Aula 12.2 · Tempo de leitura: ~11 min

Esta aula é dedicada ao uso prático de funções de data e hora em SQL para análise. Você vai aprender a extrair períodos de campos temporais, agregar dados por dia e por mês, calcular intervalos entre eventos e construir relatórios baseados em métricas temporais. Ao final da aula, você conseguirá analisar com confiança a dinâmica dos dados no tempo usando a base Sakila.

Uso prático de funções de data e hora para análise de dados

Na aula anterior, vimos o processamento prático de strings. Agora avançamos para outro tipo de dado que aparece constantemente em cenários reais: data e hora.

Em análise de dados, não basta apenas exibir payment_date ou rental_date. Na prática, precisamos responder perguntas como: como a atividade varia por dia, em quais horas há mais transações, quanto tempo passa entre locação e devolução, e se existem picos sazonais.

Por que funções de data e hora são essenciais na análise

Quase todo relatório tem uma dimensão temporal. Mesmo quando a pergunta de negócio é “quantas vendas” ou “quantos clientes”, geralmente é necessário adicionar contexto de tempo: por dia, semana, mês, trimestre ou período específico.

Funções de data e hora ajudam a:

• extrair a granularidade necessária (dia, mês, hora);
• agregar métricas ao longo do tempo;
• comparar períodos entre si;
• calcular duração de processos;
• detectar picos e quedas anormais.

Funções básicas mais usadas

No MySQL, estas funções são especialmente úteis para análise prática:

• DATE() - obter apenas a data de um DATETIME;
• YEAR(), MONTH(), DAY() - extrair partes da data;
• HOUR() - analisar atividade por hora;
• DATE_FORMAT() - criar uma chave temporal legível;
• TIMESTAMPDIFF() - calcular intervalo entre dois momentos;
• DATEDIFF() - diferença em dias.

A seguir, vamos aplicar essas funções em cenários reais com dados do Sakila.

Agregação de pagamentos por dia

Um primeiro cenário prático é observar como o volume de pagamentos varia por dia.

SELECT
   DATE(payment_date) AS payment_day,
   COUNT(*) AS payments_count,
   SUM(amount) AS total_amount
FROM payment
GROUP BY DATE(payment_date)
ORDER BY payment_day;

Resultado: você obtém a dinâmica diária de quantidade de pagamentos e valor total de receita.

Esse relatório é útil como base para monitoramento de atividade e detecção de mudanças bruscas.

Comparação mensal com DATE_FORMAT

Quando precisamos de uma visão mais compacta, agregamos por mês.

SELECT
   DATE_FORMAT(payment_date, '%Y-%m') AS year_month,
   COUNT(*) AS payments_count,
   ROUND(SUM(amount), 2) AS revenue
FROM payment
GROUP BY DATE_FORMAT(payment_date, '%Y-%m')
ORDER BY year_month;

Observação: o formato %Y-%m é prático para ordenação e visualização em ferramentas de BI.

Se você usar apenas o número do mês sem o ano, meses iguais de anos diferentes serão misturados.

Análise de atividade por hora

Uma pergunta prática comum é: em quais horas os usuários realizam mais ações?

SELECT
   HOUR(payment_date) AS payment_hour,
   COUNT(*) AS payments_count,
   ROUND(SUM(amount), 2) AS total_amount
FROM payment
GROUP BY HOUR(payment_date)
ORDER BY payment_hour;

Resultado: você vê a distribuição da atividade por hora do dia.

Isso é útil para planejamento de carga, horários de campanhas e organização operacional.

Cálculo da duração da locação

Funções de tempo também são usadas para analisar o ciclo de vida dos eventos. No Sakila, podemos medir quantas horas passam entre locação e devolução.

SELECT
   rental_id,
   rental_date,
   return_date,
   TIMESTAMPDIFF(HOUR, rental_date, return_date) AS rental_duration_hours
FROM rental
WHERE return_date IS NOT NULL
ORDER BY rental_duration_hours DESC
LIMIT 10;

Resultado: a consulta mostra as locações concluídas mais longas.

Para visão consolidada, vale agregar a duração por média e mediana (se o SGBD oferecer suporte).

Relatório prático: tempo médio de devolução por dia da semana

Agora vamos combinar funções temporais e agregação em uma consulta aplicada.

SELECT
   DAYOFWEEK(rental_date) AS week_day,
   COUNT(*) AS rentals_count,
   ROUND(AVG(TIMESTAMPDIFF(HOUR, rental_date, return_date)), 2) AS avg_return_hours
FROM rental
WHERE return_date IS NOT NULL
GROUP BY DAYOFWEEK(rental_date)
ORDER BY week_day;

Resultado: você obtém a duração média de locação por dia da semana.

Esse relatório ajuda a identificar padrões de comportamento e ajustar regras operacionais conforme o dia.

Comparação entre período atual e período anterior

Na análise real, não basta apenas calcular métricas; também é importante comparar períodos. Mesmo uma comparação simples entre dois intervalos já fornece sinal útil.

SELECT
   CASE
      WHEN payment_date >= '2005-07-01' AND payment_date < '2005-08-01' THEN 'period_1'
      WHEN payment_date >= '2005-08-01' AND payment_date < '2005-09-01' THEN 'period_2'
   END AS period_label,
   COUNT(*) AS payments_count,
   ROUND(SUM(amount), 2) AS revenue
FROM payment
WHERE payment_date >= '2005-07-01'
  AND payment_date < '2005-09-01'
GROUP BY period_label
ORDER BY period_label;

Observação: esse padrão escala facilmente para week-over-week, month-over-month e quarter-over-quarter.

Recomendações práticas

• Defina com antecedência a granularidade necessária: dia, semana, mês ou hora.
• Para ordenação estável de períodos, use formato ordenável lexicalmente (YYYY-MM).
• Filtre explicitamente eventos incompletos (return_date IS NOT NULL) ao calcular intervalos.
• Verifique o fuso horário da fonte ao analisar atividade por hora.
• Para comparação de períodos, use limites claros >= e < para evitar sobreposição.

Principais conclusões desta aula:

• Funções de data e hora em SQL são essenciais para análise prática de tendência e sazonalidade.
• DATE, DATE_FORMAT, HOUR, TIMESTAMPDIFF e DATEDIFF cobrem a maioria dos cenários reais.
• A granularidade temporal afeta diretamente a interpretação das métricas.
• A análise de intervalos entre eventos ajuda a medir eficiência de processos.
• Mesmo comparações simples entre períodos já geram sinal útil para decisão.

Perguntas frequentes

Por que usar >= início e < fim em vez de BETWEEN?

Porque esse formato cria intervalos claros e sem sobreposição, especialmente com DATETIME. Isso reduz o risco de contagem duplicada nas bordas.

Quando usar DATE_FORMAT versus YEAR() e MONTH()?

DATE_FORMAT é ótimo para chaves prontas de relatório (por exemplo, 2025-08). YEAR() e MONTH() são melhores quando você precisa de lógica separada por ano e mês.

O que mais costuma quebrar análises temporais?

Problemas comuns: fusos horários misturados, granularidade incorreta, registros incompletos (NULL em return_date) e limites de período mal definidos.

Perguntas de entrevista

Como você explicaria a diferença entre DATEDIFF() e TIMESTAMPDIFF()?

DATEDIFF() retorna diferença em dias entre datas. TIMESTAMPDIFF() permite escolher a unidade (horas, minutos, dias etc.) e é melhor para análise de intervalos com maior precisão.

Por que escolher a granularidade temporal correta é importante em relatórios?

Porque a granularidade define a interpretação: análise diária mostra variações operacionais; análise mensal mostra tendência. Um nível de agregação inadequado pode esconder padrões importantes.

Como você validaria um relatório temporal antes de publicar?

Eu verificaria limites de período, suposição de fuso horário, tratamento de NULL, ausência de sobreposição de intervalos e reconciliação dos totais com uma amostra de controle dos dados brutos.

Na próxima aula, avançaremos para técnicas de transformação de dados para análise e veremos como combinar cálculos temporais e condicionais em uma mesma consulta.