La solicitud

De Laura Bennett, Directora de Finanzas
Tu objetivo
Paso 1 de 3. Verifica los descuentos. Une order_items con orders y etiqueta cada línea con coupon = COALESCE(o.coupon_code, 'none'). Devuelve coupon, orders (ids de pedido distintos), lines, min_discount y max_discount (el discount_pct más pequeño y más grande), ordenado por coupon. Usa todos los pedidos, sea cual sea su estado.
- Lee de la tabla
orderspendiente - Lee de la tabla
order_itemspendiente - Muestra exactamente
couponorderslinesmin_discountmax_discountpendiente
Paso 2 de 3. Suma cada cupón. Usa pedidos completados y líneas con quantity > 0. Construye una CTE con una fila por pedido: coupon (como en el paso 1), gross (valor antes del descuento) y net (valor después). Devuelve coupon, orders, revenue (suma de net, redondeada a 2), aov (ingresos por pedido, redondeado a 2), discount_cost (bruto menos neto, redondeado a 2) y revenue_share_pct (la participación del cupón en el ingreso neto total, redondeada a 1), ordenado por coupon.
- Lee de la tabla
orderspendiente - Lee de la tabla
order_itemspendiente - Muestra exactamente
couponordersrevenueaovdiscount_costrevenue_share_pctpendiente
Paso 3 de 3. Compara lo comparable. Parte de la misma CTE order_totals y agrega day = CAST(o.order_date AS DATE). Para cada cupón de temporada (BFCM25, HOLIDAY20, SPRING15, SUMMER15), encuentra los días en que se usó y luego mira todos los pedidos completados hechos esos días. Devuelve coupon, coupon_orders y coupon_basket (los pedidos de ese cupón y su valor promedio antes del descuento), coupon_aov (su valor neto promedio), no_coupon_orders y no_coupon_aov (pedidos sin código esos mismos días y su valor neto promedio). Redondea los promedios a 2, ordena por coupon.
- Lee de la tabla
orderspendiente - Lee de la tabla
order_itemspendiente - Muestra exactamente
couponcoupon_orderscoupon_basketcoupon_aovno_coupon_ordersno_coupon_aovpendiente
Este caso se desbloquea cuando terminas cualquiera de estos:
- SQL · Agregados y GROUP BY
- Python · Columnas nuevas, groupby y agregación
- Excel · Totales condicionales
La solicitud y la lección ya se pueden leer. Resuelve todos los niveles de uno de esos capítulos, en la ruta que prefieras, y este caso se abre.
Paso 1 · tu consulta
Cargando el editor…
Solución de referencia
| order_id | customer_id | order_date | status | channel |
|---|---|---|---|---|
| 1001 | 125 | 2023-01-01 20:51:19 | completed | web |
| 1002 | 156 | 2023-01-02 07:58:46 | completed | web |
| 1003 | 22 | 2023-01-02 10:25:27 | completed | marketplace |
| 1004 | 48 | 2023-01-02 11:21:51 | completed | marketplace |
Mote revisa tu resultado
Presiona Ejecutar. Cada fila que cumple el objetivo se vuelve una luciérnaga en tu linterna.
Paso 2 · tu consulta
Cargando el editor…
Solución de referencia
| order_id | customer_id | order_date | status | channel |
|---|---|---|---|---|
| 1001 | 125 | 2023-01-01 20:51:19 | completed | web |
| 1002 | 156 | 2023-01-02 07:58:46 | completed | web |
| 1003 | 22 | 2023-01-02 10:25:27 | completed | marketplace |
| 1004 | 48 | 2023-01-02 11:21:51 | completed | marketplace |
Mote revisa tu resultado
Presiona Ejecutar. Cada fila que cumple el objetivo se vuelve una luciérnaga en tu linterna.
Paso 3 · tu consulta
Cargando el editor…
Solución de referencia
| order_id | customer_id | order_date | status | channel |
|---|---|---|---|---|
| 1001 | 125 | 2023-01-01 20:51:19 | completed | web |
| 1002 | 156 | 2023-01-02 07:58:46 | completed | web |
| 1003 | 22 | 2023-01-02 10:25:27 | completed | marketplace |
| 1004 | 48 | 2023-01-02 11:21:51 | completed | marketplace |
Mote revisa tu resultado
Presiona Ejecutar. Cada fila que cumple el objetivo se vuelve una luciérnaga en tu linterna.
Lo que recibe Laura, y por qué
Tablas
Datos de la tienda Harbor & Pine, listos para consultar.
orders12,000 filas · 7 columnas
order_idintegercustomer_idintegerorder_datetimestampstatusvarcharchannelvarcharshipping_feedecimalcoupon_codevarchar
| order_id | customer_id | order_date | status | channel | shipping_fee | coupon_code |
|---|---|---|---|---|---|---|
| 1001 | 125 | 2023-01-01 20:51:19 | completed | web | 0.00 | NULL |
| 1002 | 156 | 2023-01-02 07:58:46 | completed | web | 0.00 | NULL |
| 1003 | 22 | 2023-01-02 10:25:27 | completed | marketplace | 4.99 | WELCOME10 |
| 1004 | 48 | 2023-01-02 11:21:51 | completed | marketplace | 4.99 | WELCOME10 |
| 1005 | 82 | 2023-01-02 11:43:36 | completed | web | 0.00 | WELCOME10 |
order_items30,338 filas · 6 columnas
order_item_idintegerorder_idintegerproduct_idintegerquantityintegerunit_pricedecimaldiscount_pctdecimal
| order_item_id | order_id | product_id | quantity | unit_price | discount_pct |
|---|---|---|---|---|---|
| 1 | 1001 | 121 | 9 | 31.99 | 0.00 |
| 2 | 1001 | 154 | 3 | 11.99 | 0.00 |
| 3 | 1002 | 154 | 4 | 11.99 | 0.00 |
| 4 | 1002 | 194 | 1 | 149.00 | 0.00 |
| 5 | 1002 | 193 | 2 | 19.99 | 0.00 |
customers2,018 filas · 9 columnas
customer_idintegerfirst_namevarcharlast_namevarcharemailvarcharcityvarcharstatevarcharsignup_datedatesegmentvarcharreferral_sourcevarchar
| customer_id | first_name | last_name | city | state | signup_date | segment | referral_source | |
|---|---|---|---|---|---|---|---|---|
| 1 | Owen | Hudson | owen.hudson@icloud.com | San Francisco | CA | 2022-06-02 | consumer | search |
| 2 | Douglas | Mendoza | dmendoza69@gmail.com | Atlanta | GA | 2022-06-02 | consumer | NULL |
| 3 | Henry | Brooks | hbrooks@lakesidecafe.com | Los Angeles | CA | 2022-06-04 | business | NULL |
| 4 | Brian | Graham | bgraham@bluecedarhomes.com | Seattle | WA | 2022-06-06 | business | |
| 5 | Kyle | Jimenez | kjimenez27@yahoo.com | Indianapolis | IN | 2022-06-07 | consumer | NULL |
products120 filas · 8 columnas
product_idintegernamevarcharcategoryvarcharsubcategoryvarcharunit_pricedecimalunit_costdecimallaunched_ondateis_activeboolean
| product_id | name | category | subcategory | unit_price | unit_cost | launched_on | is_active |
|---|---|---|---|---|---|---|---|
| 101 | Vale Velvet Loveseat | Furniture | Sofas | 1659.00 | NULL | 2023-09-11 | true |
| 102 | Alder Oak Coffee Table | Furniture | Tables | 919.00 | 503.50 | 2024-05-16 | true |
| 103 | Orchard Rattan Dining Chair | Furniture | Chairs | 789.00 | 429.87 | 2023-05-27 | true |
| 104 | Upland Oak Bookcase | Furniture | Storage | 429.00 | 214.70 | 2022-12-20 | true |
| 105 | Avery Leather Bed Frame | Furniture | Beds | 449.00 | 232.70 | 2021-08-31 | true |
returns1,673 filas · 5 columnas
return_idintegerorder_item_idintegerreturned_ondatereasonvarcharrefund_amountdecimal
| return_id | order_item_id | returned_on | reason | refund_amount |
|---|---|---|---|---|
| 1 | 14 | 2023-01-10 | damaged | 83.69 |
| 2 | 42 | 2023-01-10 | wrong_item | 19.99 |
| 3 | 105 | 2023-01-14 | wrong_item | 10.99 |
| 4 | 24 | 2023-01-16 | changed_mind | 26.99 |
| 5 | 126 | 2023-01-16 | late | 20.99 |
employees60 filas · 8 columnas
employee_idintegerfirst_namevarcharlast_namevarchardepartmentvarchartitlevarcharmanager_idintegerhire_datedatesalaryinteger
| employee_id | first_name | last_name | department | title | manager_id | hire_date | salary |
|---|---|---|---|---|---|---|---|
| 1 | Catherine | Hale | Executive | Chief Executive Officer | NULL | 2016-03-01 | 285000 |
| 2 | Robert | Kim | Executive | Chief Operating Officer | 1 | 2017-01-09 | 235000 |
| 3 | Megan | Collins | Sales | Head of Sales | 1 | 2018-04-16 | 172000 |
| 4 | Chloe | Gutierrez | Sales | Account Executive | 3 | 2020-01-21 | 72000 |
| 5 | Frank | Bell | Sales | Account Executive | 3 | 2023-05-21 | 73000 |
web_sessions40,000 filas · 7 columnas
session_idintegercustomer_idintegerstarted_attimestampdevicevarcharsourcevarcharpages_viewedintegerconvertedboolean
| session_id | customer_id | started_at | device | source | pages_viewed | converted |
|---|---|---|---|---|---|---|
| 1 | NULL | 2023-01-01 23:02:24 | mobile | paid | 1 | false |
| 2 | 18 | 2023-01-01 15:07:49 | desktop | paid | 1 | false |
| 3 | NULL | 2023-01-01 16:55:46 | desktop | direct | 7 | false |
| 4 | NULL | 2023-01-01 12:43:28 | mobile | organic | 3 | false |
| 5 | NULL | 2023-01-01 13:06:21 | mobile | social | 2 | false |
marketing_spend3,276 filas · 3 columnas
spend_datedatechannelvarcharamountdecimal
| spend_date | channel | amount |
|---|---|---|
| 2023-01-01 | paid | 492.99 |
| 2023-01-01 | 37.38 | |
| 2023-01-01 | social | 200.53 |
| 2023-01-02 | paid | 709.13 |
| 2023-01-02 | 64.13 |
La lección
Qué estás verificando y por qué
El cupón vive en dos lugares: el código en orders.coupon_code y el descuento en cada línea de
order_items.discount_pct. Todos los números de este caso se construyen a partir del segundo, así que primero demuestra que
concuerda con el primero. Una consulta agrupada lo hace:
SELECT COALESCE(o.coupon_code, 'none') AS coupon,
MIN(i.discount_pct) AS min_discount,
MAX(i.discount_pct) AS max_discount
FROM order_items AS i
JOIN orders AS o ON o.order_id = i.order_id
GROUP BY coupon;
Si el mínimo y el máximo de un código son iguales, todas sus líneas llevan el mismo descuento. Otras tres
cosas que buscar en el mismo resultado: un código escrito de dos maneras (welcome10 junto a WELCOME10),
pedidos sin código que aun así llevan descuento, y cuántos pedidos no tienen ningún código.
COALESCE importa aquí: sin él, el grupo de NULL es fácil de filtrar por accidente.
Cuánto costó cada cupón
El paso 2 resume primero las líneas en una fila por pedido, en una CTE, porque un cupón es una decisión a nivel de pedido: el valor medio del pedido debe dividirse entre pedidos, no entre líneas. A partir de ahí la hoja de costos es una agregación sencilla:
- revenue: lo que pagaron los clientes, después del descuento;
- aov: ingresos por pedido;
- discount_cost: valor antes del descuento menos valor después, el dinero regalado;
- revenue_share_pct: la porción de cada código en el ingreso neto total, dividida entre una subconsulta escalar
(SELECT SUM(net) FROM order_totals)para que el denominador sea el mismo total en todas las filas.
Comparar lo comparable: los mismos días
Cada pedido con cupón promedia menos que un pedido sin código. Suena condenatorio, pero los códigos de temporada corren en semanas concretas, y las cestas de Black Friday son más pequeñas en general. La comparación justa pone cada cupón junto a los pedidos hechos los mismos días sin código.
La segunda CTE, coupon_days, lista los días en que se usó cada código de temporada. Al unirla de vuelta a
order_totals por día, obtienes todos los pedidos hechos esos días, una vez por cupón. La agregación
condicional los separa:
AVG(CASE WHEN t.coupon = d.coupon THEN t.net END) AS coupon_aov,
AVG(CASE WHEN t.coupon = 'none' THEN t.net END) AS no_coupon_aov
WELCOME10 y FREESHIP se dejan fuera de este paso porque corren todos los días: para ellos, “los mismos días” significa todo el año.
Cómo leer el resultado
| coupon | coupon_basket | coupon_aov | no_coupon_aov |
|---|---|---|---|
| BFCM25 | 536.54 | 402.41 | 483.06 |
| HOLIDAY20 | 482.84 | 386.27 | 479.56 |
| SPRING15 | 634.59 | 539.40 | 574.96 |
| SUMMER15 | 671.75 | 570.98 | 658.07 |
La cesta antes del descuento es más o menos igual, o algo superior, a la de un pedido normal esos días. Así que los códigos no hicieron que la gente comprara mucho más; sobre todo pagaron menos por una cesta similar.
Trampas
- Un pedido con cupón contado una vez por línea infla
orders; cuenta en la CTE a nivel de pedido. - Filtrar
quantity > 0importa: tres líneas con cupón tienen cantidad cero o negativa. - El costo de FREESHIP es el envío, que no está en estos totales. Menciónalo en lugar de reportar $0.
¡Linterna encendida!
Practicaste: data validationcoalescegroup byconditional aggregationctelike for like
- Resuelto
- Sin pistas
- Al primer intento
