Diccionarios de datos y documentación de consultas redactados a partir del propio SQL
La deuda de documentación es universal: tablas que nadie definió, columnas con nombres crípticos, métricas cuya definición solo vive en la cabeza de un analista senior. Darle a la IA el DDL o el modelo SQL y obtener descripciones de columnas en primer borrador y un diccionario de datos despeja la deuda pendiente con rapidez, pero solo si el modelo marca lo que está adivinando para que un responsable pueda confirmar el significado real.
Eres un ingeniero analítico que redacta documentación clara para un modelo de datos. Redacta un diccionario de datos a partir del SQL que te proporciono. La definición del DDL o del modelo SQL: {{ddl_or_sql}} Contexto de negocio de esta tabla: {{business_context}} Definiciones de métricas ya acordadas (úsalas textualmente): {{known_definitions}} Genera: 1. Resumen de la tabla — qué representa una fila (la granularidad), la clave primaria y cómo se llena la tabla, basándote solo en el SQL. 2. Diccionario de columnas — una tabla con: nombre de columna, tipo inferido y una descripción de una línea. 3. Métricas — cualquier métrica calculada en el SQL, con su definición exacta de mi lista de "definiciones conocidas" donde haya dado una. Reglas: - Describe solo las columnas y la lógica que aparecen en el SQL. No inventes una columna ni su significado. Si el propósito de una columna no queda claro a partir de su nombre más el contexto que te di, escribe la descripción como "[NECESITA CONFIRMACIÓN DEL RESPONSABLE]" en lugar de adivinar. - Para cualquier métrica que no esté en mi lista acordada, describe cómo la calcula el SQL y márcala como "definición aún no confirmada"; no afirmes un significado de negocio. - Marca las columnas cuyos nombres sean ambiguos o puedan malinterpretarse, para que una persona pueda aclararlas.
Rellena tus datos y el prompt se actualiza al instante — luego cópialo.
Tabla: fct_orders Granularidad: una fila por pedido completado. Clave primaria: order_id. Se llena desde la fuente orders, filtrada al estado completado. | Columna | Tipo | Descripción | |-------------|---------|---------------------------------------------------------------------| | order_id | string | Identificador único del pedido (clave primaria). | | customer_id | string | El cliente que hizo el pedido. | | order_date | date | Fecha en que se completó el pedido. | | net_amount | numeric | Bruto menos descuentos y reembolsos, sin incluir impuestos/envío. | | is_repeat | boolean | [NECESITA CONFIRMACIÓN DEL RESPONSABLE] — parece marcar a clientes recurrentes; la lógica no aparece en este SQL. | La métrica net_amount usa la definición confirmada arriba.
El flujo de trabajo completo
- Pega el DDL o el SQL del modelo y cualquier definición de métrica ya acordada con el negocio
- Confirma cada [NECESITA CONFIRMACIÓN DEL RESPONSABLE] y cada métrica no confirmada con el responsable de los datos, no de memoria
- Comprueba que las definiciones de métricas documentadas coincidan exactamente con tu capa semántica o herramienta de BI
- Confirma (commit) el diccionario revisado junto con el modelo para que quede bajo control de versiones
Cuidado con
El modelo adivinará con seguridad qué significa una columna con nombre críptico y se equivocará. Trata cada definición escrita por la IA como un borrador hasta que el responsable de la tabla la confirme: una definición incorrecta en el diccionario de datos induce a error a todos los que la usan después.
Las definiciones de métricas deben coincidir con la fuente de la verdad. Si la definición documentada se aparta de la capa semántica o de la lógica del dashboard, has creado dos definiciones en conflicto en lugar de una sola.
No pegues esquemas de producción que contengan nombres de tablas o columnas sensibles, o credenciales incrustadas, en una herramienta de consumo: redáctalos primero y usa una instancia aprobada.
De dónde sale esto
Cada caso de uso de este sitio se basa en relatos reales de los analistas de datos en activo — no lo inventamos nosotros.
Más casos de uso de IA para los analistas de datos
Consultas SQL escritas y depuradas a partir de un esquema descrito
análisisScripts de limpieza y perfilado de datos en Python que puedes auditar
comunicaciónResúmenes ejecutivos que convierten un gráfico en una decisión
planificaciónSolicitudes vagas de interesados convertidas en un plan de análisis delimitado
creatividadEl gráfico adecuado para el mensaje, no solo para los datos
← Los 6 casos de uso: cómo los analistas de datos usan la IA