🧑‍💻 SQL для аналитиков: Самые популярные запросы

К нашему большому удовольствию у нас появляются новые подписчики и часть из них — новички, люди, желающие разобраться в аналитике с нуля. Именно для них пишем сегодня based пост про SQL. Потому что SQL — основа, это, так сказать, база.

И, кстати, иногда и практикующим специалистам очень полезно повторить основы.

Итак, по существу. SQL (Structured Query Language) — это язык для работы с базами данных. Он позволяет аналитикам извлекать, изменять и управлять данными. Рассмотрим основные запросы, которые часто используются в аналитике.

1. SELECT
Запрос SELECT является основным инструментом для извлечения данных из таблиц. С его помощью можно выбирать конкретные столбцы или все данные из таблицы.

Пример:

SELECT * FROM customers;

Этот запрос извлекает все записи из таблицы customers.

2. JOIN
Оператор JOIN позволяет объединять данные из нескольких таблиц на основе связанных полей. Существует несколько типов соединений:

- INNER JOIN: возвращает только те записи, которые имеют совпадения в обеих таблицах.
- LEFT JOIN: возвращает все записи из левой таблицы и совпадающие записи из правой.
- RIGHT JOIN: аналогично LEFT JOIN, но возвращает все записи из правой таблицы.
- FULL OUTER JOIN: возвращает записи из обеих таблиц, даже если нет совпадений.

Пример использования INNER JOIN:

SELECT orders.order_id, customers.customer_name
FROM orders
INNER JOIN customers ON orders.customer_id = customers.customer_id;

3. GROUP BY
Оператор GROUP BY используется для агрегации данных по определённым столбцам. Это позволяет выполнять вычисления, такие как подсчет количества записей или вычисление суммы.

Пример:

SELECT city, COUNT(customer_id) AS customer_count
FROM customers
GROUP BY city;

Этот запрос подсчитывает количество клиентов в каждом городе.

4. WHERE
Оператор WHERE позволяет фильтровать данные по заданным условиям. Это помогает извлекать только те записи, которые соответствуют критериям.

Пример:

SELECT * FROM orders
WHERE order_date >= '2024-01-01';

Данный запрос выбирает все заказы, сделанные с начала 2024 года.

5. HAVING
HAVING используется вместе с GROUP BY для фильтрации агрегированных данных. Это позволяет задавать условия на результат группировки.

Пример:

SELECT city, COUNT(customer_id) AS customer_count
FROM customers
GROUP BY city
HAVING COUNT(customer_id) > 10;

Этот запрос выводит только те города, где количество клиентов превышает 10.

6. Что ещё?
Опытные товарищи аналитики, призываем вас поделиться нужными, на ваш взгляд, запросами SQL в комментариях.

Кидайте пост в сохранёнки и ждём ваши 🔥 — важный показатель вашей заинтересованности нашими полезными материалами🙂

🤖 SQL в действии: запросы, которые должен знать каждый аналитик

Для аналитика важно не только знать базовые запросы, но и уметь использовать более сложные конструкции: агрегатные функции, подзапросы, оконные функции и объединения таблиц. Эти навыки помогут находить инсайты, анализировать метрики и строить отчеты на основе больших объемов данных.

В этом посте мы продолжаем разбирать полезные SQL-запросы, которые пригодятся каждому аналитику. Они помогут вам работать с данными быстрее и эффективнее.

1. Анализ продаж с использованием агрегатных функций
Допустим, у нас есть таблица sales с колонками: sale_id, product_id, region, sale_date, amount. Мы хотим узнать общую сумму продаж и средний чек по регионам:

SELECT 
    region, 
    SUM(amount) AS total_sales, 
    AVG(amount) AS avg_check
FROM sales
GROUP BY region
ORDER BY total_sales DESC;

Этот запрос позволяет быстро понять, какой регион приносит больше всего выручки.

2. Использование подзапросов для поиска аномалий
Предположим, мы хотим найти товары, продажи которых ниже среднего уровня по всем товарам:

SELECT product_id, SUM(amount) AS total_sales
FROM sales
GROUP BY product_id
HAVING SUM(amount) < (
    SELECT AVG(total_sales)
    FROM (
        SELECT SUM(amount) AS total_sales
        FROM sales
        GROUP BY product_id
    ) AS subquery
);

Здесь мы используем подзапрос для вычисления среднего уровня продаж по всем товарам и фильтруем те товары, которые находятся ниже этого уровня.

3. Оконные функции для анализа трендов
Оконные функции позволяют анализировать данные без группировки. Например, найдем кумулятивную выручку (накопительный итог) по датам:

SELECT 
    sale_date,
    SUM(amount) OVER (ORDER BY sale_date) AS cumulative_sales
FROM sales;

Такой запрос поможет увидеть динамику роста выручки за определенный период.

4. Сравнение текущих и предыдущих периодов
Чтобы сравнить продажи текущего месяца с предыдущим, можно использовать оконные функции:

SELECT 
    region,
    DATE_TRUNC('month', sale_date) AS month,
    SUM(amount) AS monthly_sales,
    LAG(SUM(amount)) OVER (PARTITION BY region ORDER BY DATE_TRUNC('month', sale_date)) AS prev_month_sales,
    SUM(amount) - LAG(SUM(amount)) OVER (PARTITION BY region ORDER BY DATE_TRUNC('month', sale_date)) AS sales_diff
FROM sales
GROUP BY region, DATE_TRUNC('month', sale_date)
ORDER BY region, month;

Этот запрос покажет динамику продаж по регионам с учетом разницы между месяцами.

5. Объединение таблиц для анализа
Допустим, у нас есть две таблицы: products (с информацией о товарах) и sales (с информацией о продажах). Чтобы получить список товаров с их категориями и общей суммой продаж, используем JOIN:

SELECT 
    p.product_name,
    p.category,
    SUM(s.amount) AS total_sales
FROM products p
LEFT JOIN sales s ON p.product_id = s.product_id
GROUP BY p.product_name, p.category
ORDER BY total_sales DESC;

Такой запрос помогает объединять данные из нескольких таблиц для более глубокого анализа.

Попробуйте эти запросы на своих данных и убедитесь в их эффективности! 🚀