Traditionellen CLV berechnen
Jetzt berechnest du eines der beliebtesten deskriptiven CLV-Modelle, das Retention- und Churn-Raten berücksichtigt. Das liefert eine robustere Schätzung, bringt aber Annahmen mit sich, die validiert werden müssen. Schau dir die Video-Folien noch einmal an, bevor du diese Methode in deinem eigenen Use Case anwendest.
Die Bibliotheken pandas und numpy wurden bereits als pd bzw. np geladen. Die Datensätze online und retention wurden für dich importiert.
Diese Übung ist Teil des Kurses
Machine Learning für Marketing mit Python
Anleitung zur Übung
- Gruppiere nach
CustomerIDundInvoiceMonthund berechne den monatlichen Umsatz pro Kunde. - Berechne die durchschnittliche monatliche Retention-Rate.
- Berechne die durchschnittliche monatliche Churn-Rate.
- Berechne den traditionellen CLV, indem du den monatlichen durchschnittlichen Umsatz mit dem Verhältnis Retention zu Churn multiplizierst.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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))