Hitung CLV granular

Dalam skenario ini Anda akan menggunakan titik data yang lebih terperinci pada tingkat faktur. Pendekatan ini menggunakan data yang lebih granular dan dapat memberikan estimasi customer lifetime value yang lebih baik. Pastikan Anda membandingkan hasilnya dengan model CLV dasar.

Pustaka pandas dan numpy telah dimuat masing-masing sebagai pd dan np. Himpunan data online telah diimpor untuk Anda.

Latihan ini merupakan bagian dari kursus

Machine Learning untuk Pemasaran dengan Python

Lihat Kursus

Instruksi latihan

Lakukan group by InvoiceNo dan hitung mean dari kolom TotalSum.
Lakukan group by CustomerID dan InvoiceMonth lalu hitung rata-rata jumlah faktur bulanan unik per pelanggan.
Tetapkan lifespan menjadi 36 bulan.
Hitung CLV granular dengan mengalikan ketiga metrik sebelumnya.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# 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))

Edit dan Jalankan Kode