1. Schreiben Sie eine Abfrage, die den **Gesamtumsatz pro Filiale** unter Verwendung der Daten in der Tabelle `retail_data_updated` berechnet:
Multiplizieren Sie die `quantity` (`INTEGER`) und den `unit_price` (`FLOAT`), um den Umsatz pro Transaktion zu berechnen.
   - Gruppieren Sie die Ergebnisse nach `store_id`;
   - Summieren Sie den Umsatz für jede Filiale;
   - Ihre Abfrage sollte folgende Spalten zurückgeben:
      - `store_id` (Bezeichner für jede Filiale);
      - `total_revenue` (Summe von quantity × unit_price pro Filiale).
2. Schreiben Sie eine Abfrage, die zählt, wie viele Transaktionen in jedem Jahr und Monat unter Verwendung des Feldes `date` in der Tabelle `retail_data_updated` stattgefunden haben:
   - Extrahieren Sie das Jahr und den Monat aus dem Feld `date`;
   - Gruppieren Sie nach Jahr und Monat;
   - Zählen Sie die Anzahl der Transaktionen in jedem Zeitraum;
   - Ihre Abfrage sollte folgende Spalten zurückgeben:
      - `year_month` (formatiert als `YYYY-MM`);
      - `transaction_count` (Anzahl der Transaktionen pro Monat).
3. Schreiben Sie eine Abfrage, die die Anzahl der **Online-** vs **Filialtransaktionen** in der Tabelle `retail_data_updated` vergleicht:
   - Gruppieren Sie die Daten nach der Spalte `is_online` (`BOOLEAN`);
   - Zählen Sie, wie viele Transaktionen für jeden Wert aufgetreten sind (`TRUE` = online, `FALSE` = Filiale);
   - Ihre Abfrage sollte folgende Spalten zurückgeben:
      - `is_online` (`TRUE` oder `FALSE`);
      - `transaction_count` (Anzahl der Transaktionen pro Gruppe).






Datensatz herunterladen

Tauchen Sie ein in die Grundlagen der BigQuery-Plattform und verändern Sie Ihren Umgang mit Cloud-Daten. Beherrschen Sie die Fähigkeiten, die für die Navigation in der Konsole, das Verwalten von Projekten und die Optimierung von Abfragekosten erforderlich sind. Sammeln Sie praktische Erfahrungen mit BigQuery-spezifischen Funktionen wie Array-Operationen, geografischen Daten und Datumsfunktionen. Entdecken Sie fortgeschrittene Optimierungstechniken und erfahren Sie die Geheimnisse des Aufbaus von Machine-Learning-Modellen direkt im Data Warehouse mit BigQuery ML.

Erwerben Sie ein fundiertes Verständnis der BigQuery-Umgebung, die sich von traditionellen Datenbanken unterscheidet. Lernen Sie, die Konsole zu navigieren, Projekte und Datasets zu verwalten sowie Kosten effektiv zu analysieren. Stärken Sie Ihr Vertrauen beim Einrichten Ihres Arbeitsbereichs für eine effiziente Datenanalyse.

Erkunden Sie die Grundlagen der Abfrage-Engine zur effizienten Datenabfrage. Beherrschen Sie Techniken zur Datenauswahl und lernen Sie die Analyse spezifischer Produktmetriken. Entdecken Sie Leistungsmerkmale und Methoden zur Überprüfung von Abfragen, um eine schnelle und präzise Analyse sicherzustellen.

Erweitern Sie Ihr Wissen durch das Beherrschen der einzigartigen Datentypen von BigQuery.
Umgang mit komplexen Array-Operationen und Manipulation von Datums- und Zeitfunktionen.
Erkundung geografischer Funktionen zur Lösung standortbezogener Herausforderungen wie der Berechnung von Städtedistanzen.

Optimieren Sie Ihren Arbeitsablauf durch das Verwalten großer Tabellen und die Verbesserung der Abfrageleistung.
Erkenntnisse über effektives Fehlerhandling zur schnellen Problemlösung.
Beherrschung der Fähigkeiten zur Aufrechterhaltung einer leistungsstarken Datenbankumgebung.

Wenden Sie Ihr Wissen in realen Szenarien an. Erfahren Sie, wie umfassende Berichte erstellt und BigQuery mit externen Tools integriert wird. Verwandeln Sie Rohdaten durch praktische Anwendung und Berichtsstrategien in umsetzbare Geschäftseinblicke.

Tauchen Sie ein in die Grundlagen von BigQuery ML. Erfahren Sie, wie Sie Machine-Learning-Modelle mit Standard-SQL erstellen und ausführen, ohne Daten zu verschieben. Sammeln Sie praktische Erfahrungen mit Modell-Durchläufen, um Vorhersagen direkt innerhalb der Plattform zu treffen.

Herausforderung: Datentypen