酒类付费引流榜2026-04-20日榜

根据提供的数据，我们可以从以下几个维度进行核心分析：

1. 引流效率

短视频引流占比与销售额的相关性

• 相关系数：通过计算每个直播间短视频引流占比和销售额之间的皮尔逊相关系数来确定二者关系。
• 可视化图表：绘制散点图并添加趋势线，直观展示两者的关系。

2. 头部效应

TOP3直播的引流人次占比

• 引流人次统计：对前3名直播间进行引流人数汇总，并计算它们在总引流人数中的占比（例如，TOP1占20%，TOP2占15%，TOP3占15%）。
• 影响分析：评估头部直播间的引流效果是否显著高于其他直播间。

3. 类目特征

高引流占比直播的带货类目分布

• 分类统计：将所有直播间按带货商品类型进行分类，例如白酒、红酒、啤酒等，并计算每个类别中引流较高的直播间数量。
• 趋势分析：分析不同类别的直播间引流效率是否一致。

4. 粉丝体量

粉丝数与引流能力的关系

• 相关系数：计算每个直播间粉丝数与其短视频引流占比的相关性，了解两者之间是否存在显著关系。
• 分组对比：将直播间按粉丝数量分为不同的组别（例如小于10万、10-50万、50-100万等），比较各组间的引流效果。

具体分析步骤

1. 引流效率

import pandas as pd
from scipy.stats import pearsonr
import seaborn as sns
import matplotlib.pyplot as plt

# 假设df是包含所有数据的DataFrame
correlation, _ = pearsonr(df['短视频引流占比'], df['销售额'])
print(f'相关系数: {correlation}')

sns.scatterplot(x='短视频引流占比', y='销售额', data=df)
plt.title('短视频引流占比与销售额的关系')
plt.show()

2. 头部效应

top3 = df.nlargest(3, '短视频引流占比')

total_views = df['引流人数'].sum()
top3_views = top3['引流人数'].sum()

print(f'TOP3引流人次占比: {top3_views / total_views * 100}%')

3. 类目特征

category_df = df.groupby('带货类目')['短视频引流占比'].mean().reset_index()
sns.barplot(x='带货类目', y='短视频引流占比', data=category_df)
plt.title('不同类别的引流效率分析')
plt.xticks(rotation=45)
plt.show()

4. 粉丝体量

df['粉丝分组'] = pd.cut(df['粉丝数'], bins=[0, 10e4, 50e4, 100e4], labels=['<10万', '10-50万', '50-100万'])

grouped_df = df.groupby('粉丝分组')['短视频引流占比'].mean().reset_index()

sns.barplot(x='粉丝分组', y='短视频引流占比', data=grouped_df)
plt.title('不同粉丝体量的引流效率分析')
plt.show()

通过上述步骤，你可以全面了解各直播间在引流和销售方面的表现，并找到可能影响效果的关键因素。

以上分析数据来源：互联岛