Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés. # Regla de análisis de agregación En AWS Clean Rooms, una *regla de análisis de agregación* genera estadísticas agregadas mediante las funciones COUNT, SUM y and/or AVG en dimensiones opcionales. Cuando la regla de análisis de agregación se agrega a una tabla configurada, permite al miembro que puede realizar la consulta ejecutar consultas en la tabla configurada. La regla de análisis de agregación admite casos de uso tales como la planificación de campañas, el alcance mediático, la medición de la frecuencia y la atribución. La estructura y sintaxis de consulta admitidas se definen en [Estructura y sintaxis de consultas de agregación](#agg-query-structure-syntax). Los parámetros de la regla de análisis, definidos en [Regla de análisis de agregación: controles de consulta](#agg-query-controls), incluyen los controles de consulta y los controles de resultados de las consultas. Sus controles de consulta incluyen la posibilidad de imponer como requisito que una tabla configurada se una a al menos una tabla configurada propiedad del miembro que puede realizar la consulta, ya sea de forma directa o transitiva. Este requisito le permite asegurarse de que la consulta se ejecute en la intersección (INNER JOIN) entre su tabla y la de ellos. ## Estructura y sintaxis de consultas de agregación Las consultas en tablas que tienen una regla de análisis de agregación deben respetar la siguiente sintaxis. ``` --select_aggregate_function_expression SELECT aggregation_function(column_name) [[AS] column_alias ] [, ...] --select_grouping_column_expression [, {column_name|scalar_function(arguments)} [[AS] column_alias ]][, ...] --table_expression FROM table_name [[AS] table_alias ] [[INNER] JOIN table_name [[AS] table_alias] ON join_condition] [...] --where_expression [WHERE where_condition] --group_by_expression [GROUP BY {column_name|scalar_function(arguments)}, ...]] --having_expression [HAVING having_condition] --order_by_expression [ORDER BY {column_name|scalar_function(arguments)} [{ASC|DESC}]] [,...]] ``` En la siguiente tabla se explica cada una de las expresiones enumeradas en la sintaxis anterior. | Expression | Definición | Ejemplos | | --- | --- | --- | | select\$1aggregate\$1function\$1expression | Una lista separada por comas que contiene las siguientes expresiones: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/clean-rooms/latest/userguide/analysis-rules-aggregation.html) Debe haber al menos una `select_aggregation_function_expression` en la `select_aggregate_expression`. | `SELECT SUM(PRICE), user_segment` | | select\$1aggregation\$1function\$1expression | Una o más funciones de agregación admitidas aplicadas a una o más columnas. Solo se permiten columnas como argumentos de las funciones de agregación. Debe haber al menos una `select_aggregation_function_expression` en la `select_aggregate_expression`. | `AVG(PRICE)` `COUNT(DISTINCT user_id)` | | select\$1grouping\$1column\$1expression | Expresión que puede contener cualquier expresión que utilice lo siguiente: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/clean-rooms/latest/userguide/analysis-rules-aggregation.html) `select_aggregate_expression` puede asignar un alias a las columnas con o sin el parámetro `AS`. Para obtener más información, consulte [Referencia de SQL de AWS Clean Rooms](https://docs.aws.amazon.com/clean-rooms/latest/sql-reference/sql-reference.html). | `TRUNC(timestampColumn)` `UPPER(campaignName)` | | table\$1expression | Una tabla o combinación de tablas que conecta expresiones condicionales de unión con `join_condition`. `join_condition` devuelve un valor booleano. La `table_expression` admite: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/clean-rooms/latest/userguide/analysis-rules-aggregation.html) | 
FROM consumer_table 
INNER JOIN provider_table
ON
consumer_table.identifier1 = provider_table.identifier1
AND
consumer_table.identifier2 = provider_table.identifier2
| | where\$1expression | Una expresión condicional que devuelve un valor booleano. Puede constar de lo siguiente: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/clean-rooms/latest/userguide/analysis-rules-aggregation.html) Las condiciones de comparación admitidas son (`=, >, <, <=, >=, <>, !=, NOT, IN, NOT IN, LIKE, IS NULL, IS NOT NULL`). Los operadores lógicos admitidos son (`AND, OR`). La `where_expression` es opcional. | `WHERE where_condition` `WHERE price > 100` `WHERE TRUNC(timestampColumn) = '1/1/2022'` `WHERE timestampColumn = timestampColumn2 - 14` | | group\$1by\$1expression | Lista separada por comas de expresiones que cumplen con los requisitos de `select_grouping_column_expression`. | `GROUP BY TRUNC(timestampColumn), UPPER(campaignName), segment` | | having\$1expression | Una expresión condicional que devuelve un valor booleano. Tienen una función de agregación admitida aplicada a una sola columna (por ejemplo, `SUM(price)`) y se comparan con un literal numérico. Las condiciones admitidas son (`=, >, <, <=, >=, <>, !=`). Los operadores lógicos admitidos son (`AND, OR`). La `having_expression` es opcional. | `HAVING SUM(SALES) > 500` | | order\$1by\$1expression | Lista de expresiones separadas por comas que es compatible con los mismos requisitos definidos anteriormente en `select_aggregate_expression`. La `order_by_expression` es opcional. `order_by_expression` admite los parámetros `ASC` y `DESC`. Para obtener más información, consulte los parámetros ASC DESC en [Referencia de SQL de AWS Clean Rooms](https://docs.aws.amazon.com/clean-rooms/latest/sql-reference/sql-reference.html). | `ORDER BY SUM(SALES), UPPER(campaignName)` | En cuanto a la estructura y sintaxis de las consultas de agregación, tenga en cuenta lo siguiente: + No se admiten comandos SQL distintos de SELECT. + No se admiten subconsultas ni expresiones de tabla comunes (por ejemplo, WITH). + No se admiten operadores que combinen varias consultas (por ejemplo, UNION). + No se admiten los parámetros TOP, LIMIT ni OFFSET. ## Regla de análisis de agregación: controles de consulta Los controles de consulta de agregación permiten controlar cómo se utilizan las columnas de la tabla para consultarla. Por ejemplo, puede controlar qué columna se usa para combinar, qué columna se puede contar o qué columna se puede usar en instrucciones WHERE. En las secciones siguientes se explica cada uno de los controles. **Topics** + [Controles de agregación](#agg-functions) + [Controles de combinación](#join-controls) + [Controles de dimensión](#dimension-controls) + [Funciones escalares](#scalar-functions) ### Controles de agregación El uso de *controles de agregación* permite definir qué funciones de agregación se van a permitir y a qué columnas se deben aplicar. Las funciones de agregación se pueden usar en las expresiones SELECT, HAVING y ORDER BY. | Control | Definición | De uso | | --- | --- | --- | | aggregateColumns | Columnas de tablas configuradas que se permite utilizar en las funciones de agregación. | `aggregateColumns` se puede usar dentro de una función de agregación en las expresiones SELECT, HAVING y ORDER BY. Algunas `aggregateColumns` también se pueden categorizar como `joinColumn` (definición disponible más adelante). La `aggregateColumn` dada no se puede categorizar también como `dimensionColumn` (definición disponible más adelante). | | function | Las funciones COUNT, SUM y AVG que se permite utilizar además de aggregateColumns. | La `function` se puede aplicar a una `aggregateColumns` que esté asociada a ella. | ### Controles de combinación Se utiliza una cláusula `JOIN` para combinar filas de dos o más tablas en función de una columna relacionada entre ellas. Puede usar *los controles de unión* para controlar cómo se puede unir su tabla a otras tablas del`table_expression`. AWS Clean Rooms solo admite INNERJOIN. INNERJOINlas declaraciones solo pueden usar columnas que se hayan clasificado explícitamente como una `joinColumn` en su regla de análisis, sujetas a los controles que usted defina. INNER JOIN deben operar en una `joinColumn` de la tabla configurada y en una `joinColumn` de otra tabla configurada de la colaboración. Usted decide qué columnas de la tabla se pueden usar como `joinColumn`. Cada condición de coincidencia de la cláusula ON debe utilizar la condición de comparación de igualdad (`=`) entre dos columnas. Las condiciones de coincidencia múltiples dentro de una cláusula ON pueden ser: + Combinación con el operador lógico `AND` + Separación mediante el operador lógico `OR` **nota** Todas las condiciones de coincidencia JOIN deben coincidir con una fila de cada lado de JOIN. Todos los condicionales conectados por un operador lógico `OR` o `AND` también deben cumplir este requisito. A continuación se muestra un ejemplo de consulta con un operador lógico `AND`. ``` SELECT some_col, other_col FROM table1 JOIN table2 ON table1.id = table2.id AND table1.name = table2.name ``` A continuación se muestra un ejemplo de consulta con un operador lógico `OR`. ``` SELECT some_col, other_col FROM table1 JOIN table2 ON table1.id = table2.id OR table1.name = table2.name ``` | Control | Definición | De uso | | --- | --- | --- | | joinColumns | Las columnas (si las hay) que se desea permitir que el miembro que puede realizar la consulta utilice en la instrucción INNER JOIN. | También se puede categorizar una `joinColumn` como `aggregateColumn` (consulte[Controles de agregación](#agg-functions)). La misma columna no se puede usar como `joinColumn` y `dimensionColumns` a la vez (consulte más adelante). A menos que también se haya categorizado como `aggregateColumn`, una `joinColumn` no se puede usar en ninguna otra parte de la consulta que no sea INNER JOIN. | | joinRequired | Controle si necesita una INNER JOIN con una tabla configurada del miembro que puede realizar la consulta. | Si habilita este parámetro, INNER JOIN es obligatorio. Si no habilita este parámetro, INNER JOIN es opcional. Presuponiendo que se habilite este parámetro, el miembro que puede realizar la consulta debe incluir una tabla de su propiedad en INNER JOIN. Debe combinar su tabla JOIN con la suya, ya sea de forma directa o transitiva (es decir, combinar su tabla con otra tabla que, a su vez, está combinada con la suya). | A continuación se muestra un ejemplo de transitividad. ``` ON my_table.identifer = third_party_table.identifier .... ON third_party_table.identifier = member_who_can_query_table.id ``` **nota** El miembro que puede realizar la consulta también puede usar el parámetro `joinRequired`. En ese caso, la consulta debe combinar su tabla con al menos otra tabla. ### Controles de dimensión Los *controles de dimensión* controlan la columna en la cual se pueden filtrar, agrupar o agregar las columnas de agregación. | Control | Definición | De uso | | --- | --- | --- | | dimensionColumns | Las columnas (si las hay) que se permite que el miembro que puede realizar la consulta utilice en SELECT, WHERE, GROUP BY y ORDER BY. | Se puede usar una `dimensionColumn` en SELECT (`select_grouping_column_expression`), WHERE, GROUP BY y ORDER BY. La misma columna no puede ser a`dimensionColumn`, a y a `joinColumn` la vez`aggregateColumn`. and/or | ### Funciones escalares Las *funciones escalares* controlan qué funciones escalares se pueden usar en las columnas de dimensión. | Control | Definición | De uso | | --- | --- | --- | | scalarFunctions | Las funciones escalares que se pueden utilizar en `dimensionColumns` en la consulta. | Especifica las funciones escalares (si las hay) que se permite (por ejemplo, CAST) aplicar a `dimensionColumns`. Las funciones escalares no se pueden usar además de otras funciones ni dentro de otras funciones. Los argumentos de las funciones escalares pueden ser columnas, literales de cadena o literales numéricos. | Se admiten las siguientes funciones escalares: + Funciones matemáticas: ABS, CEILING, FLOOR, LOG, LN, ROUND, SQRT + Funciones de formato de tipo de datos: CAST, CONVERT, TO\$1CHAR, TO\$1DATE, TO\$1NUMBER, TO\$1TIMESTAMP + Funciones de cadena: LOWER, UPPER, TRIM, RTRIM, SUBSTRING + En el caso de RTRIM, no se permiten conjuntos de caracteres personalizados para recortar. + Expresiones condicionales: COALESCE + Funciones de fecha EXTRACT, GETDATE, CURRENT\$1DATE, DATEADD + Otras funciones: TRUNC Para obtener más información, consulte [Referencia de SQL de AWS Clean Rooms](https://docs.aws.amazon.com/clean-rooms/latest/sql-reference/sql-reference.html). ## Regla de análisis de agregación: controles de resultados de consulta Los controles de resultados de consulta de agregación le permiten controlar qué resultados se devuelven especificando una o más condiciones que debe cumplir cada fila de salida. AWS Clean Rooms admite restricciones de agregación en forma de `COUNT (DISTINCT column) >= X`. Este formato requiere que cada fila agregue al menos X valores diferenciados de una selección de la tabla configurada (por ejemplo, un número mínimo de valores `user_id` diferenciados). Este umbral mínimo se aplica automáticamente, incluso si la consulta enviada en sí misma no utiliza la columna especificada. Se aplican de manera conjunta en cada tabla configurada de la consulta desde las tablas configuradas de cada miembro de la colaboración. Cada tabla configurada debe tener al menos una restricción de agregación en su regla de análisis. Los propietarios de las tablas configuradas pueden añadir varios `columnName` y su `minimum` asociado y estos se aplicarán conjuntamente. ### Restricciones de agregación Las *restricciones de agregación* controlan qué filas de los resultados de la consulta se devuelven. Para incluirse en los resultados devueltos, una fila debe cumplir con el número mínimo especificado de valores diferenciados en cada columna especificada en la restricción de agregación. Este requisito se aplica incluso si la columna no se menciona explícitamente en la consulta o en otras partes de la regla de análisis. | Control | Definición | De uso | | --- | --- | --- | | columnName | La `aggregateColumn` que se usa en la condición que debe cumplir cada fila de salida. | Puede tratarse de cualquier columna de la tabla configurada. | | minimum | El número mínimo de valores diferenciados de la `aggregateColumn` asociada que debe tener la fila de salida (por ejemplo, COUNT DISTINCT) para que se devuelva en los resultados de la consulta. | El `minimum` debe tener al menos un valor de 2. | ## Estructura de la regla de análisis de agregación El siguiente ejemplo muestra una estructura predefinida para una regla de análisis de agregación. En el siguiente ejemplo, *`MyTable`* hace referencia a nuestra tabla de datos. Puedes reemplazar cada una *user input placeholder* con tu propia información. ``` { "aggregateColumns": [ { "columnNames": [MyTable column names], "function": [Allowed Agg Functions] }, ], "joinRequired": ["QUERY_RUNNER"], "joinColumns": [MyTable column names], "dimensionColumns": [MyTable column names], "scalarFunctions": [Allowed Scalar functions], "outputConstraints": [ { "columnName": [MyTable column names], "minimum": [Numeric value] }, ] } ``` ## Regla de análisis de agregación: ejemplo El siguiente ejemplo demuestra cómo dos empresas pueden colaborar en el AWS Clean Rooms uso del análisis de agregación. La empresa A tiene datos de clientes y de ventas. La empresa A está interesada en conocer la actividad de devolución de productos. La empresa B es uno de los minoristas de la empresa A y dispone de datos sobre devoluciones. La empresa B también tiene atributos de segmento sobre los clientes que son útiles para la empresa A (por ejemplo, compra de productos relacionados o uso del servicio de atención al cliente del minorista). La empresa B no quiere proporcionar información sobre atributos ni datos sobre devoluciones de los clientes por fila. La empresa B solo quiere habilitar un conjunto de consultas para que la empresa A obtenga estadísticas agregadas sobre los clientes que se superponen dentro de un umbral de agregación mínimo. La empresa A y la empresa B deciden colaborar para que la empresa A pueda entender la actividad de devolución de productos y ofrecer mejores productos en la empresa B y en otros canales. Para crear la colaboración y realizar un análisis de agregación, las empresas hacen lo siguiente: 1. La empresa A crea una colaboración y crea una pertenencia. La colaboración tiene a la empresa B como otro miembro de la colaboración. La empresa A habilita el registro de consultas en la colaboración y habilita el registro de consultas en su cuenta. 1. La empresa B crea una pertenencia en la colaboración. Habilita el registro de consultas en su cuenta. 1. La empresa A crea una tabla configurada de ventas. 1. La empresa A añade la siguiente regla de análisis de agregación a la tabla configurada de ventas. ``` { "aggregateColumns": [ { "columnNames": [ "identifier" ], "function": "COUNT_DISTINCT" }, { "columnNames": [ "purchases" ], "function": "AVG" }, { "columnNames": [ "purchases" ], "function": "SUM" } ], "joinColumns": [ "hashedemail" ], "dimensionColumns": [ "demoseg", "purchasedate", "productline" ], "scalarFunctions": [ "CAST", "COALESCE", "TRUNC" ], "outputConstraints": [ { "columnName": "hashedemail", "minimum": 2, "type": "COUNT_DISTINCT" }, ] } ``` `aggregateColumns`: la empresa A quiere contar el número de clientes únicos que se superponen entre los datos de ventas y los datos de devoluciones. La empresa A también quiere sumar el número de `purchases` fabricados para compararlo con el número de `returns`. `joinColumns`: la empresa A desea usar `identifier` para cotejar los clientes de los datos de ventas con los clientes de los datos de devoluciones. Esto ayudará a la empresa A a relacionar las devoluciones con las compras correctas. También ayudará a la empresa A a segmentar los clientes superpuestos. `dimensionColumns`: la empresa A usa `dimensionColumns` para filtrar por un producto específico, comparar las compras y las devoluciones correspondientes a un periodo de tiempo determinado, asegurarse de que la fecha de devolución sea posterior a la fecha del producto y ayudar a segmentar los clientes superpuestos. `scalarFunctions`: la empresa A selecciona la función escalar `CAST` para ayudar a actualizar los formatos de tipo de datos si es necesario, basándose en la tabla configurada que la empresa A ha asociado a la colaboración. También añade funciones escalares para ayudar a dar formato a las columnas si es necesario. `outputConstraints`: la empresa A establece restricciones de salida mínimas. No necesita restringir los resultados, ya que el analista puede ver los datos de la tabla de ventas por fila. **nota** La empresa A no incluye `joinRequired` en la regla de análisis. Ofrece flexibilidad para que el analista consulte solo la tabla de ventas. 1. La empresa B crea una tabla configurada de devoluciones. 1. La empresa B añade la siguiente regla de análisis de agregación a la tabla configurada de devoluciones. ``` { "aggregateColumns": [ { "columnNames": [ "identifier" ], "function": "COUNT_DISTINCT" }, { "columnNames": [ "returns" ], "function": "AVG" }, { "columnNames": [ "returns" ], "function": "SUM" } ], "joinColumns": [ "hashedemail" ], "joinRequired": [ "QUERY_RUNNER" ], "dimensionColumns": [ "state", "popularpurchases", "customerserviceuser", "productline", "returndate" ], "scalarFunctions": [ "CAST", "LOWER", "UPPER", "TRUNC" ], "outputConstraints": [ { "columnName": "hashedemail", "minimum": 100, "type": "COUNT_DISTINCT" }, { "columnName": "producttype", "minimum": 2, "type": "COUNT_DISTINCT" } ] } ``` `aggregateColumns`: la empresa B permite a la empresa A sumar las `returns` para compararlas con el número de compras. Tienen al menos una columna agregada porque han habilitado una consulta agregada. `joinColumns`: la empresa B permite a la empresa A combinar por `identifier` para cotejar los clientes de los datos de devoluciones con los clientes de los datos de ventas. Los datos de `identifier` son especialmente sensibles, y tenerlos como `joinColumn` garantiza que los datos no se incluyan nunca en una consulta. `joinRequired`: la empresa B impone como requisito que las consultas sobre los datos de devoluciones se superpongan con los datos de ventas. No quieren permitir que la empresa A consulte todas las personas de su conjunto de datos. También acordaron esa restricción en su contrato de colaboración. `dimensionColumns`: la empresa B permite a la empresa A filtrar y agrupar por `state`, `popularpurchases` y `customerserviceuser`, que son atributos únicos que podrían ayudar a realizar el análisis para la empresa A. La empresa B permite a la empresa A usar `returndate` para filtrar la salida por `returndate` que sea posterior a `purchasedate`. Con este filtrado, la salida es más precisa a la hora de evaluar el impacto del cambio de producto. `scalarFunctions`: la empresa B habilita lo siguiente: + TRUNC para las fechas + LOWER y UPPER en caso de que `producttype` se introduzca en un formato distinto en sus datos + CAST si la empresa A necesita convertir los tipos de datos de las ventas para que sean iguales a los tipos de datos de las devoluciones. La empresa A no habilita otras funciones escalares porque no cree que sean necesarias para las consultas. `outputConstraints`: la empresa B establece restricciones de salida mínimas en `hashedemail` para reducir en mayor medida la posibilidad de volver a identificar a los clientes. También añade una restricción de salida mínima en `producttype` para reducir en mayor medida la posibilidad de volver a identificar los productos específicos devueltos. Determinados tipos de productos podrían ser más dominantes en función de las dimensiones de la salida (por ejemplo, `state`). Sus restricciones de salida se aplicarán siempre, independientemente de las restricciones de salida que añada la empresa A a sus datos. 1. La empresa A crea una asociación a la tabla de ventas en la colaboración. 1. La empresa B crea una asociación a la tabla de devoluciones en la colaboración. 1. La empresa A realiza consultas, como las del ejemplo siguiente, para entender mejor la cantidad de devoluciones de la empresa B en comparación con el total de compras por ubicación en 2022. ``` SELECT companyB.state, SUM(companyB.returns), COUNT(DISTINCT companyA.hashedemail) FROM sales companyA INNER JOIN returns companyB ON companyA.identifier = companyB.identifier WHERE companyA.purchasedate BETWEEN '2022-01-01' AND '2022-12-31' AND TRUNC(companyB.returndate) > companyA.purchasedate GROUP BY companyB.state; ``` 1. La empresa A y la empresa B revisan los registros de consultas. La empresa B comprueba que la consulta se ajusta a lo acordado en el contrato de colaboración. ## Solución de problemas relacionados con reglas de análisis de agregación Utilice la información que se incluye aquí para diagnosticar y solucionar problemas frecuentes cuando utilice reglas de análisis de agregación. **Topics** + [Mi consulta no ha devuelto ningún resultado](#query-no-results) ### Mi consulta no ha devuelto ningún resultado Esto puede ocurrir cuando no hay resultados coincidentes o cuando los resultados coincidentes no cumplen uno o más umbrales de agregación mínimos. Para obtener más información sobre los umbrales de agregación mínimos, consulte [Regla de análisis de agregación: ejemplo](#agg-analysis-rule-example).