@gudanglifehack: SQL项目系列#19 物流与发货分析 分析发货、仓库、配送表现、客户等…
摘要
一个关于构建物流和发货分析数据库的SQL教程,涵盖模式设计、示例数据以及供应链优化的关键业务KPI。
查看缓存全文
缓存时间: 2026/07/29 07:54
SQL项目系列 #19
物流与运输分析
使用SQL分析运输、仓库、配送表现、客户和运输数据,以优化供应链运营并提高配送效率。
业务目标
- 跟踪运输
- 监控配送表现
- 分析仓库运营
- 衡量运输效率
- 识别延迟配送
- 优化运输成本
- 分析客户订单
- 构建物流仪表板
第1步:创建数据库
CREATE DATABASE logistics_db;
USE logistics_db;
第2步:创建客户表
CREATE TABLE customers (
customer_id INT PRIMARY KEY,
customer_name VARCHAR(100),
city VARCHAR(50)
);
第3步:创建仓库表
CREATE TABLE warehouses (
warehouse_id INT PRIMARY KEY,
warehouse_name VARCHAR(100),
city VARCHAR(50)
);
第4步:创建运输表
CREATE TABLE shipments (
shipment_id INT PRIMARY KEY,
customer_id INT,
warehouse_id INT,
shipment_date DATE,
delivery_date DATE,
shipping_cost DECIMAL(10,2),
shipment_status VARCHAR(30),
delivery_partner VARCHAR(100),
FOREIGN KEY (customer_id) REFERENCES customers(customer_id),
FOREIGN KEY (warehouse_id) REFERENCES warehouses(warehouse_id)
);
第5步:插入示例客户数据
INSERT INTO customers VALUES
(1,'Rahul Sharma','Mumbai'),
(2,'Priya Verma','Delhi'),
(3,'Amit Patel','Pune'),
(4,'Sneha Joshi','Bangalore'),
(5,'Rohan Gupta','Hyderabad');
第6步:插入示例仓库数据
INSERT INTO warehouses VALUES
(101,'Mumbai Warehouse','Mumbai'),
(102,'Delhi Warehouse','Delhi'),
(103,'Pune Warehouse','Pune'),
(104,'Bangalore Warehouse','Bangalore');
第7步:插入示例运输数据
INSERT INTO shipments VALUES
(1001,1,101,'2025-01-05','2025-01-07',450,'Delivered','BlueDart'),
(1002,2,102,'2025-01-06','2025-01-09',620,'Delivered','DTDC'),
(1003,3,103,'2025-01-07','2025-01-11',780,'Delayed','Delhivery'),
(1004,4,104,'2025-01-08','2025-01-10',390,'Delivered','XpressBees'),
(1005,5,101,'2025-01-09','2025-01-14',950,'Delayed','BlueDart');
你将练习的SQL概念
- DDL与DML
- INNER JOIN
- LEFT JOIN
- 聚合函数
- GROUP BY
- HAVING
- CASE WHEN
- 日期函数
- CTE(公用表表达式)
- 窗口函数
- 排名函数
你可以构建的业务KPI
- 总运输量
- 已配送运输量
- 延迟运输量
- 配送成功率
- 平均配送时间
- 总运输成本
- 按仓库计算的运输成本
- 按配送伙伴计算的运输成本
- 按城市统计的运输量
- 按仓库统计的运输量
- 配送伙伴表现
- 按伙伴统计的平均配送时间
- 仓库利用率
- 高峰运输日
- 月度运输趋势
- 按客户统计的运输量
- 准时配送率
- 延迟配送分析
- 每次运输成本
- 执行层物流仪表板
本项目反映了真实的SQL分析* 由供应链分析师、物流分析师、运营分析师以及商业智能专业人士在电商、快递、制造和零售公司执行,以优化配送表现、降低成本并提高客户满意度。
相似文章
从移动数据到商业洞察:面向大规模城市移动分析与决策支持的端到端分析框架
本文提出了一种端到端分析框架,利用ETL流水线、基于Google BigQuery和Vertex AI的机器学习以及Power BI可视化,将原始移动数据转化为商业与城市规划洞察,用于决策支持。
Show HN:通过从零开始重建 Redis、Git 和数据库来学习
Ship That Code 是一个学习平台,提供超过 80 门从零开始的课程,教授像 Redis、Git 和数据库这样的真实系统,并配有结构化的职业路径和多语言支持。
SQL内嵌统计
the-stats-duck v0.6.0 是一个开源的 DuckDB 扩展,它将统计分析和绘图直接引入到 SQL 中,包括回归、自助法(bootstrapping)和类似 ggplot 的可视化。
@KirkDBorne: 使用BigQuery进行数据探索与准备——清理、转换和分析数据以获取商业…
本书提供了使用BigQuery进行数据探索与准备的实用指南,涵盖清理、转换和分析数据以获取商业洞见。
自然语言到SQL翻译的螺母与螺栓:模型流水线优化方法及其交互的系统性分析
本文系统地分析了多个用于自然语言到SQL翻译的流水线扩展组件,包括中间表示、合成数据、预处理和重排器,使用SmBoP和RASAT架构,发现它们的交互比简单组合所有组件更重要。