用户复购行为,该如何分析

2021 年 12 月 4 日 人人都是产品经理

关注并将「人人都是产品经理」设为星标

每天早 07 : 45 按时送达

一般,用户首购后的二次购买行为称之为复购,通过对用户复购数据的分析,我们可以更加直观地看到用户对品牌的忠诚度,由此推动后续运营活动的设计。那么,用户复购行为,该如何分析?本文作者就此做了总结,一起来看一下。


全文共 2680 字,阅读需要 6 分钟

——————/ BEGIN /——————

“1个老用户比20个新用户更有价值”是很多运营挂在嘴边的理论。可一到真刀真枪做数据分析的时候,又变成了让人头大的问题:“复购行为咋分析!”

就算计算出复购率指标,除了“要搞高”以外,又能干些什么呢?

今天系统讲解一下。

复购分析的概念

通常,人们会把新注册用户首次购物行为,称为首购。把首购之后的第二次购买行为,统称为复购。

这样在数据上看,首购只有一次,复购行为可能有很多次。

因此,人们会习惯性地把首购后的复购,称为:二次购买率,用这个指标考核新用户的质量;把二次以后的其他复购行为,归于常规运营范畴(如下图)。

三种常规方法

在常规运营中,又有几种常见的做法。

1. 第一种:每月追指标

比如很多公司,会把“月有消费用户”作为运营部门的考核指标。月有消费用户=当月产生购买的新用户+上个月老用户在本月消费。因此运营部门会在每月追踪“有多少上个月老用户复购”。对应的运营手段,则是在每个月搞主题活动,促成消费。月底如果指标不达标,就突击发一些券。

2. 第二种:定期追指标

用户太久不来消费就可能流失,这个道理不用分析,是个人都知道。因此衍生了一个做法:计算用户最近一次消费距今时间,如果发现用户已经距今7天/30天/60天/90天没有复购,则直接开展唤醒动作,优惠券发起来!

3. 第三种:找魔法数字

忠诚用户的复购频率会比普通用户高,这个道理也是不用分析,是个人都知道。于是,有一些数据分析师/运营,会去找这个魔法数字:用户复购X次以后,累计消费与复购率明显高于其他用户(如下图)。

比如发现用户复购4次以后,再进行复购的概率与累计消费都明显高于其他用户。运营便很有动力围绕这个“4次”做文章,通过会员奖励/连续推券/积分等手段,鼓励用户做到这个“4次复购”。

这些都是运营的常用手段。

但是这么干经常导致一个问题:奖励投入多大,成本爆炸。

源源不断地投券,很容易导致用户薅羊毛上瘾。甚至有人专门注册几个微信号,然后等到每个号都进入“唤醒状态”拿到券再来买(是滴,我自己都这么干,推荐下中国移动的和多号业务哦,很好用)。

那么,复购分析,是否有更好的做法呢?

深层次地看复购逻辑

如果想让用户多掏钱,少薅羊毛,就一定得找到除了优惠以外其他的吸引点,杜绝无节操无底线地发券。

实际上 ,促成用户复购的除了“便宜”这一个点,常见的原因,还有:

  • 一站式服务:不需要跑很多地方,一个地方全都采购齐了;

  • 品牌忠诚:对某个牌子很忠诚,一直会购买;

  • 品类吸引:很容易被某品类商品吸引,看到就想买;

  • 路径依赖:习惯了点开某个APP戳一下,不差几块小钱;

  • 刚性需求:马上就要买了,尽快拿到手,不要折腾。

这些都能抵消小恩小惠对用户的吸引,促成复购。

因此,找到用户真正感兴趣的东西,是一个很好的分析线索。好在,在分析用户复购行为的时候,我们手上并不是白纸一张。用户已经至少有了1次消费记录,可以从这里出发,开始探索后续方向。

深入分析的三大思路

1. 思路一:锁定需求

所谓一站式服务,本质上源于用户的复杂需求。比如同样是买椅子,如果是给自己租的房子配椅子,可能2把就够了。如果是给自己新房子买椅子,藏在椅子背后的需求是整个房子的家具。类似的,给小朋友买玩具,可能对应着书、衣服、鞋子、辅食……

因此,对于这些有复杂需求的用户,可以通过拉社群、推送内容、开直播等方式,提前采集用户互动数据,筛选出潜在忠诚用户。这样决定激活复购行为时,重点跟进这些潜力群体(如下图)。

2. 思路二:发现偏好

在统计用户消费频次/金额的时候,不要只粗暴地看总量,而是按品牌/品类比例进行区分,尝试找到:集中某一品牌/某一品类的忠实用户,如果发现有这一类相对“专一”的用户存在,再结合其消费金额/参与活动情况,判断用户是被打折价格吸引还是被商品吸引,从而找出运营策略(如下图)。

3. 思路三:记录场景

低频消费的用户,不代表一定没有复购,很有可能只是没有触发需求场景而已,比如典型的:

  1. 喜爱参与大促的用户;

  2. 节假日/礼品消费的用户;

  3. 换季/上新时才出现的用户。

这些用户的复购周期是必然远远低于常规用户的,但在特定场景下的消费又非常刚需。因此与其平时浪费资源乱发券,不如通过消费记录/搜索记录等,标志出重点场景用户,集中在这些场景下赢取用户消费。

实现深入分析的必备要素

要实现上述分析,基础数据积累至关重要。

1. 商品标签体系建设

商品档次分级(高中低档)商品品类分级(家具、母婴、零食)商品使用周期(预计一件用多久)商品内在关联(围绕单身青年/宝妈/儿童等商品组合)特别是对于自己经营品牌的企业。旗下商品一般也就几百个SKU,分清楚类型不但很容易做到,而且能对标同行竞品,做更深入产品力分析。

2. 内容标签体系建设

用户关注话题、咨询问题、社群提问、游戏互动,每个内容要有标签。特别是一些对判断用户属性很关键的内容(比如咨询新房装修、咨询新生儿信息、加入特定品牌粉丝群),更要重点建设,在内容/社群运营的时候,就已经能筛出忠诚用户了。

3. 用户标签体系建设

大部分企业不是垄断的互联网公司,能掌握的用户数据很有限。因此单纯纠结拉新、复购等几个用户指标,不能得出啥有价值结论,必须得先把商品标签、内容标签打好,再反哺用户标签会更合适。

有了这些基础支持,才能在设计复购活动,探索复购数据的时候有更多线索,才能做出深入的分析。

由于一些公司的组织架构问题,导致运营本身工作很割裂。商品标签、内容输出、社群运营、销售运营被划分到不同小组。这样才导致了本文开头所说的无节制发券的问题。也导致基础建设滞后,没有相应商品标签、内容标签、用户行为标签的积累,数据分析能做个屁。

看到这里,肯定有同学会问:那如果新用户第一次消费,都是靠超低价的标品拉回来的(米、面、油、鸡蛋、纸巾、口罩……),根本所有人数据都一样,复购该咋搞。

如果负责拉新的部门真这么干,那其实已经把用户薅羊毛的动作提前到拉新阶段了。有超低价标品,傻子不来薅一把呀。这样获客质量天然更差,后续运营也更难开展。不过这个已经是“如何把拉新做得更有质量”的话题了。

—————— / END / ——————

产品经理培训产品运营培训企业内训服务

请在公众号后台回复「培训」了解更多

▼ 喜欢请分享&收藏,满意点个赞,最后点「在看」 ▼

登录查看更多
0

相关内容

关乎渠道,用户,数据,商务和活动的各种思考和求索。 运筹于帷幄之中,决胜于千里之外。学习运营: 运营、产品运营(互联网运营)
王晓伟:图神经网络在快手推荐召回中的应用和挑战
专知会员服务
24+阅读 · 2022年3月23日
【干货书】计算机科学家的数学,153页pdf
专知会员服务
164+阅读 · 2021年7月27日
专知会员服务
14+阅读 · 2021年5月18日
中国数字经济就业发展研究报告2021,43页pdf
专知会员服务
70+阅读 · 2021年3月27日
专知会员服务
40+阅读 · 2020年12月8日
【干货书】Python 编程,480页pdf
专知会员服务
228+阅读 · 2020年8月14日
【WWW2020-微软】理解用户行为用于文档推荐
专知会员服务
34+阅读 · 2020年4月5日
【新书】Python编程基础,669页pdf
专知会员服务
186+阅读 · 2019年10月10日
一个案例,看懂如何分析活动效果
人人都是产品经理
0+阅读 · 2022年3月15日
低频的产品,如何做会员运营?
人人都是产品经理
0+阅读 · 2022年2月28日
用户流失,该怎么分析?
人人都是产品经理
0+阅读 · 2022年2月17日
十张图,详解用户分层怎么做
人人都是产品经理
0+阅读 · 2022年1月24日
从用户角度,体验产品的三个要点
人人都是产品经理
1+阅读 · 2022年1月9日
数据分析,如何挖掘业务机会
人人都是产品经理
0+阅读 · 2021年11月10日
运营策略分析体系,该如何搭建?
人人都是产品经理
0+阅读 · 2021年10月26日
冷启动,0预算,如何借助分销裂变引爆私域用户增长?
人人都是产品经理
0+阅读 · 2021年10月24日
用户分析体系,该如何搭建
人人都是产品经理
0+阅读 · 2021年10月20日
用户研究:如何做用户画像分析
产品100干货速递
44+阅读 · 2019年5月9日
国家自然科学基金
6+阅读 · 2017年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
4+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Arxiv
24+阅读 · 2021年1月25日
Directional Graph Networks
Arxiv
27+阅读 · 2020年12月10日
Anomalous Instance Detection in Deep Learning: A Survey
VIP会员
相关VIP内容
王晓伟:图神经网络在快手推荐召回中的应用和挑战
专知会员服务
24+阅读 · 2022年3月23日
【干货书】计算机科学家的数学,153页pdf
专知会员服务
164+阅读 · 2021年7月27日
专知会员服务
14+阅读 · 2021年5月18日
中国数字经济就业发展研究报告2021,43页pdf
专知会员服务
70+阅读 · 2021年3月27日
专知会员服务
40+阅读 · 2020年12月8日
【干货书】Python 编程,480页pdf
专知会员服务
228+阅读 · 2020年8月14日
【WWW2020-微软】理解用户行为用于文档推荐
专知会员服务
34+阅读 · 2020年4月5日
【新书】Python编程基础,669页pdf
专知会员服务
186+阅读 · 2019年10月10日
相关资讯
一个案例,看懂如何分析活动效果
人人都是产品经理
0+阅读 · 2022年3月15日
低频的产品,如何做会员运营?
人人都是产品经理
0+阅读 · 2022年2月28日
用户流失,该怎么分析?
人人都是产品经理
0+阅读 · 2022年2月17日
十张图,详解用户分层怎么做
人人都是产品经理
0+阅读 · 2022年1月24日
从用户角度,体验产品的三个要点
人人都是产品经理
1+阅读 · 2022年1月9日
数据分析,如何挖掘业务机会
人人都是产品经理
0+阅读 · 2021年11月10日
运营策略分析体系,该如何搭建?
人人都是产品经理
0+阅读 · 2021年10月26日
冷启动,0预算,如何借助分销裂变引爆私域用户增长?
人人都是产品经理
0+阅读 · 2021年10月24日
用户分析体系,该如何搭建
人人都是产品经理
0+阅读 · 2021年10月20日
用户研究:如何做用户画像分析
产品100干货速递
44+阅读 · 2019年5月9日
相关基金
国家自然科学基金
6+阅读 · 2017年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
4+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Top
微信扫码咨询专知VIP会员