Calcular CLV granular
Neste cenário, você vai usar pontos de dados mais granulares no nível da fatura. Essa abordagem usa dados mais detalhados e pode oferecer uma estimativa melhor do valor do tempo de vida do cliente (CLV). Lembre-se de comparar os resultados com o modelo básico de CLV.
As bibliotecas pandas e numpy já foram carregadas como pd e np, respectivamente. O conjunto de dados online foi importado para você.
Este exercício faz parte do curso
Machine Learning para Marketing em Python
Instruções do exercício
- Faça group by por
InvoiceNoe calcule a média da colunaTotalSum. - Faça group by por
CustomerIDeInvoiceMonthe calcule a média do número de faturas mensais únicas por cliente. - Defina o tempo de vida em 36 meses.
- Calcule o CLV granular multiplicando as três métricas anteriores.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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))