如何利用旺季提高复购率？这些大招算不算黑科技？

发布时间：2024-08-08

对于跨境电商卖家来说，复购率的重要性不言而喻，那跨境电商卖家要如何提高复购率呢？又可以从哪些层面着手？

中山易达电子商务有限公司用户方案创意部总监Eric Liu，给跨境电商卖家一个最科学、直观的回答。

建立复购率监控机制

讨论复购提升策略以前，卖家需要先理清以下两个问题：

第一，根据不同性质的商品采取相应的策略。

商品被哪一个群体需要？被需要的周期是多长？这些都需要卖家先通过品类特性和店铺本身的复购数据进行分析。举个例子，如果商品是标类比如净水器的滤芯或者打印纸，可以根据滤芯/打印纸的损耗周期定期给用户推送解决方案，这是与其非标类商品不同的地方。

第二，数据分析，大数据时代下卖家需要建立复购率的监控机制。

从复购率的计算方式来看，可以有以下几种：

用户复购率＝单位时间内购买二次及以上次数的用户数/有购买行为的总用户数

订单复购率＝单位时间内第二次及以上购买的订单个数/总订单数

这里有个图片，可以更直观的展示

有些卖家还会计算用户回购率（计算单位时间内有购买行为的老用户数/有购买行为的总用户数），因为也属于用户复购率的范畴这里不做单独的分析。

首先你要找到自己的复购用户，拥有自己的复购用户清单加以维护。

还要能够对用户进行分类，为买家增加不同的标签便于筛选

其次需要定期检测店铺复购的数据，通过观察每个时间段数据的变化调整策略。

复购率的曲线与用户总数叠加在一起可以看出用户黏性的健康度，最佳的情况是复购率曲线普遍保持着稳定上升的趋势。用户复购率和订单复购率增长曲线异常/下降时，需要关注现有复购策略的有效性和市场竞争情况。因此实现数据化监控是提高市场反应速度的前提。

从产品、服务、品牌、营销四个方面着手提高复购率

产品的层面，最重要的当然就是品质。相信大家都理解，品质的好坏不仅决定了复购率，还决定了店铺的生死存亡。即便当前复购率还不错也不能掉以轻心，互联网用户对于品牌的粘性比你想象的要低，因为他们有许多选择，如果因为商品品质丢失老用户，之后的挽回成本非常高。随着互联网的发展，运营手段肯定会越来越丰富，但发展的根本还是要依托于产品本身。

根据瑞典耶夫勒大学University of Gävle曾做过一个市场调查数据，可参考下图，关于用户对于品质/商品耐用性的看法。

其次需要建立用户与商品的连接。建立连接首先要重视用户反馈customer feedback，包含客户投诉和商品评论。客户投诉和差评可以收集商品品质问题点，然后在产品更新或换代中不断迭代优化。另外通过好评则可以收集打动用户的方面，可以通过保持产品的优势或者加大宣传来达到吸引用户的目的。

服务层面，相信大家都有自己的服务标准。但是很多卖家局限了客服的作用，客服仅是处理客诉或者解决客人答疑，其实客服除了不怠慢用户，更需要从用户的角度提前去思考产品使用过程中可能发生的问题并提前准备解决方案，然后通过操作指引来引导用户的使用。

很多卖家觉得自己的客服团队已经做得很好，其实根据Amazon FBM的一份客服满意度调查来看54%的用户曾经感受过糟糕的客服。

客服做得好，需要关注用户投诉的痛点，比如问一个问题，客人为什么对我们的服务满意？你会发现客服处理的时效性、人文关怀、客服窗口单一性是非常重要的。

品牌层面，其实是建立在产品和服务层面的。在做好产品和服务的同时，将这样的产品和服务同企业的品牌联系起来，让用户形成联想。无论是站内推广还是站外推广，或者是社交媒体投放的广告，品牌广告的建立都需要匹配产品和店铺服务的特性，或者可以树立自有品牌的故事，可以使用有冲击力的LOG，从而形成产品与品牌的强关联。

营销层面，使用较多的手段是会员体系。会员体系的搭建是客户管理系统化的过程，系统化的管理首先需要建立严谨的用户分层逻辑。

通过RFM模型进行用户管理

传统行业在用户管理中经常使用RFM模型。

Recency – How recently did the customer purchase?

Frequency – How often do they purchase?

Monetary Value – How much do they spend?

RFM模型是一个很通用，又有一套科学理论的商业模型。相信大家对RFM模型是有一定理解的，但是如何计算RFM则是另外一个数据化的课题。

要计算RFM首先你要先养数据，RFM需要足够的数据来支持。数据库包含了能收集的所有用户信息并且可以具备归类分析的价值，比如用户购买金额，购买次数，最近一次的购买日期，性别，行业等等。

RFM定义标准：

因为RFM是一个立体模型，里面横轴纵轴都需要标准来定义。这个标准需要参考实际业务的具体情况，比如下面案例中R的计算是将30天作为第一个阶梯，如果卖家的商品复购周期短，可以设定7天，15天等等。RFM里面的几个小立方体的大小是可以不一样的。

R 最近一次消费

卖家A将从2016年1月1日起到2017年10月18日的数据，根据购买周期分出了4个维度，随后可以直接将4个维度不同的客户进行标类，并放到RFM模型当中，每个维度都有可以维护的用户群体。

F: 消费频率

从数据上可以看出这个卖家的商品消费周期是比较长的。EU复购4次以上的用户占比只有不到10%，剩下的用户大多集中在不到2-3次。

出现这样的情况建议这个卖家再讲消费频率的标准调整，比如第一梯次是购买1次，第二梯次是购买2-3次，第三梯次是4次以上，第四阶梯是5次以上。这样可以将用户分层做得更合理，将不到2-3次的922个用户中再提取一部分有价值的用户群体出来。

M: 消费金额

卖家同样也是划分了5个标准。

R,F,M都定完标准之后，需要给每个区间的用户打分1,2,3,4,5.

这样基本的RFM模型就做完了，卖家也能够获知用户在店铺中所处的位置。然后根据这些位置来调整市场营销策略。

如果大家不喜欢立体的图示，还可以参考学习RFM时经常使用的平面图。这里R,F被放入了X,Y轴，M则使用了色彩来标示，其理论是一样的。

或者也可以把色彩换成大小不一的方块表示：

如果你的用户数据很多，还想分得更细，或者R/M/F其中某个的模型要分得更细，可以将RFM模型的每个维度放大。这里就不再阐述了。

通过金字塔模型进行用户管理

除了RFM模型，还可以使用金字塔模型，其实逻辑也是一样的，只要基于现有的数据，合理的分层，都能达到同样的效果。

最后，用户的分层不是目的。分层之后展开不同的营销策略并带来转化才是我们追求的目标。因此下一步是测试和确认转化率。卖家需要不断的测试和调整，甚至重新梳理用户分层的逻辑，从而通过数据验证来达到复购率提升的最大化。