1.SQL 基础查询与分组聚合在电商数据分析中的应用

SQL基础查询与分组聚合在电商数据分析中具有核心价值。本文介绍了SQL在电商场景中的三大应用：数据提取、指标计算和异常筛选。内容涵盖基础查询语法、WHERE条件筛选、ORDER BY排序、LIMIT分页等实用技巧，重点讲解了GROUP BY分组聚合原理及电商GMV、订单量等关键指标的计算方法。文章还提供了MySQL安装指南和电商模拟数据准备步骤，并通过实际案例演示了店铺销售分析、用户购买行为统计等

数厘

576人浏览 · 2026-03-30 11:33:47

数厘 · 2026-03-30 11:33:47 发布

SQL 基础查询与分组聚合在电商数据分析中的应用

第1章 SQL基础查询与分组聚合在电商数据分析中的实际价值

1.1 为什么电商数据分析师必须学SQL

SQL在电商数据分析里，核心就干三件事：

取数据：从千万级的订单表里，快速筛选出你要的某天、某店铺、某类目的数据
算指标：统计GMV、订单量、客单价、转化率这些核心运营指标
做筛选：找高价值用户、找出滞销商品、识别异常数据

学会基础查询和分组聚合，你能解决电商日常90%的数据提取需求。不用求人，不用等，自己动手几分钟出结果。

1.2 学习前的准备工作

1.2.1 数据库工具安装

我推荐新手用MySQL，免费、稳定、教程多。配套的图形化工具用MySQL Workbench，官方自带，够用。

步骤1：下载MySQL

打开浏览器，访问MySQL官网（https://dev.mysql.com/downloads/installer/）
选择“MySQL Installer for Windows”（根据你的操作系统选择）
点击下载，选择“No thanks, just start my download”

步骤2：安装MySQL

双击安装包，选择“Developer Default”安装类型
一路点击“Next”，到“Accounts and Roles”步骤时，设置root密码（一定要记住）
安装完成后，启动MySQL Workbench

步骤3：验证安装

打开MySQL Workbench
点击“Local instance MySQL”连接
输入root密码，成功进入说明安装完成

1.2.2 准备电商测试数据

为了实操，我们需要一张订单表。我准备了一份模拟的服饰类目订单数据，包含字段：

字段名	类型	说明
order_id	varchar(50)	订单号
user_id	varchar(50)	用户ID
shop_name	varchar(50)	店铺名称
category	varchar(20)	商品类目
amount	decimal(10,2)	订单金额
order_status	varchar(10)	订单状态（paid/finished/closed）
create_time	datetime	下单时间
创建表并插入数据的SQL脚本，我会在综合实操案例中完整提供。

第2章 SQL基础查询核心认知与电商高频查询场景

2.1 电商数据分析师最常用的查询场景

回顾我每天的工作，基础查询主要用在三个场景：

场景一：查某个店铺某天的订单明细

运营问“昨天店铺A卖了什么”，需要快速拉出订单明细。

场景二：查某个用户的购买记录

客服需要查某个用户的历史订单，用于处理售后。

场景三：查异常数据

比如金额为0的订单、状态异常的订单，需要先定位再处理。

2.2 SELECT基础查询

2.2.1 语法与操作


SELECT 字段1, 字段2
FROM 表名;

步骤1：查询所有字段


SELECT * FROM orders;

这会返回orders表的所有列和所有行。但实际工作中，我们很少用*，因为可能包含不需要的字段，而且数据量大时影响性能。

步骤2：查询指定字段


SELECT order_id, user_id, amount, create_time
FROM orders;

电商场景实操：查看最近10条订单


SELECT order_id, user_id, amount, create_time
FROM orders
ORDER BY create_time DESC
LIMIT 10;

先排序后截取，就能看到最新订单。

2.3 WHERE条件筛选

2.3.1 基础条件筛选


SELECT 字段
FROM 表名
WHERE 条件;

电商场景实操：查询某个店铺的所有订单


SELECT order_id, user_id, amount, create_time
FROM orders
WHERE shop_name = '时尚女装旗舰店';

电商场景实操：查询金额大于500元的订单


SELECT order_id, user_id, amount, create_time
FROM orders
WHERE amount > 500;

电商场景实操：查询指定日期范围内的订单


SELECT order_id, user_id, amount, create_time
FROM orders
WHERE create_time >= '2025-11-01' 
  AND create_time < '2025-12-01';

2.3.2 多条件组合

用AND、OR、IN、LIKE等。

电商场景实操：查询已支付且金额大于1000的订单


SELECT order_id, user_id, amount
FROM orders
WHERE order_status = 'paid' 
  AND amount > 1000;

电商场景实操：查询多个店铺的订单


SELECT order_id, shop_name, amount
FROM orders
WHERE shop_name IN ('时尚女装旗舰店', '潮流男装专营店');

电商场景实操：查询用户ID以“vip”开头的订单


SELECT order_id, user_id, amount
FROM orders
WHERE user_id LIKE 'vip%';

我刚开始用LIKE时，总忘了加%。比如想找“vip”开头的，写了LIKE 'vip'，结果一条都没查到。后来才明白，LIKE 'vip%'才是“vip开头”，LIKE '%vip'才是“vip结尾”，LIKE '%vip%'才是“包含vip”。这个细节卡了我好几次。

2.4 ORDER BY排序

2.4.1 单字段排序


SELECT order_id, amount, create_time
FROM orders
ORDER BY amount DESC;   -- 降序


SELECT order_id, amount, create_time
FROM orders
ORDER BY create_time ASC;   -- 升序，ASC可省略

2.4.2 多字段排序

先按金额降序，金额相同的按时间升序：


SELECT order_id, amount, create_time
FROM orders
ORDER BY amount DESC, create_time ASC;

电商场景实操：找出店铺销量最高的前5个商品（假设有商品表）


SELECT product_id, SUM(quantity) as total_sales
FROM order_details
GROUP BY product_id
ORDER BY total_sales DESC
LIMIT 5;

2.5 LIMIT限制返回行数

电商场景实操：分页查看订单


-- 第1页，每页20条
SELECT order_id, create_time, amount
FROM orders
ORDER BY create_time DESC
LIMIT 0, 20;

-- 第2页
SELECT order_id, create_time, amount
FROM orders
ORDER BY create_time DESC
LIMIT 20, 20;

2.6 电商数据合规提示

查询用户数据时的合规边界

在电商公司，用户订单数据属于敏感数据。查询时注意：

不要随意导出包含用户手机号、地址的完整明细到个人电脑
测试查询时，用LIMIT限制返回条数，避免误导出大量数据
如果只需要统计数据，尽量用聚合查询，不返回明细

我在前公司见过一个同事，为了验证SQL结果，把整张用户表的手机号和地址都导到了Excel，然后随手发在了工作群里。被合规部发现后，受到了严重警告。

第3章 GROUP BY分组聚合核心原理

3.1 分组聚合在电商数据分析中的核心价值

如果基础查询是“捞数据”，分组聚合就是“算指标”。电商运营每天看的指标，几乎都是分组聚合算出来的：

GMV（成交总额）= 按天/按月/按店铺对订单金额求和
订单量 = 按天/按月/按类目对订单计数
客单价 = 总金额 / 总订单数
用户复购率 = 按用户分组，计算每个用户下单次数

3.2 GROUP BY语法与聚合函数

3.2.1 基础语法


SELECT 分组字段, 聚合函数(字段)
FROM 表名
WHERE 条件
GROUP BY 分组字段;

常用聚合函数：

SUM(字段)：求和
COUNT(字段)：计数
AVG(字段)：平均值
MAX(字段)：最大值
MIN(字段)：最小值

3.2.2 电商场景实操：按店铺统计GMV和订单量


SELECT 
    shop_name,
    SUM(amount) AS gmv,
    COUNT(order_id) AS order_cnt
FROM orders
WHERE order_status IN ('paid', 'finished')
GROUP BY shop_name
ORDER BY gmv DESC;

分步操作：

从orders表筛选已支付和已完成的订单（排除未支付、已关闭）
按shop_name分组
对每组内的amount求和得到GMV，对订单号计数得到订单量
按GMV降序排列

预期结果：得到每个店铺的GMV和订单量，可以看到哪个店铺贡献最大。

3.2.3 电商场景实操：按天统计GMV趋势


SELECT 
    DATE(create_time) AS sale_date,
    SUM(amount) AS gmv,
    COUNT(order_id) AS order_cnt,
    AVG(amount) AS avg_order_value
FROM orders
WHERE order_status IN ('paid', 'finished')
GROUP BY DATE(create_time)
ORDER BY sale_date;

分步操作：

DATE(create_time)将时间戳转为日期，用于按天分组
分组后计算每天的GMV、订单量、平均订单金额
按日期排序，得到趋势

3.2.4 电商场景实操：按类目统计销售额占比


SELECT 
    category,
    SUM(amount) AS sales,
    SUM(amount) / (SELECT SUM(amount) FROM orders WHERE order_status IN ('paid', 'finished')) * 100 AS sales_pct
FROM orders
WHERE order_status IN ('paid', 'finished')
GROUP BY category
ORDER BY sales DESC;

这里用到了子查询计算总GMV，然后用每个类目的销售额除以总GMV得到百分比。

3.3 分组聚合的常见错误与避坑

我的踩坑经历

我刚入行时，有一次做月度GMV统计。我用的是：


SELECT SUM(amount) FROM orders WHERE create_time BETWEEN '2025-10-01' AND '2025-10-31';

结果出来之后，运营拿着报表去跟老板汇报，说GMV比上月增长20%。但后来财务对账发现，实际GMV只增长了5%。我排查了很久，才发现问题：WHERE create_time BETWEEN '2025-10-01' AND '2025-10-31'没有排除已取消和退款的订单。那些订单虽然下单了，但最终没成交，不应该计入GMV。

从那以后，我每次做GMV统计，都会加上order_status条件：


WHERE order_status IN ('paid', 'finished')

分组聚合常见错误：

错误类型	错误写法	正确写法
忘记过滤无效订单	`SUM(amount)`	加`WHERE order_status IN ('paid','finished')`
分组字段不在SELECT中	`SELECT amount, COUNT(*) ... GROUP BY shop_name`	分组字段必须在SELECT中
聚合函数里用分组字段	`SELECT shop_name, SUM(shop_name)`	聚合函数只能用于数值字段
使用`WHERE`筛选聚合结果	`WHERE COUNT(*) > 10`	用`HAVING`而不是`WHERE`

第4章 HAVING分组后筛选语法

4.1 WHERE与HAVING的核心区别

很多新手分不清WHERE和HAVING：

WHERE：在分组前筛选原始数据行
HAVING：在分组后筛选聚合结果

示例：


SELECT category, SUM(amount) AS total_sales
FROM orders
WHERE order_status = 'paid'      -- 先筛选已支付的订单
GROUP BY category
HAVING SUM(amount) > 10000       -- 再筛选销售额大于1万的类目

4.2 电商场景实操：筛选有效动销类目

业务需求：找出订单量超过100笔的商品类目，排除那些只有零星销售的类目。


SELECT 
    category,
    COUNT(order_id) AS order_cnt,
    SUM(amount) AS gmv
FROM orders
WHERE order_status IN ('paid', 'finished')
GROUP BY category
HAVING COUNT(order_id) >= 100
ORDER BY gmv DESC;

4.3 电商场景实操：筛选高价值用户（消费金额>5000）


SELECT 
    user_id,
    COUNT(order_id) AS order_cnt,
    SUM(amount) AS total_spent
FROM orders
WHERE order_status IN ('paid', 'finished')
GROUP BY user_id
HAVING SUM(amount) > 5000
ORDER BY total_spent DESC;

分步操作：

筛选有效订单
按用户分组，统计每个用户的订单数和总消费
用HAVING筛选总消费大于5000的用户
得到高价值用户列表

4.4 实操避坑提醒

陷阱一：试图在HAVING中使用非聚合字段


-- 错误
SELECT category, SUM(amount)
FROM orders
GROUP BY category
HAVING category = '女装';

正确做法：把category条件放到WHERE里，因为它是分组前的筛选。

陷阱二：忘记HAVING必须跟聚合函数

HAVING后面的条件必须包含聚合函数（如SUM、COUNT），不能直接用字段名。

第5章综合实操案例：抖音服饰类目月度店铺核心运营指标统计

5.1 案例背景

业务场景：抖音服饰类目店铺“时尚女装旗舰店”，需要统计2025年10月的核心运营指标，包括：

月度GMV、订单量、客单价
按商品类目拆分的GMV和订单量
按日统计的GMV趋势
高价值用户（月消费≥1000元）数量及贡献占比

涉及数据表：orders（订单表）

5.2 准备工作：创建测试数据

步骤1：创建数据库和表


CREATE DATABASE IF NOT EXISTS ecommerce;
USE ecommerce;

CREATE TABLE orders (
    order_id VARCHAR(50) PRIMARY KEY,
    user_id VARCHAR(50),
    shop_name VARCHAR(50),
    category VARCHAR(20),
    amount DECIMAL(10,2),
    order_status VARCHAR(10),
    create_time DATETIME
);

步骤2：插入测试数据

这里提供一部分模拟数据（实际使用时可以自行生成更多）：


INSERT INTO orders VALUES
('ORD001', 'u1001', '时尚女装旗舰店', '连衣裙', 299.00, 'paid', '2025-10-01 10:23:45'),
('ORD002', 'u1002', '时尚女装旗舰店', '上衣', 189.00, 'finished', '2025-10-01 14:15:20'),
('ORD003', 'u1003', '时尚女装旗舰店', '裤子', 259.00, 'paid', '2025-10-02 09:45:10'),
('ORD004', 'u1001', '时尚女装旗舰店', '连衣裙', 329.00, 'finished', '2025-10-03 16:20:33'),
('ORD005', 'u1004', '时尚女装旗舰店', '外套', 599.00, 'closed', '2025-10-03 11:05:22'),
('ORD006', 'u1005', '时尚女装旗舰店', '上衣', 129.00, 'paid', '2025-10-05 20:30:12'),
('ORD007', 'u1002', '时尚女装旗舰店', '裤子', 279.00, 'finished', '2025-10-07 12:10:05'),
('ORD008', 'u1006', '时尚女装旗舰店', '连衣裙', 399.00, 'paid', '2025-10-10 18:45:30'),
('ORD009', 'u1007', '时尚女装旗舰店', '外套', 899.00, 'finished', '2025-10-15 09:20:15'),
('ORD010', 'u1008', '时尚女装旗舰店', '上衣', 159.00, 'paid', '2025-10-20 15:35:40');

5.3 分步操作：计算核心指标

5.3.1 月度GMV、订单量、客单价


SELECT 
    SUM(amount) AS total_gmv,
    COUNT(order_id) AS total_orders,
    AVG(amount) AS avg_order_value
FROM orders
WHERE shop_name = '时尚女装旗舰店'
  AND order_status IN ('paid', 'finished')
  AND create_time >= '2025-10-01'
  AND create_time < '2025-11-01';

预期结果：

total_gmv	total_orders	avg_order_value
2791.00	8	348.875

5.3.2 按类目拆分的GMV和订单量


SELECT 
    category,
    SUM(amount) AS gmv,
    COUNT(order_id) AS order_cnt
FROM orders
WHERE shop_name = '时尚女装旗舰店'
  AND order_status IN ('paid', 'finished')
  AND create_time >= '2025-10-01'
  AND create_time < '2025-11-01'
GROUP BY category
ORDER BY gmv DESC;

预期结果：

category	gmv	order_cnt
连衣裙	1027.00	3
外套	899.00	1
上衣	477.00	3
裤子	538.00	2

5.3.3 按日统计GMV趋势


SELECT 
    DATE(create_time) AS sale_date,
    SUM(amount) AS gmv,
    COUNT(order_id) AS order_cnt
FROM orders
WHERE shop_name = '时尚女装旗舰店'
  AND order_status IN ('paid', 'finished')
  AND create_time >= '2025-10-01'
  AND create_time < '2025-11-01'
GROUP BY DATE(create_time)
ORDER BY sale_date;

预期结果：每天一条记录，展示GMV和订单量的变化趋势。

5.3.4 高价值用户（月消费≥1000元）数量及贡献占比

步骤1：先找出高价值用户及其消费总额


SELECT 
    user_id,
    SUM(amount) AS total_spent
FROM orders
WHERE shop_name = '时尚女装旗舰店'
  AND order_status IN ('paid', 'finished')
  AND create_time >= '2025-10-01'
  AND create_time < '2025-11-01'
GROUP BY user_id
HAVING SUM(amount) >= 1000;

步骤2：计算高价值用户数量和贡献占比


WITH high_value_users AS (
    SELECT 
        user_id,
        SUM(amount) AS total_spent
    FROM orders
    WHERE shop_name = '时尚女装旗舰店'
      AND order_status IN ('paid', 'finished')
      AND create_time >= '2025-10-01'
      AND create_time < '2025-11-01'
    GROUP BY user_id
    HAVING SUM(amount) >= 1000
)
SELECT 
    COUNT(DISTINCT hvu.user_id) AS high_value_user_cnt,
    SUM(hvu.total_spent) AS high_value_gmv,
    SUM(hvu.total_spent) / (SELECT SUM(amount) FROM orders 
                             WHERE shop_name = '时尚女装旗舰店'
                               AND order_status IN ('paid', 'finished')
                               AND create_time >= '2025-10-01'
                               AND create_time < '2025-11-01') * 100 AS contribution_pct
FROM high_value_users hvu;

预期结果：本例中，用户u1001消费两次共628元，u1002消费两次共468元，都没有超过1000元，所以高价值用户数为0，贡献占比0%。如果数据量更大，就能看到实际结果。

5.4 结果验证与常见问题

执行完所有查询后，建议做交叉验证：

按类目GMV之和应该等于总GMV
按日GMV之和也应该等于总GMV

如果对不上，检查是否漏了WHERE条件，或者日期范围是否正确。

在统计高价值用户时，我们只用了user_id（脱敏后的用户标识）和消费金额，没有查询用户的手机号、地址等敏感信息。实际工作中，如果确实需要联系高价值用户，应该由运营或客服人员通过公司内部系统获取联系方式，不要通过SQL直接导出用户的完整个人信息。

第6章本章踩坑清单与合规总结

6.1 新手常见踩坑

场景	错误操作	正确做法
统计GMV	没过滤订单状态，把取消和退款也算进去了	加`WHERE order_status IN ('paid','finished')`
分组聚合	`SELECT`中写了字段，但`GROUP BY`漏了这个字段	确保所有非聚合字段都在`GROUP BY`中
筛选聚合结果	用`WHERE`加聚合条件	用`HAVING`
日期范围	`BETWEEN`包含下一天的部分数据	用`>= start AND < end+1`
排序	忘记`ORDER BY`，结果顺序随机	明确指定排序字段和方向
性能	在大表上`SELECT *`	只选需要的字段，加`LIMIT`测试

6.2 电商数据合规红线

查询权限：生产数据库的查询权限应该按角色分配。数据分析师通常只有只读权限，不能修改数据。不要用root账号日常查询，应申请独立的只读账号。

敏感字段保护：订单表中的user_id、phone、address等字段，查询时如果不需要，就不要SELECT。需要脱敏展示时，用CONCAT(LEFT(phone,3), '****', RIGHT(phone,4))等方式处理。

查询留痕：重要数据的查询，尤其是涉及用户明细的，建议在查询工具中开启审计日志，或者通过公司规定的统一查询平台执行，不要私自在本地工具中直连生产库。

数据导出限制：从数据库导出数据到Excel时，先确认导出范围。非必要不导出完整明细，优先用聚合统计。导出的文件要加密存储，用完及时删除。

第7章结语

SQL基础查询和分组聚合，是电商数据分析师每天都要用的核心技能。学完这一章，你应该能独立完成日常的订单统计、店铺报表、活动效果分析等任务。

有问题的评论区留言，我看到会回复。

快递鸟一站式物流API解决方案

电商企业物流数字化转型必备！快递鸟 API 接口，72 小时快速完成物流系统集成。全流程实战1V1指导，营造开放的API技术生态圈。

更多推荐

苹方字体跨平台解决方案：告别Windows与Mac的字体显示鸿沟

在Web开发中，我们经常面临一个令人头疼的问题：精心设计的页面在Mac上优雅精致，到了Windows设备上却因字体差异而显得平庸。今天，我们为您介绍一个专业的解决方案——PingFangSC字体包，它让苹方字体的优雅设计能够在所有平台上完美呈现。这个开源项目提供了完整的6种字重，支持ttf和woff2双格式，真正实现了跨平台字体统一。## 为什么跨平台字体一致性如此重要？🔍现代Web应用

快递鸟社区

Ascend-SACT/Mineru-Optimization后端引擎对比：Pipeline、Hybrid与VLM模式如何选择？

Ascend-SACT/Mineru-Optimization提供三种强大的后端引擎模式——Pipeline、Hybrid和VLM，帮助用户高效处理各类文档。本文将深入对比这三种模式的核心特性、性能表现和适用场景，助你快速找到最适合的解决方案。## 三大引擎模式核心特性解析 🚀### Pipeline模式：传统OCR流程的极致优化**核心架构**：采用模块化设计，包含版面分析、OCR、

快递鸟社区

如何永久保存微信聊天记录？WeChatMsg免费开源工具终极指南

你是否曾担心更换手机后，那些珍贵的微信对话会永远消失？与家人的温馨聊天、重要的工作沟通、朋友间的难忘回忆，这些数字记忆都值得被永久珍藏。**WeChatMsg**是一款完全免费的开源工具，专门用于**微信聊天记录永久保存和深度分析**，让你的每一段对话都能成为永恒的数字资产。## 🔍 你的聊天记录正在面临什么风险？微信已经成为我们日常生活中不可或缺的沟通工具，但官方并未提供完整的聊天记录

快递鸟社区

所有评论(0)

查看更多评论

数厘

@qq_65772430

已为社区贡献15条内容

1.SQL 基础查询与分组聚合在电商数据分析中的应用

数厘

SQL 基础查询与分组聚合在电商数据分析中的应用

第1章 SQL基础查询与分组聚合在电商数据分析中的实际价值

1.1 为什么电商数据分析师必须学SQL

1.2 学习前的准备工作

1.2.1 数据库工具安装

1.2.2 准备电商测试数据

第2章 SQL基础查询核心认知与电商高频查询场景

2.1 电商数据分析师最常用的查询场景

2.2 SELECT基础查询

2.2.1 语法与操作

2.3 WHERE条件筛选

2.3.1 基础条件筛选

2.3.2 多条件组合

2.4 ORDER BY排序

2.4.1 单字段排序

2.4.2 多字段排序

2.5 LIMIT限制返回行数

2.6 电商数据合规提示

第3章 GROUP BY分组聚合核心原理

3.1 分组聚合在电商数据分析中的核心价值

3.2 GROUP BY语法与聚合函数

3.2.1 基础语法

3.2.2 电商场景实操：按店铺统计GMV和订单量

3.2.3 电商场景实操：按天统计GMV趋势

3.2.4 电商场景实操：按类目统计销售额占比

3.3 分组聚合的常见错误与避坑

第4章 HAVING分组后筛选语法

4.1 WHERE与HAVING的核心区别

4.2 电商场景实操：筛选有效动销类目

4.3 电商场景实操：筛选高价值用户（消费金额>5000）

4.4 实操避坑提醒

第5章 综合实操案例：抖音服饰类目月度店铺核心运营指标统计

5.1 案例背景

5.2 准备工作：创建测试数据

5.3 分步操作：计算核心指标

5.3.1 月度GMV、订单量、客单价

5.3.2 按类目拆分的GMV和订单量

5.3.3 按日统计GMV趋势

5.3.4 高价值用户（月消费≥1000元）数量及贡献占比

5.4 结果验证与常见问题

第6章 本章踩坑清单与合规总结

6.1 新手常见踩坑

6.2 电商数据合规红线

第7章 结语

所有评论(0)

温馨提示：您尚未绑定手机号

数厘

第5章综合实操案例：抖音服饰类目月度店铺核心运营指标统计

第6章本章踩坑清单与合规总结

第7章结语