เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

คำนวณ CLV แบบละเอียด

ในสถานการณ์นี้ จะใช้ข้อมูลที่ละเอียดยิ่งขึ้นในระดับใบแจ้งหนี้ แนวทางนี้ใช้ข้อมูลที่มีรายละเอียดมากกว่า จึงให้การประมาณค่า Customer Lifetime Value ที่แม่นยำขึ้น อย่าลืมเปรียบเทียบผลลัพธ์กับค่าที่ได้จากโมเดล CLV พื้นฐานด้วย

ไลบรารี pandas และ numpy ถูกโหลดไว้แล้วในชื่อ pd และ np ตามลำดับ และชุดข้อมูล online ได้ถูกนำเข้ามาให้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning สำหรับการตลาดด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • Group by InvoiceNo แล้วคำนวณค่าเฉลี่ยของคอลัมน์ TotalSum
  • Group by CustomerID และ InvoiceMonth แล้วคำนวณจำนวนใบแจ้งหนี้รายเดือนที่ไม่ซ้ำกันโดยเฉลี่ยต่อลูกค้า
  • กำหนด lifespan เป็น 36 เดือน
  • คำนวณ CLV แบบละเอียดโดยนำ metric ทั้งสามที่คำนวณไว้ก่อนหน้ามาคูณกัน

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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))
แก้ไขและรันโค้ด