Calculer le CLV traditionnel
Vous allez maintenant calculer l’un des modèles descriptifs de CLV les plus courants, qui prend en compte les taux de rétention et de churn. Cela fournit une estimation plus robuste, mais repose sur certaines hypothèses à valider. Pensez à revoir les diapositives de la vidéo avant d’appliquer cette méthode à votre propre cas d’usage.
Les bibliothèques pandas et numpy ont été chargées en tant que pd et np respectivement. Les jeux de données online et retention ont été importés pour vous.
Cet exercice fait partie du cours
Machine Learning pour le marketing en Python
Instructions
- Regroupez par
CustomerIDetInvoiceMonthet calculez les dépenses mensuelles par client. - Calculez le taux moyen de rétention mensuel.
- Calculez le taux moyen de churn mensuel.
- Calculez le CLV traditionnel en multipliant la dépense moyenne mensuelle par le ratio rétention sur churn.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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))