我去年接手一个连锁烘焙品牌的营业额分析项目，当时它的老客复购率在17%的位置上卡了整整14个月。门店店长对我说：“新客我们管不了，老客我们天天在服务，为什么他们就是不再来？”后来我们停掉所有发券活动，只做了一件事：把过去12个月的订单数据按首购日期重新切分，用90天窗口重构复购人群。第四个月，复购率从17%涨到34%，月营业额从112万涨到137万。这篇文章就是那次复盘的核心思考。
复购率本质上是一个健康度指标，不是营业额指标。很多老板看到复购率上涨就开心，但月底盘账时营业额并没有涨。原因在于，复购率的分母是“首购客户数”，分子是“有复购行为的客户数”。如果新客增长很快，复购率可能下跌但营业额在涨；如果复购率上涨，但回购的客户都集中在低客单价群体，营业额依然涨不动。
所以我在做项目时，第一件事就是把“复购率”这个指标替换成“复购营业额贡献”。简单说，就是问自己一句：这个月老客到底给了我多少钱？这笔钱比上个月多了还是少了？只有老客贡献的营业额持续增长，复购分析才有意义。
老客营业额贡献由三个变量决定：复购人数、复购频次、复购单次客单价。只看“多少人回来了”远远不够。我见过一个服装品牌，复购率提升了4个百分点，但老客营业额反而少了2%，因为复购的人买的全是折扣款，客单价被拉低了12%。这是一个非常典型的“假复购繁荣”。
当我在企业里做复盘时，我会把老客营业额增量拆成三部分：自然回购增量、活动刺激增量、结构升级增量。自然回购是客户主动回来；活动刺激是折扣或权益带来的；结构升级是购物周期、套餐组合带来的。前两种可以快速见效，但容易有后遗症；第三种慢，但营业额会越走越稳。
大部分运营团队默认看“7天复购率”或“30天复购率”，因为看板上的默认周期就是这个。但在烘焙、美妆、日用消费品行业，7天复购只能识别冲动回购型客户，30天复购又漏掉那些消费周期在40天以上的正常客户。我用90天窗口重新计算那家烘焙品牌的复购率时，才发现它过去一年压根本没把“消费周期”考虑进去。
90天窗口与实际营业额的相关性最高。它覆盖了一个完整的季度经营周期，同时与财务节奏一致，能够把复购分析直接对应到季度营收目标上。一个客户如果在90天内没有产生第二次购买，大概率已经流失；对比之下，30天窗口会让运营团队把一群“还没到购买节点”的客户误判成沉默客户。
用那家烘焙品牌的数据做推演：月营业额100万元，老客订单约1.8万单，新客订单约1万单。如果90天复购率从20%提升到23%，意味着老客订单量增加3%，也就是540单，每单38元，单看这部分增加了约2.1万元。再叠加老客连带购买的客单价变化，实际增幅大约在3.5万元左右。
这一轮提升几乎没有增加获客成本，也不需要额外投放。所以复购分析的最大杠杆在于：同样的营业额，现金流质量完全不同。新客获取要付出广告费、平台佣金、首单补贴；老客复购的边际成本则低得多，每一笔复购营业额对净利润的贡献率通常高出新客8到15个百分点。
那家烘焙品牌有12家门店，主营现烤面包和切块蛋糕，客单价38元。接手项目时，他们已经做过会员日、满减券、新品试吃，但90天复购率一直在17%左右。让我印象最深的不是数据，而是他们的运营总监说：“我们什么都试了，复购率还是不动。”可当我看到订单明细时，发现他们所谓“什么都试了”，全是基于直觉。
我拿到的是12个月的订单流水，包括门店号、客户ID、订单时间、订单金额、优惠券使用情况。数据量不算大，一年约38万条。先用SQL把每个客户的首购日期和首次订单时间算出来，再跟踪他们后续90天内的每一次购买。
结果有一个发现直接改变了整条策略：大多数流失客户不是“买了一次就消失”，而是“完成两次购买后才消失”。首购后第14天，还有47%的客户处于活跃状态；但到了第45天，只剩17%。流失最剧烈的区间发生在第14天到第30天之间，这个区间的留存率从47%掉到29%。
换句话说，客户不是不愿意回来，而是在完成第二笔订单之后，没有足够的理由再来第三次。这和我们通常理解的“首购激活”完全不同。过去他们把精力花在提升首购转二购上，但其实真正卡脖子的是二购转三购。
进一步按客户行为路径拆解，我把“完成两次购买”的客户与“只完成一次购买”的客户分开对比，发现一个异常明显的差距：完成两次购买的客户，第二次购买的平均间隔是17天；而第三次购买又会推迟到32天左右。换句话说，只要客户在第14天到第21天之间没有产生第二次消费，他第三次消费的概率就会大幅下降。
这就是流失黑洞。大多数客户在第二周到第三周之间会有一个强烈的“购买惯性衰减点”，但这个点被烘焙行业普遍忽略。大家都盯着首购后30天数据做分析，等到看见问题时，客户已经走了半个月。
真正的干预窗口必须在第14天左右启动。延迟到第30天，触达成本会高出3倍以上，复购转化率反而只有原来的一半。这个结论后来成为整套激活方案的设计基础。
我们停掉了所有无差别优惠券，搭建了一套基于时间节点的自动化触达流程：
这套流程没有一条提到“优惠”，所有触达都以内容和服务为核心。执行第4周，实验门店的老客订单量开始明显爬升；第8周，12家门店全部切换为新流程；第12周，老客复购率从17%升到28%，三个月后稳定在34%。
我在服务品牌时发现，团队不是不努力，而是经常会陷入三种分析误区。这三个误区会让团队把精力花在错误的客户、错误的指标、错误的动作上。把这三个问题拆开，复购分析的底层逻辑就清楚了。
RFM模型本身没有错，错的是没有先定义“消费周期”就直接套用。传统RFM用最近一次消费时间（R）、消费频率（F）和消费金额（M）给客户打分。但这里有一个漏洞：如果一个客户上次消费是30天前，你无法判断他是流失了，还是正处于正常的消费间隔中。
举个例子，两个客户都是7天前刚买过东西，R值完全一样。但客户A是每月固定购买一次的稳定客，客户B是买过一次以后就消失的人群。在RFM里，他们被分进同一个分数档，但复购潜力天差地别。我见过不少团队花了几十万上CRM，最后RFM分箱打出来的高价值客户，一半是本来就会回来的老客，另一半是根本不活跃的僵尸粉。
正确的做法是先做“消费周期分布”，再对RFM的参数做修正。比如烘焙行业，消费周期集中在7到14天；运动服饰行业，消费周期可能是60到90天。周期不同，R值的最佳分箱边界完全不同。
整体复购率是一个平均数，平均数最大的问题是会被极值拉偏。一个美妆客户的高价值人群复购率能做到48%，低价值人群只有4%，但整体复购率算出来是21%。如果只盯着21%，团队会以为所有客户都还正常，其实低价值人群已经在悄悄流失。
更麻烦的是，当老板要求“把复购率提升到25%”时，运营自然会把资源投向最容易产生结果的高价值客户，因为发两张券就能把48%拉到50%。但高价值客户本来就忠诚，这样的提升对营业额增长几乎没贡献。真正值得激活的是中价值客户群，他们人数多、复购率中等、被唤醒后营业额弹性最大。
有些品牌发现复购间隔在缩短，就很高兴，以为复购在变好。但如果同时看客单价，问题可能完全相反。我曾经服务过一个女装品牌，复购频次从每年2.3次升到3.1次，看起来是好事，但客单价从420元掉到280元，原因是他们大量使用“第二件半价”和“清仓券”来拉频次。
算一笔账：2.3次乘以420元等于966元，3.1次乘以280元等于868元。频次涨了，老客年贡献反而少了10%。这就是典型的“虚假复购繁荣”。只看购物间隔，不看消费方向，团队会以为路径对了，其实在往坑里走。正确的做法是同时跟踪“复购频次”和“复购客单价”的乘积方向，只有方向向上的增长才是健康增长。
复购分析不是画一张留存曲线就完事。我自己的项目经验是，需要按照四层漏斗的结构来做：先分层，再还原行为，再找节点，最后计算潜力。顺序不能乱，否则你得到的数据结论都是孤立的。
我给客户做分层时，最常问的一句话是：激活这个客户回来买一次，要花多少钱？这个视角比传统的RFM更接近决策本质。
我把客户分成四层：稳定熟客（90天内买过3次以上，激活成本接近零，只要不打扰即可）；普通活跃（90天内买过1到2次，激活成本中等，推送加权益即可唤醒）；沉睡客户（180天以上没有消费，激活成本高，需要专门的召回理由）；首购新手（只买过一次，激活成本低但时机窗口极短）。
这四类客户的目标完全不同。稳定熟客的营业额重点在提升连带购买；普通活跃的重点在缩短复购间隔；沉睡客户的重点在找回流量；首购新手的重点在快速建立购买习惯。如果你不按成本分层，就会把预算均匀分给不该分的人。
客户不会按照你规划好的路径购买。要真正理解复购行为，必须把客户的每一次购买、每一次打开推送、每一次点击和每一次进店浏览按时间顺序排出来。我们做过一个统计：在营销触达后24小时内产生购买行为的客户占比高达41%。也就是说，触达动作和购买行为之间的时间间隔越短，营销动作的效果就越能被归因。
下面是一段用于复购分析的基础SQL，它可以帮助你快速计算每个客户从首购到二次购买的时间间隔。我建议每一个靠复购驱动的业务团队，先跑通这段逻辑，再去谈复杂的模型。
-- 90天复购分析：按首购日期分组，统计每个客户在90天窗口内是否有复购
SELECT
DATE_TRUNC('week', first_purchase_date) AS cohort_week,
COUNT(DISTINCT user_id) AS first_time_buyers,
COUNT(DISTINCT CASE WHEN time_to_second_purchase <= 90
THEN user_id END) AS repurchasers,
ROUND(
COUNT(DISTINCT CASE WHEN time_to_second_purchase <= 90
THEN user_id END) * 1.0
/ COUNT(DISTINCT user_id), 4
) AS repurchase_rate_90d
FROM (
SELECT
user_id,
MIN(order_date) AS first_purchase_date,
DATEDIFF(
DAY,
MIN(order_date),
MIN(CASE WHEN purchase_seq = 2 THEN order_date END)
) AS time_to_second_purchase
FROM orders
GROUP BY user_id
) t
GROUP BY cohort_week
ORDER BY cohort_week;这段代码的逻辑不算复杂，但它能直接输出“每周首购客户在90天内的复购率”。不少团队连这一步都没有跑过，就开始做用户画像和促销折扣。行为路径还原的意义在于，你得先知道客户在哪一步停止，而不是猜他为什么停止。
在同一套订单数据里，我统计了首购后不同时间点触达客户的复购转化率。结果显示，第14天触达的复购转化率最高，达到27.6%，比第3天高出8个百分点以上。第3天和第30天虽然也能产生效果，但机制完全不同：第3天是体验反馈窗口，第14天是习惯养成窗口，第30天是权益唤醒窗口。
最值得关注的是，三个节点都触达的客户，90天复购率达到43.8%，是自然基线的4.7倍。单一节点效果再好，也远不如组合出击。组合的关键不是“多推几次”，而是每次推送的内容和目标都不同。
复购潜力不是一个拍脑袋的估分，而是一个可以被拆解和计算的公式：P = R × N × A。P指的是年复购营业额潜力；R是客群的年度复购率；N是年度平均复购频次；A是复购单次平均营业额。
多数团队只优化R，因为复购率最好理解。但数据显示，优化N带来的营业额提升往往是优化R的1.8倍。一个客户如果原本一年买3次，通过消费周期提醒让他一年买5次，比把复购率从20%拉升到25%要容易得多。
这里的R不是“整体复购率”，而是“可激活客群中的复购率”。把高活跃客户、低价值沉睡客户都算进分母，会稀释R的真实含义。建议R只统计当前有消费能力且没有流失的客户。
不同品类的天然购买频次不同。烘焙可能是每月2.5次，母婴纸尿裤可能是每月3次，珠宝可能是每年1次。N值必须和品类周期对齐，不要跨行业做Benchmark。
复购单次营业额应该用扣除优惠后的实付金额计算。否则折扣刺激带来的虚高客单价，会误导你对营业额潜力的判断。
理论讲再多，不如直接看案例。以下三个项目都来自我亲历的品牌复盘，数据做了脱敏处理，但结构和结论完全真实。每一个案例都说明了“复购分析”和“复购拉升”之间的不同路径。
这个品牌客单价约160元，主打面部精华和面膜。我们介入时，团队很骄傲地展示了复购率从8%做到16%的成绩。但再看毛利率，同期下降了12个百分点。进一步拆解优惠券核销记录后发现：80%的复购订单都带了优惠券，客户不是在复购，而是在囤券。
我们做了一个大胆的调整：停掉所有无差别优惠券，改为“空瓶提醒”和“用法内容”触达。前60天，复购率从16%跌回11%，团队一度非常紧张；但毛利率回升了9个百分点，90天后营业额反而超过了原本的高点。原因很简单：真正的高价值客户被内容唤回，而价格敏感型客户虽然流失了，但他们本来就不产生利润。
这家品牌做的是纸尿裤和婴儿辅食，客单价约80元。我们把每个SKU的消耗周期计算出来，纸尿裤按每日用量和片数换算，辅食按周消耗量换算。然后搭建了一套“预计用完日期”的提醒系统。
客户在首购后第20天左右会收到一条推送：“您的L码纸尿裤预计还剩3天用量，新客专享的补货装已上线。”这一条内容不带折扣，但转化率是普通推送的3.2倍。三个月后，按月订购客户占比达到23%，却贡献了老客营业额的58%。结构性复购的威力在于，它让购买行为从“客户主动想起”变成了“系统主动提醒”。后者的确定性远高于前者。
这是一个连锁美容门店项目。让我意外的是，买了预付卡的客户复购率反而比非预付卡客户低17%。团队原本以为储值可以锁定客户，但数据完全推翻了这个假设。
原因拆开后很清晰：预付卡客户每次到店消费，都会被系统记录为“卡内余额扣减”，不会产生新的支付动作。系统里没有“再次付费”这个事件，复购提醒机制就根本不会被触发。客户没有收到任何“你该续费了”的提醒，自然也就没有再次购买的决策点。我们把策略调整为“储值后第7天推送余额提醒和下次服务建议”，30天内31%的沉睡储值客户回流。这个案例说明，任何复购体系都必须围绕购买动作来设计，而不是围绕会员身份来设计。
复购分析没有放之四海而皆准的方案。品牌所在行业不同，客单价不同，消费周期不同，最优打法完全不同。我按客单价和业态把常见情况分成五类，每一类给出核心建议和避坑提示。
这类品牌包括烘焙、奶茶、便利店、日用品。核心目标只有一个：提高购买频次，不要试图提高单次金额。客户买一杯咖啡就是20多元，强行搭售只会拉低体验。
这个区间包括美妆、服装、母婴、宠物用品。客户有复购意愿，但缺少“购买的触发点”。你的任务是找到触发点，并把它数字化。
高客单价品类包括珠宝、家具、电子产品、高端护肤。客户不会频繁复购，但一旦复购，客单价非常高。核心打法是“决策陪伴”，不是“购买催促”。
线下门店最大的优势是“现场触达”。当客户走进门店的瞬间，店员可以看见他，这是线上做不到的。但前提是，POS数据必须与会员数据打通。
纯电商没有线下触点，一切依赖自动化。重点放在两个动作：物流签收后的使用引导和复购周期预测。
| 业态类型 | 核心指标 | 关键触达时点 | 主要风险 |
|---|---|---|---|
| 客单价低于50元 | 周购买频次 | 第7天、第14天 | 折扣依赖 |
| 客单价50到300元 | 90天复购率、复购客单价 | 第14天、使用周期的75%点 | 虚假复购 |
| 客单价300元以上 | 180天复购率、年复购营业额 | 第30天、第90天、第180天 | 过度打扰 |
| 线下门店 | 老客到店间隔、到店连带率 | 到店现场、离店后第7天 | 数据孤岛 |
| 纯电商 | 签收后复购率、预测到购率 | 签收后第3天、第15天、第30天 | 触达疲劳 |
复购做得越久，越会发现一件事：选择不做什么，比选择做什么更重要。这里有几个典型的取舍，每个团队都会遇到，但大多数时候大家只看短期结果，最后付出代价。
折扣是复购拉升里最容易上手的工具，但它有一个被低估的代价。数据显示，无差别满减券的核销客户中，78%属于价格敏感人群。这部分客户在60天内复购的客单价，比无券客户低22%。当你连续用折扣刺激复购时，客户会逐渐形成一个条件反射：等有券再买。
如果团队面临短期业绩压力，我的建议是把折扣限制在“定向沉睡客户召回”，不要给活跃客户。沉睡客户已经被时间过滤过一轮，给折扣唤醒的收益大于伤及利润的风险；活跃客户需要的是购买理由，不是打折。
内容触达需要前提：品牌要有记录和分析客户行为的能力，团队要有持续产出内容的条件。如果这两点都不具备，内容复购只会变成“每天多发几条公众号消息”的空转。
我的建议是从模板化内容开始，不追求创意，只追求节奏。比如每周固定一个栏目，烘焙品牌做“周三早餐食谱”，美妆品牌做“周五空瓶日记”，每期只推荐一款关联商品。稳定推送八周后，复购率通常会有明显改善。
大部分运营考核周期是一个月，所以大家天然倾向于做短期见效的促销型复购。但如果把考核周期拉长到90天甚至一年，结论会完全不同。一个用30元折扣拉回的客户，如果未来12个月复购5次，总贡献是健康的；反过来，一个靠50元无门槛券吸引来的客户，未来只会看券做事，他的LTV很可能为负。
我的建议是：用“90天滚动LTV”替代“单月ROI”作为复购活动的核心考核指标。哪怕前期数据难看一点，也要坚持按LTV做资源分配。
复购分析最怕的不是数据不精确，而是团队等数据完善后才行动。我给客户做方案时，一直坚持一个原则：先用7天把核心逻辑跑通，70分准确就可以开始执行，每周复盘再修正。等建好数据中台、打通所有系统、做完用户标签再动手，通常需要两三个月，那时候市场窗口早就不在了。
取舍的核心不是“完美”，而是“方向正确之后尽快开跑”。后续的数据精度可以在执行中逐步补齐，但客户不会等你把模型建好之后再决定要不要流失。
复购拉升的核心不是“让顾客多买一次”，而是“在他最容易流失的时间点，给他一个非买不可的理由”。这件事不需要花哨的技术，不需要复杂的算法，先导出最近180天的订单，按首次购买日期分群，计算每个群在第7天、第14天、第30天、第45天的留存比例，找到你所在业务里的那个“流失黑洞”。然后在这个黑洞到来之前第7天，设置一个触达动作。
如果你的计算方式对了，但复购率依然没有动静，那就说明问题不在触达内容，而在产品体验或定价结构。这时候回到客户评价和退货数据里去翻原因，复购分析的价值就真正显现出来了：它不只是运营工具，而是整个品牌经营最直接的体检报告。
明天上班第一件事，不要看这个月的销售额报表，去把6个月前首购客户的90天复购率拉出来。那个数字代表的，才是你真正留住了多少客户，也才是下一步营业额增长的真正弹药。
我们后台的复购率数字看着还不错，但实际老客贡献的营业额提升并不明显。是不是统计口径有问题？比如新客首单后再次购买算复购吗？退款、合并订单怎么处理？我到底该看哪些指标才能真正反映复购对营业额的影响？
复购率统计的常见陷阱是只算人数不看金额。我见过很多店铺复购率从8%涨到15%，但营业额没同步上涨，因为大量复购来自低价SKU。我的做法是分三层看：第一层是客户复购率（复购人数/总购买人数），第二层是金额复购率（复购订单金额/总订单金额），第三层是复购营业额贡献占比（复购客户总消费额/全店营业额）。
只看第一层容易误判，至少要把第二层和第三层结合。统计口径上，建议把首单后30天内的再次购买计为复购，超过90天则算流失召回。退款订单要剔除，但未支付后取消的订单也应剔除。一个客户同一天下多单再合并付款，则合并为一单，避免重复计算。
我踩过最大的坑是看“月度复购率”时，把上个月首购、这个月复购的客户也算进了这个月的复购率，导致数据虚高。正确做法是以首次购买时间为锚点，追踪其后续周期内的复购行为。用同期群分析（Cohort）按首购月份分群，再看每个群在后续月份的复购率，这才是真实趋势。
如果你只想用一个数字快速判断，我建议用“复购客户年均消费额”。它等于老客全年总消费额除以复购客户数。这个数字上涨，说明你激活老客的策略有效；数字下跌，说明复购靠的是低频低客单人群。
我搞了老客专享优惠券，发出去几千张，确实有人用，营业额当时冲了一波，但活动结束就打回原形。感觉老客只是薅羊毛，根本没形成真正的复购习惯。怎么判断召回激励是激活还是提前透支？
优惠券发完营业额暴涨，大概率是预支了未来订单。我的判断标准是看活动结束后7天和30天的自然复购率：如果活动结束后自然复购率比活动前还低，说明这批老客已经被劵养懒了，不劵不买。提前透支的识别方法很简单：对比活动期间购买的老客，他们原本的购买周期是30天，结果活动前28天就买了，接下来50多天都没动静。
我的数据里，这种“劫后余生”型客户占了使用无门槛大额券的七成。真正激活老客的激励要满足两个条件：一是有条件的门槛券，比如满300减80，而不是无门槛券；二是券后核销周期要覆盖客户的天然复购周期，比如客户平均35天复购，券有效期就设45天，而不是7天。
我还发现，对于高价值老客，与其发折扣，不如发“特权”型权益，专属新品优先购、免费改期、双倍积分。这类权益不直接抵扣价格，但能强化身份感，复购客户占比从活动后的12%提升到了24%。避免虚假繁荣的终极建议：把老客运营目标从“活动期营业额”改成“活动后90天自然复购留存”。
每次活动前记录客户最近一次购买日期，活动后30天回访统计有多少客户再次无券下单。这个数低于30%，说明你的召回策略需要彻底调整。
都说RFM模型好用，但我实际跑数据发现很多客户最后购买日期虽然久远，但总消费很高，有些客户最近才买却只买过一次。到底该用哪种RFM分层方法，才能精准识别那些“高价值但尚未流失”的老客，让复购成本最低？
传统RFM用三分位数打分会把客户切得很碎，实操中很难落地。我用了三年后的建议是：用“R值”做第一筛选条件，再看F和M的组合，而不是等权打分。具体我会先把客户按R值（最近一次购买间隔）分成四档：0-30天为活跃期，31-60天为衰退期，61-90天为预警期，超过90天为沉睡期。
然后只对衰退期和预警期的客户做激活，因为活跃期不需要召回，沉睡期召回率通常低于5%，ROI极差。在“衰退期”客户里，再按F和M交叉分为8个格子。我优先激活的格子是：F大于等于3次且M大于平均客单价1.5倍的“忠诚高价值客户”。
这类客户平均复购成本只有其他客户的四分之一，因为他们对品牌仍有记忆，只是最近没有触发购买场景。我还做了个独特调整：给RFM模型的M值加了“品类集中度”权重。如果客户过去买的是同一品类，说明是功能型需求，激活时主推该品类的新品；如果跨品类购买，说明是生活方式型客户，激活时主推组合套餐或会员权益。
用这个方法，某次老客激活活动的ROI从1.2提升到了2.8。最后提醒：不要用RFM模型直接发优惠券。RFM的价值是筛选人群，具体的触达内容要结合客户的购买历史和最近浏览记录。我曾经踩过坑：给一个只买过成人鞋的客户发童鞋优惠券，因为RFM模型没接商品数据，结果不仅没激活，还引发了投诉。
我给老客发短信、推送，一开始打开率有20%，现在降到5%以下。打电话又怕打扰。感觉除了优惠券就没别的招了。有没有人做过真正有效的非价格型唤醒策略？最好有具体案例和数据？
非价格型唤醒的核心是“创造新价值”，而不是“重复旧优惠”。老客不回来，往往不是因为贵，而是因为“没感觉到你和我有关系”。
我做过最有效的策略是“购买周期预测唤醒”，通过历史购买数据预测客户下次购买时间，然后在预测日前三天推送一份“私人购物清单”，清单里是客户之前购买品类的升级款或补货款，附带一句“根据你的使用周期，该补充了”。这个做法的打开率能到22%，下单转化率是普通短信的2.3倍。
另一个实操有效的维度是“内容型召回”：如果你有老客的微信/企业微信，每周发一条不卖货的内容，比如“秋冬保养技巧”或“新品制作过程”，触发客户主动回复互动。我见过一个案例，连续发6周后，老客主动询问购买的比例达到8%，而直接发广告的点击率只有0.4%。
价格型和非价格型不矛盾，但顺序有讲究：先给情绪价值，再给利益。比如一个鞋店老客，我不会直接发“满300减80”，而是先告诉她“你常穿的那款鞋楦做了调整，脚感更轻盈了，到店可以免费体验鞋垫升级”，同时附上一张“体验后如果购买，可抵扣50元”的权益券。
这种“服务+权益”的组合，比单纯打折高30%的进店率。最有冲击力的做法是“退货换新激活”：针对那些购买后超过50天未复购、且订单中没有差评的老客，主动告知他们“如果产品使用中有任何不满意，可以预约上门检测并免费换新”。这听起来成本高，但实际操作中换新率很低，而心理安全感带来的复购率提升非常显著。
我测试过一组老客，发该通知的组30天复购率是8.7%，对照组只有2.1%。最后说避坑：不要连续推送超过3条无响应的消息。每条触达之间至少隔10天，否则客户会标记垃圾。触达内容里，尽量放一个与客户上次购买行为强相关的细节，比如“你上次买的陈皮白茶还有吗？
新到的2019陈皮正好可以配”，这种个性化会让客户觉得你关注过他，而不是群发。
读者评论
以前总觉得复购率涨了生意就好，看了文章才发现指标用错了。我们店现在也盯着整体复购率，确实出现过涨了4个点但月底营业额没动静的情况，原来是低客单价老客在被重复激活。改用复购营业额来衡量会直观很多，90天窗口那个对比也点醒了我，之前一直看7天数据，把不少消费周期长的正常客户误判成了流失。准备按文章思路把老客订单按首购日期重新切一下再拆解。
RFM模型那段太真实了，我们之前直接用现成框架给客户打分，结果看起来高价值的客户一半是僵尸粉，后来按文章说的先做消费周期分布再修正才算准确。最受触动的是数据展示的第14天到第30天流失窗口，之前所有激活动作都放在30天后，成本和转化率完全不对。用90天窗口跟月营业额对齐这个思路准备拿去在下个季度复盘里试试。
案例里的干预方案直接可以抄作业，停掉优惠券改成第3天推送保存方法、第14天推早餐搭配，这个逻辑和我们平时做的完全不同。我们总是习惯用折扣刺激老客回来，文章用实验门店和对照门店12周营业额对比说话，验证了内容触达比优惠券更有效。最关键的是二购转三购这个断档触发点，以前从来没往这个时间维度想过，准备先拿一家门店做小范围测试。