datasetWanderbricks

O esquema wanderbricks no catálogo samples contém um dataset simulado de plataforma de reserva de viagens. Ele simula um marketplace de aluguel de temporada, com tabelas que abrangem usuários e anfitriões, anúncios de imóveis e destinos, reservas e pagamentos, avaliações e logs de suporte, além da atividade de fluxo de cliques.

Use esse dataset para explorar pipeline de engenharia de dados, painéis analíticos e fluxo de trabalho de machine learning sem carregar seus próprios dados.

Acesse o dataset

O dataset Wanderbricks está pré-carregado no catálogo samples e está disponível no espaço de trabalho habilitado para catálogo do Unity.

Para listar todas as tabelas no esquema:

SQL

SHOW TABLES IN samples.wanderbricks;

Para pré-visualizar os dados em uma tabela específica:

SQL

SELECT *
FROM samples.wanderbricks.<table-name>
LIMIT 10;

Substitua <table-name> pela tabela que você deseja explorar, por exemplo bookings ou reviews.

Tabelas

O esquema wanderbricks inclui as seguintes tabelas. execução SHOW TABLES IN samples.wanderbricks para a lista completa.

Tabela	Descrição
users	Perfis de usuário, incluindo nome, email, país e tipo de usuário.
hosts	Perfis de anfitriões vinculados a anúncios de imóveis, incluindo detalhes account e de contato.
properties	Listagens de imóveis com detalhes como título, tipo, preço e destino.
bookings	Registros de reservas com datas de check-in/check-out, número de hóspedes, valores totais e status.
payments	Registros de pagamento com método, valor, status e referências de reserva.
booking_updates	Reserva de registros de mudança de estado para pipeline de captura de dados de alterações (CDC).
reviews	Avaliações de usuários para propriedades, incluindo classificações, comentários e um indicador is_deleted para exclusões lógicas.
clickstream	Eventos de atividade do usuário (visualizações, cliques, pesquisas, filtros) com metadados aninhados para dispositivo e site de referência.
page_views	Eventos view de página vinculados a usuários e propriedades.
customer_support_logs	logs de chamados de suporte com matrizes aninhadas de mensagens, incluindo remetente e sentimento.
destinations	Destinos turísticos com nomes e descrições, mencionados nos anúncios de imóveis.

Relações da tabela primária

O diagrama a seguir mostra as conexões entre usuários, reservas, propriedades e tabelas relacionadas.

• Usuários e anfitriões

  • users Representa viajantes e clientes empresariais.
  • hosts Representa proprietários e operadores de imóveis.

• Propriedades e destinos

  • Cada linha em properties é uma listagem pertencente a um anfitrião.
  • properties links para destinations para modelar onde o anúncio está localizado.

• Reservas e pagamentos

  • bookings conecta viajantes (user_id) a propriedades (property_id).
  • payments e booking_updates faz referência booking_id para capturar transações financeiras e mudanças de status.

• Comportamento e experiência

  • clickstream e page_views rastreiam como os usuários navegam e interagem com os anúncios.
  • reviews Captura o feedback do usuário e da propriedade após a estadia.
  • customer_support_logs Os registros dão suporte a interações vinculadas a um usuário.

Exemplos de consultas

Os exemplos a seguir mostram como consultar o dataset Wanderbricks.

Junte-se a usuários, reservas e propriedades.

Retornar reservas recentes com detalhes do hóspede e da propriedade:

SQL

SQL

SELECT
  u.name              AS guest_name,
  p.title             AS property_title,
  b.check_in,
  b.check_out,
  b.total_amount,
  b.status
FROM samples.wanderbricks.bookings AS b
JOIN samples.wanderbricks.users AS u
  ON b.user_id = u.user_id
JOIN samples.wanderbricks.properties AS p
  ON b.property_id = p.property_id
ORDER BY b.check_in DESC
LIMIT 10;

Python

Python

bookings_df = spark.read.table("samples.wanderbricks.bookings")
users_df = spark.read.table("samples.wanderbricks.users")
properties_df = spark.read.table("samples.wanderbricks.properties")

result_df = (
    bookings_df
    .join(users_df, bookings_df.user_id == users_df.user_id)
    .join(properties_df, bookings_df.property_id == properties_df.property_id)
    .select(
        users_df.name.alias("guest_name"),
        properties_df.title.alias("property_title"),
        bookings_df.check_in,
        bookings_df.check_out,
        bookings_df.total_amount,
        bookings_df.status
    )
    .orderBy(bookings_df.check_in.desc())
    .limit(10)
)

display(result_df)

Analise eventos de fluxo de cliques por dispositivo.

Resuma o engajamento por tipo de evento e dispositivo:

SQL

SQL

SELECT
  metadata.device AS device_type,
  event,
  COUNT(*)        AS event_count
FROM samples.wanderbricks.clickstream
GROUP BY metadata.device, event
ORDER BY event_count DESC;

Python

Python

from pyspark.sql.functions import col, count

clickstream_df = spark.read.table("samples.wanderbricks.clickstream")

result_df = (
    clickstream_df
    .groupBy(col("metadata.device").alias("device_type"), col("event"))
    .agg(count("*").alias("event_count"))
    .orderBy(col("event_count").desc())
)

display(result_df)

Calcular a classificação média por propriedade.

Encontre os imóveis mais bem avaliados com um volume suficiente de avaliações:

SQL

SQL

SELECT
  p.title                       AS property_title,
  p.property_type,
  ROUND(AVG(r.rating), 2)       AS avg_rating,
  COUNT(r.rating)               AS review_count
FROM samples.wanderbricks.properties AS p
JOIN samples.wanderbricks.reviews    AS r
  ON p.property_id = r.property_id
WHERE r.is_deleted = false
GROUP BY p.title, p.property_type
HAVING COUNT(r.rating) >= 5
ORDER BY avg_rating DESC
LIMIT 10;

Python

Python

from pyspark.sql.functions import avg, count, round as pyspark_round, col

properties_df = spark.read.table("samples.wanderbricks.properties")
reviews_df = spark.read.table("samples.wanderbricks.reviews")

result_df = (
    properties_df
    .join(reviews_df, properties_df.property_id == reviews_df.property_id)
    .where(reviews_df.is_deleted == False)
    .groupBy(
        properties_df.title.alias("property_title"),
        properties_df.property_type
    )
    .agg(
        pyspark_round(avg(reviews_df.rating), 2).alias("avg_rating"),
        count(reviews_df.rating).alias("review_count")
    )
    .filter(col("review_count") >= 5)
    .orderBy(col("avg_rating").desc())
    .limit(10)
)

display(result_df)