华为大数据面试SQL-供应链库存周转天数计算

一、题目

已知有三张表：

t1_product_info：产品信息表（product_id, product_name, category）
t1_daily_inventory：每日库存快照表（product_id, snapshot_date, inventory_qty）
t1_daily_sales：每日销售明细表（product_id, sale_date, sale_qty）

库存周转天数 = 统计周期内的平均库存量 / 日均销售量。请计算2024年6月每个产品的库存周转天数，结果保留两位小数，按周转天数升序排列。

其中：

平均库存量 = 每日库存量之和 / 统计天数
日均销售量 = 总销售量 / 统计天数

样例数据

t1_product_info：

+------------+---------------+------------+
| product_id | product_name  | category   |
+------------+---------------+------------+
| P001       | 交换机A型     | 网络设备   |
| P002       | 服务器B型     | 计算设备   |
| P003       | 光模块C型     | 光传输     |
+------------+---------------+------------+

t1_daily_inventory：

+------------+---------------+---------------+
| product_id | snapshot_date | inventory_qty |
+------------+---------------+---------------+
| P001       | 2024-06-01    | 500           |
| P001       | 2024-06-02    | 480           |
| P001       | 2024-06-03    | 450           |
| P002       | 2024-06-01    | 1200          |
| P002       | 2024-06-02    | 1150          |
| P002       | 2024-06-03    | 1100          |
| P003       | 2024-06-01    | 800           |
| P003       | 2024-06-02    | 780           |
| P003       | 2024-06-03    | 760           |
+------------+---------------+---------------+

t1_daily_sales：

+------------+------------+----------+
| product_id | sale_date  | sale_qty |
+------------+------------+----------+
| P001       | 2024-06-01 | 30       |
| P001       | 2024-06-02 | 25       |
| P001       | 2024-06-03 | 35       |
| P002       | 2024-06-01 | 60       |
| P002       | 2024-06-02 | 55       |
| P002       | 2024-06-03 | 65       |
| P003       | 2024-06-01 | 20       |
| P003       | 2024-06-02 | 25       |
| P003       | 2024-06-03 | 15       |
+------------+------------+----------+

三、思路分析

本题是供应链管理中的经典KPI计算，公式清晰但需要注意数据对齐：

分别聚合库存和销售：先按product_id分别统计6月份的总库存量（或日均库存量）和总销售量（或日均销售量）。使用SUM和COUNT可以获得计算所需的分子分母。
注意数据完整性：如果某个产品在6月份某天没有库存快照或没有销售记录，COUNT的天数会不同。需要统一用30天（6月天数）还是用实际有数据的天数作为分母——本题使用实际有数据的快照天数。
计算公式：周转天数 = (sum(inventory_qty)/count(distinct snapshot_date)) / (sum(sale_qty)/count(distinct sale_date)) = avg_daily_inventory / avg_daily_sales。

库存周转天数是华为供应链管理中的核心指标，天数越短说明产品周转越快、资金占用越少、运营效率越高。

维度	评分
题目难度	⭐️⭐️⭐️
题目清晰度	⭐️⭐️⭐️⭐️⭐️
业务常见度	⭐️⭐️⭐️⭐️⭐️

四、逐步推导

1.分别计算每个产品的日均库存和日均销量

对库存表和销售表分别按product_id聚合，计算总和及天数，然后得到日均值。

执行SQL

select
    inv.product_id,
    sum(inv.inventory_qty) as total_inventory,
    count(distinct inv.snapshot_date) as inv_days,
    round(sum(inv.inventory_qty) * 1.0 / count(distinct inv.snapshot_date), 2) as avg_inventory
from t1_daily_inventory inv
where inv.snapshot_date >= '2024-06-01' and inv.snapshot_date <= '2024-06-30'
group by inv.product_id

执行结果

+------------+-----------------+----------+---------------+
| product_id | total_inventory | inv_days | avg_inventory |
+------------+-----------------+----------+---------------+
| P001       | 1430            | 3        | 476.67        |
| P002       | 3450            | 3        | 1150.00       |
| P003       | 2340            | 3        | 780.00        |
+------------+-----------------+----------+---------------+

2.计算日均销量

执行SQL

select
    product_id,
    sum(sale_qty) as total_sales,
    count(distinct sale_date) as sale_days,
    round(sum(sale_qty) * 1.0 / count(distinct sale_date), 2) as avg_daily_sales
from t1_daily_sales
where sale_date >= '2024-06-01' and sale_date <= '2024-06-30'
group by product_id

执行结果

+------------+-------------+-----------+------------------+
| product_id | total_sales | sale_days | avg_daily_sales  |
+------------+-------------+-----------+------------------+
| P001       | 90          | 3         | 30.00            |
| P002       | 180         | 3         | 60.00            |
| P003       | 60          | 3         | 20.00            |
+------------+-------------+-----------+------------------+

3.关联产品信息，计算库存周转天数

将库存和销售的结果与产品信息表关联，计算周转天数 = 日均库存 / 日均销量。

执行SQL

with avg_inv as (
    select
        product_id,
        round(sum(inventory_qty) * 1.0 / count(distinct snapshot_date), 2) as avg_daily_inventory
    from t1_daily_inventory
    where snapshot_date >= '2024-06-01' and snapshot_date <= '2024-06-30'
    group by product_id
),
avg_sale as (
    select
        product_id,
        round(sum(sale_qty) * 1.0 / count(distinct sale_date), 2) as avg_daily_sales
    from t1_daily_sales
    where sale_date >= '2024-06-01' and sale_date <= '2024-06-30'
    group by product_id
)
select
    p.product_id,
    p.product_name,
    p.category,
    coalesce(i.avg_daily_inventory, 0) as avg_daily_inventory,
    coalesce(s.avg_daily_sales, 0) as avg_daily_sales,
    case
        when coalesce(s.avg_daily_sales, 0) = 0 then null
        else round(i.avg_daily_inventory / s.avg_daily_sales, 2)
    end as turnover_days
from t1_product_info p
left join avg_inv i on p.product_id = i.product_id
left join avg_sale s on p.product_id = s.product_id
order by turnover_days

执行结果

+------------+---------------+------------+---------------------+------------------+----------------+
| product_id | product_name  | category   | avg_daily_inventory | avg_daily_sales  | turnover_days  |
+------------+---------------+------------+---------------------+------------------+----------------+
| P003       | 光模块C型     | 光传输     | 780.00              | 20.00            | 39.00          |
| P001       | 交换机A型     | 网络设备   | 476.67              | 30.00            | 15.89          |
| P002       | 服务器B型     | 计算设备   | 1150.00             | 60.00            | 19.17          |
+------------+---------------+------------+---------------------+------------------+----------------+

分析：交换机A型（P001）周转天数最短（15.89天），说明该产品动销最快、库存效率最高；光模块C型（P003）周转天数最长（39天），可能需要关注库存积压风险。

五、常见坑点

坑1：NULL值的隐式处理 — 聚合函数跳过NULL，窗口函数不跳过。WHERE需显式过滤或用COALESCE替代。

坑2：数据类型不一致导致JOIN失效 — string vs int隐式转换可能触发全表扫描，性能骤降。

六、举一反三

增加时间维度对比：按天/周/月分组，观察指标的趋势和季节性波动
增加分组维度：按品类/地区/渠道拆解，发现差异化的业务洞察
设置预警阈值：在WHERE中加阈值判断，自动筛选异常数据

七、知识点总结

考点	说明
多表JOIN	LEFT JOIN保留主表所有数据，COALESCE处理NULL
GROUP BY + 聚合函数	分组聚合是数据分析的基础，配合HAVING筛选分组结果
日期函数	DATEDIFF / DATE_ADD / unix_timestamp处理日期运算
NULL值处理	NULL在聚合和窗口函数中的差异，COALESCE/NVL的替代方案

八、建表语句和数据插入

点击展开 DDL & DML

--建表语句
CREATE TABLE IF NOT EXISTS t1_product_info (
    product_id STRING COMMENT '产品ID',
    product_name STRING COMMENT '产品名称',
    category STRING COMMENT '产品类别'
);

CREATE TABLE IF NOT EXISTS t1_daily_inventory (
    product_id STRING COMMENT '产品ID',
    snapshot_date STRING COMMENT '库存快照日期',
    inventory_qty BIGINT COMMENT '当日库存量'
);

CREATE TABLE IF NOT EXISTS t1_daily_sales (
    product_id STRING COMMENT '产品ID',
    sale_date STRING COMMENT '销售日期',
    sale_qty BIGINT COMMENT '当日销售量'
);

--数据插入
INSERT INTO t1_product_info(product_id, product_name, category) VALUES
('P001', '交换机A型', '网络设备'),
('P002', '服务器B型', '计算设备'),
('P003', '光模块C型', '光传输');

INSERT INTO t1_daily_inventory(product_id, snapshot_date, inventory_qty) VALUES
('P001', '2024-06-01', 500),
('P001', '2024-06-02', 480),
('P001', '2024-06-03', 450),
('P002', '2024-06-01', 1200),
('P002', '2024-06-02', 1150),
('P002', '2024-06-03', 1100),
('P003', '2024-06-01', 800),
('P003', '2024-06-02', 780),
('P003', '2024-06-03', 760);

INSERT INTO t1_daily_sales(product_id, sale_date, sale_qty) VALUES
('P001', '2024-06-01', 30),
('P001', '2024-06-02', 25),
('P001', '2024-06-03', 35),
('P002', '2024-06-01', 60),
('P002', '2024-06-02', 55),
('P002', '2024-06-03', 65),
('P003', '2024-06-01', 20),
('P003', '2024-06-02', 25),
('P003', '2024-06-03', 15);

📱关注公众号

「数据仓库技术」文章同步更新，不错过每一篇干货

💬加群交流

备注「数据仓库技术」加入社群，每日一道大厂SQL真题

一、题目​

三、思路分析​

四、逐步推导​

1.分别计算每个产品的日均库存和日均销量​

2.计算日均销量​

3.关联产品信息，计算库存周转天数​

五、常见坑点​

六、举一反三​

七、知识点总结​

八、建表语句和数据插入​

你可能还想看

一、题目

三、思路分析

四、逐步推导

1.分别计算每个产品的日均库存和日均销量

2.计算日均销量

3.关联产品信息，计算库存周转天数

五、常见坑点

六、举一反三

七、知识点总结

八、建表语句和数据插入