复购率怎么算公式

题图来自Unsplash，基于CC0协议

导读

复购率，通常也叫回头客率或重复购买率，指的是在一定统计期内，已经购买过产品或服务的客户再次购买的比例。这是一个衡量客户忠诚度和企业客户维系能力的重要指标。计算它的方法其实并不复杂，但关键在于理解其内涵和口径，确保衡量的是真正意义上“回头”的客户。

复购率的核心在于分别统计期间内的新增客户数量和非新增客户（即已购买过，又在本轮购买了）的数量的基础之上推导。最基础的计算公式通常是：

复购率 = （统计期内重复购买的客户数 / 统计期内所有购买客户的总数） * 100%

这里需要明确几个关键点：

1. 分子（重复购买的客户数）：统计期内，那些不止购买一次的所有客户中，每个客户在该期都计为1次，但只要他们有在统计期内任何一次购买就算作重复购买者的一部分。也就是说，是针对客户个体，只要他们在统计期内买了，就属于购买者群体，不是客户数的不同。这个概念在后续计算中很重要。
2. 分母（统计期内所有购买客户的总数）：这个客户数通常是统计期内开始交易或有购买记录的所有客户数。对于会员企业或正规电商系统，可能很好定义（活跃会员数、收件地址数等）。对于初创公司或未严格区分，则可能需要看看数据支持到什么程度。客户统计的基础是账套还是人员，这取决于你的公司情况。

如何通过销售数据计算企业的复购率？

实际操作中，你需要从销售记录或CRM/ERP系统中提取数据。以下是更详细的步骤和所需数据元素：

1. 确定统计周期： 选择一个合适的统计期，比如一个月、一个季度或一年。周期越短，复购率更能反映近期的客户保持情况。
2. 确定分母： 找出这统计期内至少发生过一次购买行为的所有客户数（购买客户总数）。
   • 例如，统计9月1日至9月30日，共31天。
   • 分母：在9月内注册、下单或有付款记录的独立客户总数。
3. 确定分子： 找出在这段统计期内，那些在上个统计期内或更早也至少有一次购买，并且在本统计期内也至少有一次购买的客户数。
   • 简化理解：要计算9月的复购率，分子应该是9月有购买行为的那些客户中，在8月、7月、6月等更早一段时间（需要定义一个时间窗口，比如近12个月中的任意时间）内也有过购买记录的客户数。
   • 另一种说法是：复购是指在统计期内既首次购买了（过一个时间点前），又是重复购买者（同一时期内买了不止一次）。

一个简化的计算逻辑（实际中可能需要用程序语言或Excel高级函数实现）：

• 列出所有客户在统计期内的购买日期。
• 对于每个客户，检查他们是否在统计期内有至少一次购买（成为统计期内的所有购买客户）。这部分构成分母。
• 同时，对于这些客户，检查他们是否在统计期开始前的一个时间段内（比如上一年的9月、8月等）也有至少一次购买记录。如果有，则计入分子。

举例：

假如你统计期是9月份：

• 分母：所有在9月有交易的客户，比如 A, B, C, D, E 等客户。
• 分子：在9月有购买，并且在上一年度的9月、8月、7月、...、12月这12个月中的至少一个月也有购买记录的客户。比如 A 客户在上一年度12月买过并9月也买，B客户也在9月买过但上一年度完全没买过，那么B就不在分子中。

计算步骤：

1. 确定所有在统计期内（9月）有购买的客户列表。
2. 对列表中的每个客户，查询其在统计期前一年度1月至上一年度7月（如果统计周期是9月，考虑到时间线可以从当年开始前一年算起，但通常是比较近的期内，例如前一年度的同时间段）至少有一次购买记录。
3. 统计步骤2中符合条件的客户数量，即为分子。
4. 复购率 = （步骤3的数量 / 步骤1的客户总数） * 100%

情况二：如果之前的客群统计的基础是在一个固定的客户基线上（比如企业的员工数、门店会员数等）

假设你的复购客户统计基于企业所有客户账号。

• 分母：统计期内所有账号产生过任何交易的次数？（一般不用）
• 定义：统计期末所有活跃用户的账号数。假设在统计期末，系统内有 N 个账号有交易资格、或者已经被激活、或者被系统识别为有效客户。

这时候更准确的做法是：取统计周期年初的所有有效客户期初数，加上期内新加入的客户数，再减去期内彻底消失的客户数，得到期末总客户基数，再从中剔除掉期内新加入（首次购买）和注销掉（未复购）的，剩下的就是期内复购的次数，再除以总业绩，或者直接计算复购率。

比较简单的，在期初客户账户数固定的情况下：

• 分母：期末客户账户总数量。
• 分子：期内刷卡次数等于其账号数的人（或准确地说是人）。或者，统计期内所有复购交易贡献的次数。

影响复购率的因素有哪些？

影响复购率的因素是多方面的，主要可以归纳为产品、服务、价格、市场和客户体验几个维度：

1. 产品质量和性能： 这是最根本的因素。如果产品/服务无法满足甚至低于客户的预期，商品质量差、易损坏等问题会大大降低客户的信任感，下次客户还会选择你吗？良好的产品性能和质量是留住客户的基石。
2. 用户体验： 从产品选择、浏览、购买、支付到售后服务、送货、安装、退换货等，每个环节的顺畅和便捷性都直接影响着客户的满意度和复购意愿。
3. 品牌信誉和口碑： 企业自身的信誉、服务态度、社会责任感，以及客户从其他渠道获取的口碑信息都会影响其决定。一个口碑好的品牌往往能吸引更多粘性的回头客。
4. 价格竞争力和价值感： 明显的价格优势，或者物有所值的感觉能激励复购。客户需要觉得他们支付的金额和获得的价值是匹配的。
5. 客服质量： 专业、及时、有效的售前咨询和售后服务是维系客户关系的关键环节。解决客户问题的效率和有效性直接影响客户体验。
6. 便利性（购买频率、周期）： 如果购买这个产品本身很方便，比如易于加购、支付流程简单、可以快速重复下单（方便需要频繁补充的日用品），这对高购买频率的产品尤其重要。
7. 忠诚度计划和奖励： 提供积分、会员等级折扣、生日礼遇、专属优惠等激励措施，能有效促进客户持续消费，将一次性购买者转化为长期客户。
8. 市场和竞争环境： 竞争对手的存在、新产品的涌入、市场整体需求的变化都可能影响客户的复购决策。提供独特的价值可以抵御竞争。
9. 人口统计特性： 不同年龄段、性别、地域的客户群体，其消费习惯和忠诚度要求也可能不同。
10. 个性化和互动： 能够提供个性化推荐、促销信息和定制化服务，更能打动客户并提高复购率。

复购率与客户满意度的关系

可以肯定地说，客户满意度是影响复购率的重要驱动因素，其中包含了一定的因果关系，但不是绝对的。

• 高客户满意度通常带来高复购率： 当客户对产品满意，对服务满意，在购买过程中顺畅无阻，他们自然会再次购买。满意的购物体验是复购的关键原因。
• 但复购率不一定能一对一地转换为客户满意度： 有些情况下，客户可能出于价格因素暂时决定不再购买你，把主要贡献给第三方（比如低价促销策略），这种状态下满意度可能不高，但实际复购动作发生（虽然明知价低可能品质稍差）？或存在部分情况，复购是为了持续使用基础产品，但仍希望在特殊节点获得退款来完成节日送礼（这种行为虽然复购了基础次数，但满意度未必高，因为没有价值感）。

理解这种关系很重要，企业一方面需要努力提高客户满意度来驱动复购率增长，另一方面也要结合市场策略（如常态化”，通过促销维持购买）来正确解读复购率数字。

复购率在不同行业的应用案例

复购率这一指标在各行各业都扮演着重要的角色，其峰值取决于行业特性、产品类型和商业模式：

1. 电商与零售业：

   • 案例：亚马逊 - 其核心商业模式之一就是高效的客户重复消费。亚马逊通过个性化推荐、便捷配送、Prime会员服务等手段，极大地提高了用户在平台上的复购率。
   • 应用： 平台会投入资源优化搜索和推荐算法，识别高忠实度客户，进行交叉销售和向上销售。复购率高意味着平台获得稳定收入，降低获客成本。

2. 快消品行业：

   • 案例：宝洁 - 快消品需要持续的订单输入。虽然单次购买金额低、频率相对固定，但宝洁非常注重客户维系，进行会员分类管理，针对不同消费层级提供定制化营销信息，引导复购。
   • 应用： 通过会员卡、积分系统管理消费者，提供促销信息、新品资讯、优惠券，将交易数据转化为客户洞察，优化产品组合和营销策略，维持市场持续购买。

3. 电商中的服务性产品：

   • 案例：App Store / Android Play Store - 对于应用商店而言，复购不是下载一次应用，而是指用户在商店内安装了至少一次应用并且达到一定活跃天数（从月活跃用户），或者是开发者账户再次购买虚拟商品。这可以衡量出商店对于开发者和用户生态的健康度。
   • 应用： 平台通过商店近期销售情况分析热门类别，提供编辑推荐和优化应用支持，吸引开发者上架更多优质产品，从而吸引更多下载和活跃用户。

4. 本地零售与服务行业：

   • 案例：高档酒店或 Spa 美容院 - 这些提供高单价、体验式服务的企业，往往非常看重回头客率。会员体系是核心工具，通过积分兑换、限期优惠、深度服务包等方式鼓励客人再次消费。
   • 应用： 通过CRM系统记录顾客偏好和消费记录，进行精准营销，提供定制化服务方案，努力将一次性客户转化成终身客户。

5. 生鲜电商与即时配送：

   • 案例：叮咚买菜/美团买菜/盒马鲜生 - 食品类的高度依赖复购。客户通常购置后，下一餐或下一次需要用到时就选择再次购买。平台需要确保准时、安全的送达，产品品质新鲜，品类齐全。
   • 应用： 通过智能算法预测需求，优化生鲜运营；通过各种促销、满减、会员日活动驱动高频复购；通过无人零售店、前置仓模式缩短配送时间，提升便捷性。

提升复购率是企业实现长期价值的重要途径，需要对企业当前的业务状况、客户行为数据有深刻的了解，并采取系统化的策略进行优化。计算是基础，理解其背后的驱动因素和客户体验打磨才是关键。