在当地食品和饮料 (F&B) 微小中型企业 (MSME) 中的匿名交易数据集用于推系统
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
概括
本研究介绍了一个匿名的印度尼西亚食品和饮料数据集,用于机器学习. RFM分析显示了不可识别用户的稳定行为指标,使零售分析和推系统开发成为可能.
科学领域:
- 数据科学数据科学数据科学
- 机器学习 机器学习
- 零售分析 零售分析
背景情况:
- 数据集包括来自印度尼西亚食品和饮料微型中小企业 (MSME) 的匿名交易记录和产品元数据.
- 从2025年1月到9月通过销售点系统收集的数据.
- 通过删除无关的特征和标准化产品描述来清理原始数据.
研究的目的:
- 为研究人员和数据科学家提供有价值的数据集.
- 支持推系统和机器学习算法的开发和基准测试.
- 在数据稀疏的MSME环境中实现用户细分模型.
主要方法:
- 通过业务内部的销售点 (POS) 系统被动记录销售事件.
- 数据清理和结构化协议,包括特征消除和统一格式化.
- 最近,频率,货币 (RFM) 分析使用会话上下文分组对1000笔交易进行了应用.
主要成果:
- 数据集包含两个关系表:交易 (11个特征) 和产品元数据 (96个产品).
- RFM分析生成了14个稳定的伪配置文件,作为匿名用户的行为指标.
- 这些数据有助于研究零售分析和推系统,特别是基于会话的推.
结论:
- 数据集适合在匿名,数据稀疏的环境中开发和测试算法.
- 已识别的伪配置文件为MSMEs提供了对用户行为的洞察.
- 本资源支持在零售行业内机器学习应用的进步.


