Nivel 10 · Desafío final: ¿de dónde vienen las devoluciones?

Primero dibuja la ruta

returns solo conoce el order_item_id que volvió. Todo lo demás está a un join de distancia:

returns --order_item_id--> order_items --product_id--> products   (category)
                                       --order_id----> orders     (channel)

Esbozar esta ruta antes de escribir código es un buen hábito para cualquier pregunta con varias tablas. Fíjate en el grano de cada salto: como máximo una devolución por línea (one-to-one), muchas líneas por producto y por pedido (many-to-one). Esos son exactamente los valores de validate= que debes usar.

Paso 1: recuentos por categoría

returned = (
    returns
    .merge(order_items[["order_item_id", "product_id"]], on="order_item_id", validate="one_to_one")
    .merge(products[["product_id", "category"]], on="product_id", validate="many_to_one")
)
returned.groupby("category", as_index=False).agg(n_returns=("return_id", "count"))

len(returned) debería ser igual a len(returns). Si no lo es, algún join perdió o duplicó devoluciones.

Paso 2: tasas, no recuentos

Los recuentos brutos favorecen lo que más se vende. Una comparación justa divide por lo que vendió cada categoría. Eso necesita un denominador sacado de todas las líneas de pedido, no solo las devueltas:

lines = order_items.merge(products[["product_id", "category"]], on="product_id")
lines = lines.assign(is_returned=lines["order_item_id"].isin(returns["order_item_id"]))

La marca is_returned mantiene la tabla en el grano de línea, sin ningún merge que pueda multiplicar filas. Luego un solo groupby da ambos recuentos, ya que la suma de una columna booleana cuenta sus valores True:

(
    lines.groupby("category", as_index=False)
    .agg(n_lines=("order_item_id", "count"), n_returns=("is_returned", "sum"))
    .assign(return_rate=lambda d: (d["n_returns"] / d["n_lines"]).round(3))
)

assign con una lambda te permite calcular una columna nueva a partir de la tabla agregada en la misma cadena. El orden por tasa puede diferir del orden por recuento, y esa diferencia es la conclusión: una categoría puede generar muchas devoluciones simplemente porque vende mucho, mientras que otra se devuelve con una frecuencia inusual para su volumen.

Las devoluciones aquí incluyen todas las líneas de pedidos reembolsados, así que la tasa mezcla dos causas: reembolsos de pedidos completos y artículos devueltos individualmente. Un análisis cuidadoso las separaría; menciónalo si presentas esto.

Paso 3: dinero por canal

refunds = (
    returns
    .merge(order_items[["order_item_id", "order_id"]], on="order_item_id")
    .merge(orders[["order_id", "channel"]], on="order_id")
)
refunds.groupby("channel", as_index=False).agg(total_refund=("refund_amount", "sum"))

refund_amount es un valor por devolución, así que sumarlo en una tabla con una fila por devolución es seguro. Compara el total con returns["refund_amount"].sum() para confirmarlo.

Errores comunes

• Dividir las devoluciones entre el número de productos o de pedidos en lugar de líneas de pedido.
• Obtener tasas de devolución superiores a 1, señal segura de un fan-out en el numerador.
• Usar count sobre is_returned, que cuenta todas las líneas, en lugar de sum.