1. Faro

Nivel 2 · Mes a mes vs año a año

La solicitud

De Robert Kim, Director de Operaciones

“Alguien le dijo a la dirección que los ingresos de enero 'se desplomaron a la mitad'. Antes de reaccionar: para cada mes de 2025, muéstrame el crecimiento frente al mes anterior y frente al mismo mes de 2024.”

Tu objetivo

Usando pedidos completados y líneas con quantity > 0, calcula los ingresos netos mensuales (suma de quantity * unit_price * (1 - discount_pct / 100.0)) de cada mes de los datos. Devuelve los 12 meses de 2025 con: month (primer día, como DATE), net_revenue (redondeado a 2), mom_growth_pct ((net_revenue - net_revenue del mes anterior) / net_revenue del mes anterior * 100, redondeado a 1) y yoy_growth_pct ((net_revenue - net_revenue del mismo mes un año antes) / ese valor * 100, redondeado a 1). Ordena por month ascendente.

  • Lee de la tabla orderspendiente
  • Lee de la tabla order_itemspendiente
  • Muestra exactamente month net_revenue mom_growth_pct yoy_growth_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
    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

    “¿Estamos creciendo?” tiene dos respuestas habituales, y en un negocio estacional a menudo no coinciden. El mes a mes (MoM) compara un mes con el anterior. El año a año (YoY) lo compara con el mismo mes de un año antes. Los buenos informes muestran ambos y saben en cuál confiar.

    LAG con desfase

    LAG(x) mira una fila atrás. LAG(x, n) mira n filas atrás. En una tabla mensual con una fila por mes y sin huecos, 12 filas atrás es el mismo mes del año pasado:

    LAG(net_revenue, 1)  OVER (ORDER BY month) AS prev_month,
    LAG(net_revenue, 12) OVER (ORDER BY month) AS same_month_last_year

    El crecimiento es entonces (actual - anterior) / anterior * 100. Escribe 100.0 para que la aritmética siga siendo decimal en cualquier base de datos.

    Ejemplo resuelto: el “desplome” de enero

    Con los ingresos completados, tres meses de 2025 cuentan la historia:

    month net_revenue mom_growth_pct yoy_growth_pct
    2025-01-01 150,570.98 -48.2 37.8
    2025-09-01 143,826.50 -21.6 -5.3
    2025-11-01 292,364.40 67.4 -8.4

    Enero “cayó a la mitad” solo porque diciembre es el pico navideño. Frente a enero de 2024 creció un 37.8%. Noviembre parece un triunfo en MoM (+67.4%, Black Friday), pero estuvo un 8.4% por debajo de noviembre de 2024. La columna YoY es la que elimina la estacionalidad: compara cosas equivalentes.

    El YoY más seguro: join por la fecha

    LAG(x, 12) se rompe sin avisar cuando falta un mes, porque “12 filas atrás” ya no es “12 meses atrás”. Un autojoin por la fecha nunca se desvía:

    SELECT cur.month, cur.net_revenue, prev.net_revenue AS last_year
    FROM monthly AS cur
    LEFT JOIN monthly AS prev
      ON prev.month = cur.month - INTERVAL 1 YEAR;

    En Harbor & Pine todos los meses tienen ventas, así que ambas formas dan los mismos números. Con datos dispersos (un producto nuevo, una región pequeña) prefiere el join, o construye primero un calendario completo.

    Filtra después de la ventana

    Calcula LAG sobre todos los meses y conserva 2025 en la consulta externa. Un WHERE sobre 2025 dentro de la CTE se ejecuta antes que la ventana, así que enero no tiene diciembre y ningún mes tiene un año anterior.

    Errores comunes

    • Reportar el MoM como cifra principal en un negocio estacional. Sobre todo mide el calendario.
    • Dividir entre la base equivocada. El crecimiento divide entre el valor anterior, no el actual.
    • Un último mes parcial. Si el mes actual no ha terminado, ambas comparaciones lo subestiman. El quiz más adelante en este capítulo trata justo de eso.

    En SQL Server

    LAG(net_revenue, 12) OVER (ORDER BY month) es idéntico. Para la forma con join, usa DATEADD(year, -1, cur.month). Ojo con las columnas enteras: 100 * (a - b) / b trunca cuando todos los valores son enteros, así que conserva el 100.0.

    LEFT JOIN monthly AS prev ON prev.month = DATEADD(year, -1, cur.month)

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