Sau khi đã hoàn thành bước làm sạch dữ liệu trong phần 1, chúng ta đã có một bộ dữ liệu sạch và sẵn sàng để phân tích. Trong phần 2 này, chúng ta sẽ tiến hành khám phá dữ liệu để hiểu rõ hơn về các xu hướng và mẫu hình trong dữ liệu. Bằng cách sử dụng các câu lệnh SQL, chúng ta sẽ trả lời các câu hỏi cụ thể liên quan đến dữ liệu, từ đó rút ra những kết luận quan trọng và có giá trị. Hãy cùng bắt đầu hành trình khám phá dữ liệu này với UniTrain nhé!
1. Ngày trong tuần nào được sử dụng cho mỗi giá trị week_date?
SELECT DISTINCT(TO_CHAR(week_date, ‘day’)) AS week_day
FROM clean_weekly_sales;
Câu lệnh này chọn các giá trị duy nhất của week_date sau khi chuyển đổi chúng thành tên ngày trong tuần. Hàm TO_CHAR được sử dụng để chuyển đổi giá trị ngày thành chuỗi ký tự, và tham số ‘day’ chỉ định rằng chúng ta muốn lấy tên ngày trong tuần (ví dụ: Monday, Tuesday, v.v.).
2. Có tổng cộng bao nhiêu giao dịch mỗi năm?
SELECT
calendar_year,
SUM(transactions) AS total_transactions
FROM clean_weekly_sales
GROUP BY calendar_year
ORDER BY calendar_year;
Giải thích:
– SELECT calendar_year, SUM (transactions) AS total_transactions: Chọn cột calendar_year và tính tổng số giao dịch (transactions) cho mỗi năm, đặt tên kết quả là total_transactions.
– GROUP BY calendar_year: Nhóm các bản ghi theo cột calendar_year để tính tổng số giao dịch cho mỗi năm.
– ORDER BY calendar_year: Sắp xếp kết quả theo thứ tự năm (calendar_year).
3. Tổng doanh số bán hàng của mỗi khu vực trong mỗi tháng là bao nhiêu?
SELECT
month_number,
region,
SUM(sales) AS total_sales
FROM clean_weekly_sales
GROUP BY month_number, region
ORDER BY month_number, region;
4. Tổng số lượng giao dịch trên mỗi nền tảng là bao nhiêu?
SELECT
platform,
SUM(transactions) AS total_transactions
FROM clean_weekly_sales
GROUP BY platform;
5. Tỷ lệ phần trăm doanh số bán hàng của Retail so với Shopify cho mỗi tháng là bao nhiêu?
WITH monthly_transactions AS (
SELECT
calendar_year,
month_number,
platform,
SUM(sales) AS monthly_sales
FROM clean_weekly_sales
GROUP BY calendar_year, month_number, platform
)
SELECT
calendar_year,
month_number,
ROUND(100 * MAX
(CASE
WHEN platform = ‘Retail’ THEN monthly_sales ELSE NULL END)
/ SUM(monthly_sales),2) AS retail_percentage,
ROUND(100 * MAX
(CASE
WHEN platform = ‘Shopify’ THEN monthly_sales ELSE NULL END)
/ SUM(monthly_sales),2) AS shopify_percentage
FROM monthly_transactions
GROUP BY calendar_year, month_number
ORDER BY calendar_year, month_number;
Giải thích:
– WITH monthly_transactions AS (…): Tạo một bảng tạm thời monthly_transactions chứa tổng doanh số bán hàng (monthly_sales) cho mỗi nền tảng (platform) trong mỗi tháng (month_number) và năm (calendar_year).
– SELECT calendar_year, month_number, ROUND(100 * MAX (CASE WHEN platform = ‘Retail’ THEN monthly_sales ELSE NULL END) / SUM(monthly_sales),2) AS retail_percentage: Chọn năm (calendar_year), tháng (month_number), và tính tỷ lệ phần trăm doanh số bán hàng của nền tảng ‘Retail’ so với tổng doanh số bán hàng trong tháng đó. Kết quả được làm tròn đến 2 chữ số thập phân và đặt tên là retail_percentage.
– ROUND(100 * MAX (CASE WHEN platform = ‘Shopify’ THEN monthly_sales ELSE NULL END) / SUM(monthly_sales),2) AS shopify_percentage: Tương tự, tính tỷ lệ phần trăm doanh số bán hàng của nền tảng ‘Shopify’ và đặt tên là shopify_percentage.
6. Tỷ lệ phần trăm doanh số bán hàng theo nhân khẩu học cho từng năm trong tập dữ liệu là bao nhiêu?
WITH demographic_sales AS (
SELECT
calendar_year,
demographic,
SUM(sales) AS yearly_sales
FROM clean_weekly_sales
GROUP BY calendar_year, demographic
)
SELECT
calendar_year,
ROUND(100 * MAX
(CASE
WHEN demographic = ‘Couples’ THEN yearly_sales ELSE NULL END)
/ SUM(yearly_sales),2) AS couples_percentage,
ROUND(100 * MAX
(CASE
WHEN demographic = ‘Families’ THEN yearly_sales ELSE NULL END)
/ SUM(yearly_sales),2) AS families_percentage,
ROUND(100 * MAX
(CASE
WHEN demographic = ‘unknown’ THEN yearly_sales ELSE NULL END)
/ SUM(yearly_sales),2) AS unknown_percentage
FROM demographic_sales
GROUP BY calendar_year;
Xem thêm:
Khóa học Ứng dụng SQL trong phân tích dữ liệu
