FLO-Dataset

该数据集包含2020-2021年间客户过去购物行为的信息，这些客户在其最后一次购买时是OmniChannel（同时在线和离线购物者）。数据集字段包括唯一客户编号、购物平台渠道、最后一次购买渠道、首次和最后一次购买日期、在线和离线平台上的最后一次购买日期、在线和离线平台的总购买次数、离线和在线购买的总价格、过去12个月内购物的类别列表以及代表三家不同公司的商店类型。

This dataset contains records of past shopping behaviors for customers who were OmniChannel shoppers (simultaneous online and offline buyers) at their final purchase, spanning the 2020 to 2021 period. The dataset includes the following fields: unique customer ID, shopping platform channel, final purchase channel, first and final purchase dates, final purchase dates on online and offline platforms respectively, total purchase counts on online and offline platforms, total purchase amounts for offline and online shopping, list of shopping categories purchased within the past 12 months, and store types representing three distinct companies.

原始信息汇总

MSSQL-Practice-on-FLO-Dataset

数据集概述

该数据集包含2020年至2021年间，OmniChannel（同时进行线上和线下购物）客户的过去购物行为信息。

数据字段

• master_id: 唯一客户编号
• order_channel: 购物平台使用的渠道（Android, iOS, Desktop, Mobile, Offline）
• last_order_channel: 最后一次购买使用的渠道
• first_order_date: 客户首次购买日期
• last_order_date: 客户最后一次购买日期
• last_order_date_online: 客户在线上平台最后一次购买日期
• last_order_date_offline: 客户在离线平台最后一次购买日期
• order_num_total_ever_online: 客户在线上平台的总购买次数
• order_num_total_ever_offline: 客户离线平台的总购买次数
• customer_value_total_ever_offline: 客户离线购买的总支付金额
• customer_value_total_ever_online: 客户线上购买的总支付金额
• interested_in_categories_12: 客户在过去12个月内购物的类别列表
• store_type: 代表3家不同的公司。如果一个客户从公司A和公司B购物，则记录为A,B。

搜集汇总

数据集介绍

构建方式

FLO-Dataset的构建基于2020年至2021年间OmniChannel（线上线下）购物者的历史购物行为数据。该数据集通过收集和整合客户的唯一标识符、购物渠道、首次和最后一次购买日期、在线和离线平台的购买次数及总金额、以及过去12个月内的购物类别等信息，形成了一个全面且详尽的客户行为数据库。

特点

FLO-Dataset的显著特点在于其多维度的数据结构，涵盖了客户的线上线下购物行为、购物渠道偏好、消费总额及购物类别等多个方面。此外，数据集还包含了客户在不同公司间的购物行为交叉信息，这为分析客户的多渠道购物习惯提供了独特的视角。

使用方法

使用FLO-Dataset时，研究者可以通过分析客户的购物渠道偏好、消费模式及购物类别，深入理解客户的购物行为和偏好。数据集中的多维度信息为市场分析、客户细分及个性化营销策略的制定提供了丰富的数据支持。此外，结合SQL查询工具，用户可以高效地提取和分析所需的具体数据。

背景与挑战

背景概述

FLO-Dataset 是一个专注于客户购物行为分析的数据集，由研究人员在2020年至2021年间创建。该数据集汇集了OmniChannel购物者的历史消费数据，涵盖了在线和线下购物的详细信息。主要研究人员或机构通过收集和整理这些数据，旨在深入理解多渠道购物行为，从而为零售业提供有价值的洞察。FLO-Dataset的发布对零售分析领域产生了重要影响，为研究者提供了丰富的数据资源，有助于推动个性化营销和客户行为预测的研究。

当前挑战

FLO-Dataset在构建过程中面临多个挑战。首先，数据集需要处理来自不同购物渠道的混合数据，这要求高度的数据整合和清洗能力。其次，确保数据的准确性和一致性是一个重要挑战，尤其是在处理跨平台和跨公司的购物记录时。此外，数据集的隐私和安全问题也不容忽视，特别是在涉及客户敏感信息的情况下。最后，如何有效地利用这些数据进行分析和建模，以解决零售业中的实际问题，如客户细分和购物行为预测，也是该数据集面临的一大挑战。

常用场景

经典使用场景

在零售分析领域，FLO-Dataset 常用于客户行为分析。通过分析客户的线上线下购物行为，研究者可以深入了解消费者的购物习惯、偏好以及渠道选择。例如，通过比较 `order_num_total_ever_online` 和 `order_num_total_ever_offline`，可以评估不同购物渠道对客户购买频率的影响。此外，`last_order_date` 和 `first_order_date` 的对比分析有助于识别客户的忠诚度和生命周期价值。

衍生相关工作

基于 FLO-Dataset，研究者开发了多种客户行为预测模型和个性化推荐系统。例如，通过分析 `first_order_date` 和 `last_order_date`，研究者可以构建客户生命周期模型，预测客户的未来购买行为。此外，`interested_in_categories_12` 字段被用于开发基于兴趣的推荐算法，显著提升了推荐系统的准确性和用户满意度。

数据集最近研究

最新研究方向

在零售分析领域，FLO-Dataset因其丰富的客户购物行为数据而备受关注。最新研究方向主要集中在利用该数据集进行多渠道客户行为分析，以优化营销策略和提升客户体验。研究者们通过分析不同购物渠道（如Android、iOS、Desktop、Mobile、Offline）的使用频率和购买模式，探索客户在不同平台上的消费习惯和偏好。此外，数据集中的时间序列信息，如首次和最后一次购买日期，以及在线和离线购买的总次数和总价值，为预测客户未来购买行为和生命周期价值提供了有力支持。这些研究不仅有助于企业制定更精准的客户细分策略，还能通过个性化推荐和促销活动提高客户忠诚度和销售额。