Beräkna mer detaljerat CLV

I det här scenariot använder du mer detaljerade datapunkter på fakturanivå. Det här tillvägagångssättet ger en mer detaljerad bild och kan ge en bättre uppskattning av kundens livstidsvärde. Jämför gärna resultaten med dem från den grundläggande CLV-modellen.

Biblioteken pandas och numpy har laddats som pd respektive np. Datamängden online har importerats åt dig.

Den här övningen är en del av kursen

Maskininlärning för marknadsföring i Python

Visa kurs

Övningsinstruktioner

Gruppera efter InvoiceNo och beräkna medelvärdet för kolumnen TotalSum.
Gruppera efter CustomerID och InvoiceMonth och beräkna det genomsnittliga antalet unika månadsfakturor per kund.
Definiera livslängden till 36 månader.
Beräkna det detaljerade CLV-värdet genom att multiplicera de tre tidigare mätvärdena.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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))

Redigera och kör kod