Введение

Аннотация.

Логистические компании ежедневно генерируют терабайты данных о запасах, перевозках, заказах и поставщиках, но без системной логистической аналитики эти данные остаются мёртвым грузом. Курс решает ключевую боль — превращение разрозненных Excel-таблиц и ERP-выгрузок в управляемые дашборды Power BI, которые показывают реальные KPI логистики в режиме, близком к реальному времени. Вы освоите полный цикл: от очистки данных в Power Query до построения DAX-мер и интерактивных отчётов, которые сокращают время принятия решений с дней до минут. Материал ориентирован на практику и сразу применим в складской, транспортной и закупочной аналитике.

Цель курса.

После прохождения курса вы сможете самостоятельно проектировать, разрабатывать и поддерживать полноценные решения логистической аналитики на связке Excel + Power BI, включая модели данных, DAX-меры ключевых KPI и интерактивные дашборды для склада, транспорта и закупок.

Для кого этот курс.

Курс создан для аналитиков логистики, специалистов по supply chain, менеджеров склада и транспорта, а также Excel-пользователей, которые хотят перейти на профессиональный уровень отчётности. Особенно полезен тем, кто уже работает с выгрузками из 1С, SAP, Oracle или WMS и тратит часы на ручную сборку отчётов.

Курс не предназначен для новичков, никогда не открывавших Excel, и не заменяет полноценное обучение по ERP-системам или программированию на Python. Если ваша задача — только разовые таблицы без повторяемой аналитики, этот курс избыточен.

Основы логистической аналитики и роль данных

Любая логистическая аналитика начинается с понимания потока данных: заказ → закупка → приход на склад → хранение → отгрузка → доставка. Каждый этап порождает события, которые фиксируются в WMS, TMS, ERP или даже в простых Excel-файлах водителей. Главная ошибка новичков — пытаться сразу строить красивый дашборд без карты источников. Составьте матрицу «процесс — система — файл — частота обновления». Например, остатки склада обновляются каждые 15 минут из WMS, а факт доставки — раз в сутки из TMS. Именно эта матрица определяет, какие таблицы попадут в Power BI и с какой периодичностью. Практический шаг: откройте Excel, создайте лист «Карта данных» и заполните столбцы Процесс, Источник, Формат, Владелец, Частота. Это займёт 30–40 минут, но сэкономит недели переделок модели позже. Анти-паттерн — игнорировать «грязные» Excel-файлы от подрядчиков: они почти всегда содержат дубли и ошибки единиц измерения.

Ключевые KPI логистики делятся на три группы: запасы, исполнение заказов и стоимость. Для запасов критичны оборачиваемость, дни запаса и доля неликвидов. Для исполнения — OTIF (On-Time In-Full), fill rate и процент возвратов. Для стоимости — стоимость доставки на единицу, доля транспортных затрат в себестоимости и стоимость хранения. Формула оборачиваемости запасов выглядит так: $\text{Оборачиваемость} = \frac{\text{Себестоимость проданных товаров}}{\text{Средний запас}}$. В Power BI эту меру пишут через DAX с использованием AVERAGE и SUM. Важно сразу решить, в каких единицах вы считаете (штуки, паллеты, рубли) — смешение единиц ломает все последующие визуализации. Совет: зафиксируйте словарь KPI в отдельной таблице Excel и загрузите её как dimension в модель. Это позволит в отчётах показывать не только цифру, но и целевое значение и отклонение.

Роль Excel в современной логистической аналитике — не конечный отчёт, а промежуточный слой очистки и прототипирования. Используйте Excel для быстрого исследования: сводные таблицы, условное форматирование и Power Query внутри Excel позволяют за часы понять, какие поля реально нужны. Только после стабилизации логики переносите запросы в Power BI Desktop. Типичный рабочий процесс: 1) выгрузить сырые данные из WMS в CSV; 2) открыть в Excel через «Данные → Из файла»; 3) очистить в Power Query; 4) сохранить как .xlsx или подключить напрямую к Power BI. URL официальной документации Power Query: learn.microsoft.com/power-query. Анти-паттерн — оставлять все расчёты в ячейках Excel с формулами ВПР: при росте данных свыше 100 тыс. строк файл становится нестабильным и не масштабируется.

Качество данных — главный фактор успеха любого проекта логистической аналитики. Введите правило «трёх проверок» перед загрузкой в модель: полнота (нет ли пустых ключевых полей), уникальность (нет ли дублей по номеру накладной), согласованность (совпадают ли единицы измерения между складом и транспортом). В Power Query используйте функцию Table.Profile для быстрой диагностики. Пример шага: после загрузки таблицы остатков добавьте шаг «Проверка качества» и отфильтруйте строки, где Quantity < 0 или Location пустое. Сохраните отчёт о качестве в отдельный лист Excel и прикладывайте к каждому обновлению данных. Практика показывает, что 60–70 % времени первого проекта уходит именно на очистку, а не на красивые визуалы. Игнорирование этого этапа приводит к тому, что руководители перестают доверять цифрам на дашборде.

Excel как фундамент логистических данных

Начните работу с логистическими данными в Excel с правильной структуры книги. Создайте отдельные листы: «Сырые_данные», «Справочники», «Расчёты», «KPI», «Визуализация». Никогда не смешивайте сырые выгрузки с формулами на одном листе — это главный источник ошибок при обновлении. Для справочников (склады, номенклатура, перевозчики) используйте таблицы Excel (Ctrl+T) и именованные диапазоны. Это позволит в дальнейшем легко подключать их к Power BI без потери структуры. Практический приём: на листе «KPI» сразу заложите целевые значения и допустимые отклонения в отдельных столбцах. Тогда при построении условного форматирования или светофоров в Power BI вы уже будете иметь готовую dimension-таблицу. URL по работе с таблицами Excel: support.microsoft.com.

Сводные таблицы — быстрый способ проверить гипотезы по логистической аналитике до построения полноценной модели. Загрузите факт отгрузок, добавьте срезы по складу, перевозчику и дате. Рассчитайте среднее время доставки, долю опозданий и стоимость на километр. Если данные содержат более 500 тыс. строк, переключитесь на модель данных Excel (Power Pivot). Включите её через «Файл → Параметры → Надстройки → COM-надстройки → Microsoft Power Pivot». После этого вы сможете писать простые DAX-меры прямо в Excel. Пример меры: Total Cost = SUM(FactShipments[Cost]). Это отличный полигон для отладки формул перед переносом в Power BI. Анти-паттерн — строить десятки сводных таблиц «на всякий случай»: они быстро устаревают и создают путаницу.

Power Query внутри Excel — обязательный навык. Откройте «Данные → Получить данные → Из файла → Из книги» и загрузите несколько выгрузок WMS. Используйте шаги: удаление столбцов, изменение типов, фильтрация, объединение запросов (Merge) по ключу «Номер заказа». Для логистики особенно полезен шаг «Развернуть» (Expand) при работе с вложенными таблицами статусов. Сохраняйте каждый запрос с понятным именем: «PQ_Остатки_Склад_А», «PQ_Факт_Доставок». После стабилизации логики нажмите «Закрыть и загрузить в… → Только создать подключение». Это позволит позже подключить те же запросы напрямую к Power BI без дублирования. Совет: всегда добавляйте столбец «Дата_загрузки» через DateTime.LocalNow() — это критично для аудита свежести данных.

Условное форматирование и формулы массива в Excel помогают быстро выявить аномалии в логистических данных. Для остатков используйте правило «Цветовая шкала» по дням запаса. Для OTIF создайте формулу, которая подсвечивает строки красным, если фактическая дата доставки > плановой или количество < заказанного. Пример: =И([@FactDate]>[@PlanDate];[@FactQty]<[@OrderQty]). В современных версиях Excel используйте динамические массивы FILTER и SORT. Это позволяет создавать «умные» списки проблемных заказов без VBA. Однако помните: всё, что вы сделали формулами в ячейках, придётся переписывать на DAX при переходе в Power BI. Поэтому используйте Excel-формулы только для исследования, а не для финальной отчётности.

Power Query: очистка и трансформация логистических данных

Power Query — сердце любого серьёзного решения логистической аналитики. Он позволяет превратить хаотичные CSV, Excel и даже папки с файлами в чистые таблицы. Начните с подключения к папке: «Из файла → Из папки». Это идеально, когда WMS каждый день выгружает новый файл остатков. Power Query автоматически объединит все файлы и добавит столбец с именем источника. Обязательные шаги очистки для логистики: 1) удаление полностью пустых строк; 2) замена ошибок на null; 3) приведение типов (особенно дат и чисел с запятой/точкой); 4) удаление дубликатов по бизнес-ключу (номер накладной + дата). Документация: learn.microsoft.com/power-query. Анти-паттерн — оставлять шаг «Изменить тип» автоматическим: всегда задавайте типы явно, иначе при смене локали числа превратятся в текст.

Объединение таблиц (Merge) и добавление (Append) — ключевые операции. В логистике почти всегда нужно соединить факт отгрузок с справочником перевозчиков и справочником номенклатуры. Выбирайте тип соединения Left Outer, если хотите сохранить все факты даже без совпадения в справочнике. После Merge разверните нужные столбцы и сразу удалите служебные. Для Append (объединения фактов за разные периоды) убедитесь, что структура столбцов идентична. Используйте функцию Table.Combine. Практический совет: создайте параметр «Дата_начала» и «Дата_конца» в Power Query и фильтруйте данные на уровне запроса — это сильно ускоряет обновление в Power BI. Если данные приходят из разных систем с разными кодировками номенклатуры, создайте mapping-таблицу и выполняйте Merge по ней.

Работа с датами и временем в логистике требует особой аккуратности. Часто в одном столбце хранится и дата, и время, а в другом — только дата. Используйте Date.From и Time.From для разделения. Для расчёта длительности доставки создайте столбец Duration.Days([FactDateTime] - [PlanDateTime]). Если нужно агрегировать по неделям или месяцам, лучше оставить это на уровень DAX в Power BI, а в Power Query только привести к чистому типу datetime. Важный приём: добавьте столбец «Год_месяц» как текст в формате «2026-08» через Date.ToText — это удобно для срезов. Никогда не удаляйте исходный столбец даты после преобразования — он понадобится для time-intelligence функций.

Обработка ошибок и пропусков — обязательный блок. В Power Query используйте try … otherwise. Пример: try Number.From([Quantity]) otherwise null. Для логистики критично ловить отрицательные остатки и нулевые веса. Создайте отдельный запрос «Ошибки_качества», который фильтрует все проблемные строки и выгружает их в Excel для разбора. Это превращает очистку из разовой операции в постоянный процесс контроля. В Power BI такой запрос можно опубликовать как отдельный отчёт «Качество данных». Совет: добавляйте столбец «Правило_ошибки» с текстом, почему строка попала в ошибки — это ускоряет коммуникацию с владельцами данных в WMS/TMS.

Моделирование данных в Power BI для supply chain

Правильная модель данных — 80 % успеха дашборда в Power BI. Для логистической аналитики используйте схему «звезда»: одна или несколько таблиц фактов (отгрузки, остатки, заказы) и набор измерений (дата, склад, номенклатура, перевозчик, клиент). Таблица фактов должна содержать только ключи и числовые меры. Все текстовые атрибуты выносите в измерения. Создайте таблицу дат (Calendar) с помощью DAX или Power Query — она обязательна для time-intelligence. Связи делайте один-ко-многим от измерения к факту, направление фильтрации — в сторону факта. URL по моделированию: learn.microsoft.com/star-schema. Анти-паттерн — оставлять все данные в одной плоской таблице: при росте объёма отчёт начинает «тормозить» и становится неуправляемым.

Таблица дат — фундамент любой аналитики во времени. В Power BI создайте её через DAX: Calendar = CALENDAR(DATE(2023,1,1), DATE(2027,12,31)). Добавьте столбцы Year, Month, MonthName, Week, Quarter, IsWorkingDay. Для логистики полезно иметь столбцы «День_недели» и «Выходной», чтобы анализировать доставки в выходные. Отметьте таблицу как «Таблица дат» в параметрах модели. Это активирует функции SAMEPERIODLASTYEAR, TOTALYTD и другие. Если у вас несколько фактов с разными датами (дата заказа, дата отгрузки, дата доставки), создайте роли дат через USERELATIONSHIP. Практический совет: храните таблицу дат в отдельном .pbix и импортируйте как dataflow — это обеспечивает единообразие календаря по всем отчётам компании.

Связи и направление фильтрации критичны. В логистике часто возникает ситуация many-to-many: один заказ может иметь несколько отгрузок, а одна отгрузка — несколько позиций. В таких случаях вводите промежуточную таблицу-мост или используйте DAX с TREATAS. Никогда не ставьте двунаправленную фильтрацию «на всякий случай» — это приводит к неожиданным результатам и проблемам производительности. Проверяйте модель через представление «Модель» в Power BI Desktop: линии связей должны идти от измерений к фактам. Для проверки кардинальности используйте функцию в Power Query или DAX COUNTROWS. Если видите связь many-to-many без моста — остановитесь и перепроектируйте.

Оптимизация модели для больших объёмов логистических данных. Отключайте авто-дату/время в параметрах. Удаляйте ненужные столбцы до загрузки. Используйте integer-ключи вместо текстовых. Для остатков, которые обновляются часто, рассмотрите incremental refresh (доступен в Premium и Fabric). В Power Query применяйте фильтры на уровне источника, если это SQL-база. Мониторьте размер модели через «Представление → Метрики производительности». Цель — держать модель под 1 ГБ для комфортной работы в Desktop. Если данные превышают этот порог, переходите на DirectQuery или композитные модели, но для большинства логистических сценариев Import-режим предпочтительнее.

DAX для ключевых KPI логистики

DAX — язык расчётов в Power BI. Для логистической аналитики начните с простых мер: Total Quantity = SUM(FactShipments[Quantity]), Total Cost = SUM(FactShipments[Cost]). Затем переходите к контекстным: Average Delivery Days = AVERAGEX(FactShipments, FactShipments[FactDate] - FactShipments[PlanDate]). Всегда создавайте меры, а не вычисляемые столбцы, если значение зависит от фильтра. Вычисляемые столбцы увеличивают размер модели. Документация DAX: learn.microsoft.com/dax. Практический совет: храните все меры в отдельной таблице «_Measures» с префиксами по группам (Inv_, OTIF_, Cost_). Это сильно упрощает навигацию в большой модели.

Оборачиваемость запасов и дни запаса — классические меры. Создайте: Inventory Turnover = DIVIDE([COGS], [Average Inventory]), Days of Inventory = DIVIDE(365, [Inventory Turnover]). Для среднего запаса используйте: Average Inventory = AVERAGEX(VALUES('Date'[Date]), CALCULATE(SUM(FactInventory[Quantity]))). Важно правильно определить период: часто считают по скользящим 12 месяцам. Для этого применяйте DATESINPERIOD. Пример: COGS Last 12M = CALCULATE([COGS], DATESINPERIOD('Date'[Date], MAX('Date'[Date]), -12, MONTH)). Анти-паттерн — считать оборачиваемость по конечным остаткам без усреднения: цифра получается завышенной и несопоставимой.

OTIF (On-Time In-Full) — один из самых важных KPI логистики. Мера строится так: OTIF % = DIVIDE(CALCULATE(COUNTROWS(FactOrders), FactOrders[OnTime] = TRUE(), FactOrders[InFull] = TRUE()), COUNTROWS(FactOrders)). Предварительно в Power Query или DAX создайте флаги OnTime и InFull. OnTime = FactOrders[FactDeliveryDate] <= FactOrders[PlanDeliveryDate], InFull = FactOrders[FactQty] >= FactOrders[OrderQty]. Для более сложных сценариев (допуск по дням) используйте переменные VAR. Пример: VAR Tolerance = 1 RETURN FactOrders[FactDeliveryDate] <= FactOrders[PlanDeliveryDate] + Tolerance. Добавьте целевое значение OTIF как меру-константу и считайте отклонение.

Time-intelligence функции незаменимы для сравнения периодов. TOTALYTD, SAMEPERIODLASTYEAR, DATEADD, PARALLELPERIOD — ваш основной набор. Пример меры «Отгрузки к прошлому году»: Shipments YoY % = DIVIDE([Total Shipments] - CALCULATE([Total Shipments], SAMEPERIODLASTYEAR('Date'[Date])), CALCULATE([Total Shipments], SAMEPERIODLASTYEAR('Date'[Date]))). Для логистики полезно считать скользящие средние: Moving Avg 7D = AVERAGEX(DATESINPERIOD('Date'[Date], MAX('Date'[Date]), -7, DAY), [Total Shipments]). Всегда проверяйте меры на пустом контексте и на границах периодов. Совет: создайте отдельную страницу «Тест мер» с матрицей, где по строкам — меры, по столбцам — периоды, и визуально проверяйте корректность.

Визуализация и проектирование дашбордов логистики

Хороший дашборд в Power BI для логистики отвечает на три вопроса за 5 секунд: «Где проблема?», «Насколько она большая?», «Кто отвечает?». Используйте принцип «светофор + тренд + детализация». На верхней панели разместите карточки KPI с условным форматированием (зелёный/жёлтый/красный). Ниже — тренды по времени. Ещё ниже — таблицы с возможностью drill-through на конкретный заказ или накладную. Избегайте более 6–7 визуалов на странице. Документация по визуалам: learn.microsoft.com/visuals. Анти-паттерн — делать «всё на одном экране»: руководитель теряется и перестаёт пользоваться отчётом.

Карточки KPI и условное форматирование. Для каждой ключевой метрики создайте карточку и настройте правила: если OTIF < 90 % — красный фон, 90–95 % — жёлтый, > 95 % — зелёный. Используйте визуал «Новая карточка» (если доступен) или классическую с полем. Добавьте меру отклонения от цели: OTIF vs Target = [OTIF %] - [OTIF Target]. Для трендов применяйте линейные диаграммы с несколькими мерами (факт, план, прошлый год). В логистике особенно полезны комбо-диаграммы: столбцы — объём, линия — стоимость доставки. Всегда подписывайте оси и добавляйте единицы измерения в заголовок визуала.

Drill-through и bookmarks повышают удобство дашборда. Настройте drill-through со страницы обзора на страницу детализации заказа: пользователь кликает правой кнопкой по строке и переходит к полной истории конкретной накладной. Bookmarks позволяют сохранять состояния фильтров (например, «Только проблемные склады» или «Текущий месяц»). Кнопки навигации делают отчёт похожим на приложение. Для логистики создайте закладки: «Склад», «Транспорт», «Закупки», «Качество данных». Совет: используйте кнопку «Сброс всех фильтров» — пользователи часто забывают, какие срезы активны, и видят «пустые» цифры.

Карты и геоаналитика в логистике. Если у вас есть координаты складов, точек доставки или GPS-треки, используйте визуал Azure Maps или стандартную карту. Показывайте объём доставок размером пузырька, а OTIF — цветом. Для маршрутов применяйте shape maps или кастомные визуалы. Важно: геокодирование адресов лучше делать заранее в Power Query или отдельным сервисом, а не на лету в отчёте. Если данные чувствительны, отключайте возможность скачивания базовой карты. Практический пример: дашборд «География опозданий» мгновенно показывает, в каких регионах систематически нарушаются сроки.

Аналитика складских запасов и оборачиваемости

Складская аналитика начинается с ежедневных остатков. Загружайте снимки остатков на конец дня и стройте модель, где факт — Quantity и Value на дату. Меры: Current Stock = CALCULATE(SUM(FactInventory[Quantity]), LASTDATE('Date'[Date])), Average Stock = AVERAGEX(VALUES('Date'[Date]), [Current Stock]). Для ABC-анализа создайте меру ранжирования и присвойте категории. В Power BI это удобно делать через RANKX и SWITCH. Визуал «Матрица» с условным форматированием по цвету категории даёт мгновенную картину. Анти-паттерн — анализировать только конечный остаток без динамики: вы не увидите сезонные пики и провалы.

Неликвиды и замороженные запасы. Определите правило: товар, который не двигался N дней (например, 90 или 180). Создайте меру Days Since Last Movement и фильтруйте. Добавьте стоимость таких запасов и долю от общего. На дашборде разместите топ-20 неликвидов по стоимости с указанием ответственного менеджера. Это превращает отчёт из «красивой картинки» в инструмент действий. Используйте кнопку «Экспорт в Excel» для передачи списка в отдел закупок. Совет: храните историю статусов «неликвид» в отдельной таблице — это позволяет отслеживать, как быстро компания избавляется от замороженных денег.

Точность учёта запасов (Inventory Accuracy). Сравнивайте системные остатки с результатами инвентаризаций. Мера: Accuracy % = DIVIDE(SUM(FactInventory[SystemQty]), SUM(FactInventory[CountedQty])). Разбивайте по зонам склада, типам товара, ответственным. Если точность ниже 98 %, это сигнал к пересмотру процессов приёмки и отгрузки. В Power BI создайте страницу «Инвентаризации» с трендом точности и тепловой картой проблемных ячеек. Практический шаг: добавьте срез по дате инвентаризации и возможность drill-through на конкретные расхождения.

Транспортная аналитика и стоимость доставки

Транспортные KPI: стоимость на тонну/км, загрузка транспорта, процент порожних пробегов, соблюдение сроков. Загружайте данные из TMS: номер рейса, расстояние, вес, стоимость, даты. Меры: Cost per TonKm = DIVIDE([Total Cost], [Total TonKm]), Utilization % = DIVIDE([Actual Weight], [Capacity]). Для анализа перевозчиков создайте рейтинг по OTIF и стоимости. В Power BI удобно использовать визуал «Кластерная гистограмма» или «Скаттер» (стоимость vs OTIF). Анти-паттерн — считать среднюю стоимость без учёта типа груза и расстояния: сравнение становится бессмысленным.

Анализ маршрутов и отклонений. Если есть GPS-данные, агрегируйте их до уровня рейса: плановое vs фактическое расстояние и время. Создайте меру Deviation Km и Deviation Hours. На карте подсвечивайте рейсы с большими отклонениями. Для регулярных маршрутов стройте эталонное время и сравнивайте факт. В DAX используйте SUMX по таблице рейсов. Практический совет: храните плановые параметры маршрута в отдельном измерении — это позволяет быстро пересчитывать отклонения при изменении нормативов.

Стоимость «последней мили» и возвратов. Выделите доставки до конечного клиента и возвраты в отдельные меры. Считайте долю возвратов по причинам (брак, отказ, ошибка адреса). Это напрямую влияет на маржинальность. На дашборде разместите воронку: заказы → отгрузки → успешные доставки → возвраты. Добавьте стоимость обработки возврата. Такие визуалы особенно ценны для e-commerce логистики. Используйте drill-through на список конкретных возвратных накладных с фотографиями (если хранятся ссылки).

Аналитика закупок и работы с поставщиками

Закупочная аналитика в связке с логистикой фокусируется на сроках поставки, качестве и стоимости. KPI: On-Time Delivery поставщика, процент рекламаций, цена vs рынок. Загружайте заказы поставщикам, факты прихода и акты расхождений. Мера Supplier OTIF строится аналогично клиентскому OTIF. Создайте рейтинг поставщиков и визуал «Матрица» с цветовой шкалой. В Power BI добавьте возможность фильтрации по категории товара и менеджеру. Совет: храните договорные сроки в справочнике поставщиков — это позволяет автоматически считать отклонения.

Анализ «цена-качество-срок». Постройте скаттер-диаграмму: ось X — средняя цена, ось Y — OTIF, размер пузырька — объём закупок. Это мгновенно показывает «звёзд» и «проблемных» поставщиков. Добавьте срез по периоду, чтобы видеть динамику. Для более глубокого анализа используйте ABC-XYZ по поставщикам. В DAX реализуйте через RANKX и группировку. Анти-паттерн — оценивать поставщика только по цене: дешёвый, но постоянно опаздывающий поставщик генерирует скрытые логистические затраты.

Прогноз потребности и страховой запас. Хотя полноценное прогнозирование лучше делать вне Power BI (Python, Azure ML), базовые расчёты страхового запаса можно реализовать в DAX. Формула: $\text{Страховой запас} = z \times \sigma_{LT} \times \sqrt{L}$, где L — время поставки. Загрузите исторические продажи и рассчитайте стандартное отклонение. В Power BI это делается через STDEVX. Результаты выводите на страницу «Рекомендации по закупкам» с указанием, какой товар и в каком количестве стоит заказать. Это превращает отчёт из ретроспективного в actionable.

Автоматизация обновления и публикация отчётов

После создания модели в Desktop публикуйте отчёт в Power BI Service. Настройте шлюз данных (On-premises data gateway), если источники on-premise. Для облачных источников (SharePoint, Azure SQL) шлюз не нужен. Настройте расписание обновления: для оперативных остатков — каждый час, для фактов доставок — раз в сутки. Используйте incremental refresh для больших таблиц фактов. Документация: learn.microsoft.com/refresh-data. Анти-паттерн — обновлять всю модель целиком каждый раз: при росте данных это начинает занимать часы.

Подписки и алерты. Настройте подписку на ключевые страницы дашборда для руководителей (ежедневный PDF или ссылка). Ещё мощнее — алерты на карточках KPI: если OTIF падает ниже 90 %, ответственный получает уведомление на почту или в Teams. В Power BI Service это настраивается прямо на визуале. Для более сложных сценариев используйте Power Automate: при обновлении данных проверяйте меры и отправляйте сообщение в канал. Это превращает пассивный отчёт в систему раннего предупреждения.