Calculer un CLV granulaire

Dans ce scénario, vous allez utiliser des données plus fines au niveau des factures. Cette approche, plus granulaire, peut fournir une meilleure estimation de la valeur vie client (Customer Lifetime Value). Pensez à comparer les résultats avec ceux du modèle de CLV de base.

Les bibliothèques pandas et numpy ont été chargées sous les alias pd et np respectivement. Le jeu de données online a été importé pour vous.

Cet exercice fait partie du cours

Machine Learning pour le marketing en Python

Afficher le cours

Instructions

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 métriques précédentes.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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