Granulares CLV berechnen

In diesem Szenario arbeitest du mit granulareren Datenpunkten auf Rechnungsebene. Dieser Ansatz nutzt detailliertere Daten und kann eine bessere Schätzung des Customer Lifetime Value liefern. Vergleiche die Ergebnisse unbedingt mit denen aus dem einfachen CLV-Modell.

Die Bibliotheken pandas und numpy wurden als pd bzw. np geladen. Der Datensatz online wurde für dich importiert.

Diese Übung ist Teil des Kurses

<Kurs>Machine Learning für Marketing mit Python</Kurs>

Kurs ansehen

Übungsanweisungen

Gruppiere nach InvoiceNo und berechne den Mittelwert der Spalte TotalSum.
Gruppiere nach CustomerID und InvoiceMonth und berechne die durchschnittliche Anzahl eindeutiger monatlicher Rechnungen pro Kunde.
Setze die Lebensdauer auf 36 Monate.
Berechne das granulare CLV, indem du die drei vorherigen Metriken miteinander multiplizierst.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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))

Code bearbeiten und ausführen