在討論 NAPL 的分群的時候，其中一個很關鍵的計算因子，是「三倍購物週期」。也就是會員如果超過三倍購物週期沒有回購，就會從 N 掉到 L（新客 > 流失），或是從 A 掉到 P（活躍 > 潛在），也就是說「三倍購物週期」是一個重要的參數，關鍵決定了 NAPL模型 的分群計算結果。
想了解 NAPL 的會員分群，請看這篇文章：NAPL模型-零售數據教我們的人生哲理
但，為什麼是三倍購物週期呢？這個重要的變數，是怎麼計算出來的呢？
回購人數的 80/20 法則
Pasted image 20240812185955.png
為了找到會員從活躍到不活躍的關鍵分水嶺，起手式，就是從現在所有會員的回購天數來觀察。
我們把所有的會員的回購天數攤平，也就是從 第10天 回購的會員，攤平到 第365天 回購，看看所有 第n天 回購 的會員數分佈狀況，展開變成上面那張圖。
X軸 是 第n天 回購，Y軸 是 第n天 會回購的總會員數，就會拉出上面的分佈圖。可以看到，在 第36天 左右會回購的總會員數是高峰，然後越往右走，天數越多，會回購的人數越來越少。
而直到 回購天數 第114天，也就是三倍購物週期的那一刀，所有有回購的會員數的總數，也就是折線圖的面積，來到了 80%，也就是超過 114天 會回購的會員數，只剩下 20% 了。
依據 80/20 ，在這個地方作為判斷會員活躍與不活躍的分水嶺，應該是一個合理的切分點。
用會員回購貢獻度來討論
Pasted image 20240812214453.png
上面是從回購的會員數計算，我們再換一個方式，如果用回購會員的業績貢獻度計算呢？
以 RFM 模型來說，就是用 Monetary Value，也就是回購會員貢獻的 GMV。
上面這張圖，就是用一年的 365天 內，第n天 回購會員累計的GMV貢獻度，佔全年回購會員累積GMV貢獻度的佔比，所畫出的對應關係圖。
X 軸是會員 第幾天 會回購的時間，Y軸 是GMV的累計佔比，也就是到第n天所有有回購會員的年度GMV貢獻度，累計後佔全年所有回購會員的年度貢獻度的佔比。
注意這個圖，Y軸的數值，是「累計」數值。
舉例來說，第114天之內有回購的會員，累計的GMV貢獻，共佔全年(有回購會員)的總累計GMV貢獻的 80%。
而這個點，是 GMV的 80%，而對應的 X軸 數值，是 114天，剛好是 3倍購物週期。
從顧客活躍度指標(CAI)來驗證
Pasted image 20240812190111.png
我們再從另外一種計算的角度，來驗證3倍購物週期。因為這個變數，是要作為會員活躍度的關鍵分水嶺，我們就直接採用類似的模型，也就是「CAI-客戶活躍度指標」這個指標來驗證。
CAI 的計算公式是：（平均購物週期 - 加權購物週期) / 平均購物週期。
得到的數字會是介於 -1 到 1 之間的數字，代表一個會員的活躍度，也就是說，如果數字是正的，代表該會員活躍度高，如果數字是負的，代表活躍度低。
我們把每一個會員當作一個點，Y軸 顯示他計算出來的活躍度(CAI)，而 X軸 的數字，則標明他的平均購物週期。我們會得到一個會員的分佈圖，如上圖。
例如：有一個會員，他麼平均購物週期在 1.5倍(1.5X) 購物週期，而他算出來的活躍度(CAI) 是 0.14，他的點就會標示在 (1.5X, 0.14) 那個位置。
而這個分佈圖會出現一個很有趣的現象，在 3倍購物週期(3X) 的地方切一刀，在這一刀往右的所有的會員，他的 CAI數值 都是負的，也就是他的客戶活躍度是低的。
就是這麼的巧合，用一個完全不一樣的計算模型，來觀看會員活躍度，而與 3倍購物週期的分水嶺完全貼合，也就是超過 3倍購物週期，會員活躍度較低，所有超過3X購物週期的會員，CAI指標數字，都是負的。
--
也因此透過上面三種不同的維度來驗證，都發現「三倍購物週期」是一個會員活躍度關鍵的分水嶺，也因此我們才以此作為計算 NAPL 分群的關鍵變數。
原文刊載：零售的科學
更多 NAPL 模型的介紹：
