电商用户流失预测数据集E-commerceUserChurnPredictionDataset-sandramoses
数据来源：互联网公开数据
标签：电商，用户流失，客户分析，机器学习，行为分析，生存分析，数据挖掘，预测模型
数据概述：
该数据集包含来自电子商务平台的用户行为数据，记录了用户在平台上的各类活动，以及用户是否流失的相关信息。主要特征如下：
时间跨度：数据未明确标明时间范围，可视为一段时间内的用户行为快照。
地理范围：数据未限定地理范围，可能来源于多个地区或国家。
数据维度：数据集包含多个用户相关的特征，包括：CustomerID（用户ID）、Churn（流失标识，1表示流失，0表示未流失）、Tenure（用户在该平台的停留时间）、PreferredLoginDevice（偏好的登录设备）、CityTier（城市等级）、WarehouseToHome（仓库到家的距离）、PreferredPaymentMode（偏好的支付方式）、Gender（性别）、HourSpendOnApp（在App上的花费时长）、NumberOfDeviceRegistered（注册设备数量）、PreferedOrderCat（偏好的订单类别）、SatisfactionScore（满意度评分）、MaritalStatus（婚姻状况）、NumberOfAddress（地址数量）、Complain（是否投诉）、OrderAmountHikeFromlastYear（去年订单金额增长）、CouponUsed（使用的优惠券数量）、OrderCount（订单数量）、DaySinceLastOrder（距离上次下单天数）、CashbackAmount（获得的返现金额）。
数据格式：CSV格式，文件名为E Commerce Dataset.csv，方便数据分析和建模。
该数据集适用于用户流失预测、客户细分、用户行为分析等领域。
数据用途概述：
该数据集具有广泛的应用潜力，特别适用于以下场景：
研究与分析：适用于用户行为分析、流失预测、客户生命周期价值分析等领域的学术研究。
行业应用：为电子商务行业提供数据支持，特别是在用户流失预警、个性化营销、客户关系管理等方面。
决策支持：支持企业制定更精准的营销策略，优化用户体验，提升用户留存率。
教育和培训：作为数据挖掘、机器学习、客户关系管理等课程的实践案例，帮助学生和研究人员理解用户行为和流失预测。
此数据集特别适合用于探索影响用户流失的关键因素，构建预测模型，帮助企业主动采取措施，降低用户流失率，提升用户粘性。
