Calculer un CLV granulaire

Dans ce scénario, vous utiliserez des données plus détaillées au niveau de la facture. Cette approche repose sur des données plus fines et peut fournir une meilleure estimation de la valeur vie client (CLV). Assurez-vous de comparer les résultats à ceux du modèle de CLV de base.

Les bibliothèques pandas et numpy ont été chargées sous les alias pd et np. L'ensemble de données online a été importé pour vous.

Cette activité fait partie du cours

Machine Learning pour le marketing en Python

Voir le cours

Instructions de l’exercice

Regroupez par InvoiceNo et calculez la moyenne de la colonne TotalSum.
Regroupez par CustomerID et InvoiceMonth et calculez le nombre moyen de factures mensuelles uniques par client.
Définissez la durée de vie à 36 mois.
Calculez le CLV granulaire en multipliant les trois mesures précédentes.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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))

Modifier et exécuter le code