Obliczanie tradycyjnego CLV
Teraz obliczysz jeden z najpopularniejszych opisowych modeli CLV, który uwzględnia wskaźniki retencji i odejść klientów. Pozwala to uzyskać bardziej wiarygodne oszacowanie, ale wiąże się z pewnymi założeniami, które trzeba zweryfikować. Przed zastosowaniem tej metody we własnym przypadku koniecznie zapoznaj się ze slajdami z lekcji wideo.
Biblioteki pandas i numpy zostały wczytane odpowiednio jako pd i np. Zbiory danych online i retention są już zaimportowane.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w marketingu w Pythonie
Instrukcje do ćwiczenia
- Zgrupuj dane według
CustomerIDiInvoiceMonth, a następnie oblicz miesięczne wydatki dla każdego klienta. - Oblicz średni miesięczny wskaźnik retencji.
- Oblicz średni miesięczny wskaźnik odejść (churn).
- Oblicz tradycyjny CLV, mnożąc średnie miesięczne wydatki przez stosunek retencji do wskaźnika odejść.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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))