BDP超管

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