Šī funkcija ir pieejama tikai pakalpojumā Analytics 360, kas ir daļa no produktu komplekta Google Marketing Platform. Uzzināt vairāk par Google Marketing Platform. |
Šajā rakstā ir ietverti piemēri par to, kā veidot to Analytics datu vaicājumus, kas eksportēti uz rīku BigQuery. Varat izmantot datu kopas paraugu, lai izmēģinātu dažus šajā rakstā minētos vaicājumus.
Šajā rakstā ietvertās tēmas- Vaicājumu optimizācija
- Padomi un paraugprakse
- Pamata vaicājumu piemēri
- Kopējā [metrikas] vērtība katrā [kategorijā]
- Vidējais atlēcienu līmenis katrā [kategorijā]
- Vidējais produkta lapas skatījumu skaits pēc pircēja veida
- Vidējais darījumu skaits katram pircējam
- Vidējā iztērētā summa katrā sesijā
- Trāpījumu secība (ceļa analīze)
- Vairākas pielāgotās kategorijas trāpījuma vai sesijas līmenī
- Sarežģītu vaicājumu piemēri
- Produkti, ko iegādājās klienti, kuri nopirka produktu A (klasiskā e-komercija)
- Produkti, ko iegādājās klienti, kuri nopirka produktu A (uzlabotā e-komercija)
- Vidējais lietotāja mijiedarbības gadījumu skaits pirms iegādes
- Katra produkta pārdoto krājumu procentuālā daļa
- Katra produkta ienesīgums
- Katra produkta faktiskais ienesīgums
Vaicājumu optimizācija
Uz katru jūsu izpildīto vaicājumu attiecas ikmēneša datu apstrādes kvota. Ja atlasīsiet liekus laukus, palielināsies apstrādājamo datu apjoms, un tādējādi jūs izmantosiet vairāk ikmēneša datu apjoma, nekā nepieciešams. Optimizēti vaicājumi ļauj efektīvāk izmantot katrā mēnesī pieejamo datu apstrādes apjomu.
Uzziniet vairāk par cenām.
Tikai nepieciešamo datu atlase
Kad formulējat vaicājumu, atlasiet attiecīgos laukus, izmantojot priekšrakstu SELECT. Neveidojot lieku lauku izsaukumus, jūs samazināt datu apjomu un vaicājuma apstrādei nepieciešamo laiku.
Piemērs: neizmantojiet aizstājējzīmes operatoru
Nav ieteicams: aizstājējzīmes operatora izmantošana |
---|
SELECT * |
Ieteicams: izmantojiet lauku nosaukumus, lai novērstu nevajadzīgu apstrādi |
---|
SELECT field1, field2 |
Atļauja saglabāt kešatmiņā
Ja tas ir iespējams, neizmantojiet funkcijas kā laukus. Funkcijas (piemēram, NOW()
vai TODAY()
) parāda mainīgus rezultātus, tādējādi vaicājumus nevar saglabāt kešatmiņā un parādīt ātrāk. Tā vietā izmantojiet konkrētus laikus un datumus.
Starpniektabulu izmantošana bieži lietotiem apakšvaicājumiem
Ja konstatējat, ka vairākkārt izmantojat konkrētu vaicājumu kā apakšvaicājumu, varat to saglabāt kā starpniektabulu, noklikšķinot uz Saglabāt kā tabulu virs vaicājuma rezultātiem. Pēc tam varat atsaukties uz šo tabulu vaicājuma sadaļā FROM
, tādējādi samazinot gan apstrādājamo datu apjomu, gan apstrādei nepieciešamo laiku.
Starpniektabulas izmantošana |
---|
SELECT field1, field2 |
Vaicājuma atkļūdošana
BigQuery atkļūdo jūsu kodu jau tā izveides laikā. Izveides logā atkļūdošana ir norādīta tieši zem vaicājuma. Atkļūdošana ir pieejama arī saskarnē API, izmantojot karodziņu dryRun.
Derīgus vaicājumus apzīmē zaļš indikators, uz kura varat noklikšķināt, lai skatītu vaicājuma apstrādāto datu apjomu. Šī funkcija ļauj optimizēt datus pirms vaicājuma izpildes, lai varētu izvairīties no liekas datu apstrādes.
Nederīgus vaicājumus apzīmē sarkans indikators, uz kura varat noklikšķināt, lai skatītu informāciju par kļūdu un atrastu rindiņu un sleju, kurā rodas kļūda. Tālāk minētajā piemērā priekšraksts GROUP BY ir tukšs, un ir konstatēta kļūda.
Padomi un paraugprakse
Datu kopas parauga izmantošana
Tālāk aprakstītajos piemēros tiek izmantots Google Analytics datu kopas paraugs.
Lai izmantotu vaicājumus saviem datiem, vienkārši aizstājiet paraugos norādītos projekta un datu kopas nosaukumus ar sava projekta un datu kopas nosaukumiem.
Standarta SQL un mantotais SQL — salīdzinājums
BigQuery atbalsta divus tālāk minētos SQL dialektus.
Rakstā Migrating to Standard SQL (Migrēšana uz standarta SQL) ir aprakstītas abu dialektu atšķirības.
Standarta SQL pašlaik ir ieteicamais SQL dialekts rīkā BigQuery glabāto datu vaicājumu izveidei.
Rakstā Enabling Standard SQL (Standarta SQL iespējošana) skatiet informāciju par standarta SQL iespējošanu BigQuery lietotāja saskarnē, komandrindas saskarnē, saskarnē API vai jebkurā citā saskarnē, ko izmantojat.
Vienkāršākais veids, kā sākt darbu, ir iekļaut komentāru “standardSQL” savu standarta SQL vaicājumu augšdaļā, kā parādīts tālāk sniegtajos piemēros.
Ja izmantojat mantoto SQL, Google Analytics 360 dati katru dienu tiek ievietoti jaunā tabulā. Lai izveidotu vaicājumus vairākām tabulām vienlaikus, varat ar komatiem atdalīt tabulu nosaukumus, izmantot tabulas aizstājējzīmes funkciju TABLE_DATE_RANGE
vai vairākas komatatdalītas funkcijas TABLE_DATE_RANGE
, kā parādīts tālāk sniegtajos piemēros.
Vaicājumu veidošana vairākām tabulām
Tālāk sniegtajos piemēros ir parādīti standarta SQL un mantotā SQL vaicājumi vieniem un tiem pašiem datiem.
Trīs dienas
Standarta SQL
Trīs dienas, izmantojot UNION ALL |
---|
#standardSQL |
Mantotais SQL
Trīs dienas, izmantojot ar komatiem atdalītus tabulu nosaukumus |
---|
SELECT |
Pēdējās 1095 dienas
Standarta SQL
Pēdējās 1095 dienas, izmantojot funkciju _TABLE_SUFFIX |
---|
#standardSQL |
Mantotais SQL
Pēdējās 1095 dienas, izmantojot funkciju TABLE_DATE_RANGE |
---|
SELECT |
Pēdējie 36 mēneši
Standarta SQL
Pēdējie 36 mēneši, izmantojot funkciju _TABLE_SUFFIX |
---|
#standardSQL |
Mantotais SQL
Pēdējie 36 mēneši, izmantojot funkciju TABLE_DATE_RANGE |
---|
SELECT |
Pēdējie 3 gadi
Standarta SQL
Pēdējie 3 gadi, izmantojot funkciju _TABLE_SUFFIX |
---|
#standardSQL |
Mantotais SQL
Pēdējie 3 gadi, izmantojot funkciju TABLE_DATE_RANGE |
---|
SELECT |
Konkrēts datumu diapazons
Standarta SQL
Konkrēts datumu diapazons, izmantojot funkciju _TABLE_SUFFIX |
---|
#standardSQL |
Mantotais SQL
Konkrēts datumu diapazons, izmantojot funkciju TABLE_DATE_RANGE |
---|
SELECT |
Pēdējie trīs gadi un šodiena (diennakts dati)
Standarta SQL
Pēdējie trīs gadi un šodiena (diennakts dati), izmantojot operatoru UNION ALL un funkciju _TABLE_SUFFIX |
---|
Piezīme. Šis vaicājuma piemērs nedarbosies ar Google Analytics publiski pieejamo datu kopu, jo tajā pašlaik nav iekļauta diennakts datu tabula. |
#standardSQL |
Mantotais SQL
Pēdējie trīs gadi un šodiena (diennakts dati), vairākkārt izmantojot funkciju TABLE_DATE_RANGE |
---|
Piezīme. Šis vaicājuma piemērs nedarbosies ar Google Analytics publiski pieejamo datu kopu, jo tajā pašlaik nav iekļauta diennakts datu tabula. |
SELECT |
Pamata vaicājumu piemēri
Šajā sadaļā ir paskaidrots, kā veidot pamata vaicājumus, izmantojot parauga Analytics datos pieejamo metriku un kategorijas.
Kopējā [metrikas] vērtība katrā [kategorijā]
Tālāk ir sniegti skripta paraugi jautājumam: “Kāds ir kopējais darījumu skaits katrā ierīces pārlūkprogrammā 2017. gada jūlijā?”
Standarta SQL
Kopējais darījumu skaits katrā ierīces pārlūkprogrammā 2017. gada jūlijā |
---|
#standardSQL |
Mantotais SQL
Kopējais darījumu skaits katrā ierīces pārlūkprogrammā 2017. gada jūlijā |
---|
SELECT |
Vidējais atlēcienu līmenis katrā [kategorijā]
Faktiskais atlēcienu līmenis ir to apmeklējumu procentuālā daļa, kuros tika reģistrēts viens lapas apmeklējums. Tālāk ir sniegti skripta piemēri jautājumam: “Kāds bija faktiskais atlēcienu līmenis katrā datplūsmas avotā?”
Standarta SQL
Atlēcienu līmenis katrā datplūsmas avotā 2017. gada jūlijā |
---|
#standardSQL |
Mantotais SQL
Atlēcienu līmenis katrā datplūsmas avotā 2017. gada jūlijā |
---|
SELECT |
Vidējais produkta lapas skatījumu skaits pēc pircēja veida (pircēji salīdzinājumā ar nepircējiem)
Tālāk ir sniegti skripta paraugi jautājumam: “Kāds bija vidējais produkta lapas apmeklējumu skaits no lietotājiem, kuri veica pirkumu 2017. gada jūlijā?”
Standarta SQL
Vidējais produkta lapas skatījumu skaits no lietotājiem, kuri veica pirkumu 2017. gada jūlijā |
---|
#standardSQL |
Mantotais SQL
Vidējais produkta lapas skatījumu skaits no lietotājiem, kuri veica pirkumu 2017. gada jūlijā |
---|
SELECT |
Tālāk ir sniegti skripta piemēri jautājumam: “Kāds bija vidējais produkta lapas skatījumu skaits no lietotājiem, kuri neveica pirkumu 2017. gada jūlijā?”
Standarta SQL
Vidējais produkta lapas skatījumu skaits no lietotājiem, kuri neveica pirkumu 2017. gada jūlijā |
---|
#standardSQL |
Mantotais SQL
Vidējais produkta lapas skatījumu skaits no lietotājiem, kuri neveica pirkumu 2017. gada jūlijā |
---|
SELECT |
Vidējais darījumu skaits katram pircējam
Tālāk ir sniegti skripta paraugi jautājumam: “Kāds bija vidējais kopējais darījumu skaits katram lietotājam, kurš veica pirkumu 2017. gada jūlijā?”
Standarta SQL
Vidējais darījumu skaits katram lietotājam, kurš veica pirkumu 2017. gada jūlijā |
---|
#standardSQL |
Mantotais SQL
Vidējais darījumu skaits katram lietotājam, kurš veica pirkumu 2017. gada jūlijā |
---|
SELECT |
Vidējā iztērētā summa katrā sesijā
Tālāk ir sniegti skripta paraugi jautājumam: “Kāda bija vidējā iztērētā summa katrā sesijā 2017. gada jūlijā?”
Standarta SQL
Vidējā iztērētā summa katrā sesijā 2017. gada jūlijā |
---|
#standardSQL |
Mantotais SQL
Vidējā iztērētā summa katrā sesijā 2017. gada jūlijā |
---|
SELECT |
Trāpījumu secība
Tālāk ir sniegti skripta paraugi jautājumam: “Kādā secībā lapas tika apmeklētas?”
Standarta SQL
2017. gada jūlijā lietotāju skatīto lapu secība |
---|
#standardSQL |
Mantotais SQL
2017. gada jūlijā lietotāju skatīto lapu secība |
---|
SELECT |
Šajā vaicājumā tiek izgūti tikai trāpījumi ar veidu PAGES
, lai netiktu rādīti notikumu vai darījumu mijiedarbības gadījumi. Katra iegūtā rindiņa ataino lapas skatījumu, un tās tiek rādītas noklusējuma lauku secībā, kas norādīta operatorā SELECT
.
Vairākas pielāgotās kategorijas trāpījuma vai sesijas līmenī
Pielāgotās kategorijas trāpījuma līmenī |
---|
SELECT fullVisitorId, visitId, hits.hitNumber, hits.time, |
Pielāgotās kategorijas sesijas līmenī |
---|
SELECT fullVisitorId, visitId, |
Katrā vaicājumā:
Operators SELECT
veic attiecīgo kategoriju un metrikas lauku vaicājumus.
Funkcija MAX
- Pielāgotā kategorija tiek parādīta kā jauna sleja. Varat atkārtoti izpildīt funkciju, lai rādītu vairākas pielāgotās kategorijas kā jaunas slejas.
- Priekšraksti
WITHIN hits
unWITHIN RECORD
izvērtē nosacījumu atkārtotos laukos rīkā BigQuery. - Funkcijā
MAX
ietvertais nosacījums tiek izvērtēts katrai pielāgotajai kategorijai, taču, ja kategorijas vērtība navindex=1 (hits)
vaiindex=2 (sessions)
, tiek atgriezta vērtībaNULL
. - Tiek atgriezta maksimālā vērtība, kas ir 1. pielāgotās kategorijas trāpījumu vērtība vai 2. pielāgotās kategorijas sesiju vērtība, jo visas pārējās vērtības ir
NULL
.
Sarežģītu vaicājumu piemēri
Tagad, kad esat iepazinies ar vienkāršiem vaicājumiem, varat veidot vaicājumus, izmantojot rīkā BigQuery pieejamās papildu funkcijas un iespējas.
Produkti, ko iegādājās klienti, kuri nopirka produktu A (klasiskā e-komercija)
Tālāk ir sniegts skripta paraugs jautājumam “Kādus citus produktus iegādājās klienti, kuri nopirka produktu A?”.
Produkti, ko iegādājās klients, kurš nopirka produktu A (klasiskā e-komercija) |
---|
SELECT hits.item.productName AS other_purchased_products, COUNT(hits.item.productName) AS quantity |
- Pirmajā rindiņā tiek atlasītas visas citas preces, ko iegādājies lietotājs. Pēc tam tiek izmantota apkopojuma funkcija
COUNT()
, lai aprēķinātu katras citas iegādātās preces skaitu. Rezultāts tiek parādīts laukāquantity
, savukārt saistītā prece — produktu laukāother_purchased_products
. - Pelēkajā apakšvaicājumā tiek atlasīti tikai unikālie lietotāji (
fullVisitorId
), kas ir veikuši darījumus (totals.transactions>=1
) un iegādājušies produktu A (WHERE hits.item.productName CONTAINS Produkta nosaukums A
).
Kārtulas (operatori WHERE
un AND
) augšējā līmeņa (zaļajā) vaicājumā ignorē lauk hits.item.productName
m vērtības — tās ir “nulle” un ietver produktu A.
Tālāk ir sniegts piemērs vaicājumam “Ja klients iegādājās pildspalvas (4 pildspalvu komplekts), kādus citus produktus viņš nopirka?”.
Produkti, ko iegādājās klients, kurš iegādājās pildspalvas “Brighton Metallic Pens” (4 pildspalvu komplektu) 2013. gada 24. jūnijā |
---|
SELECT hits.item.productName AS other_purchased_products, COUNT(hits.item.productName) AS quantity |
Rīkā Dremel/BigQuery, izmantojot funkciju WHERE expr IN
, tiek aktivizēta komanda JOIN un tiek piemēroti lieluma ierobežojumi. Proti, komandas JOIN labās puses (šajā gadījumā apmeklētāju skaita) lielumam ir jābūt mazākam par 8 MB. Rīkā Dremel tā tiek dēvēta par broadcast JOIN. Kad lielums pārsniedz 8 MB, jums ir jāaktivizē komanda shuffled JOIN, ko var izdarīt, izmantojot sintaksi JOIN EACH. Diemžēl to nevar paveikt, izmantojot funkciju IN, taču to pašu vaicājumu var pārrakstīt, izmantojot komandu JOIN.
Produkti, ko iegādājās klienti, kuri nopirka produktu A (uzlabotā e-komercija)
Šis ir līdzīgs iepriekšējam vaicājuma paraugam, taču to var izmantot uzlabotajai e-komercijai. Tiek izmantota arī funkcija TABLE_DATE_RANGE
, lai veidotu datu vaicājumus par vairākām dienām.
Produkti, ko iegādājās klients, kurš nopirka produktu A (uzlabotā e-komercija) |
---|
SELECT hits.product.productSKU AS other_purchased_products, COUNT(hits.product.productSKU) AS quantity |
Vidējais lietotāja mijiedarbības gadījumu skaits pirms iegādes
Šis ir komandas JOIN() [...] ON
vaicājuma piemērs, kas ir atkarīgs tikai no Analytics datiem.
Tālāk ir sniegts skripta piemērs jautājumam: “Kāds ir vidējais lietotāja mijiedarbības gadījumu skaits pirms iegādes?”
Lietotāja mijiedarbības gadījumu skaits pirms iegādes |
---|
SELECT one.hits.item.productSku AS ProductSku, ( sum_of_hit_number / total_hits ) AS avg_hit_number |
- Pirmajā rindiņā tiek veikta galvenā matemātiskā darbība, lai atrastu vidējo lietotāja mijiedarbības gadījumu skaitu katram produktam, un šis vaicājums saista divus apakšvaicājumus — Alias_Name_1 un Alias_Name_2.
- Alias_Name_1 tiek izmantots, lai izveidotu lauku, kurā visu produktam reģistrēto trāpījumu saskaitīšanai tiek izmantota apkopojuma funkcija
SUM()
. - Alias_Name_2 tiek izmantots, lai funkcija
COUNT()
atrastu trāpījumu skaitu, kas reģistrēts lietotājiem par katru produktu. - Pēdējā rindiņā ir parādīts kopīgais lauks (
hits.item.productSku
), kas tiek izmantots abās datu kopās.
Tālāk ir sniegts piemērs vaicājumam “Kāds ir vidējais lietotāja mijiedarbību skaits pirms iegādes 2013. gada 10. septembrī?”.
Lietotāja mijiedarbības gadījumu skaits pirms iegādes 2013. gada 10. septembrī |
---|
SELECT one.hits.item.productSku AS ProductSku, ( sum_of_hit_number / total_hits ) AS avg_hit_number |
Katra produkta pārdoto krājumu procentuālā daļa
Šis ir vaicājuma piemērs, kurā tiek izmantoti ne tikai Analytics dati, bet arī citur iegūti dati. Apvienojot abas datu kopas, varat iegūt detalizētāku informāciju par lietotāju rīcību. Rīkā BigQuery varat izmantot citu pakalpojumu datus, taču ņemiet vērā, ka tādējādi pieaugs ikmēneša maksa par datu uzglabāšanu.
Tālāk ir sniegts skripta paraugs jautājumam: “Kāds ir produkta pārdoto krājumu procentuālais daudzums?”
Katra produkta pārdoto krājumu procentuālā daļa |
---|
SELECT AnalyticsImport.product_data_20130728.productId, ((( one.quantity_sold ) / ( AnalyticsImport.product_data_20130728.productstock + one.quantity_sold )) * 100 ) AS percentage_of_stock_sold |
- Pirmajā rindiņā tiek izveidoti divi lauki: vienā laukā ir ietverti visi produktu ID, savukārt otrā laukā ir matemātiska darbība, kas parāda šim produkta ID atbilstošā pārdotā krājuma procentuālo daļu.
- Tā kā šis vaicājums ir atkarīgs no divām datu kopām, ir jāizmanto funkcija
JOIN() ... ON
. Šī komanda apvieno rindas no divām datu kopām, pamatojoties uz to kopīgo lauku. Šajā gadījumā šīs divas datu kopas ir[ ‘Imported_DataSet’ ]
un‘Alias_Name’
. [ ‘Imported_DataSet’ ]
ir dati, kas nav iegūti pakalpojumā Analytics. Šī ir datu kopa, kurā ietverts metrikas lauks ar atlikušo krājuma daudzumu (Imported DataSet.’stock_left_field’
) un produkta ID kategorijas lauks (Imported_DataSet.’productId_field’
).‘Alias_Name’
ir nosaukums, kas tiek piešķirts datiem, kuru iegūšanai izmantots pelēkais apakšvaicājums. Šajā apakšvaicājumā tiek izmantoti Analytics dati, lai uzzinātu kopējo katra produkta vienumu pārdoto skaitu.- Pēdējā rindiņā tiek izmantots operators
ON
, lai parādītu kopīgo lauku abās datu kopās, kā arī to apvienošanas vietu.
Daudziem mainīgajiem šajā vaicājumā kā prefikss ir pievienots datu kopas nosaukums (piemēram, Imported_DataSet.’productId_field’, Alias_Name.quantity_sold
). Tas ir nepieciešams, lai precizētu atlasīto lauku un skaidri norādītu, kurai datu kopai tas pieder.
Tālāk ir sniegts piemērs vaicājumam “Kāds ir produkta pārdoto krājumu procentuālais daudzums 2013. gada 28. jūlijā?”.
Katra produkta pārdoto krājumu procentuālā daļa 2013. gada 28. jūlijā |
---|
SELECT AnalyticsImport.product_data_20130728.productId, ( ( ( one.quantity_sold ) / ( AnalyticsImport.product_data_20130728.productstock + one.quantity_sold ) ) * 100 ) AS percentage_of_stock_sold |
Katra produkta ienesīgums
Tālāk ir sniegts skripta paraugs jautājumam “Kāds ir katra produkta ienesīgums?”.
Produkta ienesīgums |
---|
SELECT Alias_Name.hits.item.productSku, ( Imported_DataSet.’product profit field’ * Alias_Name.quantity ) AS profit |
- Pirmajā rindiņā ir ietverta matemātiska darbība, lai aprēķinātu katra produkta kopējo peļņu.
- Pelēkajā apakšvaicājumā tiek izmantoti dati, kas nav iegūti pakalpojumā Analytics; tajā tiek apkopoti dati par to, cik liela peļņa tiek gūta, pārdodot produktu.
- Sarkanais apakšvaicājums ir Analytics datu apakšvaicājums, kas tiks apvienots ar datiem, kas nav Analytics dati. Tādējādi tiek aprēķināts katra produkta pārdoto vienumu daudzums.
- Pēdējā rindiņā tiek izmantots operators
ON
, lai precizētu lauku, kas ir kopīgs abās datu kopās. Šajā gadījumā tas ir produkta ID numurs.
Tālāk ir sniegts piemērs vaicājumam “Kāds bija katra produkta ienesīgums 2013. gada 28. jūlijā?”.
Produkta ienesīgums 2013. gada 28. jūlijā |
---|
SELECT two.hits.item.productSku, ((AnalyticsImport.product_data_20130728.productprice-AnalyticsImport.product_data_20130728.productcost)*two.quantity) AS profit |
Peļņa tiek aprēķināta, nosakot atšķirību starp produkta pārdošanas cenu un ražošanas izmaksām. Šī informācija tiek glabāta datu kopā, kas nav iegūta pakalpojumā Google Analytics.
Katra produkta reālais ienesīgums (ņemot vērā atmaksas gadījumus)
Tālāk ir sniegts skripta paraugs jautājumam “Kāds ir katra produkta reālais ienesīgums?”.
Katra produkta faktiskā peļņa |
---|
SELECT Alias_Name.hits.item.productSku, (gross_profit-total_refund_revenue) AS real_profit |
- Tas ir ļoti līdzīgs vaicājumam “Kāds ir katra produkta ienesīgums?”. Vienīgās atšķirības ir pelēkajā apakšvaicājumā (datu kopa, kas nav iegūta pakalpojumā Analytics) un pirmajā rindiņā (matemātiskā darbība reālās peļņas aprēķināšanai).
- Datu kopā, kas nav iegūta pakalpojumā Analytics, tiek aprēķināta arī kopsumma, kas iztērēta atmaksām (sarkanā apakšvaicājuma operatorā
SELECT
). - Pēc tam tiek izpildīta 1. rindiņā norādītā matemātiskā darbība, lai noteiktu faktisko peļņu — no bruto peļņas atņemot atmaksai iztērētos ieņēmumus.
Lai iegūtu plašāku informāciju par vaicājumu, lūdzu, skatiet sadaļu par katra produkta ienesīgumu.
Tālāk ir sniegts piemērs vaicājumam “Kāds bija katra produkta reālais ienesīgums 2013. gada 28. jūlijā?”.
Produkta faktiskais ienesīgums 2013. gada 28. jūlijā |
---|
SELECT two.hits.item.productSku, (gross_profit-total_refund_revenue) AS real_profit |
Aprēķinot faktisko peļņu, tiek ņemts vērā produkta ienesīgums pēc atmaksas gadījumu apstrādes. Lai aprēķinātu produkta kopējo atmaksu apmēru, izmantojiet tālāk minēto formulu.
produkta kopējais atmaksu apmērs = ( produkta cena + produktam piemērotās atmaksas apmērs ) * produktu skaits, par kuriem izsniegta atmaksa