21  Практичні задачі

У практичній частині ми продовжимо аналізувати наш сервіс та розрахуємо кілька важливих показників, що характеризують його роботу. Вам буде запропоновано написати кілька SQL-запитів та візуалізувати їх.

21.1 Задача 1

Для початку давайте проаналізуємо, наскільки швидко зростає аудиторія нашого сервісу та подивимося на динаміку числа користувачів та кур’єрів.

Завдання 21.1
Для кожного дня, представленого в таблицях user_actions та courier_actions, розрахуйте такі показники:

1. Число нових користувачів.
2. Число нових кур’єрів.
3. Загальна кількість користувачів на сьогодні.
4. Загальна кількість кур’єрів на цей день.

Колонки з показниками назвіть відповідно new_users, new_couriers, total_users, total_couriers. Колонку з датами назвіть date. Простежте, щоб показники були виражені цілими числами. Результат має бути відсортований за зростанням дати.

Поля в результуючій таблиці: date, new_users, new_couriers, total_users, total_couriers

Пояснення:

Новими вважатимемо тих користувачів та кур’єрів, які в цей день здійснили свою першу дію в нашому сервісі. Загальна кількість користувачів/кур’єрів на поточний день — це результат додавання числа нових користувачів/кур’єрів у поточний день зі значеннями аналогічного показника всіх попередніх днів.

Підказка на випадок, якщо зовсім не виходить

Щоб порахувати кількість нових користувачів/кур’єрів на кожну дату спочатку необхідно для кожного користувача/кур’єра визначити мінімальну дату, тобто дату першої дії в нашому сервісі. Потім потрібно провести групування і для кожної отриманої дати порахувати кількість користувачів/кур’єрів із цією датою. Далі до отриманої таблиці достатньо застосувати віконну функцію і кожної дати обчислити накопичувальну суму числа користувачів/кур’єрів.

%%sql
SELECT start_date as date,
       new_users,
       new_couriers,
       (sum(new_users) OVER (ORDER BY start_date))::int as total_users,
       (sum(new_couriers) OVER (ORDER BY start_date))::int as total_couriers
FROM   (SELECT start_date,
               count(courier_id) as new_couriers
        FROM   (SELECT courier_id,
                       min(time::date) as start_date
                FROM   courier_actions
                GROUP BY courier_id) t1
        GROUP BY start_date) t2
    LEFT JOIN (SELECT start_date,
                      count(user_id) as new_users
               FROM   (SELECT user_id,
                              min(time::date) as start_date
                       FROM   user_actions
                       GROUP BY user_id) t3
               GROUP BY start_date) t4 using (start_date)

	date	new_users	new_couriers	total_users	total_couriers
0	2022-08-24	134	95	134	95
1	2022-08-25	829	242	963	337
2	2022-08-26	1017	219	1980	556
3	2022-08-27	1225	186	3205	742
4	2022-08-28	1487	213	4692	955
5	2022-08-29	1309	109	6001	1064
6	2022-08-30	1204	127	7205	1191
7	2022-08-31	1420	195	8625	1386
8	2022-09-01	1513	205	10138	1591
9	2022-09-02	1887	229	12025	1820
10	2022-09-03	1924	161	13949	1981
11	2022-09-04	1952	205	15901	2186
12	2022-09-05	1397	120	17298	2306
13	2022-09-06	1020	98	18318	2404
14	2022-09-07	1412	220	19730	2624
15	2022-09-08	1671	202	21401	2826

Запишемо результат запиту у змінну results.

%%sql
results << SELECT start_date as date,
       new_users,
       new_couriers,
       (sum(new_users) OVER (ORDER BY start_date))::int as total_users,
       (sum(new_couriers) OVER (ORDER BY start_date))::int as total_couriers
FROM   (SELECT start_date,
               count(courier_id) as new_couriers
        FROM   (SELECT courier_id,
                       min(time::date) as start_date
                FROM   courier_actions
                GROUP BY courier_id) t1
        GROUP BY start_date) t2
    LEFT JOIN (SELECT start_date,
                      count(user_id) as new_users
               FROM   (SELECT user_id,
                              min(time::date) as start_date
                       FROM   user_actions
                       GROUP BY user_id) t3
               GROUP BY start_date) t4 using (start_date)

Побудуємо візуалізацію за отриманими даними:

fig = go.Figure()
fig.add_trace(
    go.Scatter(
        x=results.date, y=results.total_users, mode="lines+markers", name="total_users"
    )
)
fig.add_trace(
    go.Scatter(
        x=results.date,
        y=results.total_couriers,
        mode="lines+markers",
        name="total_couriers",
    )
)
fig.update_layout(
    legend=dict(orientation="h", yanchor="bottom", y=1.02, xanchor="right", x=1)
)
fig.show()

fig = go.Figure()
fig.add_trace(
    go.Scatter(
        x=results.date, y=results.new_users, mode="lines+markers", name="new_users"
    )
)
fig.add_trace(
    go.Scatter(
        x=results.date,
        y=results.new_couriers,
        mode="lines+markers",
        name="new_couriers",
    )
)
fig.update_layout(
    legend=dict(orientation="h", yanchor="bottom", y=1.02, xanchor="right", x=1)
)
fig.show()

(a) Динаміка загальної кількості користувачів

(b) Динаміка нових користувачів та кур’єрів

Рисунок 21.1: Графік за результатами SQL-запиту

Проаналізуйте побудовані графіки та спробуйте відповісти на такі питання:

1. Що зростає швидше: кількість користувачів чи кількість кур’єрів?
2. Наскільки стабільні показники числа нових користувачів та кур’єрів? Чи немає даних таких днів, коли показники сильно вибивалися із загальної динаміки?
3. Чи можна сказати, що кількість нових кур’єрів більш стабільна, ніж кількість нових користувачів?

21.2 Задача 2

Аналізуючи динаміку показників із попереднього завдання, ви могли помітити, що порівнювати абсолютні значення не дуже зручно. Давайте порахуємо динаміку показників у відносних величинах.

Завдання 21.2
Доповніть запит із попереднього завдання і тепер для кожного дня, поданого в таблицях user_actions та courier_actions, додатково розрахуйте такі показники:

1. Приріст числа нових користувачів.
2. Приріст числа нових кур’єрів.
3. Приріст загальної кількості користувачів.
4. Приріст загальної кількості кур’єрів.

Показники, розраховані на попередньому кроці, також включіть у результуючу таблицю.

Колонки з новими показниками назвіть відповідно new_users_change, new_couriers_change, total_users_growth, total_couriers_growth. Колонку з датами назвіть date.

Усі показники приросту рахуйте у відсотках відносно попереднього дня. Під час розрахунку показників округляйте значення до двох знаків після коми.

Результуюча таблиця має бути відсортована за зростанням дати.

Поля в результуючій таблиці: date, new_users, new_couriers, total_users, total_couriers, new_users_change, new_couriers_change, total_users_growth, total_couriers_growth

Пояснення:

Не забувайте при діленні заздалегідь наводити значення до потрібного типу даних. Пропущені значення приростів для першої дати не заповнюйте - просто залиште поля в цьому рядку порожніми.

Підказка на випадок, якщо зовсім не виходить

Для розрахунку приростів скористайтесь віконними функціями та функціями зсунення.

%%sql
SELECT date,
       new_users,
       new_couriers,
       total_users,
       total_couriers,
       round(100 * (new_users - lag(new_users, 1) OVER (ORDER BY date)) / lag(new_users, 1) OVER (ORDER BY date)::decimal,
             2) as new_users_change,
       round(100 * (new_couriers - lag(new_couriers, 1) OVER (ORDER BY date)) / lag(new_couriers, 1) OVER (ORDER BY date)::decimal,
             2) as new_couriers_change,
       round(100 * new_users::decimal / lag(total_users, 1) OVER (ORDER BY date),
             2) as total_users_growth,
       round(100 * new_couriers::decimal / lag(total_couriers, 1) OVER (ORDER BY date),
             2) as total_couriers_growth
FROM   (SELECT start_date as date,
               new_users,
               new_couriers,
               (sum(new_users) OVER (ORDER BY start_date))::int as total_users,
               (sum(new_couriers) OVER (ORDER BY start_date))::int as total_couriers
        FROM   (SELECT start_date,
                       count(courier_id) as new_couriers
                FROM   (SELECT courier_id,
                               min(time::date) as start_date
                        FROM   courier_actions
                        GROUP BY courier_id) t1
                GROUP BY start_date) t2
            LEFT JOIN (SELECT start_date,
                              count(user_id) as new_users
                       FROM   (SELECT user_id,
                                      min(time::date) as start_date
                               FROM   user_actions
                               GROUP BY user_id) t3
                       GROUP BY start_date) t4 using (start_date)) t5

	date	new_users	new_couriers	total_users	total_couriers	new_users_change	new_couriers_change	total_users_growth	total_couriers_growth
0	2022-08-24	134	95	134	95	NaN	NaN	NaN	NaN
1	2022-08-25	829	242	963	337	518.66	154.74	618.66	254.74
2	2022-08-26	1017	219	1980	556	22.68	-9.50	105.61	64.99
3	2022-08-27	1225	186	3205	742	20.45	-15.07	61.87	33.45
4	2022-08-28	1487	213	4692	955	21.39	14.52	46.40	28.71
5	2022-08-29	1309	109	6001	1064	-11.97	-48.83	27.90	11.41
6	2022-08-30	1204	127	7205	1191	-8.02	16.51	20.06	11.94
7	2022-08-31	1420	195	8625	1386	17.94	53.54	19.71	16.37
8	2022-09-01	1513	205	10138	1591	6.55	5.13	17.54	14.79
9	2022-09-02	1887	229	12025	1820	24.72	11.71	18.61	14.39
10	2022-09-03	1924	161	13949	1981	1.96	-29.69	16.00	8.85
11	2022-09-04	1952	205	15901	2186	1.46	27.33	13.99	10.35
12	2022-09-05	1397	120	17298	2306	-28.43	-41.46	8.79	5.49
13	2022-09-06	1020	98	18318	2404	-26.99	-18.33	5.90	4.25
14	2022-09-07	1412	220	19730	2624	38.43	124.49	7.71	9.15
15	2022-09-08	1671	202	21401	2826	18.34	-8.18	8.47	7.70

Запишемо результат запиту у змінну results.

%%sql
results << SELECT date,
       new_users,
       new_couriers,
       total_users,
       total_couriers,
       round(100 * (new_users - lag(new_users, 1) OVER (ORDER BY date)) / lag(new_users, 1) OVER (ORDER BY date)::decimal,
             2) as new_users_change,
       round(100 * (new_couriers - lag(new_couriers, 1) OVER (ORDER BY date)) / lag(new_couriers, 1) OVER (ORDER BY date)::decimal,
             2) as new_couriers_change,
       round(100 * new_users::decimal / lag(total_users, 1) OVER (ORDER BY date),
             2) as total_users_growth,
       round(100 * new_couriers::decimal / lag(total_couriers, 1) OVER (ORDER BY date),
             2) as total_couriers_growth
FROM   (SELECT start_date as date,
               new_users,
               new_couriers,
               (sum(new_users) OVER (ORDER BY start_date))::int as total_users,
               (sum(new_couriers) OVER (ORDER BY start_date))::int as total_couriers
        FROM   (SELECT start_date,
                       count(courier_id) as new_couriers
                FROM   (SELECT courier_id,
                               min(time::date) as start_date
                        FROM   courier_actions
                        GROUP BY courier_id) t1
                GROUP BY start_date) t2
            LEFT JOIN (SELECT start_date,
                              count(user_id) as new_users
                       FROM   (SELECT user_id,
                                      min(time::date) as start_date
                               FROM   user_actions
                               GROUP BY user_id) t3
                       GROUP BY start_date) t4 using (start_date)) t5

Побудуємо візуалізацію за отриманими даними:

fig = go.Figure()
fig.add_trace(
    go.Bar(
        x=results.date,
        y=results.new_users_change,
        name="new_users_change",
        marker_color="indianred",
    )
)
fig.add_trace(
    go.Bar(
        x=results.date,
        y=results.new_couriers_change,
        name="new_couriers_change",
        marker_color="lightsalmon",
    )
)

fig.update_layout(
    barmode="group",
    xaxis_tickangle=-45,
    legend=dict(orientation="h", yanchor="bottom", y=1.02, xanchor="right", x=1),
)
fig.show()

fig = go.Figure()
fig.add_trace(
    go.Bar(
        x=results.date,
        y=results.total_users_growth,
        name="total_users_growth",
        marker_color="indianred",
    )
)
fig.add_trace(
    go.Bar(
        x=results.date,
        y=results.total_couriers_growth,
        name="total_couriers_growth",
        marker_color="lightsalmon",
    )
)

fig.update_layout(
    barmode="group",
    xaxis_tickangle=-45,
    legend=dict(orientation="h", yanchor="bottom", y=1.02, xanchor="right", x=1),
)
fig.show()

(a) Динаміка приросту числа нових користувачів та кур’єрів

(b) Динаміка приросту загальної кількості користувачів та кур’єрів

Рисунок 21.2: Графік за результатами SQL-запиту

Проаналізуйте побудовані графіки та спробуйте відповісти на такі питання:

1. Як змінилися темпи приросту загальної кількості користувачів і кур’єрів за проміжок часу, що розглядається? Яка загалом динаміка цих показників: вони ростуть чи, навпаки, згасають?
2. У які дні темп приросту числа нових кур’єрів помітно випереджав темп приросту нових користувачів?
3. Чи можна, дивлячись на графіки з відносними показниками, сказати, що кількість нових кур’єрів більш стабільний, ніж показник числа нових користувачів?

21.3 Задача 3

Тепер пропонуємо вам подивитися на нашу аудиторію трохи під іншим кутом - давайте порахуємо не просто всіх користувачів, а саме ту частину, яка оформлює та оплачує замовлення у нашому сервісі. Заодно з’ясуємо, яку частку користувачі, що платять, становлять від їх загального числа.

Завдання 21.3
Для кожного дня, представленого в таблицях user_actions та courier_actions, розрахуйте такі показники:

1. Число користувачів, які оплачують замовлення.
2. Число активних кур’єрів.
3. Частку користувачів, що платять, в загальній кількості користувачів на поточний день.
4. Частку активних кур’єрів у кількості кур’єрів на поточний день.

Колонки з показниками назвіть відповідно paying_users, active_couriers, paying_users_share, active_couriers_share. Колонку з датами назвіть date. Простежте, щоб абсолютні показники були виражені цілими числами. Усі показники часток необхідно виразити у відсотках. Під час їх розрахунку округляйте значення до двох знаків після коми.

Результат має бути відсортований за зростанням дати.

Поля в результуючій таблиці: date, paying_users, active_couriers, paying_users_share, active_couriers_share

Пояснення:

Користувачів, які оплачують замовлення будемо вважати тих, які в даний день оформили хоча б одне замовлення, яке надалі не було скасовано.

Кур’єрів вважатимемо активними, якщо в даний день вони прийняли хоча б одне замовлення, яке було доставлено (можливо вже наступного дня), або доставили будь-яке замовлення.

Загальна кількість користувачів/кур’єрів на поточний день – це, як і раніше, результат складання числа нових користувачів/кур’єрів у поточний день зі значеннями аналогічного показника всіх попередніх днів. Ми рахували цей показник на попередніх кроках.

Не забувайте при діленні заздалегідь наводити значення до потрібного типу даних.

Підказка на випадок, якщо зовсім не виходить

Для вирішення завдання необхідно спочатку для кожного дня порахувати кількість користувачів, які оплачують замовлення, і активних кур’єрів, а потім об’єднати отримані таблиці з даними про загальну кількість користувачів і кур’єрів на поточну дату і далі розрахувати всі необхідні відносні показники. Загальну кількість користувачів та кур’єрів на поточну дату ми вже рахували раніше.

%%sql
SELECT date,
       paying_users,
       active_couriers,
       round(100 * paying_users::decimal / total_users, 2) as paying_users_share,
       round(100 * active_couriers::decimal / total_couriers, 2) as active_couriers_share
FROM   (SELECT start_date as date,
               new_users,
               new_couriers,
               (sum(new_users) OVER (ORDER BY start_date))::int as total_users,
               (sum(new_couriers) OVER (ORDER BY start_date))::int as total_couriers
        FROM   (SELECT start_date,
                       count(courier_id) as new_couriers
                FROM   (SELECT courier_id,
                               min(time::date) as start_date
                        FROM   courier_actions
                        GROUP BY courier_id) t1
                GROUP BY start_date) t2
            LEFT JOIN (SELECT start_date,
                              count(user_id) as new_users
                       FROM   (SELECT user_id,
                                      min(time::date) as start_date
                               FROM   user_actions
                               GROUP BY user_id) t3
                       GROUP BY start_date) t4 using (start_date)) t5
    LEFT JOIN (SELECT time::date as date,
                      count(distinct courier_id) as active_couriers
               FROM   courier_actions
               WHERE  order_id not in (SELECT order_id
                                       FROM   user_actions
                                       WHERE  action = 'cancel_order')
               GROUP BY date) t6 using (date)
    LEFT JOIN (SELECT time::date as date,
                      count(distinct user_id) as paying_users
               FROM   user_actions
               WHERE  order_id not in (SELECT order_id
                                       FROM   user_actions
                                       WHERE  action = 'cancel_order')
               GROUP BY date) t7 using (date)

	date	paying_users	active_couriers	paying_users_share	active_couriers_share
0	2022-08-24	127	93	94.78	97.89
1	2022-08-25	820	333	85.15	98.81
2	2022-08-26	1137	526	57.42	94.60
3	2022-08-27	1548	721	48.30	97.17
4	2022-08-28	2083	927	44.39	97.07
5	2022-08-29	2202	1022	36.69	96.05
6	2022-08-30	2253	1133	31.27	95.13
7	2022-08-31	2430	1286	28.17	92.78
8	2022-09-01	2710	1474	26.73	92.65
9	2022-09-02	3429	1733	28.52	95.22
10	2022-09-03	3794	1906	27.20	96.21
11	2022-09-04	4104	2069	25.81	94.65
12	2022-09-05	3362	2047	19.44	88.77
13	2022-09-06	2701	1883	14.75	78.33
14	2022-09-07	3517	2245	17.83	85.56
15	2022-09-08	3912	2491	18.28	88.15

Запишемо результат запиту у змінну results.

%%sql
results << SELECT date,
       paying_users,
       active_couriers,
       round(100 * paying_users::decimal / total_users, 2) as paying_users_share,
       round(100 * active_couriers::decimal / total_couriers, 2) as active_couriers_share
FROM   (SELECT start_date as date,
               new_users,
               new_couriers,
               (sum(new_users) OVER (ORDER BY start_date))::int as total_users,
               (sum(new_couriers) OVER (ORDER BY start_date))::int as total_couriers
        FROM   (SELECT start_date,
                       count(courier_id) as new_couriers
                FROM   (SELECT courier_id,
                               min(time::date) as start_date
                        FROM   courier_actions
                        GROUP BY courier_id) t1
                GROUP BY start_date) t2
            LEFT JOIN (SELECT start_date,
                              count(user_id) as new_users
                       FROM   (SELECT user_id,
                                      min(time::date) as start_date
                               FROM   user_actions
                               GROUP BY user_id) t3
                       GROUP BY start_date) t4 using (start_date)) t5
    LEFT JOIN (SELECT time::date as date,
                      count(distinct courier_id) as active_couriers
               FROM   courier_actions
               WHERE  order_id not in (SELECT order_id
                                       FROM   user_actions
                                       WHERE  action = 'cancel_order')
               GROUP BY date) t6 using (date)
    LEFT JOIN (SELECT time::date as date,
                      count(distinct user_id) as paying_users
               FROM   user_actions
               WHERE  order_id not in (SELECT order_id
                                       FROM   user_actions
                                       WHERE  action = 'cancel_order')
               GROUP BY date) t7 using (date)

Побудуємо візуалізацію за отриманими даними:

fig = go.Figure()
fig.add_trace(
    go.Scatter(
        x=results.date,
        y=results.paying_users,
        mode="lines+markers",
        name="paying_users",
    )
)
fig.add_trace(
    go.Scatter(
        x=results.date,
        y=results.active_couriers,
        mode="lines+markers",
        name="active_couriers",
    )
)
fig.update_layout(
    legend=dict(orientation="h", yanchor="bottom", y=1.02, xanchor="right", x=1)
)
fig.show()

fig = go.Figure()
fig.add_trace(
    go.Scatter(
        x=results.date,
        y=results.paying_users_share,
        mode="lines+markers",
        name="paying_users_share",
    )
)
fig.add_trace(
    go.Scatter(
        x=results.date,
        y=results.active_couriers_share,
        mode="lines+markers",
        name="active_couriers_share",
    )
)
fig.update_layout(
    legend=dict(orientation="h", yanchor="bottom", y=1.02, xanchor="right", x=1)
)
fig.show()

(a) Динаміка користувачів, які платять та активних кур’єрів:

(b) Динаміка часток користувачів, які платять та активних кур’єрів:

Рисунок 21.3: Графік за результатами SQL-запиту

Проаналізуйте побудовані графіки та спробуйте відповісти на такі питання:

1. Чи можна сказати, що разом із загальною кількістю користувачів і кур’єрів зростає кількість користувачів, що платять, і активних кур’єрів?
2. Як водночас поводяться показники часток користувачів, що платять, і активних кур’єрів? Чи можна вважати їхню поточну динаміку в цілому нормальною та закономірною?

21.4 Задача 4

Давайте докладніше зупинимося на користувачах, які оплачують замовлення, копнем трохи глибше і з’ясуємо, як багато користувачів, які оплачують замовленняь, здійснюють більше одного замовлення в день. Зрештою нам важливо розуміти, як здебільшого поводяться наші користувачі — вони заходять у додаток, щоб зробити всього одне замовлення, або наш сервіс настільки хороший, що вони готові користуватися ним кілька разів на день.

Завдання 21.4
Для кожного дня, поданого в таблиці user_actions, розрахуйте такі показники:

1. Частку користувачів, які зробили в цей день всього одне замовлення, від загальної кількості користувачів, які оплачують замовлення.
2. Частку користувачів, які зробили цього дня кілька замовлень, від загальної кількості користувачів, які оплачують замовлення.

Назвіть колонки з показниками відповідно single_order_users_share, several_orders_users_share. Колонку з датами назвіть date. Усі показники із частками необхідно виразити у відсотках. При розрахунку часток округляйте значення до двох знаків після коми.

Результат має бути відсортований за зростанням дати.

Поля в результуючій таблиці: date, single_order_users_share, several_orders_users_share

Пояснення:

Користувачами, що оплачують замовлення, як і раніше, вважаємо тих користувачів, які в даний день оформили (і не скасували) хоча б одне замовлення.

Не забувайте при діленні заздалегідь наводити значення до потрібного типу даних.

Підказка на випадок, якщо зовсім не виходить

Для вирішення завдання спочатку необхідно для кожного дня окремо розрахувати загальну кількість користувачів, що оплачують замовлення, кількість користувачів з одним замовленням і кількість користувачів з кількома замовленнями. Потім необхідно поєднати таблиці з цими даними за датою та порахувати всі необхідні показники.

%%sql
SELECT day::date AS date,
       ROUND(100 * COUNT(DISTINCT user_id) FILTER(WHERE count_orders = 1) / COUNT(DISTINCT user_id)::numeric, 2) AS single_order_users_share,
       ROUND(100 * COUNT(DISTINCT user_id) FILTER(WHERE count_orders != 1) / COUNT(DISTINCT user_id)::numeric, 2) AS several_orders_users_share
FROM(

SELECT user_id,
       COUNT(DISTINCT order_id) AS count_orders,
       DATE_TRUNC('day', time) AS day
FROM user_actions
WHERE order_id NOT IN (SELECT order_id FROM user_actions WHERE action = 'cancel_order')
GROUP BY user_id, day
) AS t1
GROUP BY day
ORDER BY day

	date	single_order_users_share	several_orders_users_share
0	2022-08-24	92.91	7.09
1	2022-08-25	76.46	23.54
2	2022-08-26	78.45	21.55
3	2022-08-27	70.93	29.07
4	2022-08-28	67.83	32.17
5	2022-08-29	65.58	34.42
6	2022-08-30	64.67	35.33
7	2022-08-31	70.41	29.59
8	2022-09-01	71.70	28.30
9	2022-09-02	67.02	32.98
10	2022-09-03	63.94	36.06
11	2022-09-04	65.94	34.06
12	2022-09-05	69.96	30.04
13	2022-09-06	77.67	22.33
14	2022-09-07	72.65	27.35
15	2022-09-08	69.61	30.39

Запишемо результат запиту у змінну results:

%%sql
results << SELECT day::date AS date,
       ROUND(100 * COUNT(DISTINCT user_id) FILTER(WHERE count_orders = 1) / COUNT(DISTINCT user_id)::numeric, 2) AS single_order_users_share,
       ROUND(100 * COUNT(DISTINCT user_id) FILTER(WHERE count_orders != 1) / COUNT(DISTINCT user_id)::numeric, 2) AS several_orders_users_share
FROM(

SELECT user_id,
       COUNT(DISTINCT order_id) AS count_orders,
       DATE_TRUNC('day', time) AS day
FROM user_actions
WHERE order_id NOT IN (SELECT order_id FROM user_actions WHERE action = 'cancel_order')
GROUP BY user_id, day
) AS t1
GROUP BY day
ORDER BY day

Побудуємо візуалізацію за отриманими даними:

fig = go.Figure(
    data=[
        go.Bar(
            name="single_order_users_share",
            x=results.date,
            y=results.single_order_users_share,
        ),
        go.Bar(
            name="several_orders_users_share",
            x=results.date,
            y=results.several_orders_users_share,
        ),
    ]
)
fig.update_layout(
    barmode="stack",
    legend=dict(orientation="h", yanchor="bottom", y=1.02, xanchor="right", x=1),
)
fig.show()

Рисунок 21.4: Частки користувачів з одним та кількома замовленнями

Проаналізуйте побудовані графіки та спробуйте відповісти на такі питання:

1. На якому рівні у середньому тримається частка користувачів із кількома замовленнями?
2. Чи можна вважати значення показника в перший день аномально низьким, якщо взяти до уваги загальну кількість користувачів цього дня?

21.5 Задача 5

Продовжимо вивчати наш сервіс та розрахуємо декілька показників, пов’язаних із замовленнями.

Завдання 21.5
Для кожного дня, поданого в таблиці user_actions, розрахуйте такі показники:

1. Загальна кількість замовлень.
2. Число перших замовлень (замовлень, зроблених користувачами вперше).
3. Число замовлень нових користувачів (замовлень, зроблених користувачами того ж дня, коли вони вперше скористалися сервісом).
4. Частку перших замовлень у кількості замовлень (частку п.2 в п.1).
5. Частку замовлень нових користувачів у кількості замовлень (частку п.3 в п.1).

Назвіть колонки з показниками відповідно orders, first_orders, new_users_orders, first_orders_share, new_users_orders_share. Колонку з датами назвіть date. Простежте, щоб у всіх випадках кількість замовлень була виражена цілим числом. Усі показники із частками необхідно виразити у відсотках. При розрахунку часток округляйте значення до двох знаків після коми.

Результат має бути відсортований за зростанням дати.

Поля в результуючій таблиці: date, orders, first_orders, new_users_orders, first_orders_share, new_users_orders_share

Пояснення:

При розрахунку числа перших замовлень враховуйте, що у кожного користувача може бути лише одне перше замовлення (що цілком логічно).

При розрахунку числа замовлень нових користувачів враховуйте, що у свій перший день кожен новий користувач міг як зробити відразу кілька замовлень, так і не здійснити жодного.

У всіх випадках при розрахунку числа замовлень враховуйте лише фактично здійснені замовлення, скасовані замовлення не враховуйте.

Не забувайте при діленні заздалегідь приводити значення до потрібного типу даних.

Підказка на випадок, якщо зовсім не виходить

Для вирішення завдання спочатку необхідно для кожного дня окремо розрахувати загальну кількість замовлень, кількість перших замовлень і кількість замовлень нових користувачів, а потім об’єднати отримані таблиці в одну і порахувати всі відносні показники. Для розрахунку числа перших замовлень для кожного користувача потрібно знайти дату оформлення першого нескасованого замовлення і потім здійснити групування за датою, порахувавши для кожного дня кількість користувачів, які зробили перше замовлення. Для розрахунку числа замовлень нових користувачів спочатку потрібно для кожного користувача знайти дату здійснення першої дії, а потім доповнити цю таблицю даними про кількість замовлень, зроблених користувачем свого першого дня. Це можна зробити, приєднавши до таблиці з датами перших дій таблицю із загальною кількістю замовлень на кожну дату для кожного користувача. Зверніть увагу, що в цій таблиці для деяких користувачів можуть бути відсутні дати здійснення першої дії оскільки користувач міг скасувати замовлення і фактично не здійснити жодної покупки свого першого дня. Після об’єднання таблиць для таких днів із пропущеними значеннями слід вказати кількість замовлень рівним 0. Це можна зробити, наприклад, за допомогою функції COALESCE.

%%sql
SELECT date, orders, first_orders, new_users_orders::int as new_users_orders,
        ROUND(100 * first_orders::decimal / orders, 2) AS first_orders_share,
        ROUND(100 * new_users_orders::decimal / orders, 2) AS new_users_orders_share
    FROM (
        SELECT creation_time::date AS date, COUNT(DISTINCT order_id) AS orders
        FROM orders
        WHERE order_id NOT IN (SELECT order_id FROM user_actions WHERE action='cancel_order')
        AND order_id IN (SELECT order_id FROM courier_actions WHERE action='deliver_order')
        GROUP BY date
    ) t5
    LEFT JOIN (
        SELECT first_order_date AS date, COUNT(user_id) AS first_orders
        FROM (
            SELECT user_id, MIN(time::date) AS first_order_date
            FROM user_actions
            WHERE order_id NOT IN (SELECT order_id FROM user_actions WHERE action='cancel_order')
            GROUP BY user_id
        ) t4
        GROUP BY first_order_date
    ) t7
    USING (date)
    LEFT JOIN (
        SELECT start_date AS date, SUM(orders) AS new_users_orders
        FROM (
            SELECT t1.user_id, t1.start_date, COALESCE(t2.orders, 0) AS orders
            FROM (
                SELECT user_id, MIN(time::date) AS start_date
                FROM user_actions
                GROUP BY user_id
            ) t1
            LEFT JOIN (
                SELECT user_id, time::date AS date, COUNT(DISTINCT order_id) AS orders
                FROM user_actions
                WHERE order_id NOT IN (SELECT order_id FROM user_actions WHERE action='cancel_order')
                GROUP BY user_id, date
            ) t2
            ON t1.user_id = t2.user_id AND t1.start_date = t2.date
        ) t3
        GROUP BY start_date
    ) t6
    USING (date)
    ORDER BY date

	date	orders	first_orders	new_users_orders	first_orders_share	new_users_orders_share
0	2022-08-24	138	127	138	92.03	100.00
1	2022-08-25	1059	802	1032	75.73	97.45
2	2022-08-26	1447	984	1250	68.00	86.39
3	2022-08-27	2141	1192	1624	55.67	75.85
4	2022-08-28	2998	1460	2102	48.70	70.11
5	2022-08-29	3267	1281	1832	39.21	56.08
6	2022-08-30	3371	1180	1714	35.00	50.85
7	2022-08-31	3410	1380	1908	40.47	55.95
8	2022-09-01	3688	1492	1988	40.46	53.90
9	2022-09-02	5001	1864	2655	37.27	53.09
10	2022-09-03	5709	1907	2830	33.40	49.57
11	2022-09-04	6010	1943	2763	32.33	45.97
12	2022-09-05	4675	1387	1865	29.67	39.89
13	2022-09-06	3451	1012	1264	29.32	36.63
14	2022-09-07	4777	1416	1865	29.64	39.04
15	2022-09-08	5474	1661	2300	30.34	42.02

Запишемо результат запиту у змінну results:

%%sql
results << SELECT date, orders, first_orders, new_users_orders::int as new_users_orders,
        ROUND(100 * first_orders::decimal / orders, 2) AS first_orders_share,
        ROUND(100 * new_users_orders::decimal / orders, 2) AS new_users_orders_share
    FROM (
        SELECT creation_time::date AS date, COUNT(DISTINCT order_id) AS orders
        FROM orders
        WHERE order_id NOT IN (SELECT order_id FROM user_actions WHERE action='cancel_order')
        AND order_id IN (SELECT order_id FROM courier_actions WHERE action='deliver_order')
        GROUP BY date
    ) t5
    LEFT JOIN (
        SELECT first_order_date AS date, COUNT(user_id) AS first_orders
        FROM (
            SELECT user_id, MIN(time::date) AS first_order_date
            FROM user_actions
            WHERE order_id NOT IN (SELECT order_id FROM user_actions WHERE action='cancel_order')
            GROUP BY user_id
        ) t4
        GROUP BY first_order_date
    ) t7
    USING (date)
    LEFT JOIN (
        SELECT start_date AS date, SUM(orders) AS new_users_orders
        FROM (
            SELECT t1.user_id, t1.start_date, COALESCE(t2.orders, 0) AS orders
            FROM (
                SELECT user_id, MIN(time::date) AS start_date
                FROM user_actions
                GROUP BY user_id
            ) t1
            LEFT JOIN (
                SELECT user_id, time::date AS date, COUNT(DISTINCT order_id) AS orders
                FROM user_actions
                WHERE order_id NOT IN (SELECT order_id FROM user_actions WHERE action='cancel_order')
                GROUP BY user_id, date
            ) t2
            ON t1.user_id = t2.user_id AND t1.start_date = t2.date
        ) t3
        GROUP BY start_date
    ) t6
    USING (date)
    ORDER BY date

Побудуємо візуалізацію за отриманими даними:

fig = go.Figure()
fig.add_trace(
    go.Scatter(x=results.date, y=results.orders, mode="lines+markers", name="orders")
)
fig.add_trace(
    go.Scatter(
        x=results.date,
        y=results.first_orders,
        mode="lines+markers",
        name="first_orders",
    )
)
fig.add_trace(
    go.Scatter(
        x=results.date,
        y=results.new_users_orders,
        mode="lines+markers",
        name="new_users_orders",
    )
)
fig.update_layout(
    legend=dict(orientation="h", yanchor="bottom", y=1.02, xanchor="right", x=1)
)
fig.show()

fig = go.Figure()
fig.add_trace(
    go.Scatter(
        x=results.date,
        y=results.first_orders_share,
        mode="lines+markers",
        name="first_orders_share",
    )
)
fig.add_trace(
    go.Scatter(
        x=results.date,
        y=results.new_users_orders_share,
        mode="lines+markers",
        name="new_users_orders_share",
    )
)
fig.update_layout(
    legend=dict(orientation="h", yanchor="bottom", y=1.02, xanchor="right", x=1)
)
fig.show()

(a) Динаміка загальної кількості замовлень, числа перших замовлень та числа замовлень нових користувачів

(b) Динаміка частки перших замовлень та частки замовлень нових користувачів у кількості замовлень

Рисунок 21.5: Графік за результатами SQL-запиту

Проаналізуйте побудовані графіки та спробуйте відповісти на такі питання:

1. Яка загалом динаміка у абсолютних показників? Чи можна сказати, що разом із зростанням кількості всіх замовлень зростають показники числа перших замовлень та кількості замовлень нових користувачів?
2. Що можна сказати про динаміку відносних показників? Чи можна вважати її загалом закономірною? Як, на ваш погляд, поводитимуться ці показники у довгостроковій перспективі: вони зростатимуть чи знижуватимуться?

21.6 Задача 6

Тепер давайте спробуємо приблизно оцінити навантаження на наших кур’єрів і дізнаємося, скільки в середньому замовлень та користувачів припадає на кожного з них.

Завдання 21.6
На основі даних у таблицях user_actions, courier_actions та orders для кожного дня розрахуйте такі показники:

1. Кількість користувачів, що оплатили замовлення на одного активного кур’єра.
2. Кількість замовлень на одного активного кур’єра.

Колонки з показниками назвіть відповідно users_per_courier та orders_per_courier. Колонку з датами назвіть date. Під час розрахунку показників округляйте значення до двох знаків після коми.

Результуюча таблиця має бути відсортована за зростанням дати.

Поля в результуючій таблиці: date, users_per_courier, orders_per_courier

Пояснення:

Користувачів, що оплатили замовлення, як і раніше, вважаємо тих користувачів, які в даний день оформили хоча б одне замовлення, яке надалі не було скасовано.

Кур’єрів вважаємо активними, якщо в даний день вони прийняли хоча б одне замовлення, яке було доставлено (можливо вже наступного дня), або доставили будь-яке замовлення.

У розрахунках враховуйте лише нескасовані замовлення.

Не забувайте при діленні заздалегідь наводити значення до потрібного типу даних.

Підказка на випадок, якщо зовсім не виходить

Для вирішення завдання спочатку необхідно за допомогою групування та агрегації розрахувати кількість користувачів, кур’єрів та замовлень на кожну дату, а потім об’єднати дані в одну таблицю та провести всі необхідні розрахунки.

%%sql
SELECT date,
       round(paying_users::decimal / couriers, 2) as users_per_courier,
       round(orders::decimal / couriers, 2) as orders_per_courier
FROM   (SELECT time::date as date,
               count(distinct courier_id) as couriers
        FROM   courier_actions
        WHERE  order_id not in (SELECT order_id
                                FROM   user_actions
                                WHERE  action = 'cancel_order')
        GROUP BY date) t1 join (SELECT creation_time::date as date,
                               count(distinct order_id) as orders
                        FROM   orders
                        WHERE  order_id not in (SELECT order_id
                                                FROM   user_actions
                                                WHERE  action = 'cancel_order')
                        GROUP BY date) t2 using (date) join (SELECT time::date as date,
                                            count(distinct user_id) as paying_users
                                     FROM   user_actions
                                     WHERE  order_id not in (SELECT order_id
                                                             FROM   user_actions
                                                             WHERE  action = 'cancel_order')
                                     GROUP BY date) t3 using (date)
ORDER BY date

	date	users_per_courier	orders_per_courier
0	2022-08-24	1.37	1.48
1	2022-08-25	2.46	3.18
2	2022-08-26	2.16	2.75
3	2022-08-27	2.15	2.97
4	2022-08-28	2.25	3.23
5	2022-08-29	2.15	3.20
6	2022-08-30	1.99	2.98
7	2022-08-31	1.89	2.65
8	2022-09-01	1.84	2.50
9	2022-09-02	1.98	2.89
10	2022-09-03	1.99	3.00
11	2022-09-04	1.98	2.90
12	2022-09-05	1.64	2.28
13	2022-09-06	1.43	1.83
14	2022-09-07	1.57	2.13
15	2022-09-08	1.57	2.20

Запишемо результат запиту у змінну results:

%%sql
results << SELECT date,
       round(paying_users::decimal / couriers, 2) as users_per_courier,
       round(orders::decimal / couriers, 2) as orders_per_courier
FROM   (SELECT time::date as date,
               count(distinct courier_id) as couriers
        FROM   courier_actions
        WHERE  order_id not in (SELECT order_id
                                FROM   user_actions
                                WHERE  action = 'cancel_order')
        GROUP BY date) t1 join (SELECT creation_time::date as date,
                               count(distinct order_id) as orders
                        FROM   orders
                        WHERE  order_id not in (SELECT order_id
                                                FROM   user_actions
                                                WHERE  action = 'cancel_order')
                        GROUP BY date) t2 using (date) join (SELECT time::date as date,
                                            count(distinct user_id) as paying_users
                                     FROM   user_actions
                                     WHERE  order_id not in (SELECT order_id
                                                             FROM   user_actions
                                                             WHERE  action = 'cancel_order')
                                     GROUP BY date) t3 using (date)
ORDER BY date

Побудуємо візуалізацію за отриманими даними:

fig = go.Figure()
fig.add_trace(
    go.Scatter(
        x=results.date,
        y=results.users_per_courier,
        mode="lines+markers",
        name="users_per_courier",
    )
)
fig.add_trace(
    go.Scatter(
        x=results.date,
        y=results.orders_per_courier,
        mode="lines+markers",
        name="orders_per_courier",
    )
)
fig.update_layout(
    legend=dict(orientation="h", yanchor="bottom", y=1.02, xanchor="right", x=1)
)
fig.show()

Рисунок 21.6: Динаміка числа користувачів та замовлень на одного кур’єра

Проаналізуйте побудовані графіки та спробуйте відповісти на такі питання:

1. Чи збігається загалом динаміка аналізованих показників? Якщо так, то чому так відбувається?
2. Як змінюються показники? Вони швидше зростають чи, навпаки, падають? Про що може говорити така динаміка?
3. Як ви вважаєте, чи високе навантаження у кур’єрів нашого сервісу? Чи варто сервісу продовжувати збільшувати кількість кур’єрів чи, навпаки, зараз краще призупинити нарощування їх чисельності?

21.7 Задача 7

Розрахуємо ще один корисний показник, що характеризує якість роботи кур’єрів.

Завдання 21.7
На основі даних у таблиці courier_actions для кожного дня розрахуйте, за скільки хвилин у середньому кур’єри доставляли свої замовлення.

Назвіть колонку з показником minutes_to_deliver. Колонку з датами назвіть date. При розрахунку середнього часу доставки округляйте кількість хвилин до цілих значень. Враховуйте лише доставлені замовлення, скасовані замовлення не враховуйте.

Результуюча таблиця має бути відсортована за зростанням дати.

Поля в результуючій таблиці: date, minutes_to_deliver

Пояснення:

Для вирішення завдання вам, можливо, доведеться згадати, як визначити кількість хвилин, що містяться в інтервалі часу. Ми вже вирішували схожу задачу у завданні 20.7.

Деякі замовлення оформляють одного дня, а доставляють вже наступного. При розрахунку середнього часу доставки в якості днів, для яких рахується середнє, використовуйте дні фактичної доставки замовлень.

Підказка на випадок, якщо зовсім не виходить

Для вирішення завдання спочатку необхідно за допомогою групування та агрегації для кожного замовлення розрахувати час прийняття замовлення кур’єром (мінімальна позначка часу) та час доставки (максимальна позначка часу), обчислити різницю між цими значеннями та за допомогою функції EXTRACT витягти з неї секунди (epoch), перевівши їх за хвилини. Потім можна провести групування за датою доставки та обчислити середній час доставки у кожний із днів.

%%sql
SELECT date,
       round(avg(delivery_time))::int as minutes_to_deliver
FROM   (SELECT order_id,
               max(time::date) as date,
               extract(epoch
        FROM   max(time) - min(time))/60 as delivery_time
        FROM   courier_actions
        WHERE  order_id not in (SELECT order_id
                                FROM   user_actions
                                WHERE  action = 'cancel_order')
        GROUP BY order_id) t
GROUP BY date
ORDER BY date

	date	minutes_to_deliver
0	2022-08-24	20
1	2022-08-25	20
2	2022-08-26	20
3	2022-08-27	20
4	2022-08-28	20
5	2022-08-29	20
6	2022-08-30	20
7	2022-08-31	20
8	2022-09-01	20
9	2022-09-02	20
10	2022-09-03	20
11	2022-09-04	20
12	2022-09-05	20
13	2022-09-06	20
14	2022-09-07	20
15	2022-09-08	20

Запишемо результат запиту у змінну results:

%%sql
results << SELECT date,
       round(avg(delivery_time))::int as minutes_to_deliver
FROM   (SELECT order_id,
               max(time::date) as date,
               extract(epoch
        FROM   max(time) - min(time))/60 as delivery_time
        FROM   courier_actions
        WHERE  order_id not in (SELECT order_id
                                FROM   user_actions
                                WHERE  action = 'cancel_order')
        GROUP BY order_id) t
GROUP BY date
ORDER BY date

Візуалізуємо отримані дані:

fig = go.Figure()
fig.add_trace(
    go.Scatter(
        x=results.date,
        y=results.minutes_to_deliver,
        mode="lines+markers",
        name="users_per_courier",
    )
)
fig.show()

Рисунок 21.7: Динаміка середнього часу доставки замовлень

Проаналізуйте побудований графік та спробуйте відповісти на наступні питання:

1. Який, найімовірніше, час очікування доставки замовлення в нашому сервісі?
2. Чи вдається кур’єрам дотримуватися цього цільового показника?

21.8 Задача 8

І нарешті, давайте оцінимо погодинне навантаження на наш сервіс, з’ясуємо, в які години користувачі оформлюють найбільше замовлень, і заразом проаналізуємо, як змінюється частка скасування залежно від часу оформлення замовлення.

Завдання 21.8
На основі даних у таблиці orders для кожної години на добу розрахуйте такі показники:

1. Число успішних (доставлених) замовлень.
2. Число скасованих замовлень.
3. Частку скасованих замовлень у загальній кількості замовлень (cancel rate).

Колонки з показниками назвіть відповідно successful_orders, canceled_orders, cancel_rate. Колонку із годиною оформлення замовлення назвіть hour. При розрахунку частки скасованих замовлень округляйте значення до трьох знаків після коми.

Результуюча таблиця має бути відсортована за зростанням колонки з годиною оформлення замовлення.

Поля в результуючій таблиці: hour, successful_orders, canceled_orders, cancel_rate

Підказка на випадок, якщо зовсім не виходить

Для вирішення завдання можна спочатку за допомогою групування за датою та агрегацією окремо розрахувати кількість успішних та скасованих замовлень, потім об’єднати дві таблиці в одну за датою і потім розрахувати cancel rate.

%%sql
SELECT hour,
       successful_orders,
       canceled_orders,
       round(canceled_orders::decimal / (successful_orders + canceled_orders),
             3) as cancel_rate
FROM   (SELECT date_part('hour', creation_time)::int as hour,
               count(order_id) as successful_orders
        FROM   orders
        WHERE  order_id not in (SELECT order_id
                                FROM   user_actions
                                WHERE  action = 'cancel_order')
        GROUP BY hour) t1
    LEFT JOIN (SELECT date_part('hour', creation_time)::int as hour,
                      count(order_id) as canceled_orders
               FROM   orders
               WHERE  order_id in (SELECT order_id
                                   FROM   user_actions
                                   WHERE  action = 'cancel_order')
               GROUP BY hour) t2 using (hour)
ORDER BY hour

	hour	successful_orders	canceled_orders	cancel_rate
0	0	2297	139	0.057
1	1	1867	98	0.050
2	2	1422	62	0.042
3	3	958	56	0.055
4	4	926	48	0.049
5	5	1363	77	0.053
6	6	1583	101	0.060
7	7	2101	100	0.045
8	8	2195	117	0.051
9	9	2606	151	0.055
10	10	2641	135	0.049
11	11	2584	121	0.045
12	12	2440	124	0.048
13	13	2424	122	0.048
14	14	2351	120	0.049
15	15	2513	128	0.048
16	16	2480	158	0.060
17	17	2966	168	0.054
18	18	3149	162	0.049
19	19	3496	189	0.051
20	20	3414	163	0.046
21	21	3197	172	0.051
22	22	2978	127	0.041
23	23	2665	141	0.050

Запишемо результат запиту у змінну results:

%%sql
results << SELECT hour,
       successful_orders,
       canceled_orders,
       round(canceled_orders::decimal / (successful_orders + canceled_orders),
             3) as cancel_rate
FROM   (SELECT date_part('hour', creation_time)::int as hour,
               count(order_id) as successful_orders
        FROM   orders
        WHERE  order_id not in (SELECT order_id
                                FROM   user_actions
                                WHERE  action = 'cancel_order')
        GROUP BY hour) t1
    LEFT JOIN (SELECT date_part('hour', creation_time)::int as hour,
                      count(order_id) as canceled_orders
               FROM   orders
               WHERE  order_id in (SELECT order_id
                                   FROM   user_actions
                                   WHERE  action = 'cancel_order')
               GROUP BY hour) t2 using (hour)
ORDER BY hour

Візуалізуємо отримані дані:

from plotly.subplots import make_subplots

fig = make_subplots(specs=[[{"secondary_y": True}]])
fig.add_trace(
    go.Bar(
        name="successful_orders",
        x=results.hour,
        y=results.successful_orders,
        offsetgroup=1,
    ),
    secondary_y=False,
)
fig.add_trace(
    go.Bar(
        name="canceled_orders", x=results.hour, y=results.canceled_orders, offsetgroup=1
    ),
    secondary_y=False,
)
fig.add_trace(
    go.Scatter(
        name="cancel_rate", x=results.hour, y=results.cancel_rate, offsetgroup=2
    ),
    secondary_y=True,
)
fig.update_yaxes(rangemode="tozero", secondary_y=True)
fig.update_layout(
    barmode="stack",
    legend=dict(orientation="h", yanchor="bottom", y=1.02, xanchor="right", x=1),
)

fig.show()

Рисунок 21.8: Динаміка показника cancel rate та числа успішних/скасованих замовлень:

Проаналізуйте побудований графік та спробуйте відповісти на такі питання:

1. В які години спостерігаються пікові значення числа замовлень? В які години користувачі здійснюють найменше замовлень?
2. Чи простежується якийсь взаємозв’язок між кількістю оформлених замовлень і часткою скасованих замовлень? Чи зростає зі збільшенням числа замовлень показник cancel rate?

21.9 Побудова дашборду

Здається, ми порахували вже багато різних показників і збудували достатньо графіків, щоб зібрати з них повноцінний дашборд!

Побудова дашбордів — творче завдання, тому ми не нічим вас обмежуватимемо. Можете вигадати свої візуалізації, додати графіки з лекції і навіть порахувати свої метрики. Головне — не забувайте про те, що дашборди мають бути зрозумілими та зручними для користувачів.

(a) New Users and Couriers by Date

(b) Total Users and Couriers Growth

(c) New Users and Couriers Change by Date, %

(d) Total Users and Couriers Change by Date, %

(e) Paying Users and Active Couriers

(f) Orders, First Orders and Orders of New Users by Date

(g) Paying Users and Active Couriers Share, %

(h) First Orders and Orders of New Users Share, %

(i) Single Order Users and Several Orders Users Share, %

(j) Orders by Hour

(k) Users and Orders per Courier

(l) Average Delivery Time by Date

Рисунок 21.9: Приклад дашборду з результатами SQL-запитів