01
先确认谁没有复购
“会员复购率”是一个汇总结果。它可能掩盖了新会员、老会员、不同渠道会员和不同首购商品之间的巨大差异。我会先按会员注册状态、首购时间、来源渠道、首购品类和客单价切片，再讨论整体趋势。
01 / 先讲核心结论
会员复购低，通常不是一个“流量问题”，而是一条链路的问题
我在分析店铺经营时，会先把结论从“现象描述”改写成“可验证命题”。只有这样，商品、运营、CRM和客服才能围绕同一组证据协作。
02
再定位在哪一步掉下去
复购前至少存在浏览、加购、支付、签收、使用、咨询和再次购买等环节。若首购后触达率低，问题在用户运营；若触达后点击高但下单低，可能是商品组合、价格或信任问题，不能用同一张优惠券解决。
03
最后区分相关与因果
高复购商品可能只是被高价值老客购买，并不意味着商品本身带来复购。我会通过同期 cohort、渠道对照、首购品对照和活动前后窗口，尽量排除季节、促销和人群结构变化，再决定资源投入。
我的核心公式：会员复购低根因 = 人群结构 × 首购商品 × 首购来源 × 体验完成度 × 二购触达 × 复购供给。商品经理的价值，不是把每个指标都做到最高，而是找到最值得改变的乘数。
02 / 背景与真实场景
为什么商品经理要从店铺流量开始，而不是从会员名单开始
流量是用户需求的前置表达
我把天猫店铺流量理解成一组带有意图的信号，而不是简单的访客数字。搜索流量往往说明用户已经提出了某种需求；推荐流量说明平台正在匹配相似兴趣；活动会场流量通常带有价格敏感和节点性；老客回访则更接近品牌记忆与既有体验。不同来源的用户，进入店铺时的期待并不相同。
如果一个店铺把全部流量汇总后计算会员复购，商品经理就很难知道：是搜索进来的首购用户没有找到适配的补充商品，还是活动进来的用户只把店铺当作一次性低价入口；是内容种草带来的用户尚未形成使用习惯，还是老客因为缺货和配送延误失去信任。流量来源不是报表上的一个维度，而是解释后续行为的第一层语境。
因此，我会把分析起点放在“来源—落地页—首购品—签收—二购”的完整路径上。路径一旦建立，会员复购率就从一个结果指标，变成可以被拆解、被验证、被运营的过程指标。
一个常见的经营现场
某示例店铺在大促后发现会员复购率从示例的18.6%下降到13.2%。团队第一反应是增加短信优惠券，但优惠券发出后，二次购买率只小幅变化，毛利却明显承压。
进一步拆解发现，大促新增会员中有较高比例购买了低价引流套装；这批用户的签收后使用指导不足，且店内关联推荐集中在同类重复商品，缺少耗材、补充装或升级款。表面看是“用户不复购”，实质是首购商品没有被设计成下一次购买的入口。
上述店铺与数字为示例，用于演示分析方法。
03 / 数据地图
先搭一张能回答问题的经营数据表
我建议不要一开始就追求复杂模型。先建立一张“用户首购事实表”，让每一行都能回答一个具体的业务问题。
| 数据层 | 关键字段 | 我用它回答什么 | 容易出现的误读 |
|---|---|---|---|
| 流量层 | 来源、媒介、关键词、落地页、访客数 | 哪些入口带来高质量首购，而不只是便宜流量？ | 把访客量大等同于用户价值高。 |
| 交易层 | 订单、商品、件数、金额、优惠、支付时间 | 首购商品与客单价是否影响二次购买？ | 只看GMV，不看订单结构与毛利。 |
| 会员层 | 会员状态、入会时间、等级、历史订单数 | 新会员和存量会员的复购差异有多大？ | 将一次入会当成长期忠诚。 |
| 履约层 | 发货、签收、退款、客服、评价 | 体验是否阻断了用户的下一次购买？ | 只把负面评价归为客服问题。 |
| 触达层 | 触达时间、渠道、曝光、点击、加购、转化 | 哪个触达节点和内容更有效？ | 把发送量当成触达效果。 |
| 商品层 | 品类、生命周期、库存、关联商品、毛利 | 店内是否有清晰的复购供给？ | 用全店平均库存掩盖核心商品缺货。 |
04 / 专业判断逻辑
五步法：从“会员复购低”追到可行动的根因
A
第一步：定义复购口径
先明确观察窗口。例如“首购后60天内再次支付同店订单”的会员复购率，与“自然月活跃会员复购率”不是同一个指标。还要说明分母是支付会员、签收会员还是入会会员，退款订单如何处理，跨店铺订单是否纳入。
- 建议同时看30、60、90天窗口。
- 把支付、签收、有效订单口径写进指标字典。
B
第二步：按首购 cohort 分组
以首购月或首购周建立 cohort，追踪每组用户在第7、30、60、90天的行为。这样可以避免把不同促销周期、不同商品周期的会员混在一起，也能看出复购下滑究竟从哪一批用户开始。
- 首购月是最容易沟通的基础分组。
- 高频品可用周 cohort，低频耐用品要延长窗口。
C
第三步：定位首购商品
首购商品是用户与品牌建立关系的第一个实际体验。商品经理要看它的需求频次、使用周期、退货率、毛利和可关联商品，而不是只看它是否贡献销量。引流款如果没有承接路径，新增会员也可能只是短期数字。
- 建立“首购品—二购品”迁移矩阵。
- 区分自然复购与被优惠刺激的复购。
D
第四步：检查体验与触达断点
我会把首购后的关键时间点标出来：支付成功、发货、签收、预计用完、评价完成、客服咨询、补充需求出现。触达不是越多越好，而是要在用户有理由购买时出现。比如消耗品可以围绕预计用完日提示，耐用品则应围绕配件、保养、升级或场景扩展进行内容设计。
数据上需要同时看“可触达人数、实际送达人数、打开或点击人数、商品详情访问人数、加购人数、支付人数”。如果只看最终支付率，无法知道问题发生在消息没有到达、内容没有吸引力，还是商品和价格没有满足需求。
E
第五步：做增量验证
任何复购策略都应该有对照思维。将相似首购商品、相似来源、相似会员等级的用户分成策略组和对照组，比较二购人数、二购金额、毛利、退款和优惠成本。若策略组转化提升但毛利下降，结论不能写成“策略成功”，而要写成“在当前优惠成本下，增量价值是否成立”。
在没有严格实验条件时，我会至少使用同期对照、历史同周期对照和相邻商品对照，并把节日、大促、缺货、价格变化等外部因素标记出来。
05 / 可视化观察
用两张图把“流量多”与“复购好”分开
下面的图表是示例数据，目的是展示分析结构：流量贡献和会员价值必须同时看，不能用单一排名替代判断。
示例：不同来源的首购与60天复购
示例口径：首购人数为某观察周期内支付成功人数；复购率为首购后60天内再次支付人数除以有效首购人数。
示例：首购商品的复购贡献结构
示例数据只用于说明：销量最高的引流套装不一定贡献最高的复购人数。
06 / E数通示例案例
以E数通为例：如何从一个异常指标走到商品动作
以下是教学案例，不代表E数通真实经营数据。我用它来演示一个商品经理如何把多平台、多触点数据整理成可讨论、可追踪的业务证据。
案例背景：整体稳定，新增会员复购却变差
假设E数通在某季度持续获得搜索、推荐、内容和活动流量。店铺整体支付金额保持稳定，但商品团队发现新会员60天复购率连续两个观察 cohort 下降。由于老会员的复购仍然相对稳定，如果只看全店复购率，异常很容易被平均值掩盖。
我会先在E数通中建立一个“会员复购诊断”主题分析：左侧放首购 cohort 趋势，中间放来源和首购商品交叉表，右侧放签收、退款、触达和二购指标。筛选器至少包括首购月份、流量来源、首购品类、会员等级、订单金额区间和是否参加活动。这样，商品经理可以从总览直接下钻到某个异常组合。
示例结果显示：活动流量带来的首购人数占比上升，但其中低价套装占比更高；这批用户的首购客单价较低、关联商品点击较少，且首购后7天内没有收到与使用场景相关的内容。与此同时，搜索流量虽然人数较少，却有更高的商品详情停留、评价阅读和二购倾向。
这个结果并不意味着要停止活动流量，而是说明活动流量需要被重新设计：落地页要明确适用人群，低价套装需要连接补充装或升级款，触达内容要围绕“怎么用、什么时候补、为什么换”建立，而不是只重复发券。
示例诊断漏斗
首购后签收
94%
收到使用内容
61%
点击关联商品
27%
二次加购
16%
60天二购
12%
示例比例用于表现漏斗断点，不是任何真实平台数据。重点是找到最大损耗环节，而不是盲目提高最后一个数字。
从观察到动作：我会这样写商品结论
| 观察证据 | 可能根因 | 商品动作 | 验证指标 |
|---|---|---|---|
| 活动流量高，首购客单低，二购集中在低价品 | 用户被价格吸引，但没有理解长期使用价值 | 重做首购套装说明，增加补充装、升级款和场景内容 | 首购后关联商品点击率、二购毛利、60天复购率 |
| 搜索首购人数少，但评价阅读和复购较高 | 需求明确，商品匹配度与信任度较好 | 保留核心搜索词承接页，扩展同需求不同价位商品 | 搜索用户二购率、商品组合渗透率、自然成交占比 |
| 签收完成率正常，触达送达率偏低 | 会员授权、触达规则或数据同步存在断点 | 排查会员标签、触达资格、渠道覆盖和发送时机 | 可触达率、送达率、触达后访问率 |
| 点击不低但支付低，优惠使用率高 | 商品价格、库存、配送或页面承诺不匹配 | 拆解支付失败、缺货、运费、退款和价格变化 | 加购支付转化、缺货率、退款率、优惠成本率 |
07 / 常见误区
五个看似合理、实际容易误导决策的判断
误区一：复购低就发券
优惠券只能降低一部分价格阻力。如果用户还没完成使用、没有新的需求、找不到适配商品，券会把有限预算给到本来就会购买的人，或吸引只追求低价的人。先识别阻力类型，再决定是否使用价格工具。
误区二：会员数越多越健康
入会可能发生在领券、抽奖、活动或支付环节，会员数量增长不等于有效关系增长。我更关心会员激活率、首购完成率、签收后的有效触达率和二购贡献，而不是只看累计入会人数。
误区三：把老客当成同一类人
高频消耗品用户、低频耐用品用户、价格敏感用户和品牌偏好用户需要不同的商品策略。将他们放在同一个会员池里做同一套推送，会让平均效果看起来平稳，却掩盖关键人群的流失。
误区四：把相关性当成商品贡献
一个商品的复购率高，可能只是因为它被高价值会员购买；一个商品的复购率低，也可能因为观察窗口太短。判断商品贡献时，我会结合首购人群质量、首购后活跃、关联商品渗透、自然二购和优惠成本，而不是只按单个商品复购率排序。
误区五：只看转化，不看利润与体验
短期复购转化提升不一定是好事。如果依赖过度优惠，毛利下降；如果推送过密，退订和投诉上升；如果把不适配商品强行推荐给用户，退款率和负面评价会在后续反噬。商品经理要看增长质量，而不是只追一个漂亮的转化数字。
08 / 不同情况下的行动建议
先判断问题类型，再选择投入方向
情况A：流量少，但进店用户复购好
这说明商品与人群的匹配可能不错，优先做高质量流量扩展，而不是先改会员权益。可以复制高复购搜索词、内容主题和落地页结构，同时控制新渠道的人群偏移。观察指标应包括新增有效会员、首购毛利、30/60天复购和退款，而不是单纯追求访客增长。
情况B：流量多，首购多，但复购差
优先检查首购商品是否为一次性低价入口，是否有明确的使用教育和下一步商品。可以设计“首购品—补充品—升级品”路径，并在签收后按预计使用周期分层触达。不要用全店券覆盖所有新客，要给不同首购商品配置不同的后续内容。
情况C：触达点击高，支付低
这通常说明主题有兴趣，但承接环节存在阻力。我会检查落地商品的库存、价格、运费、优惠门槛、评价、详情页承诺和客服响应；同时按设备、渠道和会员等级切分。若大量点击集中在某款缺货商品，CRM团队再努力也无法形成支付。
情况D：支付提升，但利润和口碑下降
这时需要及时止损或改造策略。重新计算每个策略组的增量毛利：二购收入减去商品成本、优惠成本、渠道成本、履约成本和售后损耗。若增量毛利为负，可以改用组合权益、内容服务、会员积分或更适配的商品推荐，减少直接降价。
09 / 取舍框架
复购策略不是越多越好，而是要在四组矛盾中做选择
| 需要取舍的关系 | 短期方案 | 长期风险 | 我的建议 |
|---|---|---|---|
| 规模 vs 质量 | 放宽人群，扩大触达 | 低意向用户增加，成本和打扰上升 | 先用高潜人群做小范围验证，再逐步扩量。 |
| 折扣 vs 毛利 | 直接发券，支付反馈快 | 用户形成等券习惯，利润被侵蚀 | 把券绑定适配商品、组合购买或合理周期。 |
| 爆款 vs 供给完整 | 集中资源推单一爆款 | 下一次购买没有承接，库存和价格波动放大 | 围绕爆款建立补充、替换、升级和关联场景。 |
| 自动化 vs 人群差异 | 一套规则快速覆盖 | 内容不相关，会员体验下降 | 先按首购品和生命周期分层，自动化建立在规则清晰之上。 |
| 速度 vs 证据 | 看到异常立即调整 | 把季节性或偶然波动当成根因 | 保留观察窗口，至少设置对照或历史同周期比较。 |
10 / 落地节奏
我会用30天建立第一版复购诊断闭环
第1—3天
统一口径与问题
确认复购窗口、有效订单、退款处理、会员身份和数据更新时间。把“复购低”改写为具体问题，例如“活动首购用户60天二购低于搜索首购用户，差异是否由首购商品结构造成”。
第4—7天
完成数据连接与基础看板
整理流量、商品、订单、会员、履约、触达数据，建立可筛选的总览。先保证字段可追溯、指标可解释，再增加复杂计算，避免报表看起来精美却无法下钻。
第2周
完成分层诊断
输出首购 cohort、来源×首购品、首购品×二购品、会员等级和价格区间等分析。每张图旁边写出观察、假设、需要验证的数据，不让图表停留在展示层。
第3周
设计两到三个小实验
选择不同首购品或不同来源做对照，分别验证内容触达、关联商品组合和权益方式。实验周期根据商品使用周期设定，不能为了快速出结果而选择过短窗口。
第4周
复盘增量与沉淀规则
同时复盘复购率、增量收入、毛利、优惠成本、退款、投诉和退订。有效策略沉淀成商品标签、会员标签和触达规则；无效策略说明边界，避免下次重复投入。
11 / 热门问答 FAQ
关于天猫会员复购分析，商品经理最常遇到的七个问题
Q1：天猫店铺会员复购率低，第一张应该看什么报表？
我也曾经遇到过打开后台后指标很多、却不知道从哪里开始的情况。我的建议是先看“首购 cohort × 流量来源 × 首购商品”的交叉结果，再补充签收、退款和触达数据。这样可以判断低复购是集中在某批新增会员、某个入口，还是某类商品，而不是被全店平均值误导。
Q2：会员复购率和客户回购率有什么区别，分析时应该怎么选？
我会先看业务定义，而不会直接把两个词当成同一个指标。会员复购率通常带有入会或会员身份条件，客户回购率可能覆盖所有历史购买用户；如果入会率发生变化，两者的趋势可能完全不同。实际看板中可以并列展示，并明确分母、观察窗口、有效订单和退款处理方式。
Q3：首购商品销量很高，但会员复购很低，商品经理该下架吗？
我不会仅凭复购低就下架。引流款可能承担获客职责，应该看它带来的有效会员、首购毛利、后续关联商品点击、二购毛利和售后成本。如果它只带来一次性低价用户且没有承接路径，可以先改造套装结构、详情页和后续商品推荐；只有在长期增量价值持续为负时，才考虑减少资源。
Q4：没有完整的用户行为数据，还能分析复购低的根因吗？
可以，但结论要控制边界。我会先使用订单、商品、会员、流量来源、签收、退款和客服等相对稳定的数据，建立首购到二购的基础链路，再标记哪些环节缺少证据。不要因为没有完整点击流就停止分析，也不要用推测冒充行为事实，后续再通过埋点或抽样调研补齐。
Q5：复购分析为什么一定要做 cohort，而不能只看每月复购率？
每月复购率会混合不同时间进入的用户、不同活动周期和不同商品生命周期。例如大促月新增了大量首购用户，他们还没有足够时间完成第二次购买，直接与成熟月份比较就会偏低。cohort 将用户按首购时间分组，再观察相同年龄阶段的二购表现，更适合判断体验和商品策略是否真的变化。
Q6：给会员发券后复购上涨，能否说明优惠券策略有效？
我会继续追问“比什么上涨”。如果没有对照组，增长可能来自季节性需求、平台活动或本来就会购买的高意向用户。至少要比较策略组和相似对照组的二购人数、增量收入、毛利、优惠成本、退款和退订；只有增量价值覆盖成本，才能把结果称为有效，而不只是观察到转化上升。
Q7：E数通适合用来做天猫会员复购诊断吗，应该从哪些看板开始？
如果团队需要把流量、订单、商品、会员和触达数据放到同一分析路径中，E数通可以优先用于搭建复购总览、cohort分析、来源与首购品交叉、商品迁移和活动对照看板。我的建议不是先堆功能，而是先定义业务口径与字段，再让看板支持筛选、下钻和协作，最终能从异常指标走到明确商品动作。
12 / 最终总结
把复购率当作结果，把用户路径当作答案
- 第一，先分人。按照首购时间、流量来源、会员状态、首购商品和价格区间拆解，而不是停留在全店平均值。
- 第二，找断点。区分签收、使用、触达、点击、加购、支付和售后环节，明确问题发生在哪一步。
- 第三，看供给。检查首购商品是否有补充、升级、替换和场景延伸，复购不是单纯的营销动作。
- 第四，做验证。使用 cohort、同期对照和增量毛利，避免把相关性当作因果，把短期转化当作长期价值。
- 第五，沉淀系统。在E数通中将指标、标签、看板和行动规则连接起来，让一次分析变成团队可复用的工作流。
可操作建议
明天就可以开始的三件事
- 导出近几个观察周期的首购订单，补齐来源、会员、商品和签收字段。
- 建立一张首购 cohort 表，先比较30天和60天复购，不急着做复杂预测。
- 选择一个复购断点设计小实验，并同时记录收入、毛利、优惠成本和售后指标。
数据方法的价值不在于让报表更复杂，而在于让每一次商品决策都有可追溯的依据。
