Cómo crear un diccionario de datos con IA: una guía gratuita paso a paso
Un diccionario de datos es el documento que explica lo que realmente significa cada columna de sus datos. Puede crear uno a partir de una hoja de cálculo en tres pasos: subir el archivo, describir y definir el tipo de cada campo, y luego revisar y publicar el resultado. Esta guía explica qué debe incluir, cómo los crean los equipos manualmente y cómo simplificar la parte más tediosa.
Qué es un diccionario de datos
El Servicio Geológico de los Estados Unidos (USGS) ofrece la definición más clara disponible. Su guía de gestión de datos señala que un diccionario de datos "se utiliza para catalogar y comunicar la estructura y el contenido de los datos". Además, "proporciona descripciones significativas para objetos de datos identificados individualmente".
Dos palabras de esa definición tienen un peso especial. Catalogar significa que se enumeran todos los campos, incluso los que nadie utiliza. Comunicar significa que está escrito para otra persona, no para una base de datos.
Esa segunda parte es lo que diferencia a un verdadero diccionario de datos de una captura de pantalla de los encabezados de las columnas. Un encabezado llamado cust_stat_cd no es documentación. Una fila que explique qué significan esos códigos, qué valores están permitidos y qué significa un espacio en blanco, sí lo es.
La mayoría de los equipos ya necesitan uno y no lo saben. En el momento en que dos personas no se ponen de acuerdo sobre qué se considera un "cliente activo", el documento que falta es un diccionario de datos.
Qué debe incluir
El USGS enumera los contenidos típicos, y la lista es lo suficientemente corta como para usarla como una lista de verificación.
| Elemento | Qué registra |
|---|---|
| Objetos de datos | Nombres y definiciones de cada campo |
| Propiedades detalladas | Tipo de datos, tamaño, nulabilidad, opcionalidad, índices |
| Diagramas | Relación-entidad y otras vistas a nivel de sistema |
| Datos de referencia | Clasificación y dominios descriptivos |
| Códigos de calidad | Datos faltantes y códigos de indicadores de calidad |
| Reglas de negocio | Reglas para validar un esquema o la calidad de los datos |
No todos los proyectos necesitan los seis elementos. Una sola hoja de cálculo compartida entre dos equipos solo necesita los dos primeros y el quinto. Una base de datos de producción los necesita todos.
La fila de códigos de calidad es la que más se suele omitir y de la que más se suele arrepentir la gente. Si una celda en blanco puede significar "cero", "desconocido" o "no aplicable", dejarlo por escrito evita que tres analistas diferentes lleguen a tres totales distintos.
Por qué los equipos los crean
El USGS señala seis usos, y cada uno de ellos se corresponde con un fallo real que ayuda a prevenir.
Documentación proporciona detalles de la estructura para usuarios, desarrolladores y otras partes interesadas. Comunicación ofrece a las personas un vocabulario común y ayuda a los desarrolladores a evaluar el impacto de los cambios en el esquema.
Diseño de aplicaciones ayuda a los desarrolladores a crear formularios e informes con los tipos de datos y controles adecuados. Análisis de sistemas permite a los analistas ver el diseño general y rastrear dónde se cruzan los datos con cada proceso.
Integración de datos es lo que más importa para el trabajo con hojas de cálculo. El USGS señala que las definiciones claras "proporcionan la comprensión contextual necesaria a la hora de decidir cómo mapear un sistema de datos a otro". Esa misma comprensión determina "si se debe subconjuntar, fusionar, apilar o transformar los datos para un uso específico".
Toma de decisiones completa la lista, ayudando en la planificación de la recopilación de datos y otros trabajos colaborativos.
Hay un argumento aún más contundente oculto en la misma página. El USGS observa que un diccionario puede revelar problemas de credibilidad. Advierte que "las definiciones de datos incompletas pueden hacer que unos datos que de otro modo serían excelentes resulten prácticamente inútiles".
La parte de los requisitos también está documentada. El capítulo sobre metadatos del Manual de Inspección del USGS obliga a que los registros incluyan definiciones de entidades y atributos, junto con la procedencia y las restricciones de uso.
Cómo crean los equipos uno manualmente
La vía manual depende de dónde residan los datos, y ambas versiones son legítimas.
Si residen en una base de datos, es posible que el sistema genere un primer borrador por usted. El USGS señala que la mayoría de los sistemas de gestión de bases de datos "tienen diccionarios de datos activos e integrados y pueden generar documentación según sea necesario".
Si residen en una hoja de cálculo, no hay ningún generador. El USGS remite a una plantilla en blanco "para crear manualmente un 'diccionario de datos' sencillo en Excel", lo cual representa fielmente el estado actual de la técnica.
Esa versión manual implica una fila por columna, completada por una persona que conozca los datos: nombre del campo, definición en lenguaje sencillo, tipo, valores permitidos, si se admiten espacios en blanco y quién es el propietario.
Para una exportación de quince columnas, esto lleva veinte minutos. Para un archivo operativo de sesenta columnas extraído de tres sistemas, se convierte en una tarde que nadie tiene disponible.
Dónde se ralentiza la vía manual
El cuello de botella rara vez es la redacción. Es la arqueología.
La mitad de las columnas de una exportación real tienen nombres que eran abreviaturas en la cabeza de alguien hace cinco años. Averiguar qué significa flag_2 requiere abrir los datos, ordenarlos y deducir la regla a partir de los valores.
Luego está el desajuste o desvío de datos. El USGS es tajante sobre las consecuencias: "no mantener el diccionario actualizado con las estructuras de datos reales sugiere una falta de administración de datos". Un diccionario que se escribe una vez y nunca más se toca es peor que no tener ninguno, porque la gente confía en él.
Ambos problemas son mecánicos. Leer cada columna, analizar el perfil de sus valores y proponer un tipo y una definición es un proceso repetitivo. A la gente le resulta aburrido y empieza a perder la consistencia al llegar a la fila cuarenta.
Cómo crear un diccionario de datos con IA
Paso 1: Subir el archivo que necesita documentar
Inicie sesión en Powerdrill Bloom y suba la exportación. Excel, CSV, PDF y documentos están incluidos en el plan gratuito.
Suba el archivo real, no una muestra recortada. Los valores atípicos en las filas 900 a 1,100 suelen ser donde se esconden las reglas interesantes.
Paso 2: Solicitar un perfil campo por campo en lenguaje natural
Solicite una fila por columna. Cada fila debe incluir una definición en lenguaje sencillo, el tipo de datos aparente, el rango o los valores distintos y el recuento de espacios en blanco. Pídale que marque cualquier valor que parezca un código en lugar de datos.
Luego, indague en los ambiguos. Pregunte qué columnas parecen tener un significado codificado y qué representa cada código. Después, podrá confirmar o corregir esos detalles con alguien que conozca el sistema.
El resultado en esta etapa es un borrador, no un documento. Su función es eliminar el trabajo de arqueología para que usted solo tenga que aportar su criterio.
Paso 3: Corregir las definiciones y publicarlo
Revise cada fila y corrija aquellas que solo un humano puede resolver: qué se considera activo, por qué no coinciden dos columnas de fecha y qué campos son los autoritativos. Luego, exporte el resultado como una hoja de cálculo o un documento.
Guárdelo junto a los propios datos. Un diccionario en la carpeta de descargas de alguien no es documentación, y es la forma más rápida de volver a introducir el desajuste que acaba de corregir.
Mantenerlo útil después del primer día
Un diccionario de datos solo demuestra su utilidad si se mantiene actualizado, y el USGS es muy directo sobre cómo lograrlo: planifique con anticipación, agregue elementos a medida que se identifiquen y actualice el diccionario cuando cambien las estructuras.
Tres hábitos hacen la mayor parte del trabajo.
Escriba definiciones para personas externas. Si un nuevo empleado no puede usar la definición sin hacer una pregunta de seguimiento, no está terminada.
Asigne versiones junto con los datos. Cuando se agrega una columna o se cambia su tipo, el diccionario se modifica en el mismo paso, no en el siguiente trimestre.
Adopte un estándar cuando exista uno. El USGS señala que adoptar y citar un estándar de datos evita por completo la necesidad de gestionar su propia documentación.
Un diccionario también se complementa de forma natural con el hábito más amplio de ponerse de acuerdo sobre las cifras una sola vez. Nuestra guía para crear una única fuente de verdad cubre el nivel superior a este. Mientras tanto, analizar una hoja de cálculo que otra persona creó aborda la situación que suele desencadenar esta necesidad.
Comience con el archivo que ya tiene
Puede completar todo el ciclo anterior con el plan gratuito. Este incluye la subida de archivos Excel, CSV, PDF y documentos, la generación de análisis y resúmenes, y la creación de diapositivas, documentos, hojas de cálculo e imágenes básicas.
Vale la pena señalar claramente dos límites. El análisis de Excel y la creación de documentos de Office están incluidos en el plan Pro. El plan gratuito incluye una tarea programada, por lo que un diccionario que se regenera de forma programada requiere un nivel de pago.
Si el archivo subyacente necesita una limpieza previa, nuestra página de limpieza de datos con IA cubre ese paso. Las páginas del asistente de IA para Excel y del asistente de IA para CSV cubren los dos tipos de archivos más comunes. Para documentar hoy mismo su exportación más desordenada, pruebe Powerdrill Bloom.
Preguntas frecuentes
¿Cuál es la diferencia entre un diccionario de datos y los metadatos?
Un diccionario de datos describe la estructura y el contenido de los campos individuales. Los metadatos son más amplios y abarcan quién produjo los datos, por qué y cómo se recopilaron y procesaron.
¿Puedo crear un diccionario de datos en Excel?
Sí, y es el enfoque habitual para los datos de hojas de cálculo. El USGS publica una plantilla en blanco para crear manualmente un diccionario de datos sencillo en Excel.
¿Qué tan detallada debe ser la definición de cada campo?
Lo suficientemente detallada como para que alguien ajeno a su equipo pueda utilizar la columna sin tener que hacer preguntas. Incluya los valores permitidos y qué significa un espacio en blanco, ya que estos suelen causar la mayoría de los desacuerdos.
¿Quién debería ser el propietario del diccionario de datos?
Quien sea el propietario de la estructura de datos, no quien haya solicitado el informe. La propiedad es fundamental cuando una columna cambia, ya que el diccionario debe modificarse en el mismo paso.
¿Con qué frecuencia se debe actualizar un diccionario de datos?
Cada vez que cambie la estructura subyacente. El USGS considera que un diccionario desactualizado es un problema de administración de datos, porque la gente sigue confiando en definiciones que ya no coinciden con los datos reales.