根据提供的数据和分析维度，我们可以从几个方面进行深入分析：
1. 视频传播（高关联视频数的商品流量优势）
- 视频数量与商品销售的关系：
- 观察各商品的视频数量与最终销售额之间的关系。
- 高视频数的商品如编号26和95，在视频推广上投入较多，它们分别在3月份获得了10次和8次视频推荐。这两款商品在4月份的销量较高，达到71.2元和65.1元。这表明高视频数量可以带来较高的销售。
- 流量转化率：
- 通过分析每个视频被点击后的转换情况（购买人数/总浏览量），评估视频推广的效果。
2. 转化效率（视频数与销售额的相关性）
- 每单位视频产生的销售额：
- 计算每个视频推荐所创造的平均销售额。
- 可以得出编号为87、106等商品具有较高的单个视频转化率，它们在3月份仅有2次视频推荐却分别产生了49.5元和50.4元的销售额。这说明虽然这些商品的视频数量较少，但每次推荐都能带来较好的销售回报。
- 整体销量与视频推荐的关系：
- 分析不同视频推荐次数的商品的整体销售情况。例如，高视频推荐数（如87、95）和中等视频推荐数（如26）的商品整体销售额较高。
3. 长尾效应（多视频带货的商品销量稳定性）
- 多视频商品的长期表现：
- 观察那些有多个视频推广商品在整个分析期间的表现。例如，编号95、104等商品在连续几周内保持稳定的销售情况。
- 重复购买率与多视频推荐的关系：
- 通过记录多次视频推荐的商品被再次购买的频率和数量，评估长期购买行为。
4. 类目分布（食品、个护类目的视频带货偏好）
- 不同商品类别的销量对比：
- 对比分析各类型商品如食品、个护用品在不同视频推广策略下的销售表现。
- 发现是否某个类型的食品或个护品更倾向于通过多视频推广来增加销售额。
数据分析建议
- 建立回归模型：利用统计方法（如线性回归）来量化每个因素对商品销量的具体影响程度。
- 时间序列分析：使用时间序列分析工具跟踪不同时间段内的视频推荐效果及销售变化趋势。
- 交叉验证：将数据集分为训练集和测试集，进行模型的训练和验证以提高预测准确性。
通过上述多维度的综合分析，可以更全面地理解各商品在视频推广方面的表现，并为未来的营销策略提供有力的数据支持。
以上分析数据来源：互联岛