Расчёт детализированного CLV

В этом сценарии вы будете использовать более детализированные данные на уровне счетов-фактур. Такой подход позволяет получить более точную оценку пожизненной ценности клиента. Обязательно сравните результаты с результатами базовой модели CLV.

Библиотеки pandas и numpy уже импортированы как pd и np соответственно. Набор данных online также загружен для вас.

Это упражнение является частью курса

Машинное обучение для маркетинга на Python

Посмотреть курс

Инструкции к упражнению

Сгруппируйте данные по InvoiceNo и вычислите среднее значение столбца TotalSum.
Сгруппируйте данные по CustomerID и InvoiceMonth и вычислите среднее количество уникальных ежемесячных счетов-фактур на одного клиента.
Задайте срок жизни клиента равным 36 месяцам.
Рассчитайте детализированный CLV, перемножив три ранее вычисленные метрики.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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))

Редактировать и запускать код