互联网数据化运营管理：复购篇

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。

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；

一个中意 的用户会带来8笔潜在生意，不中意 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治理 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。

上图中将用户复购率、订单复购率、用户回购率统一放在一个图中进行展示，下面表格为明细表，将用户、订单进行更明细的分类。

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，因为随着公司的进展，为公司长期制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。

上图所示，新用户由于对平台或应用的忠诚度不如老客户高，所以其复购率与老用户的复购率之间有一定差距，但差距也应该是相对稳定的。当然，对于公司的运营来说，也是应该尽量提高新用户的复购率，例如可以通过进行更精准的拉新，对新用户的复购优惠政策等等。

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。

关于商品与转化率的关系，可以做一个商品的对比趋势图，也可以从商品的角度出发，看一个商品的综合价值，可以用finereport的散点图或气泡图（气泡大小表示利润）来查看商品价值。这种对对于商品较多的电商类公司比较合适。（从商品的角度来分析商品价值，还需要更多的维度来看，这里仅针对商品与复购率的关系。）

上面针对几个常见的维度进行对比分析，对复购率进行进一步的拆分。为提高转化率提供一定的辅助作用。

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。