Com documentar les dades de la teva empresa el 2026
La documentació de dades és una d'aquelles tasques que tothom sap que hauria de fer, però que pocs equips executen de forma sistemàtica. El 2026, amb l'explosió de fonts de dades, models d'IA i regulacions com el GDPR i DORA, documentar les teves dades ja no és una bona pràctica opcional: és un requisit operatiu i legal.
Aquesta guia t'explica pas a pas què documentar, com fer-ho i quines eines existeixen perquè la documentació no es converteixi en un projecte infinit que ningú manté. Si el teu equip dedica més de 15 minuts a trobar o entendre una dada, aquesta guia és per a tu.
Per què documentar les dades de la teva empresa
La raó principal per documentar dades és eliminar la dependència de persones. Quan el coneixement sobre el significat de cada taula, columna o mètrica viu únicament al cap de dues o tres persones, l'empresa té un risc operatiu real. Si aquestes persones se'n van de vacances, canvien d'equip o abandonen l'empresa, el coneixement es perd i els equips downstream queden bloquejats.
Segons estudis del sector, els analistes de dades dediquen entre un 20% i un 30% del seu temps a cercar i entendre dades abans de poder-les utilitzar. Això equival a un o dos dies per setmana perduts preguntant per Slack "què significa aquest camp" o intentant desxifrar noms de columnes críptics com amt_01_adj. Documentar dades redueix aquest temps dràsticament.
A més, regulacions com el GDPR exigeixen saber on s'emmagatzemen dades personals i com flueixen a través dels sistemes. Sense documentació, respondre a una sol·licitud de supressió de dades o preparar una auditoria es converteix en un projecte de setmanes que hauria de resoldre's en hores.
Què documentar: taules, columnes i relacions
No necessites documentar-ho tot alhora. Comença pels actius de dades més crítics: les taules que alimenten KPIs de negoci, dashboards executius i informes regulatoris. Per a cada taula, documenta com a mínim: nom llegible per al negoci, descripció de què conté i per a què s'utilitza, owner (persona o equip responsable), freqüència d'actualització i font d'origen.
Per a cada columna rellevant, documenta: descripció del camp en llenguatge de negoci, tipus de dada i format esperat, si conté dades personals (PII) i valors possibles o rangs vàlids. No cal documentar totes les columnes el primer dia, però sí els camps que generen confusió o que són clau per a càlculs de negoci.
Les relacions entre taules són igual d'importants. Documenta quines taules alimenten quines altres (lineage), quins joins són els correctes (evitant duplicats) i quins camps actuen com a claus d'unió. Això és especialment crític en organitzacions on diferents equips han creat les seves pròpies còpies de les mateixes taules amb transformacions lleugerament diferents.
Eines per documentar dades
Les opcions van des de fulls de càlcul fins a plataformes dedicades de data catalog. Un full de càlcul (Google Sheets o Confluence) funciona com a punt de partida per a equips molt petits, però ràpidament es torna inmanejable: no detecta canvis d'esquema, no té cerca intel·ligent i ningú el manté actualitzat.
Els data catalogs moderns com Linedat, Atlan o DataHub es connecten directament a les teves fonts de dades (PostgreSQL, BigQuery, Snowflake) i extreuen automàticament la metadada tècnica: noms de taules, columnes, tipus de dada, volums i relacions entre taules. Sobre aquesta base tècnica, els equips afegeixen descripcions de negoci, classificacions i termes de glossari.
El criteri més important a l'hora d'escollir l'eina és que s'integri amb el teu stack actual i que redueixi la fricció de documentar. Si documentar un camp requereix obrir una eina separada, cercar la taula, trobar la columna i escriure una descripció des de zero, l'adopció serà baixa. Les eines amb IA que suggereixen descripcions automàticament redueixen aquesta fricció en un 70-80%.
Documentació manual vs. automàtica amb IA
La documentació manual té un avantatge clar: precisió. Un Data Steward que coneix el domini de negoci pot escriure descripcions que capturin matisos importants, com "aquest camp inclou devolucions però no cancel·lacions" o "es calcula al tancament comptable, no en temps real". El problema és l'escala: documentar manualment milers de camps és un projecte de mesos que competeix amb altres prioritats.
La documentació automàtica amb IA analitza noms de columnes, tipus de dada, patrons de valors i relacions amb altres taules per generar descripcions inicials. Un camp anomenat "customer_email" amb format d'email rebrà automàticament una descripció com "Adreça de correu electrònic del client, utilizada com a identificador principal de contacte". Aquestes descripcions no són perfectes, però cobreixen el 70-80% del treball.
L'enfocament òptim és híbrid: la IA genera un primer esborrany de documentació per a totes les taules i columnes, i els Data Stewards revisen, corregeixen i enriqueixen les descripcions amb context de negoci que la IA no pot inferir. Això redueix l'esforç total de documentació de mesos a dies, mantenint la qualitat que el negoci necessita.
Bones pràctiques de documentació de dades
Escriu descripcions per a persones de negoci, no per a enginyers. Una bona descripció respon "què significa aquesta dada i per a què s'utilitza", no "com es calcula tècnicament". Compara: "VARCHAR(255) NOT NULL, FK a dim_customer" vs "Nom complet del client tal com apareix al contracte signat". La segona és útil; la primera és metadada tècnica que l'eina ja mostra.
Estableix un procés de documentació contínua, no un projecte puntual. Les campanyes de documentació massiva generen un pic de cobertura que es degrada ràpidament. Millor integrar la documentació en el flux de treball: quan es crea una taula nova, es documenta en la mateixa PR. Quan un Data Steward respon una pregunta sobre un camp, aprofita per documentar la resposta.
Mesura la cobertura de documentació i fes-la visible. El percentatge d'actius documentats, de columnes amb descripció i de taules amb owner assignat són mètriques que motiven els equips i permeten identificar llacunes. Un objectiu raonable per al primer trimestre és cobrir el 80% dels actius crítics, no el 100% de tots els actius.
Errors comuns en documentar dades
L'error més freqüent és intentar documentar-ho tot alhora. Els equips llancen un projecte ambiciós de "documentar totes les taules" que s'abandona al segon mes perquè el volum és inabordable. Comença pels 20-30 actius més crítics (els que alimenten KPIs, dashboards i informes regulatoris) i expandeix des d'allà.
Un altre error comú és documentar sense assignar responsables. La documentació sense owner queda obsoleta en qüestió de setmanes. Cada domini de dades ha de tenir un Data Steward identificat que sigui responsable de mantenir la documentació actualitzada. No ha de ser a temps complet: una hora a la setmana per domini sol ser suficient per mantenir la qualitat.
Finalment, molts equips documenten únicament la capa tècnica (tipus de dada, claus, relacions) i obliden la capa de negoci (què significa, com s'utilitza, quines limitacions té). La documentació tècnica és útil per a enginyers, però no resol el problema principal: que la resta de l'organització entengui i confiï en les dades.
Documentar dades no ha de ser un projecte intimidant. La clau és començar petit (actius crítics), usar eines que automatitzin la capa tècnica (catàleg de dades amb IA), assignar responsables clars (Data Stewards) i mesurar el progrés (cobertura de documentació).
Amb un enfocament sistemàtic, la majoria d'equips pot passar del 0% al 80% de cobertura en els seus actius crítics en 4-6 setmanes. El retorn és immediat: menys temps buscant dades, menys errors per malentesos i una base sòlida per al compliment regulatori.