SQL para QA: cómo validar datos de pedidos, pagos y detalles de compra
Un pedido puede aparecer como “pagado” en la aplicación y, al mismo tiempo, tener un pago rechazado en la base de datos. También puede existir una línea de compra sin pedido, un total que no coincide con sus productos o dos registros de pago para la misma operación.
Para un perfil de QA, validar estas situaciones con SQL permite comprobar algo más que la respuesta visible de una API: ayuda a verificar la integridad de los datos transaccionales y a encontrar inconsistencias que podrían afectar inventario, facturación o experiencia del cliente.
En este artículo construiremos un caso ficticio de una tienda online y usaremos consultas SELECT y JOIN para detectar problemas frecuentes. Los datos son sintéticos y pueden adaptarse a PostgreSQL, MySQL u otro motor con pequeños cambios de sintaxis.
1. El modelo de datos para una tienda online
La tienda utilizará cuatro tablas:
- orders: información general del pedido y su estado.
- order_items: productos, cantidades y precios registrados al momento de la compra.
- payments: intentos y resultados de pago.
- order_status_history: cambios de estado del pedido.
Un esquema simplificado podría ser el siguiente:
CREATE TABLE orders (
order_id INTEGER PRIMARY KEY,
customer_id INTEGER NOT NULL,
status VARCHAR(30) NOT NULL,
subtotal DECIMAL(10, 2) NOT NULL,
shipping_amount DECIMAL(10, 2) NOT NULL,
total_amount DECIMAL(10, 2) NOT NULL,
created_at TIMESTAMP NOT NULL
);
CREATE TABLE order_items (
order_item_id INTEGER PRIMARY KEY,
order_id INTEGER NOT NULL,
product_id INTEGER NOT NULL,
quantity INTEGER NOT NULL,
unit_price DECIMAL(10, 2) NOT NULL
);
CREATE TABLE payments (
payment_id INTEGER PRIMARY KEY,
order_id INTEGER NOT NULL,
payment_reference VARCHAR(100) NOT NULL,
amount DECIMAL(10, 2) NOT NULL,
status VARCHAR(30) NOT NULL,
created_at TIMESTAMP NOT NULL
);
CREATE TABLE order_status_history (
history_id INTEGER PRIMARY KEY,
order_id INTEGER NOT NULL,
status VARCHAR(30) NOT NULL,
changed_at TIMESTAMP NOT NULL
);
En un sistema real, las claves foráneas, restricciones CHECK e índices deberían complementar las validaciones. Sin embargo, desde QA también es útil consultar los datos directamente, porque no todos los problemas aparecen como errores de base de datos.
2. Dataset sintético para reproducir las pruebas
El siguiente dataset incluye casos correctos y situaciones que requieren investigación:
INSERT INTO orders
(order_id, customer_id, status, subtotal, shipping_amount, total_amount, created_at)
VALUES
(1001, 501, 'PAID', 50.00, 5.00, 55.00, '2025-01-10 10:00:00'),
(1002, 502, 'PAID', 30.00, 0.00, 30.00, '2025-01-10 10:05:00'),
(1003, 503, 'CANCELLED', 20.00, 5.00, 25.00, '2025-01-10 10:10:00'),
(1004, 504, 'PAID', 40.00, 5.00, 45.00, '2025-01-10 10:15:00');
INSERT INTO order_items
(order_item_id, order_id, product_id, quantity, unit_price)
VALUES
(1, 1001, 10, 2, 20.00),
(2, 1001, 11, 1, 10.00),
(3, 1002, 12, 1, 30.00),
(4, 1003, 13, 1, 20.00),
(5, 9999, 14, 1, 15.00),
(6, 1004, 15, 2, 20.00),
(7, 1004, 15, 2, 20.00);
INSERT INTO payments
(payment_id, order_id, payment_reference, amount, status, created_at)
VALUES
(9001, 1001, 'PAY-1001-A', 55.00, 'APPROVED', '2025-01-10 10:01:00'),
(9002, 1002, 'PAY-1002-A', 30.00, 'DECLINED', '2025-01-10 10:06:00'),
(9003, 1003, 'PAY-1003-A', 25.00, 'REFUNDED', '2025-01-10 10:11:00'),
(9004, 1004, 'PAY-1004-A', 45.00, 'APPROVED', '2025-01-10 10:16:00'),
(9005, 1004, 'PAY-1004-B', 45.00, 'APPROVED', '2025-01-10 10:17:00');
INSERT INTO order_status_history
(history_id, order_id, status, changed_at)
VALUES
(1, 1001, 'CREATED', '2025-01-10 10:00:00'),
(2, 1001, 'PAID', '2025-01-10 10:01:00'),
(3, 1002, 'CREATED', '2025-01-10 10:05:00'),
(4, 1002, 'PAID', '2025-01-10 10:06:00'),
(5, 1003, 'CREATED', '2025-01-10 10:10:00'),
(6, 1003, 'CANCELLED', '2025-01-10 10:12:00'),
(7, 1004, 'CREATED', '2025-01-10 10:15:00'),
(8, 1004, 'PAID', '2025-01-10 10:16:00');
Los valores fueron diseñados para ilustrar cuatro tipos de hallazgos: referencias huérfanas, totales inconsistentes, duplicados y estados incompatibles.
3. Cómo detectar referencias huérfanas con LEFT JOIN
Una referencia huérfana aparece cuando una tabla hija apunta a un registro que no existe en la tabla padre. En este caso, la línea con order_id = 9999 no tiene un pedido correspondiente.
SELECT
oi.order_item_id,
oi.order_id,
oi.product_id,
oi.quantity,
oi.unit_price
FROM order_items oi
LEFT JOIN orders o
ON o.order_id = oi.order_id
WHERE o.order_id IS NULL;
El resultado indica que existe una línea de compra sin cabecera de pedido. Esto puede deberse a una eliminación incompleta, una carga de datos defectuosa o una operación que se confirmó parcialmente.
Por qué este hallazgo importa
Una línea huérfana puede afectar reportes de ventas, cálculos de inventario y procesos de devolución. Antes de reportarlo como un bug, conviene confirmar si la tabla es un repositorio temporal, si los datos fueron cargados por un proceso de migración o si existe otra fuente válida para el pedido.
En sistemas nuevos, una clave foránea podría impedir este caso. Aun así, la consulta sigue siendo útil para revisar datos históricos, procesos de importación o tablas que no tienen restricciones completas.
4. Cómo validar subtotales y totales del pedido
El subtotal esperado de un pedido puede calcularse sumando quantity * unit_price de sus líneas. Después se compara con el subtotal almacenado en orders.
SELECT
o.order_id,
o.subtotal AS stored_subtotal,
SUM(oi.quantity * oi.unit_price) AS calculated_subtotal,
o.subtotal - SUM(oi.quantity * oi.unit_price) AS difference
FROM orders o
JOIN order_items oi
ON oi.order_id = o.order_id
GROUP BY
o.order_id,
o.subtotal
HAVING o.subtotal <> SUM(oi.quantity * oi.unit_price);
Para validar también el total final, se puede sumar el costo de las líneas y el envío:
SELECT
o.order_id,
o.total_amount AS stored_total,
SUM(oi.quantity * oi.unit_price) + o.shipping_amount AS calculated_total,
o.total_amount -
(SUM(oi.quantity * oi.unit_price) + o.shipping_amount) AS difference
FROM orders o
JOIN order_items oi
ON oi.order_id = o.order_id
GROUP BY
o.order_id,
o.total_amount,
o.shipping_amount
HAVING o.total_amount <>
SUM(oi.quantity * oi.unit_price) + o.shipping_amount;
Estas consultas permiten descubrir diferencias de redondeo, descuentos omitidos, impuestos no considerados o modificaciones incorrectas del precio.
Una diferencia no siempre significa un defecto
El precio de una línea puede representar el importe después de un descuento, mientras que el precio mostrado en otra tabla puede ser el precio de catálogo. También puede existir una regla de envío gratuito a partir de cierto importe o un impuesto calculado en un servicio externo.
Por eso, el resultado debe compararse con las reglas de negocio y con el contrato de la API. Una diferencia es una señal para investigar, no una prueba automática de que el sistema está fallando.
5. Cómo identificar líneas duplicadas
Una duplicación puede producirse por reintentos de una API, problemas de idempotencia o errores durante el procesamiento de mensajes. En el pedido 1004 aparecen dos líneas para el mismo producto, con igual cantidad y precio.
SELECT
order_id,
product_id,
quantity,
unit_price,
COUNT(*) AS repetitions
FROM order_items
GROUP BY
order_id,
product_id,
quantity,
unit_price
HAVING COUNT(*) > 1;
Esta consulta detecta duplicados exactos dentro del mismo pedido. No necesariamente identifica todos los casos problemáticos: un cliente podría comprar dos veces el mismo producto con cantidades o precios diferentes, y eso puede ser perfectamente válido.
Validación adicional de cantidades
También conviene buscar valores imposibles o sospechosos:
SELECT
order_item_id,
order_id,
quantity,
unit_price
FROM order_items
WHERE quantity <= 0
OR unit_price < 0;
La decisión de permitir precio cero, cantidades decimales o productos repetidos depende del negocio. Por ejemplo, una línea gratuita promocional podría tener unit_price = 0 de forma intencional.
6. Cómo comparar pagos y estados del pedido
Una validación frecuente consiste en comprobar que el estado del pedido sea compatible con el resultado del pago. Para comenzar, podemos revisar pedidos marcados como pagados sin un pago aprobado:
SELECT
o.order_id,
o.status AS order_status,
p.payment_id,
p.status AS payment_status,
p.amount
FROM orders o
LEFT JOIN payments p
ON p.order_id = o.order_id
AND p.status = 'APPROVED'
WHERE o.status = 'PAID'
AND p.payment_id IS NULL;
El pedido 1002 aparece como PAID, pero solo tiene un pago rechazado. Este caso requiere revisar el flujo de confirmación: quizá el pedido se actualizó antes de recibir la respuesta definitiva del proveedor de pagos.
También es útil comparar el importe aprobado con el total del pedido:
SELECT
o.order_id,
o.total_amount,
SUM(CASE
WHEN p.status = 'APPROVED' THEN p.amount
ELSE 0
END) AS approved_amount
FROM orders o
LEFT JOIN payments p
ON p.order_id = o.order_id
GROUP BY
o.order_id,
o.total_amount
HAVING SUM(CASE
WHEN p.status = 'APPROVED' THEN p.amount
ELSE 0
END) <> o.total_amount;
El pedido 1004 puede mostrar un importe aprobado acumulado de 90.00 frente a un total de 45.00. Esto puede indicar un doble cobro o dos intentos aprobados que todavía deben conciliarse.
Revisar duplicados de pagos
SELECT
order_id,
payment_reference,
COUNT(*) AS repetitions
FROM payments
GROUP BY
order_id,
payment_reference
HAVING COUNT(*) > 1;
La referencia de pago debería representar una operación única, pero la regla exacta depende del proveedor. En algunos sistemas puede existir más de un intento para un pedido; en ese caso, se deben distinguir los pagos aprobados, rechazados, anulados y reembolsados.
7. Estados incompatibles y estrategia de investigación en QA
Los estados deben analizarse como una máquina de estados y no solo como textos aislados. Algunas combinaciones sospechosas son:
- Pedido
PAIDsin pago aprobado. - Pedido
CANCELLEDcon un pago aprobado sin reembolso o anulación. - Historial con un estado final diferente al estado actual.
- Transiciones que saltan etapas obligatorias según la regla de negocio.
Para comparar el estado actual con el último estado registrado en el historial, puede utilizarse una consulta con funciones de ventana. La sintaxis puede variar según el motor de base de datos:
SELECT
o.order_id,
o.status AS current_status,
h.status AS last_history_status,
h.changed_at
FROM orders o
JOIN (
SELECT
order_id,
status,
changed_at,
ROW_NUMBER() OVER (
PARTITION BY order_id
ORDER BY changed_at DESC
) AS position
FROM order_status_history
) h
ON h.order_id = o.order_id
AND h.position = 1
WHERE o.status <> h.status;
Si esta consulta devuelve registros, el estado materializado en orders no coincide con el último evento o historial conocido. Puede ser un defecto de sincronización, una actualización manual válida o una demora esperada entre servicios.
Qué debe documentar un tester
- La consulta utilizada y el entorno donde se ejecutó.
- El identificador del pedido, pago o línea afectada.
- El valor esperado según la regla de negocio.
- El valor encontrado en cada tabla o respuesta de API.
- Si el hallazgo se reproduce después de repetir la operación.
- La evidencia relacionada: respuesta HTTP, logs, eventos o historial.
El objetivo no es convertir cada diferencia en un defecto. El objetivo es separar una inconsistencia real de un comportamiento permitido, una demora eventual o una interpretación incorrecta del modelo de datos.
Conclusión: convertir consultas SQL en pruebas reproducibles
SQL puede complementar las pruebas manuales y de API al permitir validar la persistencia de un pedido de extremo a extremo. Las consultas con JOIN, agregaciones y filtros ayudan a encontrar referencias huérfanas, totales incorrectos, duplicados y estados que no representan el resultado real del pago.
El siguiente paso es transformar estas consultas en ejercicios reproducibles: preparar datos, ejecutar una operación desde la API o interfaz, consultar la base de datos y comparar el resultado con las reglas de negocio. En equipos con automatización, estas validaciones también pueden incorporarse a pruebas de integración, cuidando que no dependan de datos compartidos o de estados no controlados.
Practica las consultas con datos de ejemplo y explora el QA Market Lab del curso QA Tester para seguir desarrollando un portafolio orientado a validación de APIs, datos transaccionales y calidad de software.
