1. Faro

Nivel 4 · Un embudo de conversión por dispositivo

La solicitud

De Daniel Foster, Gerente de Producto Móvil

“Sigo oyendo que el móvil 'no convierte'. Muéstrame el embudo de 2025 por dispositivo: todas las sesiones, las sesiones que vieron 3 o más páginas y las sesiones que convirtieron, con la caída en cada paso.”

Tu objetivo

A partir de web_sessions iniciadas en 2025 (started_at desde 2025-01-01 hasta 2026-01-01, sin incluirlo), devuelve una fila por dispositivo con: device, sessions (todas las sesiones), engaged_sessions (sesiones con pages_viewed >= 3), converted_sessions (sesiones donde converted es verdadero), engaged_pct (engaged_sessions / sessions * 100, redondeado a 1), engaged_to_converted_pct (converted_sessions / engaged_sessions * 100, redondeado a 1) y overall_conversion_pct (converted_sessions / sessions * 100, redondeado a 2). Ordena por sessions descendente.

  • Lee de la tabla web_sessionspendiente
  • Muestra exactamente device sessions engaged_sessions converted_sessions engaged_pct engaged_to_converted_pct overall_conversion_pctpendiente
  • 3 filas, ordenadas como se pidependiente

Tu consulta

SQL

Cargando el editor…

    ResultadoVista previa de web_sessions · presiona Ejecutar para ver el tuyo
    Vista previa de web_sessions
    session_idcustomer_idstarted_atdevicesource
    1NULL2023-01-01 23:02:24mobilepaid
    2182023-01-01 15:07:49desktoppaid
    3NULL2023-01-01 16:55:46desktopdirect
    4NULL2023-01-01 12:43:28mobileorganic

    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.

    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
    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
    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
    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
    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

    Un embudo sigue a las personas a través de una secuencia de pasos y cuenta cuántas sobreviven a cada uno. Los equipos de producto lo usan para encontrar el paso que más gente pierde, porque ahí es donde un arreglo da fruto.

    Etapas como conteos condicionales

    Cuando cada etapa es una condición sobre la misma fila, un embudo es un solo GROUP BY con un conteo por etapa:

    SELECT
      device,
      COUNT(*)                                  AS sessions,
      COUNT(*) FILTER (WHERE pages_viewed >= 3) AS engaged_sessions,
      COUNT(*) FILTER (WHERE converted)         AS converted_sessions
    FROM web_sessions
    GROUP BY device;

    FILTER (WHERE ...) cuenta solo las filas que coinciden. Funciona en DuckDB y Postgres; SUM(CASE WHEN pages_viewed >= 3 THEN 1 ELSE 0 END) hace lo mismo en todas partes.

    Comprueba que las etapas se anidan

    Un embudo solo tiene sentido si cada etapa es un subconjunto de la anterior. En Harbor & Pine toda sesión convertida vio al menos 3 páginas, lo que puedes confirmar con COUNT(*) FILTER (WHERE converted AND pages_viewed < 3): devuelve 0. Si no fuera así, una “tasa de paso” podría superar el 100% y el embudo estaría mintiendo.

    Ejemplo resuelto: 2025 por dispositivo

    device sessions engaged converted engaged % engaged → converted % overall %
    mobile 9,407 4,195 237 44.6 5.6 2.52
    desktop 5,252 2,311 217 44.0 9.4 4.13
    tablet 1,566 707 46 45.1 6.5 2.94

    La tasa total por sí sola dice “el móvil convierte peor”. Los pasos dicen dónde: los visitantes de móvil interactúan tanto como los de escritorio y luego caen en el último paso. Eso apunta al equipo de producto hacia el pago en móvil, no hacia las páginas de aterrizaje.

    Dos tipos de tasa

    • Conversión por paso: esta etapa dividida entre la anterior. Localiza la fuga.
    • Conversión total: la última etapa dividida entre la primera. Es la cifra principal.

    Indica cuál reportas. “La conversión es 9.4%” y “la conversión es 4.13%” son ciertas para escritorio.

    Errores comunes

    • División entera. En Postgres y SQL Server, 237 / 9407 es 0. Multiplica primero por 100.0.
    • Contar la unidad equivocada. Estas son tasas de sesión. Un embudo a nivel de cliente cuenta clientes distintos por etapa y da números diferentes.
    • Etapas que no se anidan, como se describió arriba.

    En SQL Server

    No hay cláusula FILTER y converted sería un BIT, así que usa CASE:

    SUM(CASE WHEN converted = 1 THEN 1 ELSE 0 END) AS converted_sessions,
    ROUND(100.0 * SUM(CASE WHEN converted = 1 THEN 1 ELSE 0 END) / COUNT(*), 2)
      AS overall_conversion_pct  -- 100.0, not 100

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