纠纷率降了,复购也降了。

这两条线经常一起动,只看一条会做错决定。

一、五个指标,先看哪个

指标 算法 多数类目的参照区间 异常时先查什么
纠纷率 纠纷单数除以成交单数 1% 到 3% 页面描述、交期承诺
退款率 退款单数除以成交单数 3% 到 8% 品质、规格、物流
退款金额占比 退款金额除以成交金额 低于 5% 高客单品的质量问题
售后响应时长 首次回复的时间差 两小时以内 客服排班
复购率 90 天内二次下单客户除以总客户 20% 到 40% 交付稳定性

区间只是参照。类目差异很大,拿自己前三个月的中位数做基准更准。

五个里先看响应时长。它最便宜、改得最快,而且直接决定另外四个的走向。

二、纠纷率和复购是一条线

把客户按有没有纠纷分成两组,看 90 天复购率。

多数店铺会看到一个反常识的结果:有过纠纷但处理得快的客户,复购率不低于没出过问题的;有过纠纷但处理得慢的,复购率掉一半。

也就是说,纠纷本身不致命,处理速度才致命。

这条结论有个前提:纠纷里客户是「被解决的」,不是「被说服的」。拖到平台判,判赢了也丢人。

反驳这条的常见说法是「我的客户出过纠纷就再也不来了」。去查时间线,多半是结案拖了两周以上。

三、按客户分层看,别只看总数

总数会骗人。

10 个客户里 1 个纠纷,纠纷率 10%,看着高。但那一个大客户可能贡献了 80% 的成交,真实的钱损失很小。

正确做法是按成交额分三层看:大客户、中客户、散单,纠纷率分别算。

大客户纠纷率低但单均损失高,散单纠纷率高但单均损失低。两种问题的解法完全不同。

大客户的问题靠事前沟通,散单的问题靠页面写清。

四、30 天和 90 天,两个窗口

30 天窗口看执行:最近这批货、这条线路、这个客服。

90 天窗口看结构:品类、价格带、客户构成。

只看 30 天,会被偶发事件带偏,一次物流事故就能让整月数据变形。

只看 90 天,问题发现得太晚,等趋势出来,钱已经赔完了。

两个一起看,才判断得出是「这周倒霉」还是「这个品不行」。

一个实用的对比法是同比:这个月和去年同月比,比跟上个月比更准,因为季节因素被抵掉了。

五、三张表就够

第一张,月度汇总:成交单数、纠纷单数、退款金额、平均响应时长。

第二张,原因分布:按退款原因排序,看前三位占比。前三占比超过七成,说明问题集中,改一处就见效。

第三张,客户分层:三层各自的纠纷率和复购率。

三张表每月填一次,半小时能做完。做完不是归档,是拿去改一个具体的东西。

改的东西要写进下月表里,不然三个月后没人记得改过什么。

六、数据用来做决定

看到纠纷率上升,三个决定按顺序做:先查是不是某个品,再查是不是某条线,最后才查是不是人的问题。

顺序反了,就变成开会骂人,数据一点没变。

品类问题改供应,线路问题改承运,人的问题改流程。三个方向的钱和速度完全不一样。

七、三个常见误读

第一个,退款率高就是质量差。不一定。规格不符、尺寸不符这类原因,八成是页面没写清,货本身没问题。

第二个,纠纷率低就是服务好。也不一定。有些客户怕麻烦,出问题直接不来了,连申请都不提。这种沉默的流失,数据里看不到。

第三个,复购率高就是忠诚。还是不一定。有些客户复购是因为换供应商成本太高,一旦有更便宜的,走得很干脆。

三个误读的共同点是:只看一个数。每个数都要配一个反向问题,才不会被自己的数据骗。

八、把数据放进周会,一条就够

每周只看一条:上周的纠纷,有几单是因为同一个原因。

一条能落地,十条落不了地。周会上讲十条,散会后一条也改不动。

九、数据要存三年

三年是一个完整的周期,能看出季节性、能看出某个客户的规律、能看出换供应商前后的差别。

存的方式简单点:一个月一份表,按年份放文件夹。别搞复杂的系统,复杂的系统没人维护。

表里只留六列:月份、成交单数、纠纷单数、退款金额、响应时长、复购率。六列够看一年。

每年年底做一次对比:今年和去年同月比,哪个季度在变差,哪个月突然好转。好转的那个月,通常对应一次具体的改动。

把那次改动记下来,写在表的备注里。数据本身不会说话,配上一句「这个月改了包装」,第二年就能照着做。

最后提醒一句:这套表不要交给没参与过售后的人填。填表的人不知道那一单为什么退,填出来的原因分类全是错的,后面所有分析都跟着错。

数据这件事,宁少勿假。五个数算准,胜过五十个数凑齐。

每个月固定一天做这件事,比如每月五号。固定下来,才不会拖到季度末补,补出来的数一定是估的。

纠纷率是体温,复购率是体重。体温高不一定病重,体重掉了一定有事。

声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。