inventory-management.zip, menu-engineering-part1.zip, menu-engineering-part2.zip, shift-planning.zip

数据集包括四个部分：1. Fresh Flow Markets的库存管理数据（667 MB）；2. Flavor Flow Craft的菜单工程数据（第一部分1.4 GB，第二部分1.2 GB）；3. Quick Serve Kitchens的班次计划数据（292 MB）。所有时间戳为UNIX整数，货币单位为丹麦克朗（DKK）。

The dataset consists of four components: 1. Inventory management data from Fresh Flow Markets (667 MB); 2. Menu engineering data from Flavor Flow Craft (1.4 GB for the first part and 1.2 GB for the second part); 3. Shift scheduling data from Quick Serve Kitchens (292 MB). All timestamps are UNIX integers, and the currency unit is Danish Krone (DKK).

原始信息汇总

数据集概述

数据集基本信息

• 数据集名称: Deloitte x AUC Hackathon 数据集
• 数据集地址: https://github.com/ynakhla/DIH-X-AUC-Hackathon
• 数据获取方式: 通过 GitHub Releases 下载
• 数据下载链接: https://github.com/ynakhla/DIH-X-AUC-Hackathon/releases/tag/v1.0-data

数据集内容与结构

数据集包含三个独立的业务用例数据，分别对应不同的商业挑战。

用例一：Fresh Flow Markets（库存管理）

• 数据文件: inventory-management.zip (667 MB)
• 数据目录: data/Inventory Management/
• 业务挑战: 餐厅和杂货店面临库存平衡问题，过度库存导致浪费，库存不足导致收入损失和客户不满。核心问题是需求预测不准确。
• 潜在业务问题:
  • 如何准确预测每日、每周和每月的需求？
  • 厨房应准备多少食材以最小化浪费？
  • 如何根据保质期优先处理库存？
  • 哪些促销或捆绑销售可以有利可图地处理临近过期的商品？
  • 外部因素（天气、节假日、周末）如何影响销售？

用例二：Flavor Flow Craft（菜单工程）

• 数据文件:
  • menu-engineering-part1.zip (1.4 GB)
  • menu-engineering-part2.zip (1.2 GB)
• 数据目录:
  • data/Menu Engineering Part 1/
  • data/Menu Engineering Part 2/
• 注意事项: 菜单工程需要同时下载 Part 1 和 Part 2 两部分数据。
• 业务挑战: 公司拥有历史销售数据，但菜单决策基于直觉，不清楚哪些菜品在秘密亏损，或哪些调整可以将表现不佳的菜品转变为畅销品。
• 潜在业务问题:
  • 哪些菜单项目是明星、耕马、谜题或狗？
  • 应如何调整定价以实现利润最大化？
  • 哪些措辞或描述能增加商品销量？
  • 哪些项目应该被推广、重新设计或淘汰？
  • 客户购买行为中存在哪些隐藏模式？

用例三：Quick Serve Kitchens（班次规划）

• 数据文件: shift-planning.zip (292 MB)
• 数据目录: data/Shift Planning/
• 业务挑战: 准确预测和满足剧烈波动的客户需求，以确保每个班次的最佳人员配置。人员太少意味着服务糟糕和员工倦怠，人员太多则意味着劳动力成本飙升。
• 潜在业务问题:
  • 如何预测来自社交媒体、天气或活动的需求高峰？
  • 每个班次的最佳人员配置水平是什么？
  • 当发生缺勤时，我们如何快速调整？
  • 如何平衡劳动力成本和服务质量？
  • 如何在满足业务需求的同时考虑员工偏好？

数据通用说明

• 时间戳格式: 所有时间戳均为 UNIX 整数（在 MySQL 中使用 FROM_UNIXTIME() 函数处理）。
• 货币单位: 所有货币值均以丹麦克朗 (DKK) 为单位。
• 详细文档: 更详细的数据文档请参见 data/README.md 文件。

数据使用与项目要求

此数据集为德勤与 AUC 黑客松提供，旨在解决上述商业挑战。参与者需构建解决方案，并满足特定的项目结构与文档要求，包括清晰的 README、代码组织、依赖管理、代码质量、安全性、测试以及团队协作证明。

搜集汇总

数据集介绍

构建方式

在餐饮与零售运营管理领域，数据驱动的决策支持系统日益成为企业提升效率的关键。本数据集由德勤与AUC联合举办的咨询黑客松提供，围绕库存管理、菜单工程与排班规划三大实际业务场景构建。数据来源于模拟的餐饮及零售业务运营记录，通过结构化方式整理为多个CSV文件，涵盖销售交易、库存流水、菜单项详情及员工排班等多维度信息。所有时间戳均采用UNIX整数格式，货币单位统一为丹麦克朗，确保了数据的一致性与可处理性。

特点

该数据集具有鲜明的业务仿真特性，紧密贴合餐饮零售行业的核心运营挑战。数据规模较为庞大，单个案例数据可达数百兆至千兆字节，提供了充足的样本以支持复杂的分析与建模。其内容设计高度场景化，例如库存管理数据包含商品需求与损耗信息，菜单工程数据则融合了菜品销售与成本明细，能够有效反映实际业务中的动态变化与不确定性。这种多维度、细粒度的数据组织方式，为开发预测模型与优化算法奠定了坚实基础。

使用方法

使用者可通过克隆项目仓库并从发布页面下载对应的压缩包来获取数据。数据需解压至指定目录，并按照不同用例分文件夹存放，以维持清晰的项目结构。在分析前，建议利用数据库函数（如MySQL的FROM_UNIXTIME）对时间戳进行转换，以便进行时序分析。该数据集适用于构建需求预测、菜单利润分析或智能排班等解决方案，开发者可依据提供的业务问题指引，结合机器学习或运筹优化技术，设计并实现具有可衡量商业价值的数据产品。

背景与挑战

背景概述

德勤与AUC联合举办的咨询黑客马拉松数据集，聚焦于餐饮与零售行业的运营优化挑战。该数据集由德勤咨询公司于2024年发布，旨在模拟真实商业场景，推动数据驱动决策在库存管理、菜单工程与排班规划等核心业务问题中的应用。通过提供大规模、多维度的时间序列与交易数据，该数据集为研究者和从业者构建了探索预测分析、资源优化与商业智能的实证基础，对运营管理、供应链分析及服务科学领域的研究与实践具有显著的推动作用。

当前挑战

该数据集旨在解决餐饮零售业中库存浪费、菜单利润最大化及动态人力调度等复杂运营问题，其核心挑战在于构建高精度的需求预测模型以应对销售波动性与不确定性。在数据构建过程中，挑战体现在多源异构数据的整合与清洗，包括处理大规模交易记录、库存流水及员工排班日志，并确保时间戳、货币单位的一致性。此外，数据隐含的时空关联性、外部因素（如社交媒体事件）的量化表征，以及业务规则与统计特征的平衡，均为模型构建带来显著难度。

常用场景

经典使用场景

在餐饮与零售运营管理领域，库存管理、菜单工程与排班规划是核心业务环节。这些数据集为研究者和从业者提供了模拟真实商业场景的丰富数据，常用于构建预测模型与优化算法。例如，库存管理数据支持需求预测模型的训练，以精准估计商品消耗量；菜单工程数据则助力于菜品盈利性分析，通过销售历史识别明星菜品与滞销品；排班规划数据可用于开发智能调度系统，以平衡劳动力成本与服务需求。这些场景共同体现了数据驱动决策在提升运营效率中的关键作用。

衍生相关工作

围绕该数据集衍生的经典工作主要集中在智能决策支持系统的构建。例如，基于库存数据的时间序列预测模型（如ARIMA、LSTM）被广泛用于需求感知研究；菜单工程数据催生了菜品聚类分析与关联规则挖掘，促进了推荐系统在餐饮场景的适配；排班规划数据则启发了一系列混合整数规划与强化学习算法，以优化劳动力配置。这些工作不仅丰富了学术文献，也为业界提供了开源工具与框架，形成了从数据到解决方案的完整生态。

数据集最近研究

最新研究方向

在餐饮与零售运营管理领域，德勤与AUC联合黑客松发布的库存管理、菜单工程及排班规划数据集正推动着智能决策系统的前沿探索。这些数据集聚焦于需求预测、菜单优化与劳动力调度等核心挑战，当前研究热点集中于融合时序分析与机器学习模型，以提升预测精度并实现动态资源调配。例如，结合外部因素如社交媒体趋势与天气数据，构建自适应需求预测框架，已成为优化库存与排班的关键方向。此类研究不仅助力企业降低运营成本与减少浪费，更通过数据驱动策略增强了业务韧性，体现了运营智能化在提升供应链效率与顾客体验中的深远意义。