回購率怎麼算才對？同一份會員資料，換一次分母就從 8% 變成 40%

五倍的落差來自分母，顧客一個都沒變

先看一組示意數字。某個零售品牌 2026 上半年的會員狀況如下：

1. 會員總數：50,000 人
2. 半年內曾經下單：10,000 人
3. 半年內買兩次以上：2,800 人
4. 半年內第一次購買的新客：6,000 人
5. 上述新客在半年內回頭買第二次：1,200 人
6. 半年內下單、而且以前就買過的舊客：4,000 人

同一份資料，四種常見算法：

1. 期間重複購買者比率：2,800 除以 10,000，得到 28%。
2. 舊客買家佔比：4,000 除以 10,000，得到 40%。
3. 全會員池舊客回流率：4,000 除以 50,000，得到 8%。
4. 固定追蹤窗的新客第二次購買率：1,200 除以 6,000，得到 20%。

這四個數字來自同一個資料庫，母體卻不相同：前兩項的母體是 10,000 位期間買家，接著是 50,000 位全體會員，最後是 6,000 位新客。它們是四個不同的指標，日常對話裡卻常被一律簡稱為回購率。以上是為了說明而設計的示意資料，不是產業基準。但它示範了一件事：8% 到 40%，五倍的落差，中間沒有任何一位顧客改變過行為，改變的只有分母。

當回購率只是月報上的一個欄位，這種落差算不上問題。但它現在的用途變了：決定明年會員經營要不要加預算、決定廣告要押新客還是舊客、決定要不要為了拉高它去發一輪折價券。一個會隨口徑浮動五倍的數字，正在被當成開關使用。

我們最常在會議室裡看到的那幾秒

我們最近幾次陪品牌行銷主管看數據，最常卡住的一句話是「我們回購率大概三成」。這句話沒有問題，問題出在下一個追問：這個三成，分母是誰。

會議室通常會安靜幾秒。不是因為對方不專業，恰恰相反，多數時候是因為報表是別人拉的、口徑是系統預設的，而沒有人真的打開過那個設定。那幾秒的安靜比任何一份報表都誠實，它說的是：這個數字我們每個月都在看，但我們沒有真的擁有它。

這個比值底下，藏著幾個沒被講出來的決定

回購率看起來是一個比值，底下卻是好幾個決定疊起來之後的產物。為了讓跨部門能快速對焦，本文把最常造成落差的三項先整理出來，它們不是完整清單，訂單有效狀態、身分歸戶規則、追蹤窗是否等長也都會改變結果。

這三項沒有標準答案，因為它們服務的問題不同。真正會出事的，是選擇沒有被寫下來的時候。沒寫下來，這個數字就不能跨月比較，不能跨品類比較，更不能拿去跟同業比。

每一種算法回答的是不同的問題

每一種算法都有它擅長的問題，也有它會誤導你的時刻。

期間重複購買者比率：量活躍度，不量關係

這個口徑最適合用來評估檔期密度與商品組合，因為它只看有互動的人。算法是期間內買兩次以上的人數，除以期間內有下單的人數，示意資料算出來是 28%，回答的是：在你看的這段時間裡，來買的人有多少比例不只買一次。

它誤導你的時刻是：期間拉長，數字自動變好看。拿三月的數字跟上半年的數字放在同一張趨勢圖上，這張圖沒有意義。這個口徑也看不見沉睡的人，那些人根本不在分母裡。

舊客買家佔比：量到的是新客獲取強弱

這個口徑衡量的是買家結構，最適合用來看新客獲取的強弱，拿它當回購率會把決策帶往反方向。算法是期間內買過東西的舊客人數，除以期間內所有買家，示意資料算出來是 40%，回答的是：這段時間的生意，有多少來自以前就認識我們的人。這是四種算法裡最常被誤稱為回購率的一種。

它的誤導性很強，而且方向反直覺。舊客佔比等於舊客買家除以總買家，所以在舊客回流人數不變的前提下，新客增加會把這個比例壓低，新客進不來則會把它推高。若新客與舊客同時成長，方向取決於兩者的增速，並不必然下降。有些品牌看到這個數字往上走，以為會員經營見效了，真正發生的是新客的水龍頭關小了。把它跟回購率混為一談，會讓團隊在最該補新客的時候，把力氣加在舊客溝通上。

全會員池舊客回流率：量資產使用率，也最容易被稀釋

這個口徑回答的是經營者最在意的問題：長年累積的這批名單，這段時間真的帶回多少人次。算法是期間內回頭消費的舊客，除以會員總數，示意資料算出來是 8%，量的是會員資料庫的實際產出。

它的問題在分母會不斷膨脹。品牌每辦一次註冊送、每接一個新通路，會員池就增厚一層，其中很大一部分沒有第二次消費的意圖。分母持續變大，分子沒有同步成長，數字就會年年下滑，看起來像會員經營在退步，真正在變的是名單結構。

處理方式要小心。收不到 EDM 的人照樣可以走進門市消費，把聯繫不到的人從分母裡拿掉，只會讓比率人為變好看。比較乾淨的做法是把兩個母體分開列：交易資格母體只依事先公告的規則排除已關閉帳號、重複身分與測試帳號；行銷可觸及母體另外計算，用來看名單的可觸及性與送達品質這件事本身，而不是拿去修剪交易指標的分母。

固定追蹤窗的新客第二次購買率：最適合比較不同批新客

這個口徑最適合比較不同時間進來的新客體質，前提是每一批人的觀察條件都一樣。算法是把同一時間進來的一批新客圈起來，看他們之中有多少人在首購後的固定天數內回頭買了第二次，示意資料算出來是 20%。

固定天數這件事不能省。若把「上半年首購的人」通通丟進同一個分母，一月首購者有半年可以回頭，六月首購者可能只有幾天，兩者卻被當成同一件事算。實務做法是統一用首購後 90 天這類固定追蹤窗，尚未滿窗的人先不計入。

同類群組（cohort）的做法是固定一批人，然後看時間怎麼作用在他們身上。它回答的是：我們今年獲得的顧客，體質跟去年比是變好還是變差。這種比較同樣有前提：納入條件、追蹤天數與新客來源都要固定。

它的代價是慢。你要等一個完整的追蹤窗走完，才知道這一批人的樣子。急著在月會上證明成效的團隊常撐不到那時候，於是又退回前三種無法比較的口徑。

連工具本身都不允許你跳過這些選擇。Google Analytics 的同類群組探索在畫出第一條曲線之前，至少要你先決定三件事：納入條件（使用者用什麼行為進入這個群組，可以是初次造訪、任一交易或任一轉換）、回訪條件（之後要做什麼才算留下來），以及同類群組粒度（依日、週或月分組，其中週的定義是週日到週六，不是滾動七天）。介面上還有其他選項可以調，光是這三個下拉選單，就已經能畫出三條完全不同的留存曲線。工具沒有替你決定口徑，它只是把決定權交還給你。

為什麼現在算錯的代價比以前高

零售業對這件事的容忍度正在下降。Deloitte Insights 在 2026 年 1 月發布的《2026 Retail Industry Global Outlook》提到，81% 受訪的零售業高階主管認為生成式 AI 會在 2027 年前削弱品牌忠誠度；同一份報告也指出，67% 的受訪主管預期一年內就會具備 AI 個人化能力，而消費者對品牌價值的認知有多達 40% 來自價格以外的因素。

把這三個數字放在一起看，指向同一個方向：當比價與推薦被 AI 中介，品牌要判讀自己跟顧客的關係會變得更難，第一方的交易與互動資料因此更重要。這並不表示第一方資料就夠用，它看不到顧客在別家通路買了什麼，市場、品牌與價格研究仍然要做。也要留意這三個數字反映的是零售業高階主管的預期，不是已經被觀察到的忠誠度下滑。在這種環境裡，用一個口徑浮動的數字去判斷會員經營該不該增加投入，風險比前幾年高得多。

口徑是選擇出來的，未來會不會回購才是推論

前面談的都是操作層。往下一層看，回購率的口徑問題有一個更根本的來源。

零售與電商屬於行銷學上所謂的非契約情境。顧客不會發一封信通知你他不買了，他只是安靜地不再出現。這跟電信、保險、訂閱制不同，後者有明確的退租動作可以觀察。

Wharton 的 Peter Fader 與倫敦商學院的 Bruce Hardie 在 2009 年發表於《Journal of Interactive Marketing》的〈Probability Models for Customer-Base Analysis〉把這條分界線講得很直白：非契約情境指的是顧客的「死亡」無法被觀察到的狀況，契約情境則是顧客的離開可以被觀察到。同一篇論文也指出，在非契約情境裡要判斷一位顧客是否還活著，實務上依靠的統計量就是最近一次購買時間與購買次數，也就是零售人熟悉的近期性與頻率。

這條分界線要小心讀。固定一段觀察窗、回頭數有多少人再買了一次，這是可以直接量測的歷史事實，不需要任何模型。無法直接觀察的是另外兩件事：這位顧客現在還算不算活著，以及他未來會不會再回來。前者是描述，後者是推論，日常討論裡常被壓縮成同一個數字。

所以回購率真正的浮動來源不在量測，在選擇。你選的觀察窗就是你對購買週期的假設，你選的分母就是你對誰還算數的假設。假設換了，數字就換了，而顧客一個都沒動。

理解這一點之後，很多爭執會消失。同事之間為了回購率該是 28% 還是 8% 吵一個下午，問題通常不在誰算錯，而在兩個人腦中預設了不同的假設，卻沒有人把它講出來。把假設攤開來寫成一行字，爭執就變成選擇。

連最常被引用的留客數字，也有出處問題

行銷簡報上流傳最廣的留客經濟學論述，是「留客率提高 5%，獲利可以增加 25% 到 95%」。追這句話的出處，會追出好幾層。

最外層是 2014 年 10 月 Amy Gallo 寫在《哈佛商業評論》的〈The Value of Keeping the Right Customers〉，25% 到 95% 這個範圍出現在這篇，引用的是 Bain & Company 的 Frederick Reichheld 的研究。同一篇文章開頭還有另一句被大量轉引的話：獲取一位新客的成本是留住一位舊客的 5 到 25 倍，而且原文在這句後面明白附了前提：取決於你相信哪一份研究、以及你身處哪個產業。流傳出去的版本通常把這句前提刪掉了。

再往裡一層，是 Reichheld 與 W. Earl Sasser 在 1990 年 9 至 10 月號《哈佛商業評論》發表的〈Zero Defections: Quality Comes to Services〉，一篇以服務業為對象的研究。兩者之間還隔著多年的後續整理與再詮釋，25% 到 95% 這個範圍並不等於 1990 年原文的結論。連「提高 5%」指的是相對變化還是 5 個百分點，多數轉述版本也沒有交代。

指出這件事無意否定留客的價值，那個價值不需要靠一個轉引數字來證明。這項歷史研究支持的是「降低流失有機會放大顧客終身價值」這個方向，它不能直接當成台灣零售品牌某一檔活動的獲利預測。重點在於，連被引用了三十年的基準，中間都隔了幾層轉述與範圍調整，那麼品牌自己每個月在看的那個回購率，更沒有理由不把口徑寫下來。

平均值撐不住的時候

還有一個經常被忽略的問題：一個總體比率蓋住了底下的分佈。

這裡要先分清楚兩件事。如果回購率的定義是「買過兩次以上的人佔多少」，那麼一位顧客買第二次或買第十五次，對這個比例的貢獻完全一樣，都只算一個人。重度顧客真正拉高的是平均購買次數、訂單數與營收集中度，回購者的比例不會因為他多買了十三次而往上走。

所以兩個指標要分開看。回購者佔比告訴你有多少人跨過第二次購買這道門檻；購買頻率與營收集中度告訴你，跨過門檻的人裡，是不是只有極少數在撐業績。用示意的比例來說，回購者佔比可以是三成，底下的結構卻是 5% 的人撐起三分之一的業績。這兩件事需要的行動完全不同：前者要處理第一次到第二次那段路徑，後者要處理那一小群重度顧客的保護與風險分散。

做法是把回購率拆開來看分佈：買過一次、兩次、三次以上的人各佔多少，再看每一段的金額貢獻。這種拆法跟把顧客依近期性、頻率與金額分群，讓每一群對應不同的溝通力道是同一套思路的兩種用法，一個用來看結構，一個用來派任務。

同樣的道理適用於它的反面。多久沒買才算沉睡，同樣是一個口徑選擇，而且跟品類的購買週期直接相關：保養品三個月沒回購可能已是警訊，家電三年沒買仍是正常節奏。把沉睡的定義綁在品類的實際購買週期上，而不是套一個統一的天數，喚回名單的品質才會有意義。

口徑要能統一，前提是同一個人只有一個身分

問題到這裡從「怎麼算」轉成「算不算得出來」。要把口徑鎖死並且長期維持，有兩件事必須先成立。

身分是其中一件。如果同一位顧客在官網、APP、LINE 與門市各自是一筆資料，那麼以真人為單位的回購指標就會失真，因為系統會把一個人算成四個人，把第二次購買算成兩個人的首購。重複身分會同時影響分子與分母，偏差可能偏高也可能偏低，方向取決於哪一邊被拆得比較嚴重。歸戶因此不只是報表的美化工程，它決定了分母裡的「人」有沒有對應到一位真的人。這也是為什麼會員資料能不能在跨通路的情況下對得起來，是所有會員指標的前置條件。

另一件是口徑要能落到行動上。一個只活在報表裡的回購率，改善不了任何事情。它需要被翻譯成每一位會員當下的狀態：剛進來的新客、正在活躍、開始拉長間隔，還是已經超過品類的購買週期。當狀態是逐人標記的，行銷團隊要溝通的就不再是「回購率三成」這種總體概念，而是「這一批剛跨過購買週期上緣的人，這週要收到什麼訊息」。

91APP CDMP 在做的事情，就是把這兩件事接起來。跨通路的消費紀錄先歸到同一個會員身分，再用生命週期模型把每一位會員放進一個可判讀的狀態，讓回購率從一個總表數字變成一組可以派工的名單。我們團隊在用生命週期分群與購買意圖模型描述會員當下狀態的實務裡，最常見的收穫並不是數字變好看，而是討論的層級變了：會議不再停在「這個月回購率掉了」，而是直接進到「哪一段的人流失得比較快、他們的共同特徵是什麼」。

這件事跟品牌用什麼系統無關。任何顧客數據平台只要能做到身分統一與狀態標記，效果都一樣。門檻在於品牌願不願意先把口徑寫下來，系統只會忠實執行你給它的定義。

先把分母寫下來，再回頭談這個數字高不高

以下四件事不需要新系統，也不需要等預算，這一季就可以開始。

1. 把回購率的定義寫成一頁文件並公告。內容包含觀察期長度、分母母體、回購事件的認定方式，以及退貨與換貨怎麼處理。預期效果是跨部門對帳的往返明顯減少，每個月花在確認數字口徑的時間會縮短。建議在下一次月報前完成，之後每季複審一次。
2. 同時保留長期體質指標與短期營運指標，並且成對呈現。長期用同類群組的第二次購買率追新客體質，短期用期間重複購買者比率跟營運節奏對齊。預期效果是趨勢與節奏都看得到，不會因為報告對象不同就只秀比較有利的那一個。建議兩個數字在所有報表裡一律同時出現，各自附上用途與定義。
3. 把回購率拆成分佈再看一次。列出購買一次、兩次、三次以上的人數與金額佔比，找出撐住營收的那一小群人。預期效果是分辨出「多數人不回來」與「營收過度集中」這兩種不同處境。建議每季做一次。
4. 為每個主力品類訂出自己的購買週期，並用它來定義沉睡。預期效果是喚回名單從一份長清單，變成幾份時機正確的短名單。建議先從營收前三大品類做起。

這四件事的共同點，是它們處理的都是數字背後那些沒有被寫下來的假設。假設一旦公開，數字才開始有資格被討論。

會議室裡那幾秒安靜，其實是好消息

回到開頭那個畫面。當我們問「三成的分母是誰」而現場安靜下來，那幾秒鐘不是尷尬，是一個團隊第一次意識到自己一直在用一個沒有主人的數字做決定。意識到了，就有機會把它拿回來。

回購率不會因為口徑寫清楚就自動變高。它只是從一個會隨設定漂移的比值，變成一個能承載判斷的依據。台灣品牌在會員資料的累積上不吃虧，門市與線上的紀錄年年在長，缺的往往只是一次把定義攤在桌上的會議。那次會議換來的，是接下來每一個月都不必再吵同一件事。

品牌最常問的回購率問題

Q1：回購率到底怎麼算才是標準做法？

A1：沒有單一標準做法，但有標準紀律。回購率至少由三個選擇決定：觀察期多長、分母放誰、什麼行為才算又買了一次。三個選擇沒有唯一正確答案，取決於你要回答什麼問題。真正的要求是把選擇寫下來並固定，讓數字可以跨期比較。同一個品牌內部同時存在兩三種口徑是正常的，前提是每一種都標明用途，不互相冒充。

Q2：回購率跟留存率、回流率有什麼不同？

A2：三者常被混用，實際指向不同的事。回購率通常在問「有沒有再買一次」，是交易行為。留存率在問「這個人還在不在」，範圍比較廣，有時把瀏覽、開信這類互動也算進去。回流率在不同系統裡的定義並不一致，可能指回站、回訪或重新消費；本文把它定義為原本已被判定為沉睡的人重新產生消費，分母限定在沉睡名單，實際使用時應以報表欄位的說明為準。因為分母不同，三個數字不能互相換算，也不該放在同一張趨勢圖上比較。

Q3：品牌規模不大、會員數只有幾千人，也需要這麼講究嗎？

A3：規模小反而更需要，因為分母小的時候，口徑差一點對數字的影響更劇烈。幾千人的名單裡，幾十位重度顧客就足以讓平均值失真。小品牌可以從最省力的版本開始：先固定一個觀察期、把分母限定在具交易資格的會員，並且把購買一次與多次的人數分開列出來。這三件事用試算表就能完成，不需要導入任何系統。

Q4：把口徑整理好之後，多久才看得出成效？

A4：要區分兩種成效。決策品質的改善幾乎是立即的，定義公告之後，跨部門對數字的往返當月就會減少。顧客行為本身的改變則慢得多，同類群組的第二次購買率要等追蹤窗走完才會有可判讀的趨勢，而追蹤窗該設多長取決於品類的購買週期。用短於購買週期的期間去驗證長週期的指標，只會得到雜訊。

Q5：需要什麼工具才做得起來？

A5：計算本身不需要特殊工具，試算表就能完成前面提到的四種算法。真正的門檻在資料，也就是同一位顧客在不同接觸點的紀錄能不能歸到同一個身分底下。如果線上與門市的資料還是分開的，以真人為單位的指標就會失真，偏差可能偏高也可能偏低。品牌通常是在名單規模與通路數量成長到某個程度之後，才需要顧客數據平台這類系統來維持身分統一與狀態標記，而不是一開始就得先買系統。

Q6：回購率高就代表會員經營健康嗎？

A6：不必然，而且要先看它怎麼定義。如果回購率指的是「買過兩次以上的人佔多少」，那麼少數重度顧客並不會把這個比例撐高，一個人再頻繁也只算一個人；他們撐高的是平均購買次數與營收集中度。判斷健康與否要把兩件事一起看：有多少人跨過第二次購買這道門檻，以及營收是不是高度集中在極少數人身上。後者的風險在於那一小群人一旦流失，衝擊會遠大於總體數字看起來的樣子。另一個常見誤解是用折價券把回購率拉高，這種做法拉高的往往是對價格敏感的重複購買，未必轉化成長期關係。

延伸閱讀

1. 會員生命週期怎麼設計自動化溝通旅程
2. 用資料預測會員流失，模型該看哪些訊號
3. 會員再行銷與回購溝通的實務做法

想把回購率的口徑落到可執行的會員分群與溝通節奏，歡迎與 91APP 團隊聊聊你目前的資料現況。