши код понятно по шагам.

15. Назови шаги понятным образом.

16. Убедись в том, что ты:
а) Ничего не потерял и не забыл из исходного кода.
б) Учёл все перечисленные условия.

Код работает очень медленно.

1. Проанализируй все узкие горлышки.

2. Проанализируй код на количество вычислений из «Big O» нотации.

3. Определи места для уменьшения количества вычислений.

4. Используй функции с наименьшим из возможного количества вычислений: O(1), O(log n), O(n), O(n + m), но как можно меньшим из них.

5. Ускорь код для быстрой обработки сотен тысяч строк данных.

6. Ничего не забудь из поставленных задач и исходного функционала.

Предыдущие посты серии:

1. Документация по промптам.
2. Выбор нейронок.
3. Подготовка к разработке.
4. Оптимизация кода.
5. Если код не "летает".

а) они небольшие.

б) вы обращаетесь к ним более одного раза.

Точные пороги необходимости буферизации зависят от:

а) Доступной оперативной памяти на ПК.

б) Высоты и ширины исходных таблиц.

в) Будет ли этот датасет со временем пополняться, т.е. масштабируемый ли это будет код или он вернет ошибку нехватки памяти при первой же обработке массива побольше тестового.

1. Проанализируй код на предмет сложности вычислений из «Big O» нотации:

От самых быстрых:

— O(1) — константное время.
— O(log n) — логарифмическое.
— O(n) — линейное.
— O(n + m) — линейное время от двух входов.

К самым медленным:

— O(n log n) — линейно-логарифмическое время.
— O(n × m) — бинейное.
— O(n²) — квадратичное.
— O(nᵏ) — степенное.
— O(2ⁿ) — экспоненциальное.
— O(n!) — факториальное.

2. Перепиши код с использованием самых быстрых из возможных вычислений: O(1), O(log n), O(n), O(n + m).

3. Не используй функции с медленными вычислениями: O(n log n), O(n × m), O(n²), O(nᵏ), O(2ⁿ), O(n!).

Предыдущие посты серии:

1. Документация по промптам.
2. Выбор нейронок.
3. Подготовка к разработке.
4. Оптимизация кода.
5. Если код не "летает".
6. Минимизируем вычисления.

500.000 строк * 30 столбцов = 15.000.000 ячеек

10.000 строк * 10 столбцов = 100.000 ячеек

500.000 строк * 10.000 строк = 5 млрд строк

5 млрд строк * (30 + 10 столбцов) = 200 млрд ячеек

Надо ли добавить очевидное, что спустя сутки ожидания я так и не дождался обработки этого запроса 6 лет назад? А ждал бы до сих пор.

Предыдущие посты серии:

1. Документация по промптам.
2. Выбор нейронок.
3. Подготовка к разработке.
4. Оптимизация кода.
5. Если код не "летает".
6. Минимизируем вычисления.
7. Фатальный пример вычислений.

1. Обратиться к нужным таблицам и столбцам.
2. Какие операции нужно сделать.
3. Что должно получиться в результате.
4. Какие вычисления безопасны: O(1), O(log n), O(n), O(n + m).
5. А какие — смерть для производительности: O(n log n), O(n × m), O(n²), O(nᵏ), O(2ⁿ), O(n!).