Готовые запросы

Возьми мои данные из сервиса аналитики маркетплейсов и собери утреннюю сводку.

1. Вчера: оформленные заказы (штуки и сумма) по каждой площадке и в сумме — v_daily, group_by platform.
   Сравни с тем же днём неделю назад.
2. Прибыль после налогов за последние 7 дней с данными против предыдущих 7 — v_profit, group_by platform,
   derived margin_pct. Для WB возьми дни до последнего закрытого воскресенья и скажи об этом.
3. Остатки: товары, которых хватит меньше чем на 14 дней — v_daily за последние 14 дней, group_by vendor_code,
   derived days_of_stock, покажи до 10 позиций по возрастанию.
4. Три наблюдения: что заметно изменилось и почему — начни с weekly_changes (товары с заметным падением или ростом
   заказов и возможными причинами), дополни рекламой и отменами. Каждое наблюдение — с цифрой.

Формат: короткие блоки с заголовками, без длинных таблиц. Если пользователь попросит, настрой эту сводку
регулярной задачей на 9:00 по Москве.

Правила для всех расчётов:
- Сначала вызови data_freshness и скажи, по какое число есть данные у каждой площадки.
- Считай через query_mart с group_by и metrics, доли и цены на штуку — через derived. Не складывай строки сам.
- Называй основу чисел: оформленные заказы (v_daily) или выкупы (v_profit).
- Если в ответе query_mart есть заметки (notes) о товарах без себестоимости — перескажи их пользователю.
- Пиши по-русски, коротко, цифры с разделителями разрядов и знаком ₽.

Сравни прибыль за прошлый месяц с позапрошлым.

1. v_profit, group_by=[month, platform], metrics=sum(revenue, profit_after_tax, ads, logistics, marketplace_fee,
   cogs, net_qty), derived=[margin_pct, profit_per_unit, drr_pct].
2. Разложи изменение прибыли на вклады: объём продаж, цена за штуку, реклама, логистика, комиссии, себестоимость.
3. Назови три главные причины с цифрами и товары, которые дали наибольший вклад (group_by vendor_code).

Правила для всех расчётов:
- Сначала вызови data_freshness и скажи, по какое число есть данные у каждой площадки.
- Считай через query_mart с group_by и metrics, доли и цены на штуку — через derived. Не складывай строки сам.
- Называй основу чисел: оформленные заказы (v_daily) или выкупы (v_profit).
- Если в ответе query_mart есть заметки (notes) о товарах без себестоимости — перескажи их пользователю.
- Пиши по-русски, коротко, цифры с разделителями разрядов и знаком ₽.

Подведи итоги прошлой недели (понедельник–воскресенье).

1. Заказы по дням и площадкам: v_daily, group_by=[date, platform], metrics=sum(orders_qty, orders_sum, ads_cost).
2. Прибыль недели: v_profit, group_by=[platform], derived=[margin_pct]. Если WB ещё не закрыл неделю — скажи.
3. Топ-5 товаров по заказам; заметные падения и рост к позапрошлой неделе — weekly_changes с date_to = воскресенье.
4. Остатки, которых не хватит на следующую неделю (days_of_stock < 7).
5. Три задачи на неделю.
Предложи сделать эту сводку регулярной: каждый понедельник в 9:00.

Правила для всех расчётов:
- Сначала вызови data_freshness и скажи, по какое число есть данные у каждой площадки.
- Считай через query_mart с group_by и metrics, доли и цены на штуку — через derived. Не складывай строки сам.
- Называй основу чисел: оформленные заказы (v_daily) или выкупы (v_profit).
- Если в ответе query_mart есть заметки (notes) о товарах без себестоимости — перескажи их пользователю.
- Пиши по-русски, коротко, цифры с разделителями разрядов и знаком ₽.

Разберись, почему упали продажи.

1. weekly_changes: товары с заметным падением заказов за последнюю неделю к предыдущей, по площадкам.
   Если пользователь назвал товар или площадку — сосредоточься на них.
2. По каждому из трёх самых крупных падений (по сумме заказов):
   - price_changes по товару за 60 дней — менялась ли цена и как на это отвечали заказы;
   - supply_plan — нет ли его в состоянии «Нет в наличии» или «Закончится до поставки»;
   - для WB — v_daily, group_by=[date], metrics=sum(card_views, add_to_cart, orders_qty), derived=[cr_pct]:
     упали просмотры (видимость в поиске) или конверсия (цена, отзывы, карточка).
   - реклама — v_ads по товару: не урезали ли бюджет.
3. Итог: по каждому товару — наиболее вероятная причина и одно действие. Причины называй как гипотезы с цифрами.

Правила для всех расчётов:
- Сначала вызови data_freshness и скажи, по какое число есть данные у каждой площадки.
- Считай через query_mart с group_by и metrics, доли и цены на штуку — через derived. Не складывай строки сам.
- Называй основу чисел: оформленные заказы (v_daily) или выкупы (v_profit).
- Если в ответе query_mart есть заметки (notes) о товарах без себестоимости — перескажи их пользователю.
- Пиши по-русски, коротко, цифры с разделителями разрядов и знаком ₽.

Разбери отмены и возвраты за последние 30 дней.

1. Вызови returns_report (по умолчанию 30 дней). По каждой площадке: доля отмен от заказанных штук, доля возвратов
   от проданных, главные причины отмен, сколько площадка удержала за логистику отмен и возвратов.
2. Сравни с прошлыми 30 днями (returns_report с датами) — стало лучше или хуже.
3. Таблица товаров, где отмены и возвраты обошлись дороже всего: заказано, отменено (%), продано, возвращено (%),
   логистика. До 10 строк.
4. Три конкретных шага. Например: много «отказов при получении» — проверить фото, размерную сетку и описание
   (покупатель видит товар и не берёт); «не забрали из пункта выдачи» — срок доставки и склад отгрузки; высокий
   процент возвратов одного товара — отзывы и брак. Каждый шаг — с цифрой, на которую он влияет.
Скажи, что отмены считаются по дню заказа, а возвраты — по финансовым отчётам (WB — по воскресенье).

Правила для всех расчётов:
- Сначала вызови data_freshness и скажи, по какое число есть данные у каждой площадки.
- Считай через query_mart с group_by и metrics, доли и цены на штуку — через derived. Не складывай строки сам.
- Называй основу чисел: оформленные заказы (v_daily) или выкупы (v_profit).
- Если в ответе query_mart есть заметки (notes) о товарах без себестоимости — перескажи их пользователю.
- Пиши по-русски, коротко, цифры с разделителями разрядов и знаком ₽.