Fancy电商数据系统能不能做复购预测分析？我们从产品设计说起

复购预测，是数据系统最容易被问到的功能

做电商的朋友来问我们最多的一句话是：Fancy这套系统，到底能不能做复购预测分析？

答案是可以。不过"可以"这两个字背后，有很多需要说清楚的东西。预测这件事，说得太满反而不值得信任。所以这篇我们不打算只回一句"能做"，而是把我们怎么做、怎么看、能给出什么，一条一条摊开讲。

先说清楚：复购预测预测的到底是什么

很多人第一反应是：给我一个名单，告诉我谁下个月会回来买。

这个想法本身没错，但真正落地的复购预测，输出通常不是一个"会/不会"的二元判断，而是三层信息：

• 这个人现在处在复购周期的哪个位置——是刚买完的活跃期、快到常规回购点的窗口期，还是已经沉默。
• 他下次回购的大致时间窗口——基于他自己的购买间隔分布，不是全店平均值。
• 值得为他投入多少——同样是被预测会复购的人，运营动作的成本差别很大。

Fancy电商数据系统的复购预测模块，走的就是这三层结构。我们不承诺"准确率百分之多少"这种数字，因为不同类目、不同客单价、不同购买周期的差别太大，任何跨行业统一的口径都没有参考价值。

预测靠什么算：四类数据，缺一不可

我们在设计这套逻辑的时候，把复购预测需要的数据分成四块。少任何一块，结果都会明显偏。

其中第四块最容易被忽略，但我们坚持保留。举个例子：一个用户买了三次、退款两次，交易流水看是高频，实际体验并不好。如果只看金额和频次，他会被归进重点召回名单，结果一封促销短信发过去，反而加速流失。

系统实际输出什么：从标签到可执行的动作

预测只有变成动作才有意义。在 Fancy 里，一次复购预测跑完之后，运营拿到的通常是这几样东西：

1. 回购窗口清单：按"预计回购日期"倒序排列，标注每个人距离常规回购点还有几天。
2. 价值分层：结合购买频次、客单价、近期活跃度做的分层，避免把所有人放进同一个触达池。
3. 商品关联建议：根据历史连带关系，提示下一单可能需要的品类，而不是推已经买过的东西。
4. 触达方式建议：对价格敏感型与对内容敏感型，给不同的沟通建议。

这里有一个设计上的取舍值得说。我们不做"自动替你做决定"的黑盒。系统给出的是清单和建议，最终发不发、发什么，仍然由运营自己判断。原因很简单：复购是品牌和用户的关系，模型看到的是数据，看不到这个品牌和这个用户之间发生过什么。

一个真实的使用场景

说个具体的人。

一位做家清类目的运营，每个月月初打开系统的复购窗口清单，筛出"预计回购日在本周"、且客单价在中间区间的用户，大概几百人。她不群发，而是按商品拆成两三组，配不同的替换装提醒。

她跟我们说过一句话，我们记了很久：以前是等用户想起我们，现在是我们在用户快用完的时候出现。这个差别，就是复购预测真正带来的东西。

怎么判断一套复购预测工具值不值得用

如果你正在选工具，可以拿这几条去对照，也包括对照我们自己：

• 口径是否透明：能不能说清楚每个标签是怎么算出来的。说不清的，不要信。
• 是否按商品周期建模：用全店平均回购天数套所有类目，结果一定失真。
• 能否导出可执行的清单：只给图表不给名单的系统，最后还是要人工二次加工。
• 是否留有人的判断空间：全自动触达看起来很省事，踩坑的时候也最贵。
• 数据是否留在自己手里：用户资产是品牌的核心，不该成为黑箱。

回到最初那个问题

Fancy电商数据系统可以做复购预测分析，做的是"看得懂、用得上、留得住人判断"的那种预测。它不会替你保证复购率提升多少，但能把"该找谁、什么时候找、说什么"这几件事，从凭感觉变成有依据。

如果你的品牌还在靠导出表格手工分层，或者每次大促前临时拼名单，欢迎来看看我们是怎么做的。用你自己的数据跑一次，心里就有数了。