电商用户复购率提升与精准推荐策略项目

背景
公司处于从高速增长期向精细化运营期转型的关键阶段。市场部报告显示，新客获取成本（CAC）同比上涨40%，而整体用户复购率长期徘徊在20%左右，老用户贡献的GMV增长乏力。业务团队迫切需要一套数据驱动的策略，激活沉默用户，提升存量用户的忠诚度与消费频次，以优化营收结构。
目标  
1.诊断定位：深入分析用户复购行为，识别影响复购的核心因子（如品类、价格带、购买周期）；
2.策略制定：构建用户分层体系，并针对不同价值层级的用户，设计差异化的触达与激励策略；
3.效果验证：通过AB测试验证策略有效性，明确目标：在3个月的试点期内，将策略覆盖用户群的复购率相对提升8%。

过程
1.数据整合与清洗：
使用SQL从公司ODS层抽取近24个月的全量订单数据（超500万条）、用户商品浏览、加购、收藏日志，以及优惠券发放与核销记录。
剔除刷单订单（如收货地址集中、下单秒退）、修复用户ID断裂问题，并统一商品类目三级分类标准。
2.用户深度洞察与特征工程：
用户价值分层：应用 RFM模型（最近一次消费-Recency，消费频率-Frequency，消费金额-Monetary），使用K-Means聚类将用户划分为“高价值”、“潜力”、“一般”、“沉睡”等8个细分群体。
行为序列分析：计算每个用户的平均购买间隔、品类跨度和价格敏感度。发现“高价值用户”的购买间隔稳定在35天左右，且对同一品牌下的跨品类购买接受度高。
关联规则挖掘：使用 Apriori算法 分析订单商品组合。发现“高端瑜伽垫”与“运动筋膜枪”、“婴幼儿奶粉”与“品牌湿纸巾”存在强关联，支持度为0.15，置信度达0.65。
3.模型构建与策略设计：
个性化推荐：基于用户历史行为，构建 商品-用户协同过滤模型（使用Python surprise库）。为每位“潜力”与“一般”用户生成TOP-N的复购商品推荐列表。
策略设计：
对 “高价值用户”：推送“新品优先体验”权益和高端品类满减券，主打尊享感。
对 “潜力用户”（高频低额）：在预估购买间隔（如30天）临近时，推送其关联品类优惠券及推荐商品列表。
对 “沉睡用户”（超过90天未购）：触发“唤醒”流程，推送大额无门槛优惠券及爆款商品信息。
4.可视化与监控：
使用 PowerBI 搭建“用户健康度监控看板”，动态展示各分层用户的数量、复购率趋势、策略触达响应率等核心指标，便于业务部门实时监控。
成果：
1.业务效果：经过为期3个月的AB测试（实验组5万人，对照组5万人），实验组的用户复购率达到28.7%，相较于对照组的21.2%，实现了 7.5个百分点（相对提升35%） 的显著提升。
2.策略沉淀：输出《用户生命周期价值与复购提升白皮书》，系统性阐述了从洞察到执行的闭环方法论。推动产品团队在APP个人中心上线了“专属推荐”常驻模块。
3.效率提升：构建的自动化用户分层与策略配置系统，使运营人员从手动圈人变为策略配置，活动准备周期从3天缩短至半天。