Знакомо чувство, когда часами собираешь финансовый анализ в таблицах, а потом случайно закрываешь файл без сохранения? Кажется, что всё пропало. Но меня спасли BI-системы — благодаря настроенной модели данных вся аналитика сохраняется в идеальном виде и обновляется одной кнопкой! В этом кейсе из портфолио покажу, как я решила задачу контроля дебиторской задолженности (ДЗ) сразу в двух системах — Power BI (верхнеуровневый дашборд для руководителя) и Yandex DataLens (прикладной инструмент для менеджера по обзвону должников). Часть 1. Подготовка данных и дашборд в Power BI Изначально были три таблицы: «Реестр документов» (план начислений), «Реестр оплат» (факт платежей) и справочник «Реестр объектов недвижимости». Очистка в Power Query: каждый шаг трансформации (отмена свертывания столбцов с месяцами, очистка типов, переименование) жестко записан в «Примененные шаги». При загрузке свежей выгрузки система сама пропустит данные по настроенному алгоритму. Модель данных: связать таблицы начислений и оплат напрямую нельзя («многие-ко-многим»), поэтому я объединила их через центральный справочник объектов по уникальному полю Код ОНИ с двунаправленной кросс-фильтрацией. Что показывает управленческий дашборд в Power BI? С помощью DAX-мер я сопоставила план и факт за 10 месяцев (Январь — Октябрь 2026 г.): Главные KPI: при годовом плане 19,72 млн руб. план за 10 месяцев составляет 16,42 млн руб., из которых бизнес фактически собрал 12,82 млн руб. Собираемость по портфелю — 78,07%. Структура выручки и объемов: круговая диаграмма показывает, что 75,77% (9,71 млн руб.) доходов приносят объекты категории «Здание», а 20,96% (2,69 млн руб.) — «Помещение». Столбчатый график выделяет топ-5 крупнейших арендаторов по объему договора: МедКор, МеталлСервис, ТехноПрогресс, а также ВекторПлюс и ЭкоСистемы. Рейтинг платежной дисциплины: 13 из 15 компаний платят идеально (100%: ТехноПрогресс, АвтоТранс, АгроТех, ВекторПлюс, ГринЭнерго, ИнфоСистемы, МедКор, НоваТех, ПрогрессМакс, Светлый Дом, СтройГарант, АльфаЛогистика, СеверЛайн), а внизу выделяются 2 должника: ЭкоСистемы (40% оплат) и МеталлСервис (20% оплат). Часть 2. Операционный дашборд в Yandex DataLens для обзвона Увидеть проблему на уровне директора — полдела. Чтобы вернуть деньги, нужен удобный инструмент для менеджера по ДЗ. Второй дашборд я собрала в облачном сервисе Yandex DataLens, которым легко поделиться по веб-ссылке. В датасете я объединила источники по ключу Код ОНИ и прописала вычисляемые поля (SUM, ROUND), включая метрику «Глубина долга (мес.)» — сколько месяцев клиент не платит по своей ставке. Как менеджер работает с дашбордом? Вместо сверки трех Excel-файлов перед звонком сотрудник видит всю фактуру на одном экране: Индикаторы фокуса: сумма долга за 10 мес. выделена красным — 3 600 000,00 руб. при выполнении плана 78,07% и числе должников — 2 компании. Приоритет взыскания: линейчатая диаграмма показывает, с кого начать день — 2/3 всей задолженности висит на одном контрагенте. Готовая «Таблица для обзвона»: карточка клиента для предметного разговора (адрес, договор, срок, сумма и глубина просрочки): МеталлСервис (г. Москва, ул. Гагарина, д. 4, договор №4 до 01.01.2029) — долг 2 400 000 руб. Глубина долга — 8 месяцев (платежи прекратились в марте). ЭкоСистемы (г. Самара, ул. Куйбышева, д. 9, договор №13 до 01.01.2028) — долг 1 200 000 руб. Глубина долга — 6 месяцев (не платят с мая). Итог Связка BI-инструментов закрывает потребности компании на всех уровнях: руководство видит структуру доходов и риски в Power BI, а менеджер по ДЗ получает в Yandex DataLens рабочий лист для обзвона и возврата 3,6 млн руб. в бизнес. Все исходные данные и файлы проектов на Яндекс Диске 👉 https://disk.yandex.ru/d/1HVU5taF-FJuZg Ссылка на дашборд в Yandex DataLens 👉 https://datalens.yandex/8jr14nhblzpmr?_share_link=public Инструменты: Power BI, Power Query (Примененные шаги, Unpivot), DAX (DIVIDE, CALCULATE), Yandex DataLens, Моделирование данных (Связи 1:*, кросс-фильтрация), Вычисляемые поля DataLens (SUM, ROUND), UX-проектирование дашбордов. Мой ИИ-помощник: Gemini 4 Argon (температура 0.1).