Calculer le CLV traditionnel

Vous allez maintenant calculer l'un des modèles descriptifs de CLV les plus utilisés, qui tient compte des taux de rétention et de churn. Cela donne une estimation plus robuste, mais comporte certaines hypothèses à valider. Assurez-vous de revoir les diapositives de la vidéo avant d'appliquer cette méthode à votre propre cas d'utilisation.

Les bibliothèques pandas et numpy ont été chargées sous les alias pd et np respectivement. Les jeux de données online et retention ont été importés pour vous.

Cette activité fait partie du cours

Machine Learning pour le marketing en Python

Voir le cours

Instructions de l’exercice

Regroupez par CustomerID et InvoiceMonth, puis calculez les dépenses mensuelles par client.
Calculez le taux moyen de rétention mensuelle.
Calculez le taux moyen de churn mensuel.
Calculez le CLV traditionnel en multipliant la dépense mensuelle moyenne par le ratio rétention/churn.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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))

Modifier et exécuter le code