Dicionários de dados e documentação de consultas redigidos a partir do próprio SQL
A dívida de documentação é universal: tabelas que ninguém definiu, colunas com nomes crípticos, métricas cuja definição só existe na cabeça de um analista sênior. Alimentar a IA com o DDL ou o modelo SQL e obter descrições de colunas em primeira versão e um dicionário de dados reduz esse backlog rapidamente — mas só se o modelo sinalizar o que está adivinhando, para que um responsável possa confirmar o significado real.
Você é um analytics engineer escrevendo documentação clara para um modelo de dados. Redija um dicionário de dados a partir do SQL que eu fornecer. A definição do DDL ou do modelo SQL: {{ddl_or_sql}} Contexto de negócio para esta tabela: {{business_context}} Definições de métricas já acordadas (use-as literalmente): {{known_definitions}} Produza: 1. Resumo da tabela — o que uma linha representa (a granularidade), a chave primária, e como a tabela é populada, baseado apenas no SQL. 2. Dicionário de colunas — uma tabela com: nome da coluna, tipo inferido, e uma descrição de uma linha. 3. Métricas — qualquer métrica calculada no SQL, com sua definição exata da minha lista de "definições conhecidas", quando eu tiver fornecido uma. Regras: - Descreva apenas colunas e lógica que aparecem no SQL. Não invente uma coluna ou seu significado. Se o propósito de uma coluna não estiver claro pelo nome mais o contexto que forneci, escreva a descrição como "[REQUER CONFIRMAÇÃO DO RESPONSÁVEL]" em vez de adivinhar. - Para qualquer métrica que não esteja na minha lista acordada, descreva como o SQL a calcula e marque como "definição ainda não confirmada" — não afirme um significado de negócio. - Sinalize colunas cujos nomes sejam ambíguos ou pareçam propensos a interpretação errada, para que uma pessoa possa esclarecê-los.
Preencha seus dados e o prompt se atualiza na hora — depois é só copiar.
Tabela: fct_orders Granularidade: uma linha por pedido concluído. Chave primária: order_id. Populada a partir da fonte orders, filtrada para status concluído. | Coluna | Tipo | Descrição | |-------------|---------|-----------------------------------------------------------------| | order_id | string | Identificador único do pedido (chave primária). | | customer_id | string | O cliente que fez o pedido. | | order_date | date | Data em que o pedido foi concluído. | | net_amount | numeric | Bruto menos descontos e reembolsos, excluindo impostos/frete. | | is_repeat | boolean | [REQUER CONFIRMAÇÃO DO RESPONSÁVEL] — parece sinalizar clientes recorrentes; lógica não aparece neste SQL. | A métrica net_amount usa a definição confirmada acima.
O fluxo de trabalho completo
- Cole o DDL ou o SQL do modelo, junto com quaisquer definições de métricas já acordadas com a área de negócio
- Confirme cada [REQUER CONFIRMAÇÃO DO RESPONSÁVEL] e cada métrica não confirmada com o responsável pelos dados, nunca de memória
- Verifique se as definições de métricas documentadas correspondem exatamente à sua camada semântica ou ferramenta de BI
- Faça o commit do dicionário revisado junto com o modelo, para que fique sob controle de versão
Fique de olho
O modelo vai adivinhar com confiança o significado de uma coluna com nome críptico, e vai errar. Trate toda definição escrita pela IA como um rascunho até que o responsável pela tabela a confirme — uma definição errada no dicionário de dados engana todo mundo que depende dela.
As definições de métricas precisam corresponder à fonte da verdade. Se a definição documentada diverge da camada semântica ou da lógica do dashboard, você criou duas definições conflitantes em vez de uma só.
Não cole schemas de produção que contenham nomes sensíveis de tabelas ou colunas, ou credenciais embutidas, em uma ferramenta de consumo — remova essas informações antes e use uma instância aprovada.
De onde isso vem
Cada caso de uso deste site se baseia em relatos reais que os analistas de dados em atividade compartilham — nada foi inventado por nós.
Mais casos de uso de IA para os analistas de dados
Consultas SQL escritas e depuradas a partir de um schema descrito
análiseScripts de limpeza e perfilamento de dados em Python que você pode auditar
comunicaçãoResumos executivos que transformam um gráfico em decisão
planejamentoPedidos vagos de stakeholders transformados em um plano de análise delimitado
criativoO gráfico certo para a mensagem, não só para os dados
← Todos os 6 casos de uso: como os analistas de dados usam a IA