Výpočet podrobnějšího CLV

V tomto scénáři použiješ podrobnější datové body na úrovni faktur. Tento přístup pracuje s granulárními daty a umožňuje přesnější odhad zákaznické celoživotní hodnoty. Nezapomeň výsledky porovnat s hodnotami ze základního modelu CLV.

Knihovny pandas a numpy jsou načteny jako pd, respektive np. Dataset online je k dispozici.

Toto cvičení je součástí kurzu

Machine Learning for Marketing in Python

Zobrazit kurz

Pokyny k cvičení

Seskup data podle InvoiceNo a vypočítej průměr sloupce TotalSum.
Seskup data podle CustomerID a InvoiceMonth a vypočítej průměrný počet unikátních měsíčních faktur na zákazníka.
Nastav délku vztahu se zákazníkem na 36 měsíců.
Vypočítej podrobné CLV vynásobením tří předchozích metrik.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Calculate average revenue per invoice
revenue_per_purchase = online.___(['___'])['TotalSum'].mean().mean()

# Calculate average number of unique invoices per customer per month
frequency_per_month = online.___(['CustomerID','InvoiceMonth'])['___'].___().mean()

# Define lifespan to 36 months
lifespan_months = 36

# Calculate granular CLV
clv_granular = ___ * frequency_per_month * lifespan_months

# Print granular CLV value
print('Average granular CLV is {:.1f} USD'.format(clv_granular))

Upravit a spustit kód