根据提供的数据，我们可以通过以下分析维度来评估商品的表现，并确定哪些因素可能影响了销售情况：
1. 视频传播效果
- 高关联视频数的商品流量优势：
- 根据提供的数据，可以计算每个商品的关联视频数量（例如：视频带货次数）。通常，高视频关联数量可能会带来更多的曝光和点击率。
2. 转化效率分析
- 视频数与销售额的相关性：
- 计算每种商品的视频数量与其对应的销售额之间的相关系数。高相关性的商品可能表明视频内容对转化效果有显著影响。
3. 长尾效应评估
- 多视频带货的商品销量稳定性：
- 分析单个商品在多个视频中的销售情况，以确定其销量的稳定性和波动性。
4. 类目分布偏好
- 食品、个护类目的视频带货偏好：
- 统计不同类别的商品及其对应的销售额。例如，查看食品类和个护品类别下的视频带货效果是否有显著差异。
具体分析步骤
视频传播效果评估
- 计算每个商品的关联视频数量。
- 分析高视频数的商品是否通常有更高的流量（点击率、浏览量等）。
转化效率分析
- 使用Excel或Python中的统计工具计算每种商品的视频数量与其销售额的相关系数。例如，可以使用Pearson相关系数来度量两者之间的线性关系。
- 结果示例：
- 如果相关系数接近1，则表明视频数量与销售额正相关。
长尾效应评估
- 选择一个商品进行更详细的分析（如“女生玩偶毛绒玩具158儿童公仔礼物”）。
- 绘制该商品在各个视频中的销售数据，查看其销量随时间变化的趋势。可以使用折线图来展示。
类目分布偏好
- 将所有数据汇总到一个表格中，分类为食品、个护等类别，并计算每类别的总销售额和平均视频数量。
- 通过对比不同类目的相关性系数（步骤3），确定哪个类目下的商品更倾向于有效带货。
示例分析代码（Python）
import pandas as pd
# 假设数据存放在一个DataFrame中，如下所示：
data = {
'商品编号': [1, 2, 3, 4],
'视频数量': [50, 70, 60, 80],
'销售额': [200, 300, 250, 350]
}
df = pd.DataFrame(data)
# 计算相关系数
correlation_coefficient = df['视频数量'].corr(df['销售额'])
print(f"相关系数: {correlation_coefficient}")
# 长尾效应分析：绘制折线图（示例代码）
import matplotlib.pyplot as plt
video_sales_data = [
{'商品': '女生玩偶毛绒玩具158儿童公仔礼物', '视频数量': [0, 1-25, 1-25], '销售额': [0, 0, 0]},
# 其他商品数据
]
for item in video_sales_data:
plt.plot(item['视频数量'], item['销售额'], label=item['商品'])
plt.xlabel('视频数量')
plt.ylabel('销售额')
plt.title('长尾效应分析')
plt.legend()
plt.show()
通过以上步骤和示例代码，你可以更全面地了解不同商品在短视频带货中的表现。如果有具体的数据集，可以将其输入上述框架中进行详细分析。
以上分析数据来源：互联岛