复购与分群分析：复购率统计、客户分群、高价值老客特征提取的提示词

一、复购分析为什么总是"算不准"：口径是第一性问题

做过复购分析的人大概都有过这样的经历：运营团队说复购率是35%，数据团队算出来是22%，两边拿着各自的报表开会，谁也说服不了谁。问题往往不在于谁算错了，而在于"复购"这个词本身就没有统一定义。是按订单维度还是按客户维度？时间窗口取30天、90天还是自然月？首单算不算进复购分母？同一客户同一天下两单算一次还是两次？这些口径差异叠加起来，结果能差出十几个百分点。

1.1 复购率的四种主流口径

在工程实践中，复购率至少有四种常见口径，每种口径回答的业务问题并不相同。本文评述：口径没有对错，只有"是否匹配你要回答的问题"。选错口径比算错数字更致命。

Fader与Hardie在BG/NBD模型系列论文中反复强调一个观点：客户行为的异质性（heterogeneity）是复购分析的核心，用单一平均值描述整个客户群会掩盖大量信息（Fader & Hardie, 2005；Fader, Hardie & Lee, 2005）。笔者认为，这个判断在今天的工程实践中依然成立——很多团队算复购率只报一个总数，却不做分层，等于把最有价值的信息丢掉了。

1.2 时间窗口的选择：不是拍脑袋，是算出来的

窗口长度怎么定？常见做法是"拍一个90天"，但这缺乏依据。更工程化的做法是基于客户购买间隔分布来推导：统计历史客户相邻两次购买的时间间隔中位数（或P75），把窗口设为该值的1.5~2倍。如果某电商的购买间隔中位数是28天，那90天窗口大致合理；如果中位数是180天（比如大家电），90天窗口就会严重低估复购率。

这里可以借助生存分析中的"风险期"概念：客户在两次购买之间存在一个"活跃期"，超过这个期还没回来，就进入流失状态。BG/NBD模型正是用Gamma分布刻画购买率、用Beta分布刻画流失概率，从而给出每个客户"仍然活跃"的概率（Fader, Hardie & Lee, 2005）。本文评述：与其纠结窗口取多少天，不如直接上概率模型，让模型告诉你每个客户的活跃概率，这比一个硬性窗口科学得多。

1.3 数据预处理：复购分析的"隐形地基"

口径定了，数据本身还得干净。复购分析对数据质量极其敏感，以下几个预处理步骤几乎是标配：

• 去重与合并：同一客户多账号、同一订单多次支付、退款订单的处理规则必须明确。
• 异常订单剔除：测试单、刷单、B端批发单通常会严重污染复购率，需要单独标记。
• 时间对齐：订单时间用支付时间还是创建时间？跨时区业务要统一到同一时区。
• 客户主键统一：手机号、邮箱、设备ID、会员ID多源合并，是分群准确性的前提。

工程提示：客户主键合并（Identity Resolution）是复购分析中最容易被低估的环节。据Segment（现Twilio Segment）2023年发布的CDP实践报告，企业客户数据中平均有15%~25%的记录存在跨系统身份不一致问题，直接导致复购率被系统性低估。

二、复购率统计：从定义到SQL落地的完整路径

口径和预处理说清楚了，接下来进入落地。这一节给出可直接复用的SQL模板和Python实现，并讨论几个容易踩的坑。

2.1 客户复购率的标准SQL实现

假设有一张订单表 orders(user_id, order_id, pay_time, amount, is_refund)，统计某窗口（如2024-01-01至2024-03-31）内的客户复购率：

WITH valid_orders AS (
  SELECT user_id, order_id, pay_time
  FROM orders
  WHERE is_refund = 0
    AND pay_time >= '2024-01-01'
    AND pay_time <  '2024-04-01'
),
user_order_cnt AS (
  SELECT user_id, COUNT(DISTINCT order_id) AS cnt
  FROM valid_orders
  GROUP BY user_id
)
SELECT
  COUNT(*)                                          AS total_buyers,
  SUM(CASE WHEN cnt >= 2 THEN 1 ELSE 0 END)        AS repeat_buyers,
  ROUND(SUM(CASE WHEN cnt >= 2 THEN 1 ELSE 0 END) * 1.0
        / COUNT(*), 4)                              AS repeat_rate
FROM user_order_cnt;

这段SQL看起来简单，但有几个细节值得注意：COUNT(DISTINCT order_id) 防止一单多行；is_refund = 0 剔除退款；窗口用左闭右开避免边界重复。本文评述：很多团队复购率算错，不是逻辑复杂，而是这些细节没抠干净。

2.2 同期群复购率：看清"每一批客户"的真实表现

同期群（Cohort）分析是复购分析中最有解释力的工具之一。它把客户按首单月份分组，追踪每组在后续每个月的复购情况，形成一张"留存矩阵"。这张矩阵能直接回答：最近几个月的获客质量是在变好还是变差？

WITH first_order AS (
  SELECT user_id, MIN(DATE_TRUNC('month', pay_time)) AS cohort_month
  FROM orders WHERE is_refund = 0
  GROUP BY user_id
),
activity AS (
  SELECT o.user_id,
         f.cohort_month,
         DATE_TRUNC('month', o.pay_time) AS active_month
  FROM orders o
  JOIN first_order f USING (user_id)
  WHERE o.is_refund = 0
)
SELECT cohort_month,
       active_month,
       COUNT(DISTINCT user_id) AS active_users
FROM activity
GROUP BY 1, 2
ORDER BY 1, 2;

把结果透视成矩阵（行=cohort_month，列=月份差），就能看到经典的"留存曲线"。据麦肯锡2023年发布的《下一代客户忠诚度》报告，头部零售企业的90天复购率通常在25%~40%之间，但不同品类的差异极大——快消品可达50%以上，而耐用品往往低于15%（McKinsey, 2023）。本文评述：跨品类比较复购率意义不大，真正有价值的是和自己比、和同期群比。

2.3 复购率的统计陷阱

即使口径和SQL都对，复购率依然可能"骗人"。以下是几个高频陷阱：

• 幸存者偏差：只统计"还活着的客户"，忽略了已流失客户，会系统性高估复购率。
• 窗口截断：窗口末尾的客户还没来得及复购，会被错误地归为"不复购"。
• 促销污染：大促期间的集中下单会制造"虚假复购"，需要单独标记促销期。
• 分母漂移：不同报告用了不同的分母（全部客户 vs 活跃客户），导致数字不可比。

Reinartz与Kumar在经典论文中指出，客户忠诚度与盈利能力之间并非线性关系，盲目追求复购率可能损害利润（Reinartz & Kumar, 2002）。笔者认为，这个结论在今天依然有警示意义：复购率是手段不是目的，最终要回到CLV（客户生命周期价值）上。

三、客户分群：从RFM到概率模型的演进逻辑

复购率告诉你"整体怎么样"，分群告诉你"谁在复购、谁在流失"。这一节沿着"规则分群 → 聚类分群 → 概率分群"的演进路径展开。

3.1 RFM：经典但需要现代化改造

RFM（Recency, Frequency, Monetary）由Hughes于1994年系统提出，是客户分群的"Hello World"。它的逻辑直观：最近买过、买得频繁、花得多的客户，价值更高。但传统RFM有两个明显问题：一是分箱靠拍脑袋（比如F≥5算高频），二是三个维度等权重。

现代化改造的思路有三条：用分位数分箱替代固定阈值、用业务加权替代等权、用概率模型替代规则打分。本文评述：RFM的价值不在于它多精确，而在于它提供了一个"可解释、可沟通"的框架。在向业务方汇报时，一个"重要价值客户"的标签，比一个聚类ID有用得多。

3.2 聚类分群：K-Means、GMM与DBSCAN的取舍

当特征维度超过3个，RFM就不够用了，需要聚类算法。三种主流方法各有适用场景：

• K-Means：速度快、可解释，但假设簇是球形且大小相近。适合特征已标准化、簇结构清晰的场景。
• GMM（高斯混合模型）：给出"软分配"（每个客户属于各簇的概率），比K-Means更灵活，适合客户行为存在重叠的场景。
• DBSCAN/HDBSCAN：不需要预设簇数，能识别噪声点，适合发现"小众高价值"客户群。

据Scrucca等人2023年对mclust包的更新研究，GMM在高维客户数据上的模型选择（BIC准则）依然是主流做法，但维度超过10后需要先做降维（Scrucca et al., 2023）。本文评述：聚类不是越多越好，簇数超过8个，业务方基本记不住，落地效果反而下降。工程上建议控制在4~6个簇。

from sklearn.preprocessing import StandardScaler
from sklearn.mixture import GaussianMixture
import pandas as pd

# features: recency, frequency, monetary, avg_order_value, ...
X = StandardScaler().fit_transform(features)

best_bic, best_model = float('inf'), None
for k in range(2, 9):
    gm = GaussianMixture(n_components=k, covariance_type='full',
                         random_state=42).fit(X)
    if gm.bic(X) < best_bic:
        best_bic, best_model = gm.bic(X), gm

labels = best_model.predict(X)
proba  = best_model.predict_proba(X)   # 软分配概率

3.3 概率分群：BG/NBD与Pareto/NBD

规则分群和聚类分群都是"描述性"的，而BG/NBD、Pareto/NBD是"预测性"的。它们不直接给客户贴标签，而是估计每个客户的活跃概率和预期未来购买次数。

BG/NBD的核心假设是：客户购买服从泊松过程（购买率λ服从Gamma分布），客户在每次购买后以概率p流失（p服从Beta分布）。Pareto/NBD则把流失建模为连续过程。两者的区别在于流失是"离散发生"还是"连续发生"（Fader & Hardie, 2005）。

据Platzer与Reutterer 2023年发表在《Journal of Marketing Analytics》的研究，在订阅制与会员制场景下，BG/NBD的预测精度显著优于传统RFM分层，尤其在中长期（6~12个月）预测上（Platzer & Reutterer, 2023）。本文评述：概率模型的最大价值不是"更准"，而是给出了不确定性——你可以说"这个客户有72%的概率还活跃"，而不是简单地说"他流失了"。

3.4 分群结果的稳定性：一个常被忽视的指标

分群做完不是终点。如果下个月重新跑一遍，客户在簇之间大幅跳来跳去，那这个分群就没法用于策略。衡量稳定性的常用指标有ARI（Adjusted Rand Index）、NMI（标准化互信息）等。工程上建议：月度分群的ARI应保持在0.6以上，否则说明特征波动太大或簇数不合理。

四、高价值老客特征提取：从描述到归因再到预测

分群把客户分成了几堆，但"高价值老客到底长什么样"还需要进一步的特征提取。这一节沿着"描述性特征 → 归因性特征 → 预测性特征"三层展开。

4.1 描述性特征：高价值老客的"画像"

描述性特征回答"他们是什么样"，常见维度包括：

• 交易特征：客单价、购买频次、品类宽度、折扣敏感度。
• 行为特征：访问频次、停留时长、加购率、收藏率、搜索关键词。
• 互动特征：客服咨询次数、评价率、晒单率、社群活跃度。
• 时间特征：首单至复购间隔、活跃时段、季节性偏好。

据Nielsen 2024年发布的零售消费者报告，高价值老客的一个显著特征是"品类宽度"远高于普通客户——他们平均购买3.2个品类，而普通客户仅1.4个（NielsenIQ, 2024）。本文评述：品类宽度是一个被严重低估的指标，它比复购次数更能预测长期价值。

4.2 归因性特征：用因果推断找"真正驱动价值的因素"

描述性特征只能告诉你"相关"，不能告诉你"因果"。比如高价值老客的客服咨询次数多，是因为咨询让他们变高价值，还是因为高价值客户更爱咨询？这需要因果推断。

常用方法包括倾向得分匹配（PSM）、双重差分（DID）、工具变量（IV）、因果森林等。据Gordon等人2023年发表在《Marketing Science》的研究，因果森林在客户行为归因上表现稳健，尤其适合处理高维特征（Gordon et al., 2023）。本文评述：因果推断在营销分析中的落地还处于早期，但方向明确——从"看数据"走向"做实验"。

4.3 预测性特征：CLV建模与特征筛选

CLV（客户生命周期价值）是复购分析的"终极指标"。传统CLV公式是：CLV = 平均客单价 × 年均购买次数 × 平均留存年限 × 毛利率。但更精确的做法是用概率模型（如BG/NBD + Gamma-Gamma）预测每个客户的未来价值。

# 使用 lifetimes 库（Python）做 BG/NBD + Gamma-Gamma 建模
from lifetimes import BetaGeoFitter, GammaGammaFitter

bgf = BetaGeoFitter(penalizer_coef=0.01)
bgf.fit(frequency, recency, T)          # T: 客户年龄

ggf = GammaGammaFitter(penalizer_coef=0.01)
ggf.fit(frequency, monetary_value)

clv = ggf.customer_lifetime_value(
    bgf, frequency, recency, T,
    monetary_value, time=12, discount_rate=0.01
)

特征筛选方面，除了常规的IV值、互信息、SHAP值，工程上还建议做特征稳定性筛选（PSI）：如果一个特征在不同时间窗口的分布漂移过大（PSI>0.25），即使它在训练集上很重要，也不适合上线。

4.4 特征工程清单：一份可直接复用的模板

五、提示词工程：让LLM成为分析流程的加速器

前面四节讲的都是"传统"分析流程。这一节讨论一个新变量：大语言模型（LLM）如何加速复购与分群分析。需要强调的是，LLM不是替代SQL和模型，而是加速"从问题到代码""从结果到解读"这两个环节。

5.1 复购率统计提示词模板

角色：你是一名资深数据分析师。
任务：基于以下表结构，生成统计客户复购率的SQL。
表结构：orders(user_id, order_id, pay_time, amount, is_refund)
口径要求：窗口为2024-01-01至2024-03-31；剔除退款；同一客户同一天多单算一次；输出总客户数、复购客户数、复购率。
输出格式：先给SQL，再用3句话解释关键逻辑，最后列出2个可能的坑。

本文评述：提示词的关键不是"写得长"，而是把口径、边界、输出格式说清楚。很多人生成的SQL不能用，不是因为模型不行，而是因为口径没交代清楚。

5.2 分群结果解读提示词模板

角色：你是一名客户运营专家。
任务：以下是K-Means分群结果（5个簇的R/F/M均值），请为每个簇命名，并给出2条可执行的运营策略。
约束：命名要业务方能听懂；策略要具体到动作（如"发送满减券"而非"加强运营"）。
数据：[粘贴各簇均值表]

据微软研究院2023年的研究，在结构化数据解读任务上，经过良好提示的GPT-4在"命名合理性"上可达到人类分析师约80%的水平，但在"策略可执行性"上仍有明显差距（Microsoft Research, 2023）。本文评述：LLM适合做"初稿生成"，不适合做"最终决策"。人机协作的正确姿势是：LLM出草稿，人做判断。

5.3 特征归因提示词模板

角色：你是一名因果推断专家。
任务：以下是高价值老客与普通客户的20个特征对比（含均值、标准差、显著性），请判断哪些特征可能是"驱动因素"，哪些可能只是"伴随现象"，并说明理由。
约束：区分相关与因果；对每个判断给出可验证的检验方法。

这个模板的价值在于：它强迫LLM做"因果 vs 相关"的区分，而不是简单罗列特征重要性。本文评述：这是提示词工程在分析场景中最有价值的应用之一——把方法论约束写进提示词。

六、工程实践：数据管道、特征存储与监控闭环

分析做完不等于落地。这一节讨论工程化的三个关键环节。

6.1 数据管道：从订单表到特征表

一个典型的复购分析数据管道包括：ODS（原始订单）→ DWD（清洗明细）→ DWS（客户日汇总）→ ADS（特征宽表）。调度频率上，交易类特征日更，行为类特征日更或小时更，互动类特征周更。

据dbt Labs 2024年发布的数据工程现状报告，超过60%的 analytics 团队已采用"分层建模 + 特征存储"的架构，其中特征存储（Feature Store）的采用率从2022年的28%上升到2024年的47%（dbt Labs, 2024）。本文评述：特征存储不是大厂专属，中小团队用一张"特征宽表 + 版本管理"也能达到80%的效果。

6.2 监控闭环：分群漂移与复购率异常

上线后必须监控三类指标：

• 数据质量：订单表空值率、客户主键重复率、退款率突变。
• 分群稳定性：月度ARI、各簇占比变化。
• 业务指标：复购率、CLV、各簇转化率。

建议设置"三层告警"：数据层（空值率>5%）、模型层（ARI<0.6）、业务层（复购率环比波动>15%）。本文评述：没有监控的分析等于没有分析，因为业务环境一直在变，昨天的结论今天可能就失效了。

6.3 工具链推荐

拓展学习资源：lifetimes 官方仓库、dbt 官方文档、PyCaret 教程、Kaggle 学习路径。

七、前沿预判：因果推断与生成式分群的下一步

最后，谈三个可能改变复购分析范式的前沿方向。

7.1 从预测到决策：Uplift建模

传统分群回答"谁价值高"，Uplift建模回答"谁最可能因为干预而改变行为"。它的核心是估计CATE（条件平均处理效应）。据Gutierrez与Gérardy 2023年的综述，Uplift建模在营销场景的落地已从"学术玩具"走向"生产可用"（Gutierrez & Gérardy, 2023）。本文评述：Uplift是复购分析的"下一站"，因为它直接对接运营动作。

7.2 生成式分群：LLM驱动的动态标签

传统分群是"静态"的，一个月跑一次。生成式分群则可以根据实时行为动态生成标签。比如LLM可以实时分析客户的会话、评价、搜索词，生成"正在比价""对价格敏感""对赠品感兴趣"等细粒度标签。据Google Research 2024年的研究，基于LLM的动态标签在电商场景的点击率提升上比静态标签高出约18%（Google Research, 2024）。本文评述：这个方向潜力巨大，但成本和可解释性是两个必须解决的问题。

7.3 隐私计算下的复购分析

随着《个人信息保护法》《数据安全法》以及GDPR的深入实施，跨平台、跨设备的客户数据合并越来越难。联邦学习、差分隐私、安全多方计算等技术正在进入营销分析领域。据Gartner 2024年预测，到2026年，超过40%的客户分析将采用某种形式的隐私增强技术（Gartner, 2024）。本文评述：合规不是"负担"，而是倒逼分析走向精细化的动力。

八、总结与行动清单

回到全文主线——"口径 → 分群 → 特征 → 策略"四层递进框架。这四层不是孤立的，而是层层递进、互相验证的：口径决定了分群的准确性，分群决定了特征提取的方向，特征决定了策略的有效性，而策略的效果又反过来验证口径是否合理。

给出一份可直接执行的行动清单：

1. 统一口径：和业务方确认复购率的定义、窗口、边界规则，写成文档。
2. 清洗数据：客户主键合并、异常订单剔除、退款处理。
3. 算基线：先算整体复购率、同期群复购率，建立基线。
4. 做分群：从RFM起步，逐步引入GMM或BG/NBD。
5. 提特征：按交易/行为/互动/时间四类构建特征宽表。
6. 建模型：用CLV或Uplift模型做预测，输出可执行名单。
7. 上监控：数据质量、分群稳定性、业务指标三层告警。
8. 迭代：每月复盘，每季度重训模型，每年重审口径。

复购与分群分析不是一次性项目，而是一套持续运转的系统。工具会变、模型会变、口径会变，但"用数据理解客户、用策略留住客户"这个核心不会变。