在上次客户复购率矩阵的基础上，在往前一步走，就可以变成流失率分析。对于某个月份的100名获客样本而言，复购率60%就意味着有40%的群体短暂流失或者沉睡了，当然，这个流失/沉睡是相对于单月而言，也可能间隔两个月再次消费。这就是为什么老客户在前期复购率低，而在后期复购率反而提高——有效的会员政策和营销策略的目的，即在于激活会员的有效复购，让沉睡的会员苏醒重新加入活跃群体。
来自客户的几个问题，如下：
1、how many customers have bought less 3 months, 3~6 Ms, 6~9 Ms, 9~12Ms, and more than 12 Ms in the past year? (典型的分布分析，分布区间为客户生命周期Longitude区间)
2、 top 30% performance customers and bottom 30% performance customers,
3、scatter plot to analyze customers performance by region , department or province
1、先看第一个问题，不同客户生命周期区间的分布。
视图中是对客户的技术，而生命周期来自客户层次的计算，因此这里使用fixed lod在客户层次计算每个客户的生命周期，生命周期又依赖于每个客户的首次订单日期和最后一次订单日期。
L生命周期 = { fixed 客户名称: datediff(‘month’, 首次订单日期, 最后一次订单日期 ） }
再结合if字段把连续的L生命周期，改为分析需要的 生命周期区间，less 3 months, 3~6 Ms, 6~9 Ms, 9~12Ms, and more than 12 Ms。
a、如果是看2020年的客户情况，首先可以针对每个月的样本做不同的客户数量或者转化率。为什么，因为10月份的新客户都在“小于3个月”的阶段，不是这些客户不努力，而是时间未到，越近的时间范围，就越缺少准确性和样本意义。
如果把每个月份的客户分开计算，就避免了相互干扰。
这里的生命周期区间，类似于此前的“第1个月、第2个月、第N个月的复购”的公共基准。我们发现，老客户在一年以上的复购率非常高。
不过，有什么问题吗？
复购率明显与分析的样本有关，如果一次看三年的数据，超过12个月的客户就会很多，因此可以尝试增加分析样本。比如只看2019年的新客户——注意，这里应该以首次订单日期为筛选条件，而非订单日期。。
2019年的新客户的购买，可能发生在接下来的两年中，这样即便是2019年12月的新客户，也有可能成为“大于12个月”的生命周期区间。因此分析就比较客观。可见，小于3个月就流失的客户比例比较低，老客户的稳定性比较高。3到6，6到9的客户区间有时候竟然为0，也就是客户成长阶段在初期就决定了，中途下车的情况比较少。
……
未完待续
喜乐君 