MySQL8窗口函数实战：电商数据分析场景深度解析

1. 电商数据分析的痛点与窗口函数优势

做电商数据分析的朋友们应该都遇到过这样的场景：老板突然要你统计每个品类销量前三的商品，或者计算每个用户的消费金额占比。传统做法是用GROUP BY配合子查询，写出来的SQL既长又难维护，执行效率还低。我去年优化过一个电商平台的报表系统，原本需要5秒的查询，改用窗口函数后直接降到0.3秒。

窗口函数最直观的优势就是一行SQL搞定复杂计算。比如要计算每个商品在其所属品类中的销售额排名，传统方法需要先按品类分组计算，再关联回原表。而用窗口函数只需要：

SELECT product_name, category, sales_amount, RANK() OVER(PARTITION BY category ORDER BY sales_amount DESC) AS rank_in_category FROM product_sales

这个查询会保留原始数据行的同时，增加一列显示该商品在所属品类中的销售排名。实际项目中，我曾用这个功能帮运营团队快速定位各品类爆款商品，他们再也不用等IT部门导Excel了。

2. 商品排名分析的三种实现方式

2.1 ROW_NUMBER()的精确排序

ROW_NUMBER()会给每行分配唯一的连续序号，即使值相同也会区分。这在需要绝对唯一排名时特别有用。去年双十一大促时，我们需要实时显示商品销量TOP50排行榜：

SELECT product_id, product_name, sales_count, ROW_NUMBER() OVER(ORDER BY sales_count DESC) AS overall_rank FROM live_sales_data LIMIT 50

这里有个实际踩过的坑：当多件商品销量相同时，ROW_NUMBER()会随机分配排名，可能导致同一销量的商品今天排第8明天排第9。如果业务要求稳定排序，可以加上第二排序条件：

ROW_NUMBER() OVER(ORDER BY sales_count DESC, product_id ASC)

2.2 RANK()的真实竞争排名

RANK()更符合体育比赛排名规则，相同值会获得相同排名，并留下空位。比如计算各品类商品价格排名：

SELECT product_id, category, price, RANK() OVER(PARTITION BY category ORDER BY price DESC) AS price_rank FROM products

结果可能会出现1,2,2,4这样的排名，真实反映了"有两个第二名"的实际情况。在服装类目分析时，这个方法帮我们发现了多个平价单品并列热销的现象。

2.3 DENSE_RANK()的紧凑排名

DENSE_RANK()同样会给相同值分配相同排名，但不会留下空位。比如1,2,2,3这样的序列。在会员等级划分时特别实用：

SELECT user_id, total_consumption, DENSE_RANK() OVER(ORDER BY total_consumption DESC) AS user_level FROM members

这样处理后，消费金额相同的用户会获得相同等级，且下一个等级数字是连续的。我们电商平台的白金会员(level 3)就是这样定义出来的。

3. 实时销售占比计算实战

3.1 品类内占比分析

SUM() OVER()可以实时计算占比，不需要临时表。比如分析各商品在其所属品类中的销售占比：

SELECT product_id, category, daily_sales, SUM(daily_sales) OVER(PARTITION BY category) AS category_total, daily_sales/SUM(daily_sales) OVER(PARTITION BY category) AS category_ratio FROM daily_sales_data

这个查询在一次大促复盘时立了大功，我们立刻发现某知名品牌在数码类目中的占比从平时的30%暴跌到5%，及时联系供应商找到了缺货问题。

3.2 全平台占比计算

去掉PARTITION BY就可以计算全局占比。去年黑五期间，我们用这个功能做了实时销售热力图：

SELECT region, city, current_sales, current_sales/SUM(current_sales) OVER() AS national_ratio FROM regional_sales

配合BI工具，每分钟更新一次数据，大屏上的地区颜色深浅实时变化，连CEO都跑来围观。

4. 高级分析：时间维度对比

4.1 环比增长计算

LAG()函数可以轻松实现环比计算。比如计算各商品周环比：

SELECT product_id, week_date, sales_amount, LAG(sales_amount, 1) OVER(PARTITION BY product_id ORDER BY week_date) AS prev_week, (sales_amount - LAG(sales_amount, 1) OVER(PARTITION BY product_id ORDER BY week_date)) / LAG(sales_amount, 1) OVER(PARTITION BY product_id ORDER BY week_date) AS week_over_week_growth FROM weekly_sales

这个查询帮助我们发现了某款商品的异常波动，经排查原来是网红突然带货。现在这已经成为我们每周必看的报表之一。

4.2 动态价格区间分析

NTILE()函数可以快速划分价格区间。比如把每个品类的商品按价格分为4档：

SELECT product_id, category, price, NTILE(4) OVER(PARTITION BY category ORDER BY price) AS price_quartile FROM products

运营团队根据这个分析调整了各价格段的商品数量，使整体价格分布更合理，转化率提升了15%。