零售电商人一定要懂的分析方法——用复购分析抓住回头客
对于零售电商人来说，复购率有多重要？
这么说吧，一家店要想活得长久，靠的就是回头客。稳定的客源是销量的保证，复购率差则像蓄水池蓄不住水，所有用户流一遍就走掉，无论获客拉新做得再好，业务上也很难挣着钱。
有调查数据表明，一个满意的客户会带来8笔潜在的生意，不满意的用户可能会影响25个人的购买意愿。可见，1个老用户比10个新用户有更大的价值。复购率的提升都是所有店铺能够存续的下去的根本所在。
借助复购率分析，可以帮助我们看到老用户的复购情况如何？哪个推广渠道对产生复购影响更大？复购率高的商品有哪些？哪些商品复购率不佳？接下来，我们将由浅入深，教你一次学明白复购分析。
一、什么是复购率分析？
复购率：指用户最近一段时间的购买次数，可以说明用户的忠诚度，反向则说明商品或服务的用户黏性。
复购更关注的是消费行为，对复购的影响一般是商品或服务的质量、售后体验、用户消费满意度等，对复购的分析也会落地到商品或服务上。
复购率可分为：用户复购率、订单复购率、用户回购率
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
二、复购分析有什么用？
分析复购率的目的:
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。
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。
具体问题：
每月的老用户复购率情况如何？
不同推广渠道对复购产生怎样的影响？
哪些商品的复购率较高，哪些商品需要着重关注提升复购率？
三、怎么做复购分析？
下面我们开始实操教程，以某家零售商的销售数据为数据源，针对它的用户复购率进行简单分析（已脱敏）。
分析工具：FineBI，步骤如下
1、明确计算公式
我们选择分析用户复购率，则选择这个公式：
- 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
（可见，需要计算出两点，一是有复购行为的用户数，二是有购买行为的总用户数，基于二者计算用户复购率。）
2、计算购买两次及以上用户数（即产生复购行为的用户）
找到购买产品两次及以上的用户是计算复购率的关键，我们需要将不同购买时间点对应的同一用户筛选出来，这部分用户即产生复购行为的用户。这时主要看的指标是「客户ID」和「购买日期」，把这两个字段拖入分组栏中即可。
新增一列记录数，用来记录所有客户在不同时间的购买次数，然后进行分组汇总，利用条件设置功能筛选出购买次数大于 1 客户。可以看到，购买次数大于1次的客户后面都标记了他们购买的次数，这部分客户即为进行了复购的客户。
3、数据合并
计算复购率的指标，一是产生复购行为用户数，二是有购买行为的总用户数。上一步我们得到了「复购客户记录」，原始数据则代表有「有购买行为的总用户数」。
需要把二者合并在一个表中，创建新的自助数据集，进行「复购分析」。选中两个数据表下的所有字段，以「客户ID」字段为依据进行合并即可。
4、计算复购率
新建仪表板，添加组件，选择刚刚我们创建好的「复购分析表」计算复购率。维度字段对应横轴展示月份数，指标字段对应纵轴展示有购买记录的客户数和复购率。复制一个「客户ID」字段然后把它转化为指标，命名为「复购率」。
输入公式：COUNTD_AGG(IF(计数!=null,客户ID,null))/COUNTD_AGG(客户ID)。
（注意：公式框中的函数、字段都需要点击左侧的选择区域选择，不能手动输入。
5、可视化
最后一步，就是把得到的结果进行可视化呈现。我们选择用「柱形图」展示的是有购买记录的客户数，「折线图」展示了当月的复购率。将「购买日期」字段拖入横轴，呈现年月，将「客户ID」和「复购率」指标拖入纵轴即可。
最终结论：
将复购率与用户总数叠加在一起可以看出用户黏性的健康度，最佳状态是复购率不随着用户数量的变化而变化，普遍保持着上升的趋势。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。
四、其他类型复购分析
1、横向对比——渠道复购率
将复购率继续拆解，可以分成渠道复购率、新老用户复购率等等。通过对比，可以实施有针对性的营销策略。
上图是各渠道的转化率对比，可以看出基础线上工作和微信推广的每月复购率普遍较高的。
因此品牌推广运营对于提高复购率也是一个重要的手段。
2、商品价值分析
从商品的角度出发，看一个商品的综合价值，可以使用四象限图（波士顿矩阵）来查看商品价值分析。
销量和复购率分别作为横纵轴，以平均值为分割线，将所有商品类型划分到四个象限内
对于新兴产品：需要着重拓展市场
对于低回购产品：需要检查是否产品有质量问题，导致用户单次购买多但不会回购
对于问题产品：着重关注
立即沟通
