より粒度の高い CLV を計算する

この課題では、請求書（インボイス）レベルのより細かなデータポイントを使います。このアプローチはより詳細なデータを用いるため、Customer Lifetime Value（CLV）をより正確に見積もれる可能性があります。基本的な CLV モデルの結果と必ず比較してください。

pandas と numpy ライブラリはそれぞれ pd と np として読み込まれています。online データセットもインポート済みです。

この演習はコースの一部です

Pythonで学ぶマーケティングのための機械学習

コースを見る

演習の手順

InvoiceNo でグループ化し、TotalSum 列の平均を計算します。
CustomerID と InvoiceMonth でグループ化し、顧客ごとの月次インボイスの一意な件数の平均を計算します。
期間（lifespan）を 36 か月に設定します。
直前の3つの指標を掛け合わせて、粒度の高い CLV を計算します。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

# 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))

コードを編集して実行