Przejdź do treści

Tutoriale how-to

Funkcje okna SQL w 2026: jak analizować dane bez eksportu do Excela

Zaktualizowano: Autor: Andrzej Niemiec8 min czytania

Funkcje okna SQL pozwalają obliczać średnie kroczące, rankingi i anomalie bez grupowania wierszy. Przewodnik z przykładami dla PostgreSQL, BigQuery i Snowflake.

Funkcje okna SQL w 2026: jak analizować dane bez eksportu do Excela
Spis treści
  1. Czym są funkcje okna i jak się różnią od GROUP BY?
  2. Jak obliczyć średnią kroczącą bez Excela?
  3. Kiedy używać ROWS, a kiedy RANGE?
  4. Segmentacja klientów za pomocą NTILE()
  5. Wykrywanie anomalii za pomocą LAG() i LEAD()
  6. Porównywanie wyników między oddziałami za pomocą FIRST_VALUE() i LAST_VALUE()
  7. Porównanie funkcji okna między silnikami SQL
  8. Najczęstsze błędy i jak ich unikać
  9. Jak zacząć: praktyczne kroki
  10. Najczęstsze pytania
  11. Źródła

Czym są funkcje okna i jak się różnią od GROUP BY?

Funkcje okna to funkcje SQL, które obliczają wartość dla każdego wiersza na podstawie zdefiniowanego "okna" — zbioru wierszy powiązanych z bieżącym rekordem. Klauzula OVER() definiuje to okno za pomocą PARTITION BY (podział na grupy), ORDER BY (kolejność) i ramki (ROWS lub RANGE). W odróżnieniu od GROUP BY, które redukuje liczbę wierszy, funkcje okna zwracają wynik dla każdego rekordu [1].

Jak obliczyć średnią kroczącą bez Excela?

Średnia krocząca to jeden z najpopularniejszych zastosowań funkcji okna. Poniższe zapytanie oblicza średnią sprzedaży z ostatnich siedmiu dni dla każdego dnia:

SELECT
    sale_date,
    sales_amount,
    AVG(sales_amount) OVER (
        ORDER BY sale_date
        ROWS BETWEEN 6 PRECEDING AND CURRENT ROW
    ) AS moving_avg_7d
FROM daily_sales
ORDER BY sale_date;

Klauzula ROWS BETWEEN 6 PRECEDING AND CURRENT ROW definiuje okno obejmujące bieżący dzień i sześć poprzednich dni. Wynik to tabela z trzema kolumnami: datą, sprzedażą i średnią kroczącą [1].

Zaletą tego podejścia jest automatyzacja — każde uruchomienie zapytania przelicza średnią na podstawie aktualnych danych, bez ręcznej interwencji. Wyniki można od razu wizualizować w narzędziach BI lub eksportować do raportu [2].

Kiedy używać ROWS, a kiedy RANGE?

Dwie klauzule definiują ramkę okna: ROWS i RANGE. ROWS liczy fizyczne wiersze, natomiast RANGE odnosi się do wartości sortowania i może obejmować wiele wierszy z tą samą wartością.

Przykład: jeśli w danych są dwie transakcje z tej samej daty, ROWS BETWEEN 1 PRECEDING AND CURRENT ROW uwzględni tylko jedną poprzednią transakcję (fizycznie), a RANGE BETWEEN 1 DAY PRECEDING AND CURRENT ROW uwzględni wszystkie transakcje z poprzedniego dnia [2].

Dla danych dziennych zwykle wystarczy ROWS. Dla danych z wieloma rekordami na tę samą datę warto rozważyć RANGE lub dodać dodatkowy klucz sortowania, np. ORDER BY sale_date, transaction_id, aby wynik był jednoznaczny [1].

Segmentacja klientów za pomocą NTILE()

Funkcja NTILE() dzieli dane na równe grupy (kwintyle, kwartyle itp.). Poniższe zapytanie dzieli klientów na pięć segmentów według wartości zakupów:

SELECT
    customer_id,
    total_spent,
    NTILE(5) OVER (ORDER BY total_spent DESC) AS segment
FROM customers;

Klient z najwyższymi wydatkami trafi do segmentu 1, a z najniższymi — do segmentu 5. Każdy segment zawiera mniej więcej tę samą liczbę klientów [1].

Zastosowanie: segmentacja RFM (Recency, Frequency, Monetary), przypisywanie rabatów, personalizacja oferty. Zaleta NTILE() to powtarzalność — ten sam podział przy każdym uruchomieniu. Wada: nie uwzględnia naturalnych "przerw" w danych; jeśli klienci naturalnie grupują się wokół pewnych wartości, segmenty mogą nie odzwierciedlać rzeczywistych grup [1].

Wykrywanie anomalii za pomocą LAG() i LEAD()

Funkcje LAG() i LEAD() zwracają wartość z poprzedniego lub następnego wiersza. Można ich użyć do porównania sprzedaży z dniem poprzednim i wykrycia nagłych spadków:

SELECT
    sale_date,
    sales_amount,
    LAG(sales_amount) OVER (ORDER BY sale_date) AS prev_day_sales,
    CASE
        WHEN sales_amount < 0.7 * LAG(sales_amount) OVER (ORDER BY sale_date)
        THEN 'ALERT'
        ELSE 'OK'
    END AS status
FROM daily_sales
ORDER BY sale_date;

Jeśli sprzedaż spadnie poniżej 70% wartości z poprzedniego dnia, zapytanie generuje alert. Zastosowania: monitorowanie awarii terminali płatniczych, spadków konwersji na stronie, opóźnień w dostawach [1].

Ograniczenie: LAG() i LEAD() działają tylko na posortowanych danych. Jeśli tabela nie ma naturalnego porządku, najpierw trzeba zdefiniować kolejność za pomocą ORDER BY.

Porównywanie wyników między oddziałami za pomocą FIRST_VALUE() i LAST_VALUE()

Funkcje FIRST_VALUE() i LAST_VALUE() zwracają wartość z pierwszego lub ostatniego wiersza w oknie. Można ich użyć do porównania sprzedaży oddziału z najlepszym oddziałem w regionie:

SELECT
    branch_id,
    sales,
    FIRST_VALUE(sales) OVER (
        PARTITION BY region
        ORDER BY sales DESC
    ) AS top_branch_sales,
    ROUND(100.0 * sales / FIRST_VALUE(sales) OVER (
        PARTITION BY region
        ORDER BY sales DESC
    ), 1) AS pct_of_top
FROM branch_sales;

Wynik to procent — 100% oznacza, że oddział jest liderem, a 50% — że osiąga połowę sprzedaży najlepszego. Wada: FIRST_VALUE() i LAST_VALUE() zwracają wartości tylko dla pierwszego i ostatniego wiersza w oknie; dla wartości z dowolnego innego wiersza trzeba użyć NTH_VALUE() [1].

Porównanie funkcji okna między silnikami SQL

FunkcjaPostgreSQLBigQuerySnowflakeOpis
ROW_NUMBER()✓✓✓Numeruje wiersze w oknie
RANK(), DENSE_RANK()✓✓✓Ranking z przerwami lub bez
LAG(), LEAD()✓✓✓Wartość z poprzedniego/następnego wiersza
FIRST_VALUE(), LAST_VALUE()✓✓✓Wartość z pierwszego/ostatniego wiersza
NTH_VALUE()✓✓✓Wartość z n-tego wiersza
NTILE()✓✓✓Podział na grupy równej wielkości
AVG(), SUM(), COUNT() OVER✓✓✓Agregacja bez grupowania
QUALIFY (filtrowanie okna)✗✓✓Filtrowanie wyników funkcji okna w WHERE
Nazwane okna (WINDOW ... AS)✓✓✓Definiowanie okna raz, użycie wielokrotnie

PostgreSQL, BigQuery i Snowflake obsługują wszystkie podstawowe funkcje okna. Różnice pojawiają się w szczegółach: BigQuery i Snowflake mają QUALIFY do filtrowania wyników funkcji okna; PostgreSQL wymaga podzapytania lub CTE [2] [3] [4].

Najczęstsze błędy i jak ich unikać

Błąd 1: Zbyt szerokie partycje

Zdefiniowanie PARTITION BY na całej tabeli zamiast na konkretnej kolumnie może spowolnić zapytanie. Zawęź partycje do niezbędnego minimum — jeśli potrzebujesz running total tylko dla ostatniego roku, dodaj filtr WHERE przed zastosowaniem funkcji okna [1].

Błąd 2: Mylenie ROWS i RANGE

ROWS BETWEEN liczy fizyczne wiersze, a RANGE BETWEEN odnosi się do wartości sortowania. Przy danych z wieloma rekordami na tę samą datę ROWS może pominąć część danych. Użyj RANGE, jeśli chcesz uwzględnić wszystkie wiersze z tą samą wartością klucza sortowania [2].

Błąd 3: Ignorowanie wydajności

Funkcje okna na dużych tabelach mogą być wolne. Rozwiązania: zamień tekstowe kolumny na identyfikatory liczbowe, dodaj indeksy na kolumnach używanych w PARTITION BY i ORDER BY, ogranicz liczbę wierszy za pomocą WHERE [1].

Błąd 4: Niezdefiniowana kolejność remisów

Jeśli wiele wierszy ma tę samą wartość ORDER BY, kolejność może być nieokreślona. Dodaj dodatkowy klucz sortowania, np. ORDER BY sale_date, transaction_id, aby wynik był powtarzalny [1].

Jak zacząć: praktyczne kroki

Krok 1: Zidentyfikuj problem biznesowy. Szukaj scenariuszy, w których Twoja firma ręcznie oblicza średnie kroczące, segmentuje klientów, wykrywa anomalie lub porównuje wyniki między oddziałami.

Krok 2: Przetestuj zapytanie na próbce danych. Wyeksportuj 1000–5000 wierszy do testowej bazy, napisz i przetestuj zapytanie, porównaj wyniki z dotychczasowymi metodami.

Krok 3: Zintegruj wyniki z narzędziami BI. Zapisz zapytanie jako widok (CREATE VIEW) lub procedurę składowaną, połącz z Power BI, Tableau lub Metabase, zautomatyzuj odświeżanie danych [1].

Najczęstsze pytania

Czy funkcje okna działają na wszystkich bazach danych?

Funkcje okna są obsługiwane przez PostgreSQL, MySQL 8.0+, SQL Server 2012+, Oracle, BigQuery i Snowflake. Starsze wersje mogą wymagać aktualizacji. Składnia i dostępne funkcje różnią się między silnikami [1] [2].

Czy mogę filtrować wyniki funkcji okna w WHERE?

W PostgreSQL trzeba użyć podzapytania lub CTE. BigQuery i Snowflake mają QUALIFY do filtrowania wyników funkcji okna bezpośrednio w zapytaniu [2] [3].

Czy funkcje okna są szybsze niż Excel?

Tak. Obliczenia w SQL są wykonywane na serwerze bazy danych, co jest szybsze niż przetwarzanie w Excelu, szczególnie dla dużych zbiorów danych. Excel jest lepszy do jednorazowych analiz i prototypowania; SQL do automatyzacji i raportów [1].

Czy mogę użyć funkcji okna w Google Sheets?

Google Sheets nie ma natywnych funkcji okna. Możesz użyć QUERY() z SQL-podobną składnią, ale możliwości są ograniczone. Do zaawansowanej analizy warto przenieść dane do BigQuery i użyć tam funkcji okna [3].

Jakie są limity funkcji okna?

Funkcje okna działają tylko na danych już załadowanych do bazy. Jeśli dane są rozproszone po arkuszach Excel, najpierw trzeba je scentralizować. Ponadto, wynik funkcji okna zależy od kolejności sortowania — niezdefiniowana kolejność remisów może prowadzić do niespodziewanych wyników [1].

Źródła

  1. Jak działa WINDOW FUNCTIONS w języku SQL? Przykłady zastosowania (KajoData)
  2. PostgreSQL: Documentation: 18: 3.5. Window Functions
  3. Window function calls | BigQuery | Google Cloud Documentation
  4. Analyzing data with window functions (Snowflake)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji