大众认为价格越低商品越好售卖，编程统计定价品质，复购数据，低价产品复购率极低，颠覆低价畅销固有思维。

一、实际应用场景描述

在零售与电商业务中，常存在一种普遍假设：

“价格越低，商品越好卖。”

运营人员往往通过不断压低单价来提升销量。

但在真实业务数据中，销量 ≠ 持续盈利能力。

尤其在快消品、日用品领域，复购率（Repeat Purchase Rate） 往往是比单次销量更关键的指标。

本项目构建一个简化的商品–订单分析模型，通过 Python 对以下维度进行对比：

- 不同价格区间的商品

- 销量 vs 复购率

- 低价产品的长期留存表现

从而在数据层面检验：

低价策略是否真的能带来可持续的商业成功？

二、引入痛点

在实际经营或课程案例中，常见问题包括：

1. 指标单一化只看销量或 GMV，忽略复购与用户生命周期价值（LTV）。

2. 低价陷阱低价吸引一次性用户，但难以形成二次购买。

3. 缺乏数据验证决策依赖经验，而非结构化数据分析。

三、核心逻辑讲解

核心思想（BI 视角）

我们将商品与订单抽象为两张逻辑表：

- 商品表：商品ID、品类、定价

- 订单表：订单ID、用户ID、商品ID

分析路径：

1. 按价格区间分组（低价 / 中价 / 高价）

2. 统计：

- 购买人数

- 复购人数

- 复购率 = 复购人数 / 购买人数

3. 对比不同价格区间的复购表现

预期分析结论（理论层面）

- 低价区间：

- 购买人数多

- 复购率低

- 中高价区间：

- 购买人数较少

- 复购率明显更高

四、代码模块化实现（Python）

项目结构

price_repurchase_analysis/

│

├── data.py # 数据定义

├── analysis.py # 核心分析逻辑

├── report.py # 结果输出

└── main.py # 程序入口

1️⃣ data.py（数据结构）

"""

数据模块

模拟商品与订单数据

"""

def load_products():

"""

商品表

- product_id: 商品ID

- price: 单价

"""

return [

{"product_id": 1, "price": 9.9},

{"product_id": 2, "price": 15.0},

{"product_id": 3, "price": 49.0},

{"product_id": 4, "price": 89.0},

]

def load_orders():

"""

订单表

- order_id: 订单ID

- user_id: 用户ID

- product_id: 商品ID

"""

return [

{"order_id": 1, "user_id": 101, "product_id": 1},

{"order_id": 2, "user_id": 102, "product_id": 1},

{"order_id": 3, "user_id": 101, "product_id": 1}, # 复购

{"order_id": 4, "user_id": 103, "product_id": 3},

{"order_id": 5, "user_id": 103, "product_id": 3}, # 复购

{"order_id": 6, "user_id": 104, "product_id": 4},

{"order_id": 7, "user_id": 104, "product_id": 4}, # 复购

]

2️⃣ analysis.py（核心分析逻辑）

"""

分析模块

计算价格区间与复购率

"""

from collections import defaultdict

def classify_price(price):

if price < 20:

return "low"

elif price < 60:

return "mid"

else:

return "high"

def analyze_repurchase(products, orders):

"""

按价格区间统计复购率

"""

price_map = {p["product_id"]: p["price"] for p in products}

# 每个用户购买每个商品的次数

purchase_count = defaultdict(lambda: defaultdict(int))

for order in orders:

uid = order["user_id"]

pid = order["product_id"]

purchase_count[uid][pid] += 1

# 按价格区间统计

stats = defaultdict(lambda: {"buyers": set(), "repurchasers": set()})

for user, products in purchase_count.items():

for pid, count in products.items():

price_level = classify_price(price_map[pid])

stats[price_level]["buyers"].add(user)

if count > 1:

stats[price_level]["repurchasers"].add(user)

result = {}

for level, data in stats.items():

buyers = len(data["buyers"])

repurchasers = len(data["repurchasers"])

rate = repurchasers / buyers if buyers else 0

result[level] = {

"buyers": buyers,

"repurchasers": repurchasers,

"repurchase_rate": rate

}

return result

3️⃣ report.py（结果输出）

"""

报告模块

输出复购分析结果

"""

def print_report(stats):

print("===== 商品价格区间复购率分析 =====")

for level, data in stats.items():

label = {

"low": "低价区 (<20)",

"mid": "中价区 (20-60)",

"high": "高价区 (>60)"

}.get(level, level)

print(f"\n[{label}]")

print(f" 购买人数：{data['buyers']}")

print(f" 复购人数：{data['repurchasers']}")

print(f" 复购率：{data['repurchase_rate']:.2%}")

4️⃣ main.py（程序入口）

"""

主程序入口

"""

from data import load_products, load_orders

from analysis import analyze_repurchase

from report import print_report

def main():

products = load_products()

orders = load_orders()

stats = analyze_repurchase(products, orders)

print_report(stats)

if __name__ == "__main__":

main()

五、README 文件（示例）

# 价格与复购率分析示例项目

## 项目简介

本项目使用 Python 构建一个简化商务智能分析示例，

用于探讨商品价格与复购率之间的关系。

## 运行环境

- Python 3.8+

- 无需第三方库

## 使用方法

bash

python main.py

## 适用场景

- 商务智能课程案例

- 零售数据分析入门

- 定价策略讨论

## 注意事项

本数据为示例数据，仅用于教学与逻辑演示。

六、核心知识点卡片（课程向）

模块 对应知识点

data.py 实体–关系建模

analysis.py 分组统计、复购率计算

report.py 数据结果呈现

业务逻辑 价格分层、复购行为分析

BI思维 单一指标 vs 多维指标体系

七、总结

通过该示例程序可以得出一个基于数据的理性认知：

- 销量 ≠ 复购

- 低价策略可能带来短期成交，但未必带来长期用户价值

- 商务智能的价值在于：用结构化数据揭示隐藏在“常识”背后的业务真相

利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！