我在一次天猫店铺投放复盘中遇到过一个很容易误判的结果：竞品会员复购率看起来比我们高出 8.6 个百分点，但把会员规模、首购来源和复购观察窗口拆开后，真正的问题并不是“竞品会员更忠诚”，而是我们把大量一次性大促用户错误地计入了会员盘子。投放人员如果只看会员复购率、收藏加购率和竞品活动频次，很可能会把预算继续投向拉新，最后得到一个会员人数增长、复购销售额却停滞的结果。
天猫数据：投放人员实战复盘：竞品跟踪中会员复购低的定位步骤
会员复购低，不能只看后台展示的一个百分比。至少要先确认四个口径：会员复购率的分母是什么，复购观察窗口有多长，首购商品是否具备自然复购周期，以及会员是否经过有效身份识别。
例如，某食品店铺把 30 天内再次付款定义为复购，某竞品却使用 90 天观察窗口。两者直接比较，结论没有意义。低频耐用品若用 30 天窗口，复购率必然偏低；高频消耗品若只看 30 天，也可能遗漏第二次购买尚未发生的用户。
我的基本判断是：会员复购低，首先是测量问题，其次才是运营问题，最后才轮到投放问题。如果口径没有对齐，投放人员越努力，越容易把错误归因放大。
在竞品跟踪中，我不会先问“竞品为什么复购高”，而是先把自己的复购用户拆成四组。第一组是从付费搜索进入的会员，第二组是从内容或直播进入的会员，第三组是活动期间入会的会员，第四组是自然访问后入会的会员。
这四组人群的购买动机完全不同。付费搜索用户通常带着明确需求，首购商品可能是主力款；直播间用户更容易受优惠刺激，首购可能集中在低价引流款；活动入会用户往往对权益敏感；自然访问用户则更依赖品牌认知和商品体验。
如果整体会员复购率低，但搜索会员复购正常，问题可能在直播或大促流量；如果所有渠道的会员复购都低，才需要进一步排查商品满意度、价格体系、履约和会员权益。
我会把会员购买路径拆为“首次曝光，首次点击，首购，入会，使用权益，第二次访问，第二次支付”七个节点。复购低不等于问题发生在第二次支付，有时用户根本没有完成入会，有时入会后没有收到有效触达，有时用户回访了却发现没有适合再次购买的商品。
最常见的断点有三类：首购商品不适合复购、会员权益没有形成使用理由、第二次触达与用户购买周期错位。只有确认断点后，投放人员才知道应该减少低质拉新、调整商品组合，还是把预算转向召回和复购。
| 观察问题 | 可能的真实原因 | 优先验证动作 | 不建议立即做的事 |
|---|---|---|---|
| 会员人数增长但复购销售额不动 | 低意向活动用户占比过高 | 按入会来源拆分 30、60、90 天复购 | 继续提高拉新预算 |
| 首购转化高但第二单低 | 首购商品价格刺激强，商品复购性弱 | 按首购 SKU 比较第二单率 | 简单归因于客服或触达频次 |
| 触达点击高但支付低 | 权益吸引点击，但商品或价格不匹配 | 拆解触达后的商品浏览和加购路径 | 继续增加短信或消息频次 |
在实际竞品跟踪中，我们能看到的通常是店铺会员权益、商品价格、活动节奏、评价反馈、直播频次、内容主题和部分公开销量表现，却看不到竞品会员的真实分层。对方宣传“会员复购提升”，并不代表所有会员都提升，也可能只是核心老客群体的结果。
我曾经跟踪过一个母婴用品竞品。它在页面上强调会员专享券和周期购，看起来会员经营非常成熟。但持续观察后发现，竞品的高复购主要来自两个高频消耗品类，而它的低频大件商品仍然依赖大促成交。若把全店商品混在一起比较，就会错误判断竞品拥有普遍性的会员黏性。
因此，竞品数据的价值不是直接提供答案，而是帮助我们提出更精确的问题：它的高复购来自哪些商品？哪些用户？第几天发生？是否有周期购、组合装或补充装承接？这些问题比“竞品会员为什么强”更有可执行性。
会员身份可能来自关注、入会、首购、积分、活动报名或权益领取，不同店铺的会员定义并不完全一致。很多投放人员看到会员规模增长，就默认会员资产增长，但如果会员只是在领券页面完成了身份绑定，却没有形成真实购买关系，这类用户对复购预测的价值很低。
我建议把会员至少分为“有首购会员”和“无首购会员”。有首购会员再按首购时间、首购金额、首购商品、首购渠道和是否使用优惠券进行分层。无首购会员可以作为潜在转化人群管理，但不能直接纳入复购率分母。
一款洗护用品可能在 30 至 60 天出现补货，一款家电配件可能在 90 至 180 天出现再次购买，一款服饰商品可能没有明确周期，复购更多来自季节、风格或新品刺激。如果统一使用 30 天复购率，投放人员会把低频商品的正常购买周期误判成会员流失。
我在复盘时会先建立“商品自然复购窗口”。这个窗口不是拍脑袋设定，而是观察历史首购用户在 7、15、30、60、90、180 天内的再次支付累计曲线。当累计曲线在某个区间明显放缓，说明多数可复购用户已经完成第二单，那个区间更适合作为核心复购观察窗口。
竞品每周发券、每天直播，并不代表它的复购率一定高。活动频次只说明触达动作多，无法说明用户是否在正确时间收到正确商品。频繁发券可能带来短期回访，也可能造成用户等待更低价格，反而削弱日常成交。
我更关注竞品活动的“触发条件”。它是针对首购后 7 天用户，还是针对购物车用户？是围绕补货周期发送，还是在大促节点统一发放？是推同款复购，还是推关联商品？只有理解触发条件，才有必要参考活动形式。
公开销量通常混合了搜索流量、推荐流量、直播流量、活动流量、老客流量和站外流量。某个商品销量上涨，可能来自一次大促爆发，也可能来自新品投放，并不能直接证明会员复购增加。
如果要做竞品横向判断，我会把公开销量只作为“结果信号”，同时记录价格、优惠、评价新增速度、直播时段、内容发布频次和商品库存变化。多个信号同向变化时，判断才更稳健；单个销量数字不适合承担归因任务。
大额券能降低第二次购买门槛，但不能弥补用户没有购买理由的问题。首购用户如果买的是一次性礼盒，第二次推同款可能没有需求；如果商品使用体验一般，优惠只会让用户短期犹豫，而不是形成长期关系。
我见过一个店铺把会员券从 10 元提高到 30 元，触达点击率增加约 42%，但支付转化率只增加 3 个百分点，优惠成本却提高了近一倍。进一步拆分后发现，真正支付的主要是原本就准备补货的用户，新增支付并没有覆盖额外让利。
打开消息、点击卡片和浏览商品只能说明内容引起了注意，不代表用户完成了复购。复购链路至少要继续观察商品详情停留、规格选择、加购、领券、支付和退款。
如果打开率很高而支付率很低，我通常不会立刻增加触达频次，而是检查三件事：推荐商品是否与首购商品相关，券后价格是否比用户预期有吸引力，页面是否清晰说明了补货或使用场景。
我通常会先写一张口径表，要求投放、运营、客服和数据人员使用同一套定义。至少需要明确首购用户范围、复购订单范围、退款订单处理方式、跨店铺购买是否计入、观察窗口、会员身份时间点和异常订单排除规则。
| 口径项目 | 建议定义 | 常见风险 |
|---|---|---|
| 首购用户 | 统计周期内完成支付且未发生全额退款的有效消费者 | 把仅下单未支付或退款用户纳入分母 |
| 复购用户 | 首购后在指定窗口内再次完成有效支付的消费者 | 把同一订单拆单误认为复购 |
| 观察窗口 | 按品类设置 30、60、90 或 180 天窗口 | 所有商品统一使用 30 天 |
| 优惠订单 | 记录券前价、券后价和优惠成本，不单独排除 | 只看成交，不看让利后的增量利润 |
| 渠道归因 | 以首购来源和复购触达来源分别记录 | 把复购支付全部归给最后一次点击 |
不要把不同月份首购的会员混在一起。比如，刚在大促期间首购的用户还没有走完自然复购周期，把他们和半年前首购的用户混在一起，整体复购率一定会被新客稀释。
我会按首购月份建立 cohort，再按首购渠道、首购商品和首购金额分层。每一组至少观察首购后 7、15、30、60、90 天的回访、加购和支付。这样能够看出问题是“所有人都没有复购”，还是“某个月份、某个渠道、某类商品拖累整体表现”。
很多复购低的问题并不是会员运营做得差，而是投放把预算集中到了不适合复购的商品。首购商品需要同时看销量占比、毛利、退款率、评价质量、关联购买率和第二单率。
我会使用一个简单的判断框架：如果某个 SKU 首购转化高、获客成本低，但第二单率低且关联购买弱，那么它可能是“拉新效率款”，不能直接承担会员复购任务。如果另一个 SKU 首购转化一般，却拥有较高的 60 天复购和关联购买率，就应该被纳入会员首购承接和投放素材。
这是整个定位过程中最关键的一步。用户没有复购，可能是因为商品还没用完，也可能是因为他已经想买但没有被提醒，或者已经看过商品却因为价格、库存、规格和配送问题放弃。
我会把用户分成四类：首购后没有再次访问的人，访问过但没有加购的人，加购或领券但没有支付的人，支付后又退款的人。不同人群对应不同问题，不能用同一张券解决。
竞品跟踪最怕得到一堆没有验证路径的结论，例如“竞品重视会员”“竞品权益丰富”“竞品内容做得好”。我会把它们改写成假设：竞品是否通过周期购提高第二单率？是否用组合装降低用户重新决策成本？是否把首购低价款和高毛利复购款分开经营？是否在用户自然补货周期前完成提醒？
每个假设都要对应一个自己的测试。比如，要验证组合装是否提高复购，可以将有首购用户随机分为同款单品、关联组合、补充装三组，控制触达时间和优惠成本，观察 14 天、30 天和 60 天支付率，而不是只看一次活动的总成交。
下面这个案例来自我参与过的一次店铺复盘，数据经过区间化处理，便于展示方法，但分析过程保持真实业务逻辑。该店铺主营具有一定消耗周期的个护用品，连续两个月提高拉新投放，月新增会员从 3.1 万增长到 5.4 万，但 60 天会员复购率从 21.4% 降到 15.8%。
团队最初的判断是会员运营不足，准备增加短信、站内消息和会员券。这个判断并不完全成立，因为同一时期会员触达打开率从 31% 上升到 39%，说明用户并非完全没有接收到信息。
| 指标 | 调整前 | 调整后 | 表面结论 | 进一步判断 |
|---|---|---|---|---|
| 月新增会员 | 31,000人 | 54,000人 | 会员增长明显 | 需要确认新增会员是否包含大量低意向用户 |
| 60天会员复购率 | 21.4% | 15.8% | 会员质量下降 | 应拆分首购月份、渠道和商品 |
| 触达打开率 | 31% | 39% | 触达改善 | 打开不代表商品和价格满足复购需求 |
| 触达后支付率 | 5.2% | 4.1% | 召回效率下降 | 需要定位详情页到支付的损耗 |
按首购月份拆分后，常规月份会员的 60 天复购率从 21.4% 降到 20.3%，变化不算大；真正拖累整体的是大促期间新增会员，该批用户的 60 天复购率只有 9.7%。如果只看全店数据，就会把一次流量结构变化误认为长期会员关系恶化。
继续按渠道拆分，大促期间直播首购用户占比从 28% 上升到 47%，而搜索首购用户占比从 36% 降到 24%。直播用户的首购客单价低于搜索用户约 18%，但首购优惠成本却高出约 23%。这意味着店铺用更高让利获取了更多低客单、低复购倾向的人群。
店铺当时投放最重的是一款低价体验装。它贡献了大促期间 41% 的首购订单，但首购后 60 天复购率只有 8.3%。另一款标准装的首购订单占比只有 19%，60 天复购率却达到 27.9%，关联购买率也高出体验装约 2.4 倍。
这说明低价体验装的任务应该是降低首次尝试门槛，而不是承担会员生命周期价值。投放素材和落地页却把体验装包装成主力成交商品，后续触达又反复推荐同一款，导致用户没有明确的升级或补充路径。
通过历史订单间隔分析，我们发现标准装用户的第二次购买中位数约为 43 天，但店铺在首购后第 14 天就发送了主要复购券。此时一部分用户还没有明显补货需求，券的吸引力被提前消耗；等到第 35 至 45 天真正出现需求时，触达内容已经失去新鲜感。
调整后，我们没有简单增加消息次数，而是把首购后第 7 天设置为使用指导，第 25 天设置为补货提醒，第 38 天根据首购规格推荐标准装或组合装。这样既保留了早期服务触达，也把交易型触达放在更接近自然需求的时间。
调整后的一个完整观察周期中，大促直播首购用户的 60 天复购率从 9.7% 提升到 14.6%，标准装首购用户从 27.9% 提升到 31.8%。触达后支付率提升约 1.9 个百分点，但平均优惠成本只增加 3.2 元/人。
更重要的是，复购增长并不只来自优惠。体验装用户被引导到标准装，标准装用户被推荐组合装，触达内容从“会员专享券”改为“使用周期提醒加适配商品”。用户看到的是下一步解决方案，而不是单纯的打折通知。
这通常意味着新客结构发生变化，尤其要检查大促、直播、低价引流和短期补贴带来的用户。第一步不是暂停全部投放，而是单独建立大促 cohort，观察 60 天或 90 天复购。
取舍在于，优化后首购订单量可能短期下降。若团队只考核当天成交，容易把正确动作误判为投放退化。此时需要把首购成本和后续 60 至 90 天贡献利润放在同一张表里。
这类问题更接近商品、页面和价格承接，而不是会员触达问题。用户愿意回来，说明店铺或内容仍有吸引力；用户不愿意支付，可能是推荐商品不适配、规格复杂、券门槛高或竞品价格差距扩大。
如果毛利较薄，宁可减少优惠金额，也不要为了短期支付率牺牲长期利润。复购本身不是目的，有利润的增量复购才是投放和会员经营共同追求的结果。
这说明问题可能是触达覆盖或内容表达，而不是会员本身没有价值。可以尝试调整发送时间、标题和内容形式，但要避免只追求打开率。某些优惠标题会带来大量好奇点击，却吸引不到真实购买。
我会把打开率、详情页访问率、支付率和单次触达成本放在一起评价。若打开率从 25% 提升到 40%，支付率却从 3.5% 降到 2.1%，这种优化不能算成功。
这类店铺容易被“复购增长”掩盖利润问题。应拆开复购订单的券前金额、让利金额、履约成本、售后成本和商品毛利。若复购主要靠大额券驱动，用户可能形成等券习惯，日常价格下的复购会进一步下降。
可以测试会员专属组合、满额赠品、加价购和周期购等方式，用商品价值替代部分现金折扣。但这些方案会增加运营复杂度，必须先确认供应链和库存能够稳定承接。
低频商品不适合硬套消耗品的复购指标。投放人员可以将目标从“同款复购”改为“关联购买、配件购买、升级购买和家庭成员扩展购买”。例如，主商品本身一年只买一次，但耗材、配件和服务可能形成更短周期的收入。
这类策略的代价是数据积累时间更长，短期看不到明显结果。因此，考核应增加 90 天、180 天的用户价值指标，同时用加购率、收藏率、配件浏览率和内容互动作为中间信号，但不能把中间信号直接当成收入。
当店铺处于增长期，不能因为复购低就完全停止拉新。没有新的首购用户，未来也没有复购池。但如果新增会员质量持续下降，继续扩大拉新只会提高后续触达和服务成本。
我的做法是把投放预算拆成三部分：验证型预算、规模型预算和复购承接预算。验证型预算用于测试新渠道或新商品，规模型预算投向已经证明能带来有效首购的单元，复购承接预算用于触达、内容、组合和召回实验。
| 店铺阶段 | 预算重点 | 主要考核 | 需要接受的代价 |
|---|---|---|---|
| 快速增长期 | 有效首购和会员池扩充 | 首购成本、有效会员率、90天价值 | 短期复购率可能不高 |
| 结构调整期 | 削减低质量来源，重构首购商品 | 渠道复购、商品复购、优惠后利润 | 首购订单量可能暂时下降 |
| 成熟经营期 | 老客召回和关联购买 | 增量支付、复购利润、用户贡献 | 触达和内容运营成本上升 |
统一权益执行简单，适合会员规模尚小、商品结构单一的店铺。但统一发券很容易把高价值用户和低意向用户放在一起，造成不必要的让利。
分层权益更精准，可以根据首购商品、金额、渠道、活跃度和历史优惠敏感度设置不同方案。但分层越细，数据标记、素材生产、活动配置和客服解释成本越高。我的建议是先从三层开始：高意向复购层、普通首购层、低意向激活层，不要一开始就建立十几个标签。
理想情况下，投放人员希望知道每个用户的来源、商品、价格、内容、触达和支付贡献，但实际系统经常存在归因丢失、跨设备识别不足、活动标签覆盖和退款延迟等问题。
与其建立一套没人维护的复杂模型，不如先确保五个关键字段稳定：首购日期、首购渠道、首购 SKU、首购实付金额、第二次支付日期。只要这五个字段准确，已经足以发现大多数会员复购断点。
数据完整性不足时，要在报告中明确标注“可观测复购率”，不要把它包装成全量真实复购率。尤其是跨店铺、跨平台和线下消费无法识别时，低复购可能有一部分是统计缺失，而不是用户没有再次购买。
过度触达、反复发券和制造紧迫感，可能在短期提升支付，却损害用户对店铺的信任。用户如果每次都等到大促才购买，日常价格体系会逐渐失去说服力。
我更倾向于把触达分为服务型和交易型。服务型内容包括使用指导、补货判断、规格选择和售后提醒；交易型内容才是优惠、组合和活动。服务型触达不是没有商业价值，它的作用是降低第二次购买的决策成本，让用户在真正需要时更容易选择同一店铺。
先确定本次复盘的商品范围、首购时间范围、复购观察窗口和有效订单规则。不要在数据处理中途频繁改变定义，否则前后结果无法比较。
按首购月份、首购渠道和首购商品建立基础表。至少输出 30 天、60 天和 90 天复购率，避免只看一个时间点。
如果数据量较小，可以先按渠道和商品大类拆分；如果数据量较大，再增加投放计划、素材、地域、客单价区间和优惠档位。拆分不是越细越好，而是要能够支持行动决策。
重点关注四类商品：首购量高但复购低的商品，首购量低但复购高的商品，首购和复购都高的商品，首购和复购都低的商品。前三类最有分析价值，第四类通常需要重新评估商品定位。
| 商品类型 | 首购表现 | 复购表现 | 运营动作 |
|---|---|---|---|
| 拉新效率款 | 首购量高、成本低 | 复购低 | 设计升级款、补充装和关联购买路径 |
| 复购潜力款 | 首购量中等 | 复购高 | 增加高质量投放和首购曝光 |
| 核心经营款 | 首购高 | 复购高 | 控制优惠成本，保护库存与评价质量 |
| 待验证款 | 首购低 | 复购低 | 先检查需求、页面和价格，不急于扩大投放 |
把会员分为未触达、已触达未访问、访问未加购、加购未支付、支付后退款和完成复购几个状态。每个状态都要对应一个可执行动作，不能只输出“加强会员运营”。
如果一个人群在加购未支付阶段损失最大，就应优先测试价格、库存和支付门槛；如果大多数用户在触达后没有访问，就应先优化时间和内容；如果支付后退款高，则投放预算不是主要矛盾。
一次不要同时改商品、优惠、触达时间和素材，否则即使结果改善，也无法判断真正原因。建议每次只改变一个主要变量，至少保留一个对照组。
复购活动有一个常见陷阱：即使没有触达，部分用户也会自然回购。若把实验组全部支付额都算成活动贡献，就会高估效果。
应比较实验组与对照组的差值，并进一步计算增量利润。公式可以写成：增量利润等于实验组支付人数与对照组支付人数差额，乘以单笔贡献毛利，再减去额外优惠成本、触达成本和执行成本。
最终报告至少要回答五个问题：复购低发生在哪个分层，断点位于哪个节点，竞品现象对应什么假设，测试动作改变了什么，下一轮预算应该增加还是减少。
我不会只记录竞品什么时候发券、直播几场、页面写了什么，而会持续记录它如何把用户从第一件商品引导到第二件商品。比如，首购款之后是否出现补充装，低价款之后是否有升级款，用户购买后是否能看到使用周期和关联推荐。
这些观察不能直接证明竞品一定有效，但能帮助我们建立更接近业务本质的假设。假设必须回到自己的数据中验证，否则竞品跟踪很容易变成截图收藏和活动抄表。
这三个问题分别对应人群质量、承接路径和商业价值。只有三者同时成立，会员复购才有持续优化的基础。
如果你正在处理类似问题，建议下一步不要先改活动页面，也不要先加大会员券。先导出最近 90 天或 180 天的有效订单，建立“首购日期，首购渠道，首购 SKU，首购实付，第二次支付日期”的基础表。
然后完成三件事：找出复购率最低的首购来源，找出第二单贡献最高的首购商品，找出用户从首购到第二单的中位时间。完成这三步后，你通常就能判断问题更接近流量质量、商品承接、触达时机还是价格体系。
我对这类复盘的核心观点是：会员复购低，不应该被当成一个需要“加券解决”的结果指标，而应该被当成一条需要逐节点追踪的用户路径。竞品只能提供观察线索，真正决定预算去向的，仍然是自己的 cohort、自己的商品复购周期，以及优惠之后是否留下了真实的增量利润。
当投放人员能够把“竞品会员复购高”拆成可验证的用户、商品、时间和渠道问题时，竞品跟踪才从信息收集变成经营决策。下一轮复盘，就从最小的一组会员实验开始，而不是从更大的预算开始。
我在复盘一组天猫店铺数据时，发现会员复购率只有12.6%，团队第一反应是加大优惠券力度。但我把会员、订单和商品交叉拆开后，发现真正的问题并不是触达少，而是首购商品本身几乎没有形成第二次购买理由。到底应该先查指标，还是先查用户和商品？
第一步不要急着看优惠券领取率，也不要先判断是竞品抢走了用户。我的做法是先确认“复购低”到底发生在哪个口径：是会员整体复购低、某个首购商品复购低，还是某个渠道带来的用户复购低。口径没有锁定，后面所有竞品分析都可能是在解释一个不存在的问题。
我通常先建立一张“首购，复购”漏斗，将统计周期统一为首购后30天、60天和90天。以一次脱敏复盘为例，店铺表面上的会员90天复购率是12.6%，但按首购月份拆分后，3月会员为18.4%，4月降到13.1%，5月只有9.7%。
这说明问题更可能出现在某个阶段的流量、商品或履约变化，而不是会员体系长期失效。
检查层级核心指标判断目的 时间层30/60/90天复购率判断下降从哪个周期开始 人群层新会员、老会员、活动会员复购率排除人群结构变化 商品层首购SKU、品类、价格带判断商品是否具备自然复购理由 渠道层搜索、推荐、直播、活动入口识别低质量增量来源 第二步是做“首购商品复购矩阵”。
我会把首购SKU按销量从高到低排列，再对应30天和90天复购率。一次实际复盘中，销量最高的引流套装占首购订单的41%，但90天复购率只有4.8%；反而销量仅占13%的标准装，90天复购率达到22.6%。如果只看店铺平均值，很容易误以为会员没有复购意愿。第三步才是引入竞品数据。
竞品跟踪不能只记录对方价格和销量，而要观察对方在首购后是否提供了清晰的补购节点，例如消耗周期提醒、组合装升级、会员专属规格或售后回访。我的判断标准是：竞品动作必须能对应到用户的下一次购买场景，否则它只是促销信息，不一定是复购原因。
建议先用一张定位表决定优先级： 现象优先排查对象不要先做的事 首购量上涨，复购同步下降流量渠道与低价SKU直接增加会员折扣 所有首购商品复购都下降履约、评价、售后体验只盯竞品价格 只有某类商品复购低商品周期与使用场景对全体会员群发优惠 老会员稳定，新会员下降新客来源和首购承诺改造整个会员体系 所以，定位顺序应该是“先确认复购口径，再拆首购商品，再看渠道结构，最后解释竞品动作”。
只有确认低复购是由竞争变化造成的，才值得继续投入竞品跟踪；否则很可能是在用竞品分析掩盖商品和履约问题。
我曾经遇到过一种很典型的误判：竞品在大促期间降价，店铺复购率也同时下滑，于是团队认定用户被竞品抢走了。后来对比相同首购人群后，发现不少用户根本没有进入竞品类目的购买路径，而是因为首购商品使用周期变长。有什么方法能把这两种原因拆开？
判断竞品分流，不能只看竞品是否降价，而要证明“同一批原本可能复购的用户，减少了本店购买，并在相近时间购买了竞品”。这至少需要同时观察用户行为、商品周期和竞品动作三个证据，而不是拿两个趋势图做相关性判断。我会先建立一个对照组。
将会员按首购月份、首购商品、首购金额和来源渠道分层，再比较竞品动作发生前后的复购变化。如果竞品确实造成分流，通常会出现三种信号：高意向人群复购下降、竞品相关词或替代品搜索上升、用户在相近周期内转向其他店铺或相似商品。
证据更像竞品分流更像自身问题 复购时间在竞品活动后突然提前或消失随使用周期整体后移 人群分布高价值会员下降明显新老会员普遍下降 商品表现相似品类下降，替代品上升单个SKU差评或退款上升 渠道表现搜索、推荐人群流失售后、物流、评价指标恶化 在一次复盘中，竞品推出低价组合装后，店铺核心品类90天复购率从20.8%降到16.2%。
但进一步拆解发现，受影响最大的不是高价值会员，而是通过短视频直播进入的低客单用户；这批用户首购后退款率从6.4%升到11.9%，差评中“规格理解错误”和“实际用量少”出现频率明显增加。这个结果说明，竞品降价只是同时发生的事件，主要矛盾仍是首购预期没有管理好。
我还会计算一个简单的“竞品分流疑似率”：竞品动作后未复购会员中，能够观察到替代品购买或替代词搜索行为的人数，占未复购会员总数的比例。如果这个比例低于10%，就不建议直接把复购下降归因于竞品；如果超过30%，并且集中在同一商品和同一时间窗，才值得继续验证。不过，这个指标只能作为筛选，不是最终结论。
平台通常无法完整看到用户在其他店铺的成交，所以必须结合客服咨询、会员回访、站内搜索词、评价内容和竞品页面变化。尤其要注意“竞品价格更低”不等于“用户一定转向竞品”，价格差只有在规格、容量、赠品和到手成本可比时才有解释力。我的决策规则是：如果竞品证据弱、商品周期证据强，优先修正补购提醒和商品组合；
如果竞品证据强、核心人群集中流失，再测试会员权益、价格保护或差异化套装；如果两者证据都强，就先保住高价值会员，不要用全店降价换取低质量复购。
过去我做竞品表时，记录过很多价格、销量和活动截图，但真正需要解释复购下降时，发现这些信息几乎无法直接使用。现在我更想知道，竞品跟踪表到底应该怎样设计，哪些字段能和会员复购建立关系，哪些数据只是看起来很丰富？
竞品跟踪表最容易犯的错误，是把它做成“商品情报收藏夹”。每天记录价格、主图和活动，却没有记录这些变化会影响哪类用户、哪一个购买节点。对复购定位来说，最有价值的不是信息数量，而是每条竞品变化能否映射到一个明确的用户决策。我建议把字段分成四层：商品替代关系、价格与权益、复购触发机制、用户反馈。
第一层回答“竞品是否真的能替代本店商品”；第二层回答“用户为什么可能转向它”；第三层回答“它如何推动第二次购买”；第四层用于验证用户是否真的在意这个变化。
字段组建议记录内容与复购的关系 商品关系规格、容量、适用场景、消耗周期判断是否属于真实替代品 价格权益标价、券后价、会员价、赠品、包邮门槛判断用户实际支付差异 复购机制补购提醒、订阅、组合装、会员等级权益判断竞品是否降低再次购买成本 口碑反馈差评主题、客服问答、用户晒单判断竞品优势是否被用户真实认可 时间信息变更日期、持续时长、活动节点与复购下降时间做因果校验 我在实际使用时会增加两个容易被忽略的字段：“变化前状态”和“用户受影响假设”。
例如，不只写“竞品推出第二件半价”，而要写成“竞品对高频消耗型用户降低了补购门槛，预计影响本店首购后25至40天的人群”。这样到复盘时，才能检查这条假设是否真的成立。另一项重要工作是给竞品做“可比性评分”。我会从规格、价格、功能、场景和品牌认知五个维度各打1至5分。
总分低于15分的商品，即使销量很高，也不应该直接拿来解释本店会员流失，因为它可能只是表面相似，实际购买人群完全不同。
可比维度评分问题评分较高的标准 规格容量和使用次数是否接近用户可直接替换 价格按单次使用成本是否接近不是只比较挂牌价 场景是否解决同一使用任务购买动机相同 权益会员和补购权益是否相似用户决策成本接近 口碑用户关注点是否重叠评价主题具有可比性 从数据效率看，每周一次完整竞品快照通常比每天零散截图更有价值。
活动期可以提高到每天记录，但必须保留变更时间和页面版本，否则活动结束后无法判断到底是哪一个动作影响了用户。对于复购定位，我更关注连续4周以上的稳定变化，而不是某天的极端低价。最终，竞品表应该输出三类结论：哪些变化真实影响了可替代用户，哪些变化只是噪音，哪些变化值得通过小规模实验验证。
只有能指导下一步动作的竞品数据，才算完成了跟踪，而不是完成了记录。
我以前处理复购下降时，最容易想到的方案就是给会员发券，结果领券率上去了，90天复购却没有明显改善，毛利反而下降。现在我想把竞品跟踪结果转成可验证的动作，应该怎样设计实验，才能知道到底是权益、提醒、商品组合还是服务体验起作用？
复购实验的核心不是“发什么券”，而是先判断用户缺少哪一种购买理由。用户可能缺的是价格优势，也可能缺的是补购提醒、规格选择、使用反馈或售后信任。如果原因没有拆开，多个动作一起上线，最后即使复购上涨，也无法知道哪个动作有效。我会先把会员分成三个实验层级。
第一层是高意向会员，例如历史购买两次以上、最近一次购买距预计消耗周期较近的人群；第二层是普通新会员；第三层是被活动低价吸引、退款率或优惠依赖较高的人群。不同人群不能用同一张券，否则会把高意向用户的自然复购误判为优惠带来的效果。
实验组动作主要观察指标 A组仅发送补购提醒点击率、复购率、毛利 B组补购提醒加小额权益增量复购与优惠成本 C组推荐不同规格或组合装客单价、复购周期、连带率 D组保持原策略作为自然复购对照 实验周期要覆盖一个完整的复购窗口。比如商品平均消耗周期为30天，就不能只看发券后7天的成交；
7天数据更适合观察点击和加购，30至45天才适合判断实际复购。一次测试中，7天内B组成交上涨17%，但30天复购只比D组高2.1个百分点，说明短期转化有一部分是提前购买，并不等于真正增加了复购。我会同时看增量毛利，而不是只看复购率。
计算方式可以简化为：增量毛利=实验组新增复购订单毛利－权益成本－触达成本。如果复购率从12%升到15%，但新增订单主要来自原本就会购买的高意向用户，且折扣吃掉了大部分利润，这个方案不一定值得长期执行。竞品动作可以转化为差异化实验。
例如竞品靠低价组合装吸引用户，本店不一定要同步降价，而可以测试“按使用周期推荐规格”。如果用户真正担心的是买多了用不完，组合装反而可能降低转化；如果用户担心频繁下单麻烦，周期装和自动提醒可能比小额优惠更有效。实验还需要设置停止条件。
比如退款率上升超过3个百分点、毛利率下降超过5个百分点、低价值用户占新增复购的比例过高，任一条件触发就暂停扩量。这样可以避免为了追求一个漂亮的复购数字，把问题转化成更严重的利润和用户质量问题。我的经验是，最稳妥的顺序通常是先测试提醒和商品推荐，再测试小额权益，最后才考虑大幅折扣。
因为前两者是在降低决策和补购成本，折扣则是在购买理由不足时用价格强行补偿，短期有效，长期容易让会员形成等待优惠的习惯。
读者评论
文章把“会员复购低”先归因到统计口径，而不是直接归咎投放，这个顺序比较稳妥。尤其是不同品类采用统一30天窗口，确实容易误判低频商品的真实表现。
按首购渠道、商品和时间建立cohort很有实践价值。大促用户与常规投放用户混在一起时，整体复购率容易被稀释，分层后更方便判断到底是哪类流量拖累结果。
竞品公开销量和活动频次只能作为结果信号，不能直接证明会员忠诚度提升。文章强调观察触发条件、商品结构和复购周期，比简单模仿发券和直播频率更客观。
文中的召回漏斗拆分比较清晰，打开率高但支付率低时，问题可能出在商品匹配、价格预期或页面承接，而不只是触达次数不足，这对预算调整有参考意义。
文章对首购商品的判断较实用。低获客成本和高首购转化并不代表适合承担复购任务，建议实际复盘时再结合毛利、退款率和增量利润，避免只看第二单率。