對于跨境電商賣家來說，復購率的重要性不言而喻，那跨境電商賣家要如何提高復購率呢？又可以從哪些層面著手？

中山易達電子商務有限公司用戶方案創意部總監Eric Liu，給跨境電商賣家一個最科學、直觀的回答。

建立復購率監控機制

討論復購提升策略以前，賣家需要先理清以下兩個問題：

第一，根據不同性質的商品采取相應的策略。

商品被哪一個群體需要？被需要的周期是多長？這些都需要賣家先通過品類特性和店鋪本身的復購數據進行分析。舉個例子，如果商品是標類比如凈水器的濾芯或者打印紙，可以根據濾芯/打印紙的損耗周期定期給用戶推送解決方案，這是與其非標類商品不同的地方。

第二，數據分析，大數據時代下賣家需要建立復購率的監控機制。

從復購率的計算方式來看，可以有以下幾種：

用戶復購率＝單位時間內購買二次及以上次數的用戶數/有購買行為的總用戶數

訂單復購率＝單位時間內第二次及以上購買的訂單個數/總訂單數

這里有個圖片，可以更直觀的展示

有些賣家還會計算用戶回購率（計算單位時間內有購買行為的老用戶數/有購買行為的總用戶數），因為也屬于用戶復購率的范疇這里不做單獨的分析。

首先你要找到自己的復購用戶，擁有自己的復購用戶清單加以維護。

還要能夠對用戶進行分類，為買家增加不同的標簽便于篩選

其次需要定期檢測店鋪復購的數據，通過觀察每個時間段數據的變化調整策略。

復購率的曲線與用戶總數疊加在一起可以看出用戶黏性的健康度，最佳的情況是復購率曲線普遍保持著穩定上升的趨勢。用戶復購率和訂單復購率增長曲線異常/下降時，需要關注現有復購策略的有效性和市場競爭情況。因此實現數據化監控是提高市場反應速度的前提。

從產品、服務、品牌、營銷四個方面著手提高復購率

產品的層面，最重要的當然就是品質。相信大家都理解，品質的好壞不僅決定了復購率，還決定了店鋪的生死存亡。即便當前復購率還不錯也不能掉以輕心，互聯網用戶對于品牌的粘性比你想象的要低，因為他們有許多選擇，如果因為商品品質丟失老用戶，之后的挽回成本非常高。隨著互聯網的發展，運營手段肯定會越來越豐富，但發展的根本還是要依托于產品本身。

根據瑞典耶夫勒大學University of G?vle曾做過一個市場調查數據，可參考下圖，關于用戶對于品質/商品耐用性的看法。

其次需要建立用戶與商品的連接。建立連接首先要重視用戶反饋customer feedback，包含客戶投訴和商品評論。客戶投訴和差評可以收集商品品質問題點，然后在產品更新或換代中不斷迭代優化。另外通過好評則可以收集打動用戶的方面，可以通過保持產品的優勢或者加大宣傳來達到吸引用戶的目的。

服務層面，相信大家都有自己的服務標準。但是很多賣家局限了客服的作用，客服僅是處理客訴或者解決客人答疑，其實客服除了不怠慢用戶，更需要從用戶的角度提前去思考產品使用過程中可能發生的問題并提前準備解決方案，然后通過操作指引來引導用戶的使用。

很多賣家覺得自己的客服團隊已經做得很好，其實根據Amazon FBM的一份客服滿意度調查來看54%的用戶曾經感受過糟糕的客服。

客服做得好，需要關注用戶投訴的痛點，比如問一個問題，客人為什么對我們的服務滿意？你會發現客服處理的時效性、人文關懷、客服窗口單一性是非常重要的。

品牌層面，其實是建立在產品和服務層面的。在做好產品和服務的同時，將這樣的產品和服務同企業的品牌聯系起來，讓用戶形成聯想。無論是站內推廣還是站外推廣，或者是社交媒體投放的廣告，品牌廣告的建立都需要匹配產品和店鋪服務的特性，或者可以樹立自有品牌的故事，可以使用有沖擊力的LOG，從而形成產品與品牌的強關聯。

營銷層面，使用較多的手段是會員體系。會員體系的搭建是客戶管理系統化的過程，系統化的管理首先需要建立嚴謹的用戶分層邏輯。

通過RFM模型進行用戶管理

傳統行業在用戶管理中經常使用RFM模型。

Recency – How recently did the customer purchase?

Frequency – How often do they purchase?

Monetary Value – How much do they spend?

RFM模型是一個很通用，又有一套科學理論的商業模型。相信大家對RFM模型是有一定理解的，但是如何計算RFM則是另外一個數據化的課題。

要計算RFM首先你要先養數據，RFM需要足夠的數據來支持。數據庫包含了能收集的所有用戶信息并且可以具備歸類分析的價值，比如用戶購買金額，購買次數，最近一次的購買日期，性別，行業等等。

RFM定義標準：

因為RFM是一個立體模型，里面橫軸縱軸都需要標準來定義。這個標準需要參考實際業務的具體情況，比如下面案例中R的計算是將30天作為第一個階梯，如果賣家的商品復購周期短，可以設定7天，15天等等。RFM里面的幾個小立方體的大小是可以不一樣的。

R 最近一次消費

賣家A將從2016年1月1日起到2017年10月18日的數據，根據購買周期分出了4個維度，隨后可以直接將4個維度不同的客戶進行標類，并放到RFM模型當中，每個維度都有可以維護的用戶群體。

F: 消費頻率

從數據上可以看出這個賣家的商品消費周期是比較長的。EU復購4次以上的用戶占比只有不到10%，剩下的用戶大多集中在不到2-3次。

出現這樣的情況建議這個賣家再講消費頻率的標準調整，比如第一梯次是購買1次，第二梯次是購買2-3次，第三梯次是4次以上，第四階梯是5次以上。這樣可以將用戶分層做得更合理，將不到2-3次的922個用戶中再提取一部分有價值的用戶群體出來。

M: 消費金額

賣家同樣也是劃分了5個標準。

R,F,M都定完標準之后，需要給每個區間的用戶打分1,2,3,4,5.

這樣基本的RFM模型就做完了，賣家也能夠獲知用戶在店鋪中所處的位置。然后根據這些位置來調整市場營銷策略。

如果大家不喜歡立體的圖示，還可以參考學習RFM時經常使用的平面圖。這里R,F被放入了X,Y軸，M則使用了色彩來標示，其理論是一樣的。

或者也可以把色彩換成大小不一的方塊表示：

如果你的用戶數據很多，還想分得更細，或者R/M/F其中某個的模型要分得更細，可以將RFM模型的每個維度放大。這里就不再闡述了。

通過金字塔模型進行用戶管理

除了RFM模型，還可以使用金字塔模型，其實邏輯也是一樣的，只要基于現有的數據，合理的分層，都能達到同樣的效果。

最后，用戶的分層不是目的。分層之后展開不同的營銷策略并帶來轉化才是我們追求的目標。因此下一步是測試和確認轉化率。賣家需要不斷的測試和調整，甚至重新梳理用戶分層的邏輯，從而通過數據驗證來達到復購率提升的最大化。

（文/雨果網 張毅）