在电商/零售数据分析中,复购数据分析是非常重要的部分。尤其是在当今新用户获取成本越来越高的今天,根据中国电子商务中心提供的公开数据显示,商家获得一个新用户的成本是维护一个老用户的 5 - 10 倍,一个满意的用户会带来至少 8 笔潜在生意,一个不满意的用户可能会影响超过 25 个人的购买意愿。 通过复购行为分析,了解用户偏向和用户习惯,优化相关产品、活动等,提高用户粘性和产品粘性,才能实现产品/业务的稳定增长。
本文我们一起看下,复购分析可以从哪些角度入手,核心指标复购率如何计算。
一、复购率是什么?
复购率通常指重复购买率,在不同业务场景下,也有各自的计算方式。常见的是从用户角度和订单角度两种。
1、用户复购率: 指一定时间段内,购买次数>1次的用户数/有过购买行为的用户总数
2、订单复购率:指一定时间段内,重复交易订单数/交易订单总数 在实际分析中,还需要根据业务场景和需求,对于公式中的指标取值范围进行确定。
例如: 【购买次数】计算的两种方式: a.同一天多个订单分别计算次数 b.一个客户一天产生多笔订单交易,只算一次购买
二、复购分析如何做?
影响复购率的因素通常是商品、活动、服务、用户满意度等,根据复购分析,我们也会从这些方面入手调整策略,达到提高复购、提高用户粘性的作用。
所以在进行复购分析时,我们就可以从用户、订单、产品几个角度入手进行分析。
分析工具:海致BDP个人版 数据情况:零售订单示例数据 包含字段:订单ID、用户ID、购买日期、商品ID、购买金额
1、区分首购订单 or 复购订单要计算复购率,首先我们需要根据用户ID、订单ID和购买日期,区分每行数据订单是首购or 复购第几次
在上传的基础工作表中「添加字段」
计算公式:dense_rank()over ( partition by [用户ID] order by [购买日期],[订单ID] ) 公式逻辑:这里我们使用窗口函数,按照用户ID分组,按照购买日期和订单ID进行排序,即可计算出该行订单数据是用户的第几次购买。 (这里我们将同一天,不同订单ID计为多次购买)
计算出的结果示例: 某用户在2月4日分开交易2笔订单,3月27日交易一笔,计算字段结果分别计1,2,3次
根据计算结果,可以区分首购 or 复购订单 计算后,将工作表进行一次追加合并,将窗口函数结果物化,便于后续的计算和做图。 点击右上角-创建合表,选择追加合并,添加工作表,命名后保存为表1.1。
2、复购用户数&复购订单数
计算复购率, 需要先计算分子,也就是复购用户数和复购订单数。 我们通过对用户ID和订单ID进行去重计数得出。
在刚刚保存的表1.1 右上角,点击新建图表,在图表编辑界面添加计算字段
复购用户数—计算公式: count(distinct(if([区分首购订单or复购订单]=2,[用户ID],null)))
计算逻辑:复购标记字段=2的即为有过复购行为的用户,按此条件对用户ID进行去重计数,即可得出有过复购行为的用户数量。 将计算字段拖至数值栏,即可展示复购用户数
复购订单数逻辑类似,区别在于条件是:只要复购标记字段不等于1,都属于复购订单。 计算公式:count(distinct(if([区分首购订单or复购订单]<>1,[订单ID],null)))
3、用户复购率&订单复购率
已经求出复购率公式的分子后,依然在图表编辑界面,添加字段,求出复购率
用户复购率: 计算公式:[复购用户数]/count(distinct([用户ID])) 用上一步计算的复购用户数/用户ID去重计数值,即可表示用户复购率
订单复购率: 计算公式:[复购订单数]/count(distinct([订单ID]))
4、复购时间间隔
了解用户的复购周期,也是复购分析中必要的指标,这里需要计算用户复购和首次购买之间的时间间隔 在刚才的合表1.1 右上角,选择创建合表,进行追加合并,设置过滤条件,筛选出所有的复购订单,保存为表1.2
再次选择创建合表—多表关联
将表1.1作为左表,1.2作为右表,选择关联方式inner-join,关联字段为2张表的用户ID。
设置过滤条件:左表复购标记字段=1
进行字段设置,左表相关字段为首购数据字段,右表为复购数据字段
命名保存为表1.3 保存后点击添加字段,使用公式,计算两次购买时间间隔 公式:DAY_DIFF([复购购买日期],[首次购买日期])
计算结果示例:
三、复购分析-可视化
根据刚才的数据计算结果,我们可以进行可视化展示,通过可视化图表的形式,发现数据规律和问题
1、重点指标数据
使用指标卡,展示重点指标数据,还可以配合全局筛选器,筛选展示不同时间段、不同地区等指标数据
2、复购数据—时间趋势
使用表1.1,对用户复购情况,做日期维度的分析展示
图表类型:双轴图 购买用户总数为用户ID去重计数
订单复购分析类似。按照日期维度,可以按季度、按月、按周查看复购率和用户数/订单数之间的变化关系。同时监控数据健康度,理想状态下复购率应该是较为稳定的,根据数据变化,及时发现异常问题。
3、复购时间间隔分析
可以根据复购时间间隔进行分组展示,了解用户在不同时间间隔范围内,进行复购行为的占比情况 添加分组字段,根据业务需求,设置自定义步长和组别
将分组字段放置维度栏,用户ID去重计数作为数值,使用饼图/环形图展示占比情况(这里我们主要分析第二次购买与首购的时间间隔,通过筛选器控制)
也可以使用折线图,展示复购时间间隔的趋势
根据可视化图表显示,示例数据中用户在7天内产生复购行为的占比最大,其次是60天以上,说明在短时间内用户粘性最高,产生复购的可能性最大, 对于占比较小的时间间隔,可以采取相应措施对用户进行引导召回。 复购时间间隔的分析还可以下钻到具体商品,了解商品的复购周期等。
4、商品复购分析
除了用户复购和订单复购分析外,针对于商品的复购情况分析也十分重要,可以通过复购次数较多的商品,分析用户习惯和商品特征。
我们可以在表1.3中添加商品复购标记字段 公式:if([首购商品ID]=[复购商品ID],1,0) 首购商品ID=复购商品ID,即表示该用户有复购该商品行为
按照商品ID,计算商品ID计数,即查看每种商品的复购次数
还可以通过图层下钻,了解每种商品,复购的用户情况,每个用户复购的次数等
商品的复购分析,还可以结合品类、销量、价格区间、评价等等多种维度,进行细化分析
针对用户的复购 分析,还可以从新老用户的复购率、不同渠道来源用户的复购率等角度,进行拆解分析。 结合用户的RFM分析,更加详细的了解用户的消费习惯,了解商品的特征,通过复购率的变化优化我们的业务策略
|