Calcola il CLV granulare
In questo scenario userai punti dati più granulari a livello di fattura. Questo approccio utilizza dati più dettagliati e può offrire una stima migliore del customer lifetime value. Assicurati di confrontare i risultati con quelli del modello di CLV di base.
Le librerie pandas e numpy sono già state caricate come pd e np rispettivamente. L'insieme di dati online è stato importato per te.
Questo esercizio fa parte del corso
Machine Learning per il marketing con Python
Istruzioni dell'esercizio
- Raggruppa per
InvoiceNoe calcola la media della colonnaTotalSum. - Raggruppa per
CustomerIDeInvoiceMonthe calcola il numero medio di fatture mensili uniche per cliente. - Definisci la durata a 36 mesi.
- Calcola il CLV granulare moltiplicando le tre metriche precedenti.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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))