© 2023-2026 上海数据发展科技有限责任公司 版权所有
沪ICP备17003045号-15沪公网安备31010402336585号
杭州适足鞋靴科技有限公司
企业杭州适足鞋靴科技有限公司成立于2022年，属软件和信息技术服务业，主营技术服务、技术开发、技术咨询、技术交流。面向市场需求分析、定价策略、弹性分析等领域提供数据服务，开放女士马丁靴在贵州省的需求价格弹性分析数据（市场需求分析、定价策略）、女士马丁靴在河北省的需求价格弹性分析数据（市场需求分析、弹性分析）、安徽地区定制鞋垫消费者分析数据（消费分析、营销策略），支撑市场分析与定价决策。
市场需求分析定价策略弹性分析软件信息服务
数据集列表
鞋靴退换货诉求文本分类与优先级判断训练数据
面向鞋靴电商平台退换货场景下的诉求文本自动分类与处理优先级智能判断任务，构建训练退货原因分类模型及处理优先级判断模型的标注数据集，使模型能够自动识别消费者退换货诉求文本所属原因类别，并判断申请的处理优先级。用于售后工单自动分类、优先级智能派单场景，解决人工逐条判断退换货原因与优先级效率低、标准不统一、高优工单易被淹没延误处理的问题。一、加工前的数据说明：原始数据来源于企业自有平台的退换货申请记录。
二、处理规则：1.数据采集与清洗：采集退换货申请记录进行去重与格式标准化处理，剔除诉求文本缺失或内容无效的样本。2.退货原因分类标注：采用文本分类模型对每条诉求文本进行退货原因自动识别，将原因划分为物流损坏、描述不符合、款式不满意、尺码不符、重复下单、质量问题六类，再由企业员工对自动标注结果逐条审核校正，形成最终退货原因分类标签。3.处理优先级标注：依据预设优先级判定规则，由人工对每条申请标注处理优先级：涉及质量安全问题或物流严重损坏须立即处理的标注为紧急，属于常规退换货申请按正常流程处理的标注为普通，属于个人原因或仅因不满意的非紧急申请标注为低。4.数据集划分：按训练、验证、测试用途对数据进行划分，生成数据集划分标识（train/val/test）。
三、数据内容描述：最终形成结构化的鞋靴退换货诉求文本分类与优先级判断训练数据集合，包含以下字段：1）申请记录匿名编码：经无规则编码化处理的退换货申请唯一标识；2）申请类型：退换货申请的类别（退货/换货）；3）脱敏后诉求文本：经去标识化处理后保留诉求语义的消费者申请描述文本；4）退货原因分类标签：经模型自动识别并人工审核校正的退货原因类别（物流损坏/描述不符合/款式不满意/尺码不符/重复下单/质量问题），作为退货原因分类模型的监督标签；5）处理优先级标签：依据预设规则由企业员工标注的处理紧迫程度（紧急/普通/低），作为优先级判断模型的监督标签；6）鞋靴品类：申请涉及商品所属鞋靴品类（休闲鞋/户外鞋/运动鞋/正装鞋）；7）数据集划分标识：样本所属子集类型（train/val/test），train表示训练集，val表示验证集，test表示测试集。
浙江省数据知识产权登记平台2026-08-14 更新10
鞋靴消费者价格敏感度动态预测模型训练数据
面向鞋靴电商平台消费者价格敏感度动态预测任务需求，构建可用于训练价格敏感度预测模型的训练数据集，使模型能够基于用户历史享受折扣行为、优惠券使用情况及促销期购买偏好，动态预测用户的价格敏感度综合指数，并判断其所属敏感度层级及近期变化趋势，用于差异化促销策略制定、优惠券定向投放、价格敏感用户预警场景，解决无法量化识别消费者价格敏感程度、促销资源难以精准触达目标用户的问题。一、加工前的数据说明：原始数据来源于企业自有平台用户订单记录、优惠行为日志及订单时间信息。
二、处理规则：1.数据采集与清洗：按用户维度聚合历史订单和优惠行为，去重并过滤用户id、订单时间、折扣、优惠券或促销标记缺失的异常记录。以订单时间为依据，将已有订单记录按最近3个月、3-6个月前、6-9个月前三类特征计算时间窗口生成记录，并写入统计时间。2.三维度特征构建：历史享受折扣订单占比=窗口内享受折扣订单数/窗口内有效订单数；历史优惠券使用比例=窗口内核销优惠券订单数/窗口内有效订单数；促销期购买占比=窗口内促销期下单数/窗口内有效订单数。3.综合指数计算：价格敏感度综合指数=历史享受折扣订单占比×0.4+历史优惠券使用比例×0.3+促销期购买占比×0.3。4.分层与趋势标注：综合指数低于0.3为低敏感，0.3至0.7为中敏感，高于0.7为高敏感；比对最近3个月与前序窗口综合指数，标注上升、下降或持平趋势。5.数据集划分：生成数据集划分标识。
三、数据内容描述：最终形成结构化的鞋靴消费者价格敏感度动态预测模型训练数据集合，包含以下字段：1）用户id：经无规则编码化处理的用户唯一标识；2）特征计算时间窗口：当前记录对应的相对统计窗口；3）统计时间：当前窗口的统计起止日期；4）窗口内有效订单数：当前窗口内用于计算特征的有效订单总数；5）窗口内享受折扣订单数：当前窗口内享受折扣的订单数；6）窗口内核销优惠券订单数：当前窗口内核销优惠券的订单数；7）窗口内促销期下单数：当前窗口内促销活动期间下单数；8）历史享受折扣订单占比：折扣订单数占有效订单数的比率；9）历史优惠券使用比例：核销优惠券订单数占有效订单数的比率；10）促销期购买占比：促销期下单数占有效订单数的比率；11）价格敏感度综合指数：按0.4、0.3、0.3权重计算的综合指数；12）价格敏感度分层标签：低敏感、中敏感、高敏感；13）近3个月敏感度变化趋势：上升、下降或持平；14）数据集划分标识：train、val或test。
浙江省数据知识产权登记平台2026-08-14 更新10
鞋靴消费者足型扫描点云数据的尺码适配推理训练数据
面向鞋靴智能尺码适配推理任务，构建用于训练足型三维特征识别与尺码推荐模型的数据集。数据基于消费者足部三维点云坐标、脚长、前掌宽、脚背高、跟围和试穿舒适度评分，学习足型特征与最佳适配楦型、推荐码数之间的对应关系，用于门店智能推荐、线上尺码自助选择和退货率控制，解决人工测量效率低、楦型判断依赖经验的问题。一、加工前的数据说明：原始数据来源于企业自主采集的消费者足型扫描记录和试穿反馈，原始字段包括扫描记录、足部侧别、三维点云坐标、试穿楦型、试穿码数和舒适度反馈。
二、处理规则：1.清洗：按扫描记录唯一编码去重，剔除点云缺失、坐标异常、足部侧别缺失或试穿反馈缺失的样本。2.尺寸提取：基于三维点云坐标集自动计算脚长、前掌宽、脚背高、跟围；脚长为足跟最后点至最长趾尖点纵向距离，前掌宽为第一至第五跖骨头横向距离，脚背高为足背最高点至足底平面距离，跟围为足跟与脚背围度。3.模型训练：采用点云编码分支和尺寸特征分支的双分支网络，点云分支提取三维形态特征，尺寸分支输入脚长、前掌宽、脚背高、跟围，融合权重为点云特征0.60、尺寸特征0.40，融合后输出最佳适配楦型和最佳适配推荐码数。4.训练参数：楦型任务使用多分类交叉熵，码数任务使用多分类交叉熵，联合损失为0.55×楦型损失+0.45×码数损失；Adam优化，学习率0.001，批量64，迭代150轮，以验证集Top-2码数命中率早停。5.验证：使用楦型准确率、码数准确率、码数Top-2命中率和码数平均绝对误差评估，并按数据集划分标识训练、验证、测试。
三、数据内容描述：最终形成鞋靴消费者足型扫描点云尺码适配推理训练数据集合，包含以下字段：1）扫描记录唯一编码：经无规则编码化处理的足部扫描记录唯一标识；2）足部侧别：当前扫描记录对应的足部（左/右）；3）三维点云坐标集：由3D扫描设备采集的22个足部三维坐标点（每点含x/y/z三维坐标，单位毫米），作为模型的原始输入特征；4）脚长（毫米）：从点云自动提取的足部纵向长度；5）前掌宽（毫米）：从点云自动提取的前掌横向宽度；6）脚背高（毫米）：从点云自动提取的足背垂直高度；7）跟围（毫米）：从点云自动提取的足跟周长；8）最佳适配楦型标签（训练标签）：经试穿验证的最佳楦型类别（标准楦/高背标准楦/宽楦/窄楦/高背宽楦），作为楦型推理模型的监督标签；9）最佳适配推荐码数（训练标签）：经试穿验证的最佳码数（34–46码），作为码数推荐模型的监督标签；10）试穿舒适度评分：消费者试穿最佳适配鞋靴时的主观舒适度评分，用于辅助验证标注质量；11）数据集划分标识：样本所属子集类型（train/val/test）。
浙江省数据知识产权登记平台2026-08-11 更新00
脚型图像特征提取训练数据
本数据用于训练脚型识别模型。模型基于脚型图像中的解剖学关键点位置及脚型类别标注，自动识别标准型、高脚背型、宽脚型、拇外翻型四类脚型特征，并生成脚型识别结果。该数据可应用于鞋靴零售企业的线上导购、鞋靴推荐和购鞋辅助选择场景，为消费者匹配与脚型特征更适配的鞋靴商品；可应用于鞋靴品牌企业和生产企业的鞋楦匹配、产品设计验证及尺码适配分析，为不同脚型人群的鞋靴设计和商品配置提供数据依据；还可为鞋靴电商平台、线下门店及行业服务机构开展脚型识别和鞋靴匹配提供训练数据支持。该数据能够解决人工测量脚型效率低、识别标准不一致、鞋靴匹配依赖经验及难以规模化应用的问题。一、加工前的数据说明：原始数据来源于企业自有软件工具采集的脚型图像，原始数据为脚型图像文件。
二、处理规则：1.数据采集与清洗：对脚型图像文件进行去重、规格校验与标准化处理，剔除破损、重复及不合规样本。2.关键点自动标注：采用关键点检测模型对每张脚型图像进行自动推理，识别并输出8个解剖学关键点的像素坐标（格式为(x,y)），包括：脚跟中心、内踝骨最突点、外踝骨最突点、第一跖骨头（大拇趾根部）、第五跖骨头（小趾根部）、拇趾尖、小趾尖、足弓最高点。3.标注质量控制：对自动标注结果采用多人交叉核验机制，计算各样本关键点坐标的标注质量评分，评分越高表明该样本关键点标注一致性越高、定位可靠性越强。4.脚型分类标注：根据各关键点坐标的几何分布特征（足弓最高点相对位置、前掌宽度、拇趾偏转方向）对每张图像标注脚型分类标签，类别包括标准型、高脚背型、宽脚型、拇外翻型，作为脚型分类模型的监督标签。5.数据集划分：按训练、验证、测试用途对数据进行划分，生成数据集划分标识（train/val/test）。
三、数据内容描述：最终形成结构化的脚型图像特征提取训练数据集合，包含以下字段：1）图像唯一编码：经无规则编码化处理的脚型图像唯一标识；2）脚跟中心坐标点：标注的脚跟中心关键点像素坐标；3）内踝骨最突点坐标点：标注的内踝骨最突出位置像素坐标；4）外踝骨最突点坐标点：标注的外踝骨最突出位置像素坐标；5）第一跖骨头（大拇趾根部）坐标点：标注的大拇趾根部关键点像素坐标；6）第五跖骨头（小趾根部）坐标点：标注的小趾根部关键点像素坐标；7）拇趾尖坐标点：标注的拇趾末端关键点像素坐标；8）小趾尖坐标点：标注的小趾末端关键点像素坐标；9）足弓最高点坐标点：标注的足弓最高位置像素坐标；10）脚型分类标签：基于关键点几何特征判定的脚型类别（标准型/高脚背型/宽脚型/拇外翻型），作为分类模型训练的监督标签；11）图像尺寸：脚型图像的像素规格，标准化为512×512；12）标注质量评分：多人交叉核验的关键点标注一致性评分，反映标注可靠性；13）数据集划分标识：样本所属子集类型（train/val/test），train表示训练集，val表示验证集，test表示测试集。
浙江省数据知识产权登记平台2026-08-11 更新00
男士鞋类产品在全国的需求价格弹性分析数据
为更好了解不同区域对男士鞋类产品的市场需求情况，现对男士鞋类产品的需求弹性数据进行采集计算。采集男士鞋类产品在各个月的需求数据和价格数据，得到该男士鞋类产品的需求价格弹性，如果男士鞋类产品需求量变动的比率大于价格变动的比率，那么男士鞋类产品需求富有弹性，说明顾客对于价格变化的敏感程度，弹性越大，需求对价格变化越敏感，本行业的所有企业可以适当的降低男士鞋类产品价格来获得较多的收益。如果男士鞋类产品需求缺乏弹性，本行业的所有企业可以适当的提高男士鞋类产品价格来获得较多的收益，该项数据对本行业所有企业的市场营销决策有重要意义。一、加工前的数据说明：原始数据来源于本公司在全国不同区域的男士鞋类产品销售订单，字段包括：订单时间、产品名称、产品型号、所属地区、购买数量、产品单价。
二、处理规则：1.数据聚合与清洗：首先，以“产品名称+产品型号+省级区域+市级区域”为维度，根据“订单时间”对原始销售订单数据按自然月进行聚合。计算每个产品在每个区域每月的总购买数量作为“产品需求量(Q)”，以及消费金额的加权平均值作为“产品价格(P)”。此过程已包含对无效订单、退单及异常价格的清洗。2.时序指标构建：计算“需求量同比变动值(△Q)”与“价格同比变动值(△P)”，其规则定义为：△Q =本月Q -上月Q；△P =本月P-上月P。3.弹性建模计算：将上述指标代入需求价格弹性的点弹性公式进行核心计算。公式为：需求弹性系数 (Ed) =- (△Q /Q) / (△P /P)。该计算量化了需求量对价格变动的反应灵敏度。数据衍生与分类：对计算得到的Ed值取绝对值，生成衍生字段 “需求弹性系数的绝对值(|Ed|)” 。4.通过设定逻辑判断规则：若 |Ed|>1 则标记为“需求富有弹性”，|Ed|=1 则标记为“单位需求价格弹性”，|Ed|<1 则标记为“需求缺乏弹性”，从而生成定性结论字段“产品需求价格弹性”。
三、数据内容描述：最终产出男士鞋类产品的需求价格弹性分析数据集合，其字段构成及含义如下：1）订单时间：订单时间所在月份；2）产品名称：销售产品的名称；3）所属地区：客户下单的区域；4）省级区域：“所属地区”字段解析出的省级行政区；5）市级区域：“所属地区”字段解析出的市级行政区；6）购买数量(双)：客户下单的产品数量；7）产品单价(元)：下单产品的销售单价；8）产品需求量(双)(P)：产品的购买总量；9）产品价格(元)(Q)：加权平均后的产品销售价格；10）需求量同比变化值(双)(△P)：同个产品本月与上月相比的购买总量变化；11）价格同比变化值(元)(△Q)：同个产品本月与上月相比的价格变化；12）需求弹性系数(Ed)：根据需求弹性系数计算公式计算的结果，保留2位小数；13）需求弹性系数的绝对值(|Ed|)：对需求弹性系数取绝对值；14）产品需求价格弹性：基于|Ed|的分析结果（需求富有弹性/需求缺乏弹性/单位需求价格弹性）。
浙江省数据知识产权登记平台2026-08-11 更新00
鞋靴客服多轮会话意图识别与回复质量标注训练数据
本数据面向鞋靴电商客服场景下的多轮会话意图识别与回复质量评估任务需求，构建可用于训练对话意图识别模型及回复质量评估模型的标注数据集，使模型能够自动判别消费者在多轮对话中的意图类别，并对客服回复质量进行自动评级。可用于智能客服系统意图识别能力建设和客服回复质量自动化评估场景，解决人工逐条审核客服对话成本高、意图判断标准不一、回复质量难以规模化量化的问题。一、加工前的数据说明：原始数据来源于企业自有系统的真实客服对话记录。
二、处理规则：1.数据采集与清洗：从系统中采集多轮会话记录进行去重与格式标准化处理，剔除内容缺失、轮次异常的无效会话。2.意图分类标注：采用意图识别模型对每条消费者输入进行自动分类，将消费者意图划分为活动咨询、退货申请、退款咨询、投诉、商品咨询、换货申请、价格咨询、催单、物流查询共9类，再由企业员工对自动标注结果进行逐条审核与校正，形成最终消费者意图分类标签。3.意图转变标注：对同一会话内相邻轮次的意图分类标签进行比对，若当前轮次意图与上一轮次不同则标记为1（发生意图转变），相同则标记为0（未发生意图转变），以标识多轮对话中消费者诉求的动态变化。4.回复质量评级：人工对每条客服回复文本进行整体质量评定，按优、良、可、差四级标注客服回复质量等级，作为回复质量评估模型的监督标签。5.数据集划分：按训练、验证、测试用途对数据进行划分，生成数据集划分标识（train/val/test）。
三、数据内容描述：最终形成结构化的鞋靴客服多轮会话意图识别与回复质量标注训练数据集合，包含以下字段：1）会话匿名编码：经无规则编码化处理的会话唯一标识；2）对话轮次序号：当前记录在所属会话中的轮次编号；3）脱敏后消费者输入内容：经去标识化处理后保留业务语义的消费者输入文本；4）客服回复文本：对应轮次的客服回复内容；5）消费者意图分类标签：经模型自动识别并人工审核校正的消费者意图类别，包括活动咨询、退货申请、退款咨询、投诉、商品咨询、换货申请、价格咨询、催单、物流查询共9类；6）客户回复质量等级：企业员工对客服回复整体质量的评定结果，包括优、良、可、差四级，作为回复质量评估模型的监督标签；7）是否发生意图转变：当前轮次与上一轮次意图是否不同的标记，0表示未转变，1表示发生转变；8）数据集划分标识：样本所属子集类型，包括train、val、test，分别表示训练集、验证集、测试集。
浙江省数据知识产权登记平台2026-08-14 更新00
鞋靴消费者退货概率预测模型训练数据
面向鞋靴电商平台消费者退货风险预测任务，构建用于训练订单退货概率预测模型的数据集。数据基于订单金额、促销状态、首次购买状态、用户历史退货率、品类退货基准率和近90天订单数量等特征，预测订单退货概率并识别高风险订单，用于售前提示、售后策略分层和退货风险预警，解决退货风险难以前置识别的问题。一、加工前的数据说明：原始数据来源于企业自有平台订单记录、售后退货记录和用户历史行为数据，原始字段包括订单编号、用户id、鞋靴编号、成交金额、促销状态、购买品类、订单时间、退货状态。
二、处理规则：1.清洗：按订单编号去重，剔除用户id、鞋靴编号、成交金额或退货状态缺失的记录；成交金额小于等于0、订单取消、支付失败、测试订单判为异常订单并过滤。2.特征构建：用户历史退货率按当前订单下单日前180天统计，公式为历史已退货订单数/历史有效订单数；鞋靴品类历史退货基准率按同一品类近180天退货订单数/有效订单数计算；成交金额(元)、是否促销期购买、是否首次购买该品类、近90天用户订单数量均作为模型输入特征。3.模型训练：采用逻辑回归二分类模型，输入特征经标准化后计算z=w·x+b，预测退货概率p=1/(1+e^-z)；损失函数为二分类交叉熵，采用L2正则化，学习率0.01，批量128，迭代200轮，以验证集AUC早停。预测阈值为0.50，p≥0.50判为高退货风险，否则为低退货风险。4.标签：以订单实际是否退货生成实际退货标志，并按数据集划分标识用于训练、验证、测试。
三、数据内容描述：最终形成鞋靴消费者退货概率预测模型训练数据集合，包含以下字段：1）订单编号：经无规则编码化处理的订单唯一标识；2）用户id：经无规则编码化处理的用户唯一标识；3）鞋靴编号：经无规则编码化处理的鞋靴商品唯一标识；4）成交金额(元)：订单实际成交价格；5）是否促销期购买：订单是否在促销活动期间产生（是/否）；6）是否首次购买该品类：用户是否首次购买该鞋靴品类（是/否）；7）用户历史退货率：用户历史退货订单占总订单的比率；8）鞋靴品类历史退货基准率：该品类的全量历史退货比率；9）近90天用户订单数量：用户近90天内的下单总量；10）预测退货概率：由逻辑回归模型基于上述特征计算输出的退货概率；11）实际退货标志：订单实际退货结果（已退货/未退货），作为模型训练的监督标签；12）数据集划分标识：样本所属子集类型（train/val/test）。
浙江省数据知识产权登记平台2026-08-11 更新10
鞋靴跨类目搭配推荐的用户偏好组合训练数据
面向鞋靴电商平台跨类目搭配推荐任务，构建用于训练搭配推荐模型的用户偏好组合数据集。数据在匿名商品标识基础上补充鞋靴细分类、风格属性、颜色系及搭配商品细分类、风格属性、颜色系和适用场景，结合历史同购、同浏览与负样本权重，学习鞋靴与上衣、外套、裤装、配饰之间的可搭配关系，用于详情页搭配推荐、购物车关联推荐和套装组合排序。一、加工前的数据说明：原始数据来源于企业自有平台订单记录、浏览会话日志和商品属性库，原始字段包括鞋靴商品、跨类目商品、商品品类、细分类、风格、颜色、场景、购买和浏览行为。
二、处理规则：1.清洗：按鞋靴商品与搭配商品配对去重，剔除商品属性缺失、下架商品、异常会话和无效订单记录。2.属性补全：根据商品属性库为匿名商品标识关联鞋靴细分类、鞋靴风格属性、鞋靴颜色系、搭配商品细分类、搭配商品风格属性、搭配商品颜色系和适用场景标签，使匿名编号具备可解释搭配特征。3.组合特征构建：以鞋靴属性、搭配商品属性、历史共现频次和样本类型构建商品对特征；同一订单同购记为强偏好，同一会话同浏览记为弱偏好，无共现采样为负样本。4.模型训练：采用双塔搭配相容度模型，鞋靴塔和搭配商品塔分别编码属性特征，融合权重为鞋靴属性0.35、搭配商品属性0.35、历史共现频次0.20、样本类型权重0.10；输出搭配相容度。损失函数为加权二分类交叉熵，训练权重按样本类型取1.0、0.3、0。Adam优化，学习率0.001，批量128，迭代100轮；用AUC、Top-K命中率和NDCG验证。
三、数据内容描述：最终形成结构化的鞋靴跨类目搭配推荐用户偏好组合训练数据集合，包含以下字段：1）鞋靴商品序号：经无规则编码化处理的鞋靴商品匿名标识；2）搭配商品序号：经无规则编码化处理的跨类目搭配商品匿名标识；3）鞋靴细分类：鞋靴商品所属细分品类，用于支撑鞋靴搭配对象识别；4）鞋靴风格属性：鞋靴商品的风格特征，用于支撑搭配风格匹配；5）鞋靴颜色系：鞋靴商品主色系，用于支撑颜色协调判断；6）搭配商品品类：搭配商品所属类目（上衣/外套/裤装/配饰）；7）搭配商品细分类：搭配商品所属细分类，用于支撑跨类目细粒度组合；8）搭配商品风格属性：搭配商品的风格特征，用于与鞋靴风格匹配；9）搭配商品颜色系：搭配商品主色系，用于与鞋靴颜色搭配；10）适用场景标签：商品组合适用的穿着或使用场景；11）历史共现频次：该鞋靴与搭配商品在用户行为记录中的历史共现次数；12）样本类型：商品对的行为来源类别（同购正样本/同浏览弱样本/随机负样本）；13）训练权重：依样本类型赋予的模型训练权重（同购正样本=1.0、同浏览弱样本=0.3、随机负样本=0）；14）数据集划分标识：样本所属子集类型（train/val/test）。
浙江省数据知识产权登记平台2026-08-11 更新00
鞋靴消费者多行为序列建模的个性化推荐训练数据
本数据用于训练鞋靴消费者多行为序列个性化推荐模型。模型基于用户浏览、购买、收藏、加购、评价、退货等历史行为序列，识别消费者对不同鞋靴品类、风格、价格区间及使用场景的动态偏好，预测其下一阶段可能感兴趣的鞋靴商品。该数据应用于企业自有线上销售平台的个性化推荐列表、猜你喜欢及商品详情页关联推荐场景，为消费者匹配更符合其需求的鞋靴商品信息，为平台运营人员优化商品展示顺序和推荐策略提供数据依据，解决统一推荐结果难以适配消费者个体偏好，以及单一行为信号难以准确反映购买意向的问题。一、加工前的数据说明：原始数据来源于企业自有平台的用户行为日志，原始数据包括：用户id、行为类型编码、行为在用户序列中的时间步位置、鞋靴品类。
二、处理规则：1.数据采集与清洗：从用户行为日志中按用户维度聚合采集多类型行为记录，进行去重与异常行为过滤。2.行为权重赋值：依据业务经验，按各行为类型对购买意向的贡献度赋予预设训练权重：浏览=0.2、评价=0.3、收藏=0.4、加购=0.6、购买=1.0、退货=-0.8，其中退货赋予负向权重，作为用户负面偏好信号参与模型训练。3.用户行为序列构建：将每位用户的多类型行为记录按时间先后顺序排列，标注各行为在用户序列中的时间步位置，构建用户多行为时序序列，捕捉用户兴趣的动态演变过程。4.预测目标标注：对每位用户的行为序列，将用于模型预测的目标商品标注为1，其余行为记录标注为0，作为推荐模型序列预测任务的监督信号。5.数据集划分：按训练、验证、测试用途对数据进行划分，生成数据集划分标识（train/val/test）。
三、数据内容描述：最终形成结构化的鞋靴消费者多行为序列建模个性化推荐训练数据集合，包含以下字段：1）用户id：经无规则编码化处理的用户唯一标识；2）行为类型编码：用户在平台上产生的行为类别（浏览/购买/收藏/加购/评价/退货）；3）该行为类型对应的训练权重：依业务预设规则赋予的行为权重值（浏览=0.2、评价=0.3、收藏=0.4、加购=0.6、购买=1.0、退货=-0.8）；4）鞋靴映射嵌入序号：经整数索引映射处理的商品匿名标识；5）鞋靴品类：行为涉及商品所属鞋靴品类（正装鞋/休闲鞋/运动鞋/户外鞋）；6）商品价格段：行为涉及商品的价格区间（0–99元/100–199元/200–399元/400–699元/700元以上）；7）行为在用户序列中的时间步位置：当前行为在该用户历史行为序列中的时序编号；8）是否为预测目标商品：标记该行为记录是否为序列推荐模型的预测目标（1=是，0=否）；9）数据集划分标识：样本所属子集类型（train/val/test），train表示训练集，val表示验证集，test表示测试集。
浙江省数据知识产权登记平台2026-08-11 更新00
男士鞋类产品全国各市消费者分析数据
本数据可用于企业在开展男士鞋类产品销售业务过程中制定客户营销策略时，能够针对不同的客户推行不同的营销策略，以提升销售转化率和实现精准化营销。精准化营销的关键在于深入了解不同客户群体的需求、购买行为及偏好。通过对全国不同城市的男士鞋类产品客户进行价值管理，满足不同价值客户的个性化需求，并为行业内开展男士鞋类产品销售业务的企业提供参考。一、加工前的数据说明：原始数据来源于本公司在全国不同城市的男士鞋类产品销售订单，字段包括：客户编号、收货地址、订单时间、产品名称、产品型号、消费金额。
二、处理规则：1.数据预处理：对原始订单数据进行清洗和降噪（剔除无效订单、纠正异常值），以“客户编号”为维度，在指定的“数据统计时间段”内计算每个客户的三个核心指标：最近一次活动（R）、活动频率（F）、消费总额（M）。2.聚类分析与特征量化：采用K-Means聚类算法，以上述R、F、M指标（经标准化处理）作为输入特征，将行为模式相似的客户聚合为同一类别，根据每个客户所属簇的中心点位置及其与全体客户平均水平的离散程度，通过转换规则将其R、F、M特征分别量化为1-5分的“得分”。转换规则以客户总数的20%为一个固定区间，聚合度越高的客户得分越高，前20%得分为5分，后20%得分为1分，以此类推中间区间客户的得分。3.综合评分与等级判定：为综合评估客户价值，采用加权线性组合模型，计算每位客户的RFM综合得分：综合得分 = R得分 * 0.3 + F得分 * 0.3 + M得分 * 0.4。权重设置基于业务判断，强调消费总额（M）的贡献。根据综合得分的统计分布与业务定义，设定阈值规则进行等级判定：得分 ≥ 4 为A级客户，3 ≤ 得分 < 4 为B级客户，2 ≤ 得分 < 3 为C级客户，得分 < 2 为D级客户。
三、数据内容描述：最终形成的消费者分析数据集合包含以下字段：1）客户编号：客户唯一标识符；2）收货地址：客户的收货地址，去隐私化处理；3）订单时间：穷举字段，按客户展示多条记录；4）产品名称：销售产品的名称；5）产品型号：销售产品的型号编码；6）消费金额(元)：穷举字段，客户每次下单金额；7）分析时间：完成数据分析的时间；8）地区：收货地址提取省级行政区；9）数据统计时间段：分析数据划定的时间范围；10）最近一次活动R(天数)：当前客户最近一个销售订单到数据统计截止时间的间隔天数；11）活动频率F(次数)：当前客户的销售订单总数；12）消费总额M(元)：客户订单的消费金额总和；13）R得分：基于聚合量化计算获得的分数；14）F得分：基于聚合量化计算获得的分数；15）M得分：基于聚合量化计算获得的分数；16）RFM得分：基于RFM模型加权计算后的分数；17）客户等级：基于阈值规则进行等级判定的结果。
浙江省数据知识产权登记平台2026-08-08 更新40