Claude и Excel: разбор таблиц, формулы и проверка чужого файла

Разобраться в структуре и логике незнакомой таблицы Claude умеет хорошо. Устный счёт у него хромает на длинных числах, и путать эти две способности дорого. Рабочее правило: модель объясняет, что в файле происходит, пишет формулы и код, а арифметику подтверждает машина. Дальше - про разбор чужой таблицы, поиск ошибок в расчётах и аккуратное расширение файла.

Каждый день разбираю такие штуки в закрытом канале ИИмперии: разборы конкретных задач, готовые промпты и связки, шаблоны ролей цифровых сотрудников. Если нужен следующий шаг после статьи - он там.

Почему Claude ошибается в арифметике, если он так хорошо разбирает таблицы?

Потому что внутри одной задачи спрятаны две разные работы. Когда модель разбирает структуру, она занимается языком: видно, что колонка «Сумма итог» опирается на «Цена» и «Кол-во», а лист «Свод» тянет данные из «Продажи». Сложение требует вычисления, и здесь цифры генерируются как обычный текст, по вероятностям следующего символа. На коротких числах это почти незаметно. Семизначные суммы с копейками уже дают расхождения в младших разрядах.

Дальше накладываются ещё три вещи. Большой файл модель может прочитать не целиком, и итог посчитает по тому куску, который увидела. Пустые ячейки и «н/д» она иногда достраивает по смыслу, потому что текст должен быть связным. Скрытые строки и включённый фильтр добавляют своё: до модели доезжают все строки подряд, включая те, которые у тебя на экране спрятаны, поэтому расхождение в итогах здесь возникает законно.

Отсюда правило: вычисление уводим из текста модели в машину.

Пусть она пишет формулу, которую посчитает Excel, или код, который выполнит интерпретатор. Тогда её сильная сторона работает в полную силу, а устный счёт в цепочку просто не попадает. Если ты только знакомишься с моделью, посмотри сначала, что Claude вообще умеет и где у него границы - большая часть разочарований начинается с неверных ожиданий, промпты тут вторичны.

Что сделать с унаследованной таблицей до того, как звать модель?

Пять минут подготовки экономят час споров с моделью. Сделай копию файла и дальше работай только с ней. Защиту листов и фильтры лучше снять сразу, чтобы видеть строки целиком. Отдельно сформулируй один конкретный вопрос, ради которого ты вообще полез в таблицу, и выпиши три числа, которые уже знаешь точно, - они станут контрольными точками.

Дальше разберись с форматом. Файл .xlsx модель читает, но формулы в нём приходят либо как результат, либо как текст формулы, и это зависит от того, как файл приложен и через какой интерфейс. CSV теряет формулы совсем, зато данные в нём честные и плоские, без объединённых ячеек и художественной раскраски.

На практике удобнее комбинировать: сам .xlsx идёт в чат ради логики, а под расчёты рядом кладётся выгрузка нужных листов в CSV.

Отдельно посмотри, нет ли в книге макросов. Расширение .xlsm говорит, что часть расчётов спрятана в коде, и пока ты его не прочитал, картина файла остаётся неполной. Про то, когда унаследованные макросы стоит переписывать, а когда оставить как есть, есть отдельный разбор - там же про то, почему VBA до сих пор жив в бухгалтериях.

И последнее: запиши, откуда файл взялся и кто его вёл. Странности в унаследованных таблицах чаще всего имеют биографическое объяснение. Человек уволился, отчёт остался, и три года никто не трогал колонку N.

Как получить от Claude карту файла вместо пересказа?

На просьбу «расскажи, что в этой таблице» приходит пересказ. Чтобы вместо него получить карту, формат ответа задаёшь ты сам, вплоть до нумерации пунктов. Готовую рамку модель заполняет аккуратно, а придумывать её за тебя не берётся: выдаёт что-то среднее и обтекаемое. Поэтому первый промпт по незнакомому файлу формулируй как запрос описи: листы, назначение, источники, зависимости, подозрительные места.

Вот скелет, который работает:

Ты аналитик, который принимает чужой файл. Не считай ничего. Составь карту книги:

1. таблица по листам: название, назначение в одной строке, диапазон данных, есть ли формулы;
2. список всех межлистовых ссылок: откуда куда;
3. список колонок, которые считаются формулой, с расшифровкой формулы человеческим языком;
4. список аномалий: жёстко вписанные числа внутри формул, пустые ячейки в середине диапазона, текст в числовых колонках, дубли, объединённые ячейки;
5. три вопроса, которые ты бы задал автору файла. Если чего-то не видишь - пиши «не видно», не додумывай.

Последняя строка важнее, чем кажется. Без неё модель заполнит пробелы правдоподобными догадками, и разбираться придётся уже с двумя слоями неопределённости. Формулировка «не видно» даёт ей разрешение не знать.

Карта выглядит примерно так:

Лист	Назначение	Данные	Формулы	Тянет из
Продажи	Сырые строки заказов	A1:H4120	нет	выгрузка CRM
Себестоимость	Справочник по SKU	A1:D260	нет	руками
Свод	Маржа по месяцам	A1:M40	да	Продажи, Себестоимость
Лист3	пусто, остался от предыдущего	-	нет	-

Такая карта закрывает главный страх при работе с наследством: ты перестаёшь бояться нажимать, потому что видишь, что от чего зависит. Дальше вопросы к данным становятся нормальной работой, а правильно поставленный вопрос в бизнес-аналитике даёт больше, чем красивый дашборд.

Разбор файла - один участок, который в нормальной системе закрывает ИИ-аналитик вместе с остальными ролями. Если хочешь увидеть схему целиком, можно забрать бесплатное обучение: доступ по почте, материал открывается сразу.

Какие вопросы задавать таблице, которую видишь впервые?

Хорошие вопросы к данным почти всегда одни и те же, меняются только названия колонок. Их семь, и они идут в строгом порядке: сначала целостность, потом смысл, потом выводы. Перепрыгнешь сразу на выводы - получишь красивый текст про тренды, построенный на битых данных.

1. Сколько строк и за какой период? Первая и последняя дата, пропуски месяцев. Дыра в апреле объясняет половину «падения выручки».
2. Какие колонки заполнены не полностью? Процент пустот по каждой. Наполовину пустая колонка для группировки не годится.
3. Есть ли дубли? По какому ключу их искать: номер заказа, связка «дата + клиент + сумма».
4. Что выбивается из общего ряда? Минимум, максимум, отрицательные суммы там, где их быть не должно.
5. Совпадают ли справочники? «ООО Ромашка», «Ромашка ООО» и «ромашка» машина считает тремя клиентами, хотя человек видит одного.
6. Что означает каждая расчётная колонка? Расшифровка формулы словами, без формулы.
7. Что из этого нельзя считать надёжным? Прямой вопрос модели: на какие цифры ты бы не стал опираться и почему.

Седьмой вопрос обычно даёт больше всего. Сама по себе модель сомневается неохотно, зато отвечает подробно, когда сомнение поставлено ей как отдельная задача. Ответ стоит сохранить: пригодится, когда кто-то спросит, откуда взялась цифра в отчёте.

Чем «посчитай» отличается от «напиши формулу»?

Разница в том, кто выполняет вычисление. Формулировка «посчитай маржу» оставляет вычисление внутри текста ответа, где промах ничем не подсвечен. Запрос «напиши формулу для маржи» передаёт расчёт Excel; за моделью остаётся логика, которую ты прочитаешь глазами.

Логику формулы можно прочитать строчку за строчкой и оспорить. За устным счётом никаких следов не остаётся, проверять там нечего. Поэтому для любой рабочей суммы дефолтный маршрут идёт через формулу или код.

Способ посчитать	Что делает	Когда не подходит
Расчёт прямо в ответе чата	Быстрая прикидка, порядок величин	Любая цифра, которую покажешь другому человеку
Формула Excel от модели	Расчёт остаётся в файле, живёт и обновляется	Файл одноразовый, формулу некуда класть
Код, который модель тут же выполняет	Разовый разбор большого массива, сводки, графики	Интерфейс без исполнения кода, неподходящий формат файла, нужен результат внутри книги
Скрипт для запуска у себя	Файл не покидает твой компьютер, объём любой	Нет желания ставить Python и возиться
Запрос к базе данных	Данные лежат в учётной системе, доступ через SQL	Всё живёт в одном xlsx и базы нет

Про третью строку отдельно: выполнение кода доступно не везде. Оно зависит от интерфейса, в котором ты работаешь, и от того, какой файл приложен. Проверяй на своём доступе и своём файле, а не на чужом скриншоте.

Ты просишь: «Не считай сам. Напиши формулу Excel для колонки Маржа, объясни её словами, укажи, какие ячейки она затрагивает». Получаешь формулу, вставляешь, сравниваешь результат с тем, что модель предполагала увидеть. Расхождение говорит, что структуру она поняла неверно, и чинить это надо до расчётов.

Когда объём большой, заказывай скрипт. Обработка десятков тысяч строк на своей машине через Python выходит быстрее и честнее любых прикидок, и сколько рутины реально снимается таким кодом - вопрос отдельный, но для таблиц ответ почти всегда «много».

Как ловить арифметические ошибки модели?

Тремя приёмами: контрольные суммы, обратный пересчёт и границы здравого смысла. Все три занимают меньше времени, чем объяснение ошибки на совещании.

Правило простое: цифру, которая уйдёт наружу, пересчитывает машина - формулой в файле или кодом. Неважно, насколько уверенно эта цифра выглядела в ответе.

Контрольная сумма. До того как задавать вопросы, ты сам считаешь в Excel одно число: общий итог по ключевой колонке. Дальше любая сводка модели должна сходиться с ним. Не сходится - разбираешься, где расхождение: скрытые строки, фильтр, другой период, дубли.

Обратный пересчёт. Модель дала разбивку по категориям. Просишь: «Сложи свои же цифры по категориям и сравни с общим итогом, покажи разницу». Она честно складывает и часто сама находит расхождение. Дешёвый способ поймать пропущенную строку.

Границы здравого смысла. Ты знаешь свой бизнес: средний чек не бывает в разы выше обычного, доля одного клиента редко превышает половину выручки. Задай эти границы в промпте и попроси отметить всё, что за них выходит.

Тип ошибки	Как выглядит	Как ловится
Промах в сложении	Сумма частей не равна итогу	Обратный пересчёт
Прочитан не весь файл	Итог заметно меньше твоего	Контрольная сумма
Домысленные пропуски	Ровные данные там, где были дыры	Вопрос «сколько пустых ячеек было»
Не тот период	Цифры «как будто из другого года»	Явная проверка первой и последней даты
Двойной счёт	Итог заметно больше твоего	Проверка на дубли по ключу
Перепутаны колонки	Логика верная, цифры чужие	Просьба назвать адреса ячеек

Последняя строка - недооценённый приём. Требование «указывай адреса ячеек, откуда взял числа» превращает расплывчатый ответ в проверяемый: открываешь файл, смотришь в указанную ячейку и сразу видишь, туда модель смотрела или не туда.

И ещё мелочь. Промежуточные шаги расчёта лучше запрашивать отдельными строками. Когда виден каждый шаг, расхождение находится глазами. Без промежуточных строк остаётся только пересчитывать всю сводку заново, а это уже совсем другие затраты.

Как проверять чужие формулы внутри файла?

Формулы в наследстве ломаются предсказуемо: жёстко вписанное число внутри расчёта, диапазон, который не дорос до новых строк, ссылка на удалённый лист, суммирование по столбцу вместе со строкой итога. Модель находит такие места уверенно, когда получает список конкретных шаблонов для поиска. От расплывчатого «найди ошибки» приходит ровно такой же расплывчатый ответ.

Рабочий промпт:

Вот формулы с листа Свод (вставляю текстом). Для каждой:

1. объясни на русском, что она считает;
2. укажи, есть ли внутри жёстко вписанные числа и что они означают;
3. проверь, охватывает ли диапазон все строки данных (данных до строки 4120);
4. отметь риск двойного счёта, если в диапазон попадает строка итога;
5. предложи исправленную версию, если нужно. Ничего не считай, работай только с логикой формул.

Чтобы дать модели сами формулы, есть простой трюк: в Excel режим показа формул (Ctrl + `) выводит их текстом, и этот кусок листа копируется прямо в чат. Так в разбор попадает сама логика расчёта, доступная для чтения строка за строкой.

Отдельная категория - «магические числа». Коэффициент 1,17 в середине формулы когда-то был ставкой, потом ставка изменилась, а число осталось. Такие коэффициенты полезно собрать отдельным списком: почти всегда среди них найдётся одно, про которое никто уже не помнит, откуда оно взялось.

С макросами тот же подход. Открываешь редактор, копируешь код, просишь построчный разбор и отдельным пунктом - перечень всех мест, где код записывает данные в лист. Это защищает от классики жанра: запустил чужой макрос «посмотреть», а он переписал половину книги.

Как безопасно расширять унаследованную таблицу?

Правило одно: не трогай то, что уже считает.

Новая логика живёт на новом листе и тянет данные из старых ссылками, оставляя их нетронутыми. Так ты всегда можешь сравнить старый результат с новым и откатиться. Второе правило: одно изменение за раз, с проверкой после каждого.

Порядок работы:

1. Сделай копию с датой в имени. «Свод_2026-09-11_рабочая». На копию уходит секунда, и она не раз спасала вечер, который иначе ушёл бы на восстановление угробленного файла.
2. Заведи лист «Изменения». Дата, что сделал, зачем. Через месяц эта запись пригодится тебе самому, а когда файл перейдёт к сменщику, она ответит на половину его вопросов.
3. Добавляй расчёты на отдельном листе. Исходные листы при этом остаются в неприкосновенности, а новый обращается к ним ссылками.
4. Проверяй после каждого шага. Если контрольная сумма осталась прежней, двигаешься дальше; при расхождении останавливаешься и ищешь причину сразу, пока правок накопилось немного.
5. Заказывай проверку вместе с расчётом. «Дай формулу и дай вторую формулу, которая проверяет первую другим способом».

Пятый пункт - привычка, которая быстро окупается. Маржа считается как выручка минус себестоимость, и тот же результат получается умножением выручки на процент маржи; расхождение между двумя способами сразу показывает, где вкралась ошибка. Два независимых пути к одному числу - лучшая страховка от тихой ошибки.

Когда расчёт превращается в постоянно живущий инструмент, имеет смысл сделать из него отдельный интерфейс: артефакты в Claude как раз превращают ответ в работающую штуку, где ты вводишь свои числа и сразу видишь результат.

Что делать с грязными данными: даты, числа, дубли?

Чистить лучше до анализа, отдельным заходом. Грязь в таблицах стандартная: даты текстом, числа с пробелами и запятыми, один клиент под тремя написаниями, лишние пробелы по краям, дубли строк после повторной выгрузки. Модель хорошо пишет правила очистки. Решение о том, что считать дублем, остаётся за тобой.

Начни с диагностики. Промпт: «Проверь колонки на типы данных. Для каждой скажи: какой тип ожидается, какой встречается фактически, сколько строк выбивается, примеры». Дальше решаешь по каждой колонке отдельно.

Типичные случаи и что с ними делать:

• Даты текстом. Excel их не суммирует и не сортирует правильно. Запрашивай формулу преобразования с учётом формата, который реально встречается в файле, и обязательно уточняй, что делать со строками, которые не распознались.
• Числа с пробелами и запятыми. Выгрузка из 1С и банковских кабинетов любит «1 250,50». Для Excel это текст. Чистится заменой, но сначала уточни разделитель.
• Разные написания одного контрагента. Группировку модель предлагает толково, список всё равно проверяй глазами. За «Ромашкой» и «Ромашкой-2» может стоять одна компания с двумя юрлицами, и по данным это не определить: такие вещи помнит только человек.
• Дубли. Сначала договорись о ключе, потом ищи. Без ключа получишь удаление законных повторов.
• Объединённые ячейки. Главный враг машинного чтения. Разъединить и заполнить значения вниз.

Повторяющаяся чистка требует процедуры, которая запускается заново при каждой выгрузке; одноразовые правки здесь быстро надоедают. Внутри Excel такую процедуру собирают в Power Query; если работа уже вышла за пределы файла, подойдёт скрипт или сценарий в автоматизаторе. Про то, с каких задач вообще стоит начинать автоматизацию рутины, есть отдельный разбор. Чистка выгрузок в этом списке стоит высоко: делаешь её постоянно, думать в ней не о чем, а правила описываются словами.

Когда таблицу пора выносить из Excel?

Файл открывается дольше минуты. Его одновременно правят несколько человек. Одну и ту же чистку ты делаешь каждую неделю руками. Три честных сигнала, и до них Excel остаётся отличным инструментом, менять его на что-то сложное - лишняя работа.

Есть и четвёртый признак, менее очевидный: копии файла разошлись по почте, и никто уже не скажет, какая версия свежая. Дальше выбор зависит от того, что именно болит.

Ситуация	Куда двигаться	Что придётся принять
Файл тормозит, строк десятки тысяч	Скрипт на Python с pandas	Нужен минимальный порог в коде
Одну чистку повторяешь каждую неделю	Power Query или сценарий автоматизации	Первую настройку делаешь дольше, чем руками
Данные нужны нескольким людям сразу	Google Таблицы или база	Другая культура доступов и прав
Отчёт нужен регулярно и по расписанию	Связка выгрузка + расчёт + отправка	Придётся описать регламент словами
Таблица стала интерфейсом для клиентов	Отдельный инструмент или мини-приложение	Здесь начинается продукт со своими требованиями

Порог входа при этом заметно просел. Скрипт, который читает xlsx, чистит колонки и отдаёт сводку, модель напишет по внятному описанию задачи. Запуск, чтение и проверка остаются на тебе. Регулярные связки удобно собирать в визуальном конструкторе, и освоить n8n с нуля вполне реально по шагам без опыта разработки.

Ещё про выбор модели под задачу. На длинных документах и аккуратной работе со структурой Claude обычно выигрывает, хотя под быстрые короткие прикидки многие держат рядом второй инструмент, и сравнение Claude и ChatGPT под конкретные задачи полезнее общих рассуждений про то, кто умнее.

Какие грабли встречаются чаще всего?

Почти все проблемы в работе с таблицами сводятся к пяти повторяющимся сценариям. Все они про привычки: спешку, отсутствие контрольной точки и веру в то, что уверенный тон равен правильному ответу. Держи их в голове, чтобы узнавать раньше, чем наступишь.

Вопрос без контекста. «Посчитай выручку» по файлу, где три листа с продажами. Модель выберет один и не скажет какой. Лечится указанием листа и диапазона прямо в промпте.

Доверие к уверенному тону. Ошибочная цифра подаётся ровно так же спокойно, как верная, никакого сигнала тревоги в тексте не будет. Вытаскивает такую ошибку только контрольная сумма, посчитанная заранее: на одной внимательности её не поймать.

Потерянный фильтр. Ты смотришь на отфильтрованный вид и видишь одни итоги, а в чат при этом уезжают все строки книги целиком. Формально никто не ошибся, при этом цифры не совпадают. Помогает привычка снимать фильтры до того, как отправляешь данные.

Файл, обрезанный по объёму. Прочитана часть, ответ дан по этой части, про обрезку в ответе ни слова. Проверяется прямым вопросом: «Сколько строк ты видишь в этом файле?»

Разговор без памяти. Через пятнадцать сообщений модель уже не помнит, что колонка F - это себестоимость без логистики. Выручает короткое описание файла, которое ты вставляешь в начале каждой новой сессии. По сути это база знаний для нейросети в миниатюре: один раз описал структуру, дальше вставляешь.

Отдельная тема - конфиденциальность. Файл с персональными данными клиентов или зарплатами не отправляют в чат по привычке. Либо обезличиваешь колонки перед отправкой, либо работаешь через локальный скрипт, который модель написала, но данных не видела. Второй вариант часто удобнее: логику даёт модель, а сами данные ни разу не покидают твой компьютер.

Как превратить разбор в регламент и не начинать каждый раз заново?

Записать последовательность один раз и переиспользовать. Разбор таблицы - типовая процедура: карта, вопросы к данным, чистка, расчёт, контроль. Оформи её как инструкцию для ИИ-аналитика, и каждая следующая таблица разбирается одинаково, без зависимости от того, в каком ты настроении.

Что должно быть в таком регламенте:

1. Кто он. Аналитик, который принимает чужой файл и не доверяет ему по умолчанию.
2. Что он никогда не делает. Не считает в уме, не додумывает пропуски, не выдаёт цифру без указания источника.
3. Постоянный контекст. Какие у тебя есть системы выгрузки, как называются ключевые колонки, что означают внутренние сокращения, какие границы значений нормальны.
4. Формат ответа. Карта, список аномалий, расчёт с формулами, блок самопроверки.
5. Чек-лист перед выдачей. Сошлась ли контрольная сумма, указаны ли адреса ячеек, отмечены ли места, где данных не хватило.

Такая инструкция со временем дорастает до роли. Отличие здесь в сроке жизни: задача закрылась - промпт забыт, тогда как инструкция аналитика продолжает работать и дописывается по ходу. Про то, чем цифровой сотрудник отличается от чата в браузере, написано отдельно, и таблицы - один из самых наглядных участков, где эта разница видна сразу.

Собирается роль не за один присест. Проще идти по шагам: описал участок, дал контекст, прогнал на трёх реальных файлах, дописал в инструкцию всё, что пришлось объяснять руками. Сборка ИИ-сотрудника с нуля по шагам разбирает эту логику подробно, а набор задач, которые закрывает ИИ-ассистент в малом бизнесе, помогает понять, куда аналитика встраивается дальше.

И техническая деталь для тех, кто работает из России: доступ к Claude настраивается один раз, как именно - разобрано отдельно. Без этого весь разговор о таблицах остаётся теорией.

Где в работе с таблицами всё равно нужен человек?

Там, где расчёт закончился и пора принимать решение. Модель скажет, что маржа по категории упала на столько-то. Дальше она умолкает: про договорённость с поставщиком, планы на сезон и про то, что этот клиент приводит других, ей никто не рассказывал. Ответственность за цифру, ушедшую наружу, тоже остаётся на человеке.

Конкретно человек нужен в четырёх местах.

Постановка вопроса. Правильный вопрос к данным содержит половину ответа. «Почему упала выручка» и «в каких категориях выручка упала сильнее, чем в среднем по рынку» - разные задачи с разной ценой.

Определение того, что считать правдой. Дубль это или два реальных заказа, входит ли возврат в выручку месяца отгрузки или месяца возврата. В данных правильного ответа нет. Решаешь ты.

Проверка на здравый смысл. Ты знаешь, что в июле был склад на переезде, а модель нет. То, что она отметит как аномалию, для тебя может быть объяснимой нормой.

Решение и ответственность. Цифра здесь только вход в разговор. Что с ней делать, решает тот, кто отвечает деньгами.

Рутину модель снимает почти полностью: чтение незнакомых файлов, поиск аномалий, написание формул, оформление сводок, чистка выгрузок. Это как раз та часть, на которую раньше уходили вечера. Если смотреть шире, карта того, какие процессы в бизнесе вообще автоматизируются, показывает, что таблицы - один из самых быстрых участков по отдаче: данные уже есть, формализовать легко, проверить просто.

Источники

• Академия Claude: официальные обучающие курсы Anthropic - учебные материалы по работе с моделью.
• Anthropic: инструмент анализа данных в Claude - как модель выполняет код вместо устного счёта.
• Документация Claude: работа с файлами - форматы, ограничения, как передавать файлы в API.
• Справочный центр Anthropic - лимиты, поддерживаемые типы вложений, вопросы приватности данных.
• Справка Microsoft по Excel - функции, форматы, проверка формул и зависимостей.
• Документация Microsoft по Power Query - повторяемая чистка и преобразование выгрузок.
• Справочник Microsoft по VBA для Excel - разбор унаследованных макросов.
• Документация pandas - обработка таблиц кодом, когда файл перерос Excel.
• Документация openpyxl - чтение и запись xlsx из Python, включая формулы.
• Справка Google Таблиц - совместная работа и импорт данных, если файл переезжает в облако.