Granulaire CLV berekenen

In dit scenario gebruik je gedetailleerdere datapunten op factuurniveau. Deze aanpak gebruikt meer granulariteit en kan een betere schatting van de customer lifetime value geven. Vergelijk de resultaten met die van het basis-CLV-model.

De bibliotheken pandas en numpy zijn respectievelijk geladen als pd en np. De online-gegevensset is voor je geïmporteerd.

Deze oefening maakt deel uit van de cursus

Machine Learning voor marketing in Python

Cursus bekijken

Oefeninstructies

Groepeer op InvoiceNo en bereken het gemiddelde van de kolom TotalSum.
Groepeer op CustomerID en InvoiceMonth en bereken het gemiddelde aantal unieke maandelijkse facturen per klant.
Stel de levensduur in op 36 maanden.
Bereken de granulaire CLV door de drie vorige statistieken met elkaar te vermenigvuldigen.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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))

Code bewerken en uitvoeren