Excel, SQL и Google Sheets: 12 промтов, которые превращают сырые таблицы в бизнес-решения

Каждый аналитик и менеджер знает: 80% времени уходит не на анализ, а на подготовку данных. Мы собрали 12 проверенных промтов, которые автоматизируют рутину и помогают находить инсайты там, где раньше были просто цифры. Эти формулировки работают с ChatGPT, Claude и другими LLM — главное, давать им конкретные данные и контекст.

Промты протестированы на реальных задачах: от очистки выгрузок из CRM до прогноза продаж. Для каждого примера указан инструмент и ожидаемый результат. Все промты можно адаптировать под свои таблицы, меняя названия колонок и метрики.

1. Очистка и нормализация «грязных» данных

Промт:
"Ты — аналитик данных. У меня есть таблица с колонками: order_date, customer_name, amount, status. В order_date встречаются форматы '2026-01-05', '05.01.2026', 'Jan 5, 2026'. Напиши формулу Excel или скрипт на Python (pandas), который приведёт все даты к формату ГГГГ-ММ-ДД и выделит строки с ошибками."

Пример: В выгрузке из 1С 12% дат были в текстовом формате. Промт сгенерировал формулу =DATEVALUE(...) с обработкой исключений, что сэкономило 2 часа ручной правки.

2. Сводная таблица с динамическими срезами

Промт:
"Создай сводную таблицу в Google Sheets, которая показывает сумму продаж по месяцам и категориям товаров. Добавь срез по региону. Напиши пошаговую инструкцию и формулу для автоматического обновления при добавлении новых строк."

Пример: Менеджер по продажам получил интерактивный дашборд без использования скриптов — только штатные средства Google Sheets.

3. SQL-запрос для когортного анализа

Промт:
"Напиши SQL-запрос для когортного анализа удержания клиентов по месяцам. Таблица orders: user_id, order_date, amount. Нужно для каждой когорты (месяц первой покупки) посчитать процент пользователей, совершивших повторную покупку в следующие 3 месяца."

Пример: Запрос с оконными функциями ROW_NUMBER() и DATE_TRUNC был сгенерирован за 30 секунд. Аналитик проверил логику и сразу запустил в Metabase.

4. Прогноз тренда с помощью линейной регрессии

Промт:
"У меня есть данные о ежедневных продажах за 2 года. Напиши Python-код (pandas + scikit-learn) для построения линейной регрессии и прогноза на следующие 30 дней. Выведи график и метрики R² и MAE."

Пример: Прогноз продаж для интернет-магазина показал ожидаемый рост на 7% в следующем месяце. Код включил обработку выбросов и визуализацию.

5. Автоматическое обнаружение аномалий

Промт:
"Данные о транзакциях: timestamp, amount, user_id. Напиши формулу Excel или скрипт, который помечает транзакции как аномальные, если сумма превышает среднее + 3 стандартных отклонения для данного пользователя."

Пример: В таблице с 5000 строк нашли 3 подозрительные транзакции, которые пропустил ручной аудит. Формула: =ЕСЛИ(СУММЕСЛИ(...)>СРЗНАЧ(...)+3*СТАНДОТКЛОН(...);"Аномалия";"").

6. Сравнение двух периодов (год к году)

Промт:
"Создай отчёт в Excel, который сравнивает продажи за текущий и прошлый год по месяцам и категориям. Добавь столбец с процентным изменением и условным форматированием для отрицательной динамики."

Пример: Отчёт выявил падение в категории «Электроника» на 12% — это стало поводом для встречи с поставщиками.

7. Сегментация клиентов по RFM

Промт:
"Напиши SQL-запрос для RFM-сегментации: для каждого клиента вычисли Recency (дней с последней покупки), Frequency (число заказов), Monetary (общая сумма). Разбей на 5 групп по каждому параметру и присвой сегмент."

Пример: Запрос использовал NTILE(5) и CASE, что позволило выделить 8 сегментов. Маркетинг запустил кампанию для «спящих» клиентов.

8. Визуализация в Google Sheets с помощью Apps Script

Промт:
"Напиши скрипт Google Apps Script, который при открытии таблицы автоматически строит график продаж по дням и отправляет его на почту ответственному менеджеру."

Пример: Скрипт срабатывает по триггеру раз в день. Менеджер получает PNG-график и краткую сводку.

9. Прогноз оттока (churn) с логистической регрессией

Промт:
"Данные о клиентах: last_activity, purchases, support_tickets. Напиши Python-код для логистической регрессии, которая предсказывает вероятность оттока в следующие 30 дней. Оцени accuracy и выведи важность признаков."

Пример: Модель показала accuracy 82% на тестовой выборке. Ключевой признак — количество обращений в поддержку.

10. Сводка ключевых метрик на естественном языке

Промт:
"Проанализируй таблицу с метриками (выручка, заказы, средний чек) за последние 6 месяцев. Напиши краткое резюме на русском: что выросло, что упало, какие тренды и рекомендации."

Пример: LLM выдала текст: «Выручка выросла на 15% за счёт увеличения среднего чека. Число заказов снизилось на 3% — рекомендуется проверить воронку продаж». Это сэкономило время на подготовку отчёта для руководства.

11. Парсинг данных из PDF в Excel

Промт:
"У меня есть PDF-счёт с табличными данными. Напиши Python-код (библиотеки pdfplumber и pandas) для извлечения таблицы и сохранения в Excel. Учти, что некоторые ячейки могут быть объединены."

Пример: Код извлёк 200 строк из 10 счетов за 5 минут. Ручной ввод занимал бы полдня.

12. Автоматическое создание дашборда в Excel

Промт:
"Сгенерируй макрос VBA, который создаёт дашборд: сводная таблица, график продаж по месяцам и срез по менеджерам. Добавь кнопку обновления данных."

Пример: Макрос добавляет новый лист с готовыми элементами. Пользователь нажимает «Обновить» — данные пересчитываются.

Эти промты — не волшебная таблетка, а ускорители. Они требуют проверки и адаптации под ваши данные. Начните с одного-двух, чтобы почувствовать эффект. Главное — давать LLM чёткие инструкции и контекст. Экспериментируйте, комбинируйте, и рутина перестанет съедать ваше время.