面向目标营销的个性化广告效果评估数据集-2021-aminghias
数据来源：互联网公开数据
标签：营销,广告,目标营销,Uplift建模,Criteo,数据集,用户特征,效果评估,营销策略
数据概述：
本数据集灵感来源于Kaggle上的“Uplift Modeling, Marketing and Campaign Data”，由Criteo的人工智能实验室提供。数据集包含1300万条记录，每条记录提供了用户12个特征的信息，以及4个二元标签（1, 0），分别是：访问（visit）、转化（conversion）、治疗（treatment）、曝光（exposure）。其中，访问（visit）为1表示用户在测试期内（2周）访问了广告主的网站。数据集中还包含一个类别目标变量，用于标识用户所属的类别。
为了保护隐私，特征名称已被匿名化，且特征值经过随机投影处理，以保持预测能力的同时，使恢复原始特征或用户背景变得几乎不可能。
数据集中的目标变量类别包含以下四类：
-
Lost cause：这些用户无论是否接受治疗，都不会访问网站，因此被视为无救用户，不应进行任何治疗或营销干预。
-
Sure Thing：这些用户无论是否接受治疗，都会访问网站，因此被视为确定会访问的用户，不应进行额外的营销干预。
-
Do not Disturb：这些用户在接受治疗后不会访问网站，而如果不接受治疗则会访问。因此，治疗对他们有负面影响，不应进行任何营销干预。
-
Persuadable：这些用户在接受治疗后会访问网站，而如果不接受治疗则不会访问。因此，治疗对他们有正面影响，应始终进行营销干预。
以下是特征的详细描述：
f0, f1, f2, f3, f4, f5, f6, f7, f8, f9, f10, f11：特征值（密集型，浮点数）
treatment：是否接受治疗（1 = 接受治疗，0 = 对照组）
conversion：该用户是否发生了转化（二元标签）
visit：该用户是否访问了网站（二元标签）
exposure：治疗效果，该用户是否被有效暴露（二元标签）
数据用途概述：
该数据集适用于目标营销策略研究、个性化广告效果评估、Uplift建模等多种场景。研究人员和营销人员可以利用该数据集进行用户分类，识别出不同响应类型的用户群体，从而制定更加精准的营销策略。此外，数据集还可以用于教学和培训，帮助学习者理解Uplift建模的基本概念和应用方法。
