Výpočet tradičního CLV
Teď vypočítáš jeden z nejpopulárnějších deskriptivních modelů CLV, který zohledňuje míru retence a churnu. Výsledný odhad je robustnější, ale zároveň vychází z určitých předpokladů, které je třeba ověřit. Než tuto metodu použiješ ve svém vlastním případě, nezapomeň si projít snímky z videa.
Knihovna pandas je načtena jako pd a knihovna numpy jako np. Datasety online a retention jsou již naimportovány.
Toto cvičení je součástí kurzu
Machine Learning for Marketing in Python
Pokyny k cvičení
- Seskup data podle
CustomerIDaInvoiceMontha vypočítej měsíční výdaje na zákazníka. - Vypočítej průměrnou měsíční míru retence.
- Vypočítej průměrnou měsíční míru churnu.
- Vypočítej tradiční CLV vynásobením průměrných měsíčních výdajů poměrem retence k churnu.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Calculate monthly spend per customer
monthly_revenue = online.___(['CustomerID','InvoiceMonth'])['___'].sum().mean()
# Calculate average monthly retention rate
retention_rate = retention.iloc[:,1:].mean().mean()
# Calculate average monthly churn rate
churn_rate = 1 - ___
# Calculate traditional CLV
clv_traditional = monthly_revenue * (___ / churn_rate)
# Print traditional CLV and the retention rate values
print('Average traditional CLV is {:.1f} USD at {:.1f} % retention_rate'.format(clv_traditional, retention_rate*100))