Топ-10 промптов для SQL и анализа данных

<p>Хороший промпт для SQL и анализа данных не должен просить «сделай красиво». Он должен задавать контекст, структуру таблиц, ограничения, ожидаемый формат и способ проверки. Ниже — 10 прикладных заготовок для рабочих задач: от написания запроса до проверки метрик и объяснения выводов бизнесу. Используйте их как черновик, а не как замену ревью: результат ИИ зависит от модели, качества входных данных и ваших ограничений.</p><h2>Как пользоваться подборкой</h2><p>В каждом блоке есть сценарий применения, готовый текст, переменные для замены, ожидаемый результат, проверка качества и частая ошибка. Перед отправкой промпта добавьте схему таблиц, тип СУБД, пример строк и бизнес-правила. Если данные чувствительные, обезличьте их.</p><h2>Таблица выбора промпта</h2><table><thead><tr><th>Задача</th><th>Подходящий промпт</th><th>Что проверить</th></tr></thead><tbody><tr><td>Написать SQL с нуля</td><td>Промпт 1</td><td>Поля, join, фильтры, диалект SQL</td></tr><tr><td>Ускорить медленный запрос</td><td>Промпт 2</td><td>План выполнения, индексы, кардинальность</td></tr><tr><td>Найти ошибки в данных</td><td>Промпт 3</td><td>Дубликаты, null, диапазоны, форматы</td></tr><tr><td>Посчитать метрику</td><td>Промпт 4</td><td>Определение числителя и знаменателя</td></tr><tr><td>Сравнить периоды или сегменты</td><td>Промпт 5</td><td>Размер выборки, сезонность, смещения</td></tr><tr><td>Подготовить выводы</td><td>Промпт 10</td><td>Связь с данными и ограничения</td></tr></tbody></table><h2>Промпты для SQL-запросов</h2><h3>Промпт 1</h3><p><strong>Когда использовать:</strong> нужно получить корректный SQL-запрос по описанию бизнес-задачи.</p><blockquote>Ты — аналитик данных. Напиши SQL для <code>{диалект_SQL}</code>. Задача: <code>{бизнес_вопрос}</code>. Таблицы: <code>{схема_таблиц}</code>. Ограничения: <code>{фильтры_и_период}</code>. Верни: 1) запрос, 2) пояснение логики, 3) список допущений, 4) проверки результата.</blockquote><p><strong>Переменные:</strong> <code>{диалект_SQL}</code>, <code>{бизнес_вопрос}</code>, <code>{схема_таблиц}</code>, <code>{фильтры_и_период}</code>.</p><p><strong>Ожидаемый output:</strong> один SQL-запрос и краткое объяснение join, group by и фильтров.</p><p><strong>Проверка качества:</strong> запустите запрос на ограниченной выборке и сравните количество строк с ручным расчетом.</p><p><strong>Частая ошибка:</strong> модель придумывает поля, если схема дана неполно.</p><h3>Промпт 2</h3><p><strong>Когда использовать:</strong> запрос работает, но выполняется слишком долго или дорого.</p><blockquote>Проанализируй SQL-запрос для <code>{СУБД}</code> и предложи оптимизацию без изменения бизнес-логики. Запрос: <code>{SQL}</code>. Есть индексы: <code>{индексы}</code>. Объемы таблиц: <code>{объемы}</code>. Верни улучшенную версию, причины изменений и риски.</blockquote><p><strong>Переменные:</strong> <code>{СУБД}</code>, <code>{SQL}</code>, <code>{индексы}</code>, <code>{объемы}</code>.</p><p><strong>Ожидаемый output:</strong> варианты переписывания, подсказки по индексам, предупреждения по full scan.</p><p><strong>Проверка качества:</strong> сравните план выполнения, время, стоимость и совпадение результата.</p><p><strong>Частая ошибка:</strong> совет по индексу без учета частоты обновления таблицы.</p><h3>Промпт 3</h3><p><strong>Когда использовать:</strong> нужно найти проблемы качества данных перед отчетом или моделью.</p><blockquote>Составь SQL-проверки качества данных для таблицы <code>{таблица}</code>. Схема: <code>{поля_и_типы}</code>. Бизнес-правила: <code>{правила}</code>. Проверь null, дубликаты, диапазоны, невозможные даты, нарушения связей и выбросы. Верни набор запросов и интерпретацию результатов.</blockquote><p><strong>Переменные:</strong> <code>{таблица}</code>, <code>{поля_и_типы}</code>, <code>{правила}</code>.</p><p><strong>Ожидаемый output:</strong> чек-запросы для аудита и таблица возможных дефектов.</p><p><strong>Проверка качества:</strong> подтвердите правила с владельцем данных, а не только с моделью.</p><p><strong>Частая ошибка:</strong> считать все null ошибкой, хотя часть полей может быть необязательной.</p><h2>Промпты для очистки и подготовки данных</h2><h3>Промпт 4</h3><p><strong>Когда использовать:</strong> нужно нормализовать грязные значения: статусы, каналы, города, категории.</p><blockquote>Предложи план очистки поля <code>{поле}</code> в таблице <code>{таблица}</code>. Примеры значений: <code>{примеры}</code>. Целевой справочник: <code>{справочник}</code>. Верни правила маппинга, SQL для применения, список неоднозначных случаев и проверки после очистки.</blockquote><p><strong>Переменные:</strong> <code>{поле}</code>, <code>{таблица}</code>, <code>{примеры}</code>, <code>{справочник}</code>.</p><p><strong>Ожидаемый output:</strong> правила преобразования и отдельный список значений для ручного решения.</p><p><strong>Проверка качества:</strong> посчитайте долю значений, попавших в «прочее» или unresolved.</p><p><strong>Частая ошибка:</strong> агрессивно объединять похожие строки без бизнес-подтверждения.</p><h3>Промпт 5</h3><p><strong>Когда использовать:</strong> нужно собрать витрину для регулярной аналитики.</p><blockquote>Спроектируй аналитическую витрину для задачи <code>{задача}</code>. Источники: <code>{таблицы}</code>. Гранулярность: <code>{уровень}</code>. Метрики: <code>{метрики}</code>. Верни структуру витрины, SQL-сборку, ключи, правила обновления и проверки целостности.</blockquote><p><strong>Переменные:</strong> <code>{задача}</code>, <code>{таблицы}</code>, <code>{уровень}</code>, <code>{метрики}</code>.</p><p><strong>Ожидаемый output:</strong> схема витрины, расчетные поля и порядок обновления.</p><p><strong>Проверка качества:</strong> проверьте, что одна бизнес-сущность не размножается из-за join.</p><p><strong>Частая ошибка:</strong> смешивать разные уровни детализации в одной строке витрины.</p><h2>Промпты для метрик и экспериментов</h2><h3>Промпт 6</h3><p><strong>Когда использовать:</strong> нужно формализовать метрику до написания SQL.</p><blockquote>Помоги описать метрику <code>{название_метрики}</code>. Контекст: <code>{контекст}</code>. Дай определение, числитель, знаменатель, окно расчета, фильтры, исключения, SQL-пример и тестовые кейсы для проверки.</blockquote><p><strong>Переменные:</strong> <code>{название_метрики}</code>, <code>{контекст}</code>.</p><p><strong>Ожидаемый output:</strong> спецификация метрики, пригодная для аналитической документации.</p><p><strong>Проверка качества:</strong> согласуйте определение с продуктом, финансами или владельцем процесса.</p><p><strong>Частая ошибка:</strong> менять фильтры между отчетами и получать несравнимые значения.</p><h3>Промпт 7</h3><p><strong>Когда использовать:</strong> нужно сравнить сегменты, периоды или когорты.</p><blockquote>Подготовь анализ сравнения <code>{что_сравниваем}</code> по метрике <code>{метрика}</code>. Данные: <code>{описание_таблиц}</code>. Период: <code>{период}</code>. Укажи SQL, контрольные срезы, возможные confounders, ограничения и формат итоговой таблицы.</blockquote><p><strong>Переменные:</strong> <code>{что_сравниваем}</code>, <code>{метрика}</code>, <code>{описание_таблиц}</code>, <code>{период}</code>.</p><p><strong>Ожидаемый output:</strong> запросы для сравнения и список факторов, которые могут исказить вывод.</p><p><strong>Проверка качества:</strong> сравните размеры групп и проверьте сезонность.</p><p><strong>Частая ошибка:</strong> объявлять разницу причиной, хотя это только наблюдаемая корреляция.</p><h3>Промпт 8</h3><p><strong>Когда использовать:</strong> нужно проверить A/B-тест или экспериментальный вывод.</p><blockquote>Проверь дизайн и анализ эксперимента. Гипотеза: <code>{гипотеза}</code>. Группы: <code>{группы}</code>. Метрики: <code>{метрики}</code>. Данные: <code>{схема}</code>. Верни SQL для агрегации, проверки SRM, guardrail-метрики, ограничения и осторожную интерпретацию.</blockquote><p><strong>Переменные:</strong> <code>{гипотеза}</code>, <code>{группы}</code>, <code>{метрики}</code>, <code>{схема}</code>.</p><p><strong>Ожидаемый output:</strong> план проверки эксперимента и SQL-агрегации по группам.</p><p><strong>Проверка качества:</strong> отдельно проверьте распределение пользователей по группам и исключения.</p><p><strong>Частая ошибка:</strong> смотреть только целевую метрику и игнорировать побочные эффекты.</p><h2>Промпты для проверяемых выводов</h2><h3>Промпт 9</h3><p><strong>Когда использовать:</strong> нужно найти аномалии и объяснить, где копать дальше.</p><blockquote>Проанализируй аномалию в метрике <code>{метрика}</code>. Описание: <code>{что_изменилось}</code>. Доступные разрезы: <code>{разрезы}</code>. Таблицы: <code>{схема}</code>. Предложи диагностические SQL-запросы, дерево причин, проверки данных и список выводов, которые нельзя делать без дополнительных данных.</blockquote><p><strong>Переменные:</strong> <code>{метрика}</code>, <code>{что_изменилось}</code>, <code>{разрезы}</code>, <code>{схема}</code>.</p><p><strong>Ожидаемый output:</strong> гипотезы, диагностические запросы и приоритизация проверок.</p><p><strong>Проверка качества:</strong> сначала исключите сбой трекинга, изменение ETL и неполную загрузку.</p><p><strong>Частая ошибка:</strong> объяснять аномалию первым найденным сегментом без проверки базы сравнения.</p><h3>Промпт 10</h3><p><strong>Когда использовать:</strong> нужно превратить результаты анализа в аккуратный бизнес-вывод.</p><blockquote>Сформулируй выводы по анализу. Факты из данных: <code>{факты}</code>. Метод расчета: <code>{метод}</code>. Ограничения: <code>{ограничения}</code>. Аудитория: <code>{аудитория}</code>. Верни краткое резюме, подтверждающие цифры, что можно утверждать, что нельзя утверждать и следующие шаги.</blockquote><p><strong>Переменные:</strong> <code>{факты}</code>, <code>{метод}</code>, <code>{ограничения}</code>, <code>{аудитория}</code>.</p><p><strong>Ожидаемый output:</strong> текст без завышенных обещаний, с цифрами и оговорками.</p><p><strong>Проверка качества:</strong> каждое утверждение должно ссылаться на расчет, период и сегмент.</p><p><strong>Частая ошибка:</strong> превращать предположение в доказанный причинно-следственный вывод.</p><h2>Стартовый шаблон для любого аналитического промпта</h2><p>Если не знаете, с чего начать, используйте каркас: роль, задача, данные, ограничения, формат ответа, проверки. Чем меньше контекста вы дадите, тем выше риск правдоподобной, но неверной SQL-логики.</p><blockquote>Ты — <code>{роль}</code>. Реши задачу <code>{задача}</code> на данных <code>{схема_и_примеры}</code>. Не придумывай отсутствующие поля. Если информации недостаточно, задай вопросы. Верни результат в формате <code>{формат}</code> и добавь проверки качества.</blockquote><h2>Запуск: чеклист перед использованием</h2><ul><li>Указан диалект SQL: PostgreSQL, BigQuery, ClickHouse, MySQL или другой.</li><li>Добавлены схемы таблиц, ключи, типы данных и примеры строк.</li><li>Описаны бизнес-правила, исключения и период анализа.</li><li>Модель попросили явно перечислить допущения и неизвестные поля.</li><li>SQL проверен на тестовой выборке и сопоставлен с ручным расчетом.</li><li>Выводы отделены от гипотез, а ограничения записаны рядом с результатом.</li></ul><h2>FAQ</h2><p><strong>Можно ли сразу запускать SQL от ИИ в production?</strong> Нет. Сначала ревью, тестовая среда, лимиты и проверка результата. Особенно опасны массовые update и delete.</p><p><strong>Что делать, если модель уверенно пишет несуществующие поля?</strong> Дайте точную схему и добавьте инструкцию: не использовать поля, которых нет в списке; при нехватке данных задавать вопросы.</p><p><strong>ИИ может сам сделать надежный аналитический вывод?</strong> Он может помочь структурировать вывод, но надежность зависит от данных, методики и проверки человеком.</p><h2>Источники и ограничения</h2><p>Материал подготовлен как практическая редакционная подборка COMRAD404. Полезные справочные материалы по промптингу: <a href="https://help.openai.com/en/articles/10032626-prompt-engineering-best-practices-for-chatgpt">OpenAI: prompt engineering best practices</a>, <a href="https://zapier.com/blog/ai-prompt-templates/">Zapier: AI prompt templates</a>, <a href="https://help.zapier.com/hc/en-us/articles/36532133250317-How-to-prompt-AI-in-Zapier-products">Zapier: how to prompt AI</a>. Выводы ИИ требуют человеческой проверки и зависят от модели, формулировки задачи, схемы данных, качества трекинга и полноты входной информации.</p>