对零售电商人来说，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。
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
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？
03
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，具体步骤如下：
1、明确计算公式
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
通过公式我们可以可见，需要计算用户复购率，需要先计算出以下两点，一是有复购行为的用户数，二是有购买行为的总用户数。
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」，因此， 按「客户ID」组内去重计数「购买日期」，计算得到所有客户在不同时间的购买次数。
然后给购买次数大于1的客户做标记，可以看到，购买次数大于1次的客户后面都被坐上了标记，这部分客户即为进行了复购的客户。再新增汇总列，按照「购买日期」组内求和「购买次数大于1标记」的条件计算得到购买次数大于1的用户数，及产生复购行为的用户总数。
3、计算复购率
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。通过上一步我们计算得到了「复购客户记录」，现在我们来计算「有购买行为的总用户数」。新增汇总列，按照「购买日期」组内求和「购买次数大于1标记」的条件计算得到购买用户数。再将「购买次数大于1用户数」除以「购买用户数」得到复购率。这样我们就计算好了所有数据。
4、可视化
最后一步，就是把得到的结果进行可视化呈现。我们新建组件，复制维度「客户ID」，并将其转化为指标。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。
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，可以看出电话推广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。
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。
