Obliczanie szczegółowego CLV

W tym scenariuszu skorzystasz z bardziej szczegółowych danych na poziomie faktury. Takie podejście pozwala uzyskać dokładniejszą ocenę wartości życiowej klienta. Pamiętaj, aby porównać wyniki z tymi otrzymanymi w bazowym modelu CLV.

Biblioteki pandas i numpy zostały wczytane odpowiednio jako pd i np. Zbiór danych online jest już zaimportowany.

To ćwiczenie jest częścią kursu

Uczenie maszynowe w marketingu w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Pogrupuj dane według kolumny InvoiceNo i oblicz średnią wartość kolumny TotalSum.
Pogrupuj dane według CustomerID i InvoiceMonth, a następnie oblicz średnią liczbę unikalnych miesięcznych faktur na klienta.
Ustaw okres życia klienta na 36 miesięcy.
Oblicz szczegółowy CLV, mnożąc przez siebie trzy wcześniej wyznaczone metryki.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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))

Edytuj i uruchom kod