1. Faro

Nivel 2 · Tres tasas de devolución, un solo conjunto de datos

La solicitud

De Angela Rivera, Directora de Atención al Cliente

“Finanzas dice que las devoluciones son el 6 % de las ventas, mi equipo dice que uno de cada diez pedidos vuelve, y el almacén cita otra cifra distinta. ¿Puedes poner la tasa de devolución lado a lado, de todas las formas en que la calcula la gente, para cada año?”

Tu objetivo

Usando el CTE lines del starter (una fila por cada línea válida de un pedido confirmado, con return_id y refund_amount en NULL cuando la línea no se devolvió), devuelve una fila por year con: booked_orders (pedidos distintos), order_return_rate_pct (pedidos distintos con al menos una línea devuelta × 100 / pedidos confirmados), line_return_rate_pct (líneas devueltas × 100 / líneas) y value_return_rate_pct (refund_amount total × 100 / net total). Redondea las tres tasas a 2 y ordena por año.

  • Lee de la tabla orderspendiente
  • Lee de la tabla order_itemspendiente
  • Muestra exactamente year booked_orders order_return_rate_pct line_return_rate_pct value_return_rate_pctpendiente

Tu consulta

SQL

Cargando el editor…

    ResultadoVista previa de orders · presiona Ejecutar para ver el tuyo
    Vista previa de orders
    order_idcustomer_idorder_datestatuschannel
    10011252023-01-01 20:51:19completedweb
    10021562023-01-02 07:58:46completedweb
    1003222023-01-02 10:25:27completedmarketplace
    1004482023-01-02 11:21:51completedmarketplace

    Mote revisa tu resultado

    Presiona Ejecutar. Cada fila que cumple el objetivo se vuelve una luciérnaga en tu linterna.

    Tablas

    Datos de la tienda Harbor & Pine, listos para consultar.

    orders12,000 filas · 7 columnas
    • order_idinteger
    • customer_idinteger
    • order_datetimestamp
    • statusvarchar
    • channelvarchar
    • shipping_feedecimal
    • coupon_codevarchar
    Primeras 5 filas de orders
    order_idcustomer_idorder_datestatuschannelshipping_feecoupon_code
    10011252023-01-01 20:51:19completedweb0.00NULL
    10021562023-01-02 07:58:46completedweb0.00NULL
    1003222023-01-02 10:25:27completedmarketplace4.99WELCOME10
    1004482023-01-02 11:21:51completedmarketplace4.99WELCOME10
    1005822023-01-02 11:43:36completedweb0.00WELCOME10
    order_items30,338 filas · 6 columnas
    • order_item_idinteger
    • order_idinteger
    • product_idinteger
    • quantityinteger
    • unit_pricedecimal
    • discount_pctdecimal
    Primeras 5 filas de order_items
    order_item_idorder_idproduct_idquantityunit_pricediscount_pct
    11001121931.990.00
    21001154311.990.00
    31002154411.990.00
    410021941149.000.00
    51002193219.990.00
    returns1,673 filas · 5 columnas
    • return_idinteger
    • order_item_idinteger
    • returned_ondate
    • reasonvarchar
    • refund_amountdecimal
    Primeras 5 filas de returns
    return_idorder_item_idreturned_onreasonrefund_amount
    1142023-01-10damaged83.69
    2422023-01-10wrong_item19.99
    31052023-01-14wrong_item10.99
    4242023-01-16changed_mind26.99
    51262023-01-16late20.99
    customers2,018 filas · 9 columnas
    • customer_idinteger
    • first_namevarchar
    • last_namevarchar
    • emailvarchar
    • cityvarchar
    • statevarchar
    • signup_datedate
    • segmentvarchar
    • referral_sourcevarchar
    Primeras 5 filas de customers
    customer_idfirst_namelast_nameemailcitystatesignup_datesegmentreferral_source
    1OwenHudsonowen.hudson@icloud.comSan FranciscoCA2022-06-02consumersearch
    2DouglasMendozadmendoza69@gmail.comAtlantaGA2022-06-02consumerNULL
    3HenryBrookshbrooks@lakesidecafe.comLos AngelesCA2022-06-04businessNULL
    4BrianGrahambgraham@bluecedarhomes.comSeattleWA2022-06-06businesspinterest
    5KyleJimenezkjimenez27@yahoo.comIndianapolisIN2022-06-07consumerNULL
    products120 filas · 8 columnas
    • product_idinteger
    • namevarchar
    • categoryvarchar
    • subcategoryvarchar
    • unit_pricedecimal
    • unit_costdecimal
    • launched_ondate
    • is_activeboolean
    Primeras 5 filas de products
    product_idnamecategorysubcategoryunit_priceunit_costlaunched_onis_active
    101Vale Velvet LoveseatFurnitureSofas1659.00NULL2023-09-11true
    102Alder Oak Coffee TableFurnitureTables919.00503.502024-05-16true
    103Orchard Rattan Dining ChairFurnitureChairs789.00429.872023-05-27true
    104Upland Oak BookcaseFurnitureStorage429.00214.702022-12-20true
    105Avery Leather Bed FrameFurnitureBeds449.00232.702021-08-31true
    employees60 filas · 8 columnas
    • employee_idinteger
    • first_namevarchar
    • last_namevarchar
    • departmentvarchar
    • titlevarchar
    • manager_idinteger
    • hire_datedate
    • salaryinteger
    Primeras 5 filas de employees
    employee_idfirst_namelast_namedepartmenttitlemanager_idhire_datesalary
    1CatherineHaleExecutiveChief Executive OfficerNULL2016-03-01285000
    2RobertKimExecutiveChief Operating Officer12017-01-09235000
    3MeganCollinsSalesHead of Sales12018-04-16172000
    4ChloeGutierrezSalesAccount Executive32020-01-2172000
    5FrankBellSalesAccount Executive32023-05-2173000
    web_sessions40,000 filas · 7 columnas
    • session_idinteger
    • customer_idinteger
    • started_attimestamp
    • devicevarchar
    • sourcevarchar
    • pages_viewedinteger
    • convertedboolean
    Primeras 5 filas de web_sessions
    session_idcustomer_idstarted_atdevicesourcepages_viewedconverted
    1NULL2023-01-01 23:02:24mobilepaid1false
    2182023-01-01 15:07:49desktoppaid1false
    3NULL2023-01-01 16:55:46desktopdirect7false
    4NULL2023-01-01 12:43:28mobileorganic3false
    5NULL2023-01-01 13:06:21mobilesocial2false
    marketing_spend3,276 filas · 3 columnas
    • spend_datedate
    • channelvarchar
    • amountdecimal
    Primeras 5 filas de marketing_spend
    spend_datechannelamount
    2023-01-01paid492.99
    2023-01-01email37.38
    2023-01-01social200.53
    2023-01-02paid709.13
    2023-01-02email64.13

    La lección

    Una tasa es un numerador sobre un denominador

    “Tasa de devolución” suena a un solo número. Son al menos tres, según entre qué divides:

    • Por pedido: pedidos con al menos una línea devuelta ÷ pedidos confirmados. Lo que siente soporte: con qué frecuencia un cliente vuelve descontento.
    • Por línea: líneas devueltas ÷ todas las líneas. Lo que siente el almacén: cuántos paquetes regresan.
    • Por dólar: reembolsos ÷ ventas netas. Lo que siente finanzas: cuántos ingresos vuelven a salir.

    Las tres son honestas. Mezclarlas en una misma diapositiva, o cambiar de una a otra de un mes a otro, no lo es.

    Las tres tasas de devolución de Harbor & Pine

    year  orders  per order  per line  per dollar
    2023   2,972     11.68%     6.62%       6.67%
    2024   3,772     10.05%     5.84%       5.89%
    2025   4,409     10.00%     5.55%       5.96%

    La tasa por pedido es casi el doble de las otras: un pedido tiene 2,5 líneas en promedio, así que una sola línea devuelta hace que todo el pedido cuente como “devuelto”. Y mira de 2024 a 2025: por líneas, las devoluciones bajaron; por dólares, subieron. Un gerente que quiere buenas noticias puede elegir el denominador que se las da. Una definición de KPI existe para quitarle esa elección.

    Contar después de un join

    El CTE lines tiene una fila por línea de pedido, así que COUNT(*) cuenta líneas, no pedidos. Para la tasa por pedido necesitas COUNT(DISTINCT order_id), y para “pedidos con una devolución” ese mismo conteo restringido a las líneas devueltas con FILTER (WHERE return_id IS NOT NULL). COUNT(return_id) cuenta solo las líneas que se devolvieron, porque COUNT(column) ignora los NULL, y SUM(refund_amount) hace lo mismo.

    Cuál va en la hoja de KPI

    Elige según la decisión que alimenta el número. Finanzas, que planifica ingresos, necesita reembolsos por dólar. El almacén, que planifica personal, necesita líneas. La experiencia del cliente necesita pedidos. Elige una por audiencia, escribe el denominador en el nombre (“devoluciones, % de las ventas netas”) y nunca lo cambies en silencio.

    Errores comunes

    • Contar filas después de un join como si fueran pedidos. Usa COUNT(DISTINCT order_id).
    • Dividir entre todos los pedidos. Los pedidos cancelados y pendientes nunca se pagaron, así que no pueden devolverse; incluirlos baja la tasa sin motivo.
    • Comparar una tasa por pedido con la tasa por dólar del año pasado. El salto de 6 % a 10 % es la definición, no los clientes.

    Elige qué puede ejecutarse en este sitio. Puedes cambiarlo cuando quieras desde "Configurar cookies", al pie de cada página.