复购用户统计核心是准确定义复购、锚定首次行为并匹配后续行为。需先与业务对齐定义（如按订单数、时间窗口或自然月），再用窗口函数求首次时间，结合日期差或分组匹配后续行为，最后用distinct去重计算人数。
统计复购用户，核心是识别“同一个用户在不同时间发生了多次有效行为”。关键不在次数本身，而在如何准确定义“复购”、锚定首次行为、再匹配后续行为。下面从常用场景出发，给出可直接落地的SQL思路。
明确复购定义，决定分析粒度
复购不是固定标准，要先和业务对齐： • 是按订单算（只要下过2单就算复购）？ • 还是按时间窗口算（比如首单后30天内再下单才算）？ • 或者按自然月算（当月有2次消费即为当月复购）？ 不同定义对应不同SQL写法。例如： – 若按“单用户总订单数≥2”统计，用 GROUP BY user_id + HAVING COUNT(*) ≥ 2 即可； – 若按“首单后第7天再次下单”，则必须先算出每个用户的首次下单日，再关联判断； – 若按“当月消费≥2次即为当月复购用户”，需先按月+用户聚合，再筛选。
找首次行为：窗口函数是主力
绝大多数复购分析都依赖“首次行为时间”作为基准点。推荐用窗口函数高效提取： • min(order_time) over (partition by user_id) → 直接拿到每位用户的最早下单时间； • 或用 row_number() over (partition by user_id order by order_time) 标记首次行为（序号=1）。 这两种方式比子查询或JOIN更简洁稳定，尤其在数据量大时性能更好。注意：若原始表含未支付/取消订单，务必先用 WHERE status = '已支付' 过滤有效行为。
匹配后续行为：用日期差或时间分组联结
有了首次行为时间，下一步就是查该用户是否在目标时段内再次出现： • 查“T+7日复购”：用 datediff(order_time, first_order_time) between 1 and 7； • 查“次月回购”：用 timestampdiff(month, first_order_time, order_time) = 1（MySQL）或 months_between 配合 round 取整（Hive/Spark SQL）； • 查“当月复购用户数”：先按 date_format(order_time, '%Y-%m') 分月，再对月内用户计数，HAVING count(*) > 1。 多用LEFT JOIN或自连接时，注意加 ON user_id 相等 + 时间条件，避免笛卡尔积。
汇总与去重：别漏掉DISTINCT
最终指标常是“人数”而非“订单数”，所以聚合时务必注意： • 分母是当月所有付费用户数 → count(distinct user_id)； • 分子是当月复购用户数 → count(distinct case when 消费次数 > 1 then user_id end)； • 若统计“首单用户在N日后仍有购买”，分子应是 count(distinct case when datediff(...) = N then user_id end)。 没加 DISTINCT 容易把同一用户重复计算多次，结果会严重偏高。
