7

用户促复购实战：如何搭建一个复购洞察模型

 1 year ago
source link: https://www.woshipm.com/operate/5961630.html
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
neoserver,ios ssh client

在用户运营领域中，用户复购大概是让许多运营人员感到头疼的难题，有些时候，我们甚至没有很好的方法去找到用户复购率低的原因。这篇文章里，作者就做了解读，或许可以帮助你洞察复购率低的背后原因，并帮助你搭建提升用户复购的运营策略。

91ccd41e-da9e-11ed-aaf8-00163e0b5ff3.png

如何提升复购率是用户运营最核心的命题之一。提升复购率3个核心场景问题：

  1. 如何深入洞察复购率低的本质原因；
  2. 有什么样的分析模型能够快速洞察人群；
  3. 如何指导优化提升复购的运营策略。

那我们基于实战的思考来解决这三个核心问题：

一、如何深入洞察复购率低的本质原因

我们来看一个电商大厂常用的复购率分析框架：

bnvFrdb8XWqDG94ejQNu.png

这个框架不仅仅是复购率指标的简单拆解，而是从解决问题的本质出发，去快速定位真正影响复购率的因子。

首先是场景问题，场景关乎是大家明面都知道的核心问题，比如复购率低，销售额低，留存率低等，这个层级的问题只要是个运营都会知道。

其次是怎么深入的拆解这个场景。

第一是先定义问题的方向，复购率低可以从人或货出发，包含两个核心指标，人群的复购率和商品的复购率。

第二是定义问题指标，这个层级涉及到指标公式化的拆解，比如用户人群复购率=已购买人群复访率*转化率；商品复购率=购买该商品2次及以上的人群/该商品总购买人群。

第三是定义问题人群，人群复访率低，可以下钻新老用户，继续下钻，可以下钻到人群基本画像和购物特征层级；商品复购率低，可以下钻到品类结构策略、选品策略、活动策略等。

二、用什么样的分析模型能够快速洞察人群特征

这里我给大家带来一个分析产品，也就是基于SPSS Modeler搭建的复购分析流。

在实际运营过程中，很多运营比较依赖数据分析师提数或者依赖技术产品搭建各类看板，实际上只要能够拿到订单底表数据，依靠SPSS Modeler工具就能分析任何数据洞察任何人群，节省人力成本。

先虚拟一个案例，看一下如何来洞察复购人群。

ux8sUvPtBgsWnXGTugv5.png

假如这是一个生鲜电商平台的订单底表数据，运营需求如下：

  1. 整体人群的复购情况如何？
  2. 未复购人群是什么样特征？
  3. 有复购行为用户，哪些用户复购频次偏低，这种人群特征是什么样的？

作为运营你该如何分析？来看一下我搭建的复购分析洞察数据流。

24stipSIIFdJRM5azpn1.png

这个洞察分析流使用SPSS Modeler搭建，这款分析工具作为数据运营并不陌生，不需要像SQL或者Python去学语法，就能搭建任何场景的分析流以及使用集成算法模型，比如聚类算法k-means或者回归算法、网络神经算法等。

作为运营，我们从数据仓导出两个底表数据，一个是订单底表，另一个是用户的基础信息底表，比如年龄、地域等；目标是只要导入这两个底表数据，就会自动输出复购率、复购人群特征、未复购人群特征等，这如何实现呢？

这里我直接来输出每个步骤的结果。

T8wrHEvclwxZP8mM2nux.png

通过数据处理，生成两个重要节点，一个是用户的行为标签，另一个是复购分析，用户行为标签可以输出各类用户行为标签，具体如下：

QSqNsJxm0PJEt5R6xnkn.png

在这个集合节点里，生成了用户ARPU、购频、活跃度、复购周期和复购时机等重要标签，运行表格，来看一下最终给用户的打标结果。

EwjnwuBdT31OTtlDAppm.png

这个分析流的神奇之处就是运营只需要导入原始的订单底表数据，数据分析模型就自动输出每个用户的消费行为标签，快捷方便的同时无需走繁琐的数据分析流程以及开发标签生产系统，运营直接选择标签去触达人群。

如果想知道大盘的平均ARPU和购频、复购周期等均值数据，如何操作呢，那就用到Statistics这个节点，带大家看下界面。

r14BQY3fNGs6eubaDrD8.png
W69kfkY6UYGLiDYlTFz2.png

它提供了均值、最小最大值，方差，标准差，中位数，众数等分析指标，非常实用。

然后我们再来看下整体人群的复购情况如何，通过这个数据流来实现：

r0smf3SKvX3H5aoYgsuD.png

这个数据流在输入订单底表后，会分析出哪些用户是首次购买，哪些用户是复购购买以及来计算复购用户的人数、复购的客件量、复购的ARPU和件单价，看下结果：

F4rD3jMSgA2xFyfDPgVK.png

解决了第一个问题后第二个问题是未复购人群的整体特征是什么，这个如何拿到结果呢？

pEeKR7QjPgIeJHQG6Gkn.png

如图所示，通过选择节点将未复购的用户群圈选出来，然后使用k-means聚类，将未复购用户特征聚类出来，同样第三个问题有复购行为用户，哪些用户复购频次偏低，这种人群特征是什么样的也是如此实现，来看下结果。

gWyc7sQhwe4oxcpV80uG.png

数据模型先跑出一个基本的画像特征，地域北京用户为主，性别女性为主，渠道来自好友推荐、新人价、付费广告；消费主要是低ARPU特征，接着继续挖掘有复购行为用户特征：

e1ipD74rXCEfBAAVRMrV.png

将用户聚类为5个层级，分别是低频的女性复购人群、高频复购人群、中频男性复购人群、低频男性复购人群、中频女性复购人群。

将低频男性复购人群和低频女性复购人群进行比较：

jWh5I8V1Opck9NF32jIp.png
RWuM7TniMuyVVdlcSEAR.png
um7e5Z98XcAchQnk10Sw.png

非常直观的能看到两个人群的特点，从渠道来看，低频女性复购人群来自好友推荐，而男性人群来自新人价，两个人群比较偏好购买蔬菜品类，习惯从APP下单；另外在ARPU、平均购买件数、平均复购周期等存在一定差异。

三、如何指导提升复购的策略

策略的制定来自于深入洞察，只有洞察出不同人群的特点，才能了解用户为什么会来购买以及为什么会流失，上边我们重点解决的是如何去做用户的洞察，那就是聚类人群，将人群聚成不同的群，针对每个用户群去制定营销策略。

从上边洞察结果，低频的复购人群，男性女性低频复购人群存在着差异以及相似之处。基本可以从几方面入手：

1）获客渠道，不同的获客渠道带来的人群偏好购买什么，喜欢什么促销，平均购买件数如何，通过聚类挖掘出各人群这些特征后就可以针对渠道来做定制化的组合打法，比如刚才分析的低频女性复购人群喜欢购买蔬菜，客件数较低，主要是好友推荐而来，针对这些特征可以设计和好友的拼团、砍价及蔬菜水果的捆绑营销活动。

2）活跃度，从用户的活跃行为出发，去发现用户的活跃触点、喜购品类以及平均复购周期，从而在复购周期临近以及快要流失的时候去做触达。

3）ARPU成长体系，不同ARPU阶段的用户分层权益，使用权益黏住用户是各平台常用的营销手段。

以上，我们主要阐述了复购分析的思维框架、复购洞察分析工具和如何提升复购的策略框架，作为运营除了思维框架是根基之外，最重要的还是能够利用数据分析工具比如SQL或SPSS来搭建用户洞察模型，任何营销都离不开最深入的洞察分析。

专栏作家

赵文彪，公众号：用户运营观察（ID：yunyingguancha），人人都是产品经理专栏作家。用户运营、私域流量营销领域的资深从业者，专注分享场景化用户运营、社群营销的干货文章及独特见解。

本文原创发布于人人都是产品经理。未经许可，禁止转载

题图来自 Unsplash，基于CC0协议。

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。


report

Recommend

About Joyk


Aggregate valuable and interesting links.
Joyk means Joy of geeK