🧹 Грязная таблица продаж: как AI помогает найти ошибки до очистки

🧹 В выгрузке продаж 3000 строк. Даты записаны по-разному, часть ячеек пустая, товары дублируются под разными названиями, а где-то затесалась подозрительная сумма.

Первая реакция — открыть Excel и начать всё исправлять руками.

Но есть вариант полезнее: сначала попросить AI провести аудит таблицы и показать, где именно она сломана.

💡 Сначала аудит. Потом очистка

ChatGPT умеет работать с Excel и CSV-файлами, анализировать данные, искать закономерности и выбросы.

Поэтому вместо:

«Приведи эту таблицу в порядок»

лучше сначала дать более осторожную задачу:

«Это выгрузка продаж. Сначала ничего не удаляй и не исправляй.

Проверь: 1. Дубли строк. 2. Пустые или подозрительные значения. 3. Несогласованные форматы дат и чисел. 4. Одинаковые товары/категории с разными названиями. 5. Аномальные суммы или количества.

Затем покажи: — что именно нужно исправить; — сколько строк затронуто; — примеры проблемных строк; — 3 главных вывода по продажам после проверки.

Если для вывода не хватает данных — так и напиши.»

🔎 Что можно найти за один проход

Представим небольшую таблицу:

— «iPhone 15», «iphone15», «iPhone-15» и «IPhone 15»; — даты вида 01.03.2026, 01/03/26 и 2026-03-01; — несколько строк без суммы; — одна и та же продажа записана дважды; — обычно продают по 1–3 штуки, а в одной строке внезапно стоит 300; — среди обычных чеков на 1000–3000 появляется продажа на 1 500 000.

AI может собрать из этого нормальный отчёт:

📌 возможные дубли — 2 строки; 📌 разные варианты названия одного товара — 4; 📌 несколько форматов дат; 📌 строки с пропущенными значениями; 📌 подозрительно большое количество и сумма.

То есть вместо хаотичного просмотра тысяч ячеек вы сначала получаете карту проблем.

⚠ Почему я бы не просил сразу «исправить всё»

Потому что не каждая странность — ошибка.

Продажа на 1,5 млн может быть опечаткой.

А может быть совершенно реальной крупной сделкой.

Пустая ячейка может означать потерянные данные.

А может быть допустима по бизнес-логике.

Поэтому сначала лучше получить:

проблема → сколько строк → примеры → предлагаемое исправление.

А уже потом принимать решение.

📊 После аудита можно идти дальше

Когда качество данных более-менее понятно, уже имеет смысл спрашивать:

— какие товары продаются лучше всего; — кто приносит больше выручки; — где падают продажи; — какие значения выглядят аномально; — как распределяются продажи по месяцам; — какие категории стоит разобрать подробнее.

И выводы будут намного полезнее, чем анализ таблицы, где половина «одинаковых» товаров называется по-разному.

✅ Простое правило

Не начинайте работу с грязной таблицей с команды:

«Почисти всё».

Начните с:

«Покажи, что здесь сломано».

Так вы сначала понимаете масштаб проблемы, а уже потом решаете, что действительно нужно менять.

⚠ И перед любыми массовыми исправлениями сохраните исходный файл отдельно. А важные суммы и подозрительные выбросы перепроверьте вручную.

📌 В Telegram-канале «РаботAI» я собираю такие готовые сценарии для таблиц, документов, встреч, писем и рабочей рутины.

👉 @rabotainow

Источник: — OpenAI Help Center: Data Analysis with ChatGPT — OpenAI Help Center: File Uploads FAQ