L’impiego degli intervalli di date in BigQuery è fondamentale per filtrare i dati in base a specifici periodi di tempo, rendendo l’analisi più precisa e pertinente.

Vediamo di seguito un’analisi dettagliata dei vari approcci proposti:

Intervallo di Date Statico

Questo esempio mostra come selezionare dati da un intervallo di date fisso, specificando direttamente le date di inizio e fine nel formato YYYYMMDD. È particolarmente utile per analisi retrospettive in cui le date di interesse sono già note e non cambiano.

select
    *
from
    `{table}_*`
where
    _table_suffix between '20240101' and '20240131'

L’approccio statico è immediato e semplice, ideale per analisi su periodi di tempo ben definiti. Tuttavia, richiede la modifica manuale delle date per differenti intervalli di analisi, limitando la flessibilità e aumentando il rischio di errori in caso di frequenti aggiornamenti.

Intervallo di Date Dinamico

L’intervallo dinamico utilizza funzioni di BigQuery per calcolare automaticamente le date di inizio e fine basandosi sulla data corrente. Questo metodo è utile per report e analisi che richiedono un periodo di tempo relativo al momento attuale, come gli ultimi 30 giorni.

select
    *
from
    `{table}_*`
where
    _table_suffix between format_date('%Y%m%d',date_sub(current_date(), interval 30 day))
    and format_date('%Y%m%d',date_sub(current_date(), interval 1 day))

L’approccio dinamico offre grande flessibilità, eliminando la necessità di aggiornare manualmente le date per report ricorrenti. Tuttavia, richiede una comprensione solida delle funzioni di data e ora di BigQuery per essere implementato correttamente.

Combinazione di Date Statiche e Dinamiche

Questa metodologia combina gli approcci statico e dinamico, stabilendo una data di inizio fissa e una data di fine calcolata dinamicamente. Questo può essere utile per analisi che partono da una data specifica fino al momento attuale.

select
    *
from
    `{tablw}_*`
where
    _table_suffix between '20240103' 
    and format_date('%Y%m%d',date_sub(current_date(), interval 1 day))

La combinazione offre un equilibrio tra precisione e flessibilità, permettendo di analizzare periodi di tempo che iniziano in un momento preciso e si estendono fino alla data corrente. È necessario, però, fare attenzione alla gestione della data di inizio per evitare incongruenze nei dati.

Tabelle Infragiornaliere

Il termine events_yyyymmdd fa riferimento a una convenzione di denominazione per le tabelle che contengono dati di eventi raccolti in specifici giorni, identificati dal suffisso yyyymmdd.

La gestione di tabelle infragiornaliere è importante per analisi dettagliate basate su eventi giornalieri. Questo approccio richiede una pianificazione attenta della struttura dei dati e delle query per garantire prestazioni ottimali e una corretta interpretazione dei risultati.

La scelta tra questi approcci dipende dalle specifiche esigenze di analisi, dalla dinamicità dei periodi di interesse e dalla necessità di automatizzare le query per reportistica ricorrente. È fondamentale comprendere i pro e i contro di ciascun metodo per selezionare la strategia più adeguata allo scenario analitico in questione.

Giuseppe Cristofaro

Data Scientist
Sono un Data Scientist con esperienza nell’applicazione di tecniche avanzate di Machine Learning per l’analisi di complessi set di dati nel campo del marketing digitale. Specializzato nell’uso di Python, sviluppo modelli predittivi e di analisi dei dati che permettono di identificare e risolvere criticità nei progetti.