1. Faro

Nivel 4 · Pareto: ¿el 20 % de los productos hace el 80 % de las ventas?

La solicitud

De Thomas Whitaker, Director de Merchandising

“Un consultor nos dijo 'el 80 % de tus ventas viene del 20 % de tus productos, corta la cola larga'. Antes de cortar nada, ¿puedes comprobarlo con nuestros números reales de 2023 a 2025?”

Tu objetivo

El CTE product_sales del starter tiene product_id y net_sales (ventas netas de las líneas válidas de pedidos confirmados, de 2023 a 2025) para cada producto que se vendió. Devuelve sales_rank (1 = mayor net_sales; desempata por product_id), product_id, net_sales (redondeado a 2) y cum_share_pct (el total acumulado de net_sales hasta este producto, incluido, × 100 / todas las net_sales, redondeado a 2), una fila por producto, ordenado por sales_rank.

  • Lee de la tabla orderspendiente
  • Lee de la tabla order_itemspendiente
  • Muestra exactamente sales_rank product_id net_sales cum_share_pctpendiente
Cumulative share of net sales, products ranked from best seller
Cumulative share of net sales, products ranked from best seller0%20%40%60%80%100%cum_share110192837465564738291100109118Products, ranked by net salesCumulative share of net sales
Cumulative share of net sales, products ranked from best seller0%20%40%60%80%100%cum_share11937557391109Products, ranked by net salesCumulative share of net sales

A strict 80/20 store would reach 80% at product 24. Harbor & Pine reaches it at product 56.

Ver los números
Products, ranked by net salesCumulative share of net sales
16.7%
211%
314.6%
418.1%
520.8%
623.5%
725.9%
828.2%
930.4%
1032.4%
1134.4%
1236.3%
1338%
1439.8%
1541.4%
1643%
1744.5%
1845.9%
1947.3%
2048.7%
2150.1%
2251.4%
2352.6%
2453.7%
2554.9%
2656.1%
2757.2%
2858.3%
2959.4%
3060.5%
3161.5%
3262.6%
3363.6%
3464.6%
3565.6%
3666.5%
3767.3%
3868.1%
3968.9%
4069.6%
4170.4%
4271.2%
4371.9%
4472.7%
4573.4%
4674.1%
4774.8%
4875.5%
4976.2%
5076.8%
5177.5%
5278.1%
5378.7%
5479.3%
5579.9%
5680.5%
5781.1%
5881.7%
5982.2%
6082.8%
6183.4%
6283.9%
6384.5%
6485.1%
6585.6%
6686.1%
6786.6%
6887.1%
6987.6%
7088.1%
7188.6%
7289.1%
7389.6%
7490%
7590.4%
7690.9%
7791.2%
7891.6%
7992%
8092.3%
8192.7%
8293%
8393.3%
8493.6%
8593.9%
8694.2%
8794.5%
8894.8%
8995%
9095.3%
9195.5%
9295.8%
9396%
9496.3%
9596.5%
9696.7%
9796.9%
9897.1%
9997.3%
10097.5%
10197.7%
10297.9%
10398.1%
10498.3%
10598.5%
10698.6%
10798.8%
10898.9%
10999%
11099.1%
11199.2%
11299.4%
11399.5%
11499.6%
11599.7%
11699.8%
11799.8%
11899.9%
119100%
120100%

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
    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
    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
    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

    La regla 80/20 es una afirmación, no una ley

    El principio de Pareto dice que una pequeña parte de las causas produce una gran parte de los resultados: el 20 % de los productos, el 80 % de las ventas. A menudo es más o menos cierto, y a menudo se cita sin comprobar. La comprobación es sencilla y todo analista debería poder hacerla en unas pocas líneas: ordena los productos, suma sus ventas desde arriba y mira dónde el total acumulado cruza el 80 %.

    Totales acumulados con funciones de ventana

    Una función de ventana calcula sobre un conjunto de filas sin colapsarlas. Con un ORDER BY dentro de OVER, SUM se convierte en un total acumulado:

    SUM(net_sales) OVER (ORDER BY net_sales DESC, product_id)   -- up to this row
    SUM(net_sales) OVER ()                                       -- all rows

    Divide la primera entre la segunda y tienes la proporción acumulada. ROW_NUMBER() con el mismo orden le da a cada producto su posición.

    Los empates necesitan un desempate

    Por defecto, un marco de ventana ordenado incluye todas las filas con el mismo valor de ORDER BY que la fila actual. Dos productos con ventas idénticas compartirían entonces un mismo total acumulado y la curva daría un salto. Agregar product_id al orden hace que cada fila sea única, así que las posiciones y los totales acumulados avanzan un producto a la vez.

    Cómo leer la curva

    El gráfico muestra la proporción acumulada frente a la posición. Un inicio empinado significa concentración. Aquí la curva es empinada para los más vendidos y luego se curva: los 24 mejores productos hacen poco más de la mitad de las ventas, y la línea del 80 % se cruza en el producto 56. Los últimos 64 productos juntos hacen el 20 % final, que sigue siendo más de un millón de dólares en tres años.

    Errores comunes

    • Ordenar por unidades en vez de dólares. La decoración barata vende muchas unidades; la pregunta es sobre ventas.
    • Usar la curva sola para recortar productos. El margen, las devoluciones y lo que se vende con qué importan más que la posición.
    • Sin desempate en la ventana. Los totales acumulados se repiten en los empates.

    Nota de entrevista

    “¿Cómo encontrarías los productos que hacen el 80 % de los ingresos?” Describe justo esto: agrega por producto, suma acumulada ordenada por ingresos con desempate, divide entre el total, filtra por la proporción acumulada. Luego añade la salvedad de negocio sobre la cola.

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