互联网数据运营系列4：复购篇

上一篇也有讲到，电商的“人口红利”已经过去了，根据中国电子商务中心提供的公开数据：

• 商家获得新用户的成本是维护老用户的5～10倍
• 一个满意的用户会带来8笔潜在生意，不满意的用户可能会影响25个人的购买意愿
• 根据京东对大量商家对复购率和收益的分析结果显示
• 购买一次 用户占比：93% 收入占比83%
• 购买两次 用户占比：5.5% 收入占比11%
• 购买三次 用户占比：1% 收入占比3%
• 三次以上 用户占比：0.5% 收入占比3%

这些数据表明，互联网公司要维持业绩的增长，新用户要抓，更要关注老用户的存留和复购，上一篇讲了存留相关的分析，本篇单独介绍下复购相关的分析。

复购率衍生与传统用户关系管理CRM中的用户价值模型(RFM模型)中的F(frequency)，意思为最近一段时间购买次数，用于说明用户的忠诚度，反向则说明商品或服务的用户黏性。

复购率可以分为“用户复购率”和“订单复购率”，此外，“用户回购率”意义与复购率相似，也在此范围内。

• 用户复购率=单位时间内：购买两次及以上的用户数/有购买行为的总用户数
• 订单复购率=单位时间内：第二次及以上购买的订单个数/总订单数
• 用户回购率=单位时间内：有购买行为的老用户数/有购买行为的总用户数

分析目标

通过对转化率的监控分析，发现问题、细化原因，为运营策略调整提供支持，辅助达到稳定、提高转化率的效果。

分析角度

1. 综合指标展示，分析用户黏性，辅助发现复购率问题，制定运营策略。
2. 横向维度(商品、用户、渠道)对比分析，细化复购率，辅助问题定位。

分析方法

1.综合指标展示，分析用户黏性，辅助发现复购率率问题，制定运营策略

放下问题不谈，公司应该对复购率有一个常规的图表进行监控，通过该表来展示公司复购率的健康度。

将这三条曲线与用户总数叠加在一起可以看出用户黏性的健康度，最佳的情况是三条曲线都不随着用户数量的变化而变化，普遍保持着上升的趋势。尤其用户回购比率是一定要逐步上升的，因为随着公司的发展，为公司长期创造价值的用户一定是这些老用户。

上图是对复购率进行一个整体性的展示，可以根据不同情况将周期调整为季度等。通过对复购率整体性的展示，方便定义公司复购率的健康度，及时发现复购率异常后，再进行进一步的分析。

2.横向维度(商品、用户、渠道)对比分析，细化复购率，辅助问题定位

将复购率继续拆解，可以分成会员复购率、新用户复购率。会员复购率低，是会员运营的不够好;新用户复购率低，是新用户运营的问题。通过这样的对比，可以实施有针对性的营销策落。

通过多维度的对比分析，可以将复购率进一步细化，例如根据下图中各渠道的转化率对比，也可以看出微信端、手机qq端的复购率是最高的，可以看出社群运营对于提高复购率也是一个重要的手段。

影响复购率的因素主要是：商品质量、服务质量、物流体验(效率、服务)，对于部分o2o类公司可能只剩下服务。最根本的原因，就是用户在花钱消费了之后，感受好不好。体验好了才会产生复购，用户个体差异非常大，对体验的感受也是不同的，所以很多公司都非常重视建立会员体系，建立用户画像，施行精准营销。针对不同的用户，提供适合他的服务。

前文中所做的分析，只是为复购数据提供一个可视化界面，为提升复购率提供数据参考价值。针对数据来制定精准的策略来提高复购率。

具体提高复购率的手段也很多，常规的精准营销、老用户权益设置、用户互动活动等等。有兴趣可以进一步交流。

推荐使用国内新一代大数据用户行为分析平台：数极客，国内首款支持无埋点、前端埋点、后端埋点、API导入四种混合数据采集方式;自动监测网站、APP、小程序等多种渠道推广效果分析，是增长黑客必备的互联网数据分析工具。数极客支持实时多维分析、漏斗分析、留存分析、路径分析等十大数据分析方法以及APP数据分析、网站统计、网站分析、小程序数据统计、用户画像等应用场景，国内首创6大提升转化率的数据分析模型，是用户行为分析领域首款应用定量分析与定性分析方法的数据分析产品。基于用户行为的大数据分析智能系统，提供了会员营销和AB测试两大数据智能产品，使得企业可以快速的提升用户转化率和留存率，实现数据驱动增长。