用户行为与故事互动数据集UserBehavior-StoryInteractionDataset-erdzhemadinov
数据来源：互联网公开数据
标签：用户行为分析, 故事互动, 推荐系统, 客户画像, 交易数据, 文本分析, 机器学习, 行为预测
数据概述：
该数据集包含来自金融科技平台的用户行为与故事互动数据，记录了用户对平台内故事的浏览、反应以及交易信息。主要特征如下：
时间跨度：数据未明确标明具体时间，但包含了用户首次访问时间（first_session_dttm）和交易时间信息，可用于构建时间序列分析。
地理范围：数据未标明具体地理位置，但基于故事内容和用户行为，推测数据来源于特定用户群体。
数据维度：数据集包含多个 CSV 文件，涵盖用户属性、故事描述、用户故事互动、交易记录等多个维度。
customer_test.csv 和 customer_train.csv：包含用户基本属性，如产品持有情况、性别、年龄、婚姻状况、子女数量、首次访问时间、职业等。
stories_description.csv：包含故事的描述信息，以 JSON 格式存储。
stories_reaction_test.csv 和 stories_reaction_train.csv：记录用户对故事的反应，包括用户ID、故事ID、事件时间（event_dttm）和回答ID。
transactions.csv：包含用户的交易记录，包括交易时间、交易金额、商户ID和商户MCC。
数据格式：数据以 CSV 格式提供，方便数据分析和处理。
来源信息：数据来源于金融科技平台的用户行为数据，已经过脱敏处理。
该数据集适合用于用户行为分析、推荐系统构建、客户画像分析和交易预测等领域。
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、用户画像构建、故事推荐算法研究、用户生命周期价值分析等学术研究。
行业应用：可以为金融科技平台提供数据支持，特别是在个性化推荐、客户关系管理、市场营销策略制定等方面。
决策支持：支持平台优化用户体验、提升用户粘性、制定更精准的营销策略。
教育和培训：作为数据分析、机器学习、推荐系统等课程的实训素材，帮助学生和研究人员深入理解用户行为分析和推荐算法。
此数据集特别适合用于探索用户对不同类型故事的偏好、用户行为与交易之间的关系，以及构建个性化推荐模型，从而实现用户体验优化和业务增长。
