回購率提升不是先把優惠券發得更頻繁，而是先找出老客戶為什麼沒有回來。台灣中小企業可以用 CRM、POS 訂單、官網會員、LINE 官方帳號與 AI 摘要工具，先判斷顧客是否到了正常回購週期、是否遇到售後問題、是否只收到不相關訊息、是否因價格或品項失去理由，再決定要做使用提醒、補貨提醒、服務關懷、分眾推薦或暫停打擾。沒有這一步，折扣只會把本來願意回來的人變便宜，也可能讓已經失望的人更快退訂。
這套方法適合誰，不適合誰
本文適合有會員資料、LINE 官方帳號、Email、POS、開店平台、預約紀錄或簡易 CRM 的台灣中小企業。無論你是電商、餐飲、零售、課程、診所周邊服務、B2B 顧問或地方服務，只要老客戶曾經買過、預約過、詢問過，卻最近變安靜，就可以用這套方式先整理回購訊號。
它不適合完全沒有顧客識別資料、沒有交易時間、沒有通路同意狀態，或商品本身沒有合理回購週期的情境。如果顧客資料分散在紙本、個人手機、私訊截圖與不同店員記憶裡，第一步不是導入複雜 AI，而是先把顧客、購買日期、品項、金額、來源與可聯繫管道整理成同一張可維護的表。
先把回購率的時間窗定義清楚
許多團隊談回購率下降，卻沒有先說明計算區間。Yotpo 與 Wall Street Prep 對 repeat purchase rate 的基本說明都指向同一個概念：在一段期間內，曾經購買超過一次的顧客數，除以總顧客數。公式看似簡單，真正困難的是時間窗。30 天回購率、90 天回購率、半年回購率和年度回購率不能混在一起看。
例如保健食品、濾芯、保養品、寵物用品可能有補貨週期；婚攝、裝修、醫美高單價療程或 B2B 專案的回購週期較長。若你用 30 天檢查所有商品，會把正常尚未回購的人誤判成流失；若你只看年度回購，又會太晚發現購後服務、物流、客服或訊息品質出問題。
回購率提升前，先抓 5 個老客戶流失訊號
1. 顧客到了回購週期，卻沒有被提醒
最常見的浪費，是客戶其實有需要，但品牌沒有在對的時間出現。LINE 官方帳號頁面提到 OA Plus 可用自動貼標籤、精準訊息與一對一聊天經營好友；LINE 的分眾訊息教學也說明可建立受眾資料並管理受眾狀態。這代表台灣商家不一定只能群發，而是可以把「30 天前買過消耗品」「90 天前完成服務」「上次點過新品連結」這些訊號變成分眾提醒。
AI 可以協助從訂單匯出檔推估常見補貨間隔，或把商品分成高頻、中頻、低頻回購。但提醒時間仍要由人檢查，因為不同商品用量、季節、家庭人數與服務週期會讓同一個顧客有不同節奏。
2. 顧客買完後遇到問題，但訊號留在客服裡
老客戶不回來，有時不是優惠不夠，而是第一次體驗沒有被修好。退貨、抱怨、延遲、尺寸不合、預約等待太久、使用方式不清楚，常常藏在客服對話與門市口頭紀錄中。若這些資料沒有回到行銷名單，團隊很容易對已經失望的人再發促銷訊息，造成二次反感。
AI 適合做客服摘要：把近 30 天的抱怨、退貨原因、常見問題、未解決票券和負評整理成標籤。真正的跟進不一定是折扣，可能是補寄教學、售後關懷、換貨提醒、主管致電或暫停行銷訊息。
3. 只看總回購率，沒有看不同客群
總回購率下降只能告訴你有問題，不能告訴你問題在哪裡。新客、首購高單價客、活動客、門市客、廣告客、熟客、企業客、沉睡會員，行為完全不同。如果只用同一封優惠訊息處理所有人，容易讓高價值顧客覺得被打擾，也讓真正需要教育的新客得不到理由。
比較穩的做法是先切 4 到 6 個實用分群：剛首購、到了回購週期、買過高毛利品項、曾抱怨或退貨、近期有互動但未下單、長期無互動。AI 可以協助根據訂單與互動紀錄建議分群，但每個分群要對應不同任務，而不是只是換一個標籤名稱。
4. 訊息只推商品，沒有處理下一次購買的理由
很多 LINE 或 Email 回購訊息失效，是因為它只說「再買有折扣」，沒有回答顧客此刻為什麼需要再買。消耗品要提醒用量與補貨時間；服務業要提醒下一次保養、檢查、課程或諮詢；B2B 要提醒成果回顧、續約風險、下一季需求或內部決策時程。
這裡可以讓 AI 先產生不同情境的跟進草稿，但人工要刪掉不準確承諾、誇大療效、錯誤價格、過度急迫感與不合品牌語氣的句子。回購訊息最重要的是相關性，不是字數或華麗程度。
5. 把 AI 預測當答案，卻沒有確認資料條件
Google Analytics 的GA4 predictive metrics 文件明確定義 purchase probability、churn probability 和 predicted revenue 等指標，並把它們放在特定使用者活躍期間與預測期間中。這些概念很有用，但不是每個中小企業都立刻有足夠資料品質與事件設定可以使用。
如果你的網站沒有穩定記錄購買事件、會員 ID、LINE 來源、退訂狀態與訂單金額，AI 預測只會把混亂資料算得更快。務實做法是先用簡單規則跑起來：最近購買日期、品類週期、互動狀態、客服風險、可聯繫管道。等資料穩定後，再逐步加入預測分數。
回購跟進決策表
| 訊號 | 先做什麼 | 適合的跟進 | 不要這樣做 |
|---|---|---|---|
| 到了補貨週期 | 確認商品是否仍可買、價格是否正確 | 補貨提醒、組合推薦、用量教學 | 對所有人同一天群發折扣 |
| 購後有客服問題 | 先整理問題是否已解決 | 售後關懷、教學、補償或人工處理 | 直接推新品或加購 |
| 高價值客沉默 | 查看最近互動、購買品項與服務紀錄 | 一對一關懷、專屬預約、早鳥通知 | 只發低價促銷 |
| 活動客只買一次 | 判斷是否為價格導向或品類不匹配 | 入門教育、使用案例、第二次購買門檻 | 一直加碼折扣 |
| 長期無互動 | 檢查是否退訂、封鎖、資料過期 | 低頻 win-back 或停止打擾 | 把沉睡名單當成免費流量 |
7 天回購率提升工作流
第 1 天：定義回購率與商品週期
先決定這次要看 30 天、60 天、90 天還是年度回購率。把商品或服務分成消耗型、季節型、專案型、保養型與低頻型，不要用同一個時間窗評估所有品項。
第 2 天：匯出顧客與訂單資料
整理顧客 ID、最近購買日、首購日、品項、金額、來源、LINE 或 Email 狀態、客服標籤與退訂狀態。資料越簡單越好，但欄位要一致，否則後面無法分群。
第 3 天：用 AI 找出候選分群
請 AI 協助找出到了回購週期、曾高消費但沉默、近期互動未購買、購後問題未解決、活動客未回購等候選名單。AI 只做整理與建議，不直接發訊息。
第 4 天：決定每個分群的下一步
每個分群只設定一個主要任務：提醒、教育、關懷、推薦、挽回或停止打擾。若一個分群同時要折扣、問卷、回饋、推新品和邀請轉介紹，訊息會失焦。
第 5 天：寫三種訊息，不寫一種萬用訊息
至少準備三種版本：到了週期的補貨提醒、購後關懷型訊息、高價值顧客的一對一邀請。LINE、Email、簡訊和客服電話的語氣也應不同，不要把同一段話到處貼。
第 6 天：小批量測試與停止規則
先發給小批量名單，看點擊、回覆、封鎖、退訂、客服量與實際下單。若某個分群退訂或負面回覆明顯增加，就停止放大，而不是硬把名單跑完。
第 7 天：回收資料，修下一輪節奏
把結果寫回 CRM：誰點了、誰買了、誰抱怨、誰退訂、誰需要人工跟進。下一輪不要只看營收，也要看毛利、客服負擔、退訂與顧客品質。
AI 可以協助什麼，不能替你決定什麼
| 工作 | 適合交給 AI | 必須人工確認 |
|---|---|---|
| 資料整理 | 清理訂單欄位、找重複顧客、摘要客服原因 | 顧客身分、同意狀態、重要客訴 |
| 分群建議 | 找出回購週期、沉睡名單與高價值群 | 分群是否符合品牌策略與實際服務能力 |
| 文案草稿 | 產生 LINE、Email、客服跟進不同版本 | 價格、效期、醫療或效果聲明、品牌語氣 |
| 成效摘要 | 整理點擊、回覆、退訂、客服主題與購買結果 | 是否加碼、停發、改 offer 或修產品體驗 |
| 預測排序 | 根據已知資料建議優先跟進順序 | 資料是否足夠、模型是否偏誤、是否需要人工例外 |
資料更新與來源
本文於 2026-06-14 檢視公開資料。LINE 官方帳號功能、OA Plus 可用條件、Google Analytics 指標定義、各平台資料串接與隱私規則可能調整；正式執行前，請回到你的帳號後台、平台文件與顧問或法務確認。
- Google Analytics Help：[GA4] Predictive metrics
- LINE Biz-Solutions：LINE 官方帳號
- LINE Biz-Solutions：分眾訊息操作設定教學
- Yotpo：What Is ECommerce Repeat Purchase Rate?
- Wall Street Prep：Repeat Purchase Rate Formula
- Super 8 Studio：LINE OA 提升顧客回購率與 LTV
結論：回購率提升，要先讓老客戶有回來的理由
台灣中小企業要提升回購率，最不該先做的是把所有人丟進同一波優惠。更可靠的順序是：定義時間窗、整理資料、找出流失訊號、分群決定任務、用小批量訊息測試，再把結果寫回 CRM。AI 的價值在於讓團隊更快看見訊號、整理名單與產出草稿；真正決定顧客會不會回來的，仍是商品週期、服務體驗、訊息相關性與品牌是否值得再次被選擇。
FAQ
回購率提升一定要靠折扣嗎？
不一定。折扣只適合價格是主要阻力的情境；若問題是使用方式不清楚、售後體驗不好、提醒時間錯誤或訊息不相關，應先修流程與跟進內容。
回購率要看 30 天還是 90 天？
要看商品或服務週期。消耗品可看較短週期，高單價服務或專案型商品應看較長週期；重點是同一類品項用同一個時間窗比較。
LINE 官方帳號可以用來做老客戶回購嗎？
可以，但不建議只群發。比較好的做法是依購買日期、品項、互動狀態、客服紀錄與同意狀態分眾，再設計不同跟進任務。
AI 可以自動幫我判斷誰最可能回購嗎？
AI 可以依資料整理候選名單與排序，但資料品質、同意狀態、特殊客訴、價格與品牌判斷仍要人工確認，不能直接讓 AI 發送訊息。
沒有完整 CRM，也能做回購率提升嗎？
可以先從簡表開始，記錄顧客、最近購買日、品項、金額、來源、LINE 或 Email 狀態與客服標籤。資料穩定後，再導入更完整的 CRM 或自動化。
延伸閱讀：把回購率接回補貨通知、沉睡客喚回與轉介紹
回購率如果只靠折扣拉，常常只是把本來會回來的人變便宜。把這篇接回補貨通知、沉睡客喚回與轉介紹制度頁，AI 和團隊都比較容易把回購當成一條完整的老客經營路徑，而不是單次促銷任務。
- 貨到通知怎麼做：很多老客沒回來，不是沒需求，而是剛好等不到商品回補。
- 沉睡客戶喚回怎麼做：先分清楚是自然回購變慢，還是真的已經流失。
- 客戶轉介紹制度：當老客回購體驗穩定，才比較適合把他們轉成帶新客的來源。
- LINE 分眾與後續跟進：老客收到的內容如果永遠跟新客一樣，回購率通常也很難拉起來。
作者與 AI 搜尋主題入口
如果你是從單篇文章讀到這裡，這一段會把內容接回同一個作者與主題脈絡，讓讀者與 AI 系統都更容易知道這篇文章屬於哪個知識群組。
- 作者頁 Richard Lin：把文章回接到公開作者與實體頁。
- AI Search 優化：AI 搜尋相關文章的核心入口頁。
- AI Search Optimization 是什麼：服務與概念的解釋頁。
- AI Search 引用與 GEO：把可引用內容與 GEO 脈絡接起來。
- AEO、GEO 與 SEO 差異：幫助系統辨識相關術語與關聯頁。