AI для аналитики: 3 практических кейса с промптами

Начну с ограничений, потому что они определяют весь остальной процесс. Модель не считает: она предсказывает текст, и арифметика в ответе может быть неверной без всякого предупреждения. Любая цифра, полученная в чате, проверяется в таблице.

• Не доверяйте расчётам: суммы, доли, средние — считает таблица или SQL.
• Не давайте персональные данные клиентов: обезличивайте выгрузку до загрузки.
• Не просите «сделать вывод» по данным, которых модель не видит целиком.
• Не публикуйте цифры из ответа без сверки с источником.

Что остаётся: структурирование, формулировки, гипотезы, черновик текста вокруг чисел. Это и есть большая часть времени, которое уходит на отчёт.

Ситуация: выгрузка на несколько десятков строк, нужно понять, что рассказать команде. Считает таблица, а модель помогает превратить набор чисел в список гипотез и проверяемых вопросов.

ROLE: ты — маркетинговый аналитик, который формулирует гипотезы,
а не считает.

ДАННЫЕ (уже посчитаны, менять числа нельзя):
"""
{{вставьте таблицу: кампания, расход, показы, клики, заявки, CPL}}
"""
КОНТЕКСТ: {{период, что менялось в этом периоде, цель}}

TASK:
1. Опиши, что происходит с данными, по фактам: 5 наблюдений
   со ссылкой на конкретные строки.
2. Дай 5 гипотез «почему», отметив каждую как проверяемую или нет.
3. Для каждой проверяемой гипотезы — какой срез данных нужен,
   чтобы её проверить.
4. Отдельно: чего в этих данных не хватает для вывода.

ОГРАНИЧЕНИЯ: не пересчитывай числа, не округляй, не добавляй
рыночных бенчмарков и «средних по отрасли». Если наблюдение
не следует из данных — не пиши его.

Запрет на бенчмарки здесь ключевой: «средний CPL по отрасли» модель выдаст с готовностью, и это будет выдуманное число, которое потом уедет в презентацию.

Задача, где AI экономит больше всего: прочитать массив текстовых ответов и вытащить из них темы. Раньше это была ручная кодировка на полдня, теперь — двадцать минут с проверкой выборки.

ROLE: ты — исследователь, который кодирует открытые ответы.

ОТЗЫВЫ (по одному на строку, обезличенные):
"""
{{вставьте отзывы}}
"""

TASK:
1. Выдели 6-10 повторяющихся тем. Для каждой: название темы,
   сколько отзывов к ней относится, 2 дословные цитаты.
2. Отдельно вынеси единичные, но серьёзные жалобы (даже если
   встретились один раз).
3. Отметь темы, где формулировки противоречат друг другу.
4. Не интерпретируй причины — только то, что сказано в отзывах.

ФОРМАТ: таблица тема | количество | цитаты, затем два списка.
ОГРАНИЧЕНИЯ: цитаты приводи дословно, без правки орфографии.
Не считай проценты.

Проверка обязательна: возьмите 10-15 отзывов вручную и сверьте, попали ли они в правильные темы. Если модель ошиблась больше чем в двух — уточните названия тем в промпте и прогоните заново.

Такое использование ближе к «извлечению информации из данных, которые модель видит целиком», чем к генерации знания — и именно этот режим в исследованиях по retrieval-augmented подходам считается наиболее устойчивым: модель работает с предоставленным материалом, а не с памятью.

Lewis P. et al. · Retrieval-Augmented Generation

Отчёт — это не таблица, а текст вокруг таблицы: что случилось, почему, что делаем дальше. Черновик такого текста модель собирает хорошо, если дать ей посчитанные числа и запретить их менять.

ROLE: ты — маркетолог, который пишет отчёт для руководителя.
Руководитель не любит длинные тексты и не разбирается в инструментах.

ЦИФРЫ (проверены, не менять):
"""
{{ключевые метрики за период + сравнение с прошлым}}
"""
РЕШЕНИЯ, КОТОРЫЕ Я УЖЕ ПРИНЯЛ:
"""
{{что делаем в следующем месяце и почему}}
"""

TASK: собери отчёт по структуре:
1. Итог одной строкой.
2. Три факта с числами.
3. Что не получилось — честно, одним абзацем.
4. Что делаем в следующем месяце: 3 пункта из моих решений.

ФОРМАТ: не более 2000 знаков, без вступления и заключения.
ОГРАНИЧЕНИЯ: не добавляй новых цифр и обещаний результата,
не объясняй руководителю термины, не пиши «мы продолжим
масштабировать успешные практики».

Блок «что не получилось» стоит требовать прямо. Без него модель пишет отчёт, в котором всё хорошо, а такой отчёт руководитель читает один раз.

Такой же принцип — «считает система, формулирует модель, решает человек» — работает и в поддержке: разбор в статье автоматизация ответов в поддержке.

• Арифметика и доли — в таблице, не в чате.
• Персональные данные — обезличиваются до загрузки.
• Рыночные бенчмарки — только из отчётов с датой и ссылкой.
• Выводы для решений о бюджете — принимает человек, письменно.
• Цитаты клиентов — дословно, без «улучшения» формулировок.

Правило, которое я держу для себя: если ошибка в этом месте будет стоить денег, здесь стоит человек. Модель работает там, где ошибка стоит одного лишнего прохода правки.