Разбор таблицы нейросетью: выводы из выгрузки без формул

Выгрузка из CRM, отчёт из рекламного кабинета, таблица продаж за квартал — во всех случаях данные уже есть, а выводов нет. Классический путь отсюда лежит через сводные таблицы и формулы, и это ровно то место, где человек без опыта работы с таблицами останавливается. Нейросеть даёт обходной путь: вы вставляете данные в чат и спрашиваете словами то, что иначе пришлось бы формулировать функцией.

Работает это не всегда одинаково хорошо. Модель отлично видит структуру и смысл таблицы, находит закономерности и формулирует наблюдения человеческим языком, но при этом остаётся ненадёжной в арифметике. Ниже — как подготовить выгрузку, что именно просить, где подстелить соломку и какие числа обязательно пересчитать самому.

Что модель делает с таблицей на самом деле

Когда вы вставляете таблицу в чат, для модели это просто текст: строки, разделители, заголовки колонок. Никакого пересчёта ячеек внутри не происходит — она читает данные так же, как читала бы абзац, и отвечает наиболее вероятным продолжением. Отсюда все сильные и слабые стороны сразу.

Сильная сторона — работа со смыслом. Модель понимает, что колонка «Дата» — это время, «Сумма» — деньги, а «Менеджер» — категория, и дальше рассуждает в этих терминах. Она замечает, что в одном сегменте средний чек выше, что три строки выбиваются из общего ряда, что после определённой даты картина изменилась. Она умеет группировать, сравнивать, сортировать наблюдения по важности и объяснять их простым языком. Это ровно то, ради чего обычно и строят сводную таблицу, только без сводной таблицы.

Слабая сторона — счёт. Сложить сорок чисел в колонке модель берётся охотно, но результат может отличаться от верного, и по тону ответа этого не видно. То же самое с процентами, долями и средними: формула названа правильно, а число рядом с ней получилось приблизительным. Подробнее механика такой ошибки разобрана в статье про нейросеть и математику — если коротко, языковая модель предсказывает текст, а не выполняет операцию умножения.

Практический вывод простой: у модели стоит спрашивать «что здесь происходит», а не «сколько получилось». Наблюдения, гипотезы, структура, аномалии — её территория. Итоговые суммы — ваша.

Как подготовить выгрузку

Половина плохих ответов возникает не из-за модели, а из-за того, в каком виде до неё доехали данные.

Одна строка заголовков. Выгрузки часто приходят с двухэтажной шапкой, объединёнными ячейками и парой служебных строк сверху. При копировании в чат всё это превращается в кашу, и модель начинает угадывать, где чьи значения. Перед отправкой оставьте одну строку с понятными названиями колонок, а объединённые заголовки разнесите: вместо двухуровневого «Продажи → Факт» напишите просто «Продажи_факт».

Понятные названия колонок. «Кол-во», «Ст-ть», «Дт» — экономия символов, которая стоит точности. Модель догадается о значении в половине случаев, а в остальных придумает своё. Переименуйте так, как объяснили бы новому сотруднику: «Количество штук», «Стоимость в рублях», «Дата заказа». Это две минуты работы и заметно более осмысленный ответ.

Один смысл в колонке. Если в поле «Сумма» местами лежит «1 200 руб.», местами «1200», а местами «нет данных», модель будет обращаться с этим как с текстом. Приведите формат к единому виду хотя бы визуально: одинаковые разделители, одинаковая запись пустых значений.

Лишнее — убрать. Персональные данные, телефоны, адреса, номера договоров редко нужны для анализа. Если задача — понять динамику продаж, фамилии клиентов на выводы не влияют, а отправлять их во внешний сервис ни к чему. Замените на «Клиент 1», «Клиент 2» или удалите колонку целиком. Это общая гигиена работы с любыми онлайн-сервисами.

Формат вставки. Проще всего скопировать диапазон и вставить в чат как есть — колонки разделятся табуляцией, и модель это читает нормально. Если данные приехали одной сплошной строкой, разбейте их построчно: каждая запись с новой строки. Строка заголовков должна быть первой.

Как резать большую таблицу

Тысяча строк в одном сообщении — плохая идея, даже если технически она поместится. Чем длиннее вставка, тем выше шанс, что модель начнёт работать с ней выборочно: подробно разберёт начало, а середину проскочит. Формально ответ будет, а часть данных в него не попадёт, и заметить это по тексту невозможно.

Резать нужно осмысленно, а не по количеству строк. Работают три принципа:

• По периодам. Месяц, неделя, квартал — по куску на период. Так удобно сравнивать: сначала разбираете каждый отрезок отдельно, потом просите сопоставить полученные выводы.
• По категориям. Отдельно каждый канал, регион, товарная группа. Внутри куска данные однородные, и наблюдения получаются точнее.
• По колонкам. Если в выгрузке тридцать полей, а вопрос касается пяти, остальные двадцать пять только мешают. Оставьте те, которые относятся к делу.

В каждом куске обязательно повторяйте строку заголовков — иначе второй фрагмент модель прочитает без понимания, что где лежит. И нумеруйте части в самом сообщении: «Часть 2 из 4, февраль». Полезно сразу дать модели инструкцию, как обращаться с частями:

Я пришлю таблицу продаж частями, по одному месяцу в сообщении. Не анализируй
части по отдельности и не делай выводов, пока я не напишу «данные закончились».
На каждую часть отвечай одной строкой: «принял, часть N, строк столько-то».

Такой приём защищает от типичной ситуации, когда модель на второй части уже начинает подводить итоги и забывает про первую.

Отдельно стоит сказать про предварительную свёртку. Если в выгрузке десять тысяч строк заказов, разбирать их построчно не нужно и незачем. Гораздо надёжнее заранее свернуть данные до уровня, на котором вопрос вообще имеет смысл: не каждый заказ, а сумма по дням; не каждая транзакция, а итог по менеджерам. Сотня строк агрегата даёт более осмысленный разбор, чем десять тысяч сырых записей, и вероятность потери данных при этом резко падает.

Что просить: четыре типа разбора

Расплывчатое «проанализируй эту таблицу» даёт расплывчатый ответ — обычно пересказ того, что и так видно в шапке. Работают конкретные задачи. Практически всё сводится к четырём типам.

Сводка

Первый шаг — понять, что вообще в данных, особенно если выгрузку прислали со стороны.

Ниже таблица заказов за квартал. Опиши, что в ней содержится: какие колонки,
за какой период данные, сколько строк, какие значения встречаются в каждой
категориальной колонке. Отдельно перечисли проблемы данных: пропуски,
дубликаты, странные форматы, значения, выпадающие из логики колонки.
Числовые итоги не считай.

Последняя фраза здесь не случайна. Если явно не запретить, модель начнёт складывать колонки и выдаст сумму, которую вы потом всё равно будете перепроверять. На этапе знакомства с данными она не нужна.

Аномалии

Самый сильный сценарий: искать выбивающееся модель умеет заметно лучше, чем считать.

В таблице ниже — расходы по рекламным кампаниям за месяц. Найди строки,
которые выбиваются из общей картины: слишком высокие или низкие значения,
резкие отклонения от соседних дней, нелогичные сочетания показателей.
По каждой находке укажи конкретную строку, объясни, чем она подозрительна,
и предположи возможную причину. Отсортируй от самого заметного к менее важному.

Требование указывать конкретную строку принципиально: так находку можно за десять секунд проверить глазами. Ответ вида «в некоторых кампаниях расходы завышены» бесполезен.

Динамика

Здесь важно не число, а направление и точка перелома.

Данные ниже — выручка по неделям за полгода. Опиши динамику словами:
общий тренд, периоды роста и спада, недели, где произошёл заметный перелом.
Для каждого перелома укажи неделю и предположи две-три возможные причины,
которые можно проверить по другим данным. Не пересчитывай проценты роста,
описывай изменения качественно.

Сравнение периодов

Классический вопрос «что изменилось» — и здесь особенно легко получить красивый, но неверный ответ, если не задать рамку.

Ниже две таблицы с одинаковой структурой: продажи за май и за июнь.
Сравни их и опиши, что изменилось: какие категории выросли, какие упали,
где изменилась структура спроса. Разбери отдельно изменения объёма
и изменения доли. Для каждого вывода приведи строки из обеих таблиц,
на которые ты опираешься.

Просьба приводить исходные строки превращает ответ в проверяемый: вы видите не только вывод, но и основание для него.

Что перепроверять руками

Разделение простое: текстовая часть ответа обычно достоверна, числовая — требует проверки. Практический минимум:

Ускоряет проверку простой приём: попросите модель не считать итог, а сказать, где его взять. «Назови номера строк, которые относятся к категории X» проверяется быстрее, чем «сумма по категории X», и ошибка в таком ответе видна сразу.

Второй приём — прикидка порядка. Прежде чем вникать в детали, посмотрите, правдоподобно ли число вообще. Если месячная выручка внезапно оказалась в десять раз выше обычной, дальше можно не читать — где-то потерялся разряд. Это ловит большую часть грубых ошибок за несколько секунд, и та же логика работает при любой проверке ответа модели, о чём подробно написано в разборе почему нейросеть ошибается.

Третий — переспросить другой моделью. Если вывод важен, вставьте те же данные в другую модель и задайте тот же вопрос. Совпали выводы — уверенности больше. Разошлись — сигнал разбираться самому.

Какую модель взять

Для таблиц имеет смысл смотреть на модели с длинным контекстом и аккуратными рассуждениями. В каталоге Most AI для этого подходят линейка GPT-5.5 и GPT-5.4, Claude Opus 4.8 и Sonnet 4.6, Gemini 3.1 Pro Preview. Для быстрых проверок и знакомства с данными хватает бесплатного чата ChatGPT — он доступен без ограничения по количеству запросов.

Полезная привычка — не привязываться к одной модели. Разбор одной и той же выгрузки в двух разных моделях занимает пару лишних минут, а расхождения в выводах сразу показывают, где данные допускают несколько трактовок. Все модели лежат в одном кабинете, переключение занимает секунду, стоимость запросов видна в прайсинге, оплата в рублях и без VPN. Похожие сценарии работы с текстовыми документами — договорами и отчётами — разобраны в подборке промтов для анализа документов.

Частые вопросы