产品基本信息

• customer_id：客户唯一标识（文本型，用于分群及计数）
• offer_id：优惠唯一编号（文本型，关联优惠类别 / 折扣信息）
• event_ts：事件时间戳（UTC 格式，精确到毫秒，用于计算活跃用户及时间序列）
• event_dt：事件日期（YYYY-MM-DD，用于划分时间窗口如 “过去 30 天”）
• offer_action：行为变量（1 = 点击，0 = 未点击，核心转化指标）
• 衍生字段：活跃用户标签、每美元折扣价值、消费分层标签、转化率计算中间值等
  ● 数据格式：CSV（兼容 Python/pandas、SQL、Excel 等工具）
  ● 许可证：MIT（允许商用、修改及再分发，适合赛事场景）
  ● 更新频率：固定版本（无后续更新）

产品使用说明

1. 数据预处理步骤：
   • 异常值清理：按赛事指南移除无效记录（如缺失customer_id、offer_action异常值）。
   • 时间窗口定义：基于event_ts计算 “过去 30 天”（活跃用户）、“过去 3 个月”（消费统计）等时间范围。
   • 指标计算：
     • 转化率 = 点击次数（offer_action=1）/ 浏览次数（offer_action=0）
     • 每美元折扣价值 = 折扣金额 / 消费金额（需从衍生列提取或计算）
2. 赛事问题针对性操作：
   • 问题 1 验证：
     1. 筛选活跃用户=1，统计其点击航空类offer_id的占比，与非活跃用户对比。
     2. 计算两类用户的平均折扣节省金额，用TRUE/FALSE判断陈述真伪。
     3. 去重计数customer_id（活跃用户且点击航空优惠）。
   • 问题 6 概率计算：
     1. 按event_dt排序，用 EWMA 公式（current = alpha×current_click + (1-alpha)×previous）计算每日点击概率。
     2. 筛选 “过去点击过优惠” 的用户子集，重复步骤 1 计算条件概率，结果保留 3 位小数。
3. 输出格式规范：
   • 键值对格式：如问题 4 的 “OfferID:Category”，用英文冒号分隔。
   • 数值格式：浮点型保留 3 位小数（向下取整），整数直接输出。
   • 提交列：严格按 “Question ID,Part ID,Answer” 格式整理（如 “1,1,TRUE”）。

应用场景

1. 活跃用户行为验证：基于event_ts判断 30 天内访问用户（活跃用户），关联offer_id（航空类）与offer_action（点击），验证其是否更偏好航空优惠及折扣节省差异。
2. 折扣价值敏感度分析：提取 “每美元折扣价值” 字段，按 50% 分位数划分高 / 低组，计算服务、购物、旅行类优惠的转化率差值（高 - 低）。
3. 消费分层研究：通过event_dt计算客户过去 3 个月最高消费额，均等分为低 / 中 / 高消费群，分析各组奖励积分与美元的转换率。
4. Top 10 优惠建模：按offer_action计算转化率（点击数 / 浏览数），筛选呈现次数高于均值的优惠，输出 ID 与类别映射及消费 / 转化指标。
5. 邮件营销效果评估：聚焦过去 30 天参与邮件 campaign 的客户，按转化率排名前 15 位，计算点击 - 渠道比率、最佳优惠类别及邮件点击转化率。
6. 点击概率预测：采用 EWMA（alpha=0.5）处理event_ts序列，计算营销邮件点击概率及历史点击用户的条件概率，修正新近偏差。

相似产品

CC0 公共领域Spotify 用户收听历史数据集（14.9 万条播放记录）音乐行为数据集、播放历史数据、用户偏好建模

Power BI 适配 HR Analytics 员工流失数据集（35 维全场景） 离职预测 满意度分析 薪酬建模

 IPL 2020 球员表现数据集（击球手专项）梦幻球队优化核心指标含 14 维数据维度

产品来源

1. 基础字段采集：提取客户 ID、优惠 ID、时间戳、行为变量等原始交互数据。
2. 衍生指标计算：按赛事规则生成活跃用户标签、折扣价值、消费分层等分析字段。
3. 异常值处理：预设数据异常规则（如缺失值、逻辑错误），匹配赛事指南的清洗要求。
4. 合规性验证：去除敏感信息，符合 MIT 许可证规范，确保赛事使用合法性。