michaelmallari/online-retail-ii

---
name: "Online Retail II"
source: https://archive.ics.uci.edu/dataset/502/online+retail+ii
license: cc-by-4.0
---

数据集名称：在线零售II（Online Retail II）
数据来源：https://archive.ics.uci.edu/dataset/502/online+retail+ii
许可协议：cc-by-4.0

原始信息汇总

数据集概述

数据集名称

• 名称: Online Retail II

数据集来源

• 来源: https://archive.ics.uci.edu/dataset/502/online+retail+ii

许可证

• 许可证: cc-by-4.0

搜集汇总

数据集介绍

构建方式

该数据集源自UCI机器学习库，收录了某英国在线零售平台在2009年12月1日至2011年12月9日期间的交易记录。数据采集自实际电子商务系统，涵盖涵盖发票编号、商品代码、商品描述、交易数量、发票日期、单价、客户ID及国家等字段，共计约100万条记录。构建过程遵循原始交易日志的完整性，未进行人工筛选或合成，确保了数据的真实性与生态效度，为零售分析与客户行为研究提供了坚实的实证基础。

特点

数据集具有显著的时间跨度与交易规模优势，覆盖两年间的完整运营周期，支持季节性趋势与长期消费模式分析。其多维度字段设计，尤其是客户ID与国家信息的纳入，使得跨地域客户细分与价值评估成为可能。此外，数据中自然包含退货交易（以负数量标识），为研究退货行为与客户满意度提供了独特视角，凸显了其在电子商务研究中的实用性与代表性。

使用方法

该数据集可直接通过HuggingFace Datasets库加载，使用`load_dataset('michaelmallari/online-retail-ii')`命令即可获取。适用于构建客户购买行为预测模型、商品关联规则挖掘（如市场篮子分析）及客户生命周期价值评估。研究者可基于发票日期进行时间序列分析，或利用国家字段开展跨文化消费差异研究。数据遵循CC-BY-4.0许可，便于学术与商业场景的合规使用。

背景与挑战

背景概述

在线零售业作为电子商务的核心领域，其交易数据的深度挖掘对于理解消费者行为、优化库存管理及提升营销策略具有重要价值。Online Retail II数据集由UCI机器学习库于2019年发布，源自一家英国在线礼品零售商的真实交易记录，涵盖2010年12月至2011年12月间的约100万笔交易。该数据集由伦敦大学学院等机构的研究人员整理，核心研究问题聚焦于通过客户购买历史进行客户细分、购物篮分析及销售预测。作为经典零售分析基准，它推动了关联规则挖掘、聚类分析及时间序列预测等方法的验证与迭代，在电子商务数据科学领域具有广泛影响力。

当前挑战

该数据集所解决的领域问题包括客户行为模式识别与销售趋势预测，但面临多重挑战。首先，数据中包含大量缺失的客户ID（约占20%），影响客户级分析的完整性；其次，存在异常交易记录，如负数量或负单价（可能代表退货或错误输入），需进行严格清洗。构建过程中，研究人员需处理跨国交易中的货币单位不一致问题，并整合来自不同时间段的销售数据以消除季节性偏差。此外，数据集缺乏产品类别层次结构，增加了商品关联分析的复杂性；而高维稀疏的客户-商品矩阵对传统聚类算法提出计算效率考验，需借助降维或分布式处理技术应对。

常用场景

经典使用场景

Online Retail II数据集源自UCI机器学习库，记录了英国一家在线零售企业2010年至2011年间的真实交易数据，涵盖发票编号、商品描述、数量、单价、客户ID及国家等字段。在数据挖掘与电子商务研究领域，该数据集常被用于构建客户购买行为分析模型，例如通过RFM（最近一次购买、频率、金额）框架进行客户分层，或利用关联规则挖掘算法（如Apriori）发现商品间的组合购买模式，从而揭示消费者偏好与市场趋势的内在规律。

衍生相关工作

该数据集催生了多项标志性学术成果，例如基于深度学习的序列推荐模型（如GRU4Rec）在此数据上验证了会话式推荐的有效性，以及利用图神经网络（GNN）建模用户-商品交互图的创新研究。此外，时间序列分解技术被用于识别零售数据中的周期性波动，异常检测算法则用于识别欺诈交易。这些工作共同推动了电子商务智能分析领域的理论突破与算法演进。

数据集最近研究

最新研究方向

当前，michaelmallari/online-retail-ii数据集在电子商务与零售分析领域的前沿研究中扮演着关键角色，尤其聚焦于客户行为建模、购物篮分析与时序预测。随着个性化推荐与智能供应链管理成为行业热点，该数据集因其包含真实交易记录、产品描述及多国客户信息，被广泛用于开发基于深度学习的协同过滤模型与图神经网络，以捕捉复杂的购买模式。此外，结合近期全球数字化转型加速的趋势，研究者利用该数据集探索季节性需求波动与促销策略优化，其高维度特征与时间戳属性为因果推断与异常检测提供了丰富素材，推动了从传统统计方法向可解释AI的演进，对提升零售业运营效率与客户留存率具有显著实践意义。