La compra en línea se ha desarrollado rápidamente en los últimos años debido a su eficiencia, conveniencia, bajo costo y variedad de productos. Esto ha aumentado el número de minoristas de comercio electrónico de múltiples categorías que venden una variedad de categorías de productos. Debido al crecimiento en el número de actores, cada empresa necesita optimizar su propia estrategia comercial para poder competir. El valor del tiempo de vida del cliente (CLV) es una métrica común que los minoristas de comercio electrónico de múltiples categorías suelen considerar para la competencia, ya que ayuda a determinar quiénes son los clientes más valiosos para los minoristas. Sin embargo, en este documento, introducimos dos factores adicionales novedosos además del CLV para determinar qué clientes generarán los mayores ingresos en el futuro: categoría de producto distinta (DPC) y tendencia en la cantidad gastada (TAS). Luego, proponemos un nuevo marco. Utilizamos, por primera vez en la literatura relevante, un modelo de red neuronal profunda (DNN) de múltiples salidas para probar nuestro marco propuesto mientras pronosticamos CLV, DPC y TAS juntos. Para hacer que este resultado sea aplicable en la vida real, construimos clústeres de clientes que permiten a la gestión de empresas de comercio electrónico de múltiples categorías segmentar a los usuarios finales en función de las tres variables. Comparamos el marco propuesto (construido con múltiples salidas: CLV, DPC y TAS) contra un modelo de salida única de referencia para determinar el efecto combinado del modelo de múltiples salidas. Además, también comparamos el modelo propuesto con algoritmos de Árbol de Decisión (DT) de múltiples salidas y Bosque Aleatorio (RF) de múltiples salidas en el mismo conjunto de datos. Los resultados indican que el modelo DNN de múltiples salidas supera al modelo DNN de salida única, al DT de múltiples salidas y al RF de múltiples salidas en todas las medidas de evaluación, demostrando que el modelo DNN de múltiples salidas es más adecuado para el uso de minoristas de comercio electrónico de múltiples categorías. Además, los valores de Shapley derivados a través del método de inteligencia artificial explicable se utilizan para interpretar las decisiones del DNN. Esta práctica demuestra qué entradas contribuyen más a los resultados (una novedad significativa en la interpretación del modelo DNN para el CLV).