推奨者システムのための地元の食品・飲料 (F&B) のマイクロ・スモール・ミディアム・エンタープライズ (MSME) の匿名トランザクションデータセット
Mychael Maoeretz Engel1,2, Ford Lumban Gaol1, Aditya Kurniawan3
1Department of Doctor of Computer Science - BINUS Graduate Program, Bina Nusantara University, Jakarta 11480, Indonesia.
Data in brief
|February 18, 2026
まとめ
この研究では,機械学習のための匿名化されたインドネシアの食品・飲料データセットを紹介しています. RFM分析は,識別できないユーザーの安定した行動指標を明らかにし,小売分析と推奨システム開発を可能にしました.
科学分野:
- データサイエンス データサイエンス
- 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
- リテール・アナリティクス (Retail Analytics) とは
背景:
- データセットは,インドネシアの食品・飲料マイクロ・スモール・ミディアム・エンタープライズ (MSME) の匿名の取引記録と製品メタデータで構成されています.
- 2025年1月から9月までのポイント・オブ・セール・システムで収集されたデータです.
- 関連のない特徴を削除し,製品説明を標準化することで,原材料データをクリーンアップします.
研究 の 目的:
- 研究者やデータサイエンティストにとって貴重なデータセットを提供するためです.
- 推薦システムと機械学習アルゴリズムの開発とベンチマークをサポートする.
- データが少ないMSME環境でユーザーセグメンテーションモデルを有効にする.
主な方法:
- 販売イベントのパッシブロギングは,会社の内部ポイント・オブ・セール (POS) システムを通じて行われます.
- 機能の排除と統一フォーマットを含むデータクリーンアップと構造化プロトコル.
- セッションコンテキストのグループ化を使用して1000の取引に適用された最近,頻度,金融 (RFM) 分析.
主要な成果:
- データセットには,トランザクション (11つの特徴) と製品メタデータ (96つの製品) の2つのリレーショナルテーブルが含まれています.
- RFM分析により,匿名ユーザーの行動指標として機能する14の安定した擬似プロファイルが生成されました.
- データは,小売分析および推奨システム,特にセッションベースの推奨に関する研究を促進します.
結論:
- このデータセットは,匿名で分散したデータ環境でアルゴリズムの開発とテストに適しています.
- 特定された擬似プロファイルは,MSMEsのユーザー行動に関する洞察を提供します.
- このリソースは,小売部門における機械学習アプリケーションの進歩をサポートします.
