博主最近正在找工作，面了几家互联网大厂，发现SQL才是主流。虽然SQL很简单，但是面试官也会问SQL熟不熟练。
作为一名专业的数据分析师，SQL怎能不熟练呢。
还有人质疑我简历上写的某著名车企的工作经历，以为是家4s店。真是好笑，博主可是正经世界顶级外企出来的，当初也是打败了很多对手才得到的工作机会。
不过这也让博主觉得有必要好好回顾过去几年的工作。
博主找出压箱底的硬盘，里面还存着当时的工作数据。几十个文件夹，每个文件夹里又有几十个文件，每个文件都有几万行数据。一个理性的数据分析师也有感性的时候，博主刚参加工作的时候就要负责全国一千多家经销商的数据，繁琐的流程，即使现在来看也是很不容易的，那个时候如果技术水平再好点，也许就不会那么难……也正是这段经历，让博主心底里发愿要成为一名数据分析专家，通过技术手段提高数据处理的效率。那是6年前，数据分析也还没像现在这么火，博主也算是先驱吧……
好了，来看看企业真实的数据是什么样吧。
博主随便翻出一个文件，里面有4万多行数据。
好了，让我们首先把数据导入mysql.
mysqlworkbench有按钮可以自动上传csv的数据，但是4万多行，估计要运行几个小时吧。没关系，mysql有上传数据的方法，用load data local infile，上传百万级数据无压力。来看看代码：
LOAD DATA LOCAL INFILE '/users/fangluping/desktop/UNBILLEDClaims20160219100757.csv'
into table benz
fields terminated by ','
ignore 1 lines;对了，上传数据之前要在mysql里面新建一个表，表头和csv文件一致。
上传成功！
好了，数据已经在mysql里了，可以对它们进行分析。分为哪几个维度呢？
#每家经销商的二次付款金额
select dealer_name, count(fin),sum(second_payment_amount) from benz
group by dealer_name
order by sum(second_payment_amount) desc;
可以看到，南京之星的赔付金额是最高的，索赔车辆也最多。
#每个区域有几家经销商，有几个区域经理
select region, count(distinct district_manager), count(distinct dealer_name) from benz
group by region
order by count(distinct dealer_name) desc;
这次赔付的每个区域的区域经理人数和经销商数量也是一目了然。
#不同延保类型的损害分类和赔付金额
select packagetype, count(distinct damage_code), sum(second_payment_amount) from benz
group by packagetype
order by sum(second_payment_amount) desc;
三种蓝保的索赔金额也是有差异的，轻蓝11的金额最高，总共八百多万，原因是轻蓝的购买车辆最多，基数最大。
#每辆车的付款间隔时期及金额
select fin, packagetype, damage_code,datediff(first_credit_date,repair_date),second_payment_amount from benz
order by datediff(first_credit_date,repair_date) desc;
从保修到付款的间隔时间最长的竟然近5个月，那平均周期是多长时间呢？
select packagetype,avg(datediff(first_credit_date,repair_date)) from benz
group by packagetype;
mysql一秒计算出无压力，平均只要两个星期左右。
#经销商集团分析
select dealer_group,count(distinct district_manager),count(distinct dealer_name) from benz
group by dealer_group
order by count(distinct dealer_name) desc;
总共两个经销商集团，这里面水可深了，还是不说了。每个集团二十几位区域经理，一两百家经销商。
好了，sql是不是简单又好用？
sql作为数据查询语言，最大的作用就是这些了。
