Uma coluna chamada valor pode significar preço de tabela, total pago, receita líquida ou apenas um número importado de outro sistema. Quando planilhas, formulários e relatórios crescem sem definições comuns, a mesma palavra passa a sustentar decisões diferentes. A automação acelera o cálculo, mas também acelera a confusão se ninguém souber o que cada campo representa.
Esse problema abre espaço para uma microentrega responsável de renda digital: montar um dicionário de dados enxuto, ligado às fontes reais, com tipo, regra, responsável, exemplos aprovados e lacunas explícitas. A IA pode organizar descrições e apontar inconsistências. Ela não decide sozinha o significado de um indicador, não corrige a base em produção e não transforma uma amostra em prova de qualidade.
O problema que esta microentrega resolve
Equipes pequenas costumam conhecer seus dados por hábito. Uma pessoa sabe que data é a data do pagamento, outra entende como data do pedido e uma terceira usa a coluna para agrupar o mês de competência. Enquanto todos trabalham na mesma planilha, o conflito pode ficar escondido. Ele aparece quando alguém cria um painel, troca o responsável ou pede que uma IA responda perguntas sobre a base.
O dicionário cria uma fonte de consulta para o recorte atendido. Ele registra o nome técnico, o nome de negócio, a definição, o tipo esperado, a origem, a regra de preenchimento, os valores permitidos, a sensibilidade, o responsável e a evidência usada para confirmar cada item. Se o significado não puder ser confirmado, a linha recebe o estado não verificável.
O que o cliente recebe
A entrega pode ser uma planilha, uma página documental ou um arquivo versionado. Cada campo recebe uma ficha curta, acompanhada por um mapa das fontes e por uma lista de decisões pendentes. O pacote também pode incluir uma amostra sanitizada, regras de validação propostas, sinônimos encontrados e um registro das pessoas que aprovaram as definições.
O resultado não precisa começar como um catálogo corporativo. Um piloto útil pode cobrir uma única planilha, formulário ou relatório. A clareza do recorte é mais importante do que o volume de campos.
O que fica fora do escopo
A microentrega não inclui alterar dados originais, publicar um painel, conceder acessos, criar integrações, migrar banco de dados ou aprovar regras contábeis, jurídicas e tributárias. Também não certifica precisão, conformidade ou completude de todo o ambiente.
Um dicionário descreve o que foi confirmado em uma data. Ele não garante que os sistemas continuam obedecendo à definição depois disso. Mudanças em formulários, consultas, importações e processos exigem nova revisão.
Pré-requisitos antes de usar IA
Defina o conjunto de arquivos, tabelas, relatórios e pessoas autorizadas. Trabalhe sobre cópias somente leitura ou exportações fornecidas pelo responsável. Separe claramente produção, teste e amostra sanitizada. Nunca envie senhas, tokens, chaves, dados pessoais desnecessários, fórmulas comerciais sensíveis ou linhas completas de clientes a um modelo externo sem base e autorização adequadas.
Escolha também uma fonte de verdade para cada definição. Pode ser o responsável pelo processo, a documentação vigente, a configuração do sistema ou uma regra aprovada. O valor encontrado em uma célula é evidência de uso, não prova suficiente do significado.
Passo 1: delimite o produto de dados
Comece por algo que tenha nome, finalidade e usuário identificáveis. Exemplos: planilha semanal de pedidos, exportação de recebíveis, formulário de cadastro ou relatório mensal de chamados. Registre onde o arquivo vive, quem o produz, quem o consome, com que frequência muda e qual decisão depende dele.
Evite prometer um dicionário de toda a empresa. Sem limites, a atividade vira investigação contínua. Declare quais abas, tabelas e versões entram no trabalho e quais permanecem fora.
Passo 2: inventarie os campos sem interpretar
Extraia nomes de colunas, ordem, tipo observado, preenchimento, fórmulas, valores distintos e possíveis relações. Preserve o arquivo original. A IA pode ajudar a agrupar cabeçalhos parecidos e sugerir perguntas, mas a primeira lista deve separar observação de interpretação.
Registre exatamente o que foi encontrado. Se três arquivos usam cliente_id, id_cliente e codcli, não os una automaticamente. Primeiro confirme se apontam para a mesma entidade, se usam o mesmo formato e se mantêm o identificador ao longo do tempo.
Passo 3: defina cada campo com linguagem operacional
Uma boa definição diz o que o campo representa, quando nasce, quem o informa e como deve ser interpretado. Evite descrições circulares como “status: status do pedido”. Prefira algo verificável, por exemplo: “estado operacional mais recente do pedido no sistema de origem, atualizado após confirmação do evento correspondente”.
Inclua o nome técnico e um rótulo compreensível para o negócio. Quando duas áreas usam o mesmo termo com sentidos diferentes, preserve os contextos em vez de fabricar uma definição única.
Passo 4: registre tipo, formato e valores permitidos
Defina se o campo é texto, número inteiro, decimal, data, data com horário, verdadeiro ou falso, código ou categoria. Acrescente formato, unidade, fuso, separador decimal e regra para vazio. Um CEP, telefone ou código com zeros à esquerda pode parecer número, mas deve permanecer texto se nenhuma operação aritmética fizer sentido.
A documentação do Power Query alerta que fontes não estruturadas, como Excel e CSV, podem ter tipos detectados a partir dos valores. Por isso, a detecção automática deve ser conferida, especialmente quando a amostra é pequena ou mistura formatos. Veja a documentação oficial de tipos de dados no Power Query.
Passo 5: ligue o campo à fonte e ao responsável
Para cada item, registre sistema, arquivo, aba, tabela ou formulário de origem. Diferencie campo capturado, calculado, importado e corrigido manualmente. Se um indicador combina várias fontes, documente a regra e os pontos em que o valor pode mudar.
Associe também um responsável pelo significado e outro, quando necessário, pela operação técnica. A pessoa que mantém a consulta pode não ter autoridade para definir o que “cliente ativo” significa. Essa separação reduz aprovações silenciosas.
Passo 6: transforme dúvidas em estados explícitos
Use estados como confirmado, em revisão, conflitante, obsoleto e não verificável. Registre a pergunta aberta, a evidência disponível e quem pode decidir. Não peça à IA que escolha entre definições incompatíveis apenas porque uma aparece mais vezes.
Um campo sem dono ou sem fonte confiável continua no inventário. Apagá-lo da documentação esconderia justamente o risco que a entrega precisa revelar.
Exemplo ilustrativo de ficha
Exemplo ilustrativo. Uma planilha fictícia possui a coluna data_venda. A amostra mostra datas de emissão e de pagamento misturadas. O dicionário não escolhe uma delas por frequência. Ele registra “definição conflitante”, lista os dois usos observados, identifica os relatórios afetados e solicita decisão ao responsável comercial e ao financeiro.
Depois da aprovação, a ficha pode separar data_emissao de data_pagamento, com formato ISO, fuso quando aplicável, origem e regra para valores ausentes. A mudança nos arquivos continua fora do diagnóstico e só ocorre com autorização própria.
Metadados ajudam pessoas e validadores
A recomendação CSV on the Web do W3C descreve metadados associados a tabelas e colunas. Entre as propriedades aparecem nome, tipo esperado, valor padrão, representação de nulo e obrigatoriedade. A especificação também mostra como um esquema pode apoiar validação, conversão e exibição.
A microentrega não precisa implementar toda a recomendação. Ela pode aproveitar o princípio de separar dados e descrição, mantendo campos suficientes para que uma pessoa entenda a base e para que regras simples sejam testadas. Consulte o modelo de dados tabulares do W3C e o vocabulário oficial de metadados tabulares.
Perfil de coluna não é prova de qualidade
Ferramentas de perfil ajudam a contar vazios, erros e valores distintos. No Power Query, a análise pode usar por padrão as primeiras mil linhas, com opção de mudar para o conjunto inteiro. Uma amostra parcial pode ocultar exceções no restante do arquivo.
O relatório deve registrar se o perfil cobriu amostra ou total e em qual data. Distribuição e preenchimento ajudam a formular perguntas, mas não confirmam que o valor está correto no mundo real. A distinção está na documentação oficial de perfil de dados do Power Query.
Qualidade precisa ser medida no contexto
O Government Data Quality Framework do Reino Unido trata dimensões como completude, unicidade, consistência, atualidade, validade e precisão. O próprio framework ressalta que as dimensões devem ser usadas conforme os dados e as necessidades dos usuários.
Não converta essas dimensões em uma nota universal inventada. Escolha regras ligadas ao uso. Para um campo obrigatório, completude pode ser relevante. Para um identificador, unicidade pode ser decisiva. Para um preço, a fonte e a data podem pesar mais. A referência oficial está no Government Data Quality Framework.
Glossário e dicionário não são a mesma entrega
Um glossário explica conceitos de negócio. Um dicionário descreve campos e tipos concretos. Os dois se conectam, mas não são intercambiáveis. “Cliente ativo” pode ser um termo do glossário; ativo_flag, ultima_compra e status_conta são campos que podem participar da regra.
A Microsoft define dicionário de dados como uma lista de nomes canônicos de colunas e seus tipos, enquanto o glossário acrescenta contexto de negócio. A página de termos de governança do Microsoft Purview ajuda a separar esses níveis. No Bastidores, a microentrega de glossário operacional com fontes aprofunda o lado conceitual.
Como usar IA sem expor a base
Entregue ao modelo apenas o mínimo necessário: cabeçalhos, tipos observados, regras já aprovadas e exemplos sintéticos. Quando a análise depender de valores reais, prefira execução local autorizada ou agregações que removam o conteúdo individual. Classifique antes os campos sensíveis e registre quais materiais foram processados.
Não suponha que trocar nomes torna a base anônima. Combinações de data, localização, cargo e evento ainda podem identificar alguém. Quando a proteção não puder ser demonstrada, mantenha os registros fora da ferramenta e trabalhe com a estrutura.
Como revisar sugestões da IA
Peça que a IA produza perguntas, não decisões. Ela pode apontar que dt aparece em três arquivos, que uma coluna contém números e textos ou que duas descrições parecem incompatíveis. Cada sugestão deve voltar à fonte e ao responsável.
Use uma tabela com colunas para sugestão, evidência, decisão humana, responsável e data. Dessa forma, uma hipótese não entra silenciosamente como definição oficial.
Como criar regras de validação
Depois que a definição for aprovada, derive testes simples: campo obrigatório não vazio, data em formato aceito, categoria dentro da lista vigente, identificador único no recorte e relação válida entre tabelas. Preserve a regra em linguagem humana e, quando houver implementação, associe o teste correspondente.
Não corrija automaticamente os registros que falharem. Gere uma lista de exceções e confirme a ação com quem responde pelo processo. A microentrega de limpeza de planilhas detalha como preservar o original e documentar transformações.
Como testar em um piloto
Selecione uma tabela de baixo risco e um relatório que dependa dela. Inventarie os campos, escolha os mais usados, confirme definições com os responsáveis e derive algumas regras. Peça a uma pessoa que não participou do levantamento para interpretar o relatório usando apenas o dicionário e as fontes indicadas.
O piloto termina com evidências e perguntas: quais campos ficaram claros, quais ainda dependem de conhecimento oral, que regras detectaram exceções e que mudanças exigem projeto separado. Não transforme a quantidade do piloto em benchmark para outros clientes.
Como definir critérios de aceite
Critérios observáveis podem exigir que todo campo do recorte tenha nome técnico, definição, tipo, origem, responsável e estado; que conflitos estejam visíveis; que exemplos não contenham dados pessoais; que cada regra aponte para sua decisão; e que nenhuma alteração tenha sido aplicada à fonte original.
Inclua limites de quantidade, fontes acessíveis, rodadas de revisão e pessoas aprovadoras. O aceite comprova a entrega documental combinada, não a qualidade permanente de todos os dados da organização.
Como precificar sem prometer renda
Cobre pelo escopo verificável: número de tabelas e campos, quantidade de fontes, entrevistas de validação, regras propostas, amostras sanitizadas, rodadas de revisão e formato de documentação. Separe o diagnóstico da correção, da integração e da manutenção recorrente.
A microentrega não garante renda, economia, vendas, precisão total ou sucesso de um projeto de IA. O valor está em tornar definições, responsabilidades e lacunas visíveis para decisões melhores. Não use depoimentos falsos nem resultados de exemplo como prova comercial.
Erros comuns
- Copiar o cabeçalho e chamar a lista de dicionário sem definir significado.
- Inferir a regra de negócio apenas pelos valores encontrados.
- Unir campos parecidos antes de confirmar entidade, origem e formato.
- Tratar tipo detectado automaticamente como decisão final.
- Usar dados reais desnecessários para gerar exemplos.
- Ocultar conflitos em uma descrição genérica.
- Aplicar correções na fonte durante um trabalho de diagnóstico.
- Prometer que a documentação elimina erros ou garante retorno financeiro.
Resultado esperado e limites
Ao final, outra pessoa deve conseguir identificar o que cada campo coberto representa, de onde vem, qual tipo e formato espera, quem responde pela definição e quais dúvidas continuam abertas. Regras propostas devem apontar para evidências e aprovações, não apenas para uma sugestão gerada por IA.
O dicionário reduz ambiguidade no recorte revisado. Ele não substitui governança, arquitetura, segurança, avaliação jurídica ou conhecimento do processo. Para continuar útil, precisa acompanhar mudanças nas fontes e nos relatórios.
Fontes oficiais consultadas
- W3C: Model for Tabular Data and Metadata on the Web, consultado em 14/09/2026.
- W3C: Metadata Vocabulary for Tabular Data, consultado em 14/09/2026.
- Microsoft Learn: Data types in Power Query, consultado em 14/09/2026.
- Microsoft Learn: Using the data profiling tools, consultado em 14/09/2026.
- Microsoft Learn: Microsoft Purview Data Governance glossary, consultado em 14/09/2026.
- GOV.UK: The Government Data Quality Framework, consultado em 14/09/2026.