def get_ltv(

    profiles,  # Шаг 1. Получить профили и данные о покупках

    purchases,

    observation_date,

    horizon_days,

    dimensions=[],

    ignore_horizon=False,

):

 

    # исключаем пользователей, не «доживших» до горизонта анализа

    last_suitable_acquisition_date = observation_date

    if not ignore_horizon:

        last_suitable_acquisition_date = observation_date - timedelta(

            days=horizon_days - 1

        )

    result_raw = profiles.query('dt <= @last_suitable_acquisition_date')

 

    # Шаг 2. Добавить данные о покупках в профили

 

    result_raw = result_raw.merge(

        # добавляем в профили время совершения покупок и выручку

        purchases[['user_id', 'event_dt', 'revenue']],

        on='user_id',

        how='left',

    )

 

    # Шаг 3. Рассчитать лайфтайм пользователя для каждой покупки

    result_raw['lifetime'] = (

        result_raw['event_dt'] - result_raw['first_ts']

    ).dt.days

 

    # группируем по cohort, если в dimensions ничего нет

    if len(dimensions) == 0:

        result_raw['cohort'] = 'All users'

        dimensions = dimensions + ['cohort']

 

    # функция для группировки таблицы по желаемым признакам

    def group_by_dimensions(df, dims, horizon_days):

 

        # Шаг 4. Построить таблицу выручки

        # строим «треугольную» таблицу

        result = df.pivot_table(

            index=dims,

            columns='lifetime',

            values='revenue',  # в ячейках — выручка за каждый лайфтайм

            aggfunc='sum',

        )

 

        # Шаг 5. Посчитать сумму выручки с накоплением

        result = result.fillna(0).cumsum(axis=1)

 

        # Шаг 6. Вычислить размеры когорт

        cohort_sizes = (

            df.groupby(dims)

            .agg({'user_id': 'nunique'})

            .rename(columns={'user_id': 'cohort_size'})

        )

 

        # Шаг 7. Объединить размеры когорт и таблицу выручки

        result = cohort_sizes.merge(result, on=dims, how='left').fillna(0)

 

        # Шаг 8. Посчитать LTV

        # делим каждую «ячейку» в строке на размер когорты

        result = result.div(result['cohort_size'], axis=0)

        # исключаем все лайфтаймы, превышающие горизонт анализа

        result = result[['cohort_size'] + list(range(horizon_days))]

        # восстанавливаем размеры когорт

        result['cohort_size'] = cohort_sizes

        return result

 

    # получаем таблицу LTV

    result_grouped = group_by_dimensions(result_raw, dimensions, horizon_days)

 

    # для таблицы динамики LTV убираем 'cohort' из dimensions

    if 'cohort' in dimensions:

        dimensions = []

    # получаем таблицу динамики LTV

    result_in_time = group_by_dimensions(

        result_raw, dimensions + ['dt'], horizon_days

    )

 

    # возвращаем обе таблицы LTV и сырые данные

    return result_raw, result_grouped, result_in_time

 

 

 

 

# функция для визуализации LTV и ROI

 

def plot_ltv_roi(ltv, ltv_history, roi, roi_history, horizon, window=14):

 

    # задаём сетку отрисовки графиков

    plt.figure(figsize=(20, 10))

 

    # из таблицы ltv исключаем размеры когорт

    ltv = ltv.drop(columns=['cohort_size'])

    # в таблице динамики ltv оставляем только нужный лайфтайм

    ltv_history = ltv_history.drop(columns=['cohort_size'])[[horizon - 1]]

 

    # стоимость привлечения запишем в отдельный фрейм

    cac_history = roi_history[['cac']]

 

    # из таблицы roi исключаем размеры когорт и cac

    roi = roi.drop(columns=['cohort_size', 'cac'])

    # в таблице динамики roi оставляем только нужный лайфтайм

    roi_history = roi_history.drop(columns=['cohort_size', 'cac'])[

        [horizon - 1]

    ]

 

    # первый график — кривые ltv

    ax1 = plt.subplot(2, 3, 1)

    ltv.T.plot(grid=True, ax=ax1)

    plt.legend()

    plt.xlabel('Лайфтайм')

    plt.title('LTV')

 

    # второй график — динамика ltv

    ax2 = plt.subplot(2, 3, 2, sharey=ax1)

    # столбцами сводной таблицы станут все столбцы индекса, кроме даты

    columns = [name for name in ltv_history.index.names if name not in ['dt']]

    filtered_data = ltv_history.pivot_table(

        index='dt', columns=columns, values=horizon - 1, aggfunc='mean'

    )

    filter_data(filtered_data, window).plot(grid=True, ax=ax2)

    plt.xlabel('Дата привлечения')

    plt.title('Динамика LTV пользователей на {}-й день'.format(horizon))

 

    # третий график — динамика cac

    ax3 = plt.subplot(2, 3, 3, sharey=ax1)

    # столбцами сводной таблицы станут все столбцы индекса, кроме даты

    columns = [name for name in cac_history.index.names if name not in ['dt']]

    filtered_data = cac_history.pivot_table(

        index='dt', columns=columns, values='cac', aggfunc='mean'

    )

    filter_data(filtered_data, window).plot(grid=True, ax=ax3)

    plt.xlabel('Дата привлечения')

    plt.title('Динамика стоимости привлечения пользователей')

 

    # четвёртый график — кривые roi

    ax4 = plt.subplot(2, 3, 4)

    roi.T.plot(grid=True, ax=ax4)

    plt.axhline(y=1, color='red', linestyle='--', label='Уровень окупаемости')

    plt.legend()

    plt.xlabel('Лайфтайм')

    plt.title('ROI')

 

    # пятый график — динамика roi

    ax5 = plt.subplot(2, 3, 5, sharey=ax4)

    # столбцами сводной таблицы станут все столбцы индекса, кроме даты

    columns = [name for name in roi_history.index.names if name not in ['dt']]

    filtered_data = roi_history.pivot_table(

        index='dt', columns=columns, values=horizon - 1, aggfunc='mean'

    )

    filter_data(filtered_data, window).plot(grid=True, ax=ax5)

    plt.axhline(y=1, color='red', linestyle='--', label='Уровень окупаемости')

    plt.xlabel('Дата привлечения')

    plt.title('Динамика ROI пользователей на {}-й день'.format(horizon))

 

    plt.tight_layout()

    plt.show()

 

 

 

 

observation_date = datetime(2019, 11, 1).date()  # момент анализа

horizon_days = 14  # горизонт анализа

 

 

 

 

# считаем LTV и ROI

ltv_raw, ltv_grouped, ltv_history, roi_grouped, roi_history = get_ltv(

    profiles, orders, observation_date, horizon_days

)

 

# строим графики

plot_ltv_roi(ltv_grouped, ltv_history, roi_grouped, roi_history, horizon_days)

 

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

/tmp/ipykernel_48/39697251.py in <module>

      1 # считаем LTV и ROI

----> 2 ltv_raw, ltv_grouped, ltv_history, roi_grouped, roi_history = get_ltv(

      3     profiles, orders, observation_date, horizon_days

      4 )

      5

 

ValueError: not enough values to unpack (expected 5, got 3)