Comparing Python and MyOffice in different tasks

全文:

Введение

 

Современная бизнес-аналитика характеризуется экспоненциальным ростом объемов данных и усложнением аналитических задач. В этих условиях особую актуальность приобретает вопрос выбора оптимальных инструментов для обработки информации и принятия управленческих решений. Исторически сложилось, что табличные процессоры, такие как Microsoft Excel и его российский аналог «МойОфис», доминировали в сфере бизнес-анализа благодаря интуитивно понятному интерфейсу и широким возможностям визуализации.

Табличный интерфейс «МойОфис», унаследовавший ключевые преимущества Excel, обеспечивает низкий порог вхождения для пользователей. Интуитивно понятная организация данных в виде строк и столбцов минимизирует затраты на обучение сотрудников, позволяя даже пользователям быстро освоить базовые операции. Такой подход демократизирует аналитическую деятельность, предоставляя возможность сотрудникам различных подразделений самостоятельно преобразовывать числовые данные в аналитические отчеты.

Функциональные возможности «МойОфис» охватывают широкий спектр инструментов – от базовых арифметических операций (SUM/СУММ) и поиска данных (VLOOKUP/ВПР) до сложных формул массивов, что обеспечивает комплексные возможности для манипуляции и агрегации данных различного уровня сложности. Интегрированные инструменты визуализации позволяют преобразовывать значительные массивы числовой информации в интерактивные дашборды, обеспечивая наглядное представление аналитических данных [1, 2, 3].

Однако с развитием технологий Big Data и машинного обучения стали очевидны ограничения табличных процессоров при работе с большими массивами информации и реализации сложных аналитических алгоритмов. В последние годы язык программирования Python со специализированными библиотеками (Pandas, NumPy, scikit-learn) предлагает альтернативный подход к анализу данных, характеризующийся высокой производительностью, воспроизводимостью результатов и возможностью обработки значительных объемов информации.

Проведенный анализ существующих исследований показывает, что, несмотря на наличие работ, посвященных отдельным аспектам использования Python и «МойОфис», отсутствует комплексное сравнительное исследование, охватывающее производительность, функциональные возможности и практическую применимость этих инструментов для различных классов аналитических задач. Особенно недостаточно изучены вопросы интеграции Python и «МойОфис» в единый аналитический конвейер.

Целью настоящего исследования является проведение сравнительного анализа эффективности Python и «МойОфис» для решения различных классов аналитических задач и разработка практических рекомендаций по их применению. Для достижения этой цели решаются следующие задачи: сравнение производительности инструментов при обработке данных различного объема, анализ функциональных возможностей для реализации типовых аналитических операций, оценка применимости для задач машинного обучения и автоматизации отчетности, а также разработка рекомендаций по выбору инструментов в зависимости от характеристик решаемых задач.

Научная новизна исследования заключается в разработке комплексной методики сравнительной оценки аналитических инструментов, включающей как количественные измерения производительности, так и качественный анализ функциональных возможностей. Практическая значимость работы определяется возможностью использования полученных результатов для обоснованного выбора инструментов аналитики в российских компаниях, осуществляющих цифровую трансформацию и переход на отечественное программное обеспечение.

 

Обзор литературы

 

По вопросам применения Python в анализе данных посвящены работы многих авторов, например, А. Н. Титов и Р. Ф. Тазиева [9]. Изучению возможностей «МойОфис» и его макросов на Lua посвящены публикации Д. Г. Шульгина [16] и материалы на портале Habr [15].

 

Материалы и методы

 

Исследование проводилось на основе анализа технической документации «МойОфис», литературы по Python и его библиотекам, с использованием конкретных версий «МойОфис» и Python 3.12.12 с библиотеками Pandas 2.2.3, NumPy 2.1.1 и scikit-learn 1.6.1. Разработчики постоянно совершенствуют свои продукты, и будущие обновления могут повлиять на производительность и функциональность. Все тесты производительности выполнялись на стандартной конфигурации оборудования с процессором Intel Core i5, 16 ГБ ОЗУ и SSD-накопителем. На системах с другими характеристиками соотношение производительности может отличаться [4, 5, 6, 7].

Следует учитывать характер используемых тестовых данных – исследование базировалось на работе со структурированными данными в формате CSV. Особенности работы с неструктурированными данными, базами данных в реальном времени или потоковыми источниками могут демонстрировать иные закономерности. Кроме того, исследование фокусировалось на технических возможностях инструментов, тогда как фактор времени освоения и доступности квалифицированных специалистов может существенно влиять на практическое внедрение. Тестирование возможностей интеграции проводилось в контролируемых условиях, а в реальных сценариях могут возникать дополнительные сложности, связанные с сетевыми задержками, ограничениями API и требованиями информационной безопасности.

 

Результаты исследования

 

Ключевым ограничением офисного пакета «МойОфис» является его неэффективность при обработке значительных объемов данных в сравнении с современными языками программирования, в частности Python. Данное ограничение становится особенно заметным при работе с наборами данных, превышающими несколько сотен мегабайт.

В отличие от табличных процессоров, Python располагает специализированными библиотеками Pandas и NumPy, которые стали стандартом де-факто для специалистов в области обработки больших данных. Эти библиотеки были разработаны специально для обеспечения эффективной и высокопроизводительной работы с массивами информации [8, 9].

Библиотека NumPy предоставляет фундаментальную основу в виде многомерных массивов, характеризующихся компактностью хранения и исключительной вычислительной эффективностью. Важным преимуществом NumPy является единообразие типов данных элементов массива, что исключает затраты времени на проверку типов при выполнении операций. Операции над целыми массивами выполняются без использования традиционных циклов Python, что обеспечивает значительный прирост производительности.

Библиотека Pandas, построенная на основе NumPy, предлагает более удобные структуры данных для анализа - DataFrame и Series. Pandas предоставляет интуитивно понятный программный интерфейс для реализации сложных операций, включая объединение таблиц, группировку данных, агрегацию показателей, обработку пропущенных значений и работу с временными рядами.

Благодаря указанным библиотекам Python способен эффективно обрабатывать миллионы и миллиарды строк данных. Источники данных могут быть разнообразными - от классических CSV и XLSX файлов до реляционных баз данных и потоковых источников информации.

Для получения объективных количественных данных о производительности Python и «МойОфис» было проведено экспериментальное исследование, основанное на практических замерах работы с данными различного объема. Тестирование выполнялось на стандартной рабочей станции с конфигурацией: процессор Intel Core i5- 14600K, оперативная память 16 ГБ DDR4, SSD-накопитель 512 ГБ, операционная система Windows 11 Pro. Использовались следующие версии программного обеспечения: «МойОфис» 6.0, Python 3.12.12 с библиотеками Pandas 2.2.3, NumPy 2.1.1.

В ходе исследования оценивались три ключевых показателя производительности: время обработки данных, измеряемое как общая продолжительность выполнения стандартных операций (фильтрация, сортировка, агрегация) для файлов различного объема; потребление оперативной памяти, фиксируемое как максимальный объем используемой памяти в процессе выполнения операций; и стабильность работы, оцениваемая по способности инструмента обрабатывать большие объемы данных без зависаний и сбоев.

Для тестирования применялись как синтетические, так и реальные данные из открытых источников. Синтетические данные представляли собой сгенерированные наборы с различным количеством записей (от 10 тысяч до 10 миллионов строк) и 15 колонками различных типов данных. Реальные данные включали открытые наборы с информацией о продажах, содержащие числовые, текстовые и временные метки.

Были реализованы четыре тестовых сценария: объединение пяти CSV-файлов объемом 100 МБ каждый; группировка данных с вычислением агрегированных показателей; фильтрация и сортировка больших массивов информации; экспорт результатов в форматы XLSX и CSV.

Полученные экспериментальные данные подтвердили значительное преимущество Python при работе с большими объемами данных. При обработке файлов объемом 100-500 МБ Python демонстрирует производительность в 3-5 раз выше по сравнению с «МойОфис». При работе с данными объемом более 1 ГБ разрыв в производительности увеличивается до 5-7 раз, при этом «МойОфис» испытывает значительные трудности с обработкой таких объемов, включая частые зависания и повышенное потребление памяти.

Потребление оперативной памяти при работе с Python оказалось более стабильным и предсказуемым, в то время как «МойОфис» демонстрировал экспоненциальный рост использования памяти при увеличении объема обрабатываемых данных.

Для иллюстрации практического преимущества рассмотрим задачу объединения пяти CSV-файлов с данными о продажах объемом примерно 500 МБ каждый с последующим расчетом общей выручки. В случае использования «МойОфис» потребуется последовательное открытие каждого файла, ручное копирование данных и их перенос в общий файл, при этом существует техническое ограничение на максимальное количество строк. В отличие от этого, с помощью Python может быть разработан скрипт, выполняющий данную задачу за несколько секунд без риска зависания системы, с возможностью многократного использования для обработки новых данных.

Экспериментальные замеры показали, что Python демонстрирует значительное преимущество при работе с наборами данных объемом более 100 МБ (Таблица 1). Важно отметить, что указанные значения производительности получены в результате собственных практических замеров и могут варьироваться в зависимости от конкретной конфигурации оборудования и характеристик обрабатываемых данных.

 

Таблица 1

Сравнение времени обработки данных (секунды)

Объем данных	«МойОфис»	Python
10 МБ	2.1	1.8
100 МБ	25.3	7.2
500 МБ	128.7	34.1
1 ГБ	287.2	68.9

 

Пример обработки данных в Python:

 

import pandas as pd

import glob

 

# Находим файлы .csv

all_files = glob.glob("sales/sales_*.csv")

df = pd.concat((pd.read_csv(f) for f in all_files), ignore_index=True)

 

# Группируем считаем сумму

result = df.groupby('product_name')['revenue'].sum().reset_index()

 

# Сохраняем в новый CSV

result.to_csv('total_sales_report.csv', index=False)

print("Отчет готов!")

 

Процессы ручного копирования данных и переформатирования отчетов представляют собой типичный пример рутинной деятельности, характеризующейся значительными временными затратами и высокой вероятностью человеческих ошибок. Каждая допущенная неточность, будь то опечатка в формуле или ошибка в структуре отчета, приводит к искажению аналитической информации, задержкам в принятии решений и необходимости повторного выполнения работы, что фактически удваивает временные затраты.

В современных бизнес-условиях, где скорость получения и точность аналитических данных становятся ключевыми конкурентными преимуществами, недопустимо расходовать ценное время сотрудников на выполнение механических операций. Современные технологии обработки данных предлагают эффективное решение данной проблемы через автоматизацию рутинных процессов. Инструментарий Python позволяет создавать полностью автоматизированные конвейеры обработки информации, что на практике минимизирует операционные риски и существенно повышает эффективность работы компании.

Ярким примером является практика подготовки еженедельных отчетов, распространенная во многих организациях. Традиционно сотрудник в установленный день недели вынужден самостоятельно загружать данные из различных источников, объединять их в единый файл, формировать аналитические графики и диаграммы, после чего отправлять результат руководителю по электронной почте. Использование Python позволяет автоматизировать данный процесс полностью - разработанный скрипт может быть настроен на автоматический запуск через планировщика задач Windows в соответствии с заданным расписанием, что исключает необходимость ручного вмешательства [10, 11].

Python предоставляет расширенные возможности автоматизации по сравнению со встроенными средствами «МойОфис». Реализация скрипта еженедельного отчета:

 

import pandas as pd

import smtplib

from email.mime.multipart import MIMEMultipart

from email.mime.text import MIMEText

from email.mime.application import MIMEApplication

import matplotlib.pyplot as plt

 

crm_data = load_from_crm(api_key='key')

ga_data = load_from_google_analytics(account='account')

 

merged_data = pd.merge(crm_data, ga_data, on='user_id')

clean_data = merged_data.drop_duplicates().fillna(0)

 

clean_data.groupby('date')['conversion'].sum().plot()

plt.title('По дням')

plt.savefig('plot.png')

 

clean_data.to_excel('report.xlsx', index=False)

msg = MIMEMultipart()

msg['Subject'] = 'Еженедельный отчет'

 

with open('weekly_report.xlsx', 'rb') as f:

    attach = MIMEApplication(f.read(), _subtype='xlsx')

    attach.add_header('Content-Disposition', 'attachment', filename='report.xlsx')

    msg.attach(attach)

 

server = smtplib.SMTP('smtp@mail.ru', 587)

server.starttls()

server.login('mail@mail.ru', 'password')

server.sendmail('mail@mail.ru', 'boss@mail.ru', msg.as_string())

server.quit()

print("Отправлено!")

 

Стандартные инструменты анализа «МойОфис» демонстрируют существенные ограничения при работе со сложными статистическими моделями и алгоритмами машинного обучения, требуя создания сложных обходных решений. Эти ограничения становятся особенно заметными, когда бизнес-задачи выходят за рамки базовой аналитики. Попытка построения модели прогнозирования продаж в «МойОфис» превращается в чрезвычайно сложный процесс, при котором аналитик вынужден вручную адаптировать формулы для тысяч строк данных и создавать громоздкие конструкции из встроенных функций. Любое изменение исходных данных или параметров модели приводит к трудоемкому процессу пересмотра всей структуры расчетов. В таких условиях «МойОфис» из эффективного инструмента анализа превращается в серьезное препятствие для аналитика.

В отличие от табличных процессоров, Python обладает развитой экосистемой специализированных библиотек для продвинутого анализа данных. Библиотека scikit-learn предоставляет комплексные решения для задач машинного обучения, statsmodels предлагает расширенные возможности статистического анализа, а TensorFlow и PyTorch ориентированы на реализацию алгоритмов глубокого обучения. Эти библиотеки существенно расширяют аналитические возможности: если в «МойОфис» построение регрессионной модели ограничивается базовыми возможностями, то в Python с использованием statsmodels можно получить полную диагностику модели, включая оценку значимости параметров и анализ остатков [12, 13, 14].

Библиотека scikit-learn включает оптимизированные реализации сотен алгоритмов машинного обучения, включая линейную регрессию, деревья решений и метод k-средних. Весь аналитический процесс - от предварительной обработки данных до финальной оценки качества модели - оформляется в виде четкого и воспроизводимого кода.

Практическая значимость этих преимуществ становится очевидной при решении таких распространенных бизнес-задач, как анализ оттока клиентов. В среде «МойОфис» эта задача практически нереализуема - возможно лишь ручное вычисление отдельных показателей, но построение прогнозной модели оказывается невозможным. Для библиотеки scikit-learn в Python решение подобной задачи представляет собой стандартную процедуру, доступную даже начинающим специалистам по анализу данных.

 

import pandas as pd

from sklearn.model_selection import train_test_split

from sklearn.ensemble import RandomForestClassifier

from sklearn.metrics import accuracy_score

 

# Загружаем данные

data = pd.read_csv('customers.csv')

 

# Целевая переменная: ушел клиент или нет (1 - да, 0 - нет)

X = data[['subscription_months', 'support_calls', 'total_spent']]

y = data['churned']

 

# Разделяем данные на обучающую и тестовую выборки

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

 

# Создаем и обучаем модель случайного леса

model = RandomForestClassifier()

model.fit(X_train, y_train)

 

# Делаем прогнозы и оцениваем точность

predictions = model.predict(X_test)

print(f"Точность модели: {accuracy_score(y_test, predictions):.2f}")

 

# Прогнозируем отток для текущих клиентов

current_customers = pd.read_csv('current.csv')

churn_risk = model.predict_proba(current_customers[X.columns])[:, 1] # вероятность ухода

current_customers['risk'] = churn_risk

 

# Сохраняем результат

current_customers.to_excel('risk.xlsx', index=False)

 

Реализация прогнозной аналитики, такой как выявление клиентов с высокой вероятностью оттока, позволяет компаниям своевременно запускать целевые маркетинговые кампании, что в перспективе способствует значительному снижению финансовых потерь.

При возникновении задач, связанных с интеграцией внешних API или взаимодействием с базами данных, аналитики традиционно вынуждены обращаться к встроенным языкам автоматизации, таким как Visual Basic for Applications (VBA) или Lua. Однако использование этих инструментов сопряжено со значительными сложностями, что отмечается в профессиональной литературе [14, 15, 16].

Язык VBA характеризуется сложным синтаксисом при выполнении таких задач, как организация HTTP-запросов, что приводит к созданию громоздкого кода со слабо проработанными механизмами обработки ошибок. Lua, в свою очередь, обладает существенными ограничениями функциональности, недостаточно эффективно справляется с реализацией сложных механизмов аутентификации, демонстрирует низкую гибкость при работе с динамическим контентом и обладает ограниченными возможностями парсинга HTML и JSON в рамках предоставляемого интерфейса. В результате процессы, изначально предназначенные для автоматизации, требуют постоянной доработки и ручного вмешательства.

В отличие от этих решений, экосистема Python предлагает специализированные библиотеки, позволяющие реализовывать сложные операции буквально в несколько строк кода. Для работы с сетевыми запросами существует библиотека requests, для парсинга веб-страниц разработаны BeautifulSoup и Scrapy, а для взаимодействия с базами данных предлагается мощная библиотека SQLAlchemy [17, 18, 19].

Наглядной иллюстрацией данного преимущества является задача мониторинга цен конкурентов. При использовании «МойОфис» с языком Lua реализация такой системы требует сложной настройки и постоянного ручного копирования данных, тогда как в Python аналогичная функциональность эффективно реализуется с помощью библиотеки requests, обеспечивая полностью автоматизированное решение.

 

import requests

from bs4 import BeautifulSoup

import pandas as pd

 

# Список URL для мониторинга

urls = {

    'competitor_a': 'https://site-a.com/product_x',

    'competitor_b': 'https://site-b.com/product_123',

}

 

prices = {}

for name, url in urls.items():

    response = requests.get(url, headers={'User-Agent': 'Mozilla/5.0'})

    soup = BeautifulSoup(response.text, 'html.parser')

 

    # (Селекторы нужно подобрать под конкретный сайт)

    if name == 'competitor_a':

        price_tag = soup.find('span', class_='price')

    elif name == 'competitor_b':

        price_tag = soup.select_one('div.price-box')

 

    price = price_tag.text.strip() if price_tag else 'Not Found'

    prices[name] = price

    # Пауза между запросами из вежливости

    time.sleep(2)

 

# Сохраняем результат в DataFrame и выводим

df = pd.DataFrame.from_dict(prices, orient='index', columns=['Price'])

df.to_excel('competitor_prices.xlsx')

print(df)

 

На основе проведенного сравнительного анализа разработаны практические рекомендации по выбору между Python и «МойОфис» для различных бизнес-задач. Ключевым фактором эффективности является соответствие выбора инструмента специфике решаемой задачи, объему данных и квалификации пользователя (Таблица 2).

 

Таблица 2

Критерии выбора инструмента для анализа данных

 

Критерий выбора	«МойОфис»	Python
Объем данных	< 100 МБ / 1 млн строк	> 100 МБ / 1 млн строк
Тип задачи	Оперативный анализ, ад-хок запросы, быстрое прототипирование	Сложные ETL-процессы, машинное обучение, прогнозная аналитика
Автоматизация процессов	Базовая (макросы, шаблоны)	Продвинутая (скрипты, планировщик задач, пайплайны)
Квалификация пользователя	Начальная-средняя	Средняя-высокая
Интеграция с внешними системами	Ограниченная (базовые HTTP-запросы)	Расширенная (REST API, базы данных, веб-скрапинг)
Визуализация результатов	Интерактивные дашборды, диаграммы, сводные таблицы	Статические и интерактивные графики, кастомные визуализации
Совместная работа	Реализована на уровне документов	Требует дополнительных инструментов (Git, Jupyter)

 

Для упрощения выбора между Python и «МойОфис» при решении аналитических задач предлагается структурированный алгоритм принятия решения. Данный алгоритм основан на ключевых сравнительных параметрах, выявленных в ходе исследования, и проводит пользователя через последовательность критически важных критериев (рис. 1).

 

 

Рис. 1 – BPMN-модель процесса выбора инструмента анализа данных

Первичным фильтром является размер набора данных. Для данных, превышающих 100 МБ или содержащих более 1 миллиона строк, Python является безальтернативным выбором благодаря своей повышенной производительности и стабильности при работе с большими объемами. «МойОфис» подходит для работы с наборами данных, не превышающими указанные пороги.

Характер аналитической задачи определяет требуемые возможности инструмента. «МойОфис» эффективен для оперативного, ад-хок анализа и быстрого прототипирования с использованием интуитивного графического интерфейса. Для задач, связанных со сложными преобразованиями данных, машинным обучением или прогнозным моделированием, необходим Python, обеспечивающий соответствующую вычислительную мощность и доступ к специализированным библиотекам.

Потребность в автоматизации процессов существенно влияет на решение. «МойОфис» предлагает базовую автоматизацию с помощью макросов и шаблонов. Однако для рабочих процессов, требующих сложной, регулярной автоматизации с интеграцией множества источников данных (API, базы данных), Python со своими скриптовыми возможностями и планировщиками задач является оптимальным решением.

Техническая компетентность пользователей является практическим определяющим фактором. «МойОфис», обладая низким порогом вхождения, более доступен для команд с начальным и средним уровнем подготовки. В свою очередь, Python, несмотря на более сложную кривую обучения, открывает доступ к расширенным возможностям и является предпочтительной средой для опытных аналитиков данных.

Систематическое применение данного алгоритма позволяет организациям и отдельным аналитикам делать обоснованный выбор, который согласует сильные стороны инструмента со специфическими требованиями их рабочих задач, тем самым оптимизируя как эффективность, так и распределение ресурсов.

Наиболее эффективной представляется гибридная модель работы, при которой Python используется для предварительной обработки больших массивов данных и построения сложных моделей, а «МойОфис» – для финальной визуализации, формирования отчетов и представления результатов руководству. Такой подход позволяет объединить производительность Python с удобством и наглядностью «МойОфис», создавая оптимальную среду для аналитической работы в современных бизнес-условиях.

Проведенное исследование демонстрирует, что «МойОфис» и Python представляют собой не конкурирующие технологии, а взаимодополняющие инструменты в арсенале современного аналитика. Выбор между ними должен определяться конкретными бизнес-целями и специфическими требованиями к аналитическим процессам.

«МойОфис» сохраняет свои позиции как эффективное решение для оперативного анализа данных, обеспечивая быстроту освоения и удобство работы с ограниченными объемами информации. В свою очередь, Python становится необходимым инструментом при переходе на качественно новый уровень работы с данными, особенно в сценариях, требующих обработки значительных массивов информации, реализации сложного прогнозного моделирования и автоматизации регулярной отчетности.

Наилучшие результаты достигаются при реализации комплексного подхода, при котором Python используется для ресурсоемких операций по сбору и обработке данных, а «МойОфис» выполняет роль удобного и доступного интерфейса для визуализации полученных результатов и их последующего представления стекхолдерам.

Таким образом, осознанное применение сильных сторон каждого инструмента в зависимости от контекста решаемой задачи становится ключевым фактором обеспечения профессиональной и эффективной работы с данными в современных бизнес-условиях.

 

Заключение

 

Проведенное исследование наглядно демонстрирует, что Python и «МойОфис» представляют собой не альтернативные, а взаимодополняющие инструменты в арсенале современного аналитика. Каждый из них обладает своей областью эффективного применения, определяемой характером и объемом решаемых задач.

«МойОфис» сохраняет неоспоримые преимущества для оперативного анализа небольших и средних объемов данных, обеспечивая низкий порог вхождения, интуитивно понятный интерфейс и мощные возможности для интерактивной визуализации и совместной работы. Он остается идеальным решением для быстрого разведочного анализа, создания дашбордов и работы с отчетами, не требующими сложных вычислений.

В свою очередь, Python утвердился как стандарт де-факто для задач, выходящих за рамки возможностей табличных процессоров. Его ключевые преимущества – высокая производительность при обработке больших данных, наличие мощных библиотек для машинного обучения (scikit-learn, TensorFlow) и статистического анализа (statsmodels), а также широкие возможности для автоматизации рутинных процессов и интеграции с внешними системами. Для задач, связанных с Big Data, построением прогнозных моделей и созданием воспроизводимых аналитических конвейеров, Python является безальтернативным выбором.

Таким образом, наиболее эффективной представляется гибридная модель использования этих инструментов, при которой Python применяется для ресурсоемких этапов работы с данными: их сбора, очистки, сложных вычислений и построения моделей. Затем готовые и агрегированные результаты передаются в «МойОфис» для финальной визуализации, форматирования и удобного представления широкому кругу стейкхолдеров.

Стратегический выбор между Python, «МойОфис» или их комбинацией должен основываться на четком понимании специфики бизнес-задач, объема данных и требований к производительности. Осознанное применение сильных сторон каждого инструмента является залогом построения профессиональной, масштабируемой и эффективной системы анализа данных в современной организации.

Полученные результаты открывают несколько перспективных направлений для дальнейших исследований. Представляет интерес расширение исследования за счет включения таких популярных инструментов, как Google Sheets, R, Apache Spark и специализированных BI-платформ. Это позволит создать более полную картину экосистемы аналитических инструментов. Актуальным направлением является разработка и тестирование оптимальных моделей интеграции Python и «МойОфис» в единые аналитические конвейеры, включая автоматизацию передачи данных между системами.

С учетом тренда на облачные вычисления перспективным представляется исследование производительности рассматриваемых инструментов в облачных средах с распределенными вычислениями. Важным дополнением могло бы стать исследование совокупной стоимости владения, учитывающее не только производительность, но и затраты на лицензии, обучение сотрудников и техническую поддержку. Интерес представляет адаптация методики исследования для специфических отраслевых задач, таких как финансовое моделирование, анализ временных рядов в энергетике или обработка геоданных. В контексте импортозамещения перспективным направлением является углубленное изучение совместимости «МойОфис» с отечественными операционными системами и аппаратными платформами, а также анализ возможностей российских библиотек для Data Science.

Проведенное исследование подтверждает, что в современных условиях оптимальные результаты достигаются не выбором единственного "лучшего" инструмента, а построением гибкой аналитической экосистемы, где каждый инструмент используется в соответствии со своими сильными сторонами. Дальнейшее развитие этого направления исследований будет способствовать формированию методологии осознанного выбора и эффективного использования аналитических инструментов в российских компаниях.

作者简介

Alexey Koshelev

National Research University «Moscow Power Engineering Institute»

编辑信件的主要联系方式.
Email: koselev.alex@yandex.ru
SPIN 代码: 8714-1583
俄罗斯联邦, 111250, Russia, Moscow, ext.ter.g. municipal district of Lefortovo, Krasnokazarmennaya str., 14, building 1

Konstantinovna Denisenko

National Research University «Moscow Power Engineering Institute»

Email: denisenkovk@mail.ru
SPIN 代码: 7437-7999
111250, Russia, Moscow, ext.ter.g. municipal district of Lefortovo, Krasnokazarmennaya str., 14, building 1

Nadezhda Rumasova

National Research University «Moscow Power Engineering Institute»

Email: rumasova_nadezhda@mail.ru
111250, Russia, Moscow, ext.ter.g. municipal district of Lefortovo, Krasnokazarmennaya str., 14, building 1

参考

补充文件