Вы открываете таблицу с 50 000 строк, просите ChatGPT «проанализируй эти данные» — и получаете красивый график с подписью «наблюдается корреляция». Через час выясняется, что корреляция — артефакт выброса в одной ячейке, а модель просто его не заметила. Знакомо? Проблема не в LLM, а в промте: без явного описания схемы, единиц измерения и бизнес-контекста модель галлюцинирует связи и пропускает аномалии. В этой подборке — 12 промтов, которые превращают LLM в аналитика, а не в художника. Каждый промт — с примером и пояснением, для какой задачи подходит.
Почему «проанализируй данные» не работает?
Представьте: вы загружаете CSV с продажами за квартал. Модель видит числа, но не знает, что столбец «выручка» — в рублях, а «количество» — в штуках. Она может сложить их и получить бессмысленную сумму. Или найти корреляцию между ценой и количеством, не учитывая, что данные сгруппированы по регионам.
Механизм ошибки: LLM не «видит» таблицу как базу данных. Она читает текст и достраивает контекст из общих знаний. Если контекст не задан, модель подставляет шаблонный — и ошибается.
Решение: первый промт всегда должен заставлять модель выяснить структуру, а не сразу считать статистику.
Базовые промты: сначала разобраться в данных
1. «Опиши схему таблицы, прежде чем что-то считать»
Задача: заставить LLM явно перечислить столбцы, их типы и возможные проблемы, чтобы потом не было сюрпризов.
Промт:
Ты — аналитик данных. Тебе дан фрагмент таблицы (CSV, первые 100 строк).
Твоя задача — описать схему: для каждого столбца укажи имя, предполагаемый тип (число, строка, дата), единицу измерения (если очевидна), есть ли пропуски и выбросы (по первым строкам).
Не считай статистику и не строй графики. Просто верни структурированное описание в виде таблицы Markdown.
Вот данные:
[вставьте CSV]
Пример результата: модель возвращает таблицу с колонками: order_id (строка, уникальный), amount (число, рубли, пропусков нет), date (дата, формат YYYY-MM-DD), region (строка, возможны опечатки). Вы сразу видите, что в amount есть отрицательные значения — возможно, возвраты.
2. «Проверь типы и пропуски, прежде чем доверять»
Задача: автоматически найти столбцы, где данные не соответствуют ожидаемому типу (например, числа записаны как текст), и оценить долю пропусков.
Промт:
Проверь каждый столбец таблицы на соответствие типу. Если в числовом столбце встречаются нечисловые значения — выведи их. Если в столбце с датами есть строки, не являющиеся датами — выведи их. Посчитай процент пропусков в каждом столбце. Верни отчёт в виде списка проблем.
[данные]
Пример результата: «В столбце amount обнаружены значения N/A (3% строк). В столбце date есть строка 32.13.2025 — некорректная дата». Это позволяет быстро почистить данные до анализа.
Продвинутые промты: ищем аномалии
3. «Найди выбросы методом IQR и объясни их»
Задача: не просто получить список выбросов, а понять их природу — ошибка ввода или реальный экстремум.
Промт:
Для числового столбца `amount` найди выбросы с помощью межквартильного размаха (IQR). Вычисли Q1, Q3, IQR = Q3-Q1. Выбросами считай значения ниже Q1 - 1.5*IQR или выше Q3 + 1.5*IQR. Выведи количество выбросов, их значения и строки, в которых они находятся. Предложи гипотезы: это ошибка ввода, мошенничество или реальный крупный заказ?
[данные]
Пример результата: модель возвращает: «Q1=1000, Q3=5000, IQR=4000. Границы: -5000 и 11000. Найдено 3 выброса: 15000, 20000, -3000. Строки с ID 45, 67, 89. Значение -3000 может быть возвратом, 15000 и 20000 — крупные заказы, требуют проверки».
4. «Проверь аномалии через z-score для нормальных распределений»
Задача: когда данные распределены нормально, IQR может быть менее чувствителен. Z-score покажет, насколько стандартных отклонений значение удалено от среднего.
Промт:
Для столбца `amount` вычисли z-score для каждого значения: (x - среднее) / стандартное отклонение. Выведи значения с |z| > 3. Если распределение не нормальное (проверь асимметрию и эксцесс), предупреди, что z-score может быть ненадёжен.
[данные]
Пример результата: «Среднее = 2500, ст. отклонение = 800. Значение 6000 имеет z=4.375 — аномалия. Однако распределение имеет асимметрию 2.1, поэтому z-score может завышать значимость. Рекомендую дополнительно проверить через IQR».
5. «Сравни аномалии по группам»
Задача: выявить выбросы не во всей таблице, а внутри каждой категории (например, по регионам). Часто глобальный анализ пропускает локальные аномалии.
Промт:
Сгруппируй данные по столбцу `region`. Для каждой группы найди выбросы в столбце `amount` методом IQR. Выведи список групп, в которых есть выбросы, и сами значения. Обрати внимание на группы с малым числом наблюдений (менее 10) — для них IQR может быть ненадёжен.
[данные]
Пример результата: «В регионе 'Север' 2 выброса: 12000 и 13000 (при медиане 3000). В регионе 'Юг' выбросов нет. В регионе 'Запад' только 5 строк, выброс 9000 — требует проверки».
Экспертные промты: сводные, формулы и автоматизация
6. «Построй сводную таблицу с проверкой итогов»
Задача: не просто сгенерировать сводную, а убедиться, что суммы сходятся с исходными данными.
Промт:
Построй сводную таблицу: строки — `region`, столбцы — месяц (из столбца `date`), значения — сумма `amount`. После построения проверь, что общая сумма по сводной равна общей сумме исходного столбца `amount`. Если есть расхождение — объясни причину.
[данные]
Пример результата: модель возвращает сводную и добавляет: «Сумма по сводной = 1 234 567, сумма исходная = 1 234 567. Расхождений нет». Если бы были пропуски в region, модель бы указала: «5 строк с пустым регионом не вошли в сводную, их сумма 10 000».
7. «Напиши формулу XLOOKUP с обработкой ошибок»
Задача: получить готовую формулу для поиска значения в другой таблице, но с защитой от #N/A.
Промт:
Напиши формулу XLOOKUP для Excel, которая ищет значение из ячейки A2 в столбце B таблицы `Справочник` и возвращает соответствующее значение из столбца C. Если значение не найдено, формула должна возвращать текст "Не найдено". Объясни, как работает формула.
[описание таблиц]
Пример результата: =XLOOKUP(A2, Справочник!B:B, Справочник!C:C, "Не найдено"). Модель поясняет: «Функция ищет A2 в столбце B, возвращает из C, при отсутствии — текст».
8. «Сгенерируй QUERY для Google Sheets с фильтрацией по дате»
Задача: получить работающий запрос на языке Google Sheets QUERY, который фильтрует данные по диапазону дат.
Промт:
Напиши формулу QUERY для Google Sheets, которая выбирает все строки из диапазона A1:D1000, где дата в столбце C больше 01.01.2026. Отсортируй по убыванию столбца D. Объясни синтаксис.
Пример результата: =QUERY(A1:D1000, "SELECT * WHERE C > date '2026-01-01' ORDER BY D DESC"). Модель поясняет, что в QUERY даты указываются в формате date 'YYYY-MM-DD'.
9. «Напиши Apps Script для автоматической очистки данных»
Задача: автоматизировать рутинную операцию — например, удаление дубликатов и форматирование дат.
Промт:
Напиши скрипт на Google Apps Script, который в активной таблице удаляет дубликаты по столбцу A, приводит все даты в столбце B к формату "DD.MM.YYYY" и выделяет красным цветом ячейки с пропусками в столбце C. Добавь комментарии к каждой строке.
Пример результата: модель возвращает готовый скрипт с функциями removeDuplicates(), formatDates(), highlightEmpty(). Вы копируете его в редактор скриптов и запускаете.
Как не наступить на грабли: режимы отказа
Даже с правильными промтами LLM может ошибаться. Вот три типичные ситуации:
- Модель путает единицы измерения. Если в таблице есть и рубли, и тысячи рублей, она может сложить их напрямую. Решение: в промте всегда указывайте единицы и просите привести к одной.
- Игнорирование пропусков. Модель может просто отбросить строки с пропусками, не сообщив об этом. Решение: явно просите вывести количество и долю пропусков перед анализом.
- Ложные корреляции на малых выборках. Если в группе 5 строк, корреляция может быть случайной. Решение: просите модель проверять размер группы и предупреждать, если он меньше 30.
Что в итоге
Эти 12 промтов покрывают путь от первичного знакомства с таблицей до автоматизации. Начните с первых двух, чтобы понять структуру, затем переходите к поиску аномалий, и только потом стройте сводные и формулы. Помните: LLM — не волшебная палочка, а инструмент, который требует точных инструкций. Чем конкретнее вы опишете задачу и контекст, тем меньше будет галлюцинаций и больше пользы.
Попробуйте применить хотя бы один промт к своей текущей таблице — и вы увидите, как изменится качество анализа.