1. Faro

Nivel 6 · Clientes que volvieron

La solicitud

De Jordan Reyes, Directora de Marketing

“Si llamamos 'abandonado' a un cliente tras 180 días de silencio, algunos deben volver por su cuenta. ¿Cuántos, y valen algo sus pedidos de regreso? Necesito saberlo antes de pagar una campaña de recuperación.”

Tu objetivo

Usa pedidos registrados (status "completed" o "refunded"). Un pedido de reactivación es un pedido registrado hecho más de 180 días después del pedido registrado anterior del mismo cliente (intervalo = (order_date - previous order_date).dt.days). Asigna a result un dict con "reactivation_orders" (int), "reactivated_customers" (clientes con al menos un pedido de reactivación, int), "repeat_customers" (clientes con 2 o más pedidos registrados, int), "reactivated_pct" (reactivados × 100 / clientes recurrentes, redondeado a 1) y "net_sales": las ventas netas de los pedidos de reactivación (Σ quantity × unit_price × (1 − discount_pct / 100) sobre las líneas con quantity > 0), redondeadas a 2.

  • Usa el DataFrame orderspendiente
  • Usa el DataFrame order_itemspendiente
  • Guarda un dict en resultpendiente

Tu código

Python

Cargando el editor…

    ResultadoVista previa de orders · presiona Ejecutar para ver el tuyo
    Vista previa de orders
    order_idcustomer_idorder_datestatuschannel
    10011252023-01-01 20:51:19completedweb
    10021562023-01-02 07:58:46completedweb
    1003222023-01-02 10:25:27completedmarketplace
    1004482023-01-02 11:21:51completedmarketplace

    Mote revisa tu resultado

    Presiona Ejecutar. Cada fila que cumple el objetivo se vuelve una luciérnaga en tu linterna.

    DataFrames

    Cargados como DataFrames de pandas, junto con pd y np.

    orders12,000 filas · 7 columnas
    • order_idinteger
    • customer_idinteger
    • order_datetimestamp
    • statusvarchar
    • channelvarchar
    • shipping_feedecimal
    • coupon_codevarchar
    Primeras 5 filas de orders
    order_idcustomer_idorder_datestatuschannelshipping_feecoupon_code
    10011252023-01-01 20:51:19completedweb0.00NaN
    10021562023-01-02 07:58:46completedweb0.00NaN
    1003222023-01-02 10:25:27completedmarketplace4.99WELCOME10
    1004482023-01-02 11:21:51completedmarketplace4.99WELCOME10
    1005822023-01-02 11:43:36completedweb0.00WELCOME10
    order_items30,338 filas · 6 columnas
    • order_item_idinteger
    • order_idinteger
    • product_idinteger
    • quantityinteger
    • unit_pricedecimal
    • discount_pctdecimal
    Primeras 5 filas de order_items
    order_item_idorder_idproduct_idquantityunit_pricediscount_pct
    11001121931.990.00
    21001154311.990.00
    31002154411.990.00
    410021941149.000.00
    51002193219.990.00
    customers2,018 filas · 9 columnas
    • customer_idinteger
    • first_namevarchar
    • last_namevarchar
    • emailvarchar
    • cityvarchar
    • statevarchar
    • signup_datedate
    • segmentvarchar
    • referral_sourcevarchar
    Primeras 5 filas de customers
    customer_idfirst_namelast_nameemailcitystatesignup_datesegmentreferral_source
    1OwenHudsonowen.hudson@icloud.comSan FranciscoCA2022-06-02consumersearch
    2DouglasMendozadmendoza69@gmail.comAtlantaGA2022-06-02consumerNaN
    3HenryBrookshbrooks@lakesidecafe.comLos AngelesCA2022-06-04businessNaN
    4BrianGrahambgraham@bluecedarhomes.comSeattleWA2022-06-06businesspinterest
    5KyleJimenezkjimenez27@yahoo.comIndianapolisIN2022-06-07consumerNaN
    products120 filas · 8 columnas
    • product_idinteger
    • namevarchar
    • categoryvarchar
    • subcategoryvarchar
    • unit_pricedecimal
    • unit_costdecimal
    • launched_ondate
    • is_activeboolean
    Primeras 5 filas de products
    product_idnamecategorysubcategoryunit_priceunit_costlaunched_onis_active
    101Vale Velvet LoveseatFurnitureSofas1659.00NaN2023-09-11true
    102Alder Oak Coffee TableFurnitureTables919.00503.502024-05-16true
    103Orchard Rattan Dining ChairFurnitureChairs789.00429.872023-05-27true
    104Upland Oak BookcaseFurnitureStorage429.00214.702022-12-20true
    105Avery Leather Bed FrameFurnitureBeds449.00232.702021-08-31true
    returns1,673 filas · 5 columnas
    • return_idinteger
    • order_item_idinteger
    • returned_ondate
    • reasonvarchar
    • refund_amountdecimal
    Primeras 5 filas de returns
    return_idorder_item_idreturned_onreasonrefund_amount
    1142023-01-10damaged83.69
    2422023-01-10wrong_item19.99
    31052023-01-14wrong_item10.99
    4242023-01-16changed_mind26.99
    51262023-01-16late20.99
    employees60 filas · 8 columnas
    • employee_idinteger
    • first_namevarchar
    • last_namevarchar
    • departmentvarchar
    • titlevarchar
    • manager_idinteger
    • hire_datedate
    • salaryinteger
    Primeras 5 filas de employees
    employee_idfirst_namelast_namedepartmenttitlemanager_idhire_datesalary
    1CatherineHaleExecutiveChief Executive OfficerNaN2016-03-01285000
    2RobertKimExecutiveChief Operating Officer12017-01-09235000
    3MeganCollinsSalesHead of Sales12018-04-16172000
    4ChloeGutierrezSalesAccount Executive32020-01-2172000
    5FrankBellSalesAccount Executive32023-05-2173000
    web_sessions40,000 filas · 7 columnas
    • session_idinteger
    • customer_idinteger
    • started_attimestamp
    • devicevarchar
    • sourcevarchar
    • pages_viewedinteger
    • convertedboolean
    Primeras 5 filas de web_sessions
    session_idcustomer_idstarted_atdevicesourcepages_viewedconverted
    1NaN2023-01-01 23:02:24mobilepaid1false
    2182023-01-01 15:07:49desktoppaid1false
    3NaN2023-01-01 16:55:46desktopdirect7false
    4NaN2023-01-01 12:43:28mobileorganic3false
    5NaN2023-01-01 13:06:21mobilesocial2false
    marketing_spend3,276 filas · 3 columnas
    • spend_datedate
    • channelvarchar
    • amountdecimal
    Primeras 5 filas de marketing_spend
    spend_datechannelamount
    2023-01-01paid492.99
    2023-01-01email37.38
    2023-01-01social200.53
    2023-01-02paid709.13
    2023-01-02email64.13

    La lección

    El abandono no es el final

    El nivel 4 llamó abandonado a un cliente tras 180 días sin un pedido registrado. Es una etiqueta útil para la lista de hoy, pero es una instantánea. Si miras hacia atrás tres años, muchos clientes que cruzaron esa línea volvieron por su cuenta. Una reactivación es un pedido que pone fin a un silencio tan largo.

    El pedido anterior, fila por fila

    Ordena los pedidos registrados por cliente y fecha, y shift() dentro de cada cliente baja cada fecha una fila, de modo que cada pedido ve el pedido anterior del cliente:

    booked["prev"] = booked.groupby("customer_id")["order_date"].shift()
    booked["gap"] = (booked["order_date"] - booked["prev"]).dt.days

    El primer pedido de cada cliente no tiene anterior, así que su intervalo es NaN, y NaN > 180 es False: los primeros pedidos nunca son reactivaciones, lo cual es correcto. El orden importa: shift() toma la fila anterior, no la fecha anterior, así que con datos sin ordenar los intervalos no tienen sentido.

    Tres números, tres denominadores

    Los pedidos y los clientes responden preguntas distintas. Un cliente puede reactivarse dos veces, así que hay más pedidos de reactivación que clientes reactivados. Para la proporción, usa a los clientes que podrían reactivarse: necesitas al menos dos pedidos para tener un intervalo, así que la base son los clientes con dos o más pedidos registrados, no todos los clientes.

    Cuánto valen los pedidos de regreso

    Usa las mismas ventas netas que el resto de la ruta: solo líneas válidas (quantity > 0), con el precio pagado después del descuento del cupón. Busca los pedidos de reactivación en un total por pedido:

    order_net.reindex(react["order_id"]).sum()

    Compara el resultado con la tienda en conjunto. Si los pedidos de reactivación son más pequeños que un pedido típico, un descuento de recuperación se come una parte mayor de cada uno.

    Por qué importa antes de una campaña

    A un correo de recuperación enviado a todos los que llevan 180 días en silencio le seguirán muchos regresos. Algunos habrían ocurrido de todos modos, y el correo se llevará el crédito. El número que calculas aquí es la línea base que la campaña tiene que superar. La forma limpia de medir la campaña es reservar un grupo aleatorio de clientes que abandonaron y comparar.

    Errores comunes

    • Olvidar ordenar antes de shift().
    • Contar pedidos cancelados como el pedido “anterior”. Un pago fallido no pone fin a un silencio.
    • Usar a todos los clientes como base. Quienes compraron una sola vez no pueden reactivarse.

    Elige qué puede ejecutarse en este sitio. Puedes cambiarlo cuando quieras desde "Configurar cookies", al pie de cada página.