Сколько денег приносят? (LTV)

LTV удобно считать по когортам. Что для этого нужно:

найти дату первой покупки каждого покупателя;
вычислить число новых покупателей за каждую дату;
добавить дату первой покупки в таблицу с заказами;
сгруппировать таблицу и посчитать выручку.
Дата первой покупки first_order_month мы уже высчитали отвечая на предыдущие вопросы

orders.head()
order_date	Revenue	Uid	first_order_date	first_session_date	delta_time	first_order_month	order_month
0	2017-06-01 00:10:00	17.00	10329302124590727494	2017-06-01 00:10:00	2017-06-01 00:09:00	00:01:00	2017-06-01	2017-06-01
1	2017-06-01 00:25:00	0.55	11627257723692907447	2017-06-01 00:25:00	2017-06-01 00:14:00	00:11:00	2017-06-01	2017-06-01
2	2017-06-01 00:27:00	0.37	17903680561304213844	2017-06-01 00:27:00	2017-06-01 00:25:00	00:02:00	2017-06-01	2017-06-01
3	2017-06-01 00:29:00	0.55	16109239769442553005	2017-06-01 00:29:00	2017-06-01 00:14:00	00:15:00	2017-06-01	2017-06-01
4	2017-06-01 07:58:00	0.37	14200605875248379450	2017-06-01 07:58:00	2017-06-01 07:31:00	00:27:00	2017-06-01	2017-06-01
Посчитаем количество новых покупателей (n_buyers) за каждый месяц

cohort_sizes = orders.groupby('first_order_month').agg({'Uid': 'nunique'}).reset_index()
cohort_sizes.columns = ['first_order_month', 'n_buyers']
Сгруппируем таблицу заказов по месяцу первой покупки и месяцу каждого заказа и сложим выручку. Сбросим индекс методом reset_index()

cohorts = orders.groupby(['first_order_month','order_month']).agg({'Revenue': 'sum'}).reset_index()
Строка таблицы cohorts показывает, какую выручку принесла когорта. Например, строка 0 сообщает, что покупатели, сделавшие свой первый заказ в июне 2017 года, в этом же месяце принесли суммарно 9557.49 рублей выручки.

cohorts.Revenue.describe()
count       79.000000
mean      3190.597468
std       5392.641642
min          3.420000
25%        491.365000
50%       1015.980000
75%       1866.795000
max      21716.200000
Name: Revenue, dtype: float64
Для дальнейшего анализа воспользуемся инструкцией из тренажера в теме:"Юнит-экономика" урок: "Считаем экономику одного покупателя в интернет-магазине"

С точки зрения когортного анализа LTV — накопительная выручка когорты в пересчёте на количество людей. Добавим в таблицу cohorts данные о том, сколько людей первый раз совершили покупку в каждый месяц

report = pd.merge(cohort_sizes, cohorts, on='first_order_month')
print(report.head())
  first_order_month  n_buyers order_month  Revenue
0        2017-06-01      2023  2017-06-01  9557.49
1        2017-06-01      2023  2017-07-01   981.82
2        2017-06-01      2023  2017-08-01   885.34
3        2017-06-01      2023  2017-09-01  1931.30
4        2017-06-01      2023  2017-10-01  2068.58
Так как средняя маржинальность нам не известна предположим, что онас равна 50%

margin_rate = 0.5
report['gp'] = report['Revenue'] * margin_rate
report['age'] = (report['order_month'] - report['first_order_month']) / np.timedelta64(1, 'M')
report['age'] = report['age'].round().astype('int')
print(report.head())
  first_order_month  n_buyers order_month  Revenue        gp  age
0        2017-06-01      2023  2017-06-01  9557.49  4778.745    0
1        2017-06-01      2023  2017-07-01   981.82   490.910    1
2        2017-06-01      2023  2017-08-01   885.34   442.670    2
3        2017-06-01      2023  2017-09-01  1931.30   965.650    3
4        2017-06-01      2023  2017-10-01  2068.58  1034.290    4
Наконец, найдём LTV. Разделим валовую прибыль когорт за каждый месяц на общее число пользователей в каждой когорте. Для наглядности визуализируем когорты в виде сводной таблицы

report['ltv'] = report['gp'] / report['n_buyers']

output = report.pivot_table(
        index='first_order_month',
        columns='age',
        values='ltv',
        aggfunc='mean').round()

output.fillna('')
age	0	1	2	3	4	5	6	7	8	9	10	11
first_order_month
2017-06-01	2.0	0	0	0	1	0	0	0	0	0	0	0
2017-07-01	3.0	0	0	0	0	0	0	0	0	0	0
2017-08-01	3.0	0	0	0	0	0	0	0	0	0
2017-09-01	3.0	1	0	2	0	0	0	0	0
2017-10-01	3.0	0	0	0	0	0	0	0
2017-11-01	3.0	0	0	0	0	0	0
2017-12-01	2.0	0	0	1	0	0
2018-01-01	2.0	0	0	0	0
2018-02-01	2.0	0	0	0
2018-03-01	2.0	0	0
2018-04-01	2.0	0
2018-05-01	2.0
2018-06-01	2.0