电商回购率：为何仪表盘上的百分比具有误导性，以及如何通过队列分析进行准确衡量

总结

回购率基于封闭期计算，将老客户与昨天刚购买的客户混合在一起，扭曲了对店铺增长或萎缩的判断。按队列（即在同一个月完成首次购买的群体）进行衡量，可以显示店铺是否真正在吸引回头客，以及何时发生。

这个看似简单的数字

几乎所有虚拟商店平台都会在面板的某个角落显示有多少客户重复购买。最常见的计算方式是将特定时间段内下了两个或更多订单的客户数量除以该时间段内的总买家数。Shopify的指标参考以类似方式定义复购率：即复购客户占该期间所有下单客户的比例。这种算法易于计算，但对决策毫无助益。

问题在于时间。在十二个月的统计周期内，分母既包括了一月份首次购买、有十一个月时间回头的顾客，也包括上周才首次购买、尚无任何回头机会的顾客。结果便形成了一种反映顾客与品牌关系处于不同阶段的平均人数。

这会产生两种相反的错觉：

• 成长中的店铺看起来表现更差——如果在期末有大量新客户涌入，即使购物体验并未恶化，也会拉低复购百分比；
• 萎缩中的店铺看起来表现更好——由于新进入者寥寥，分母中老客户的占比相对更高，导致即便业务增长乏力，复购率依然显得很高。

复购行为在市场中确实存在：ABComm的数据面板记录显示，2025年9420万买家共发出4.389亿份订单，人均约4.7单，涵盖所有店铺。这证明了消费者的复购习惯，而非他们回到你店铺的行为（参见e-commerce brasileiro em números）。

队列：比较同时开始的人群

解决方案是按首次购买日期对客户进行分组，并分别跟踪每个组，这个组就是“队列”。Google Analytics 4的队列探索文档将队列定义为共享某一特征的用户集合，允许选择首次交易作为进入标准，以及后续任何交易作为返回标准，粒度可为日、周或月。Shopify的队列分析报告遵循相同逻辑：每一行汇总在同一时期完成首单的顾客，并展示他们在后续时期的回访情况。

在每种工具中：

• Google Analytics 4——周期为周日到周六；探索功能最多支持60个队列和三种计算类型：标准型（在该周期内回访的人）、连续型（在该周期及之前所有周期都回访的人）和累积型（在分析的任何时期回访过的人）；
• 保留上限——默认属性下的GA4数据保留期为2个月或14个月，而探索功能仅能查看此时间范围内的数据；若仅有2个月数据，则无法衡量180天的窗口期；
• Shopify——按周、月或季度对队列进行分组，并展示客户数、保留率、总销售额、净销售额和平均订单价值；其中保留率是指在该周期内下单的队列客户百分比。

作为队列，问题从“我的客户中有多少是回头客？”变为“在三月份接触的客户中，有多少在90天内再次回来？”。第二个问题的答案可以按月比较，因为每个群体都有完全相同的时间来返回。

正确的选择取决于你销售的产品

不存在统一的期限。销售咖啡、饲料或化妆品的商家，补货周期以周计；而销售床垫、自行车或家电的商家，可能需要数年才能再次见到同一位客户。在确定时间窗口之前，请先从自有数据中统计回流客户首次购买与第二次购买之间的间隔，并使用中位数——相比平均值，中位数受极端值的影响更小。例如：若间隔分别为 20、25、30、35 和 300 天，平均值为 82 天，而中位数为 30 天。

一个实用的原则是观察两个时间窗口：一个是较短的窗口，靠近该中位数，能快速响应体验变化；另一个是较长的窗口，能捕捉产品的完整周期。例如，如果中位数为60天，那么跟踪60天和180天的复购率是有意义的。

估算间隔的工具需要数据量。Klaviyo 的预测性分析功能会计算下次订单的预期日期和订单之间的平均时间，要求至少有 500 名已下单客户、180 天的历史数据、最近 30 天内有订单，以及部分客户有 3 次或更多购买记录。Shopify 基于店铺过去 24 个月的数据来预测每批客户的支出。

一个使用整数的示例

以下数值仅为示例，用于展示读取方式。假设一家商店拥有三个月度队列，均在90天窗口期内进行测量：

• 一月队列：前400名买家，60人在90天内回访——占比15%；
• 二月队列：前520名买家，62人回访——约占12%；
• 三月队列：前380名买家，68人回访——约占18%。

以表格形式呈现，包含30天、60天和90天的累计回访率（示例）：

二月的下降与购买量最高的月份相吻合。在得出体验变差的结论之前，下一个问题是这些客户来自哪里。如果大部分客户是通过激进的优惠券吸引来的，那么该群体可能包含的是价格敏感型消费者，他们很少会以原价回购。而三月的改善，则需在四月和五月得到证实后才值得庆祝。

将这三个群体加总，1,300名客户中有190人再次购买，占比14.6%。这一单一数字掩盖了二月与三月之间6个百分点的差异。

揭示原因的细分维度

各群体的百分比能说明是否发生了变化；细分维度则能解释原因。最常用的细分维度通常包括：

• 获客渠道——通过自然搜索、推荐或付费广告而来的客户，其回访节奏各不相同；
• 首次购买的产品 ——某些商品充当入口产品，带动第二次购买；而其他商品则可能导致关系终止；
• 首单折扣 ——比较使用优惠券购买与按全价购买的客户；
• 配送体验 ——首次购买时的延误、损坏或换货通常会降低复购率；
• 地区 ——不同地区的运费时效和成本各不相同。

在GA4中，这些细分作为详细维度进入，每个维度最多显示15个值。

数据陷阱

复购取决于知道两次购买来自同一个人，而这正是最大的错误来源。未注册下单、同一客户使用不同邮箱以及系统切换都会破坏历史记录。建议统一识别键——根据商店隐私政策允许的范围，使用标准化邮箱、电话或证件号——并从账户中排除已取消和全额退货的订单。

还有三个注意事项：

• 设备间身份关联 —— GA4的User-ID 将不同设备的会话链接到同一客户，但Google的政策禁止标识符揭示个人身份；请使用内部代码，切勿使用邮箱；
• 最小数据 —— LGPD（第13.709/2018号法律） 列出了目的性和必要性原则（第一项和第三项）；阅读本指南时，衡量复购只需客户键、订单日期和订单金额；
• 后悔权 ——《消费者保护法》第49条 《消费者保护法》（1990年第8.078号法律） 规定在实体店外购买的商品享有7天的犹豫期，自签署合同或收到产品之日起计算；在实际分析中（法律并未强制要求），建议在该期限过后才关闭该队列。

此外还有市场平台的限制：当销售发生在大型门户的橱窗时，关系维护和大部分数据都掌握在平台手中。在这种情况下，商店能衡量的复购仅限于其自身渠道。市场平台还是自有商店 这一指南探讨了这种隐形成本。

如何处理结果

只有当数字能够改变某些决策时才有价值。三种实际用途：

• 在正确的时间进行关系维护 ——补货或新品通知应在典型的复购间隔附近送达，而不是随机日期；
• 确定获客成本 ——如果该队列再次购买，商店可以在首次销售中接受更高的获客成本；如果不再回购，每位客户必须在首单中实现盈亏平衡。定价计算器有助于查看可用利润率；
• 优先进行修正 ——如果表现不佳的队列与配送延迟或有问题的产品相重合，运营层面的修正比任何营销活动都更有效。

示例说明：如果首单留下30雷亚尔的利润，且15%的队列在90天内以相同的利润进行第二次购买，则每位获客客户在该期间平均贡献34.50雷亚尔（30 + 0.15 × 30）。在此窗口期内，40雷亚尔的获客成本无法收回；而30雷亚尔的获客成本可在首单中收回。

一个组织良好的 CRM 系统使这一切变得容易，因为它按客户保存历史记录并允许在适当的时候触发沟通；文章使用 CRM 进行顾问式销售展示了如何构建这种用法。如果没有 CRM，电子表格也能解决问题：该方法见电子表格中的 RFM。

来源和方法论最后更新：2026 年 10 月 8 日

1. 队列探索（GA4） — Google
2. 客户报告：客户队列分析 — Shopify
3. 主题：关于复购率的专栏（ConnectWeek 原文，未转载专栏内容） — E-Commerce Brasil

常见问题

因为它将老顾客（有数月时间回来）与新顾客（尚未有时间）混在一起。扩张中的店铺看起来更差，而收缩中的店铺看起来更好。

它是按首次购买日期对客户进行分组，并跟踪每个组在相同的时间窗口（如60天或90天）内再次购买的人数。

这取决于产品。一个起点是使用本数据库首次与第二次购买间隔的中位数，并配合一个更长的时间窗口。