在用戶運(yùn)營(yíng)領(lǐng)域中，用戶復(fù)購(gòu)大概是讓許多運(yùn)營(yíng)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(gòu)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(gòu)率低的背后原因，并幫助你搭建提升用戶復(fù)購(gòu)的運(yùn)營(yíng)策略。

如何提升復(fù)購(gòu)率是用戶運(yùn)營(yíng)最核心的命題之一。提升復(fù)購(gòu)率3個(gè)核心場(chǎng)景問(wèn)題：

1. 如何深入洞察復(fù)購(gòu)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(gòu)的運(yùn)營(yíng)策略。

那我們基于實(shí)戰(zhàn)的思考來(lái)解決這三個(gè)核心問(wèn)題：

一、如何深入洞察復(fù)購(gòu)率低的本質(zhì)原因

我們來(lái)看一個(gè)電商大廠常用的復(fù)購(gòu)率分析框架：

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

首先是場(chǎng)景問(wèn)題，場(chǎng)景關(guān)乎是大家明面都知道的核心問(wèn)題，比如復(fù)購(gòu)率低，銷售額低，留存率低等，這個(gè)層級(jí)的問(wèn)題只要是個(gè)運(yùn)營(yíng)都會(huì)知道。

其次是怎么深入的拆解這個(gè)場(chǎng)景。

第一是先定義問(wèn)題的方向，復(fù)購(gòu)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(gòu)率和商品的復(fù)購(gòu)率。

第二是定義問(wèn)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(gòu)率=已購(gòu)買人群復(fù)訪率*轉(zhuǎn)化率；商品復(fù)購(gòu)率=購(gòu)買該商品2次及以上的人群/該商品總購(gòu)買人群。

第三是定義問(wèn)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(gòu)物特征層級(jí)；商品復(fù)購(gòu)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)?lái)一個(gè)分析產(chǎn)品，也就是基于SPSS Modeler搭建的復(fù)購(gòu)分析流。

在實(shí)際運(yùn)營(yíng)過(guò)程中，很多運(yùn)營(yíng)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。

先虛擬一個(gè)案例，看一下如何來(lái)洞察復(fù)購(gòu)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(yíng)需求如下：

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

作為運(yùn)營(yíng)你該如何分析？來(lái)看一下我搭建的復(fù)購(gòu)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(yíng)并不陌生，不需要像SQL或者Python去學(xué)語(yǔ)法，就能搭建任何場(chǎng)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(yíng)，我們從數(shù)據(jù)倉(cāng)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(gòu)率、復(fù)購(gòu)人群特征、未復(fù)購(gòu)人群特征等，這如何實(shí)現(xiàn)呢？

這里我直接來(lái)輸出每個(gè)步驟的結(jié)果。

通過(guò)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(gòu)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(gòu)頻、活躍度、復(fù)購(gòu)周期和復(fù)購(gòu)時(shí)機(jī)等重要標(biāo)簽，運(yùn)行表格，來(lái)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(yíng)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(wú)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(yíng)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(gòu)頻、復(fù)購(gòu)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?cè)賮?lái)看下整體人群的復(fù)購(gòu)情況如何，通過(guò)這個(gè)數(shù)據(jù)流來(lái)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(gòu)買，哪些用戶是復(fù)購(gòu)購(gòu)買以及來(lái)計(jì)算復(fù)購(gòu)用戶的人數(shù)、復(fù)購(gòu)的客件量、復(fù)購(gòu)的ARPU和件單價(jià)，看下結(jié)果：

解決了第一個(gè)問(wèn)題后第二個(gè)問(wèn)題是未復(fù)購(gòu)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(guò)選擇節(jié)點(diǎn)將未復(fù)購(gòu)的用戶群圈選出來(lái)，然后使用k-means聚類，將未復(fù)購(gòu)用戶特征聚類出來(lái)，同樣第三個(gè)問(wèn)題有復(fù)購(gòu)行為用戶，哪些用戶復(fù)購(gòu)頻次偏低，這種人群特征是什么樣的也是如此實(shí)現(xiàn)，來(lái)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(lái)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(gòu)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(gòu)人群、高頻復(fù)購(gòu)人群、中頻男性復(fù)購(gòu)人群、低頻男性復(fù)購(gòu)人群、中頻女性復(fù)購(gòu)人群。

將低頻男性復(fù)購(gòu)人群和低頻女性復(fù)購(gòu)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(lái)看，低頻女性復(fù)購(gòu)人群來(lái)自好友推薦，而男性人群來(lái)自新人價(jià)，兩個(gè)人群比較偏好購(gòu)買蔬菜品類，習(xí)慣從APP下單；另外在ARPU、平均購(gòu)買件數(shù)、平均復(fù)購(gòu)周期等存在一定差異。

三、如何指導(dǎo)提升復(fù)購(gòu)的策略

策略的制定來(lái)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(lái)購(gòu)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(duì)每個(gè)用戶群去制定營(yíng)銷策略。

從上邊洞察結(jié)果，低頻的復(fù)購(gòu)人群，男性女性低頻復(fù)購(gòu)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(lái)的人群偏好購(gòu)買什么，喜歡什么促銷，平均購(gòu)買件數(shù)如何，通過(guò)聚類挖掘出各人群這些特征后就可以針對(duì)渠道來(lái)做定制化的組合打法，比如剛才分析的低頻女性復(fù)購(gòu)人群喜歡購(gòu)買蔬菜，客件數(shù)較低，主要是好友推薦而來(lái)，針對(duì)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(yíng)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(gòu)品類以及平均復(fù)購(gòu)周期，從而在復(fù)購(gòu)周期臨近以及快要流失的時(shí)候去做觸達(dá)。

3）ARPU成長(zhǎng)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(yíng)銷手段。

以上，我們主要闡述了復(fù)購(gòu)分析的思維框架、復(fù)購(gòu)洞察分析工具和如何提升復(fù)購(gòu)的策略框架，作為運(yùn)營(yíng)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(lái)搭建用戶洞察模型，任何營(yíng)銷都離不開最深入的洞察分析。