Traditionele CLV berekenen
Nu ga je een van de populairste beschrijvende CLV-modellen berekenen die rekening houdt met de retentie- en churnpercentages. Dit geeft een robuustere schatting, maar gaat gepaard met aannames die je moet valideren. Bekijk de diaslides nog even voordat je deze methode op je eigen usecase toepast.
De bibliotheken pandas en numpy zijn respectievelijk geladen als pd en np. De gegevenssets online en retention zijn voor je geïmporteerd.
Deze oefening maakt deel uit van de cursus
Machine Learning voor marketing in Python
Oefeninstructies
- Groepeer op
CustomerIDenInvoiceMonthen bereken de maandelijkse besteding per klant. - Bereken het gemiddelde maandelijkse retentiepercentage.
- Bereken het gemiddelde maandelijkse churnpercentage.
- Bereken de traditionele CLV door de gemiddelde maandelijkse besteding te vermenigvuldigen met de verhouding retentie tot churn.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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))