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。使用用户复购率来进行定义分析的较多。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：BDP个人版免费注册三、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点击查看复购分析看板后续复购分析看板即将上线海致BDP个人版「模版库」BDP个人版免费注册}