Sprint 3: Semana 2 - Joins y métricas financieras en SQL

Sprint 3: Semana 2 - Joins y métricas financieras en SQL#

Propósito: usar SQL para calcular métricas financieras (ingresos, costos, margen, ROI), estructurar y comunicar resultados, y analizar tendencias.

Agenda#

Review de conceptos clave de SQL (Joins, Agregaciones)
Calculating Key Financial Metrics
- Ingresos, Costos, Margen Bruto
- ROI (Return on Investment)
- Análisis de tendencias y comparaciones año a año

Relaciones entre tablas JOIN#

Para refrescar los conceptos de joins, repasemos las relaciones entre tablas en nuestra base de datos Chinook:

Uno a Uno (1:1) 🔗 Una fila en una tabla se relaciona con una sola fila en otra tabla.
Uno a Muchos (1:N) 🔗 Una fila en una tabla se relaciona con muchas filas en otra tabla.
Muchos a Muchos (N:N) 🔗 Muchas filas en una tabla se relacionan con muchas filas en otra.

➡️ Con una tabla intermedia (tabla de asociación)

EN NUESTRA DATABASE CHINOOK,#

¿Puedes identificar los 3 tipos de relaciones?

¿Qué es un JOIN?#

Un JOIN permite combinar columnas de dos o más tablas relacionadas mediante una clave común (como CustomerId, ArtistId, etc.).

Tipo de JOIN	Qué hace
`INNER JOIN`	Devuelve solo las filas que coinciden en ambas tablas
`LEFT JOIN`	Devuelve todas las filas de la tabla izquierda, y las coincidentes (o NULL)
`RIGHT JOIN`	Devuelve todas las filas de la derecha (solo en bases que lo soportan)
`FULL OUTER JOIN`	Devuelve todas las filas, coincidan o no (SQLite no lo soporta directamente)

alt text

INNER JOIN#

Muestra el nombre de las canciones y el nombre del género al que pertenecen.

import sqlite3
import pandas as pd

# Hacemos la conexión a la Database
conn = sqlite3.connect("chinook.db")

query='''
SELECT
  t.Name AS cancion,
  g.Name AS genero
FROM track t
INNER JOIN genre g ON t.GenreId = g.GenreId;
'''
pd.read_sql(query,con=conn)

	cancion	genero
0	For Those About To Rock (We Salute You)	Rock
1	Balls to the Wall	Rock
2	Fast As a Shark	Rock
3	Restless and Wild	Rock
4	Princess of the Dawn	Rock
...	...	...
3498	Pini Di Roma (Pinien Von Rom) \ I Pini Della V...	Classical
3499	String Quartet No. 12 in C Minor, D. 703 "Quar...	Classical
3500	L'orfeo, Act 3, Sinfonia (Orchestra)	Classical
3501	Quintet for Horn, Violin, 2 Violas, and Cello ...	Classical
3502	Koyaanisqatsi	Soundtrack

3503 rows × 2 columns

LEFT JOIN#

Muestra todos los clientes y el total de sus compras (si las tienen).

query='''
SELECT
  c.CustomerId AS id_cliente,
  c.FirstName AS nombre,
  c.LastName AS apellido,
  i.Total AS total_compra
FROM customer c
LEFT JOIN invoice i ON c.CustomerId = i.CustomerId;

'''
pd.read_sql(query,con=conn)

	id_cliente	nombre	apellido	total_compra
0	1	Luís	Gonçalves	3.98
1	1	Luís	Gonçalves	3.96
2	1	Luís	Gonçalves	5.94
3	1	Luís	Gonçalves	0.99
4	1	Luís	Gonçalves	1.98
...	...	...	...	...
407	59	Puja	Srivastava	5.94
408	59	Puja	Srivastava	1.99
409	59	Puja	Srivastava	1.98
410	59	Puja	Srivastava	13.86
411	59	Puja	Srivastava	8.91

412 rows × 4 columns

INNER JOIN: canciones con su álbum#

Muestra el nombre de cada canción junto al título del álbum al que pertenece.

query='''
SELECT
  t.Name AS cancion,
  al.Title AS album
FROM track t
INNER JOIN album al ON t.AlbumId = al.AlbumId;
'''
pd.read_sql(query,con=conn)

	cancion	album
0	For Those About To Rock (We Salute You)	For Those About To Rock We Salute You
1	Balls to the Wall	Balls to the Wall
2	Fast As a Shark	Restless and Wild
3	Restless and Wild	Restless and Wild
4	Princess of the Dawn	Restless and Wild
...	...	...
3498	Pini Di Roma (Pinien Von Rom) \ I Pini Della V...	Respighi:Pines of Rome
3499	String Quartet No. 12 in C Minor, D. 703 "Quar...	Schubert: The Late String Quartets & String Qu...
3500	L'orfeo, Act 3, Sinfonia (Orchestra)	Monteverdi: L'Orfeo
3501	Quintet for Horn, Violin, 2 Violas, and Cello ...	Mozart: Chamber Music
3502	Koyaanisqatsi	Koyaanisqatsi (Soundtrack from the Motion Pict...

3503 rows × 2 columns

JOIN de tres tablas: factura + línea + canción#

Muestra el número de factura, el nombre de la canción comprada y el precio unitario.

query='''
SELECT
  i.InvoiceId,
  t.Name AS cancion,
  ii.UnitPrice
FROM invoiceLine ii
JOIN invoice i ON ii.InvoiceId = i.InvoiceId
JOIN track t ON ii.TrackId = t.TrackId;
'''
pd.read_sql(query,con=conn)

	InvoiceId	cancion	UnitPrice
0	1	Balls to the Wall	0.99
1	1	Restless and Wild	0.99
2	2	Put The Finger On You	0.99
3	2	Inject The Venom	0.99
4	2	Evil Walks	0.99
...	...	...	...
2235	411	Looking For Love	0.99
2236	411	Sweet Lady Luck	0.99
2237	411	Feirinha da Pavuna/Luz do Repente/Bagaço da La...	0.99
2238	411	Samba pras moças	0.99
2239	412	Hot Girl	1.99

2240 rows × 3 columns

UNION VS UNIONALL#

Operador	Qué hace
`UNION`	Une los resultados y elimina duplicados
`UNION ALL`	Une los resultados y conserva todos los duplicados

📌 Regla importante: Ambas consultas deben tener el mismo número de columnas y tipos compatibles.

Ejemplo Correos de clientes y empleados (UNION ALL)#

Obtén todos los correos, incluyendo los que puedan repetirse.

query='''
SELECT Email FROM customer
UNION
SELECT Email FROM employee;
'''
pd.read_sql(query,con=conn)

	Email
0	aaronmitchell@yahoo.ca
1	alero@uol.com.br
2	andrew@chinookcorp.com
3	astrid.gruber@apple.at
4	bjorn.hansen@yahoo.no
...	...
62	steve@chinookcorp.com
63	terhi.hamalainen@apple.fi
64	tgoyer@apple.com
65	vstevens@yahoo.com
66	wyatt.girard@yahoo.fr

67 rows × 1 columns

Ejemplo correos de clientes y empleados (UNION ALL)#

Obtén todos los correos, incluyendo los que puedan repetirse.

query='''
SELECT Email FROM customer
UNION ALL
SELECT Email FROM employee;
'''
pd.read_sql(query,con=conn)

	Email
0	luisg@embraer.com.br
1	leonekohler@surfeu.de
2	ftremblay@gmail.com
3	bjorn.hansen@yahoo.no
4	frantisekw@jetbrains.com
...	...
62	margaret@chinookcorp.com
63	steve@chinookcorp.com
64	michael@chinookcorp.com
65	robert@chinookcorp.com
66	laura@chinookcorp.com

67 rows × 1 columns

Ejercicios en clase:#

#Empleados que atienden más clientes
query='''
SELECT
    e.EmployeeId,
    e.FirstName,
    e.LastName,
    COUNT(c.CustomerId) AS num_customers
FROM Employee AS e
JOIN Customer AS c
    ON c.SupportRepId = e.EmployeeId
GROUP BY
    e.EmployeeId,
    e.FirstName,
    e.LastName
ORDER BY num_customers DESC;
'''
pd.read_sql(query,con=conn)

	EmployeeId	FirstName	LastName	num_customers
0	3	Jane	Peacock	21
1	4	Margaret	Park	20
2	5	Steve	Johnson	18

# 3. Artistas con más álbumes
query = '''
SELECT
    ar.ArtistId,
    ar.Name AS ArtistName,
    COUNT(al.AlbumId) AS num_albums
FROM Artist AS ar
JOIN Album AS al
    ON al.ArtistId = ar.ArtistId
GROUP BY
    ar.ArtistId,
    ar.Name
ORDER BY num_albums DESC
LIMIT 10;
'''
pd.read_sql(query, con=conn)

	ArtistId	ArtistName	num_albums
0	90	Iron Maiden	21
1	22	Led Zeppelin	14
2	58	Deep Purple	11
3	50	Metallica	10
4	150	U2	10
5	114	Ozzy Osbourne	6
6	118	Pearl Jam	5
7	21	Various Artists	4
8	82	Faith No More	4
9	84	Foo Fighters	4

# 4. Géneros que generan más ventas
query = '''
SELECT
    g.GenreId,
    g.Name AS GenreName,
    SUM(il.UnitPrice * il.Quantity) AS revenue
FROM Genre AS g
JOIN Track AS t
    ON t.GenreId = g.GenreId
JOIN InvoiceLine AS il
    ON il.TrackId = t.TrackId
GROUP BY
    g.GenreId,
    g.Name
ORDER BY revenue DESC;
'''
pd.read_sql(query, con=conn)

	GenreId	GenreName	revenue
0	1	Rock	826.65
1	7	Latin	382.14
2	3	Metal	261.36
3	4	Alternative & Punk	241.56
4	19	TV Shows	93.53
5	2	Jazz	79.20
6	6	Blues	60.39
7	21	Drama	57.71
8	14	R&B/Soul	40.59
9	24	Classical	40.59
10	20	Sci Fi & Fantasy	39.80
11	8	Reggae	29.70
12	9	Pop	27.72
13	10	Soundtrack	19.80
14	22	Comedy	17.91
15	17	Hip Hop/Rap	16.83
16	11	Bossa Nova	14.85
17	23	Alternative	13.86
18	16	World	12.87
19	18	Science Fiction	11.94
20	13	Heavy Metal	11.88
21	15	Electronica/Dance	11.88
22	12	Easy Listening	9.90
23	5	Rock And Roll	5.94

# 5. Clientes que más gastan
query = '''
SELECT
    c.CustomerId,
    c.FirstName,
    c.LastName,
    c.Country,
    SUM(i.Total) AS total_spent
FROM Customer AS c
JOIN Invoice AS i
    ON i.CustomerId = c.CustomerId
GROUP BY
    c.CustomerId,
    c.FirstName,
    c.LastName,
    c.Country
ORDER BY total_spent DESC;
'''
pd.read_sql(query, con=conn)

	CustomerId	FirstName	LastName	Country	total_spent
0	6	Helena	Holý	Czech Republic	49.62
1	26	Richard	Cunningham	USA	47.62
2	57	Luis	Rojas	Chile	46.62
3	45	Ladislav	Kovács	Hungary	45.62
4	46	Hugh	O'Reilly	Ireland	45.62
5	24	Frank	Ralston	USA	43.62
6	28	Julia	Barnett	USA	43.62
7	37	Fynn	Zimmermann	Germany	43.62
8	7	Astrid	Gruber	Austria	42.62
9	25	Victor	Stevens	USA	42.62
10	44	Terhi	Hämäläinen	Finland	41.62
11	5	František	Wichterlová	Czech Republic	40.62
12	43	Isabelle	Mercier	France	40.62
13	48	Johannes	Van der Berg	Netherlands	40.62
14	1	Luís	Gonçalves	Brazil	39.62
15	3	François	Tremblay	Canada	39.62
16	4	Bjørn	Hansen	Norway	39.62
17	17	Jack	Smith	USA	39.62
18	20	Dan	Miller	USA	39.62
19	22	Heather	Leacock	USA	39.62
20	34	João	Fernandes	Portugal	39.62
21	42	Wyatt	Girard	France	39.62
22	15	Jennifer	Peterson	Canada	38.62
23	19	Tim	Goyer	USA	38.62
24	39	Camille	Bernard	France	38.62
25	40	Dominique	Lefebvre	France	38.62
26	51	Joakim	Johansson	Sweden	38.62
27	58	Manoj	Pareek	India	38.62
28	2	Leonie	Köhler	Germany	37.62
29	8	Daan	Peeters	Belgium	37.62
30	9	Kara	Nielsen	Denmark	37.62
31	10	Eduardo	Martins	Brazil	37.62
32	11	Alexandre	Rocha	Brazil	37.62
33	12	Roberto	Almeida	Brazil	37.62
34	13	Fernanda	Ramos	Brazil	37.62
35	14	Mark	Philips	Canada	37.62
36	16	Frank	Harris	USA	37.62
37	18	Michelle	Brooks	USA	37.62
38	21	Kathy	Chase	USA	37.62
39	23	John	Gordon	USA	37.62
40	27	Patrick	Gray	USA	37.62
41	29	Robert	Brown	Canada	37.62
42	30	Edward	Francis	Canada	37.62
43	31	Martha	Silk	Canada	37.62
44	32	Aaron	Mitchell	Canada	37.62
45	33	Ellie	Sullivan	Canada	37.62
46	35	Madalena	Sampaio	Portugal	37.62
47	36	Hannah	Schneider	Germany	37.62
48	38	Niklas	Schröder	Germany	37.62
49	41	Marc	Dubois	France	37.62
50	47	Lucas	Mancini	Italy	37.62
51	49	Stanisław	Wójcik	Poland	37.62
52	50	Enrique	Muñoz	Spain	37.62
53	52	Emma	Jones	United Kingdom	37.62
54	53	Phil	Hughes	United Kingdom	37.62
55	54	Steve	Murray	United Kingdom	37.62
56	55	Mark	Taylor	Australia	37.62
57	56	Diego	Gutiérrez	Argentina	37.62
58	59	Puja	Srivastava	India	36.64

# 6. Empleados que han vendido más (facturas)
query = '''
SELECT
    e.EmployeeId,
    e.FirstName,
    e.LastName,
    SUM(i.Total) AS total_sales
FROM Employee AS e
JOIN Customer AS c
    ON c.SupportRepId = e.EmployeeId
JOIN Invoice AS i
    ON i.CustomerId = c.CustomerId
GROUP BY
    e.EmployeeId,
    e.FirstName,
    e.LastName
ORDER BY total_sales DESC;
'''
pd.read_sql(query, con=conn)

	EmployeeId	FirstName	LastName	total_sales
0	3	Jane	Peacock	833.04
1	4	Margaret	Park	775.40
2	5	Steve	Johnson	720.16

# 7. Álbumes más vendidos
query = '''
SELECT
    al.AlbumId,
    al.Title,
    COUNT(il.InvoiceLineId) AS num_items,
    SUM(il.Quantity) AS total_tracks_sold
FROM Album AS al
JOIN Track AS t
    ON t.AlbumId = al.AlbumId
JOIN InvoiceLine AS il
    ON il.TrackId = t.TrackId
GROUP BY
    al.AlbumId,
    al.Title
ORDER BY total_tracks_sold DESC;
'''
pd.read_sql(query, con=conn)

	AlbumId	Title	num_items	total_tracks_sold
0	23	Minha Historia	27	27
1	141	Greatest Hits	26	26
2	73	Unplugged	25	25
3	224	Acústico	22	22
4	37	Greatest Kiss	20	20
...	...	...	...	...
299	335	J.S. Bach: Chaconne, Suite in E Minor, Partita...	1	1
300	337	Szymanowski: Piano Works, Vol. 1	1	1
301	338	Nielsen: The Six Symphonies	1	1
302	340	Liszt - 12 Études D'Execution Transcendante	1	1
303	343	Respighi:Pines of Rome	1	1

304 rows × 4 columns

# 8a. Número de canciones por playlist
query = '''
SELECT
    pl.PlaylistId,
    pl.Name AS PlaylistName,
    COUNT(pt.TrackId) AS num_tracks
FROM Playlist AS pl
JOIN PlaylistTrack AS pt
    ON pt.PlaylistId = pl.PlaylistId
GROUP BY
    pl.PlaylistId,
    pl.Name
ORDER BY num_tracks DESC;
'''
pd.read_sql(query, con=conn)

	PlaylistId	PlaylistName	num_tracks
0	1	Music	3290
1	8	Music	3290
2	5	90’s Music	1477
3	3	TV Shows	213
4	10	TV Shows	213
5	12	Classical	75
6	11	Brazilian Music	39
7	17	Heavy Metal Classic	26
8	13	Classical 101 - Deep Cuts	25
9	14	Classical 101 - Next Steps	25
10	15	Classical 101 - The Basics	25
11	16	Grunge	15
12	9	Music Videos	1
13	18	On-The-Go 1	1

# 8b. Géneros por playlist
query = '''
SELECT
    pl.PlaylistId,
    pl.Name AS PlaylistName,
    g.Name AS GenreName,
    COUNT(t.TrackId) AS num_tracks
FROM Playlist AS pl
JOIN PlaylistTrack AS pt
    ON pt.PlaylistId = pl.PlaylistId
JOIN Track AS t
    ON t.TrackId = pt.TrackId
JOIN Genre AS g
    ON g.GenreId = t.GenreId
GROUP BY
    pl.PlaylistId,
    pl.Name,
    g.Name
ORDER BY
    pl.Name,
    num_tracks DESC;
'''
pd.read_sql(query, con=conn)

	PlaylistId	PlaylistName	GenreName	num_tracks
0	5	90’s Music	Rock	621
1	5	90’s Music	Latin	257
2	5	90’s Music	Alternative & Punk	193
3	5	90’s Music	Metal	164
4	5	90’s Music	Classical	40
...	...	...	...	...
77	10	TV Shows	Sci Fi & Fantasy	26
78	3	TV Shows	Comedy	17
79	10	TV Shows	Comedy	17
80	3	TV Shows	Science Fiction	13
81	10	TV Shows	Science Fiction	13

82 rows × 4 columns

# 9. Clientes que compraron canciones de un artista específico
query = '''
SELECT DISTINCT
    c.CustomerId,
    c.FirstName,
    c.LastName,
    c.Email,
    c.Country
FROM Customer AS c
JOIN Invoice AS i
    ON i.CustomerId = c.CustomerId
JOIN InvoiceLine AS il
    ON il.InvoiceId = i.InvoiceId
JOIN Track AS t
    ON t.TrackId = il.TrackId
JOIN Album AS al
    ON al.AlbumId = t.AlbumId
JOIN Artist AS ar
    ON ar.ArtistId = al.ArtistId
WHERE ar.Name = 'AC/DC'
ORDER BY c.Country, c.LastName;
'''
pd.read_sql(query, con=conn)

	CustomerId	FirstName	LastName	Email	Country
0	8	Daan	Peeters	daan_peeters@apple.be	Belgium
1	13	Fernanda	Ramos	fernadaramos4@uol.com.br	Brazil
2	33	Ellie	Sullivan	ellie.sullivan@shaw.ca	Canada
3	47	Lucas	Mancini	lucas.mancini@yahoo.it	Italy
4	4	Bjørn	Hansen	bjorn.hansen@yahoo.no	Norway
5	53	Phil	Hughes	phil.hughes@gmail.com	United Kingdom

KPIs de negocio#

KPIs de Negocio: Ingresos, Costos, Margen Bruto, ROI y Análisis de Tendencias

1. Ingresos, Costos y Margen Bruto

1.1 Ingresos (Revenue)

Los ingresos son el valor total de las ventas en un periodo. Es el dinero que entra antes de restar ningún tipo de costo.

Fórmula básica de ingresos:
Revenue = Precio de venta × Cantidad vendida

Ejemplo:

Precio por unidad: 50 USD
Cantidad vendida en el mes: 500 unidades

Cálculo:
Revenue(Ingresos) = 50 × 500 = 25 000 USD

1.2 Costos

Los costos son todos los gastos necesarios para producir u ofrecer un producto o servicio.

Costos fijos
No cambian según cuántas unidades se produzcan o vendan.
(Ej.: alquiler, salarios administrativos, seguros, servicios generales).

Costos variables
Cambian según el volumen producido o vendido.
(Ej.: materia prima, empaques, comisiones por venta).

Costo Total (visión global de empresa)
Costo Total = Costos Fijos + Costos Variables

Esta fórmula describe los costos operativos generales de la empresa.
Útil para analizar eficiencia, punto de equilibrio y rentabilidad global.

Importante:
El cálculo de Margen Bruto no utiliza los costos fijos ni todos los costos variables.
Para Margen Bruto solo usamos los costos directos de producir lo que se vendió, también conocidos como COGS (Cost of Goods Sold).

Piensa en COGS como “el costo directo por unidad vendida”, no como el costo total de la empresa.

Margen Bruto: conectando ingresos con costos directos (COGS)

El Margen Bruto mide qué tan rentable es el producto en sí, antes de considerar otros costos operativos como marketing, administración, logística, etc.

Para calcular el Margen Bruto NO usamos el costo total de la empresa.
Usamos únicamente los costos directos de producir lo que vendimos.

Estos costos directos se conocen como COGS (Cost of Goods Sold).

¿Qué es exactamente COGS?

COGS incluye únicamente los costos necesarios para que el producto exista y pueda ser vendido. No incluye marketing, administración ni gastos fijos generales de la empresa.

COGS incluye:
• Materia prima
• Mano de obra directa
• Costo de adquisición del inventario
• Ensamble, empaque directo
• Costos directos por unidad vendida

COGS NO incluye:
• Marketing y publicidad
• Sueldos administrativos
• Alquiler de oficinas
• Servicios generales
• Tecnología, contabilidad, impuestos

En resumen:
COGS se enfoca solo en los costos directos.
No representa todos los costos de la empresa.

Fórmula 1: Utilidad Bruta
Utilidad Bruta = Ingresos − COGS

Fórmula 2: Margen Bruto (%)
Margen Bruto (%) = (Utilidad Bruta / Ingresos) × 100

Ejemplo simple

Ingresos: 10,000 USD
COGS: 6,000 USD (solo costos directos)

Utilidad Bruta:
10,000 − 6,000 = 4,000 USD

Margen Bruto (%):
(4,000 ÷ 10,000) × 100 = 40%

Interpretación:
Un margen bruto del 40% significa que por cada 1 USD vendido, la empresa obtiene 0.40 USD después de cubrir los costos directos.

Este margen es clave para entender si un producto es rentable y cuánto “aire” queda para cubrir el resto de los gastos (operativos, administrativos, financieros, etc.).

1. ROI (Return on Investment)

El ROI mide qué tan rentable fue una inversión respecto al dinero que se invirtió. Es una métrica clave para decidir si un proyecto, campaña o iniciativa valió la pena.

Fórmula de ROI:
ROI = (Ganancia de la inversión − Monto invertido) ÷ Monto invertido
ROI (%) = ROI × 100

Ejemplo:

Inversión en campaña de marketing: 5 000 USD
Ingresos generados por esa campaña: 9 000 USD

Paso 1. Calcular la ganancia de la inversión:
Ganancia = 9 000 − 5 000 = 4 000 USD

Paso 2. Calcular ROI:
ROI = 4 000 ÷ 5 000 = 0.8
ROI (%) = 0.8 × 100 = 80 %

Interpretación:
Un ROI de 80 % significa que por cada 1 USD invertido la empresa ganó 0.80 USD adicionales.

3. Análisis de tendencias y comparaciones año a año (YoY)

El análisis de tendencias permite ver cómo evolucionan los KPIs a lo largo del tiempo (mes a mes, trimestre a trimestre, año a año).

3.1 Crecimiento porcentual entre periodos

Se usa para ver cuánto creció o decreció un KPI respecto a un periodo anterior.

Fórmula de crecimiento:
Crecimiento (%) = (Valor actual − Valor anterior) ÷ Valor anterior × 100

Ejemplo (ingresos mensuales):

Mes	Ingresos (USD)
Enero	20 000
Febrero	24 000

Cálculo del crecimiento de Febrero vs Enero:
Crecimiento (%) = (24 000 − 20 000) ÷ 20 000 × 100 = 20 %

Interpretación:
Los ingresos crecieron 20 % de enero a febrero.

3.2 Comparación año a año (YoY: Year over Year)

La comparación YoY contrasta el mismo periodo en años distintos (por ejemplo, ingresos de Q1 2024 vs Q1 2023) para ver si el negocio está creciendo o no.

Fórmula YoY:
YoY (%) = (Valor actual − Valor mismo periodo año anterior) ÷ Valor año anterior × 100

Ejemplo (ingresos anuales):

Año	Ingresos (USD)
2023	200 000
2024	230 000

Cálculo YoY:
YoY (%) = (230 000 − 200 000) ÷ 200 000 × 100 = 15 %

Interpretación:
El negocio creció un 15 % en ingresos respecto al año anterior. Este tipo de métrica es clave para evaluar la salud y el crecimiento de la empresa en el tiempo.

3.3 Conexión entre KPIs

En la práctica, un analista no mira cada KPI aislado, sino en conjunto:

Los ingresos muestran tamaño del negocio.
Los costos y el margen bruto muestran eficiencia operativa.
El ROI muestra si las inversiones específicas están funcionando.
Las tendencias y YoY muestran si el negocio mejora, se estanca o empeora.

Afianzando conceptos clave (con respuestas ocultas)

Usa esta sección para comprobar tu comprensión sobre Ingresos, COGS, Costos Totales, Margen Bruto, ROI y análisis de tendencias. Haz clic en los botones para mostrar las respuestas.

1. Preguntas conceptuales

¿Qué diferencia existe entre COGS y Costos Totales?
Piensa en costos directos vs costos de operación.

Ver respuesta

COGS incluye solo los costos directos de producir lo que se vendió (materia prima, mano de obra directa, costo de inventario, etc.).
Los Costos Totales incluyen COGS más todos los gastos operativos: administración, marketing, alquiler, tecnología, etc.
¿Por qué el Margen Bruto no utiliza costos fijos ni todos los costos variables?

Ver respuesta

Porque el Margen Bruto mide la rentabilidad del producto, no de toda la empresa. Por eso solo descuenta los costos directos (COGS) asociados a producir lo que se vendió, y deja fuera los costos operativos generales (fijos o variables) como marketing, administración, etc.
¿Qué significa que un producto tenga un margen bruto del 60%?

Ver respuesta

Que por cada 1 unidad de moneda vendida (por ejemplo, 1 USD), la empresa se queda con 0.60 después de cubrir los costos directos de producción (COGS). Ese 60% es lo que queda disponible para cubrir otros gastos y generar utilidad neta.
¿El ROI analiza la rentabilidad de un producto o de una inversión?

Ver respuesta

El ROI analiza la rentabilidad de una inversión específica (una campaña, un proyecto, una iniciativa), comparando cuánto se ganó respecto a lo que se invirtió.
¿Qué información aporta comparar ingresos mes a mes (MoM) vs año a año (YoY)?

Ver respuesta

MoM (Month over Month) muestra variaciones de corto plazo entre meses consecutivos.
YoY (Year over Year) compara el mismo periodo entre años distintos (ej. enero 2024 vs enero 2023) y sirve para ver crecimiento estructural, evitando efectos estacionales.

2. Mini ejercicios

Ejercicio A — Cálculo rápido de COGS
Vendiste 12 unidades de un producto cuyo costo unitario es 45 USD.
¿Cuál es el COGS?

Ver respuesta

COGS = 12 × 45 = 540 USD

Ejercicio B — Ingresos
Vendiste 3 productos:
• 2 unidades a 80 USD
• 1 unidad a 120 USD
¿Cuál es el total de ingresos?

Ver respuesta

Ingresos = (2 × 80) + (1 × 120) = 160 + 120 = 280 USD

Ejercicio C — Margen Bruto
Ingresos: 5,000 USD
COGS: 3,000 USD
¿Cuál es la utilidad bruta y el margen bruto (%)?

Ver respuesta

Utilidad Bruta = 5,000 − 3,000 = 2,000 USD
Margen Bruto (%) = (2,000 ÷ 5,000) × 100 = 40%

Ejercicio D — ROI
Inversión en campaña: 2,000 USD
Ingresos obtenidos: 5,500 USD
¿Cuál es el ROI (%)?

Ver respuesta

Ganancia de la inversión = 5,500 − 2,000 = 3,500 USD
ROI = 3,500 ÷ 2,000 = 1.75 → 175 %
(Por cada 1 USD invertido se ganaron 1.75 USD adicionales).

3. Verdadero / Falso

Intenta responder primero y luego despliega las soluciones.

Enunciado	Tu respuesta	Solución
COGS incluye costos de marketing.	V / F	Ver Falso. El marketing es un gasto operativo, no un costo directo del producto.
El margen bruto es un indicador de rentabilidad del producto.	V / F	Ver Verdadero. Mide cuánta ganancia deja el producto después de cubrir los costos directos (COGS).
El ROI mide cuánto ganó una empresa respecto a una inversión puntual.	V / F	Ver Verdadero. El ROI se centra en una inversión específica (campaña, proyecto, etc.).
Los costos fijos cambian según cuántas unidades se produzcan.	V / F	Ver Falso. Los costos fijos no dependen directamente del volumen producido (ej. alquiler, sueldos administrativos).
El análisis YoY compara periodos del mismo mes o trimestre entre años.	V / F	Ver Verdadero. YoY compara el mismo periodo en años diferentes para evaluar crecimiento real.

4. Completa los espacios

Ingresos se calculan como: ________ × ________.

Ver respuesta

Ingresos = Precio de venta × Cantidad vendida
COGS representa los costos __________ asociados a producir lo vendido.

Ver respuesta

directos. Costos directos de producción o adquisición del producto.
Margen Bruto = (Ingresos − ________) ÷ ________ × 100.

Ver respuesta

Margen Bruto (%) = (Ingresos − COGS) ÷ Ingresos × 100
El ROI compara la ganancia obtenida con el monto _________.

Ver respuesta

invertido.
Un análisis YoY compara el mismo periodo entre __________ distintos.

Ver respuesta

años.

5. Mini reto final

Una empresa vende 4 productos distintos durante un mes. Resumen del mes:

• Ingresos totales: 18,400 USD
• COGS total: 11,200 USD
• Inversión en campaña: 2,500 USD

Pregunta 1: ¿Cuál es el margen bruto (%)?
Pregunta 2: ¿Cuál es el ROI de la campaña?

Tip: primero calcula la utilidad bruta, luego aplica las fórmulas.

Ver respuestas

1) Margen Bruto
Utilidad Bruta = 18,400 − 11,200 = 7,200 USD
Margen Bruto (%) = (7,200 ÷ 18,400) × 100 ≈ 39.1 %

2) ROI de la campaña
Si usamos la definición básica de ROI vista en clase (ingresos asociados − inversión) / inversión:
Ganancia de la inversión = 18,400 − 2,500 = 15,900 USD
ROI ≈ 15,900 ÷ 2,500 = 6.36 → 636 %

Nota: en un análisis más avanzado podríamos usar la utilidad bruta en lugar de los ingresos para un ROI “más conservador”. En ese caso:
Ganancia = 7,200 − 2,500 = 4,700 → ROI ≈ 4,700 ÷ 2,500 = 188 %.

Mini Base de Datos Relacional para Practicar KPIs de Negocio

Esta base de datos está creda para practicar consultas SQL enfocadas en KPIs clave como Ingresos, Costos, Margen Bruto, ROI y Análisis de Tendencias.

Consultas con JOIN, GROUP BY, filtros y agregaciones.
Cálculo de Ingresos, Costos, Margen Bruto.
Cálculo de ROI por campaña o proyecto.
Análisis de tendencias mensuales y comparaciones año a año (YoY).

1. Esquema general (tablas y relaciones)

Tablas principales:

customers – información de clientes.
products – catálogo de productos, con precio y costo unitario.
orders – encabezado de pedidos (fecha, cliente, campaña).
order_items – detalle de productos vendidos en cada pedido.
campaigns – campañas de marketing e inversión asociada (para ROI).

Relaciones clave (modelo estrella sencillo):

customers (1) ──── (N) orders (1) ──── (N) order_items (N) ──── (1) products
campaigns (1) ──── (N) orders

2. Tablas y campos

2.1 Tabla `customers`

Información básica de clientes para segmentar y analizar por país o tipo de cliente.

Campo	Tipo	Descripción
`customer_id`	INT (PK)	Identificador único del cliente.
`customer_name`	VARCHAR	Nombre del cliente.
`country`	VARCHAR	País de residencia.
`segment`	VARCHAR	Segmento (e.g. Retail, Enterprise, Online).

2.2 Tabla `products`

Define productos, precios de venta y costos unitarios para calcular margen bruto.

Campo	Tipo	Descripción
`product_id`	INT (PK)	Identificador único del producto.
`product_name`	VARCHAR	Nombre del producto.
`category`	VARCHAR	Categoría (e.g. Software, Hardware, Servicio).
`unit_price`	DECIMAL	Precio de venta por unidad.
`unit_cost`	DECIMAL	Costo de producción por unidad (para COGS).

2.3 Tabla `campaigns`

Campañas de marketing o proyectos de inversión para calcular ROI.

Campo	Tipo	Descripción
`campaign_id`	INT (PK)	Identificador único de la campaña.
`campaign_name`	VARCHAR	Nombre de la campaña.
`start_date`	DATE	Fecha de inicio.
`end_date`	DATE	Fecha de cierre.
`channel`	VARCHAR	Canal (Email, Ads, Social Media, etc.).
`investment_amount`	DECIMAL	Monto invertido en la campaña (para ROI).

2.4 Tabla `orders`

Encabezado de cada pedido / orden de venta.

Campo	Tipo	Descripción
`order_id`	INT (PK)	Identificador único del pedido.
`order_date`	DATE	Fecha del pedido (sirve para tendencias y YoY).
`customer_id`	INT (FK → customers)	Cliente que realizó la compra.
`campaign_id`	INT (FK → campaigns, NULL)	Campaña que originó la venta (si aplica).

2.5 Tabla `order_items`

Detalle de líneas de cada pedido (productos, cantidades, precios). Aquí se calculan ingresos y costos.

Campo	Tipo	Descripción
`order_item_id`	INT (PK)	Identificador único de la línea del pedido.
`order_id`	INT (FK → orders)	Pedido al que pertenece la línea.
`product_id`	INT (FK → products)	Producto vendido.
`quantity`	INT	Cantidad vendida.
`unit_price`	DECIMAL	Precio de venta aplicado (permite simular descuentos).

Ejercicios Demostrativos JOIN SQL - KPIs de Negocio#

# 1. Ingresos totales de la empresa

# Hacemos la conexión a la Database
conn = sqlite3.connect("Marketing_salesDb.db")

query = '''
SELECT
    SUM(unit_price * quantity) AS total_revenue
FROM order_items;
'''
pd.read_sql(query, con=conn)

	total_revenue
0	472440

# 2. COGS total (costo directo total)
query = '''
SELECT
    SUM(p.unit_cost * oi.quantity) AS total_cogs
FROM order_items AS oi
JOIN products AS p
    ON oi.product_id = p.product_id;
'''
pd.read_sql(query, con=conn)

	total_cogs
0	190380

# 3. Margen bruto total (%)
query = '''
SELECT
    SUM(oi.unit_price * oi.quantity) AS total_revenue,
    SUM(p.unit_cost * oi.quantity)   AS total_cogs,
    SUM(oi.unit_price * oi.quantity)
      - SUM(p.unit_cost * oi.quantity) AS gross_profit,
    (
      (SUM(oi.unit_price * oi.quantity)
        - SUM(p.unit_cost * oi.quantity))
      / SUM(oi.unit_price * oi.quantity) * 100
    ) AS gross_margin_pct
FROM order_items AS oi
JOIN products AS p
    ON oi.product_id = p.product_id;
'''
pd.read_sql(query, con=conn)

	total_revenue	total_cogs	gross_profit	gross_margin_pct
0	472440	190380	282060	0

# 4. Ingresos por mes (año + mes)
query = '''
SELECT
    strftime('%Y', o.order_date)  AS year,
    strftime('%m', o.order_date) AS month,
    SUM(oi.unit_price * oi.quantity) AS monthly_revenue
FROM orders AS o
JOIN order_items AS oi
    ON o.order_id = oi.order_id
GROUP BY
    strftime('%Y', o.order_date),
    strftime('%m', o.order_date)
ORDER BY
    strftime('%Y', o.order_date),
    strftime('%m', o.order_date);
'''
pd.read_sql(query, con=conn)

	year	month	monthly_revenue
0	2024	01	32605
1	2024	02	6640
2	2024	03	32300
3	2024	04	38400
4	2024	05	3900
5	2024	06	24125
6	2024	07	34880
7	2024	08	63400
8	2024	09	30150
9	2024	10	2810
10	2024	11	6500
11	2024	12	32610
12	2025	01	38300
13	2025	02	3850
14	2025	03	40400
15	2025	04	18620
16	2025	05	62950

Sesión práctica: SQL + JOINS + KPIs de Negocio - Ingresos, COGS, Margen Bruto, ROI y Análisis de Tendencias#

# 6. Top 5 clientes por ingresos
query = '''
SELECT
    c.customer_id,
    c.customer_name,
    c.country,
    SUM(oi.unit_price * oi.quantity) AS total_revenue
FROM customers AS c
JOIN orders AS o
    ON c.customer_id = o.customer_id
JOIN order_items AS oi
    ON o.order_id = oi.order_id
GROUP BY
    c.customer_id,
    c.customer_name,
    c.country
ORDER BY
    total_revenue DESC
LIMIT 5;
'''
pd.read_sql(query, con=conn)

	customer_id	customer_name	country	total_revenue
0	5	Pedro Ruiz	Argentina	101350
1	10	Gabriela Ortiz	España	63400
2	4	Ana Torres	España	50920
3	15	Daniel Cuevas	Colombia	38300
4	1	Juan Pérez	Colombia	34005

# 7. Margen bruto por cliente (%)
query = '''
SELECT
    c.customer_id,
    c.customer_name,
    c.country,
    SUM(oi.unit_price * oi.quantity) AS revenue,
    SUM(p.unit_cost * oi.quantity)   AS cogs,
    SUM(oi.unit_price * oi.quantity)
      - SUM(p.unit_cost * oi.quantity) AS gross_profit,
    (
      (SUM(oi.unit_price * oi.quantity)
        - SUM(p.unit_cost * oi.quantity))
      / SUM(oi.unit_price * oi.quantity) * 100
    ) AS gross_margin_pct
FROM customers AS c
JOIN orders AS o
    ON c.customer_id = o.customer_id
JOIN order_items AS oi
    ON o.order_id = oi.order_id
JOIN products AS p
    ON oi.product_id = p.product_id
GROUP BY
    c.customer_id,
    c.customer_name,
    c.country
ORDER BY
    gross_margin_pct DESC;
'''
pd.read_sql(query, con=conn)

	customer_id	customer_name	country	revenue	cogs	gross_profit
0	1	Juan Pérez	Colombia	34005	21605	12400
1	2	María Gómez	México	31540	19625	11915
2	3	Luis Hernández	USA	17950	4400	13550
3	4	Ana Torres	España	50920	30385	20535
4	5	Pedro Ruiz	Argentina	101350	19650	81700
5	6	Sofía Delgado	Chile	3900	1560	2340
6	7	Carlos Silva	Brasil	24125	15350	8775
7	8	Julia Castro	Colombia	16400	3840	12560
8	9	Diego López	USA	18480	10270	8210
9	10	Gabriela Ortiz	España	63400	12650	50750
10	11	Ricardo Molina	México	30150	20060	10090
11	12	Laura Castillo	Chile	2810	1500	1310
12	13	Samuel Méndez	Argentina	6500	2725	3775
13	14	Paula Salinas	Brasil	32610	20370	12240
14	15	Daniel Cuevas	Colombia	38300	6390	31910

# 8. Ingresos por país (top 5)
query = '''
SELECT
    c.country,
    SUM(oi.unit_price * oi.quantity) AS revenue_by_country
FROM customers AS c
JOIN orders AS o
    ON c.customer_id = o.customer_id
JOIN order_items AS oi
    ON o.order_id = oi.order_id
GROUP BY
    c.country
ORDER BY
    revenue_by_country DESC
LIMIT 5;
'''
pd.read_sql(query, con=conn)

	country	revenue_by_country
0	España	114320
1	Argentina	107850
2	Colombia	88705
3	México	61690
4	Brasil	56735

# 9. Margen bruto por categoría de producto
query = '''
SELECT
    p.category,
    SUM(oi.unit_price * oi.quantity) AS revenue,
    SUM(p.unit_cost * oi.quantity)   AS cogs,
    (SUM(oi.unit_price * oi.quantity) - SUM(p.unit_cost * oi.quantity)) 
        AS gross_profit,
    ROUND(
      (SUM(oi.unit_price * oi.quantity) - SUM(p.unit_cost * oi.quantity))
      * 1.0 / NULLIF(SUM(oi.unit_price * oi.quantity), 0) * 100
    , 2) AS gross_margin_pct
FROM products AS p
JOIN order_items AS oi
    ON p.product_id = oi.product_id
JOIN orders AS o
    ON oi.order_id = o.order_id
GROUP BY
    p.category
ORDER BY
    gross_margin_pct DESC;

'''
pd.read_sql(query, con=conn)

	category	revenue	cogs	gross_profit	gross_margin_pct
0	Software	204300	38300	166000	81.25
1	Servicios	30400	6080	24320	80.00
2	Accesorios	23080	9700	13380	57.97
3	Hardware	214660	136300	78360	36.50

# 10. Ingresos atribuibles a cada campaña
query = '''
SELECT
    p.category,
    SUM(oi.unit_price * oi.quantity) AS revenue,
    SUM(p.unit_cost * oi.quantity)   AS cogs,
    (SUM(oi.unit_price * oi.quantity) - SUM(p.unit_cost * oi.quantity)) 
        AS gross_profit,
    ROUND(
      (SUM(oi.unit_price * oi.quantity) - SUM(p.unit_cost * oi.quantity))
      * 1.0 / NULLIF(SUM(oi.unit_price * oi.quantity), 0) * 100
    , 2) AS gross_margin_pct
FROM products AS p
JOIN order_items AS oi
    ON p.product_id = oi.product_id
JOIN orders AS o
    ON oi.order_id = o.order_id
GROUP BY
    p.category
ORDER BY
    gross_margin_pct DESC;

'''
pd.read_sql(query, con=conn)

	category	revenue	cogs	gross_profit	gross_margin_pct
0	Software	204300	38300	166000	81.25
1	Servicios	30400	6080	24320	80.00
2	Accesorios	23080	9700	13380	57.97
3	Hardware	214660	136300	78360	36.50

# 11. ROI por campaña
query = '''
SELECT
    c.campaign_id,
    c.campaign_name,
    c.channel,
    c.investment_amount,
    SUM(oi.unit_price * oi.quantity) AS revenue_from_campaign,
    (SUM(oi.unit_price * oi.quantity) - c.investment_amount) AS profit_from_campaign,
    ((SUM(oi.unit_price * oi.quantity) - c.investment_amount)
        / c.investment_amount * 100) AS roi_pct
FROM campaigns AS c
LEFT JOIN orders AS o
    ON c.campaign_id = o.campaign_id
LEFT JOIN order_items AS oi
    ON o.order_id = oi.order_id
GROUP BY
    c.campaign_id,
    c.campaign_name,
    c.channel,
    c.investment_amount
ORDER BY
    roi_pct DESC;
'''
pd.read_sql(query, con=conn)

	campaign_id	campaign_name	channel	investment_amount	revenue_from_campaign	profit_from_campaign	roi_pct
0	3	Campaña Back to School	Social Media	5000	98280	93280	1800
1	2	Campaña Navidad	Email	7000	70910	63910	900
2	4	Campaña Primavera	Ads	6000	40400	34400	500
3	5	Campaña Verano	SEO	4000	24125	20125	500
4	1	Campaña Black Friday	Ads	10000	9310	-690	0

# 12. Comparación de ingresos por año (2024 vs 2025)
query = '''
SELECT
    strftime('%Y', o.order_date) AS year,
    SUM(oi.unit_price * oi.quantity) AS revenue
FROM orders AS o
JOIN order_items AS oi
    ON o.order_id = oi.order_id
GROUP BY
    strftime('%Y', o.order_date)
ORDER BY
    year;
'''
pd.read_sql(query, con=conn)

	year	revenue
0	2024	308320
1	2025	164120

# 13b. Ticket promedio por cliente
query = '''
SELECT
    c.customer_id,
    c.customer_name,
    SUM(oi.unit_price * oi.quantity) AS total_revenue,
    COUNT(DISTINCT o.order_id)       AS num_orders,
    SUM(oi.unit_price * oi.quantity) 
        / COUNT(DISTINCT o.order_id) AS avg_order_value_per_customer
FROM customers AS c
JOIN orders AS o
    ON c.customer_id = o.customer_id
JOIN order_items AS oi
    ON o.order_id = oi.order_id
GROUP BY
    c.customer_id,
    c.customer_name
ORDER BY
    avg_order_value_per_customer DESC;
'''
pd.read_sql(query, con=conn)

	customer_id	customer_name	total_revenue	num_orders	avg_order_value_per_customer
0	10	Gabriela Ortiz	63400	1	63400
1	5	Pedro Ruiz	101350	2	50675
2	15	Daniel Cuevas	38300	1	38300
3	14	Paula Salinas	32610	1	32610
4	11	Ricardo Molina	30150	1	30150
5	4	Ana Torres	50920	2	25460
6	7	Carlos Silva	24125	1	24125
7	9	Diego López	18480	1	18480
8	1	Juan Pérez	34005	2	17002
9	8	Julia Castro	16400	1	16400
10	2	María Gómez	31540	2	15770
11	3	Luis Hernández	17950	2	8975
12	13	Samuel Méndez	6500	1	6500
13	6	Sofía Delgado	3900	1	3900
14	12	Laura Castillo	2810	1	2810

# 14. Top 10 productos más vendidos (por cantidad)
query = '''
SELECT
    p.product_id,
    p.product_name,
    p.category,
    SUM(oi.quantity) AS total_quantity_sold
FROM products AS p
JOIN order_items AS oi
    ON p.product_id = oi.product_id
JOIN orders AS o
    ON oi.order_id = o.order_id
GROUP BY
    p.product_id,
    p.product_name,
    p.category
ORDER BY
    total_quantity_sold DESC
LIMIT 10;
'''
pd.read_sql(query, con=conn)

	product_id	product_name	category	total_quantity_sold
0	5	Software CRM Pro	Software	256
1	10	Licencia Analytics	Software	255
2	9	Router WiFi 6	Hardware	205
3	4	Monitor 27"	Hardware	203
4	3	Teclado Mecánico	Accesorios	156
5	8	Servicio de Soporte	Servicios	152
6	2	Mouse Inalámbrico	Accesorios	112
7	7	Tablet 10"	Hardware	104
8	1	Laptop Pro 15	Hardware	55
9	6	Audífonos Pro	Accesorios	52

# 15. Número de clientes por campaña
query = '''
SELECT
    c.campaign_id,
    c.campaign_name,
    c.channel,
    COUNT(DISTINCT o.customer_id) AS num_customers_acquired
FROM campaigns AS c
LEFT JOIN orders AS o
    ON c.campaign_id = o.campaign_id
GROUP BY
    c.campaign_id,
    c.campaign_name,
    c.channel
ORDER BY
    num_customers_acquired DESC;
'''
pd.read_sql(query, con=conn)

	campaign_id	campaign_name	channel	num_customers_acquired
0	3	Campaña Back to School	Social Media	3
1	1	Campaña Black Friday	Ads	2
2	2	Campaña Navidad	Email	2
3	4	Campaña Primavera	Ads	2
4	5	Campaña Verano	SEO	1

Cierre#

Exporta una tabla final , genera una visualización sencilla (gráfico de barras o línea) y compártela por el chat de la sesión.

Siguientes Pasos#

Próxima sesión: Practica con tus compañeros - revisión requisitos para el proyecto del sprint 3.
Participación continua: asistir a Co-Learning y a Sprint Focus, y usar los canales de Discord para hacer preguntas.
Recordatorios: la grabación y recursos utilizados, se comparten al finalizar la sesión; en caso de necesitar apoyo adicional, agenda un 1:1.

Sprint 3: Semana 2 - Joins y métricas financieras en SQL

Contents

Sprint 3: Semana 2 - Joins y métricas financieras en SQL#

Agenda#

Relaciones entre tablas JOIN#

EN NUESTRA DATABASE CHINOOK,#

¿Qué es un JOIN?#

INNER JOIN#

LEFT JOIN#

INNER JOIN: canciones con su álbum#

JOIN de tres tablas: factura + línea + canción#

UNION VS UNIONALL#

Ejemplo Correos de clientes y empleados (UNION ALL)#

Ejemplo correos de clientes y empleados (UNION ALL)#

Ejercicios en clase:#

KPIs de negocio#

KPIs de Negocio: Ingresos, Costos, Margen Bruto, ROI y Análisis de Tendencias

1. Ingresos, Costos y Margen Bruto

1.1 Ingresos (Revenue)

1.2 Costos

Margen Bruto: conectando ingresos con costos directos (COGS)

¿Qué es exactamente COGS?

Ejemplo simple

1. ROI (Return on Investment)

3. Análisis de tendencias y comparaciones año a año (YoY)

3.1 Crecimiento porcentual entre periodos

3.2 Comparación año a año (YoY: Year over Year)

3.3 Conexión entre KPIs

Afianzando conceptos clave (con respuestas ocultas)

1. Preguntas conceptuales

2. Mini ejercicios

3. Verdadero / Falso

4. Completa los espacios

5. Mini reto final

Mini Base de Datos Relacional para Practicar KPIs de Negocio

1. Esquema general (tablas y relaciones)

2. Tablas y campos

2.1 Tabla customers

2.2 Tabla products

2.3 Tabla campaigns

2.4 Tabla orders

2.5 Tabla order_items

Ejercicios Demostrativos JOIN SQL - KPIs de Negocio#

Sesión práctica: SQL + JOINS + KPIs de Negocio - Ingresos, COGS, Margen Bruto, ROI y Análisis de Tendencias#

Cierre#

Siguientes Pasos#

2.1 Tabla `customers`

2.2 Tabla `products`

2.3 Tabla `campaigns`

2.4 Tabla `orders`

2.5 Tabla `order_items`