Как зарабатывать на чистке данных: разбор процесса без платного софта

Файл поставщиков на 2000 строк я разобрал за 40 минут. Клиент заплатил $240 — это был третий такой заказ за неделю, и ни одной платной программы на машине не стояло.

Чистка данных — редкая фриланс-услуга, где результат проверяется на месте. Клиент и так знает, что у него в таблице бардак, ему не нужно объяснять ценность. Достаточно показать, что именно сломано, и он соглашается.

Пять болячек, которые дают 90% заказов

• Разнобой в написании — «USA», «US», «U.S.A.», «united states» в одной колонке.
• Дубли — один и тот же email дважды, с разным регистром.
• Лишние пробелы — ведущие, хвостовые табы, неразрывные пробелы.
• Битые даты — «03/04/2026»: это март или апрель?
• Пустые значения — нет телефона, нет страны.

Список с цифрами по конкретному файлу занимает пять минут и почти всегда закрывает сделку. Люди платят не за чистку как таковую, а за то, что кто-то наконец назвал их проблему вслух и посчитал её в строках.

Бесплатный стек

1. Настольная таблица для первого прохода — Excel или LibreOffice Calc. Здесь вы просто смотрите: сортировки, фильтры, поиск уникальных значений, условное форматирование. Скучно, но большинство находок приходит именно на этом этапе.
2. Конвертер для форматов — CSV в XLSX и обратно, JSON в CSV, починка сломанной кодировки.
3. Скрипт на правилах для всего повторяющегося: обрезка пробелов, дедупликация, нормализация, проверки.

Скрипт не нужен, если заказ разовый и в файле три колонки. Он окупается со второго-третьего похожего заказа, когда вы начинаете делать одни и те же операции по кругу.

Порядок работы

1. Сначала профиль, потом правки. Считаем строки, уникальные значения по колонкам, пустые ячейки, близкие дубли. Ничего не трогаем, пока не поняли масштаб: иначе легко нормализовать не то, а потом искать, куда делись данные.

2. Нормализация проблемных колонок. Все варианты написания страны сводим к одному значению, даты — к ISO 8601 (2026-03-04). Заодно решаем, что делать с регионами: «МО» и «Московская область» — это одно и то же или нет.

3. Дедупликация по правильному ключу. Целую строку не сравниваем никогда: две записи об одном человеке почти никогда не совпадают посимвольно. Берём уникальную колонку — email или ID, приводим к нижнему регистру, обрезаем пробелы, только потом удаляем повторы. Сколько строк выкинули — записываем сразу.

4. Проверки и пометки. Простой шаблон email, длина телефона, разумные границы дат. Строки, которые не прошли, помечаем флагом. Молча удалять нельзя: клиент вернётся с вопросом, куда девалась половина контактов.

5. Два файла на выходе. Чистая таблица — это товар. Одностраничный PDF с отчётом — это то, за что вас позовут снова. Второй файл занимает двадцать минут, а весит в переписке больше, чем сама работа.

Сколько брать

Разовые заказы дают деньги, повторяющиеся — доход. Один клиент с ежемесячной выгрузкой заменяет пять разовых чисток и не требует каждый раз искать нового заказчика.

Где искать заказчиков

• Малый локальный бизнес — в клиентских базах дубли есть всегда.
• Продавцы на маркетплейсах: выгрузки каталога зарастают мусором быстро и регулярно.
• Маркетинговые агентства — им грязные списки приносят постоянно, а разбирать их некому.
• Фриланс-площадки по запросам «чистка данных», «приведение таблицы в порядок».

Типичные ошибки

Удалять дубли по всей строке — самый частый промах новичка: на выходе остаются все записи, потому что в одной колонке стоял лишний пробел. Вторая по популярности — залить клиентскую базу на случайный онлайн-сервис «почистить». Работайте локально и удаляйте файлы после сдачи; про это лучше сказать клиенту заранее, это плюс к доверию.

И третье: не вести лог удалённого. Через месяц клиент спросит, почему в отчёте было 2 000 строк, а в файле 1 870. Ответ должен лежать в PDF, а не в вашей памяти.

Когда за заказ лучше не браться: если в таблице нет колонки, по которой можно однозначно определить дубль, и клиент не может объяснить, что для него считается повтором. То же самое с объёмами в сотни тысяч строк из внутренней базы — тут нужна выгрузка и нормальная обработка, таблица не тянет.

Частые вопросы

Нужно ли программировать? Нет. До нескольких тысяч строк хватает таблицы и чек-листа — это закрывает почти все заказы.

Сколько времени уходит? Файл до 1000 строк — меньше часа. Первый заказ всегда самый медленный, дальше работает наработанный порядок действий.

Безопасно ли брать клиентские данные? Держите их локально, не загружайте в сомнительные веб-сервисы и удаляйте после сдачи.

Смысл всей затеи простой: бесплатный набор инструментов плюс повторяемый маршрут превращают разовую чистку за $40 в регулярную работу за $500 в месяц. Ничего волшебного — профиль, нормализация, дедупликация по ключу, проверки и отчёт на одну страницу. Скучно ровно настолько, чтобы за это платили.