在用戶運(yùn)營領(lǐng)域中，用戶復(fù)購大概是讓許多運(yùn)營人員感到頭疼的難題，有些時(shí)候，我們甚至沒有很好的方法去找到用戶復(fù)購率低的原因。這篇文章里，作者就做了解讀，或許可以幫助你洞察復(fù)購率低的背后原因，并幫助你搭建提升用戶復(fù)購的運(yùn)營策略。

如何提升復(fù)購率是用戶運(yùn)營最核心的命題之一。提升復(fù)購率3個(gè)核心場景問題：

1. 如何深入洞察復(fù)購率低的本質(zhì)原因；
2. 有什么樣的分析模型能夠快速洞察人群；
3. 如何指導(dǎo)優(yōu)化提升復(fù)購的運(yùn)營策略。

那我們基于實(shí)戰(zhàn)的思考來解決這三個(gè)核心問題：

一、如何深入洞察復(fù)購率低的本質(zhì)原因

我們來看一個(gè)電商大廠常用的復(fù)購率分析框架：

這個(gè)框架不僅僅是復(fù)購率指標(biāo)的簡單拆解，而是從解決問題的本質(zhì)出發(fā)，去快速定位真正影響復(fù)購率的因子。

首先是場景問題，場景關(guān)乎是大家明面都知道的核心問題，比如復(fù)購率低，銷售額低，留存率低等，這個(gè)層級(jí)的問題只要是個(gè)運(yùn)營都會(huì)知道。

其次是怎么深入的拆解這個(gè)場景。

第一是先定義問題的方向，復(fù)購率低可以從人或貨出發(fā)，包含兩個(gè)核心指標(biāo)，人群的復(fù)購率和商品的復(fù)購率。

第二是定義問題指標(biāo)，這個(gè)層級(jí)涉及到指標(biāo)公式化的拆解，比如用戶人群復(fù)購率=已購買人群復(fù)訪率*轉(zhuǎn)化率；商品復(fù)購率=購買該商品2次及以上的人群/該商品總購買人群。

第三是定義問題人群，人群復(fù)訪率低，可以下鉆新老用戶，繼續(xù)下鉆，可以下鉆到人群基本畫像和購物特征層級(jí)；商品復(fù)購率低，可以下鉆到品類結(jié)構(gòu)策略、選品策略、活動(dòng)策略等。

二、用什么樣的分析模型能夠快速洞察人群特征

這里我給大家?guī)硪粋€(gè)分析產(chǎn)品，也就是基于SPSS Modeler搭建的復(fù)購分析流。

在實(shí)際運(yùn)營過程中，很多運(yùn)營比較依賴數(shù)據(jù)分析師提數(shù)或者依賴技術(shù)產(chǎn)品搭建各類看板，實(shí)際上只要能夠拿到訂單底表數(shù)據(jù)，依靠SPSS Modeler工具就能分析任何數(shù)據(jù)洞察任何人群，節(jié)省人力成本。

什么是B端产品经理？和C端产品经理有什么区别？

B端产品经理中的B是Business，商业的意思，B端产品经理首先就要理解这个职位的重要性，要设计出更适合这个项目需求的产品方案，B最终产品经理在日常工作中...

查看详情 >

先虛擬一個(gè)案例，看一下如何來洞察復(fù)購人群。

假如這是一個(gè)生鮮電商平臺(tái)的訂單底表數(shù)據(jù)，運(yùn)營需求如下：

1. 整體人群的復(fù)購情況如何？
2. 未復(fù)購人群是什么樣特征？
3. 有復(fù)購行為用戶，哪些用戶復(fù)購頻次偏低，這種人群特征是什么樣的？

作為運(yùn)營你該如何分析？來看一下我搭建的復(fù)購分析洞察數(shù)據(jù)流。

這個(gè)洞察分析流使用SPSS Modeler搭建，這款分析工具作為數(shù)據(jù)運(yùn)營并不陌生，不需要像SQL或者Python去學(xué)語法，就能搭建任何場景的分析流以及使用集成算法模型，比如聚類算法k-means或者回歸算法、網(wǎng)絡(luò)神經(jīng)算法等。

作為運(yùn)營，我們從數(shù)據(jù)倉導(dǎo)出兩個(gè)底表數(shù)據(jù)，一個(gè)是訂單底表，另一個(gè)是用戶的基礎(chǔ)信息底表，比如年齡、地域等；目標(biāo)是只要導(dǎo)入這兩個(gè)底表數(shù)據(jù)，就會(huì)自動(dòng)輸出復(fù)購率、復(fù)購人群特征、未復(fù)購人群特征等，這如何實(shí)現(xiàn)呢？

這里我直接來輸出每個(gè)步驟的結(jié)果。

通過數(shù)據(jù)處理，生成兩個(gè)重要節(jié)點(diǎn)，一個(gè)是用戶的行為標(biāo)簽，另一個(gè)是復(fù)購分析，用戶行為標(biāo)簽可以輸出各類用戶行為標(biāo)簽，具體如下：

在這個(gè)集合節(jié)點(diǎn)里，生成了用戶ARPU、購頻、活躍度、復(fù)購周期和復(fù)購時(shí)機(jī)等重要標(biāo)簽，運(yùn)行表格，來看一下最終給用戶的打標(biāo)結(jié)果。

這個(gè)分析流的神奇之處就是運(yùn)營只需要導(dǎo)入原始的訂單底表數(shù)據(jù)，數(shù)據(jù)分析模型就自動(dòng)輸出每個(gè)用戶的消費(fèi)行為標(biāo)簽，快捷方便的同時(shí)無需走繁瑣的數(shù)據(jù)分析流程以及開發(fā)標(biāo)簽生產(chǎn)系統(tǒng)，運(yùn)營直接選擇標(biāo)簽去觸達(dá)人群。

如果想知道大盤的平均ARPU和購頻、復(fù)購周期等均值數(shù)據(jù)，如何操作呢，那就用到Statistics這個(gè)節(jié)點(diǎn)，帶大家看下界面。

它提供了均值、最小最大值，方差，標(biāo)準(zhǔn)差，中位數(shù)，眾數(shù)等分析指標(biāo)，非常實(shí)用。

然后我們再來看下整體人群的復(fù)購情況如何，通過這個(gè)數(shù)據(jù)流來實(shí)現(xiàn)：

這個(gè)數(shù)據(jù)流在輸入訂單底表后，會(huì)分析出哪些用戶是首次購買，哪些用戶是復(fù)購購買以及來計(jì)算復(fù)購用戶的人數(shù)、復(fù)購的客件量、復(fù)購的ARPU和件單價(jià)，看下結(jié)果：

解決了第一個(gè)問題后第二個(gè)問題是未復(fù)購人群的整體特征是什么，這個(gè)如何拿到結(jié)果呢？

如圖所示，通過選擇節(jié)點(diǎn)將未復(fù)購的用戶群圈選出來，然后使用k-means聚類，將未復(fù)購用戶特征聚類出來，同樣第三個(gè)問題有復(fù)購行為用戶，哪些用戶復(fù)購頻次偏低，這種人群特征是什么樣的也是如此實(shí)現(xiàn)，來看下結(jié)果。

數(shù)據(jù)模型先跑出一個(gè)基本的畫像特征，地域北京用戶為主，性別女性為主，渠道來自好友推薦、新人價(jià)、付費(fèi)廣告；消費(fèi)主要是低ARPU特征，接著繼續(xù)挖掘有復(fù)購行為用戶特征：

將用戶聚類為5個(gè)層級(jí)，分別是低頻的女性復(fù)購人群、高頻復(fù)購人群、中頻男性復(fù)購人群、低頻男性復(fù)購人群、中頻女性復(fù)購人群。

將低頻男性復(fù)購人群和低頻女性復(fù)購人群進(jìn)行比較：

非常直觀的能看到兩個(gè)人群的特點(diǎn)，從渠道來看，低頻女性復(fù)購人群來自好友推薦，而男性人群來自新人價(jià)，兩個(gè)人群比較偏好購買蔬菜品類，習(xí)慣從APP下單；另外在ARPU、平均購買件數(shù)、平均復(fù)購周期等存在一定差異。

三、如何指導(dǎo)提升復(fù)購的策略

策略的制定來自于深入洞察，只有洞察出不同人群的特點(diǎn)，才能了解用戶為什么會(huì)來購買以及為什么會(huì)流失，上邊我們重點(diǎn)解決的是如何去做用戶的洞察，那就是聚類人群，將人群聚成不同的群，針對每個(gè)用戶群去制定營銷策略。

從上邊洞察結(jié)果，低頻的復(fù)購人群，男性女性低頻復(fù)購人群存在著差異以及相似之處?；究梢詮膸追矫嫒胧郑?/p>

1）獲客渠道，不同的獲客渠道帶來的人群偏好購買什么，喜歡什么促銷，平均購買件數(shù)如何，通過聚類挖掘出各人群這些特征后就可以針對渠道來做定制化的組合打法，比如剛才分析的低頻女性復(fù)購人群喜歡購買蔬菜，客件數(shù)較低，主要是好友推薦而來，針對這些特征可以設(shè)計(jì)和好友的拼團(tuán)、砍價(jià)及蔬菜水果的捆綁營銷活動(dòng)。

2）活躍度，從用戶的活躍行為出發(fā)，去發(fā)現(xiàn)用戶的活躍觸點(diǎn)、喜購品類以及平均復(fù)購周期，從而在復(fù)購周期臨近以及快要流失的時(shí)候去做觸達(dá)。

3）ARPU成長體系，不同ARPU階段的用戶分層權(quán)益，使用權(quán)益黏住用戶是各平臺(tái)常用的營銷手段。

以上，我們主要闡述了復(fù)購分析的思維框架、復(fù)購洞察分析工具和如何提升復(fù)購的策略框架，作為運(yùn)營除了思維框架是根基之外，最重要的還是能夠利用數(shù)據(jù)分析工具比如SQL或SPSS來搭建用戶洞察模型，任何營銷都離不開最深入的洞察分析。