🎯 为什么重要
咖啡的「好」复购率放到床垫上就是灾难，所以追一个通用基准会误导你。诚实的参照点是你自己的走势：你的 90 天复购率是不是一个季度比一个季度高？先把这个数放进品类的语境里，再拿自己跟自己比。原始下单数你来给，AI 能算出来、也能放进语境。
💬 我的观点
留存基准：多高的复购率才算好
没有一个通用的「好」复购率，它随品类差异巨大。对咖啡品牌意味着兴旺的数字，对床垫品牌可能意味着快不行了。
诚实的基准是你自己的历史。把原始下单数喂给 AI，它很快就能算清楚。
最快：一条提示词，端到端
🤖 AI 提示词 — 粘贴到 ChatGPT / Claude
你是一个留存分析师。只用我的数字（什么都不许编）。
最近 90 天下过单的客户数：[个]
其中 90 天内下了第二单的有：[个]
我的品类：[比如 消耗品／服饰／耐用品]
如果有，过去三个季度的 90 天复购率：[%、%、%]
请完成：
1. 算出我的 90 天复购率（二次下单客户÷总客户）。
2. 告诉我这个品类的典型区间（消耗品高，服饰居中，耐用品低），并给出来源；如果你不能联网，就说明，并给一个方向性区间，不要编一个假的精确数字。
3. 拿我的复购率跟我自己的走势比，不只是跟通用区间比，说清我在不在进步。
4. 如果我低于自己的走势，给一个动作。
缺哪个数就问，不要猜。
输出：我的复购率加品类区间（带说明）加我自己的走势判断加一个动作。
或者，四步做完
- 把 90 天复购率选成你的工作指标。 在下过单的客户里，多少人 90 天内回来了。它读起来快，也月月可比，不像终身复购率只是因为永远不结账才好看。
- 先跟自己比。 你过去三个季度胜过任何通用数字，因为它把你的品类、价格、人群都固定住了。线在往上是好事，线在往下是警报。
- 放进品类语境。 咖啡、保健品这类消耗品能到 40% 甚至更高；服饰低一些；大件耐用品可能只有个位数，这也没问题。跟对的货架比，别跟一篇博客标题比。
- 把度量的算法做对。 同期群和终身价值才是复购率变成钱的地方，具体怎么按获客月份切、别让混在一起的同期群骗了你，见 money & metrics 下的 ltv-and-cohorts。
实战演算（示例）： 假设窗口内 1000 个客户下过单，其中 220 个在 90 天内回购，那就是 22% 的复购率。
如果你前三个季度是 15%、18%、20%，你就在一条健康的上升线上，哪怕一篇「30% 才算好」的通用文章会说你落后。走势才是信号。套你自己的数字算。
先跟自己过去三个季度比；品类区间是语境，你的走势才是结论。
⚖️ 该做 & 别做
该做
- 把 90 天复购率当成你日常用的指标：在已购客户里，有多少人在 90 天内回来再买。
- 先拿你自己过去三个季度做基准，它们让品类、价格和受众都保持不变。
- 把品类区间只当背景看：消耗品能到 40% 以上，服饰要低一些，大件耐用品可能只有个位数。
- 按获客月份的同期群拆开看（参见 ltv-and-cohorts），别让一个好月份和一个坏月份平均出一个假象。
避免
- 别追“好就是 30%”这种通用标题，咖啡的高复购率放到床垫上就是灾难，反过来也一样。
- 别依赖终身复购率，它好看只是因为永远不结账，还会掩盖你现在到底有没有变好。
- 别让 AI 甩给你一个它根本查不到出处、却说得很精确的基准值，让它标出前提，只给方向性区间。
- 别拿这个季度去比对手博客里的数字，而不是比你自己的趋势线。
💡 快速提示
- 一条上升的线胜过一个高数字：15% 到 18% 再到 20%，比一直停在 22% 更健康。
- 把原始计数（窗口内买过的人、下了第二单的人）喂给 AI 让它算复购率，别靠眼睛估。
- 每季度用同一个 90 天窗口重新拉一次数，才能保持可比。
🏢 品牌聚焦
品牌眼镜通常一到三年才换一次，所以这里健康的复购率是个位数到低两位数，而不是 40%
WarbyParker.com · Warby Parker 很有代表性，因为眼镜是一种慎重、低频的购买，所以它的复购率天然远低于咖啡品牌，而这没问题，并不是失败。它做得好的地方，是拿自己的品类和同期群来评判自己，而不是套一个通用区间，再靠隐形眼镜、验光这些相邻品类去延长终身价值，而不是硬逼客户反复回购。要注意的是，只看一个通用的标题基准，会让一个眼镜品牌以为自己在“垫底”，其实它就正好落在耐用品该在的那一格。
🏷️ 标签
retentionbenchmarksmetricsboth
🔗 相关内容