读后感：《SQL数据分析实战》运营SQL实用手册

学习SQL，先有用起来，有了使用价值，之后才是去了解它的原理，让使用更加顺畅。

在大部分业务场景中，通过SQL可以快速的实现数据处理与统计。《SQL数据分析实战》区别于其他工具书，它并没有介绍SQL是什么，而是直接讲了如何使用。就好像大模型一样，我们只需要知道怎么用就好。

在《SQL数据分析实战》一书中，根据日常营销、运营、市场中需要统计的数据内容做了归纳，整体来看可以分为下面几个部分。

1、为什么运营需要用SQL
1.1、哪些场景需要用到SQL
1.2、运营用SQL解决哪些问题
2、具体需要用到的SQL内容
3、常用的SQL统计模板

为什么运营需要用SQL

运营的定位

运营的定位是企业中负责推动产品或服务的日常运作、维护和发展，确保其在市场上的活跃度和竞争力。不仅涉及日常管理，还包括战略规划与执行，旨在实现企业的长期目标。

用户关系管理: 通过有效的用户管理策略，如社区运营、客户服务等，增强用户的粘性和忠诚度。
数据分析能力: 运营人员需具备强大的数据分析能力，以便从大量数据中提取有价值的信息，指导运营决策。
项目管理技能: 能够有效管理多个项目，确保每一个项目都能按时完成并达到预期效果。

《SQL数据分析实战（第2版）》([美]马特·古德瓦瑟，等)【摘要书评试读】- 京东图书

哪些场景需要用到SQL

运营数据分析的运用场景广泛，涵盖从用户行为分析到产品优化、销售预测和市场趋势分析等多个方面。这种多维度的应用使得数据分析成为企业运营不可或缺的一部分。下面将详细探讨运营数据分析的各种应用场景：

用户行为分析

用户细分：通过分析用户的购买历史、浏览习惯和交互行为，企业可以将用户分为不同的群体，以便提供更加个性化的服务或产品。
用户体验优化：利用用户在平台上的行为数据，比如点击率、页面访问时长等，可以评估并改进网站的用户界面和用户体验。
产品优化
功能迭代：基于用户行为数据分析，识别哪些功能受欢迎，哪些需要改进或淘汰，帮助产品更贴近市场需求。
市场调整：分析不同市场或用户群体对产品功能的接受度，调整产品策略以适应不同市场的特定需求。
销售预测
趋势分析：通过对历史销售数据的分析，预测未来的销售趋势，帮助企业提前做好库存和供应链管理。
效果评估：分析营销活动的效果，如优惠券使用情况和促销代码追踪，以优化营销策略并提高ROI。
市场趋势分析
竞争对手监控：通过分析竞争对手的市场表现和客户反馈，调整自身的市场策略，保持竞争优势。
市场机会识别：利用行业数据和市场趋势分析，识别新的市场机会或潜在增长领域。
风险管理
异常检测：分析用户行为数据，识别异常模式，如欺诈行为或安全漏洞，保护企业免受损失。
合规性监控：确保数据处理和分析过程符合相关法律法规，如GDPR或其他数据保护规定。

运营用SQL解决什么问题

数据提取与查询

基本数据获取：运营人员经常需要从数据库中提取特定时间范围或条件下的数据，例如订单信息、用户活跃度等。通过简单的SQL查询，如使用SELECT语句结合WHERE子句，可以直接从数据库中快速获得所需数据。
多表数据整合：在实际业务场景中，所需信息往往分散在不同的表中，如订单详情、产品信息和用户资料等。通过SQL的多表查询功能，例如使用INNER JOIN或LEFT JOIN，能够有效地合并多个表中的数据，为运营决策提供全面的数据支持。
数据分析与洞察
业绩指标计算：运营团队需要定期计算各种业务指标，如总销售额、平均订单值等。通过SQL的聚合函数如SUM()、AVG()等，可以快速计算出这些关键指标，帮助评估运营效果。
复杂数据分析：对于更复杂的分析需求，如计算留存率、客户生命周期价值等，SQL的窗口函数和自定义聚合功能提供了强大的数据处理能力。例如，使用OVER(PARTITION BY)可以进行分组计算，有效支持复杂的业务分析。
报告自动化与优化
数据可视化支持：虽然SQL本身不直接支持数据可视化，但其处理后的数据可以方便地导入到BI工具中进行图表展示。这样，运营人员可以通过图形界面直观地监控业务趋势和性能指标。
自动报告生成：通过定时运行的SQL查询和存储过程，可以实现数据报告的自动更新。这不仅提高了工作效率，还能确保运营团队总是掌握最新的业务数据。
效率提升与沟通简化
减少技术依赖：运营人员如果掌握了SQL，可以在不依赖IT部门的情况下自行处理数据查询和分析任务。这不仅加快了工作流程，也减轻了技术团队的工作负担。

需要掌握哪些SQL技能

SQL的基础数据类型

SQL的基础数据类型主要有以下几种：

1.数值类型：包括整数类型（如INT、SMALLINT、TINYINT等）、浮点数类型（如FLOAT、DOUBLE、REAL等）和定点数类型（如DECIMAL、NUMERIC等）。

2.字符串类型：用于存储字符数据，包括CHAR、VARCHAR、TEXT等。其中，CHAR是定长字符串，VARCHAR是变长字符串，TEXT用于存储大量文本数据。

3.日期和时间类型：用于存储日期和时间数据，包括DATE、TIME、DATETIME、TIMESTAMP等。其中，DATE表示日期，TIME表示时间，DATETIME表示日期和时间，TIMESTAMP表示时间戳。

4.二进制类型：用于存储二进制数据，包括BINARY、VARBINARY、BLOB等。其中，BINARY是定长二进制数据，VARBINARY是变长二进制数据，BLOB用于存储大量二进制数据。

5.布尔类型：用于存储逻辑值，包括BOOLEAN、BIT等。其中，BOOLEAN表示布尔值，BIT表示位值。

6.数据结构：JSON和数组，如JavaScript对象表示法（JavaScript object notation，JSON）和数组。数组是简单的数据列表，通常用方括号括起来，如['cat','dog','horse']；JSON对象说一系列以逗号分隔并用大括号括起来的键值对，如{'name':'Bob','age':27'}。

SQL查询的基础关键语法

select ：输出筛选分组聚合后的最终展示列名和聚合运算列

from：从数据表获取数据

where：筛选数据的条件逻辑

and/or：筛选条件之间的关系

in/not in：范围条件筛选

is null/is not null：是否为空判断

group by：对筛选后数据进行分组聚合

having：对聚合列进行过滤

order by：对输出结果按指定列排序

limit 5：限制输出数据行数

SQL查询的数据组合

1.使用join连接表（inner和outer可省略）：用on关联对应的列名。

如：

select * from table1 left join table2 on table1.name = table2.name

2.使用union (all)对表进行上下合并（加all表示不去重），注意表对相同列输出列名需保持一致，否则会同时展示两个表的列。

如：

select * from table1 
union all 
select * from table2

3.公用表表达式：使用with建立临时表

with tb as (select * from table1
)
select * from tb

常用的SQL函数和取数模板

常用的SQL函数

1.转换数据

case when函数：将查询列中的值映射为其他值

case when ... then '...' when ... then ''else '' end as new_columns

coalesce函数：填充为首个非空值

nullif函数：如果第一个值等于第二个值则返回null

least函数：返回任意数量的值的最小值

greatest函数：返回任意数量的值的最大值

转换函数：columns::datatype（columns为列名，datatype为数据类型）

distinct函数:获得唯一不同列组合

distinct on函数：对目标列存在相同数据，仅返回一行数据，可配合order by对保留行进行选择

如：

select distinct on (first_name),* from table order by first_name,hire_date

2.聚合函数

count(columns)：计算非空行数

count(*)：计算所有行数

min()：最小值

max()：最大值

sum()：求和

avg()：求平均值

stddev()：求标准差

var()：求方差

regr_slope(x,y)：求x为因变量，y为自变量时线性回归的斜率

regr_intercept(x,y)：求x为因变量，y为自变量时线性回归的截距

corr(x,y)：求x与y之间的皮尔逊相关系数

3.窗口函数

select {columns},{window_func} over (partition by {key} order by {order_key}) from table

其中：window_func表示窗口函数，key表示要分区的列，order_key表示要排序的列；常用窗口函数有：

row_number：1,2,3
rank：1,1,3
dense_rank：1,1,2
ntile(n)：基于order by计算n分位数
lag(columns,n)：返回columns列当前行向前n行数据
lead(columns,n)：返回columns列当前行向后n行数据

frame子句：（PRECEDING:往前 - FOLLOWING:往后）

如，滚动的近7天数据：

select date
,amount
,avg(amount) over(order by date rows between 7 preceding and current row) as date_move_7_avg
from table