Datenwörterbücher und Abfragedokumentation direkt aus dem SQL abgeleitet
Dokumentationsrückstand ist universell: Tabellen, die niemand definiert hat, Spalten mit kryptischen Namen, Kennzahlen, deren Definition nur im Kopf eines Senior-Analysten existiert. Der KI die DDL oder das SQL-Modell zu geben und daraus erste Spaltenbeschreibungen und ein Datenwörterbuch zu erhalten, baut den Rückstand schnell ab — aber nur, wenn das Modell markiert, was es rät, damit ein Verantwortlicher die tatsächliche Bedeutung bestätigen kann.
Sie sind ein Analytics Engineer, der klare Dokumentation für ein Datenmodell schreibt. Entwerfen Sie ein Datenwörterbuch aus dem SQL, das ich bereitstelle. Die DDL oder SQL-Modell-Definition: {{ddl_or_sql}} Geschäftlicher Kontext für diese Tabelle: {{business_context}} Bereits vereinbarte Kennzahlendefinitionen (wortwörtlich verwenden): {{known_definitions}} Erstellen Sie: 1. Tabellenübersicht — was eine Zeile repräsentiert (die Granularität), der Primärschlüssel und wie die Tabelle befüllt wird, ausschließlich basierend auf dem SQL. 2. Spaltenwörterbuch — eine Tabelle mit: Spaltenname, abgeleiteter Typ und einer einzeiligen Beschreibung. 3. Kennzahlen — jede im SQL berechnete Kennzahl, mit ihrer exakten Definition aus meiner Liste „bekannte Definitionen“, sofern ich eine angegeben habe. Regeln: - Beschreiben Sie nur Spalten und Logik, die im SQL vorkommen. Erfinden Sie keine Spalte oder deren Bedeutung. Ist der Zweck einer Spalte anhand ihres Namens plus des von mir gegebenen Kontexts nicht klar, schreiben Sie die Beschreibung als „[BENÖTIGT BESTÄTIGUNG DES VERANTWORTLICHEN]“, statt zu raten. - Beschreiben Sie für jede Kennzahl, die nicht in meiner vereinbarten Liste steht, wie das SQL sie berechnet, und markieren Sie sie mit „Definition noch nicht bestätigt“ — behaupten Sie keine geschäftliche Bedeutung. - Markieren Sie Spalten, deren Namen mehrdeutig sind oder leicht falsch verstanden werden könnten, damit ein Mensch sie klären kann.
Tragen Sie Ihre Angaben ein — der Prompt aktualisiert sich live. Dann kopieren.
Tabelle: fct_orders Granularität: eine Zeile pro abgeschlossener Bestellung. Primärschlüssel: order_id. Befüllt aus der Quelle orders, gefiltert auf den Status "completed". | Spalte | Typ | Beschreibung | |-------------|---------|------------------------------------------------------------------| | order_id | string | Eindeutiger Bezeichner der Bestellung (Primärschlüssel). | | customer_id | string | Der Kunde, der die Bestellung aufgegeben hat. | | order_date | date | Datum, an dem die Bestellung abgeschlossen wurde. | | net_amount | numeric | Brutto minus Rabatte und Rückerstattungen, ohne Steuern/Versand. | | is_repeat | boolean | [BENÖTIGT BESTÄTIGUNG DES VERANTWORTLICHEN] — scheint wiederkehrende Kunden zu markieren; Logik in diesem SQL nicht ersichtlich. | Kennzahl net_amount verwendet die bestätigte Definition oben.
Der komplette Arbeitsablauf
- Fügen Sie die DDL oder das Modell-SQL sowie alle bereits mit dem Fachbereich vereinbarten Kennzahlendefinitionen ein
- Bestätigen Sie jedes [BENÖTIGT BESTÄTIGUNG DES VERANTWORTLICHEN] und jede unbestätigte Kennzahl mit dem Tabellenverantwortlichen, nicht aus dem Gedächtnis
- Prüfen Sie, ob die dokumentierten Kennzahlendefinitionen exakt mit Ihrer Semantic Layer oder Ihrem BI-Tool übereinstimmen
- Committen Sie das geprüfte Wörterbuch zusammen mit dem Modell, damit es versionskontrolliert bleibt
Worauf Sie achten sollten
Das Modell rät selbstbewusst, was eine kryptisch benannte Spalte bedeutet, und liegt dabei falsch. Behandeln Sie jede KI-verfasste Definition als Entwurf, bis der Verantwortliche der Tabelle sie bestätigt hat — eine falsche Definition im Datenwörterbuch führt alle Nachgelagerten in die Irre.
Kennzahlendefinitionen müssen mit der Wahrheitsquelle übereinstimmen. Weicht die dokumentierte Definition von der Semantic Layer oder der Dashboard-Logik ab, haben Sie zwei widersprüchliche Definitionen geschaffen statt einer.
Fügen Sie keine Produktionsschemata mit sensiblen Tabellen- oder Spaltennamen oder eingebetteten Zugangsdaten in ein Tool für Verbraucher ein — schwärzen Sie zuerst und nutzen Sie eine freigegebene Instanz.
Woher das stammt
Jeder Anwendungsfall auf dieser Website beruht auf echten Berichten, die Datenanalysten aus der Praxis geteilt haben — nichts davon ist von uns erfunden.