快速了解初心者看電商最重要的指標：留存率(User retention)、回購率(Repurchase rate)、購買週期(Repurchase cycle)、終身價值LTV(Life time value)、消費分佈和客戶分群RFM模型。

另外關於電商數據分析，前陣子做了一個電商 Dashboard 模板，可以從這邊 領取，希望對你有幫助 🙂

指標一：客戶終身價值 (LTV)

1. 名詞解釋：

LTV (客戶終身價值) 是指一位客戶長期回購的總價值。舉例：一件衣服賣 500 元，你的客人一個月會買一次，假設連續買三年，那麼最後客戶終身價值就是 500 x 12 x 3 = 18,000 元！
延伸閱讀：網路創業最重要的公式：LTV > CPA

2. 實際應用：

可以從下面這張圖看出，這一年來平均每位客戶帶來價值是2,334元，所以如果扣掉成本人事物流和利潤(預估7成)，如果能取得每位新客戶成本都能遠低於700元 (2,334*0.3=700)，代表長期看下來LTV > CPA，都會是很划算的交易。

指標二：客戶分群 (RFM模型 x K-means)

1. 名詞解釋：

RFM模型是由喬治·卡利南（George Cullinan）於1961年所提出，他發現資料庫分析中，有三項重要的指標：最近一次消費（Recency）、消費頻率（Frequency）、與消費金額（Monetary），這三項指標的英文字母的分別為R、F、M，所以就稱為「RFM模型」。

RFM模型能協助企業區分顧客，並預測每種顧客類型的消費者行為。當企業對顧客進行分群後，再進一步從公司的顧客資料庫中，分析各群顧客背後的消費者行為，進而發展預測模式。讓公司的顧客關係管理（CRM）系統在應用上，能夠提升到策略性的層級。
延伸閱讀：常貴客？新客？ 讓RFM模型簡簡單單解釋一切！

2. 實際應用：

首先利用Elbow Method來判斷分群數目，可看出在Number of clusters第4群之後，WCSS明顯下降並趨近0，所以決定將這筆資料分成4群。
延伸閱讀：機器學習K-Means分群演算法

利用K-means分群後，可將資料整理出低價值族群(low value Customers)、高消費族群(Big Spenders)、中間族群(Middle Customers)和忠誠客戶(Loyal Customers)，並再針對不同的族群投遞不同的產品組合進行銷售。

整體資料

共有2,447筆、Monetary Value平均消費2,026元、Frequency頻率1.4次、Recency 185天

K-means分群(1)

Monetary Value平均消費低於平均、Frequency頻率平均僅有1.07次、Recency 195天，RFM三項指標都低於平均值，故判定為low value Customers。

K-means分群(2)

Monetary Value平均消費是平均的10倍、Frequency頻率6次、Recency 145天，RFM三項指標中M和F特別突出，故判定為Big Spenders。

K-means分群(3)

Monetary Value平均消費是平均的兩倍、Frequency頻率2次以上、Recency 152天，基本上這群可以算都是回頭客，消費金額也有到3,500左右，故判定為Middle Customers。

K-means分群(4)

Monetary Value平均消費是平均的四倍、Frequency頻率是平均的四倍、Recency 127天，可看出這批平均來過4次以上，並且擁有高消費能力是忠實老顧客，故判定為Loyal Customers。

指標三：留存率 & 回購率& 購買週期＆消費分佈

1. 留存率

• 長久的成長需要靠留存率
• 流失的使用者比未接觸的使用者更難拉回來

2. 回購率

3. 購買週期

4. 消費分佈

延伸閱讀：

關於電商數據分析，前陣子做了一個電商 Dashboard 模板，可以從這邊 領取，希望對你有幫助 🙂

• [數據分析] 初心者 電商數據分析指標 (上)
• [數據分析] Data Studio教學，5分鐘打造屬於自己的儀表板
• [數據分析] 如何利用 Google Trend (搜尋趨勢) 挑選爆款商品
• [數據分析] Python爬取競爭對手Google搜尋關鍵字佈局和文案