Промпты для аналитика данных: SQL, отчёты и выводы с помощью ИИ в 2026 году

Знакомый понедельник: до дедлайна два часа, а в очереди три SQL-запроса, разбор чужого легаси-кода, график для презентации и «быстрый вопросик» от руководителя — почему просела конверсия. В 2026 году эту рутину честно делят с вами нейросети: они пишут и объясняют SQL, ловят логические ошибки, предлагают гипотезы, строят графики и переводят таблицу цифр в человеческие выводы.

Ниже — 13 рабочих промптов для дата-аналитика под реальные задачи: от генерации запроса по описанию до executive summary для CEO. Всё проверено на практике в ChatGPT 5.5 с Advanced Data Analysis (загрузка файлов и исполнение кода прямо в чате), Claude 4 Opus (сильная сторона — длинные документы) и Gemini Ultra 2.0. Копируйте шаблоны, подставляйте своё и адаптируйте под свой стек.

SQL: от текста к запросу

Для SQL-задач лучше всего показывают себя ChatGPT и Claude — они стабильно держат контекст большой схемы и не путаются в оконных функциях. Но есть одно железное правило: всегда указывайте схему таблиц. Без названий колонок, типов данных и связей модель начнёт угадывать — и угадает неправильно. Достаточно скопировать вывод DESCRIBE или DDL нужных таблиц.

Промпт 1. Генерация запроса по описанию задачи

Ты — senior-аналитик данных. Напиши SQL-запрос для PostgreSQL.

Схема таблиц:
orders(id INT, user_id INT, created_at TIMESTAMP, total NUMERIC, status TEXT)
users(id INT, city TEXT, registered_at TIMESTAMP)

Задача: [опишите словами, что нужно посчитать]

Требования:
— оформи через CTE, чтобы запрос читался сверху вниз;
— добавь комментарий к каждому логическому блоку;
— предложи индексы, которые ускорят этот запрос.
Если в формулировке есть неоднозначность — сначала задай уточняющие вопросы.

Последняя строка — самая недооценённая. Просьба уточнять детали ловит половину ошибок «не того результата» ещё до запуска.

Промпт 2. Объяснение чужого запроса

Разбери этот SQL-запрос так, будто объясняешь джуну-аналитику:
[вставьте запрос]

Формат ответа:
1. Что делает запрос — одним предложением.
2. Пошаговый разбор каждого блока простым языком.
3. Пример: какие данные на входе и что получится на выходе.
4. Подводные камни: NULL, дубликаты после JOIN, границы дат.

Спасает при входе в новый проект, где всё держится на трёх тысячах строк запросов предыдущего сотрудника.

Промпт 3. Оптимизация медленного запроса

Запрос выполняется 40 секунд, а нужен результат за секунды.
[вставьте запрос]
Объёмы данных: [число строк в каждой таблице]
План выполнения (EXPLAIN ANALYZE): [вставьте, если есть]

Найди узкие места, предложи 2–3 варианта оптимизации
(индексы, переписывание JOIN, партиционирование, материализованные view).
Для каждого варианта оцени ожидаемый эффект и риски.

Чем больше контекста (план, объёмы, версия СУБД) — тем точнее советы. Голый запрос без плана даёт только общие рекомендации.

Промпт 4. Перевод между диалектами

Перепиши запрос с MySQL на BigQuery (Standard SQL):
[вставьте запрос]

Правила:
— сохрани логику один в один;
— замени функции на эквиваленты BigQuery (DATE_FORMAT → FORMAT_DATE и т. п.);
— выведи список всех изменений и объясни, почему каждое необходимо;
— отдельно предупреди о поведенческих отличиях: деление на ноль,
типы дат, регистр строк.

Актуально при миграциях в облако: механический перевод функций — дело пяти минут, а вот поведенческие отличия без такого списка легко пропустить.

Проверка и отладка

ИИ особенно хорош там, где глаз «замылился». Вы час смотрите на запрос и не видите, что LEFT JOIN превратился в декартово произведение, — модель видит за секунды. Просите её не просто «найти ошибку», а ранжировать версии по вероятности и предлагать исправление.

Промпт 5. Поиск ошибок в запросе

Запрос должен возвращать [ожидаемый результат],
но возвращает [что возвращает вместо].
[вставьте запрос и схему таблиц]

Проверь по чек-листу: логика JOIN, NULL-значения, дубликаты,
типы данных, границы дат, условия фильтрации.
Проранжируй вероятные причины, покажи исправленный запрос
и объясни, что именно было не так.

Промпт 6. Тестовые данные и краевые случаи

Сгенерируй тестовый датасет для проверки этого запроса:
[вставьте запрос]

Требования:
— 15–20 строк с реалистичными значениями;
— обязательно включи краевые случаи: NULL в ключевых колонках,
дубликаты, нулевые суммы, записи ровно на границе периода;
— мысленно прогони запрос по этим данным и скажи,
какой результат получится в каждом спорном случае;
— выведи данные в формате CSV, чтобы я вставил их в песочницу.

Это самый быстрый способ поймать логическую ошибку до того, как её увидит руководитель в отчёте.

Исследование данных

На этапе исследования нейросеть работает как напарник для брейншторма: она не знает ваш бизнес, зато знает сотни паттернов «где обычно прячутся инсайты». Ваша задача — дать ей контекст и отфильтровать идеи.

Промпт 7. EDA-план и гипотезы

Я анализирую датасет: [тема, например «выручка интернет-магазина за год»].
Колонки: [перечислите колонки и типы].

Составь план разведочного анализа (EDA):
1. Какие проверки качества данных сделать в первую очередь.
2. Какие распределения и выбросы посмотреть.
3. Какие сегменты и срезы построить.
4. Сформулируй 5 конкретных гипотез, которые стоит проверить,
и для каждой укажи, каким методом и на каких колонках.

Промпт 8. Интерпретация корреляции

В моих данных нашлась корреляция: [например, r = 0,7 между числом
писем в рассылке и выручкой]. Помоги разобраться честно:

1. Какие альтернативные объяснения возможны, кроме причинно-следственной связи
(общий фактор, обратная связь, сезонность, совпадение)?
2. Какой эксперимент или дополнительный анализ различил бы эти версии?
3. Сформулируй осторожную формулировку вывода, которую можно
показать стейкхолдерам без искажения смысла.

Классическая ловушка: корреляция ≠ причинность. Такой промпт страхует вас от вывода «будем спамить чаще — заработаем больше».

Визуализация

Хороший график — это решение, а не украшение. Здесь два шага: сначала выбрать правильный тип визуализации, потом получить код. В ChatGPT 5.5 с Advanced Data Analysis оба шага можно совместить — модель исполнит код и сразу покажет картинку.

Промпт 9. Выбор типа графика

Мне нужно показать руководству: [что именно, например «динамику выручки
по 4 регионам за 12 месяцев»].
Аудитория: [кто смотрит и какое решение принимает].
Данные: [объём, количество категорий, есть ли отрицательные значения].

Предложи 2–3 варианта визуализации: для каждого объясни, почему он подходит,
какие искажения восприятия возможны и какой вариант выбрал бы ты сам.
Отмести варианты, которые здесь вводят в заблуждение (например, круговые
диаграммы с 15 секторами).

Промпт 10. Код для matplotlib / Plotly

Напиши код на Python (Plotly) для графика: [описание].
Данные лежат в DataFrame df с колонками: [перечислите].

Требования:
— подписи осей и заголовок на русском;
— единый стиль под корпоративную палитру: [цвета];
— подписи значений на ключевых точках;
— код с комментариями, чтобы я мог поправить детали сам.
Добавь обработку пропусков в данных.

Отчёты и выводы

Самая ценная часть работы аналитика — не цифры, а смысл. Именно тут ИИ экономит больше всего времени: он переводит «MAU снизился на 12% QoQ» в понятную историю для людей без аналитического бэкграунда. Claude 4 Opus особенно удобен, когда отчёт длинный и нужно удержать всю логику целиком.

Промпт 11. Из таблицы — в выводы для бизнеса

Вот результаты анализа: [вставьте таблицу или ключевые цифры].
Аудитория: менеджеры без технического бэкграунда.

Напиши выводы:
— 3 главных наблюдения простым языком, без жаргона и аббревиатур;
— для каждого наблюдения — что это значит для бизнеса деньгами или клиентами;
— 2–3 рекомендуемых действия с приоритетами;
— отдельным блоком: чего мы НЕ знаем из этих данных, чтобы никто
не сделал поспешных выводов.

Пункт про «чего мы не знаем» — лучшая защита от вопросов «а точно ли?» на планёрке.

Промпт 12. Executive summary для руководителя

Сделай executive summary отчёта для CEO на 150 слов.
Исходные данные: [вставьте отчёт или ключевые метрики].

Структура строго такая:
1. Одно предложение: главное изменение за период.
2. Три цифры, которые важнее всего, с сравнением к прошлому периоду.
3. Причина изменений — одна главная гипотеза.
4. Что предлагаем сделать и что нужно для решения.
Тон: уверенный, без воды, без канцелярита. Никаких таблиц — только текст.

Промпт 13. Диагностика: «а почему просело?»

Метрика [название] упала с X до Y за период [даты].
Что известно: [сегменты, события, изменения продукта, сезонность].

Выступи как опытный диагност:
1. Построй дерево возможных причин: внешние, продуктовые, данные/техника.
2. Для каждой ветки скажи, какую проверку провести и на каких срезах.
3. Расставь приоритет: что проверить в первую очередь и почему.
4. Предложи текст короткого промежуточного ответа стейкхолдеру,
пока идёт расследование.

Четвёртый пункт — золото: он покупает вам время и снимает панику в чате.

Безопасность данных: то, о чём молчат туториалы

Прежде чем вставлять в чат рабочие данные, зафиксируйте главное правило: реальные персональные данные в публичные чаты не загружаем. Никогда. Ни ФИО клиентов, ни телефоны, ни паспортные данные, ни индивидуальные зарплаты. Публичные сервисы могут использовать загруженное для обучения моделей, и удалить это потом невозможно.

Рабочая схема выглядит так:

• Анонимизация. Перед загрузкой замените имена на ID, округлите суммы, сдвиньте даты. Часто для задачи достаточно структуры данных, а не реальных значений.
• Синтетические данные. Попросите нейросеть сгенерировать правдоподобный датасет с той же схемой и распределениями — и работайте на нём, пока не дойдёт до этапа расчётов на вашей стороне.
• Корпоративные тарифы и API. ChatGPT Team/Enterprise и API позволяют отключить использование данных для обучения. Уточните политику своей компании — во многих уже есть утверждённые инструменты.
• Локальные модели. Для чувствительных данных (медицина, финансы, госсектор) разворачивайте открытые модели на своём сервере: промпты из этой статьи работают с любой LLM.

И проверяйте, что советует модель по регуляторике: требования 152-ФЗ и GDPR никто не отменял, а ответственность за утечку лежит на аналитике, а не на чат-боте.

FAQ: частые вопросы

Заменит ли ИИ аналитиков данных в 2026 году? Нет, но профессия меняется. Нейросеть забирает рутину: черновики SQL, документацию, первые версии графиков и текстов. Аналитик остаётся тем, кто ставит задачу, понимает бизнес-контекст, проверяет результаты и несёт ответственность за выводы. Специалисты, освоившие ИИ-инструменты, закрывают заметно больше задач за то же время — рынок смещается от «исполнителей запросов» к тем, кто умеет формулировать вопросы и контролировать качество.

Можно ли верить SQL-коду, который написал ИИ? Всегда проверяйте. Модель выдаёт синтаксически идеальный запрос с логической ошибкой: неверный JOIN, потерянные NULL, сдвинутые границы дат. Минимум проверки: прогон на тестовых данных с известным ответом, сверка итоговых цифр с контрольными значениями и чтение плана выполнения для тяжёлых запросов. Относитесь к коду от ИИ как к работе толкового джуна: быстро и полезно, но с обязательным ревью до продакшена.

Какой ИИ лучше для анализа данных? Универсального нет. ChatGPT 5.5 с Advanced Data Analysis удобнее всего «из коробки»: загружаете файлы, модель сама исполняет код и строит графики. Claude 4 Opus силён в длинных документах и аккуратных многошаговых рассуждениях — хорош для разбора сложных запросов и больших отчётов. Gemini Ultra 2.0 берёт огромным контекстом и интеграцией с Google-экосистемой. В SQL-задачах ChatGPT и Claude примерно равны — выбирайте по привычке и стеку.

Безопасно ли загружать CSV с данными компании в чат? Зависит от политики компании и настроек сервиса. Публичные чат-боты могут использовать загруженные файлы для обучения, поэтому персональные данные, коммерческую тайну и финансовые детали туда отправлять нельзя. Рабочие варианты: анонимизация или синтетические данные, корпоративные тарифы с отключённым обучением (ChatGPT Team/Enterprise, API) и локальные модели для чувствительных задач. Правило простое: если данные нельзя показать постороннему человеку — не загружайте их в публичный чат.

Справится ли нейросеть с большим датасетом? Напрямую — нет: контекстное окно ограничено, миллионы строк целиком не загрузить. Но задача решаема. Загружайте репрезентативную выборку или заранее агрегированные данные. В ChatGPT 5.5 Advanced Data Analysis код исполняется в песочнице — модель обрабатывает файл частями, не «читая» его глазами. Эффективная связка: тяжёлую агрегацию выполняет ваша база, а ИИ помогает писать запросы и интерпретировать уже посчитанные результаты.

Вместо заключения

ИИ в 2026 году не заменяет аналитика — он убирает слои рутины между идеей и результатом. Запрос, который раньше писали двадцать минут, теперь собирается за две, а отчёт перестаёт быть ночным кошмаром перед дедлайном. Начните с двух-трёх промптов из этой статьи под свои текущие задачи, доведите их до автоматизма — и расширяйте набор.

Полезные материалы в продолжение: большая подборка промптов для нейросетей на все случаи жизни, подробная инструкция по ChatGPT для новичков и обзор Claude — что это за нейросеть и чем она сильна в работе с текстами и кодом.