​
Nomeação

​
Padrão Geral de Nomeação

Todos os nomes de colunas devem seguir o padrão estruturado: [id_][<entidade>_]<dimensão>[_<unidade>]

​
Componentes do padrão:

  • id_ (Prefixo opcional):
    • Use apenas para chaves primárias ou estrangeiras que referenciam entidades do Data Lake.
    • Exemplo: id_cnes, id_material, id_municipio.
      Exceção: Para identificadores amplamente reconhecidos como cpf ou cns, o prefixo pode ser omitido para melhor legibilidade.
      Racional: Agrupa as chaves, facilitando a exploração em ferramentas de dados.
  • <entidade>_ (Prefixo opcional):
    • Indica a entidade de negócio da coluna, se diferente da entidade principal da tabela. Comum em tabelas desnormalizadas (camada Marts).
    • Exemplo: Em uma tabela de corridas do Taxi Rio, o nome do motorista seria motorista_nome. Em uma tabela de motoristas do Taxi Rio, seria apenas nome.
      Regra: Em tabelas altamente desnormalizadas, use sempre o prefixo da entidade para todas as colunas, facilitando buscas em BI.
      Recomendação: O BigQuery permite trabalhar com estruturas aninhadas (Struct). Utilize essa tipagem para agrupar todas as dimensões de uma entidade estrangeria.
  • <dimensão> (Obrigatório):
    • Parte central do nome, descreve o atributo, métrica ou característica representada.
    • Seja conciso e descritivo. Exemplo: nome, nascimento, atendimento, logradouro.
  • _<unidade> (Sufixo opcional):
    • Indica o tipo semântico ou unidade do dado. Melhora a legibilidade e entendimento.
    • Sufixos permitidos:
      • _nome: nomes ou descrições
      • _data: datas
      • _datahora: timestamps/datetime
      • _valor: valores monetários ou numéricos gerais
      • _quantidade: contagens ou quantidades
      • _particao: reservado para campos que particionam a tabela.
      • _proporcao: porcentagens (0-100)
      • _taxa: taxas
      • _razao: razões
      • _indicador: booleanos (True/False, 0/1)
      • _tipo: tipos ou classificações
      • _sigla: siglas ou códigos
        Nota: Unidades físicas como _km ou _metro podem aparecer em contextos específicos, mas priorize os sufixos semânticos acima.
Exemplos:
  • id_estabelecimento: chave primária de estabelecimento
  • estabelecimento_nome: nome do estabelecimento
  • atendimento_data: data do atendimento
  • ano: ano (dimensão apenas, sem sufixo)
  • id_municipio: chave estrangeira para município
  • atendimento_quantidade: quantidade de atendimentos
  • corrida_valor: valor total pago
  • ativo_indicador: flag de ativo
  • endereco_logradouro_tipo: sigla do tipo de logradouro

​
Regras Gerais de Nomeação

  • Use nomes já presentes no repositório sempre que possível.
  • Seja intuitivo, claro e descritivo.
  • Use apenas letras minúsculas, sem acentos, conectadas por _.
  • Não inclua conectores como de, da, dos, e, a, em, etc.

​
Exceções

  • Padrões externos: Ao integrar dados de padrões externos (ex: GTFS), pode-se manter a nomenclatura original para interoperabilidade, especialmente em camadas Raw/Staging. Documente esses casos.

​
Ordenamento das Colunas

Padronize a ordem das colunas para facilitar a exploração e consistência:
  1. Chave primária: Sempre primeiro.
    • Ex: id_atendimento
  2. Atributos principais da entidade: Descrevem a entidade principal da tabela.
    • Ex: data_atendimento, tipo_atendimento, descricao_ocorrencia
  3. Grupos de chaves estrangeiras: Agrupe chaves estrangeiras (id_...) com seus atributos descritivos correspondentes.
    • Ordene por abrangência (ex: geografia antes de unidade específica).
    • Exemplo grupo: id_paciente, paciente_nome, paciente_data_nascimento
  4. Metadados de processamento: Informações sobre carga, transformação e timestamps de origem.
    • Ex: data_carga, id_processamento_lote, fonte_dados_origem, data_atualizacao_origem, data_criacao_origem
  5. Colunas de partição: Colunas criadas para particionamento (geralmente ao final).
    • Ex: ano_particao, mes_particao, data_particao
Exceção: nos casos de tabelas estritamente normalizadas, manter as chaves primárias e estrageiras agrupadas no início.

​
Representação dos Valores

​
Limpando STRINGs

  • Colunas categóricas: inicial maiúscula e resto minúsculo, com acentos.
  • STRINGs não-estruturadas: manter igual aos dados originais.

​
Formatos de valores

  • Decimal: formato americano, i.e. sempre . (ponto) ao invés de , (vírgula).
  • Data: YYYY-MM-DD
  • Horário (24h): HH:MM:SS
  • Datetime (ISO-8601): YYYY-MM-DDTHH:MM:SS.sssZ
  • Valor nulo: "" (csv), NULL (Python), NA (R), . ou "" (Stata)
  • Proporção/porcentagem: entre 0-100

​
Quais variáveis manter, quais adicionar e quais remover

Mantemos nossas tabelas parcialmente normalizadas, e temos regras para quais variáveis incluirmos em produção. Elas são:
  • Remover variáveis já utilizadas como partição. Exemplo: remover ano e data se a tabela é particionada nessas duas dimensões.
  • Manter todas as chaves primárias que já vêm com a tabela, mas (1) adicionar chaves estrangeiras relevantes (ex. id_municipio) e (2) retirar chaves estrangeiras irrelevantes (e.g. regiao).
Dica: Busque sempre o equilíbrio entre normalização e performance de consulta. Evite redundâncias desnecessárias, mas mantenha colunas que facilitam análises frequentes.

​
Referências