Промпты для анализа данных. 30 готовых примеров для ChatGPT, DeepSeek, Gemini и других ИИ

Вы наверняка слышали, что нейросети вот-вот заменят аналитиков данных. Многие уже пытаются использовать ИИ для своих задач, но часто сталкиваются с разочарованием: вместо глубоких инсайтов получают общие фразы или, что еще хуже, неверные расчеты. Это происходит потому, что большинство использует неэффективные запросы. В этой статье будут раскрыты принципы, которые помогут формировать правильные промты для анализа данных.

Проблема не в искусственном интеллекте, а в том, как мы с ним общаемся. Просить нейросеть “проанализировать данные о продажах” — это все равно что дать калькулятор человеку, который не знает, что считать. Результат будет случайным и бесполезным.

Чтобы ИИ стал мощным помощником, а не генератором бессмыслицы, ему нужны точные и подробные инструкции. Здесь вы найдете не просто советы, а готовую систему:

• Анатомию идеального промпта, разложенную на составные части.
• 30 полнообъемных, готовых к использованию шаблонов для самых разных аналитических задач.
• Разбор типичных ошибок, которые совершают 9 из 10 начинающих.
• Рекомендации, которые превратят ваши запросы из невнятных просьб в четкие технические задания.

После прочтения этого материала вы перестанете гадать и начнете получать от нейросетей предсказуемо качественные результаты.

Почему простые запросы — это путь в никуда при анализе данных

Многие подходят к общению с ИИ с бытовой логикой: если можно просто спросить, зачем усложнять? Это главная ошибка, которая ведет к потере времени и денег. Причина провала кроется в фундаментальном принципе работы нейросетей: “мусор на входе — мусор на выходе”. Простой, неоднозначный запрос — это и есть информационный мусор.

Представьте, вы даете новому сотруднику-стажеру файл с тысячами строк и говорите: “Посмотри, что тут интересного”. Что вы ожидаете получить? В лучшем случае — набор очевидных фактов. В худшем — хаотичные наблюдения, основанные на его неполном понимании вашего бизнеса. ИИ без четкого промпта — тот же самый стажер, только работающий в миллионы раз быстрее и увереннее в своих, возможно, ошибочных выводах.

К чему приводит недостаток конкретики

Когда промпт размыт, нейросеть вынуждена делать массу допущений. Эти допущения почти всегда оказываются неверными, потому что у ИИ нет вашего контекста.

Вот типичные последствия слабого запроса:

• Неправильная интерпретация данных. ИИ не знает, что столбец “total” — это сумма с НДС, а “client_id” — это внутренний идентификатор, а не номер телефона. Он может начать их складывать или сравнивать, что приведет к абсурдным выводам.
• Выбор неверного метода анализа. Вы хотели провести RFM-анализ, а ИИ решил посчитать средний чек по месяцам, потому что это самая простая операция. Он выбрал не то, что нужно, а то, что первое пришло ему в “голову”.
• Генерация бессмысленного кода. Если попросить “написать код для анализа”, не указав библиотеки (pandas, numpy, matplotlib), версию языка (Python 3.9) и структуру данных, вы получите нерабочий или неэффективный скрипт.
• Поверхностные выводы. Без понимания бизнес-цели (например, “найти причины оттока клиентов в последнем квартале”) ИИ будет выдавать очевидные факты вроде “в декабре продажи были выше, чем в ноябре”. Спасибо, это и так видно.

Конечно, можно верить, что однажды ИИ научится читать мысли и понимать бизнес-задачи с полуслова. Но пока этот светлый день не настал, единственный рабочий способ — это предоставление исчерпывающей информации в запросе.

Практический пример: плохо против хорошо

Давайте посмотрим наглядный пример.
Плохой промпт: “Проанализируй мой файл sales.csv и найди инсайты”.

Что сделает ИИ:

1. Посчитает среднее, медиану, минимум и максимум для всех числовых столбцов.
2. Возможно, построит гистограмму для первого попавшегося столбца.
3. Напишет вывод: “В данных есть продажи. Максимальная продажа составила X, минимальная Y”.

Польза от такого “анализа” стремится к нулю.

Хороший, детализированный промпт:
“Ты — опытный дата-аналитик в компании, продающей электронику через интернет-магазин. Проанализируй файл ‘sales.csv’, содержащий данные о продажах за последний год. Цель: выявить 3 самых популярных товара по сумме выручки за 4 квартал. Структура файла: ‘order_id’, ‘date’ (гггг-мм-дд), ‘product_name’, ‘quantity’, ‘price_per_item’. Игнорируй заказы до 1 октября. Ответ представь в виде таблицы с колонками: ‘Название товара’, ‘Суммарная выручка’. После таблицы напиши краткий вывод (1-2 предложения).”

Что сделает ИИ:

1. Отфильтрует данные, оставив только 4 квартал.
2. Создаст новый столбец ‘total_price’ (quantity * price_per_item).
3. Сгруппирует данные по ‘product_name’ и просуммирует ‘total_price’.
4. Отсортирует результат по убыванию и возьмет топ-3.
5. Выведет результат в виде аккуратной таблицы.
6. Напишет осмысленный вывод, как его просили.

Разница в результате колоссальна, хотя задача одна и та же. Все дело в качестве промпта.

Анатомия идеального промпта: 8 ключевых ингредиентов

Чтобы перестать получать отписки от нейросети и начать использовать ее как профессиональный инструмент, нужно освоить структуру эффективного запроса. Это не магия, а инженерный подход. Хорошие промты для анализа данных состоят из нескольких обязательных блоков, каждый из которых закрывает потенциальные “слепые зоны” ИИ.

Вот 8 компонентов, которые превращают простую просьбу в четкое техническое задание.

Компонент	Зачем это нужно (Причина)	Что это дает (Следствие)
1. Роль	Задает ИИ нужный контекст и стиль мышления. “Думай как…”	ИИ использует специфическую лексику, подходы и модели поведения, характерные для этой роли (например, аналитика, маркетолога, финансиста).
2. Контекст	Объясняет бизнес-ситуацию и конечную цель анализа. “Мы хотим понять, почему…”	Выводы становятся релевантными бизнесу, а не просто набором математических фактов. ИИ понимает, зачем он делает эту работу.
3. Описание данных	Дает точную информацию о структуре, типах и смысле данных. “Файл содержит столбцы X, Y, Z, где X это…”	Исключаются неверные интерпретации и ошибки в расчетах. ИИ знает, с чем работает.
4. Задача	Формулирует конкретное, измеримое действие. “Рассчитай…”, “Сравни…”, “Построй модель…”	ИИ выполняет именно то, что от него требуется, без самодеятельности и ухода в сторону.
5. Формат ответа	Указывает, в каком виде предоставить результат. “В виде таблицы”, “Python-код”, “JSON-объект”, “список из 5 пунктов”.	Вы получаете данные в удобном для дальнейшей работы виде, экономя время на переформатировании.
6. Ограничения и исключения	Очерчивает границы, за которые не нужно выходить. “Не учитывай данные до…”, “Исключи возвраты”, “Используй только библиотеку Seaborn”.	Предотвращает лишнюю работу, использование нежелательных методов и включение в анализ “грязных” данных.
7. Примеры (Few-shot)	Показывает на 1-2 примерах, какой именно результат ожидается. “Например, если на входе ‘А’, на выходе должно быть ‘Б'”.	Значительно повышает точность и соответствие формата ответа вашим ожиданиям, особенно для сложных задач форматирования текста.
8. Пошаговый план	Разбивает сложную задачу на последовательность простых шагов. “Сначала сделай шаг 1, затем шаг 2…”	Помогает ИИ справиться с комплексными многоэтапными задачами, не “забывая” о промежуточных результатах. Улучшает логику рассуждений.

Обратите внимание: Не обязательно использовать все 8 компонентов в каждом запросе. Для простых задач достаточно 4-5 ключевых (Роль, Контекст, Данные, Задача, Формат). Но чем сложнее ваша цель, тем больше деталей нужно предоставить.

Чек-лист для самопроверки перед отправкой промпта

Прежде чем нажать “Enter”, пробегитесь по этому списку. Он поможет избежать досадных ошибок и сэкономить время на итерациях.

1. Назначена ли роль? Понимает ли ИИ, с чьей точки зрения ему нужно рассуждать?
2. Понятен ли бизнес-контекст? Объяснили ли вы, зачем вам нужен этот анализ?
3. Описаны ли данные? Есть ли названия столбцов и их смысл? Указан ли формат данных (особенно для дат и категорий)?
4. Задача сформулирована однозначно? Можно ли ее понять как-то иначе? Используются ли глаголы действия (рассчитай, сравни, найди)?
5. Указан ли желаемый формат вывода? Вы точно получите результат в удобном виде?
6. Есть ли ограничения? Вы отсекли все лишнее (старые данные, тестовые записи, возвраты)?
7. Нужен ли пошаговый план? Если задача состоит из нескольких этапов, расписали ли вы их?

Если вы можете уверенно ответить “да” на большинство этих вопросов, ваш промпт, скорее всего, сработает отлично.

30 готовых промптов для анализа данных на все случаи жизни

Теория — это хорошо, но практика лучше. Ниже представлены 30 шаблонов промптов, сгруппированных по основным этапам работы аналитика. Каждый шаблон — это полнообъемная заготовка, которую можно адаптировать под свою задачу, просто заполнив переменные в квадратных скобках. Это основа, которая поможет вам создавать эффективные промты для анализа данных.

Категория 1: Подготовка и очистка данных

Это самый недооцененный, но самый важный этап. Без чистых данных любой анализ превращается в фикцию.

Промпт 1: Поиск пропусков и аномалий

Задача: Найти проблемы в сыром датасете перед началом анализа.

Роль	Ты — дотошный дата-инженер, твоя задача — провести аудит качества данных.
Контекст	Мне нужно подготовить датасет [название датасета, например, ‘user_actions.csv’] к построению модели оттока. Перед этим необходимо найти все потенциальные проблемы в данных.
Описание данных	Файл содержит столбцы: [список столбцов, например, ‘user_id’, ‘registration_date’, ‘last_visit’, ‘total_spent’, ‘country’]. Особое внимание обрати на столбец [проблемный столбец, например, ‘total_spent’], где могут быть отрицательные значения.
Задача	Проанализируй датасет и составь отчет о качестве данных. Для каждого столбца определи: 1. Процент пропущенных значений (NaN). 2. Наличие аномальных значений (например, выбросы, отрицательные суммы, неверный формат дат). 3. Количество уникальных значений.
Формат ответа	Представь результат в виде таблицы с колонками: ‘Название столбца’, ‘Тип данных’, ‘% пропусков’, ‘Примеры аномалий’, ‘Кол-во уникальных’. После таблицы дай 2-3 рекомендации по исправлению найденных проблем.

Наставнический совет: Никогда не пропускайте этот шаг. Пять минут, потраченные на проверку данных, могут спасти вас от часов поиска ошибки в неверных выводах, построенных на “грязной” информации.

Промпт 2: Генерация Python-кода для очистки данных

Задача: Автоматизировать процесс очистки на основе ранее найденных проблем.

Роль	Ты — опытный Python-разработчик, специализирующийся на библиотеке Pandas.
Контекст	На основе отчета о качестве данных для файла [название файла], мне нужен скрипт для его очистки.
Задача	Напиши Python-код, который выполняет следующие действия: 1. Загружает [название файла] в DataFrame. 2. В столбце [столбец с пропусками, например, ‘age’] заменяет пропуски на [метод замены, например, ‘медианное значение по столбцу’]. 3. Удаляет строки, где в столбце [критичный столбец, например, ‘user_id’] есть пропуски. 4. В столбце [столбец с аномалиями, например, ‘balance’] заменяет все отрицательные значения на 0. 5. Преобразует столбец [столбец с датой, например, ‘reg_date’] в формат datetime.
Формат ответа	Предоставь только готовый к выполнению Python-код с краткими комментариями к каждому шагу.
Ограничения	Используй только библиотеку Pandas.

Промпт 3: Стандартизация текстовых данных

Задача: Привести к единому виду категориальные переменные, где есть дубли из-за регистра или опечаток.

Роль	Ты — специалист по обработке естественного языка (NLP).
Контекст	В датасете [название датасета] есть столбец [название столбца, например, ‘city’], в котором один и тот же город может быть записан по-разному: ‘Москва’, ‘москва’, ‘г. Москва’. Это мешает корректной группировке.
Задача	Предложи Python-код на Pandas, который приводит все значения в столбце [название столбца] к нижнему регистру, удаляет лишние пробелы по краям и заменяет распространенные варианты написания ([список вариантов, например, ‘г. ‘, ‘гор. ‘]) на пустую строку.
Формат ответа	Готовый Python-код с комментариями.

Промпт 4: Создание новых признаков (Feature Engineering)

Задача: Обогатить датасет новыми, потенциально полезными для моделирования, переменными.

Роль	Ты — креативный дата-сайентист, который умеет извлекать из данных максимум информации.
Контекст	Я готовлю данные для модели прогнозирования спроса на товары. Датасет [название датасета] содержит историю продаж.
Описание данных	Ключевые столбцы: ‘date’ (дата продажи), ‘price’ (цена), ‘quantity’ (количество).
Задача	Предложи, какие 5 новых признаков можно сгенерировать из столбца ‘date’. Для каждого признака объясни его потенциальную пользу для модели и предоставь код на Pandas для его создания.
Примеры	Например: ‘day_of_week’ (день недели) – чтобы отследить недельные циклы спроса; ‘is_holiday’ (является ли день праздничным).
Формат ответа	Список из 5 пунктов. Каждый пункт: Название признака, Объяснение пользы, Код для генерации.

Промпт 5: Проверка на дубликаты

Задача: Найти и обработать полностью или частично дублирующиеся записи.

Роль	Ты — аудитор данных.
Контекст	Есть подозрение, что из-за сбоя в системе в нашу базу заказов [название файла] попали дубликаты.
Описание данных	Каждый заказ уникально идентифицируется по столбцу [уникальный идентификатор, например, ‘order_id’].
Задача	Напиши код на Pandas, который: 1. Находит и выводит количество полных дубликатов строк. 2. Находит и выводит строки, которые являются дубликатами по столбцу [уникальный идентификатор]. 3. Предложи код для удаления дубликатов, оставляя только первое вхождение.
Формат ответа	Три блока кода с пояснениями к каждому.

Категория 2: Исследовательский анализ данных (EDA)

На этом этапе мы знакомимся с данными, ищем паттерны, распределения и взаимосвязи.

Промпт 6: Расчет основных описательных статистик

Задача: Получить первое общее представление о числовых данных в датасете.

Роль	Ты — статистик, готовишь сводный отчет.
Контекст	Нужно быстро оценить основные показатели в датасете [название датасета] о [предметная область, например, ‘показатели эффективности рекламных кампаний’].
Описание данных	Числовые столбцы для анализа: [список столбцов, например, ‘budget’, ‘clicks’, ‘impressions’, ‘cpc’].
Задача	Для каждого из указанных числовых столбцов рассчитай: среднее значение, медиану, стандартное отклонение, минимальное, максимальное значение, 25-й и 75-й перцентили.
Формат ответа	Представь результат в виде таблицы, где строки — это названия столбцов, а столбцы — это рассчитанные статистики.

Промпт 7: Анализ распределения переменной

Задача: Понять, как распределены значения конкретной важной переменной.

Роль	Ты — дата-аналитик, исследуешь поведение пользователей.
Контекст	Я хочу понять, как распределяется возраст наших клиентов, чтобы лучше настроить таргетинг.
Описание данных	Датасет [название датасета], столбец для анализа ‘age’.
Задача	1. Построй гистограмму распределения для столбца ‘age’. 2. Рассчитай асимметрию и эксцесс, чтобы оценить форму распределения. 3. Напиши краткий вывод (2-3 предложения) о характере распределения (например, ‘нормальное’, ‘скошено вправо’, ‘имеет два пика’).
Формат ответа	Python-код для построения гистограммы с использованием Matplotlib/Seaborn, затем числовые значения асимметрии/эксцесса и текстовый вывод.

Промпт 8: Поиск и визуализация корреляций

Задача: Найти взаимосвязи между числовыми переменными.

Роль	Ты — дата-сайентист, ищешь предикторы для будущей модели.
Контекст	Нужно выяснить, какие факторы больше всего влияют на [целевая переменная, например, ‘итоговую оценку студента’].
Описание данных	Датасет [название датасета] с числовыми столбцами: [список столбцов, например, ‘hours_studied’, ‘attendance_rate’, ‘previous_score’, ‘final_grade’].
Задача	1. Рассчитай матрицу корреляций Пирсона для указанных столбцов. 2. Визуализируй эту матрицу с помощью тепловой карты (heatmap) в библиотеке Seaborn. 3. Выдели 3 пары переменных с наибольшей положительной и отрицательной корреляцией (исключая корреляцию переменной с самой собой).
Формат ответа	Код для расчета и визуализации. После кода — текстовый список найденных пар с указанием коэффициента корреляции.

Наставнический совет: Помните, что корреляция — это не причинно-следственная связь! Высокая корреляция между продажами мороженого и солнечными ожогами не означает, что одно вызывает другое. Есть третий фактор — жаркая погода. ИИ этого не объяснит, если вы не спросите.

Промпт 9: Анализ выбросов

Задача: Найти и оценить аномально большие или малые значения.

Роль	Ты — специалист по обнаружению фрода.
Контекст	Мы анализируем транзакции [название датасета] и хотим найти подозрительно крупные операции.
Описание данных	Столбец для анализа: [название столбца, например, ‘transaction_amount’].
Задача	1. Визуализируй распределение значений в столбце [название столбца] с помощью диаграммы “ящик с усами” (boxplot). 2. Определи верхнюю и нижнюю границы для выбросов, используя метод межквартильного размаха (IQR * 1.5). 3. Выведи 5 наибольших значений, которые являются выбросами.
Формат ответа	Код для визуализации и расчетов. Затем список 5 аномальных значений.

Промпт 10: Сравнение двух сегментов

Задача: Сравнить ключевые метрики между двумя группами (например, тестовой и контрольной).

Роль	Ты — маркетолог-аналитик, оцениваешь результаты A/B-теста.
Контекст	Мы провели A/B-тест нового дизайна кнопки ‘Купить’. В данных есть столбец ‘group’ (‘A’ – контроль, ‘B’ – тест) и столбец ‘converted’ (1 – купил, 0 – не купил).
Задача	Сравни две группы по следующим метрикам: 1. Уровень конверсии (CR). 2. Средний чек (если есть данные о сумме покупки). 3. Любая другая релевантная метрика из датасета.
Формат ответа	Представь результат в виде таблицы, где строки — это метрики, а столбцы — ‘Группа А’, ‘Группа B’, ‘Разница (%)’.

Промпт 11: Сводный EDA-отчет

Задача: Автоматически сгенерировать базовый отчет по всему датасету.

Роль	Ты — ИИ-ассистент для дата-аналитика.
Контекст	Мне нужно быстро получить общее представление о новом датасете [название датасета].
Задача	Сгенерируй профиль датасета. Для этого напиши Python-код, который использует библиотеку [библиотека, например, ‘pandas-profiling’ или ‘ydata-profiling’] для создания интерактивного HTML-отчета.
Формат ответа	Только Python-код, который генерирует и сохраняет отчет в файл ‘report.html’.

Категория 3: Статистический анализ и проверка гипотез

Здесь мы переходим от описаний к строгим выводам, основанным на статистических методах.

Промпт 12: Формулирование гипотез (H0 и H1)

Задача: Корректно сформулировать нулевую и альтернативную гипотезы для проверки.

Роль	Ты — преподаватель статистики.
Контекст	Я хочу проверить, влияет ли [фактор, например, ‘пройденный обучающий курс’] на [метрика, например, ‘успеваемость студентов’].
Задача	Сформулируй нулевую (H0) и альтернативную (H1) гипотезы для этой проверки. Объясни простыми словами, что означает каждая из них.
Формат ответа	H0: [формулировка] Объяснение: [текст] H1: [формулировка] Объяснение: [текст]

Промпт 13: Выбор подходящего статистического теста

Задача: Помочь выбрать правильный инструмент для проверки гипотезы.

Роль	Ты — консультант по статистике.
Контекст	Мне нужно сравнить [метрика, например, ‘среднее время, проведенное на сайте’] между [количество групп, например, ‘двумя группами пользователей (с рекламы и из поиска)’].
Описание данных	Данные [тип данных, например, ‘независимые’]. Распределение [характер распределения, например, ‘близко к нормальному’].
Задача	Какой статистический тест лучше всего подходит для моей задачи? Предложи основной вариант и 1-2 альтернативных, если предположения не выполняются (например, если распределение ненормальное).
Формат ответа	Основной тест: [название теста, например, ‘t-тест для независимых выборок’]. Альтернатива: [название теста, например, ‘U-критерий Манна-Уитни’]. Кратко объясни, почему предлагается именно такой выбор.

Промпт 14: Интерпретация результатов A/B-теста

Задача: Помочь сделать правильный вывод из полученных статистических данных.

Роль	Ты — опытный продакт-менеджер.
Контекст	Мы провели A/B-тест и получили p-value = [значение, например, 0.03]. Уровень значимости (альфа) мы выбрали 0.05. Конверсия в группе B (тестовой) выше на 10%, чем в группе A (контрольной).
Задача	Интерпретируй эти результаты. Можем ли мы считать, что разница статистически значима? Какое бизнес-решение следует принять (раскатывать изменение на всех пользователей или нет)? Объясни свой вывод простыми словами.
Формат ответа	Четкий ответ: “Да/Нет, разница [не] является статистически значимой, потому что…”. Затем рекомендация по бизнес-решению с обоснованием.

Промпт 15: Проведение регрессионного анализа

Задача: Построить модель линейной регрессии и интерпретировать ее коэффициенты.

Роль	Ты — эконометрист.
Контекст	Я хочу понять, как [фактор 1, например, ‘расходы на рекламу’] и [фактор 2, например, ‘количество опубликованных статей в блоге’] влияют на [целевая переменная, например, ‘объем продаж’].
Задача	Напиши Python-код с использованием библиотеки `statsmodels`, который строит модель множественной линейной регрессии. Зависимая переменная — [целевая переменная], независимые — [фактор 1] и [фактор 2]. Выведи на экран сводку по модели (summary).
Формат ответа	Готовый Python-код.

Промпт 16: Интерпретация коэффициентов регрессии

Задача: Объяснить, что означают цифры в отчете регрессионной модели.

Роль	Ты — аналитик, объясняешь результаты модели бизнесу.
Контекст	Я получил отчет по модели регрессии. Коэффициент при переменной [название переменной, например, ‘ad_spend’] равен [значение, например, 5.4], а p-value для него < 0.01. R-квадрат модели равен [значение, например, 0.65].
Задача	Объясни на простом языке, что означают эти три числа: 1. Коэффициент 5.4. 2. P-value < 0.01. 3. R-квадрат 0.65.
Формат ответа	Три пункта с объяснениями, понятными человеку без статистического образования.

Категория 4: Прогнозирование и моделирование

Самая “модная” часть работы — предсказание будущего на основе прошлого.

Промпт 17: Построение модели временного ряда (ARIMA)

Задача: Спрогнозировать будущие значения на основе исторических данных.

Роль	Ты — специалист по анализу временных рядов.
Контекст	Мне нужно спрогнозировать [метрика, например, ‘количество ежедневных посетителей сайта’] на [горизонт прогноза, например, ‘следующие 30 дней’].
Описание данных	У меня есть датасет с двумя колонками: ‘date’ и ‘visits’ за [период, например, ‘последние 2 года’].
Задача	Напиши Python-код, который: 1. Проверяет ряд на стационарность с помощью теста Дики-Фуллера. 2. Если ряд не стационарен, применяет дифференцирование. 3. Подбирает оптимальные параметры (p, d, q) для модели ARIMA. 4. Обучает модель и строит прогноз. 5. Визуализирует исторические данные, прогноз и доверительный интервал.
Формат ответа	Полный Python-код с комментариями, использующий `statsmodels` и `matplotlib`.

Промпт 18: Создание модели бинарной классификации

Задача: Построить модель, предсказывающую одно из двух состояний (например, уйдет клиент или останется).

Роль	Ты — дата-сайентист, работаешь над задачей предотвращения оттока.
Контекст	Цель — построить модель, которая предсказывает отток клиентов.
Описание данных	Датасет содержит признаки [список 2-3 признаков, например, ‘срок жизни клиента’, ‘средний чек’, ‘частота покупок’] и целевую переменную ‘churn’ (1 – ушел, 0 – остался).
Задача	Напиши код на Python, который: 1. Разделяет данные на обучающую и тестовую выборки. 2. Обучает модель [тип модели, например, ‘Логистическая регрессия’ или ‘Случайный лес’] на обучающей выборке. 3. Делает предсказания на тестовой выборке.
Формат ответа	Код с использованием библиотеки `scikit-learn`.

Промпт 19: Оценка качества модели классификации

Задача: Понять, насколько хорошо работает обученная модель.

Роль	Ты — ML-инженер, проводишь валидацию модели.
Контекст	У меня есть истинные значения (y_test) и предсказания модели (y_pred).
Задача	1. Построй матрицу ошибок (confusion matrix). 2. Рассчитай метрики: Accuracy, Precision, Recall, F1-score. 3. Кратко объясни, что означает каждая из этих метрик в контексте моей задачи (предсказание оттока).
Формат ответа	Код на Python для расчета метрик, а затем текстовое объяснение каждой метрики.

Промпт 20: Объяснение важности признаков

Задача: Выяснить, какие факторы вносят наибольший вклад в предсказание модели.

Роль	Ты — интерпретатор моделей машинного обучения.
Контекст	Я обучил модель [тип модели, например, ‘Градиентный бустинг’] и хочу понять, на какие данные она смотрит в первую очередь.
Задача	Напиши код, который извлекает и визуализирует важность признаков (feature importance) из обученной модели. Выведи топ-5 самых важных признаков.
Формат ответа	Код на Python (`scikit-learn` или другая релевантная библиотека) и список топ-5 признаков.

Промпт 21: Подбор гиперпараметров модели

Задача: Найти оптимальные настройки для модели, чтобы улучшить ее качество.

Роль	Ты — специалист по оптимизации ML-моделей.
Контекст	Моя модель [тип модели, например, ‘Случайный лес’] показывает не очень высокое качество. Я хочу его улучшить.
Задача	Напиши код, который использует [метод подбора, например, ‘GridSearchCV’ или ‘RandomizedSearchCV’] для подбора оптимальных гиперпараметров [список гиперпараметров, например, ‘n_estimators’, ‘max_depth’] для модели.
Формат ответа	Готовый к запуску код на `scikit-learn`.

Категория 5: Сегментация и кластеризация

Группировка объектов по схожим признакам для лучшего понимания аудитории.

Промпт 22: Проведение RFM-анализа клиентов

Задача: Сегментировать клиентскую базу по давности, частоте и сумме покупок.

Роль	Ты — маркетолог-аналитик, специализирующийся на программах лояльности.
Контекст	Нужно сегментировать наших клиентов для запуска персонализированных маркетинговых кампаний.
Описание данных	Датасет транзакций содержит столбцы ‘customer_id’, ‘order_date’, ‘order_amount’. Текущая дата для расчета Recency — [текущая дата].
Задача	Напиши Python-код, который: 1. Для каждого клиента рассчитывает Recency, Frequency, Monetary. 2. На основе этих показателей присваивает каждому клиенту сегмент (например, ‘Чемпионы’, ‘Спящие’, ‘В зоне риска’).
Формат ответа	Полный код на Pandas с комментариями.

Промпт 23: Кластеризация методом K-Means

Задача: Разделить данные на K групп на основе их характеристик.

Роль	Ты — дата-сайентист.
Контекст	Хочу разделить пользователей мобильного приложения на группы по их поведению.
Описание данных	Датасет содержит признаки: [признак 1, например, ‘количество сессий в неделю’], [признак 2, например, ‘средняя длительность сессии’].
Задача	Напиши код, который: 1. Стандартизирует данные (это важно для K-Means). 2. Применяет алгоритм K-Means для разделения данных на [количество кластеров, например, 3] кластера. 3. Добавляет номер кластера в исходный DataFrame. 4. Визуализирует результат с помощью диаграммы рассеяния (scatterplot), где точки раскрашены в зависимости от кластера.
Формат ответа	Код на Python (`scikit-learn`, `matplotlib`).

Промпт 24: Описание и интерпретация кластеров

Задача: Дать бизнес-названия и описания полученным после кластеризации группам.

Роль	Ты — продуктовый аналитик.
Контекст	Я провел кластеризацию и получил 3 группы пользователей. Теперь нужно понять, кто эти люди.
Описание данных	Я рассчитал средние значения признаков (‘количество сессий’, ‘длительность сессии’, ‘сумма покупок’) для каждого кластера. Вот они: [вставьте сюда таблицу или описание средних значений для каждого кластера].
Задача	На основе этих данных, дай каждому кластеру осмысленное название (например, ‘Активные покупатели’, ‘Случайные посетители’) и краткое описание их типичного поведения.
Формат ответа	Список из 3 пунктов. Каждый пункт: Название кластера, Описание, Рекомендация по работе с этим сегментом.

Промпт 25: Определение оптимального числа кластеров

Задача: Найти “правильное” количество кластеров для алгоритма K-Means.

Роль	Ты — исследователь данных.
Контекст	Я хочу применить K-Means, но не знаю, сколько кластеров (K) выбрать.
Задача	Напиши код, который использует “метод локтя” (elbow method) для определения оптимального числа кластеров в диапазоне от [начало диапазона, например, 2] до [конец диапазона, например, 10]. Визуализируй результат.
Формат ответа	Код на Python и график, показывающий зависимость суммы квадратов расстояний от числа кластеров.

Категория 6: Визуализация и интерпретация

Представление результатов в понятном виде для принятия решений.

Промпт 26: Создание кода для сложного графика

Задача: Нарисовать кастомизированный график для презентации.

Роль	Ты — эксперт по визуализации данных, мастер библиотек Matplotlib и Seaborn.
Контекст	Мне нужен график для отчета, который сравнивает [что сравниваем, например, ‘ежемесячные продажи’] по [по каким категориям, например, ‘трем разным регионам’].
Задача	Напиши код, который строит [тип графика, например, ‘линейный график с тремя линиями’]. Ось X — месяцы, ось Y — сумма продаж. Каждая линия соответствует одному региону. Сделай график красивым: добавь заголовок, подписи осей, легенду. Линию для региона [название региона] сделай пунктирной.
Формат ответа	Готовый код на Python.

Промпт 27: Рекомендация лучшего типа диаграммы

Задача: Помочь выбрать наиболее подходящий способ визуализации для конкретных данных.

Роль	Ты — консультант по инфографике.
Контекст	Мне нужно наглядно показать [что показать, например, ‘долю каждого источника трафика в общем объеме за месяц’].
Описание данных	У меня есть данные: Поиск – 50%, Соцсети – 30%, Прямые заходы – 15%, Реклама – 5%.
Задача	Какой тип диаграммы лучше всего подойдет для этой задачи? Предложи 2-3 варианта (например, круговая, столбчатая) и объясни плюсы и минусы каждого в данном случае. Какой из них ты считаешь оптимальным и почему?
Формат ответа	Текстовый ответ с разбором вариантов и итоговой рекомендацией.

Промпт 28: Написание выводов по готовому графику

Задача: Сформулировать ключевые инсайты, которые видны на графике.

Роль	Ты — бизнес-аналитик, готовишь презентацию для руководства.
Контекст	Передо мной график [описание графика, например, ‘столбчатая диаграмма, показывающая средний чек по дням недели’]. На графике видно, что в субботу и воскресенье средний чек на 25% выше, чем в будни. В понедельник — самый низкий показатель.
Задача	Сформулируй 3 ключевых вывода из этого графика, понятных для нетехнического специалиста (например, для директора по маркетингу). К каждому выводу добавь возможную бизнес-гипотезу, которая это объясняет.
Формат ответа	Список из 3 выводов. Каждый вывод + гипотеза.

Промпт 29: Подготовка текста для дашборда

Задача: Написать лаконичные и информативные заголовки и подписи для дашборда.

Роль	Ты — BI-аналитик, проектируешь дашборд в [инструмент, например, ‘Яндекс Datalens’ или ‘Power BI’].
Контекст	Я создаю дашборд для отдела продаж. На нем будет 3 графика: 1. Динамика выручки по дням. 2. Воронка продаж (от визита до покупки). 3. Топ-5 менеджеров по объему сделок.
Задача	Для каждого из этих трех графиков предложи: 1. Краткий, но емкий заголовок. 2. Описание в одно предложение, отвечающее на вопрос “Что этот график показывает?”. 3. Ключевой показатель (KPI), который на нем отображен.
Формат ответа	Структурированный текст по трем графикам.

Промпт 30: Генерация Executive Summary по результатам анализа

Задача: Сделать краткую выжимку из большого аналитического отчета для топ-менеджмента.

Роль	Ты — ассистент генерального директора.
Контекст	Я провел большое исследование [тема исследования, например, ‘причин снижения лояльности клиентов’]. Отчет на 20 страниц, но директору нужна выжимка на 1 страницу.
Описание данных	Ключевые находки: 1. Лояльность снизилась на 15% за полгода. 2. Основная причина — ухудшение качества службы поддержки (время ответа выросло на 50%). 3. Клиенты, столкнувшиеся с плохим сервисом, уходят в 3 раза чаще. 4. [Еще один ключевой факт].
Задача	Напиши Executive Summary (краткую сводку для руководителя) объемом не более 200 слов. В сводке должны быть отражены: 1. Основная проблема в цифрах. 2. Главная причина проблемы. 3. 2-3 конкретные рекомендации, что делать дальше.
Формат ответа	Готовый текст в деловом стиле.

Частые ошибки и как их избежать

Даже с хорошими шаблонами на руках можно совершить ошибки, которые сведут на нет все усилия. Давайте рассмотрим самые распространенные “грабли”, на которые наступают при работе с ИИ-аналитиком, и способы их обойти.

Вопрос: Можно ли полностью доверять коду или расчетам, которые генерирует ИИ?

Ответ: Категорически нет. Относитесь к ИИ как к очень быстрому, но иногда небрежному стажеру. Он может “забыть” импортировать библиотеку, использовать устаревший синтаксис или допустить логическую ошибку в расчетах. Особенно часто это случается в сложных, многоэтапных задачах. Всегда проверяйте сгенерированный код и перепроверяйте критически важные цифры.

Вопрос: Что делать, если ИИ “галлюцинирует” — придумывает несуществующие функции или факты?

Ответ: “Галлюцинации” — это побочный эффект работы языковых моделей. Они не “знают” факты, а предсказывают наиболее вероятное следующее слово. Если в обучающих данных часто встречалась какая-то конструкция, ИИ может ее воспроизвести, даже если она неверна. Способы борьбы:

• Уточняйте версии. Указывайте конкретные версии библиотек (“используй Pandas 2.1”).
• Просите ссылки. Для фактологических вопросов просите предоставить источник информации.
• Разбивайте задачу. Чем проще и конкретнее задача, тем меньше простора для галлюцинаций.

Вопрос: Безопасно ли загружать в ChatGPT или другие облачные ИИ конфиденциальные данные компании?

Ответ: Абсолютно небезопасно, если вы используете публичные версии этих сервисов. По умолчанию ваши данные могут использоваться для дальнейшего обучения модели. Никогда не загружайте в общедоступные чаты клиентские базы, финансовые отчеты и любую другую чувствительную информацию. Используйте локальные модели или корпоративные версии ИИ с гарантией конфиденциальности. Если такой возможности нет — работайте с анонимизированными или синтетическими данными.

Вопрос: ИИ постоянно выдает ошибку или не понимает мою сложную задачу. Что я делаю не так?

Ответ: Скорее всего, вы пытаетесь решить слишком большую задачу за один раз. ИИ лучше справляется с последовательностью небольших, четко определенных шагов. Вместо того чтобы просить “провести полный анализ и построить дашборд”, разбейте это на этапы:

1. “Помоги мне очистить данные (промпт №2)”.
2. “Теперь давай рассчитаем основные статистики (промпт №6)”.
3. “Помоги найти корреляции (промпт №8)”.
4. “Напиши код для этого графика (промпт №26)”.
5. И так далее.

Такой итеративный подход гораздо эффективнее и дает вам больше контроля над процессом.

Заключение: ИИ — это молоток, а не строитель

Искусственный интеллект — это невероятно мощный инструмент, который действительно может ускорить работу аналитика в десятки раз. Он способен за секунды написать код, на который у человека ушли бы часы, обработать огромные объемы текста и найти базовые закономерности в данных. Но он не заменит аналитика. Он заменит рутину в его работе.

Ключевая мысль, которую стоит вынести из этой статьи: качество результата напрямую зависит от качества запроса. Бессмысленно ожидать гениальных открытий от расплывчатых промптов для анализа данных. ИИ — это не волшебная кнопка “сделать хорошо”, а скорее высокоточный, но “слепой” исполнитель. Ваша задача как аналитика — стать его “зрячим” поводырем: задать контекст, поставить четкую цель и указать на все подводные камни.

Ваши следующие шаги:

1. Не копируйте вслепую. Возьмите 2-3 шаблона из этой статьи, которые наиболее актуальны для ваших текущих задач.
2. Адаптируйте их. Замените переменные в квадратных скобках на свои данные, цели и контекст. Попробуйте добавить или убрать какой-то из 8 компонентов промпта и посмотрите, как это повлияет на результат.
3. Создайте свою библиотеку. Сохраняйте самые удачные варианты промптов, которые хорошо сработали именно для вас. Со временем у вас появится собственный набор проверенных инструментов для рутинных задач.

Начните применять этот структурированный подход уже сегодня. Вы удивитесь, насколько более точными, релевантными и полезными станут ответы нейросети. Перестаньте быть просто пользователем ИИ — станьте его архитектором.