Нейросети для анализа данных: SQL, Python и отчёты с ИИ-ассистентом
Нейросети в анализе данных — это языковые модели вроде ChatGPT, GigaChat, Claude или «Алисы AI», которым аналитик описывает таблицы и задачу, а взамен получает черновик SQL-запроса, код на Python с библиотекой pandas, разбор чужого скрипта или набросок текста для отчёта. Считает по-прежнему база данных или ноутбук Jupyter: модель пишет инструкцию, а не результат. Навык складывается из трёх умений — точно описать схему и метрику, сверить запрос с контрольными цифрами и отличить сформулированный моделью вывод от доказанного.
Содержание

Главная ловушка здесь — не синтаксическая ошибка: такую база покажет сразу, и модель исправит запрос по тексту ошибки. Опаснее запрос, который выполняется и возвращает правдоподобное число: соединение таблиц удвоило выручку, фильтр по дате отрезал последний день месяца, пропуски молча выпали из группировки. Заметит это только тот, кто заранее знает, какой порядок цифр ожидать, и умеет их сверить.
Какие задачи аналитика можно отдать ассистенту
Лучше всего модель справляется там, где результат легко проверить. Она пишет первый вариант запроса по описанию схемы, переводит его с диалекта PostgreSQL на ClickHouse, предлагает код на pandas для склейки выгрузок, строит график в matplotlib, объясняет чужой запрос с оконными функциями. Формулы в электронных таблицах — отдельная тема, её разбирает наша статья о нейросетях для Excel; здесь речь о хранилище данных и коде.
Хуже доверять ассистенту то, что проверить трудно. Считать итоги прямо в чате рискованно: языковая модель подбирает правдоподобный ответ, а не складывает числа. Выбор статистического критерия тоже нельзя отдавать целиком — модель охотно предложит t-тест и напишет «различие значимо», не посмотрев на данные. А если речь о персональных данных клиентов или коммерческой тайне, ассистенту показывают только схему таблиц и выдуманные строки либо работают с моделью, развёрнутой внутри компании.
Учебный пример: средний чек по городам
Ситуация учебная. Аналитик сервиса доставки продуктов должен посчитать средний чек по городам за сентябрь и выяснить, вырос ли он в Казани после обновления ассортимента. В хранилище есть таблицы orders (заказ, клиент, время, город, статус, сумма) и order_items (позиции заказа). Реальные строки аналитик в чат не вставляет: он передаёт структуру таблиц, диалект базы и определение метрики — «сумма оплаченных заказов, делённая на их число». Модель возвращает запрос:
SELECT o.city, AVG(o.amount) AS avg_check
FROM orders o
JOIN order_items i ON i.order_id = o.order_id
WHERE o.status = 'paid'
AND o.created_at BETWEEN '2026-09-01' AND '2026-09-30'
GROUP BY o.city;
Он выполняется без ошибок, но соединение с позициями повторяет каждый заказ столько раз, сколько в нём товаров, и среднее смещается к крупным корзинам. А BETWEEN с датой без времени отрезает почти весь день 30 сентября, потому что ‘2026-09-30’ означает полночь. Первое аналитик видит, сравнив COUNT(*) и COUNT(DISTINCT order_id), второе — сверив число заказов с ежедневной сводкой. Есть и третья тонкость: время хранится в UTC, а отчётный месяц считают по Москве. Исправленный запрос обходится без лишнего соединения и фильтрует по полуоткрытому интервалу с поправкой на часовой пояс.
Сравнение Казани до и после обновления аналитик делает в pandas. Ассистент применяет t-тест и получает p меньше 0,05. Но несколько корпоративных заказов на десятки тысяч рублей тянут среднее вверх, и без них разница почти исчезает. Аналитик просит переписать сравнение через бутстреп по медиане, а в отчёт уходит осторожная формулировка: рост держится на нескольких крупных заказах, и связать его с ассортиментом нельзя — в те же недели в городе шла рекламная кампания.
Почему выполненный запрос ещё не ответ
Насколько модели сильны в SQL, зависит от того, на каких базах их проверяют. Авторы бенчмарка Spider 2.0 (Lei et al., ICLR 2025, arXiv:2411.07763) собрали 632 задачи из корпоративных сценариев: базы в BigQuery и Snowflake, часто больше тысячи столбцов, запросы длиннее ста строк. Агент на основе o1-preview решил 21,3 % задач, хотя на академических наборах показывал 91,2 % (Spider 1.0) и 73,0 % (BIRD). Решённой задача считается, только если результат запроса совпал с эталонной таблицей.
На странице лидерборда в октябре 2026 года лучшая система на подмножестве Spider 2.0-Lite набирает 76,23 %, а на Spider 2.0-DBT, где нужно доработать проект преобразования данных, — 65,6 %. Наверху таблицы стоят специализированные агенты, которые сами изучают метаданные базы, а не чат с вопросом. К тому же эталонные ответы открыты с 24 декабря 2024 года, так что совпадение с ними уже не доказывает, что система не видела задачу. Вывод для аналитика: точность падает вместе с объёмом того, что модели приходится угадывать, — какой статус считать оплатой, какие функции дат есть в вашем диалекте. Чем больше этого вы впишете в запрос, тем меньше места для догадок, но сверка результата всё равно остаётся частью работы.
Как проверять запрос, код и вывод
Проверку удобно вести от простого к сложному: сначала убедиться, что посчитаны нужные строки, потом — что метрика совпадает с определением, и только затем обсуждать смысл. Иначе можно долго искать причины роста, которого нет.
- Сверьте число строк до и после каждого соединения и фильтра.
- Сравните итог с контрольной цифрой: выручкой из финансового отчёта, числом заказов из сводки.
- Прогоните запрос на срезе из трёх-четырёх строк, посчитанных вручную.
- Проверьте граничные случаи: NULL, отмены, часовые пояса, края периода.
- Попросите модель объяснить запрос построчно и сравните с тем, что вы просили.
- Для статистического вывода выясните размер групп, форму распределения и число сравнений.
Последний пункт важен, когда сравнений много. Если проверить средний чек в двадцати городах при пороге 0,05, одно «значимое» различие в среднем появится случайно, даже если разницы нет нигде. Модель не обязана об этом напомнить, поэтому спрашивайте прямо, как учтена множественная проверка.
С чего начать и в каком порядке осваивать
Порядок выстроен так, чтобы на каждом шаге вы могли проверить ассистента своими силами. Сначала нужен минимум SQL и pandas без модели: если вы не знаете, чем LEFT JOIN отличается от INNER JOIN, ошибку в чужом запросе вы не заметите. Затем идут задачи, где промах виден сразу, и только потом — выводы для заказчика.
- Освойте выборку, фильтры, соединения, группировку и даты в SQL и pandas на любом открытом наборе данных.
- Составьте шаблон описания задачи: диалект, схема с типами столбцов, определение метрики, формат ответа.
- Просите модель объяснять чужие запросы и сверяйте объяснение с результатом выполнения.
- Генерируйте код на задачах с известным ответом: сначала посчитайте сами, потом сравните.
- Добавьте статистику — доверительные интервалы, бутстреп, проверку гипотез — и их допущения.
- Тренируйте выводы: просите набросать текст по готовым цифрам и вычёркивайте то, что из данных не следует.
Тем, кто уже пишет запросы и хочет встроить ассистента в работу, подойдёт онлайн-курс Karpov.Courses «ИИ для анализа данных»: пять недель, старт сразу после оплаты, вторая неделя целиком посвящена генерации SQL-запросов и скриптов на Python и проверке результата, в конце — итоговый проект. Школа прямо предупреждает, что анализу данных с нуля на курсе не учат.
Упражнения и ошибки новичков
Первое упражнение — ловушка в запросе: добавьте в свой рабочий запрос соединение, которое размножает строки, и попросите модель найти ошибку, не говоря, где она. Второе — перевод между инструментами: перепишите расчёт с SQL на pandas и сравните результаты. Расхождения часто прячутся в пропусках: заказы без города SQL собирает в отдельную группу NULL, а groupby в pandas по умолчанию молча их исключает. Третье — вывод без цифр: попросите абзац для руководителя по готовой таблице и подчеркните каждое утверждение, которого в таблице нет. Обычно это слова о причинах.
Типичные ошибки новичков — принять запрос, потому что он выполнился; вставить в чат выгрузку с телефонами клиентов; просить модель «посчитать» вместо «написать код, который посчитает»; не указать диалект и получить функцию, которой в вашей базе нет.
Если базы нет совсем, ассистент её не заменит: проверять его будет нечем. Тогда логичнее полная программа, где ИИ дополняет основу. На онлайн-курсе ProductStar «Профессия: Аналитик данных + ИИ» в базовом тарифе 96 уроков на 12 месяцев: 15 уроков SQL, 11 — Python, 8 — математической статистики, а блок «ИИ для аналитика» с промптами и генераторами запросов занимает четыре урока.
Как навык влияет на доход
В открытых зарплатных исследованиях отдельной надбавки за работу с ИИ-ассистентом найти не удалось. Доход аналитика определяют специализация, уровень и отрасль, а ассистент влияет на него косвенно — через объём задач, которые человек успевает довести до проверенного результата.
Ориентир даёт исследование Хабр Карьеры за первое полугодие 2026 года: зарплаты, которые пользователи указали в калькуляторе, 45 226 анкет по всем IT-специализациям. Медиана в специализации «Аналитика» — 220 000 ₽ в месяц в Москве, 180 000 ₽ в Санкт-Петербурге и 160 000 ₽ в других регионах. Это фактические зарплаты, а не предложения работодателей, но по всем видам аналитиков и уровням сразу: отдельной цифры для аналитика данных и разбивки по грейдам в тексте нет. Примеряя цифры к себе, смотрите медиану, ставьте фильтры по региону и опыту и уточняйте, сумма указана до вычета налога или на руки.
Как выбрать обучение
Хорошая программа учит не только просить модель, но и ловить её ошибки. Проверьте, есть ли задания на поиск промаха в сгенерированном запросе, проверяет ли проекты человек, работают ли студенты с базой реального размера и разбирают ли правила работы с конфиденциальными данными. Спросите и о том, входит ли доступ к моделям в цену.
Маркетологам и исследователям, которым нужен ИИ в работе с таблицами и текстами, а не профессия целиком, подойдёт онлайн-курс Eduson Academy «Нейросети для анализа и исследований». За четыре месяца в базовом тарифе проходят очистку данных, разведочный анализ, обработку текстов, визуализацию, SQL, генерацию кода и безопасность, в конце — дипломный проект. Какие нейросети используют, в описании не сказано — уточните у школы.
Выбирая между коротким курсом и профессией, исходите из того, что уже умеете. Если вы пишете запросы и знаете, что такое доверительный интервал, хватит нескольких недель практики с ассистентом. Если нет, короткая программа даст привычку обращаться к модели, но не способность её проверить.
Сравнить онлайн-школы, которые готовят аналитиков данных от нуля до первого рабочего уровня, помогает рейтинг онлайн-школ с обучением анализу данных: в нём собраны программы комплексной подготовки, а отдельные курсы по SQL, Excel и BI вынесены в другие разделы.