Calcular CLV granular
En este escenario usarás puntos de datos más granulares a nivel de factura. Este enfoque utiliza datos más detallados y puede ofrecer una mejor estimación del customer lifetime value. Asegúrate de comparar los resultados con los del modelo básico de CLV.
Las librerías pandas y numpy se han cargado como pd y np, respectivamente. El conjunto de datos online ya se ha importado para ti.
Este ejercicio forma parte del curso
Machine Learning para marketing en Python
Instrucciones del ejercicio
- Agrupa por
InvoiceNoy calcula la media de la columnaTotalSum. - Agrupa por
CustomerIDeInvoiceMonthy calcula el número medio de facturas mensuales únicas por cliente. - Define la vida útil en 36 meses.
- Calcula el CLV granular multiplicando las tres métricas anteriores.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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))