Проект для портфолио аналитика в эпоху AI: покажите, как вы проверяли, а не только что построили

Аккуратный дашборд показывает, что вы умеете оформлять результат и работать с инструментами. Но AI-ассистент может помочь сделать и дашборд, и ноутбук, и текст, поэтому по одному итоговому результату не видно, какие решения приняли вы. Отполированный проект теперь доказывает, что вы умеете пользоваться инструментами. Что вам можно доверить число, он не доказывает.

Подделать по-прежнему трудно след суждения: какой вопрос вы выбрали, как определили метрику, что проверили, какую ошибку нашли и что порекомендовали.

Коротко: выберите вопрос, по которому кто-то действительно принимал бы решение, запишите определение до запроса, покажите две-три проверки, которые вы провели (включая неудачные, если такие были), закончите рекомендацией и её ограничениями и уложитесь в одну страницу плюс код.

Что делает проект убедительным сейчас

1. Решение, а не датасет. «Стоит ли маркетплейсу продлить осеннюю промоакцию?» лучше, чем «Разведочный анализ данных e-commerce».
2. Записанное определение. «Чистые платежи покупателей = платежи после скидок площадки минус завершённые возвраты по оплаченным заказам, созданным 1–30 сентября по времени Europe/Amsterdam, с учётом возвратов, зафиксированных к указанной дате среза». Так видно, что вы знаете: у слова несколько значений.
3. Видимые проверки. Число строк до и после JOIN. Итоги, сверенные с известным числом. Учтённая неполная последняя неделя. Строка «мой первый итог был в 2,2 раза больше правды — вот почему» скажет о вас больше, чем ещё один график.
4. Честные ограничения. Чего данные сказать не могут, что вы допустили, что изменило бы вывод.
5. Открытое использование AI. Напишите, где помог ассистент и как вы проверили его результат. Так видна привычка проверять, на которой держится работа с AI.

Шаблон на одну страницу

Вопрос. Кто спросил (реальный или правдоподобный заказчик) и какое решение от этого зависит.

Определение. Метрика одним предложением: мера, совокупность, условие, период, исключения.

Ответ. Число, степень уверенности и график.

Проверки. Три пункта: что вы проверили и как. Если проверка нашла ошибку, покажите, как вы её исправили. Не выдумывайте провал ради красивой истории.

Рекомендация. Что делать и что заставит вас передумать.

Приложение. SQL или ноутбук с комментариями.

Где взять хороший вопрос и данные

• Ваша работа или волонтёрство в обезличенном виде — самый сильный вариант, потому что заказчик настоящий.
• Реалистичный синтетический бизнес с грязными данными: отменёнными заказами, возвратами, промокодами, неполными периодами. Чистые игрушечные датасеты прячут как раз те ловушки, с которыми вы хотите показать, что умеете справляться.
• Симулятор, где просьбы приходят от «коллег», а ответы проверяются. В Meridian первый эпизод заканчивается вашей запиской, а каждый эпизод — решением, подкреплённым вашими запросами: это тренировка того самого следа, о котором этот гайд (входит в Atterna Analyst, 59 €).

Частые ошибки

• Десять графиков и ни одного вывода.
• Число без определения.
• Ни следа хотя бы одной проверки.
• Текст от AI, пересказанный без проверки его чисел. Начните с чек-листа из 7 вопросов; для английского текста и стандартного SQL есть AI Answer Checker.
• Попытка скрыть, что пошло не так. Исправление — самая убедительная часть проекта.

Частые вопросы

Какой проект для портфолио аналитика данных хорош в 2026 году?

Тот, что начинается с решения, записывает определение метрики до запроса, показывает проведённые проверки (и ошибки, которые они действительно поймали) и заканчивается рекомендацией и её ограничениями. След суждения важнее лоска, потому что лоск может сгенерировать AI.

Сколько проектов нужно в портфолио?

Два-три сильных проекта на одну страницу лучше десяти дашбордов. Каждый должен показывать свой навык: определение метрики, эксперимент, расследование падения.

Писать ли в портфолио, что я пользовался AI?

Да. Напишите, где он помог и как вы проверили его работу. Проверка результатов AI теперь часть профессии, и скрывать это выглядит хуже, чем пользоваться им хорошо.

Подходят ли датасеты с Kaggle для портфолио?

Для практики — да, но популярные датасеты часто уже очищены и всем знакомы, поэтому проекты на них похожи друг на друга. Данные с реалистичным беспорядком — отменами, возвратами, неполными периодами — позволяют показать проверки, которые вас выделят.