В 2026 году дата-аналитики уже не пишут каждый запрос с нуля. LLM стали такими же инструментами, как IDE или Git: без них — как без рук. Но ключевое слово здесь — «промты». Не «чат», не «нейросеть», а именно промты: проверенные формулировки, которые экономят часы работы каждый день. Я собрал подборку из 12 промтов, которые сам использую в работе с SQL, Python и визуализацией. Они покрывают 80% рутинных задач — от генерации запросов до построения дашбордов. Ниже — каждый с примером и результатом.
1. «Объясни как новичку» — для разбора чужого кода
Когда получаешь скрипт от коллеги или из интернета, часто хочется понять, что он делает, без чтения документации. Промт: «Объясни, что делает этот код, шаг за шагом, для новичка в аналитике. Разбей на логические блоки и поясни каждую строку. Код: [вставьте код]». Я так разбираю сложные SQL-запросы с CTE и оконными функциями. Пример: на днях мне прислали запрос с тройным JOIN и CASE — через 5 минут я знал, какие данные он выгружает и как можно оптимизировать.
2. «Напиши SQL-запрос для задачи» — генерация по описанию
Самое частое — сформулировать задачу словами и получить готовый SQL. Промт: «Составь SQL-запрос для PostgreSQL: вывести количество заказов по дням за последнюю неделю, с разбивкой по категориям товаров. Таблицы: orders (id, created_at, total), order_items (order_id, product_id), products (id, category). Учитывай только оплаченные заказы (status='paid')». Модель вернёт запрос с GROUP BY и JOIN, который можно сразу запустить. Экономия — 10–15 минут на каждую задачу.
3. «Оптимизируй запрос» — ускорение работы
Когда запрос работает долго, промт: «Предложи способы оптимизации этого SQL-запроса для MySQL. Укажи, какие индексы стоит добавить, и перепиши запрос с учётом этого. Объясни, почему это ускорит выполнение. Запрос: [вставьте]». На практике помог ускорить запрос с 4 секунд до 200 мс за счёт индекса на дату и переписывания NOT IN на LEFT JOIN.
4. «Сгенерируй Python для анализа данных» — от чистого листа до результата
Промт: «Напиши Python-скрипт с использованием pandas и matplotlib: загрузить CSV-файл sales.csv, посчитать выручку по месяцам, отфильтровать нулевые продажи и построить линейный график. Добавь комментарии и обработку ошибок». Модель выдаст рабочий код, который можно адаптировать. Важно: указывать библиотеки и конкретные требования, чтобы не получить общие примеры.
5. «Найди ошибку в Python» — отладка
Когда код падает, промт: «Вот код на Python. Найди ошибку, объясни причину и предложи исправление. Учитывай, что данные могут содержать пропуски. Код: [вставьте]». Часто помогает с TypeError и KeyError. Например, забыл проверить наличие колонки перед обращением — модель сразу подсветила.
6. «Построй дашборд в Plotly» — визуализация без документации
Промт: «Создай интерактивный дашборд на Plotly: три вкладки (общая статистика, динамика продаж, топ товаров). Используй данные из DataFrame df с колонками date, product, revenue, quantity. Добавь фильтры по дате и категории. Выведи код для Streamlit». На выходе — готовый код для запуска. Экономия на изучении документации — час минимум.
7. «Сгенерируй отчёт в Markdown» — автоматизация отчётов
Когда нужно оформить результаты анализа, промт: «Напиши отчёт в формате Markdown по результатам анализа продаж: введение, методология, ключевые метрики (средний чек, конверсия, динамика), выводы и рекомендации. Вставь таблицу с данными: [вставить данные]». Получаю структурированный текст, который остаётся отредактировать.
8. «Переведи SQL в Python (pandas)» — переход между инструментами
Часто нужно переписать запрос на Python. Промт: «Переведи этот SQL-запрос в эквивалентный код на pandas: SELECT category, SUM(revenue) FROM sales WHERE date BETWEEN '2026-01-01' AND '2026-01-31' GROUP BY category». Модель выдаст код с groupby и sum, что ускоряет перенос логики.
9. «Объясни статистический термин» — быстрый справочник
Когда встречаешь незнакомый термин, промт: «Объясни простыми словами, что такое p-value и как его интерпретировать в контексте A/B-теста. Приведи пример из практики аналитика». Это как гугл, но с адаптацией под контекст. Помогает не отвлекаться на поиск.
10. «Сгенерируй фиктивные данные» — для тестов
Промт: «Создай Python-скрипт для генерации тестовых данных: 1000 строк с колонками user_id, date, revenue, category. Используй random и datetime, чтобы данные выглядели реалистично. Сохрани в CSV». Это удобно для проверки кода без реальных данных.
11. «Напиши регулярное выражение» — обработка текста
Промт: «Составь регулярное выражение для Python, которое извлечёт дату в формате DD.MM.YYYY из строки. Учти, что дата может быть в скобках или после слова „от“». Модель выдаёт готовый паттерн с пояснением. Экономит время на подборе.
12. «Сформулируй гипотезу» — для аналитики
Промт: «На основе данных о продажах (вставьте сводку) сформулируй 5 гипотез, почему выручка упала в марте. Для каждой предложи метод проверки и метрику». Это помогает структурировать мышление и не упустить очевидное.
Итог
Эти промты — не волшебная таблетка, а рабочий инструмент. Они экономят мне 3–4 часа в неделю, позволяя сосредоточиться на интерпретации данных, а не на синтаксисе. Главное — конкретика: чем точнее опишете задачу, контекст и ожидаемый результат, тем лучше ответ. Попробуйте адаптировать их под свои задачи — уверен, они приживутся. А если у вас есть свои любимые промты — делитесь в комментариях, всегда интересно узнать новые подходы.
Комментарии