一、指标定义

  在单位时间窗口内，多次（2次及以上）消费的用户在总消费用户的占比。

二、计算方法

①按人数计算

  所有购买过产品的顾客，以每个人为独立单位重复购买产品的次数，比如有10个客户购买了产品，5个产生了重复购买，则重复购买率为50%。

②按交易次数计算

  某月内，一共产生了100笔交易，其中有20个人有了二次购买，这20人中的10个人又有了三次购买，则重复购买次数为30次，重复购买率为30%。

  一般按第1中计算

三、实例操作——按人数计算

订单信息表order_info相关字段：

• userID：用户ID

• paidtime：支付时间

• ispaid：支付状态（非必要字段）

注意：一个用户可能在同一天消费多次

①SQL求解

解题步骤：

a、先求出【用户时间窗口内的用户消费次数表】order_times

CREATE OR REPLACE VIEW order_times AS
SELECTDATE_FORMAT( paidtime, "%Y-%m" ) AS 月份,userid,COUNT( userid ) AS 消费次数
FROMorder_info
WHEREispaid = '已支付'
GROUP BYDATE_FORMAT( paidtime, "%Y-%m" ),userid

 筛选出已支付的订单记录，对用户和时间窗口进行分组，时间窗口需要根据实际需求进行一定转化处理（这里时间窗口为月份）。

b、时间窗口内【消费次数>1的人数】/【总消费人数】

SELECT月份,COUNT( DISTINCT userid ) AS 消费人数,COUNT(CASE WHEN `消费次数` > 1 THEN 1 ELSE NULL END) AS 复购人数,COUNT(CASE WHEN `消费次数` > 1 THEN 1 ELSE NULL END)/COUNT( DISTINCT userid ) AS 复购率
FROMorder_times
GROUP BY月份;

  按时间窗口分组，再用case when语句求出【消费次数>1的人数】

②python求解

解题步骤：

a、导入数据

col = ['orderid','userid','ispaid','price','paidtime']
df = pd.read_csv(r'file_path/order_info_utf.csv',encoding='utf-8',names=col)
df.head()

b、新增时间窗口字段

df['month'] = df['paidtime'].str[:7]
df.head()

c、筛选已支付订单记录

df = df[df['ispaid']=='已支付']
df.head()

d、数据透视，获取【时间窗口内的用户消费次数透视表】

# 用户ID为索引，时间窗口为列名称，count统计消费次数，无消费记录用0填充
order_counts = df.pivot_table(index='userid',columns='month',values='price',aggfunc='count').fillna(0)
order_counts.head()

e、计算复购率

month_buy_rate = pd.DataFrame((order_counts>1).sum()/(order_counts>=1).sum(),columns=['复购率'])
month_buy_rate['消费人数'] = (order_counts>=1).sum()
month_buy_rate['复购人数'] = (order_counts>1).sum()
month_buy_rate

四、提升策略和方法

  复购率变高，也就是用户多消费。想让用户多消费，莫非就是自身产品实力过硬，或者产品不咋滴，但是套路足，让用户觉得自己产品“性价比”高，值得再次购买。