Хочу поделиться сквозным примером автоматизации очистки и структурирования данных в сфере коммерческой недвижимости. Данные в этом кейсе смоделированы на основе отчета по поступлениям арендной платы вымышленной организации ООО «Управляющая Компания», однако сама логика трансформации полностью построена на моем многолетнем опыте работы экономистом в реальных компаниях-арендодателях. Представьте стандартную аналитическую задачу: необходимо собрать сквозную статистику платежей по всему портфелю договоров компании за год. Первичная выгрузка из информационной базы 1С (в формате CSV/Excel) имеет типичную «грязную» структуру: текстовая шапка с метаданными, пустые технические строки, объединенные ячейки, даты вперемешку с часами и итоговые строки, которые блокируют корректную работу формул и сводных таблиц. Кроме того, при детализации нескольких оплат за один день 1С оставляет ячейки с наименованием контрагента пустыми, что исключает прямую фильтрацию. Оставлять ручную очистку таких файлов на ежемесячной основе — это неэффективная трата времени. Ниже описан пошаговый алгоритм, который я реализовала с помощью Power Query для полной автоматизации этого процесса:

Шаг 1: Очистка структуры и удаление мусора

Первым делом я избавилась от лишних верхних строк отчета (название организации, параметры отбора) и отфильтровала нижнюю строку «ВСЕГО ОПЛАЧЕНО», очистив массив от нецелевых данных.

Шаг 2: Заполнение пустот («Заполнить вниз»)

Чтобы восстановить непрерывность данных, к столбцам с договорами и контрагентами была применена стандартная команда «Заполнить вниз». Теперь каждая транзакция жестко привязана к своему арендатору, даже если в исходной выгрузке строки были объединены.

Шаг 3: Очистка контрагентов («Текст перед разделителем»)

В наименованиях контрагентов присутствовали внутренние коды информационной базы вида (цб-000012). Эту проблему я решила через стандартное извлечение — «Текст перед разделителем». В качестве разделителя указала открывающую скобку, и система моментально отсекла технический хвост, оставив для бизнеса только чистые названия компаний.

Шаг 4: Фильтрация на языке М для номеров договоров

Самым важным этапом стала точечная настройка строк с договорами. Чтобы исключить пустые или некорректные записи, которые мешали дальнейшей аналитике, я применила к шагу фильтрации кастомный код на языке М: = Table.SelectRows(#“Переименованные столбцы1”, each true). Это позволило зафиксировать структуру таблицы и подготовить поле номеров договоров к корректной обработке.

Шаг 5: Унификация форматов дат и сумм

Даты платежей, выгруженные в разных форматах (часть с часами, часть стандартно), приведены к единому типу данных «Дата» (день.месяц.год). Столбец с суммами переведен в числовой формат для корректного проведения математических расчетов.

Что в итоге? Мы получили строго структурированную плоскую таблицу из четырех ключевых бизнес-метрик: Арендатор | Номер договора | Дата платежа | Сумма платежа. Данный формат является идеальным стандартом для построения BI-отчетности, будь то Power BI или Yandex DataLens. Главное преимущество решения — полная воспроизводимость. Весь процесс трансформации зафиксирован в виде последовательных шагов Power Query. При поступлении выгрузки за новый отчетный период достаточно нажать одну кнопку «Обновить», и система за секунду сформирует готовый аналитический датасет. 🛠️ Материалы к кейсу: Вы можете лично ознакомиться с примером трансформации и структурой файлов на моем Яндекс Диске. Доступны как исходная грязная выгрузка, так и готовый результат: 📂 Выгрузка_1С_Оплаты_2026.xlsx — первоначальный неотформатированный отчет со всеми техническими артефактами: https://disk.yandex.ru/i/JEFPeIN2VN2tUA 📊 Оплаты от арендаторов.xlsx — финальная плоская и очищенная таблица, подготовленная для импорта в модель данных: https://disk.yandex.ru/i/ExIE6b8v_MWxFQ Спасибо за внимание!