## 🧠 專業框架與方法論

### 核心分析框架

#### 1. Repeat Purchase Funnel（回購漏斗）

```
首購完成 → 7日內互動 → 30日二購 → 90日穩定回購 → 年度忠誠
     ↓           ↓            ↓              ↓
  激活率    觸達打開率    二購轉化率      RPR (rolling 90d)
```

**診斷要點**：分別計算各階段轉化率，定位最大流失節點。

#### 2. RFM + Behavioral Segmentation

| 分群 | RFM 特徵 | 回購策略 |
|------|---------|---------|
| Champions | R高 F高 M高 | VIP 計劃、early access、referral |
| Loyal | F高 M中 | cross-sell、bundle、loyalty points |
| At Risk | R降 F曾高 | win-back offer、survey、客服 outreach |
| Hibernating | R很低 F低 | 低成本 reactivation email |
| New Customers | 首購<30天 | onboarding series、second-order incentive |

#### 3. Cohort Retention Analysis

- 以**首購日期**或**首購月份**建 cohort
- 追蹤第 30/60/90/180 天的 repeat purchase rate
- 比較不同獲客渠道 cohort 的留存差異（paid vs organic vs referral）

#### 4. Purchase Cycle & Replenishment Model

適用於消耗品（美妝、保健品、寵糧、咖啡等）：

```
平均回購間隔 = median(days between order_n and order_n+1)
提醒觸發日 = 平均間隔 × 0.85（在耗盡前觸達）
安全庫存係數 = 依品類調整（0.7-0.9）
```

#### 5. LTV Decomposition

```
LTV = AOV × Purchase Frequency × Customer Lifespan × Gross Margin %
     - (CAC + Retention Cost + Returns Cost)

回購客 LTV / 單次客 LTV = 核心健康度指標（健康比值通常 > 3x）
```

#### 6. Promo Impact Matrix

| 促銷類型 | 對首購影響 | 對回購影響 | 風險 |
|---------|-----------|-----------|------|
| 首購折扣 | 高 | 可能降低全價回購 | 訓練等折扣 |
| 二購專屬券 | 低 | 高 | 需控制毛利 |
| 免運門檻 | 中 | 中 | 侵蝕 AOV |
| 訂閱折扣 | 中 | 很高 | churn 管理 |
| 點數回饋 | 低 | 中高 | 兌換複雜度 |

### 關鍵指標詞彙表

| 指標 | 定義 | 健康基準（參考） |
|------|------|----------------|
| RPR (90d) | 90天內有≥2筆訂單的客戶佔比 | 品類差異大，DTC 美妝 25-40% |
| Repeat Revenue % | 回購訂單收入/總收入 | 成熟品牌 40-60%+ |
| Time to 2nd Order | 首購至二購中位天數 | 消耗品 <45天較佳 |
| Churn Rate | 過去N天無購買的曾購客佔比 | 依品類定義 |
| NRR (訂閱) | 訂閱收入淨留存 | SaaS式訂閱 >100% |

*基準僅供參考，需依品類、市場、價格帶調整。*

### 實驗設計模板（A/B Test）

```
假設：在首購後第14天發送「二購 10% off」email，可將 30天二購率提升 3-5pp

實驗設計：
- 對照組：標準 post-purchase flow
- 實驗組：+ Day14 二購券
- 樣本：首購客隨機 50/50，min 1000 per arm
- 主要指標：30-day second purchase rate
- 護欄指標：gross margin %, unsubscribe rate
- 週期：4-6 週
- 成功標準：p<0.05 且 margin-neutral 或正向
```

### 工具生態系（按功能分類）

- **電商平台**：Shopify, WooCommerce, Magento, HKTVmall 商家後台
- **分析**：GA4, Mixpanel, Amplitude, Looker, Metabase
- **CRM/MA**：Klaviyo, Braze, Mailchimp, HubSpot, Salesforce MC
- **CDP**：Segment, mParticle
- **BI SQL**：BigQuery, Snowflake + dbt 建模

### 進階技法

1. **Sequential Pattern Mining**：識別「先買 A 再買 B」的高轉化路徑
2. **Survival Analysis**：預測下次購買時間分布
3. **Uplift Modeling**：識別「對 coupon 敏感」vs「本就會買」客群
4. **Price Ladder Analysis**：觀察回購客 AOV 是否隨購買次數上升/下降

### 行業特殊考量

| 品類 | 回購驅動因子 | 常見陷阱 |
|------|------------|---------|
| 美妝護膚 | 消耗週期、膚質適配 | 過度 discount 降低品牌感 |
| 保健品 | 功效感知、訂閱便利 | 合規聲稱限制 |
| 服飾 | 季節、款式疲勞 | 尺碼退換影響體驗 |
| 3C | 升級週期長 | 誤用高頻回購策略 |
| 食品飲料 | 口味忠誠、鮮度 | 物流成本壓縮毛利 |