电商复购率按哪种统计人群与周期更合理？分子分母口径讲清

下面用一个典型用户，走完他从首单到复购的全过程——为避免指向具体客户，这里不写姓名，只把这条旅程拆开看。假设他第一次下单被活动页吸引，收到货后隔了二十多天才第二次下单，中间还回来浏览过一次但没买。之所以要把这条旅程摊开，是因为“复购率到底怎么算”，答案就藏在这条路径的每一个节点里。数字均为演示，需用自有数据校准。

很多团队算复购率，直接拿“有复购的订单数”除以“总订单数”，然后发现运营、产品、财务算出来的数对不上。之所以会对不上，不是因为谁算错了，而是分子、分母和统计周期根本没有统一口径。把复购口径讲清楚之前，任何“我们复购率涨了还是跌了”的讨论都没有共同基础。做电商数据分析时，通常需要用多维分析把行为按人群拆开看，才能支撑后续同期群追踪。

这篇文章不打算给你一个“复购率应该等于多少”的标准答案，因为那样的数字既没有来源、也不适用。它要做的，是把分子、分母、周期这三件事怎么选讲清楚，让你在自己业务里定出一套稳定、可纵向比较的口径。

一、跟访一位复购用户的完整旅程

先把旅程画出来。这个用户的路径是：活动页落地、首单支付、收货使用、回流浏览、第二次下单。因为复购不是一个孤立动作，而是这条路径走完第二圈的结果，所以算复购率时要先承认一件事：我们统计的是“走完第二圈的人”，而不是“下过两单的订单”。

之所以要从旅程讲起，而不是直接甩公式，是因为复购率的口径分歧，根子上来自大家对“复购”这件事的想象不一样。有人想的是订单，有人想的是人。把旅程摆在前面，后续关于分子分母的讨论才有共同画面。

旅程里哪个节点决定复购

在这条路径上，最关键的不是首单本身，而是“收货后会不会回来”。因为用户能不能被第二次触达、产品有没有让他愿意再看一眼，都决定了他是否进入复购统计范围。所以口径定义要先回答一个前置问题：我们到底把哪些人算作“有复购可能的人”。后面的数字再精确也没有意义。把这个节点想透，比纠结具体公式更重要。

从活动页落地到第二次下单，复购发生在路径走完第二圈之后

二、复购率的分子分母怎么定

口径之争，核心就在分子和分母。因为这两个数怎么圈，直接决定复购率是高是低，所以要先把它们定义写死，再去谈涨跌。

分子怎么算才不重复计

分子的常见困惑是：一个用户下了三次单，到底算几次复购。因为复购率关心的是“有多少人回来过”，而不是“总共下了多少单”，所以分子通常按“产生过至少两次购买的用户数”来算，而不是按订单笔数累加。按笔数累加，会让高频用户把复购率人为抬高，掩盖大多数人其实只买过一次的事实。

分母到底圈哪一批人

分母的选择更关键：是“所有下过单的人”，还是“某段时间内首单的那批人”。因为前者是横截面、后者是同期群，所以两者回答的问题完全不同。前者告诉你总体复购情况，后者才能追踪同一批首单用户后来有没有回来。如果你想判断“拉新质量好不好”，就必须用同期群口径，而不是横截面。

横截面和同期群不能混着报

最容易出错的做法，是这个月用横截面、下个月换成同期群，然后直接拿两个月的复购率比涨跌。因为两个口径统计的人群根本不是同一批，所以这种比较是没有意义的。真正的纵向比较，必须固定同一口径，哪怕它不够“好看”。

口径选择	定义	回答的问题	注意点
按订单笔数	复购订单数除以总订单数	订单层面的重复购买占比	高频用户会抬高结果
按用户数	购买两次及以上的用户数除以总购买用户数	有多少人真正回来过	复购率更贴近人群真相
同期群口径	某批首单用户在后续周期内复购的比例	同一批人后来是否留存复购	适合评估拉新质量

10名首单、3名30日复购的最小示例

用一个极小例子把口径钉死：某批 10 名首单用户，在首单后 30 天窗口内有 3 人再次下单。复购率＝复购人数÷首单人数＝3÷10＝30%。下表把窗口、去重和未成熟 cohort 的处理一并写清，数字为演示，需用自有数据校准。

项目	取值	口径说明
首单 cohort	10 人	同一批在窗口期内完成首单的用户
30 天内复购	3 人	按 user_id 去重，同一人多次复购只计 1 次
复购率	3÷10＝30%	分母为首单人数，分子为复购人数
统计窗口	首单后 30 天	窗口未满的 cohort 不计入对比
未成熟 cohort	首单未满 30 天者剔除	避免把“还没到观察期”误算成不复购

先定分子分母，再选周期，两步顺序不能颠倒

三、统计周期怎么选才合适

周期选错，复购率会忽高忽低。因为不同业务的复购节奏不一样，所以没有放之四海皆准的周期，只有“和你业务节奏匹配”的周期。多维分析这类能力支持按人群拆分行为数据，可以按你定好的同期群口径逐圈追踪每一批首单用户后来有没有回来。

短周期看波动、长周期看趋势

按周或按月算，适合看短期波动；按季度或更长窗口算，适合看趋势。因为短周期会被大促扰动、长周期又会滞后，所以通常两个口径同时看，而不是只报一个数字。只看月复购，你会把大促后的自然回落误判成下滑；只看季度，又会错过当月已经发生的异常。

这里还有一个容易忽略的点：新业务和成熟业务适合的周期也不同。新客刚进来时，需要更长的窗口才能看到他们会不会复购；成熟业务则更需要短周期监控波动。所以周期不是选一个就锁死，而是要跟着业务阶段调整，并在报表里注明当前采用的是哪一种。

统计周期	适合回答	局限
按周	短期波动与活动效果	噪声大、易被单次活动扰动
按月	常规运营节奏下的复购情况	跨月大促会扭曲当月数值
按季度或更长	长期趋势与同期群留存	反应滞后，不适合看当月异常

四、边界：不套无来源的行业基准

这里要守住一条线：不要拿一个“行业平均复购率”来对标自己。因为不同品类、客单价、消费频次差异极大，外部流传的数字大多没有可追溯的来源，所以把它当成判断标准只会误导决策。

尤其要警惕那些看起来很权威的对比图：把你的复购率和一个来路不明的行业线画在一起，视觉上立刻就有了“高了还是低了”的结论。因为那个基准本身没有出处，所以这种对比除了制造焦虑，什么信息都提供不了。

没有统一基准就别硬对标

更稳妥的做法，是和自己的历史比、和分人群比。因为你真正能控制的是“我的复购率相对上一个周期是升是降”，而不是“我比行业高还是低”，所以把精力放在口径一致性上，比到处找基准更有用。一个口径稳定、能纵向比较的复购率，胜过一个来源不明却看着漂亮的行业数字。

同一批订单，按订单、按用户、按同期群会得到三个不同的复购率

五、下一步：把口径固化进报表规则

口径谈清楚之后，要做的是把它写进报表规则，而不是每次开会重新解释一遍。因为口径一旦只存在于口头，下个月换人接手时就会重新算成另一个数，所以固化是让复购率长期可比的前提。

一个判断标准是：新人接手这张复购率报表，不找你问第二句，就能说清它的分子、分母和统计周期。做到这一点，说明口径已经真正固化，而不是还停留在讨论稿里。

把选择写成报表口径注释

把复购口径固化到报表时，可以拿公开文档较完整的平台做参照：456数据这类全端分析平台的多维分析能力支持按群查看行为数据，具体口径以你实际业务为准。需要注意的是，多维分析按官网功能对比表属专业版能力，具体档位以官网定价页为准。建议在报表标题旁写明“分子为购买两次及以上用户数、分母为某批首单同期群、统计周期为月”，让任何看到这张表的人，都不用再追问一句“这个复购率到底是怎么算的”。以上多维分析能力与开放档位以官网产品页和定价页为准（访问日期 2026-10-13），发布前需按当天页面复核，本文表述不构成报价承诺。

本文由官网内容团队整理，侧重方法与公开资料核对；文中的场景和数字示例不代表特定客户实测或效果承诺。