No projeto One For All - SpotifyClone, o principal objetivo foi consolidar os conhecimentos de banco de dados relacional através da normalização e criação de consultas SQL avançadas. O desafio simula um banco de dados similar ao do Spotify, no qual foi necessário lidar com dados brutos e não estruturados, aplicando técnicas de modelagem para estruturar o banco de dados de forma eficiente.
🎲 Planilha SpotifyClone
O projeto foi dividido em duas partes:
Recebi uma planilha contendo informações de um banco de dados do SpotifyClone que estavam desnormalizadas e com redundâncias. O primeiro passo foi aplicar princípios de normalização para organizar os dados em diferentes tabelas, garantindo que as informações fossem armazenadas de maneira eficiente, sem duplicações e com integridade referencial. Esta etapa incluiu:
-
Divisão de dados em tabelas relacionais.
-
Definição de chaves primárias e chaves estrangeiras para criar relacionamentos entre tabelas.
-
Garantia de que cada tabela estava no formato 3FN (Terceira Forma Normal), eliminando redundâncias e dependências parciais.
Após a normalização, o próximo passo foi criar as tabelas no banco de dados SpotifyClone e populá-las com os dados fornecidos. Uma vez que o banco de dados foi estruturado, o foco se voltou para a criação de queries SQL avançadas que atendiam aos requisitos de consulta, agregação de dados e relatórios.
-
Normalização: Aplicação das formas normais para organizar dados e eliminar redundâncias, garantindo uma modelagem correta do banco de dados relacional. -
Criação e População de Tabelas: Uso de DDL (Data Definition Language) para criar tabelas e DML (Data Manipulation Language) para inserir dados normalizados. -
Consultas SQL Complexas: Desenvolvimento de consultas avançadas utilizando joins, subqueries, e funções agregadas para obter insights detalhados do banco de dados. -
Agregação de Dados: Aplicação de funções como COUNT(), SUM(), MAX(), MIN() e AVG() para realizar cálculos e análises agregadas sobre os dados do SpotifyClone. -
Alias e Ordenação: Uso de alias para renomear colunas e ordenação de resultados com ORDER BY, criando relatórios claros e precisos. -
Filtragem Condicional: Implementação de filtros com WHERE e HAVING para refinar resultados com base em condições específicas, como datas, faixas etárias e rankings.
-
Normalização e Criação de Tabelas: A partir de uma planilha desnormalizada, os dados foram normalizados e organizados em tabelas com integridade referencial, criando um banco de dados eficiente.
-
Contagem de Canções, Artistas e Álbuns: Uma query foi desenvolvida para contar o número total de canções, artistas e álbuns, utilizando subqueries e joins entre as tabelas normalizadas.
-
Análise de Usuários e Históricos de Reprodução: Criação de uma consulta para exibir o número de músicas ouvidas e a soma dos minutos ouvidos por cada usuário, agrupando e ordenando os resultados.
-
Usuários Ativos desde 2021: Uma query foi criada para identificar usuários que permaneceram ativos após 2021, com base no histórico de reprodução mais recente.
-
Músicas Mais Tocadas: Um estudo das duas músicas mais tocadas no momento foi realizado, utilizando funções agregadas para contar as reproduções e ordenando os resultados de forma decrescente.
-
Relatórios de Faturamento: Para calcular o faturamento da empresa com base nos planos dos usuários, foi criada uma consulta que exibe o menor, maior, médio e total faturamento, com valores monetários formatados com duas casas decimais.
-
Relação de Álbuns e Seguidores: Uma consulta foi desenvolvida para exibir os álbuns produzidos por cada artista, ordenados pela quantidade de seguidores de forma decrescente.
-
Músicas Favoritadas: Após normalizar uma planilha de canções favoritas, uma query foi criada para exibir o top 3 de álbuns cujas músicas foram mais favoritadas, e um ranking de artistas baseado na quantidade de favoritadas que suas músicas receberam.
-
Normalização Avançada: A maior dificuldade foi garantir que os dados estavam normalizados corretamente, eliminando redundâncias e organizando informações de forma eficiente. -
Agregação e Filtragem de Dados: Utilização de GROUP BY e HAVING para realizar cálculos avançados e gerar relatórios a partir de grandes volumes de dados. -
Consultas Otimizadas: Criação de queries que otimizassem a busca e manipulação de dados, mesmo em cenários com múltiplas junções e grandes tabelas.
- MySQL - Banco de dados relacional utilizado para armazenar e manipular os dados.
- SQL - Linguagem utilizada para criar, consultar e manipular o banco de dados.
- Docker - Ferramenta usada para conteinerizar o ambiente de desenvolvimento.
