2026 帆软智数先锋 AI 创新大赛
破解“增收不增质”
某美妆电商复购下滑的渠道归因与用户分层经营实践
数据可视化分析赛道 · FineBI Next
|
940.64万
|
29.17%
|
41.92%
|
70.83%
|
|
2025 GMV
|
年度复购率
|
老客留存率
|
一次性用户占比
|
|
一句话项目定义
本项目不是“复购率看板”，而是一套围绕增长质量建立的用户资产经营诊断机制：先识别GMV增长与复购下降的背离，再沿渠道、画像、RFM和生命周期逐层归因，最终把结论转化为可执行的经营对象与策略。
|
项目数据范围：2023-06—2025-12｜订单 46,232 条｜用户 26,936 名
阅读导航与项目摘要
|
项目核心矛盾
2025年GMV达到940.64万元，同比增长96.1%；但年度复购率由2024年的38.65%下降至29.17%，下降9.48个百分点。规模增长与用户留存质量出现明显背离。
|
|
01
|
企业背景与业务目标
|
为什么现在必须从“销售增长”升级到“用户资产经营”
|
|
02
|
业务痛点
|
增长很快，为什么用户反而越来越留不住
|
|
03
|
核心方案
|
指标 → 异常 → 归因 → 分层 → 预警 → 行动
|
|
04
|
价值量化
|
事实价值、机会价值与验证口径分开呈现
|
|
05
|
长效机制
|
让一次分析变成经营会、渠道分级和生命周期SOP
|
|
附录
|
口径与数据质量
|
所有关键指标可追溯、可复算、可验证
|
对于电商业务而言，“卖得更多”并不天然意味着“经营得更好”。2025年业务GMV接近翻倍，但复购率同步下滑、一次性用户占比升至70.83%，新增用户贡献全年约75%的GMV。增长越来越依赖持续拉新，一旦流量成本上升，经营韧性将明显承压。
项目因此把分析目标从“展示销售结果”改为“诊断增长质量”。基于订单明细与用户主数据，通过FineBI Next建立统一指标口径，并用渠道复购率、人均贡献、用户画像、RFM分层、生命周期预警等方法，把一个宏观的“复购率下降”问题逐步缩小为四类可执行对象：9,530名低质渠道用户、2,374名核心用户、3,561名高价值沉睡用户和2,800名个护一次性用户。
项目的最终输出不是一张大屏，而是一条“Insight → Action → Result”的经营闭环：每一项数据结论对应一项经营动作，每一项经营动作对应后续验证指标。
一、企业背景与业务目标
1. 企业背景和业务目标：从流量增长进入存量深耕
本案例面向典型的多渠道美妆个护电商业务，经营渠道覆盖天猫旗舰店、京东自营、抖音小店、拼多多和小程序私域，商品覆盖护肤、彩妆、个护三大品类。随着平台电商、内容电商与私域并行发展，企业的经营重心正在从“获取更多订单”转向“提高每一位用户的长期价值”。
在这一阶段，GMV仍然重要，但已不足以单独判断增长质量。企业真正需要回答的是：新增用户能不能留下来、已有用户能不能继续买、有限的运营资源应该优先投向谁。项目据此把“年度复购率”设为增长质量的北极星指标，并与GMV、一次性用户占比、老客留存率共同形成经营健康度指标组。
|
量化目标
在保持规模增长的同时，第一阶段重点推动一次性用户占比由70.83%向2024年的61.35%基准回归；保护核心用户，使其GMV贡献占比由27.7%向35%提升；高价值沉睡用户目标召回率15%；个护一次性用户二购率目标提升30%。
|
2. 业务现状与差距：传统报表能回答“卖了多少”，却回答不了“增长健康吗”
2025年GMV达到940.64万元，较2024年的479.79万元同比增长96.1%。如果只看销售规模，这是一张非常漂亮的成绩单。但同一时期年度复购率从38.65%下降到29.17%，一次性用户占比从61.35%上升到70.83%；2024年8,826名购买用户中，仅3,700人在2025年继续购买，老客留存率仅41.92%。
更值得关注的是增长来源。2025年新客贡献GMV约705.94万元，占全年GMV约75.0%；老客贡献约234.70万元，占25.0%。这说明当前增长更多来自持续获取新用户，而非用户持续复购。传统以GMV、订单量为主的经营报表，会让这种结构性风险被规模增长暂时掩盖。
图1 最终BI看板顶部：GMV增长与复购率下降被放在同一经营视角中
3. 工具定位与价值：FineBI Next作为“业务目标—分析证据—执行动作”的桥梁
本项目对FineBI Next的定位不是“把Excel搬到线上”，而是建立统一口径、固化分析路径，并把结论落到具体用户清单。管理层看到的不是更多图表，而是一条预设的诊断路径：先发现增长质量异常，再定位主要拖累渠道，继续下钻到用户画像和价值分层，最终形成可执行策略。
图2 用户资产经营指标体系：规模结果与增长质量并重
二、业务痛点
1. 业务场景还原：经营会上“GMV很好”，为什么大家却越来越焦虑
如果只看传统经营报表，2025年的业务几乎没有明显问题：GMV接近翻倍，月度规模也持续走高。但当管理层追问“这些新用户明年还会不会买”时，答案并不清晰。复购下降究竟来自某个渠道、某类产品、年轻用户，还是老客加速流失？如果依赖人工导表、跨表筛选和经验判断，经营复盘很容易停留在“现象描述”，无法进入根因与行动。
|
业务主管最典型的焦虑
“我能看到销售额，但看不到这批增长到底值不值钱；我知道复购下降了，却不知道先管哪个渠道、哪一群人。”
|
2. 三类管理断点：看不见、看不准、管不住
看不见增长质量：GMV上涨并不能区分收入来自持续复购还是一次性购买。2025年GMV同比+96.1%，复购率却下降9.48个百分点。
看不准问题来源：五大渠道复购率均下降，但下降背后的用户规模、人均贡献和一次性用户结构差异巨大，单看GMV容易误判渠道质量。
管不住优先级：2025年购买用户20,808名，其中一次性用户14,739名。若全部发券召回，不仅成本高，还会把资源浪费在低价值对象上。
3. 痛点量化：问题不是“麻烦”，而是增长结构正在变脆
|
风险
|
数据证据
|
影响
|
需要回答的问题
|
|
一次性用户上升
|
61.35% → 70.83%（+9.48pp）
|
用户资产沉淀变弱
|
如何恢复二购与留存？
|
|
低质渠道扩张
|
抖音+拼多多9,530人，占大盘45.8%
|
新增规模扩大但复购偏低
|
哪些渠道该止血？
|
|
老客留存不足
|
2024老客仅3,700人延续购买，留存41.92%
|
增长更依赖新客
|
哪些老客应优先挽回？
|
|
资源平均用力
|
核心用户仅2,374人却贡献27.7% GMV
|
高价值用户未被差异化经营
|
谁最值得重点保护？
|
图3 Before & After：从“看报表”转向“按优先级经营用户”
三、核心方案
|
方案主线
指标体系 → 异常识别 → 渠道归因 → 用户画像 → RFM分层 → 生命周期预警 → 经营动作。每一步都回答一个更具体的问题，并让分析对象越来越小、行动越来越明确。
|
图4 六步经营证据链
1. 数据底座：两张表建立统一用户视角
项目原始数据由订单明细表和用户信息表构成。订单明细共46,232条，覆盖2023年6月至2025年12月，包含订单、日期、渠道、品类、商品、金额、订单序号等字段；用户信息表包含26,936名用户，记录注册渠道、区域、城市、性别、年龄段和主偏好品类。两表通过用户ID形成稳定的一对多关系。
数据质量核验显示：26,936名订单用户与用户主数据100%匹配；订单及用户关键字段无缺失；订单金额与“数量×单价”100%一致；订单序号连续性无异常。由此保证后续复购、RFM和生命周期分析均可追溯、可复算。
图5 数据模型与质量核验
2. 指标体系：先定义什么叫“高质量增长”
|
指标
|
统一口径
|
经营意义
|
|
GMV
|
Σ订单金额
|
衡量经营规模
|
|
年度复购率
|
当年购买次数≥2用户数 ÷ 当年购买用户数
|
衡量用户二购与持续购买能力
|
|
一次性用户占比
|
当年仅购买1次用户数 ÷ 当年购买用户数
|
反向刻画增长质量
|
|
老客留存率
|
2024购买且2025继续购买用户 ÷ 2024购买用户
|
衡量跨年留存
|
|
人均贡献
|
渠道GMV ÷ 渠道购买用户数
|
区分“量大”与“价值高”
|
|
RFM/生命周期
|
最近消费R、频次F、金额M + 最近购买间隔
|
判断“值不值得管、现在该不该管”
|
3. 异常识别：第一次把“GMV增长”与“复购下降”定义成一个问题
看板首先将2024—2025年的GMV与复购表现放在同一视角。2024年GMV为479.79万元，2025年为940.64万元；但年度复购率由38.65%降至29.17%。同时，新客贡献2025年GMV约705.94万元，老客仅约234.70万元。由此把原本“业务增长近一倍”的结论重新定义为“规模高速增长，但用户资产质量下降，增长过度依赖新客”。
4. 渠道归因：用“复购率 × 人均贡献”识别低质量流量
五大渠道2025年复购率全面下降，但差异显著：小程序私域46.59%、天猫38.64%、京东35.26%、抖音21.11%、拼多多12.99%。进一步叠加人均贡献后，小程序私域同时具备高复购与高价值；天猫、京东构成相对稳定的基本盘；抖音、拼多多则落入低复购、低人均贡献区。
抖音与拼多多合计覆盖9,530名用户，占2025年购买用户45.8%；其中7,884人为一次性用户，占全部一次性用户53.5%。至此，复购下降不再是一个模糊的“大盘问题”，而被锁定为“低复购渠道用户扩张”这一结构性原因。
图6 渠道归因：复购率、人均贡献与一次性用户来源形成交叉证据
5. 用户画像：从“哪个渠道不好”继续下钻到“什么人更容易买完就走”
将2025年一次性用户与忠实用户画像对比后发现，一次性用户更集中于年轻客群，且注册来源显著偏向抖音与拼多多。品类层面，一次性用户中偏好个护的用户达到2,800人，占全部一次性用户19.0%，高于忠实用户中的个护占比。
这一步把渠道问题进一步转化为具体运营假设：对内容/低价渠道的泛流量，应提高人群定向质量；对个护用户，则应结合产品消耗周期与跨品类组合设计二购触发，而不是沿用护肤品类相同的触达节奏。
6. RFM分层：把“20,808名用户”变成有优先级的用户资产
项目引入RFM，从最近购买时间、购买频次和累计消费金额三个维度识别用户价值。看板不再把所有购买过的人都视为同一类“会员”，而是将其划分为重要价值、重要保持、重要发展、重要挽回及一般用户等层级。
结果显示，“重要价值+重要保持”核心用户仅2,374人，占2025年购买用户约11.4%，却贡献27.7%的GMV。这意味着真正应该重点保护的用户并不多。FineBI进一步提供用户ID、R分层、购买次数、累计金额、主偏好品类和注册渠道明细，使结论可以直接转化为运营名单。
图7 RFM分层：从“所有会员”转为“不同价值、不同动作”的用户资产
7. 生命周期预警：把“用户流失”从结果指标变成过程指标
项目按照最近一次购买间隔设置生命周期：活跃≤60天、预警61—180天、沉睡181—365天、流失>365天。其意义不是多一个标签，而是把“何时行动”加入用户经营：高价值用户进入预警或沉睡阶段时，就应优先触达，而不是等到一年未购买后再高成本召回。
在RFM价值与生命周期交叉后，看板锁定3,561名高价值沉睡用户，其人均历史消费448.51元，成为最具确定性的召回对象之一。
8. 决策动作：最后一屏不是图表，而是四项策略
图8 四类优先经营对象及动作
策略一“止血”：针对抖音+拼多多9,530名低质渠道用户，减少低质量泛投，抖音聚焦25—35岁护肤人群，先扭转一次性用户占比持续上升。
策略二“保客”：针对2,374名核心用户，以专属折扣、新品试用、会员日等权益提升复购与贡献，不再采用全量会员平均发券。
策略三“激活”：针对3,561名高价值沉睡用户优先召回，结合90天未购提醒、满减券等低成本方式，目标召回率15%。
策略四“二购”：针对2,800名个护一次性用户，依据典型消耗周期进行补货提醒，并通过护肤+个护组合、跨品类推荐提升二次购买概率。
图9 最终BI看板底部：生命周期预警、渠道对标与行动策略形成闭环
制作过程（三步）：
首先：智能分析初步探索过程。
探索后，一键生成仪表板。
再进行精修一下仪表板~
精修的结果如上，到这里基本可以了，但是想换其他做法试试。
小伙伴登场~
先设置了用户记忆：
然后小伙伴开始智能对话第一轮~
然后切换其他AI工具，对导出的pdf进行检查是否有纰漏，此刻想法是用AI与AI间互相PK，拿到其他AI工具的提示词，从而提升自己的AI记忆，目的是使得以后制作能更快速，水平更高，分析更强大。
开始进行第二轮智能对话：
看起来操作了不少，其实都是AI生成的提示词复制即可，最后不仅生成了自己的分析风格，而且定制好了本行业的个人分析思路和检查办法，实现了快速分析的目的，实现了分析快，分析准，分析更有说服力。
生成精修第二版本如下：
感觉颜色搭配上还有一些细节不很满意，可以进行人工微调一下，最后微调后的成品版本如下：
整体耗时不到3小时，为以后搭建了基础，本项目记忆了本次搭建的过程，并形成了项目记忆如下：
不仅是自动分析，而且进行以及各种问题的自动检查，AI成功辅助了人不想做的部分，实现了效率的提升。
四、价值量化
|
价值量化原则
事实数据写成“已确认价值”；尚未完成闭环验证的策略写成“机会价值/目标值”。不把测算收益包装成已经实现的收益，是本项目保证可信度的重要原则。
|
1. 核心业务价值：发现近一倍增长背后的结构性风险
项目最关键的业务价值，是改变了企业对“增长”的判断方式。2025年GMV同比+96.1%，如果只看结果指标，下一步很可能继续加大低价与内容渠道投放；但复购率-9.48个百分点、一次性用户占比70.83%、新客贡献约75% GMV等证据共同表明，继续单纯拉新会进一步放大对流量的依赖。项目由此将经营重点从“扩大新增规模”调整为“新增质量、老客留存、核心用户保护”并重。
2. 机会价值：让每一项策略都有可计算的经营空间
|
经营对象
|
基线规模
|
目标
|
测算逻辑
|
机会值
|
|
一次性用户
|
14,739人 / 70.83%
|
向61.35%基准回归
|
20,808 × (70.83%-61.35%)
|
约1,973名用户结构改善空间
|
|
高价值沉睡
|
3,561人
|
召回率15%
|
3,561 × 15% × 448.51元
|
约534人；GMV机会约23.96万元
|
|
个护一次性
|
2,800人
|
二购率提升30%
|
2,800 × 30% × 180.72元
|
约840人；二购GMV机会约15.18万元
|
|
核心用户
|
贡献27.7% GMV
|
贡献占比35%
|
940.64万 × (35%-27.7%)
|
静态结构提升空间约68.67万元
|
以上机会值不进行简单加总，因为不同策略客群可能交叉，且核心用户贡献占比提升属于结构目标而非新增收入。后续应以策略独立人群、独立时间窗口和对照组进行验证，避免重复归因。
3. 管理效率价值：从“大海捞针”转向“名单式经营”
BI带来的效率提升，不只是报表刷新更快，而是显著缩短“到底该分析谁、先处理谁”的判断链路。20,808名年度购买用户被直接收敛为4类优先对象：低质渠道9,530人、核心用户2,374人、高价值沉睡3,561人、个护一次性2,800人。经营团队从全量筛选转向名单执行，分析结果可以直接承接到营销、会员和渠道动作。
4. 数字资产价值：把经验固化为指标、标签、模型和SOP
指标资产：统一GMV、年度复购率、一次性用户占比、老客留存率、人均贡献等核心口径。
标签资产：年龄、性别、偏好品类、注册渠道、RFM等级、生命周期等标签可持续复用。
模型资产：渠道四象限、RFM分层、生命周期预警从个人经验固化为稳定规则。
行动资产：形成“低质渠道止血—核心用户保护—沉睡召回—个护二购”的常态化策略模板。
五、长效机制与规模化复制
1. 管理制度化：经营会从“只看GMV”升级为“规模+质量”双复盘
建议将GMV、年度复购率、一次性用户占比、老客留存率和核心用户GMV贡献纳入月度经营会固定议程。任何增长都必须同时回答两个问题：“增长了多少”以及“增长得好不好”。这样可避免规模指标长期压过用户资产质量。
2. 流程自动化：每一类生命周期对应固定动作和责任人
|
生命周期
|
触发条件
|
建议动作
|
复验指标
|
|
活跃
|
≤60天
|
权益维系 / 新品推荐
|
复购频次、客单
|
|
预警
|
61—180天
|
轻提醒 / 个性化推荐
|
回访率、二购率
|
|
沉睡
|
181—365天
|
分层召回 / 券包测试
|
召回率、召回GMV
|
|
流失
|
>365天
|
低成本再营销 / 控制预算
|
激活成本、净收益
|
3. 闭环验证：用90天实验把“策略目标”变成“已实现价值”
由于当前数据能够证明诊断结论，但尚不包含策略执行后的完整结果，本项目不虚构上线收益，而是设计后续验证机制：第0天冻结基线；第30天观察触达率与二购先导指标；第60天比较策略组与对照组的复购率、召回率和人均贡献；第90天计算增量GMV与投入产出。只有通过对照或稳定趋势验证的结果，才进入“已实现价值”口径。
4. 经验模型化：从一个复购场景复制到更多经营问题
本项目沉淀的不是只适用于美妆电商的一组图表，而是一套可复用的分析范式：先用北极星指标识别“结果与质量”的背离，再通过结构维度归因，随后将对象分层、设置预警并绑定行动。该方法可横向复制到会员流失、品类渗透、渠道质量、客户价值和沉睡唤醒等场景。
|
最终形成的管理闭环
总部/管理层看异常 → 业务团队下钻归因 → 运营人员领取用户清单 → 执行动作 → 下一周期回到FineBI验证。看板不再是经营会议的终点，而成为下一轮行动的起点。
|
项目创新与可复制性
|
创新点
|
本项目做法
|
与普通看板的区别
|
|
矛盾驱动
|
从“GMV+96.1%、复购-9.48pp”切入
|
不是先画图，而是先定义经营矛盾
|
|
证据链驱动
|
总体→渠道→画像→RFM→生命周期
|
不是单页展示，而是连续归因
|
|
对象驱动
|
结论落到9,530 / 2,374 / 3,561 / 2,800人
|
不是“建议加强运营”，而是明确运营谁
|
|
验证驱动
|
事实与机会值分开，预设90天复验
|
不是一次性汇报，而是可持续闭环
|
结语
940.64万元GMV告诉我们业务在增长；29.17%的年度复购率告诉我们增长背后存在风险；9,530名低质渠道用户告诉我们问题主要来自哪里；2,374名核心用户告诉我们谁必须优先保护；3,561名高价值沉睡用户告诉我们哪里还有低成本增长机会；2,800名个护一次性用户则告诉我们，产品与用户之间仍存在可以被重新设计的二购关系。
