CDA 數(shù)據(jù)分析師：巧用 SQL 多個(gè)聚合函數(shù)，解鎖數(shù)據(jù)多維洞察

在企業(yè)數(shù)據(jù)分析場(chǎng)景中，單一維度的統(tǒng)計(jì)（如 “總銷(xiāo)售額”“用戶總數(shù)”）往往無(wú)法滿足業(yè)務(wù)決策的深度需求。而 SQL 多個(gè)聚合函數(shù)的組合使用（如同時(shí)調(diào)用SUM、COUNT、AVG、MAX等），能幫助 CDA（Certified Data Analyst）數(shù)據(jù)分析師從 “量、率、值、極值” 等多維度拆解數(shù)據(jù)，快速挖掘業(yè)務(wù)背后的量化規(guī)律。這種分析方式不僅提升了數(shù)據(jù)解讀的全面性，更成為 CDA 分析師連接技術(shù)與業(yè)務(wù)、輸出精準(zhǔn)決策依據(jù)的核心工具。

一、SQL 多個(gè)聚合的核心價(jià)值：從 “單一統(tǒng)計(jì)” 到 “多維量化”

SQL 聚合函數(shù)是對(duì)數(shù)據(jù)進(jìn)行匯總計(jì)算的基礎(chǔ)工具，而 “多個(gè)聚合” 并非簡(jiǎn)單的函數(shù)疊加，而是結(jié)合GROUP BY（分組）、HAVING（聚合后篩選）等語(yǔ)法，實(shí)現(xiàn) “多指標(biāo)同步計(jì)算 + 維度分層分析” 的高效分析模式。其核心價(jià)值體現(xiàn)在三大維度，完美適配企業(yè)業(yè)務(wù)決策的需求：

1. 多維指標(biāo)同步量化，還原業(yè)務(wù)全貌

單一聚合函數(shù)僅能回答 “某一個(gè)問(wèn)題”（如SUM(銷(xiāo)售額)回答 “總賣(mài)了多少錢(qián)”），而多個(gè)聚合可同時(shí)輸出 “一組關(guān)聯(lián)指標(biāo)”，完整呈現(xiàn)業(yè)務(wù)現(xiàn)狀。例如，零售企業(yè)分析 “各門(mén)店銷(xiāo)售表現(xiàn)” 時(shí)，可通過(guò)SUM(銷(xiāo)售額)（總營(yíng)收）、COUNT(訂單ID)（訂單總量）、AVG(客單價(jià))（客單價(jià) = 銷(xiāo)售額 / 訂單數(shù)）、MAX(單筆金額)（最高訂單額）四個(gè)聚合函數(shù)同步計(jì)算，既知曉 “賣(mài)了多少”，也清楚 “訂單量如何”“用戶消費(fèi)能力怎樣”“是否有高價(jià)值訂單”，避免因單一指標(biāo)導(dǎo)致的決策片面性。

2. 分組篩選精準(zhǔn)定位，聚焦核心問(wèn)題

結(jié)合GROUP BY與HAVING，多個(gè)聚合函數(shù)可實(shí)現(xiàn) “按維度分組計(jì)算 + 按聚合結(jié)果篩選”，快速定位業(yè)務(wù)中的核心群體或異常環(huán)節(jié)。例如，電商平臺(tái)分析 “用戶消費(fèi)行為” 時(shí)，按 “用戶等級(jí)”（普通 / 銀卡 / 金卡 / 鉆石）分組，同時(shí)計(jì)算COUNT(DISTINCT 用戶ID)（該等級(jí)用戶數(shù)）、SUM(消費(fèi)金額)（總消費(fèi)）、AVG(復(fù)購(gòu)次數(shù))（平均復(fù)購(gòu)），再通過(guò)HAVING SUM(消費(fèi)金額) > 100萬(wàn)篩選高貢獻(xiàn)等級(jí)，可直接鎖定 “金卡、鉆石用戶” 為核心客群，為后續(xù)精準(zhǔn)運(yùn)營(yíng)提供明確方向。

3. 效率提升顯著，降低分析成本

在傳統(tǒng)分析中，若需獲取多維度指標(biāo)，可能需編寫(xiě)多段 SQL 分別計(jì)算（如先算總銷(xiāo)售額，再算訂單數(shù)，最后手動(dòng)關(guān)聯(lián)結(jié)果）。而多個(gè)聚合函數(shù)可通過(guò)一段 SQL 完成多指標(biāo)計(jì)算，大幅減少代碼量與執(zhí)行時(shí)間。例如，分析 “月度商品銷(xiāo)售數(shù)據(jù)” 時(shí)，一段 SQL 即可同步輸出SUM(銷(xiāo)量)（總銷(xiāo)量）、AVG(售價(jià))（平均售價(jià)）、MIN(庫(kù)存)（最低庫(kù)存）、MAX(上架時(shí)間)（最新上架商品時(shí)間），CDA 分析師無(wú)需反復(fù)操作，將更多精力投入到洞察解讀中。

二、CDA 分析師運(yùn)用 SQL 多個(gè)聚合的關(guān)鍵場(chǎng)景：業(yè)務(wù)驅(qū)動(dòng)的實(shí)戰(zhàn)落地

CDA 分析師對(duì) SQL 多個(gè)聚合的運(yùn)用，始終圍繞 “解決業(yè)務(wù)問(wèn)題” 展開(kāi)。以下三大核心場(chǎng)景，覆蓋了零售、電商、互聯(lián)網(wǎng)等多行業(yè)的高頻需求，且每個(gè)場(chǎng)景均需結(jié)合 “多聚合函數(shù) + 分組篩選” 實(shí)現(xiàn)深度分析：

1. 業(yè)務(wù)核心指標(biāo)計(jì)算：構(gòu)建完整的指標(biāo)體系

企業(yè)日常運(yùn)營(yíng)需監(jiān)控 “營(yíng)收、用戶、效率” 等多維度核心指標(biāo)，SQL 多個(gè)聚合是指標(biāo)計(jì)算的核心工具。以零售企業(yè) “月度運(yùn)營(yíng)分析” 為例，CDA 分析師需計(jì)算的指標(biāo)及對(duì)應(yīng)聚合組合如下：

通過(guò)一段 SQL 即可同步輸出上述指標(biāo)，例如：

SELECT

 DATE_FORMAT(下單時(shí)間, '%Y-%m') AS 月度,

 SUM(訂單金額) AS 月度總營(yíng)收,

 COUNT(DISTINCT 訂單ID) AS 月度訂單總量,

 ROUND(SUM(訂單金額)/COUNT(DISTINCT 訂單ID), 2) AS 月度客單價(jià),

 ROUND(SUM(CASE WHEN 訂單金額 > 500 THEN 1 ELSE 0 END)/COUNT(DISTINCT 訂單ID), 4) AS 高價(jià)值訂單占比,

 ROUND(SUM(銷(xiāo)量)/AVG(庫(kù)存數(shù)量), 2) AS 庫(kù)存周轉(zhuǎn)效率

FROM 銷(xiāo)售數(shù)據(jù)表

WHERE 下單時(shí)間 BETWEEN '2025-01-01' AND '2025-06-30'

GROUP BY 月度

ORDER BY 月度;

該結(jié)果可直接用于管理層月度復(fù)盤(pán)，快速判斷 “營(yíng)收是否達(dá)標(biāo)”“客單價(jià)是否提升”“庫(kù)存周轉(zhuǎn)是否正?！?。

2. 用戶分層分析：精準(zhǔn)定位高價(jià)值群體

在用戶運(yùn)營(yíng)中，CDA 分析師需通過(guò)多個(gè)聚合函數(shù)按 “用戶屬性”（如等級(jí)、地域、注冊(cè)時(shí)間）分組，拆解不同群體的行為特征，實(shí)現(xiàn)用戶分層。以電商平臺(tái) “用戶復(fù)購(gòu)分析” 為例，目標(biāo)是找到 “高復(fù)購(gòu)、高消費(fèi)” 的核心用戶，SQL 聚合組合如下：

SELECT

 用戶等級(jí),

 COUNT(DISTINCT 用戶ID) AS 用戶數(shù),

 AVG(復(fù)購(gòu)次數(shù)) AS 平均復(fù)購(gòu)次數(shù),

 SUM(消費(fèi)金額) AS 總消費(fèi)金額,

 MAX(最近下單時(shí)間) AS 最近活躍時(shí)間

FROM 用戶消費(fèi)表

WHERE 注冊(cè)時(shí)間 < '2025-01-01' -- 篩選老用戶

GROUP BY 用戶等級(jí)

HAVING AVG(復(fù)購(gòu)次數(shù)) >= 3 -- 僅保留復(fù)購(gòu)3次以上的群體

ORDER BY 總消費(fèi)金額 DESC;

分析結(jié)果顯示：“鉆石等級(jí)用戶” 的平均復(fù)購(gòu)次數(shù)達(dá) 5.2 次，總消費(fèi)金額占老用戶的 45%，且最近活躍時(shí)間集中在近 7 天 —— 這一結(jié)論直接指導(dǎo)運(yùn)營(yíng)團(tuán)隊(duì)針對(duì)鉆石用戶推出 “專(zhuān)屬會(huì)員日” 活動(dòng)，進(jìn)一步提升其復(fù)購(gòu)率。

3. 異常數(shù)據(jù)監(jiān)控：快速定位業(yè)務(wù)風(fēng)險(xiǎn)點(diǎn)

企業(yè)業(yè)務(wù)中常出現(xiàn) “銷(xiāo)量突降”“成本異常” 等問(wèn)題，CDA 分析師可通過(guò)多個(gè)聚合函數(shù)對(duì)比 “正常周期” 與 “異常周期” 的數(shù)據(jù)，定位風(fēng)險(xiǎn)根源。以快消品牌 “某區(qū)域門(mén)店成本異?！?為例，通過(guò)多個(gè)聚合拆解成本構(gòu)成：

SELECT

 門(mén)店ID,

 SUM(食材成本) AS 總食材成本,

 SUM(人力成本) AS 總?cè)肆Τ杀?

 AVG(單店租金) AS 平均租金,

 SUM(食材成本+人力成本+租金) AS 總成本,

 SUM(銷(xiāo)售額) AS 總銷(xiāo)售額,

 ROUND((總成本/銷(xiāo)售額)*100, 2) AS 成本率

FROM 門(mén)店經(jīng)營(yíng)表

WHERE 經(jīng)營(yíng)時(shí)間 BETWEEN '2025-07-01' AND '2025-07-31' -- 異常月份

GROUP BY 門(mén)店ID

HAVING 成本率 > 60% -- 篩選成本率超標(biāo)的門(mén)店

ORDER BY 成本率 DESC;

結(jié)果發(fā)現(xiàn)：“門(mén)店 A01” 的成本率高達(dá) 75%，進(jìn)一步拆解顯示其 “食材成本” 是其他門(mén)店的 2 倍，且AVG(食材損耗率)達(dá) 15%（正常門(mén)店為 5%）—— 最終定位問(wèn)題為 “門(mén)店 A01 食材存儲(chǔ)不當(dāng)導(dǎo)致?lián)p耗過(guò)高”，企業(yè)據(jù)此優(yōu)化了該門(mén)店的食材管理流程，1 個(gè)月內(nèi)成本率降至 55%。

三、CDA 分析師運(yùn)用 SQL 多個(gè)聚合的實(shí)操要點(diǎn)：避坑與效率提升

SQL 多個(gè)聚合雖高效，但實(shí)際使用中易因 “分組邏輯混亂”“函數(shù)搭配錯(cuò)誤” 導(dǎo)致結(jié)果偏差。CDA 分析師需掌握三大實(shí)操要點(diǎn)，確保分析結(jié)果準(zhǔn)確且高效：

1. 明確 “分組維度” 與 “聚合指標(biāo)” 的對(duì)應(yīng)關(guān)系

GROUP BY是多個(gè)聚合的核心，需遵循 “非聚合字段必須包含在 GROUP BY 中” 的規(guī)則（部分?jǐn)?shù)據(jù)庫(kù)如 MySQL 可放寬，但易導(dǎo)致結(jié)果不可控）。例如，若需按 “月度” 和 “門(mén)店類(lèi)型” 分組計(jì)算銷(xiāo)售額與訂單數(shù)，GROUP BY必須同時(shí)包含這兩個(gè)字段：

-- 正確寫(xiě)法

SELECT 月度, 門(mén)店類(lèi)型, SUM(銷(xiāo)售額), COUNT(訂單ID)

FROM 銷(xiāo)售表

GROUP BY 月度, 門(mén)店類(lèi)型;

-- 錯(cuò)誤寫(xiě)法（門(mén)店類(lèi)型未在GROUP BY中，結(jié)果隨機(jī)）

SELECT 月度, 門(mén)店類(lèi)型, SUM(銷(xiāo)售額), COUNT(訂單ID)

FROM 銷(xiāo)售表

GROUP BY 月度;

CDA 分析師需根據(jù)業(yè)務(wù)目標(biāo)確定分組維度，避免 “維度冗余”（如無(wú)需分組時(shí)強(qiáng)行 GROUP BY）或 “維度缺失”（如漏分組導(dǎo)致數(shù)據(jù)混淆）。

2. 合理搭配聚合函數(shù)，避免邏輯沖突

不同聚合函數(shù)的計(jì)算邏輯不同，搭配時(shí)需符合業(yè)務(wù)邏輯：

• 避免 “無(wú)關(guān)函數(shù)組合”：如SUM(訂單金額)與COUNT(用戶ID)搭配時(shí)，需確認(rèn) “一個(gè)用戶可能有多筆訂單”，避免誤將 “訂單金額總和” 與 “用戶數(shù)” 直接關(guān)聯(lián)；

• 用CASE WHEN實(shí)現(xiàn)條件聚合：如需計(jì)算 “不同支付方式的銷(xiāo)售額占比”，可通過(guò)SUM(CASE WHEN 支付方式='支付寶' THEN 訂單金額 ELSE 0 END)實(shí)現(xiàn)，無(wú)需多次查詢(xún)；

• 注意數(shù)值精度：用ROUND()函數(shù)保留合理小數(shù)位（如客單價(jià)保留 2 位，占比保留 4 位），避免結(jié)果冗長(zhǎng)。

3. 區(qū)分WHERE與HAVING，精準(zhǔn)控制篩選時(shí)機(jī)

WHERE用于 “聚合前篩選數(shù)據(jù)”（如排除測(cè)試訂單），HAVING用于 “聚合后篩選結(jié)果”（如篩選銷(xiāo)售額超 100 萬(wàn)的門(mén)店），二者不可混淆。例如，篩選 “2025 年 Q2 正常訂單中，銷(xiāo)售額超 50 萬(wàn)的門(mén)店”：

-- 正確寫(xiě)法：WHERE先篩正常訂單，HAVING再篩銷(xiāo)售額

SELECT 門(mén)店ID, SUM(訂單金額) AS 總銷(xiāo)售額

FROM 銷(xiāo)售表

WHERE 訂單狀態(tài)='正常' AND 下單時(shí)間 BETWEEN '2025-04-01' AND '2025-06-30'

GROUP BY 門(mén)店ID

HAVING SUM(訂單金額) > 500000;

-- 錯(cuò)誤寫(xiě)法：用WHERE篩選聚合結(jié)果（語(yǔ)法錯(cuò)誤）

SELECT 門(mén)店ID, SUM(訂單金額) AS 總銷(xiāo)售額

FROM 銷(xiāo)售表

WHERE 訂單狀態(tài)='正常' AND SUM(訂單金額) > 500000

GROUP BY 門(mén)店ID;

四、實(shí)踐案例：CDA 分析師用 SQL 多個(gè)聚合解決電商 “用戶留存率低” 問(wèn)題

某電商平臺(tái) 2025 年 Q2 新用戶留存率環(huán)比下降 12%，CDA 分析師通過(guò) SQL 多個(gè)聚合函數(shù)拆解留存問(wèn)題，具體步驟如下：

1. 明確分析目標(biāo)與數(shù)據(jù)范圍

目標(biāo)：找到 “留存率低的用戶群體” 及 “影響留存的關(guān)鍵行為”；

數(shù)據(jù)：新用戶注冊(cè)表（含用戶 ID、注冊(cè)時(shí)間、注冊(cè)渠道）、用戶行為表（含用戶 ID、訪問(wèn)次數(shù)、下單次數(shù)、收藏商品數(shù)）、訂單表（含用戶 ID、首單時(shí)間、首單金額）。

2. 用多個(gè)聚合拆解留存用戶特征

按 “注冊(cè)渠道” 和 “首單行為” 分組，計(jì)算留存率相關(guān)指標(biāo)：

SELECT

 注冊(cè)渠道,

 是否首單（CASE WHEN 首單時(shí)間 IS NOT NULL THEN '有首單' ELSE '無(wú)首單' END）,

 COUNT(DISTINCT 用戶ID) AS 新用戶總數(shù),

 COUNT(DISTINCT CASE WHEN 7天內(nèi)訪問(wèn)次數(shù) >=1 THEN 用戶ID ELSE NULL END) AS 7天留存用戶數(shù),

 ROUND(COUNT(DISTINCT CASE WHEN 7天內(nèi)訪問(wèn)次數(shù) >=1 THEN 用戶ID ELSE NULL END)/COUNT(DISTINCT 用戶ID), 4) AS 7天留存率,

 AVG(首單金額) AS 平均首單金額,

 AVG(收藏商品數(shù)) AS 平均收藏?cái)?shù)

FROM 新用戶注冊(cè)表

LEFT JOIN 用戶行為表 ON 新用戶注冊(cè)表.用戶ID = 用戶行為表.用戶ID

LEFT JOIN 訂單表 ON 新用戶注冊(cè)表.用戶ID = 訂單表.用戶ID

WHERE 注冊(cè)時(shí)間 BETWEEN '2025-04-01' AND '2025-06-30'

GROUP BY 注冊(cè)渠道, 是否首單

ORDER BY 7天留存率 DESC;

3. 分析結(jié)果定位核心問(wèn)題

• 渠道差異：“短視頻廣告渠道” 的新用戶 7 天留存率僅 18%（其他渠道平均 35%），且 “無(wú)首單” 用戶占比達(dá) 60%；

• 行為影響：“有首單” 用戶的 7 天留存率（45%）是 “無(wú)首單” 用戶（12%）的 3.75 倍，且首單金額 > 200 元的用戶留存率達(dá) 58%；

• 關(guān)聯(lián)行為：“平均收藏?cái)?shù)≥3” 的用戶留存率（42%）顯著高于 “收藏?cái)?shù) = 0” 的用戶（15%）。

4. 輸出決策建議

基于分析，CDA 分析師提出：

• 渠道優(yōu)化：減少短視頻廣告的低質(zhì)投放，重點(diǎn)投放 “社交平臺(tái)渠道”（留存率 38%）；

• 首單激勵(lì)：對(duì)新用戶推出 “首單滿 200 減 50” 活動(dòng)，提升首單轉(zhuǎn)化率；

• 行為引導(dǎo)：新用戶注冊(cè)后推送 “收藏商品領(lǐng)優(yōu)惠券” 活動(dòng)，增加用戶互動(dòng)。

實(shí)施 1 個(gè)月后，平臺(tái)新用戶 7 天留存率提升至 32%，環(huán)比增長(zhǎng) 20%。

五、總結(jié)：SQL 多個(gè)聚合 ——CDA 分析師的 “多維洞察利器”

在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代，SQL 多個(gè)聚合函數(shù)并非簡(jiǎn)單的技術(shù)工具，而是 CDA 分析師將 “數(shù)據(jù)” 轉(zhuǎn)化為 “業(yè)務(wù)洞察” 的核心橋梁。它通過(guò)多指標(biāo)同步量化，幫助分析師還原業(yè)務(wù)全貌；通過(guò)分組篩選，精準(zhǔn)定位核心問(wèn)題；通過(guò)高效計(jì)算，降低分析成本 —— 這些特性完美契合企業(yè)對(duì) “快速、精準(zhǔn)、全面” 的數(shù)據(jù)分析需求。

對(duì)于 CDA 分析師而言，掌握 SQL 多個(gè)聚合不僅需要熟悉語(yǔ)法規(guī)則，更需具備 “業(yè)務(wù)驅(qū)動(dòng)技術(shù)” 的思維：明確分析目標(biāo)后，選擇合適的聚合函數(shù)組合與分組維度，避免陷入 “為技術(shù)而技術(shù)” 的誤區(qū)。未來(lái)，隨著企業(yè)數(shù)據(jù)量的增長(zhǎng)與業(yè)務(wù)復(fù)雜度的提升，SQL 多個(gè)聚合將與 AI 建模、可視化工具進(jìn)一步結(jié)合，成為 CDA 分析師推動(dòng)企業(yè)數(shù)字化轉(zhuǎn)型的重要能力之一。

學(xué)習(xí)入口：https://edu.cda.cn/goods/show/3814?targetId=6587&preview=0

推薦學(xué)習(xí)書(shū)籍 《CDA一級(jí)教材》適合CDA一級(jí)考生備考，也適合業(yè)務(wù)及數(shù)據(jù)分析崗位的從業(yè)者提升自我。完整電子版已上線CDA網(wǎng)校，累計(jì)已有10萬(wàn)+在讀~ !

免費(fèi)加入閱讀：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0