SHEIN大数据面试SQL-SKU级别库存周转天数
⚠️ 待修正
一、题目背景
这道题来自SHEIN的数据分析岗面试。SHEIN是快时尚跨境电商，数据分析师需要从海量业务数据中挖掘洞见。
业务场景：供应链管理相关需求在日常工作中频繁出现，这类型的SQL题是面试高频考点。
一、题目
SHEIN需要监控每个SKU的库存周转效率。库存周转天数 = 期间内平均库存量 / 期间内日均销量。计算2025年6月每个SKU的库存周转天数。
假设有两张表：
inventory_snapshot：每日库存快照表daily_sales：每日销量表
-- inventory_snapshot 每日库存快照
+------------+---------+--------+
| snap_date | sku_id | stock |
+------------+---------+--------+
| 2025-06-01 | SKU001 | 500 |
| 2025-06-02 | SKU001 | 480 |
| 2025-06-03 | SKU001 | 460 |
| 2025-06-01 | SKU002 | 300 |
| 2025-06-02 | SKU002 | 280 |
| 2025-06-03 | SKU002 | 250 |
+------------+---------+--------+
-- daily_sales 每日销量表
+------------+---------+--------+
| sale_date | sku_id | qty |
+------------+---------+--------+
| 2025-06-01 | SKU001 | 20 |
| 2025-06-02 | SKU001 | 20 |
| 2025-06-03 | SKU001 | 20 |
| 2025-06-01 | SKU002 | 20 |
| 2025-06-02 | SKU002 | 30 |
| 2025-06-03 | SKU002 | 25 |
+------------+---------+--------+
三、思路分析
- 分别按SKU计算平均库存 = avg(stock)；
- 分别按SKU计算日均销量 = sum(qty) / count(distinct sale_date)；
- 库存周转天数 = 平均库存 / 日均销量；
- 使用
JOIN或子查询分别聚合再关联。
| 维度 | 评分 |
|---|---|
| 题目难度 | ⭐️⭐️⭐️ |
| 题目清晰度 | ⭐️⭐️⭐️⭐️ |
| 业务常见度 | ⭐️⭐️⭐️⭐️ |
四、逐步推导
1.分别计算平均库存和日均销量
执行SQL
select sku_id,
round(avg(stock), 2) as avg_stock,
round(sum(qty) / count(distinct sale_date), 2) as avg_daily_sales
from (
select i.sku_id, i.stock, s.qty, s.sale_date
from inventory_snapshot i
left join daily_sales s
on i.sku_id = s.sku_id and i.snap_date = s.sale_date
where i.snap_date between '2025-06-01' and '2025-06-30'
) t
group by sku_id
查询结果
+---------+-----------+-----------------+
| sku_id | avg_stock | avg_daily_sales |
+---------+-----------+-----------------+
| SKU001 | 480.00 | 20.00 |
| SKU002 | 276.67 | 25.00 |
+---------+-----------+-----------------+
2.计算库存周转天数
执行SQL
select sku_id,
avg_stock,
avg_daily_sales,
round(avg_stock / avg_daily_sales, 1) as turnover_days
from (
select sku_id,
round(avg(stock), 2) as avg_stock,
round(sum(qty) / count(distinct sale_date), 2) as avg_daily_sales
from (
select i.sku_id, i.stock, coalesce(s.qty, 0) as qty, s.sale_date
from inventory_snapshot i
left join daily_sales s
on i.sku_id = s.sku_id and i.snap_date = s.sale_date
where i.snap_date between '2025-06-01' and '2025-06-30'
) t
group by sku_id
) tt
查询结果
+---------+-----------+-----------------+----------------+
| sku_id | avg_stock | avg_daily_sales | turnover_days |
+---------+-----------+-----------------+----------------+
| SKU001 | 480.00 | 20.00 | 24.0 |
| SKU002 | 276.67 | 25.00 | 11.1 |
+---------+-----------+-----------------+----------------+
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 inventory_snapshot (
snap_date string COMMENT '快照日期',
sku_id string COMMENT 'SKU编码',
stock int COMMENT '当日库存量'
) COMMENT '每日库存快照表';
CREATE TABLE daily_sales (
sale_date string COMMENT '销售日期',
sku_id string COMMENT 'SKU编码',
qty int COMMENT '当日销量'
) COMMENT '每日销量表';
-- 插入数据
insert into inventory_snapshot(snap_date, sku_id, stock) values
('2025-06-01','SKU001',500),
('2025-06-02','SKU001',480),
('2025-06-03','SKU001',460),
('2025-06-01','SKU002',300),
('2025-06-02','SKU002',280),
('2025-06-03','SKU002',250);
insert into daily_sales(sale_date, sku_id, qty) values
('2025-06-01','SKU001',20),
('2025-06-02','SKU001',20),
('2025-06-03','SKU001',20),
('2025-06-01','SKU002',20),
('2025-06-02','SKU002',30),
('2025-06-03','SKU002',25);
📱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
