Правильная организация мер в Power BI

Друзья, сегодня поделимся полезными советами — сохраняйте и ставьте огонёчки 🔥

Правильная организация мер в Power BI необходима для эффективной работы с аналитикой. И вот почему:

1️⃣ Производительность. Оптимизированные меры снижают нагрузку на модель, ускоряют расчёты и отклик отчётов.

2️⃣ Поддержка и масштабируемость. Чёткая структура упрощает понимание модели для новых разработчиков и облегчает внесение изменений и добавление новых метрик без риска поломки существующей логики.

3️⃣ Согласованность данных. Единый подход к расчётам гарантирует, что разные визуализации и отчёты показывают одни и те же цифры.

4️⃣ Удобство использования. Пользователи быстрее находят нужные метрики, если они логично сгруппированы и названы. А ещё снижается риск использования устаревших или некорректных мер.

Как правильно организовать меры?

1. Используйте папки для структурирования мер по тематическим блокам. Например:

😶 Финансы: Выручка, Прибыль, Рентабельность;
😶 Продажи: Объём продаж, Средний чек, Конверсия;
😶 KPI: LTV, CAC, Retention Rate;
😶 Временные сравнения: YoY Growth, QoQ Change, MTD Sales.

Sales/  
├── Revenue_Actual  
├── Revenue_Target  
├── Revenue_Variance  
Finance/  
├── Gross_Profit  
├── Net_Profit_Margin  
Time/  
├── Sales_MTD  
├── Sales_YTD

2. Используйте стандарты именования:

Префиксы для типов мер:

➖ KPI_ — ключевые показатели (KPI_Revenue_Growth);
➖ CALC_ — промежуточные вычисления (CALC_Weighted_Avg);
➖ TEMP_ / TEST_ — временные или тестовые меры (удалять после проверки).

Единый стиль написания:

➖ CamelCase: RevenueYTD;
➖ Snake_case: revenue_ytd;
➖ Важно выбрать один формат и придерживаться его во всём проекте.

Избегание аббревиатур, если они не общеприняты (например, YoY, QoQ).

3. Оптимизация сложных мер. Разбивайте сложные формулы на промежуточные меры:

//Базовая мера
  Revenue = SUM(Sales[Amount])

//Производная мера
  Revenue_PY = CALCULATE([Revenue], SAMEPERIODLASTYEAR(Date[Date]))

//Сложная мера
  Revenue_Growth% = DIVIDE([Revenue] - [Revenue_PY], [Revenue_PY])

Избегайте избыточных вычислений внутри мер — выносите повторяющиеся логики в отдельные меры.

Комментируйте сложную логику (через // в DAX), особенно если используются неочевидные фильтры или итераторы.

4. Документирование мер. Используйте // или /* */ для описания меры в DAX:

/*  
Расчет средней маржинальности по клиентам,  
исключая пробные заказы (Discount > 50%).  
*/  
Avg_Margin = AVERAGEX(Customers, [Net_Profit] / [Revenue])

5. Удаление неиспользуемых мер. Регулярно проверяйте модель и удаляйте:

🟠 Меры-дубликаты;
🟠 Устаревшие расчёты (TEMP_, TEST_);
🟠 Меры, которые не используются в отчётах.

Правильная организация мер экономит часы поддержки, снижает количество ошибок и делает ваши отчёты быстрее и понятнее. Внедряйте эти практики с самого начала проекта!

📊 Simulative

Участвуйте в конкурсе дашбордов с призовым фондом 200 000 ₽

Команда Simulative любит практику — задачи, которые дают рост, и обучение, за которое не стыдно. Поэтому делимся классной новостью!

Наш партнёр AW BI запустил конкурс-хакатон «ФАРМАДАШ» вместе с фармацевтической компанией AstraZeneca. Призовой фонд: 200 000 ₽, но ценность здесь куда больше денег.

Что вы получите:
🟠 Практическую работу с реальным датасетом крупной фармацевтической компании;
🟠 +1 мощный кейс в портфолио;
🟠 Сертификат AW BI;
🟠 Два полезных мастер-класса;
🟠 Поддержку комьюнити;
🟠 Оценку экспертов.

Приём заявок уже идёт! Датасет откроется 28 ноября, дедлайн сдачи работ — до 10 декабря. Итоги подведут 16 декабря.

➡️ Подать заявку на конкурс

📊 Simulative

Напоминаем: через 2 часа CEO Simulative Андрон Алексанян расскажет, как изменится рынок аналитиков в 2026 году

О чём поговорим:
➖ Какие навыки аналитиков будут востребованы в 2026;
➖ Инсайты и свежие кейсы из реального найма: как проходят собеседования у джунов;
➖ Как выстроить роадмап обучения, какие проекты делать, как оформить резюме, чтобы реально выделиться;
➖ Рабочая схема входа в аналитику: что точно работает для быстрого трудоустройства.

➡️ Зарегистрироваться

📊 Simulative

Привет! На связи команда Simulative 👋🏻

Мы часто видим, как наши студенты рассказывают о своём обучении, делятся инсайтами и впечатлениями в Telegram, блогах и соцсетях. Каждый такой пост помогает другим сделать шаг в аналитику, разобраться в профессии и поверить в себя.

А теперь мы хотим сделать это осознанным направлением — и приглашаем вас стать частью авторского комьюнити Simulative ✍🏻

Если вы любите писать тексты, делиться опытом, пробовать себя в форматах — от постов в Telegram до статей и видео — присоединяйтесь! Мы будем вместе придумывать темы, делиться идеями и помогать вам развивать авторский голос.

Заполните короткую форму ниже, и мы свяжемся, чтобы рассказать подробнее о формате и возможностях 🧡

✍️ Заполнить форму

📊 Simulative

Почему прошлый опыт — ваше преимущество, а не недостаток

Привет, это Илья Ковалев, ментор курса «Аналитик данных» 👋

Многие, переходя в аналитику, думают: «У меня нет профильного образования, у меня другой опыт, кому я буду нужен».

Но бизнесу нужны аналитики, которые понимают реальные процессы, а не только умеют писать запросы. И именно здесь прошлый опыт становится преимуществом.

Аналитика — это не только про умение писать запросы и дизайнить эксперименты. Это про умение увидеть проблему, связать цифры с процессом и объяснить бизнесу, что происходит. Для этого гораздо важнее понимание предметной области.

Рассмотрим эту идею на нескольких примерах:

1️⃣ Логистика и e-commerce

Если вы работали в операционке, закупках, управлении товаром, на складе или в ритейле, вы уже знаете, что такое оборачиваемость, где происходят ошибки в прогнозах спроса, как работают склады, что такое SLA и почему некоторые KPI на практике важнее других. Для аналитика в логистике это огромный бонус: вы быстрее поймёте данные и сможете формулировать точные гипотезы. Кандидат без опыта будет месяцами разбираться в том, что вам давно знакомо.

2️⃣ Финансы и аналитика

В зрелых компаниях от аналитиков ждут решений, измеримых в деньгах: снижение затрат, рост маржи, оптимизация юнит-экономики, прогнозирование доходов. Финансовый опыт напрямую помогает: вы понимаете P&L, связи между продуктовыми метриками и прибылью, умеете считать вклад изменений в деньгах. Такой аналитик говорит с бизнесом на одном языке. Иногда один грамотный специалист с финансовым мышлением приносит компании больше пользы, чем несколько «технических» аналитиков.

3️⃣ Из маркетинга в аналитику

Маркетологи разбираются в воронках, аудиториях, каналах, атрибуции, LTV и росте стоимости трафика. Это делает их сильными маркетинговыми аналитиками: они могут не только строить отчёты, но и анализировать эффективность кампаний, оптимизировать бюджеты, оценивать влияние гипотез на ROMI и общую стратегию продвижения. Здесь предметная область важнее, чем идеальный SQL.

4️⃣ Опыт продаж в аналитике

Опыт в продажах хоть и кажется противоположным полюсом, но он тоже даёт свои плюсы: понимание, как клиенты принимают решения, почему лиды не доходят до сделки, какие сегменты нестабильны, как меняется конверсия при изменении процесса. Такой аналитик формулирует рабочие гипотезы, которые сразу ведут к росту повторных покупок, улучшению конверсии и снижению стоимости привлечения.

5️⃣ HR, рекрутинг → аналитика

HR-специалисты знают, как устроен найм, почему растёт текучка, как мотивация влияет на продуктивность, где в компании возникают организационные сбои. Это напрямую ложится на задачи HR-аналитики: прогноз текучести, оценка эффективности найма, анализ качества подбора, оптимизация затрат на персонал. Здесь важна логика процессов, а не только владение инструментами.

Почему это работает? Потому что значительная часть аналитики — это анализ процессов, а процессы в разных сферах очень разные. Можно научиться технике, но так и не понять, какие метрики влияют на бизнес, где реальные точки потерь и какие решения могут ухудшить ситуацию, даже если цифры выглядят красиво. Эти знания формируются только через опыт.

Так как использовать прошлый опыт?
😶 Пересоберите свой опыт под задачи аналитики: не «работал в закупках», а «занимался прогнозированием спроса, контролировал SLA, снижал издержки».
😶 Найдите типичные аналитические задачи, которые уже решали даже без SQL.
😶 Подготовьте кейсы: где оптимизировали процесс, улучшили метрику или сэкономили ресурсы.
😶 На собеседовании подавайте опыт как источник экспертизы, а не оправдание.

Ваш путь в аналитику не начинается с нуля — он начинается с того, что вы уже знаете и обогащается новыми инструментами!

📊 Simulative

Большинство новичков делают одинаковые проекты, и поэтому их портфолио никто не замечает 🫠

Табличка с продажами, «проанализировал датасет с Kaggle», красивый, но бессмысленный дашборд… С таким набором вы попадаете в общую массу из десятков кандидатов, и ваш отклик просто утонет в потоке.

Мы в Simulative видим это на практике: к нам приходят студенты после других курсов, уже с портфолио, но без откликов от работодателей. А потом они делают 1-2 нормальных проекта — и внезапно начинаются собеседования.

Вот несколько реальных кейсов наших ребят:

💪🏻 Студентка после декрета собрала дашборд по маркетплейсу с автоматической загрузкой данных и выводом юнит-экономики. Этот проект она положила в отклик — и именно его подробно обсуждали на первом успешном собеседовании.
💪🏻 Один студент оформил исследование по оттоку клиентов: чёткая гипотеза, сегментация, бизнес-выводы и рекомендации. Без ML-магии, но с понятным эффектом для бизнеса — и это сработало лучше, чем «модели ради моделей».

Такие проекты (и не только) мы будем разбирать сегодня на вебинаре «Как новичку в аналитике получить опыт и собрать портфолио». Что сделаем на встрече:

➡️ Разложим по полочкам, почему эти проекты сработали;
➡️ Покажем, как упаковать ваш опыт, чтобы его читали, а не пролистывали;
➡️ Разберём портфолио глазами человека, который нанимает аналитиков.

⌨️ Если вы устали от советов «сделайте пару проектов для портфолио», но так и не понимаете, какие именно проекты реально продают вас как специалиста — приходите!

➡️ Зарегистрироваться на вебинар

📊 Simulative

Привет, это Андрон! 👋🏻

В своём канале я предложил решить короткий case study, и вот что получилось.

Blueberries — молодой, динамично развивающийся маркетплейс. Каждый месяц они тратят много миллионов рублей на привлечение новой аудитории.

В среднем каждый месяц реклама дает 115% ROAS (то есть компания отбивает рекламный бюджет + зарабатывает 15% выручкой сверху). Но в месяц Х рентабельность резко просела и компания получила всего 60% ROAS — реклама даже не окупилась.

Почему такое может быть?

Я раскластеризовал все гипотезы по группам. Всё, что будет ниже — абсолютно верно и реально может служить причиной падения ROAS платного трафика.

Внешние факторы:
— Все убежали к конкуренту, потому что он запустил акцию;
— Продавали в основном сезонные товары, а сезон закончился;
— Январь, у клиентов оливьешная кома, все деньги потратили в декабре на подарки;
— Илон Маск выложил новый пост и все побежали покупать новый мемкоин 🤡

Проблемы на уровне рекламы:
— Поменяли канал привлечения, оттуда приходят холодные лиды;
— Выжгли текущий канал, стали приходить холодные лиды;
— Слишком много делали новых тестов, доля локомотивных кампаний упала и качественного трафика стало меньше;
— Просто поменяли тексты/картинки и что-то перестало работать;
— Сломались алгоритмы рекламной сети;
— Косяки в настройке рекламы — например, некликабельные ссылки в некоторых объявлениях;
— Оффер в рекламе и предложение не витрине маркетплейса отличается: ожидания покупателей не сходятся с реальностью.

Технические сбои:
— Банально сломалась атрибуция в отчетах, а на самом деле все правильно;
— Часть данных не прокидывается в аналитику;
— Сайт работал нестабильно или падал;
— Косяки в работе сторонних интеграций — например, проблемы с приемом платежей.

Продуктовые ошибки:
— Много товаров ушло в out of stock, просто тупо нечего покупать;
— Изменился интерфейс сайта, конверсии упали;
— Проиграли конкуренцию, например, из-за долгой доставки (актуально в преддверии праздников).

Также хочу подсветить, что среди ответов были некоторые с ошибкой фейковой аргументации. Кажется логичным, но на деле — не совсем про ту проблему, что мы обсуждаем. Например: упал retention, старые когорты перестали перформить. Это не валидно, потому что мы говорим про окупаемость новой когорты в первый месяц.

Но есть ещё одна причина — неправильный расчёт ROAS для когорты новых пользователей. И это реально очень частый кейс, а не высосанный из пальца — если вы в компании считаете когорты, я почти уверен, что у вас такое где-то есть.

В чём прикол: классический формат когорт — это когда по столбцам идёт год и месяц. Ну то есть выручка в каждой ячейке у нас имеет интерпретацию «выручка когорты апреля 2025 года в мае 2025 года» — то есть сколько денег нам принесли в мае люди, которые зарегистрировались на нашем маркетплейсе в апреле.

А теперь давайте про жизнь. Как правило, под конец месяца у всех начинает подгорать (планы-то надо выполнять, а осталась всего неделя!). Соответственно, в последнюю неделю вбухивается куча денег в рекламу, чтобы как-то спасти ситуацию. Но как правило цикл сделки у вас не 2 минуты (т. е. клиенты думают пару дней хотя бы, чтобы совершить покупку).

И получаем интересную ситуацию: если цикл сделки у вас дня 3-4, а большую часть денег вы потратили в последние 3 дня месяца, то выручку от этих пользователей вы получите уже в следующем месяце!

Решение у этого очень простое — всегда смотреть на когорты в 2-ух представлениях. Второе представление — когда по столбцам идут не месяцы, а периоды (стандартно — тридцатки дней). И в таком случае вообще все равно, в какой день ты рекламу закупил — анализ эффективности будет идти именно по периодам, а не по календарным месяцам.

На самом деле, работа с когортами — целое искусство, на мой взгляд. Если хотите разобраться в этом глубже — приходите на новый поток моего тренинга «Как делать аналитику». Про когорты у нас там целых 2 больших блока, «Когортный анализ» и «Реверс-инжиниринг» — сам использую это каждый день в своей работе и с вами поделюсь наработками!)

📊 Simulative

Карьерный совет на 2026 год от Андрона 👆

Приходите в Simulative — научим fullstack-аналитике и не только 🧡

📊 Simulative

Вебинар: как стать универсальным аналитиком 💪

Старший аналитик данных Dodo Brands Илья Ковалёв на живых кейсах покажет, как работает универсальный аналитик: где брать данные, как их готовить, во что превращать и как на их основе принимают решения.

А HR-эксперт Наталья Рожкова разберёт, каких специалистов сейчас реально нанимают и что отличает кандидата, которому дают оффер, от того, кто «не дотягивает» до ожиданий рынка.

На вебинаре:
😶 Покажем, как аналитик ведёт задачу от сырых данных до дашборда и решений.
😶 Разберём, чем выделяются универсальные аналитики и почему рынок ценит их выше.
😶 Разберём актуальные вакансии и дадим простой план навыков для старта, чтобы соответствовать актуальным требованиям.
😶 Дадим советы от HR, как упаковать резюме и отклики, чтобы вас чаще звали на собеседования.

❗️ Ждём вас 3 декабря в 19:00 МСК!

✏️ Всем зарегистрировавшимся дарим полезную подборку материалов для проверки своих навыков!

➡️ Зарегистрироваться на вебинар

📊 Simulative

Ваш запрос выполняется...

✍️✍️✍️

Ещё чуть-чуть...

✍️✍️✍️

Готово! А вот как можно его улучшить:

https://simulative.ru/blog/sql-optimization

📊 Simulative

Чёрная пятница завершается…

Если вы откладывали решение, дальше уже некуда. Сегодня и завтра до конца дня можно получить скидки до 35% на любые курсы Simulative и зафиксировать цену, которая больше не повторится в этом году.

С понедельника обучение станет дороже — это тот самый момент, когда один клик меняет траекторию к реальным навыкам, проектам и первой работе.

Не упустите финальный шанс ноября!

➡️ Оставить заявку

📊 Simulative

Всем привет! На связи Павел Беляев 👋

12 декабря стартует новый поток курса «Аналитик данных» со мной в качестве ментора.

😶 Немного обо мне для тех, кто ещё со мной не знаком: я уже более 5 лет руковожу командой аналитиков в компании Яндекс eLama, а также веду Telegram-канал Тимлидское об аналитике.

Команда аналитиков eLama под моим руководством выполняет следующие задачи:
➖ Разработка и поддержка витрин данных (Clickhouse, SQL);
➖ Автоматизация и оптимизация процессов, связанных с данными: обновление витрин, мониторинг качества данных, чистка устаревшего и т. д.;
➖ Разработка внутренних сервисов аналитики: модель данных, self service и др.;
➖ Настройка веб-аналитики;
➖ Прогнозирование метрик;
➖ Поддержка различных отделов компании требуемыми данными;
➖ Содействие другим аналитикам в сборе, визуализации и интерпретации данных;
➖ Консалтинг и обучение конечных пользователей.

За время работы в сфере аналитики я успел побывать в разных ролях: бизнес-аналитик, веб-аналитик, дата-инженер, дата-аналитик, BI-аналитик, тимлид. Поэтому на личном опыте понимаю, как выглядит в бизнесе вся цепочка обработки данных от потребности до выводов.

Уверен, что мой опыт поможет студентам привязать полученные знания к реальным бизнес-задачам из деловой жизни!

➡️ Узнать подробнее и забронировать место на потоке

📊 Simulative

Топ ошибок при проведении A/B-тестов и как их избежать

A/B-тестирование — это наука, лежащая в основе успешной оптимизации продуктов. Однако нередко даже самые опытные команды допускают ошибки, которые сильно искажают результаты и могут приводить к неверным решениям.

Подготовили для вас материал с наиболее распространёнными «ловушками», реальными примерами из практики и действенными способами их избежать.

Что разберём в материале:
✅ Преждевременное завершение тестов;
✅ Неправильный выбор метрик;
✅ Предотвращайте фальсификацию данных (p-hacking).

Обязательно сохраните к себе, чтобы не потерять!

➡️ Получить материал

📊 Simulative

📊 Старты потоков в декабре

Учиться можно (и даже нужно!) в конце года, чтобы в новом году блистать новыми знаниями. Переходите по ссылкам и бронируйте себе место на потоках!

5 декабря

🟠 Инженер данных
Ментор потока: Георгий Семенов, Chief Data Officer

🟠 Тренинг Андрона Алексаняна «Как делать аналитику»

12 декабря

🟠 Аналитик данных и BI-аналитик
Ментор потоков: Павел Беляев, руководитель группы дата-аналитиков в Яндекс eLama

19 декабря

🟠 ML-инженер
Ментор потока: Кристина Желтова, директор по разработке моделей в Газпромбанке

26 декабря

🟠 Аналитик данных
Ментор потока: Вячеслав Потапов, руководитель продуктовой аналитики в Lamoda

Сохраняйте к себе, делитесь с коллегами, и ждём вас на наших курсах!

📊 Simulative

Ну что, остался месяц до нового 2026 года — и самое время начать подготовку к нему! 🎄

Для этих целей (и для успешного старта в аналитике, разумеется) мы собрали адвент-календарь — в нём вы найдёте полезные материалы, видео и записи вебинаров, которые обогатят ваши знания, а также помогут вам преодолеть сомнения относительно обучения и карьеры в области аналитики.

А начнём мы путь к обновлению карьеры с приятной скидки на наши курсы — до 35% на fullstack-аналитика и менторские программы 😉

➡️ Переходите в адвент-календарь, регистрируйтесь в боте и получайте новые знания каждый день!

📊 Simulative

Качаем скиллы дата-инженера

Открываем новую карточку адвент-календаря — из него вы узнаете, какие технологии полезно изучить и в каком порядке следует изучать темы по инжинирингу данных. Скачивайте роадмап, сохраните его и используйте как чек-лист, чтобы не сбиваться с пути и не тратить время на лишнее.

😶 Перейти в адвент-календарь

📊 Simulative

Кто такой fullstack-аналитик

Короткий ответ: человек, который умеет довести задачу до результата без передачи между пятью специалистами 🙂

Длинный ответ: https://simulative.ru/blog/who-is-fullstack-analyst

🤔 Но это всё теория. Приходите на вебинар 3 декабря, где эксперт на живых кейсах покажет, как этот универсальный аналитик живёт и работает. А HR поделится лайфхаками, как упаковать резюме и отклики, чтобы вас чаще звали на собеседования.

➡️ Зарегистрироваться на вебинар

📊 Simulative

Привет, это Кристина Желтова 👋🏻

19 декабря стартует новый поток курса «ML-инженер» с моим менторским сопровождением!

Напомню несколько фактов о себе:

😶 Я директор по разработке моделей в Газпромбанке — одном из ведущих российских банков.

😶 Уже более 5 лет работаю в области машинного обучения и Data Science. Сейчас активно развиваю аналитические решения и ML-продукты на сеньорных и руководящих позициях.

😶 Имею богатый опыт в области классического машинного обучения: реализовывала проекты по оптимальному размещению АТМ и торговых точек с использованием геопространственной аналитики, разрабатывала систему кредитного скоринга с нейросетевыми моделями, а также решения для модерации контента, построения RAG-пайплайнов и систем матчинга текстов с помощью NLP и LLM моделей.

😶 Также я преподаватель курсов по машинному обучению, глубокому обучению и анализу естественного языка в ведущих российских вузах: ИТМО, УрФУ и ЧелГУ.

😶 Выпускница магистратуры по искусственному интеллекту ИТМО × Napoleon IT, где также выступаю ментором и экспертом образовательных программ.

Кстати, я являюсь ментором на VIP-тарифе программы, где также помогу вам с собеседованиями и трудоустройством. На него сейчас действует скидка 35% до 12 декабря, так что успевайте и присоединяйтесь!

⚡️ Узнать подробнее о курсе и оставить заявку

📊 Simulative

Следующая карточка адвента уже открыта!

Приходите вечером на вебинар — расскажем, как живёт и работает универсальный аналитик:

➖ Старший аналитик данных Dodo Brands Илья Ковалёв на живых кейсах покажет, где брать данные, как их готовить, во что превращать и как на их основе принимают решения.

➖ А HR-эксперт Наталья Рожкова разберёт, каких специалистов сейчас реально нанимают и что отличает кандидата, которому дают оффер, от того, кто «не дотягивает» до ожиданий рынка.

Ждём вас 3 декабря в 19:00 МСК!

➡️ Перейти в адвент-календарь

📊 Simulative

Ищем новых менторов и преподавателей в Simulative

Мы в Simulative ищем специалистов в DA/DE/BI/ML, которые будут сопровождать группы наших студентов с первого дня обучения.

Если вы:
🟠 Любите обучать людей;
🟠 Вам интересно вести вебинары;
🟠 Вы любите писать статьи/посты/полезные материалы;
🟠 Вы хотите записывать уроки или ещё как-то хотите повзаимодействовать с нашей школой;
🟠 Не боитесь (или даже хотите!) проявляться медийно —

То мы точно ждём вашу заявку и в ближайшее время с вами свяжемся!

🔗 Ссылка на короткую форму

📊 Simulative