Ayrıntılı CLV'yi hesapla

Bu senaryoda fatura düzeyinde daha ayrıntılı veri noktalarını kullanacaksın. Bu yaklaşım daha granüler veri kullanır ve müşteri yaşam boyu değerini daha iyi tahmin edebilir. Sonuçları temel CLV modeliyle elde ettiklerinle karşılaştırmayı unutma.

pandas ve numpy kütüphaneleri sırasıyla pd ve np olarak yüklendi. online veri kümesi senin için içe aktarıldı.

Bu egzersiz, kursun bir parçasıdır

Python ile Pazarlama için Machine Learning

Kursa Göz Atın

Egzersiz talimatları

InvoiceNo ile group by yap ve TotalSum sütununun ortalamasını hesapla.
CustomerID ve InvoiceMonth ile group by yap ve müşteri başına benzersiz aylık faturaların ortalama sayısını hesapla.
Yaşam süresini 36 ay olarak tanımla.
Önceki üç metriği çarparak ayrıntılı CLV'yi hesapla.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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))

Kodu Düzenle ve Çalıştır