本文作者：德措吉

复购分析对于新零售的重要意义

现在无论是互联网，还是新零售行业，获客成本都越来越高。与此同时，新零售等行业出现了会员流失严重，客户活跃率低，商品销售额增长缓慢等新的难题。在增长迟滞的阶段，留住回头客或者说忠诚客户，就是非常关键的切入点，而复购分析在这里就会扮演重要作用。

这一点也得到了金牌流量运营 RFM 模型的佐证，其中的 F（Frequency，消费频率）就是我们这里提到的复购行为。本篇博客中，我们将基于 Kyligence Zen 提供的零售行业一站式指标模版进行客户的复购指标分析，我们将定义 3 个 RMF 指标，对用户进行分层；针对不同价值的用户采取不同的运营手段，提高复购率。

RFM 模型（图片来自 iStockPhoto）

简单 3 步，使用 Kyligence Zen 进行复购分析

在 Kyligence Zen 里进行复购指标分析，只需要简单 3 步，下面我们以复购率指标为例来具体看一下。

Note：您可在文章最后下载文中所用的零售场景数据集（CSV）和行业指标模板（YAML），在 Kyligence Zen 官网一键导入进行试用并复现文中的场景。

导入零售样例数据集

在数据入口上传 CSV 即可完成数据源导入（图片来自 Kyligence）

导入零售指标模板

Kyligence Zen 支持指标的 YAML 格式定义，可以进行指标的一键导入。指标定义中包括明确的计算方式和可进行汇总分析的维度，可以有效支持针对复购分析的运营策略判断。

复购率指标 YAML 格式定义示例：

Plaintext#复购率｜Repeat Purchase Rate【复合】 - name: Repeat Purchase Rate display_name: 复购率｜Repeat Purchase Rate - Retail description: 复购率简称为RPR，按复购客户数除以活跃客户数的比例计算 datasource: retail_stores_by_customer type: composite status: online measure: expressions: ${Repeat Purchase Customers} / ${Active Customers} return_type: float format: type: percentage decimal_place: 2 dimensions: order_date_year: expressions: retail_stores_by_customer.order_date_year display_name: 订单日期年 order_date_month: expressions: retail_stores_by_customer.order_date_month display_name: 订单日期月 store_region: expressions: retail_stores_by_customer.store_region display_name: 门店区域 store_city: expressions: retail_stores_by_customer.customer_name display_name: 客户姓名

这里复购率的表达式为：

BashRepeat Purchase Rate = ${Repeat Purchase Customers} / ${Active Customers}