复购预测模型：用行为数据预判下一单

很多团队做复购，靠的是”到期群发一波优惠”或者”想起来了就提醒一下”。结果是该买的没被提醒，不会买的被反复打扰，资源浪费、客户还嫌烦。问题出在：没有预判，只有撒网。

复购预测的核心，是从客户已经发生的行为里找出规律，用消费周期、行为信号和分层打分推断谁、在什么时候、最可能再买一次，从而把触达资源精准投到高概率客户身上。 它不要求一开始就建复杂模型，先把规律用起来就能见效。

复购预测的三条思路

从易到难，三条思路可以单独用，也可以叠加。

思路一：消费周期法

最简单也最实用。统计每个客户（或每类客户）平均隔多久买一次，在接近这个周期时主动提醒。

举例：如果某类客户平均每 45 天复购一次，那么在第 35-40 天就应该触达，而不是等他自己想起来或者已经流向别处。

这里有个坑要提醒你：别直接拿全体客户的平均间隔当周期。假设你算出全店平均 45 天，但拆开看，A 类客户其实 20 天一买、B 类 90 天一买，你用 45 天去提醒，对 A 类晚了、对 B 类早了，两头不讨好。正确做法是先按品类或客户类型分组，再各算各的周期。算的时候用中位数比用平均数稳，因为几个囤货的大客户会把平均值拉得很偏——比如 10 个客户里 9 个都是 30 天复购，1 个人一次囤半年货，平均数会被抬到 50 天以上，中位数还是老老实实的 30 天。

再给你一个可以直接套的算法：取每个客户相邻两次订单的时间差，得到一串间隔天数，去掉只有一次购买（算不出间隔）的客户，对剩下的取中位数当作该客户的个人周期；没有足够历史的新客，先用他所在品类的群体周期兜底。提醒窗口设在”周期的 75%-90%“这一段，比如个人周期 40 天，就在第 30-36 天之间触达，留出客户看到消息、做决定、下单的缓冲时间。

适用场景：有明确复购周期的品类（耗材、订阅、周期性服务）。落地门槛极低，只要有干净的交易流水就能算。什么时候不该用它？一次性大额采购（如企业买一套设备用三五年）、强冲动型的低频消费，这类没有稳定周期，硬套周期法只会自欺欺人，这时要转向行为信号法。

思路二：行为信号法

消费周期看的是”时间到没到”，行为信号看的是”客户最近动没动”。复购前往往有前兆：

• 重新登录、回访官网或小程序
• 反复浏览某个产品页
• 加购但未下单
• 主动咨询客服、询问价格或库存
• 打开了某封触达邮件/消息

这些动作是意向的外显。捕捉到信号，就在客户”正在考虑”的窗口期及时跟进，转化率远高于盲目群发。

思路三：分层打分法（RFM）

当客户量大、行为多样时，需要给客户分群打分，识别出高复购概率人群。最经典的方法是 RFM：

• R（Recency 最近一次消费）：越近，越可能再买
• F（Frequency 消费频率）：买得越频繁，黏性越高
• M（Monetary 消费金额）：贡献越大，越值得重点经营

把三个维度各分高低，组合出不同客户群（如”高频高额近期”是核心复购人群，“曾经高频但很久没买”是流失预警人群）。RFM 的详细计算和分群方法可参考RFM 模型是什么。

三条思路的对比：

思路	看什么	落地门槛	适合阶段
消费周期	时间间隔	低（有交易记录即可）	起步阶段
行为信号	即时动作	中（需采集行为数据）	有数据采集能力
RFM 分层	综合标签	中（需结构化数据）	客户量较大
预测模型	多因素加权	高（需建模能力）	数据成熟、规模化

复购预测怎么落地

不要追求一步到位，建议按阶段推进。

第一阶段：先用周期，跑通闭环

从交易数据算出复购周期，设置临期提醒，先把”该提醒的客户在合适时间被提醒”这件事跑起来。哪怕规则很简单，也比没有预判强得多。

第二阶段：叠加行为信号

接入行为数据后，给临期提醒加上信号修正：临期且最近有回访动作的客户，优先级最高、触达最积极；临期但毫无动静的客户，可能需要不同的唤醒策略。

第三阶段：用 RFM 分群分策略

对客户做 RFM 分层，针对不同人群设计不同的复购动作：核心人群做增购和会员升级，沉睡人群做唤醒召回，新客做习惯培养。

第四阶段：建预测模型（可选）

当数据量足够、规律复杂到规则难以覆盖时，可以引入打分模型，把多个因素（周期、信号、RFM、客户属性）加权，输出每个客户的复购概率分。但这一步不是必需的，很多团队在前三阶段就已经拿到大部分收益。更系统的私域场景预测方法，可参考私域复购预测。

落地中要守住一个原则：先有干净的数据，再谈预测。 口径不统一、记录不准确的数据，会让再精巧的模型都失真。

预测之后：怎么触达

预测的价值，最终要靠触达兑现。预判出”谁可能复购”之后，触达要讲究分层和时机。

按概率分层触达：

• 高概率人群：轻提醒即可，避免过度营销引起反感（他们本来就要买，别把利润让出去）
• 中概率人群：给一个促成动作，如限时权益、搭配推荐、使用回顾
• 低概率/沉睡人群：先做价值唤醒，重新建立联系，而不是直接发优惠

触达时机的判断信号：

• 临近预测的复购周期
• 出现回访、浏览、加购等行为信号
• 上一次消费的产品进入需要补充/更新的阶段

触达内容的原则：

不是单纯发优惠券，而是结合客户上次买了什么、用得怎么样，给出有相关性的推荐。让客户感觉”你懂我的需求”，而不是”又在群发广告”。

一个真实的落地例子

给你还原一个耗材类客户的场景，看规律是怎么一步步用起来的。这家团队卖的是打印机墨盒，早期就是节假日群发满减，转化率常年在 2% 上下打转。

第一步他们只做了周期法：拉出近一年订单，按机型分组算个人复购周期，发现主力机型集中在 38-52 天。于是把提醒窗口设在第 32 天，一条不含优惠、只说”你上次的墨盒大约该见底了”的短提醒。就这一下，被提醒客户的当月复购率从 2% 提到了 6% 左右——注意，这里一分钱优惠都没发。

第二步他们叠了行为信号：给临期客户里”最近 7 天回访过官网商品页”的那批人打上高优先级，客服当天人工跟一句。这批人的转化明显更高，因为他们本来就在犹豫，你只是推了一把。而临期却毫无动静的客户，他们改成先发一条使用小贴士（怎么让墨盒不干涸），过两天再提醒，避免一上来就像催单。

第三步做了 RFM 分层后，他们发现”曾经高频、近 60 天没动”的那群人最值得抢救，专门设计了唤醒动作，把其中约三成拉了回来。整个过程没上任何复杂模型，靠的全是”把已有规律用对地方”。你会发现，收益最大的往往是第一、第二步，模型是锦上添花。

落地前先自查这几项

动手之前，用这份清单过一遍，能帮你避开大半返工：

• 交易数据的时间戳、客户 ID、金额口径是否统一？ 同一个客户在不同渠道被记成两个 ID，周期就会算错，这是最常见的脏数据来源。
• 提醒有没有做频控？ 同一个客户被周期提醒和行为信号提醒同时命中时，要合并成一条，别让系统一天给人发三遍。
• 有没有留一个”不打扰”名单？ 明确说过不想被推的、刚投诉过的客户，无论预测多高都先排除，信任比一单更贵。
• 每轮触达后有没有回写结果？ 至少要记下”这批预测了谁、几天内谁真的买了”，否则模型和规则都失去了自我修正的依据。
• 有没有一个对照组？ 留一小撮临期客户不主动触达，过一个周期对比复购率，才能知道你的提醒到底带来了多少增量，而不是把本来就要买的人算成自己的功劳。

常见误区

• 只看周期不看信号：客户行为已经变了，还机械地按老周期提醒，要么打扰、要么错过。
• 预测完不闭环：触达后不回看命中情况，模型永远不会进步。每轮都应记录”预测了谁、实际谁买了”，反过来校准。
• 过度依赖优惠：用降价催复购，短期有效，长期会把客户养成”不打折不买”，侵蚀利润和价值感。

小结

复购预测不是要你逐个客户猜对，而是用已有的行为规律，把有限的触达资源投到最可能复购的人身上，提升整体效率。它的实现路径很务实：先用消费周期跑通闭环，再叠加行为信号，进而用 RFM 分群分策略，规模化后再考虑建模。

记住两个关键：数据要干净，预测要闭环。每一轮触达的实际结果，都是下一轮预测的校准依据，准确度会随时间稳步提升。

如果你希望把复购周期、行为信号和分层触达整合成自动化的流程，让系统帮你预判谁该被提醒、什么时候提醒，欢迎访问 /product/ 加入企客连连内测候补名单，提前体验复购预测与触达提醒能力。