Un repositorio de datos se rompe distinto a uno de software. No se cae por un merge conflict: se cae porque alguien subió un CSV de 300 MB, porque el notebook genera un diff de 4,000 líneas que nadie puede revisar, o porque la contraseña de la base quedó escrita en la celda 3 y ahora está en el historial para siempre.
Los tres problemas tienen solución y ninguna es complicada. Lo que falta casi siempre es que alguien las cuente en el orden correcto, que es más o menos lo que hace Fundamentos de Git en Cloud en 2 horas y 30 clases cortas, desde las llaves SSH hasta cómo estructurar un proyecto de data. Acá va lo específico de nuestro mundo.
Los datos no van en el repositorio
Git guarda cada versión completa de cada archivo que cambia. Un CSV de 200 MB que actualizas semanalmente convierte tu repositorio en varios gigas en dos meses, y clonarlo pasa a ser un trámite. Peor: si ese dato tiene información de clientes, acabas de meter datos personales en un lugar donde cualquiera del equipo los tiene en su laptop.
Lo que sí va: el código que trae el dato y una muestra chiquita, 50 o 100 filas anonimizadas, para que alguien pueda correr el notebook sin pedirte acceso. Eso convierte tu repositorio en algo reproducible, que es la palabra que busca quien lo revisa.
Un .gitignore mínimo para empezar hoy:
- ▸data/raw/ y data/processed/ completos, con un .gitkeep adentro para que la carpeta exista
- ▸.env, credentials.json, cualquier archivo de llaves o tokens
- ▸.ipynb_checkpoints/, __pycache__/ y el entorno virtual
- ▸Archivos pesados de salida: .pkl, .parquet, .xlsx generados por el proceso
Si ya subiste una credencial, borrarla en el siguiente commit no sirve: sigue en el historial. Rótala. Es molesto una vez y evita un problema serio después.
Notebooks: el diff ilegible tiene arreglo
Un .ipynb es un JSON que guarda el código, los resultados y hasta las imágenes de los gráficos en base64. Por eso cambiar una línea produce un diff monstruoso: cambió todo lo que el notebook imprimió.
La regla que funciona: limpia las salidas antes de cada commit. En Jupyter o VS Code es "Clear All Outputs" y se puede automatizar con nbstripout para que ocurra solo. El diff baja a las líneas de código que de verdad tocaste, y el repositorio deja de pesar lo que pesa una carpeta de fotos.
La segunda regla es de criterio: el notebook es para explorar. Lo que ya funciona y vas a repetir se baja a un archivo .py o a una consulta .sql y el notebook solo lo llama. Si tu notebook tiene 600 celdas, no es un notebook, es un proyecto sin ordenar. Con Python para todos aprendes a hacer ese pase a funciones reutilizables sin complicarte.
El SQL también se versiona
Esta es la que más cuesta cambiar: la consulta buena vive en una pestaña del editor, en un Google Doc o en el chat del equipo. Después nadie sabe cuál era la versión correcta de "ventas netas" y cada quien tiene la suya.
Un archivo .sql por consulta, con nombre que se entienda sin abrirlo (ventas_netas_mensual.sql, no query_final2.sql), y un comentario arriba con qué pregunta responde y qué supuestos tiene. Cuando el negocio cambie la definición, el historial de Git te dice cuándo cambió y quién lo decidió. Eso te salva en una reunión. Si todavía estás afinando las consultas, SQL para todos es el punto de partida.
Una estructura que se explica sola
No hace falta inventar nada. Carpeta data con raw y processed (ignoradas), notebooks para la exploración numerados por orden, sql con las consultas, src con el código que se reutiliza, y un README arriba de todo. Cinco carpetas. Si un proyecto de datos necesita más, probablemente son dos proyectos.
Sobre las ramas, sin dramatizar: una rama por pregunta de análisis o por cambio, y main siempre en un estado que corre. El error típico no es usar mal las ramas, es trabajar dos semanas sin hacer commit y después no poder volver atrás cuando el resultado empeora.
Commits chicos y frecuentes con un mensaje que diga qué cambió en el análisis, no "update". Dentro de tres meses, ese mensaje eres tú hablándole a tu yo del futuro.
El README decide si alguien abre tu repositorio
Tres líneas con el problema, de dónde salen los datos, cómo se corre y qué encontraste. Un reclutador le dedica menos de un minuto a tu repositorio; si en ese minuto no entiende qué hiciste, no hay segunda oportunidad. Y sí, un gráfico incrustado en el README ayuda más que diez notebooks perfectos.
Por dónde empezar
Si nunca configuraste Git como corresponde (llaves SSH, usuario, primer push, deshacer cambios sin pánico), Fundamentos de Git en Cloud son 2 horas que se pagan solas la primera vez que necesitas volver a una versión anterior. Incluye la parte de estructura de un proyecto de data, el README y cómo dejar presentable tu perfil de GitHub y GitLab.
Y si esto lo estás leyendo porque quieres trabajar en datos, Git deja de ser opcional en el momento en que entras a un equipo: pipelines, código de transformación y despliegues viven ahí. El Bootcamp Data Engineer lo da por sentado desde la primera semana, así que llegar con esto resuelto te ahorra la parte incómoda.
Hazlo esta semana con un proyecto viejo: límpiale las salidas al notebook, escríbele el .gitignore y redáctale el README. Vas a terminar con un repositorio que puedes mostrar, y toma menos de una hora.
Si quieres que alguien te revise el resultado, en la Comunidad AI Builders hacemos talleres en vivo cada semana y ahí se comparten proyectos así.



