Ejemplo: Predicción de Customer Lifetime Value con Python

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error
import numpy as np

class CLVPredictor:
    """Predictor de Customer Lifetime Value usando Random Forest"""
    
    def __init__(self):
        self.model = RandomForestRegressor(
            n_estimators=100,
            max_depth=10,
            random_state=42
        )
        self.feature_importance = None
    
    def preparar_datos(self, df):
        """Prepara features para el modelo"""
        features = pd.DataFrame({
            'frecuencia_compra': df['total_orders'] / df['months_active'],
            'valor_promedio': df['total_spent'] / df['total_orders'],
            'dias_ultima_compra': df['days_since_last_order'],
            'categoria_preferida': pd.get_dummies(df['preferred_category']),
            'canal_adquisicion': pd.get_dummies(df['acquisition_channel']),
            'satisfaccion_promedio': df['avg_rating'],
            'uso_descuentos': df['discount_usage_rate']
        })
        return features
    
    def entrenar(self, X, y):
        """Entrena el modelo predictivo"""
        X_train, X_test, y_train, y_test = train_test_split(
            X, y, test_size=0.2, random_state=42
        )
        
        # Entrenar modelo
        self.model.fit(X_train, y_train)
        
        # Evaluar precisión
        y_pred = self.model.predict(X_test)
        mae = mean_absolute_error(y_test, y_pred)
        
        # Importancia de features
        self.feature_importance = pd.DataFrame({
            'feature': X.columns,
            'importance': self.model.feature_importances_
        }).sort_values('importance', ascending=False)
        
        print(f"Error Absoluto Medio: ${mae:.2f}")
        return mae
    
    def predecir_clv(self, customer_data):
        """Predice CLV para nuevos clientes"""
        features = self.preparar_datos(customer_data)
        clv_prediction = self.model.predict(features)
        
        # Clasificar clientes por valor
        def clasificar_cliente(clv):
            if clv > 1000: return "Alto Valor"
            elif clv > 500: return "Valor Medio"
            else: return "Bajo Valor"
        
        resultado = pd.DataFrame({
            'customer_id': customer_data['customer_id'],
            'clv_predicho': clv_prediction,
            'segmento': [clasificar_cliente(clv) for clv in clv_prediction]
        })
        
        return resultado
    
    def generar_recomendaciones(self, clv_data):
        """Genera recomendaciones de marketing según CLV"""
        recomendaciones = []
        
        for _, row in clv_data.iterrows():
            if row['segmento'] == "Alto Valor":
                recomendaciones.append({
                    'customer_id': row['customer_id'],
                    'estrategia': 'VIP Program',
                    'inversion_sugerida': row['clv_predicho'] * 0.15,
                    'canal_prioritario': 'Email personalizado + Teléfono'
                })
            elif row['segmento'] == "Valor Medio":
                recomendaciones.append({
                    'customer_id': row['customer_id'],
                    'estrategia': 'Loyalty Program',
                    'inversion_sugerida': row['clv_predicho'] * 0.10,
                    'canal_prioritario': 'Email + Retargeting'
                })
            else:
                recomendaciones.append({
                    'customer_id': row['customer_id'],
                    'estrategia': 'Reactivation Campaign',
                    'inversion_sugerida': row['clv_predicho'] * 0.05,
                    'canal_prioritario': 'Social Media + Display'
                })
        
        return pd.DataFrame(recomendaciones)

# Ejemplo de uso
predictor = CLVPredictor()

# Cargar datos de clientes
# customers_df = pd.read_csv('customer_data.csv')
# features = predictor.preparar_datos(customers_df)
# predictor.entrenar(features, customers_df['actual_clv'])

# Predecir CLV para nuevos clientes
# nuevos_clientes = pd.read_csv('new_customers.csv')
# predicciones = predictor.predecir_clv(nuevos_clientes)
# recomendaciones = predictor.generar_recomendaciones(predicciones)

print("Sistema de predicción CLV inicializado correctamente")