Überprüfung berechneter Gesamtsummen in einer Abfrage, indem geprüft wird, ob der erfasste Gesamtbetrag mit dem Wert übereinstimmt, der sich aus Menge und Stückpreis ergeben sollte. Schwerpunkt liegt auf der Identifizierung fehlerhafter Datensätze durch Neuberechnung des erwarteten Gesamtbetrags und Filtern von Abweichungen. Ziel ist es, nur die Zeilen zurückzugeben, in denen der gespeicherte Gesamtbetrag falsch ist, um die Datenintegrität in Transaktionsdatensätzen sicherzustellen.

Die Abfrage soll **drei bestimmte Zeilen** zurückgeben, die Datensätze darstellen, bei denen die Gesamtsummen nicht korrekt übereinstimmen.


Die zentrale Validierungslogik lautet:

$$
\text{Quantity} × \text{Unit Price} = \text{Correct Total}
$$

Vergleich dieses berechneten Werts mit der bestehenden Spalte **Total Amount**.


Eine **neue berechnete Spalte** wird erstellt, um den korrekten Gesamtbetrag (Menge multipliziert mit Stückpreis) darzustellen. Dies macht den Vergleich explizit und nachvollziehbar.


Die Abfrage filtert anschließend die Ergebnisse, sodass nur Zeilen enthalten sind, bei denen gilt:

$$
\text{Total Amount} ≠ \text{Quantity} × \text{Unit Price}
$$

Dieser Ansatz ermöglicht:

- Identifikation fehlerhafter oder inkonsistenter Transaktionsdatensätze;
- Fehlersuche bei Preisgestaltung oder Dateneingabe;
- Validierung von Geschäftslogik direkt in SQL statt extern.

Die zu lösende Aufgabe betrifft keine Aggregationen, sondern die Validierung auf Zeilenebene, um sicherzustellen, dass jede Transaktion intern konsistent ist.



Tauchen Sie ein in die Grundlagen der BigQuery-Plattform und verändern Sie Ihren Umgang mit Cloud-Daten. Beherrschen Sie die Fähigkeiten, die für die Navigation in der Konsole, das Verwalten von Projekten und die Optimierung von Abfragekosten erforderlich sind. Sammeln Sie praktische Erfahrungen mit BigQuery-spezifischen Funktionen wie Array-Operationen, geografischen Daten und Datumsfunktionen. Entdecken Sie fortgeschrittene Optimierungstechniken und erfahren Sie die Geheimnisse des Aufbaus von Machine-Learning-Modellen direkt im Data Warehouse mit BigQuery ML.

Erwerben Sie ein fundiertes Verständnis der BigQuery-Umgebung, die sich von traditionellen Datenbanken unterscheidet. Lernen Sie, die Konsole zu navigieren, Projekte und Datasets zu verwalten sowie Kosten effektiv zu analysieren. Stärken Sie Ihr Vertrauen beim Einrichten Ihres Arbeitsbereichs für eine effiziente Datenanalyse.

Erkunden Sie die Grundlagen der Abfrage-Engine zur effizienten Datenabfrage. Beherrschen Sie Techniken zur Datenauswahl und lernen Sie die Analyse spezifischer Produktmetriken. Entdecken Sie Leistungsmerkmale und Methoden zur Überprüfung von Abfragen, um eine schnelle und präzise Analyse sicherzustellen.

Erweitern Sie Ihr Wissen durch das Beherrschen der einzigartigen Datentypen von BigQuery.
Umgang mit komplexen Array-Operationen und Manipulation von Datums- und Zeitfunktionen.
Erkundung geografischer Funktionen zur Lösung standortbezogener Herausforderungen wie der Berechnung von Städtedistanzen.

Optimieren Sie Ihren Arbeitsablauf durch das Verwalten großer Tabellen und die Verbesserung der Abfrageleistung.
Erkenntnisse über effektives Fehlerhandling zur schnellen Problemlösung.
Beherrschung der Fähigkeiten zur Aufrechterhaltung einer leistungsstarken Datenbankumgebung.

Wenden Sie Ihr Wissen in realen Szenarien an. Erfahren Sie, wie umfassende Berichte erstellt und BigQuery mit externen Tools integriert wird. Verwandeln Sie Rohdaten durch praktische Anwendung und Berichtsstrategien in umsetzbare Geschäftseinblicke.

Tauchen Sie ein in die Grundlagen von BigQuery ML. Erfahren Sie, wie Sie Machine-Learning-Modelle mit Standard-SQL erstellen und ausführen, ohne Daten zu verschieben. Sammeln Sie praktische Erfahrungen mit Modell-Durchläufen, um Vorhersagen direkt innerhalb der Plattform zu treffen.

Herausforderung: Abfrage-Test

Aufgabe