珠宝文玩抖音热推榜2026-04-30日榜

添加日期：2026-05-02 03:39:56浏览：3

基于您提供的数据，我们可以从以下几个角度进行分析：

TOP商品的日带货达人规模与传播效率
- 统计每个商品在30天内的总带货达人数量。
- 计算每个商品的日均带货达人规模，并进行排名。
高佣金商品的达人带货意愿
- 识别出佣金率较高的商品（例如：15%以上）。
- 统计这些高佣金商品的带货达人总人数和日均带货达人规模。
多达人带货的商品30天销量稳定性
- 计算每个商品30天内的累计销量。
- 分析销量排名前几（如前10%）的商品，它们是否有多个达人的带货情况。
- 对这些商品进行进一步的分析，看它们的日销量波动是否稳定。
个护家清类目的高达人覆盖特征
- 识别出个护家清类目下的TOP商品。
- 分析这些商品在不同时间点（例如，工作日 vs 节假日）的带货达人规模变化情况。
- 研究达人在推荐该类目下商品时的偏好：是更倾向于推荐高佣金的产品还是销量较高的产品。

具体步骤如下：

1. TOP商品的日带货达人规模与传播效率

数据处理：

import pandas as pd

# 假设数据存储在一个DataFrame中
df = pd.read_csv('your_data.csv')

# 计算每个商品30天内的总带货达人数量
total_reaches = df.groupby('商品ID')['达人数'].sum()

# 找出TOP10的商品ID
top_10_ids = total_reaches.nlargest(10).index

# 计算这些商品的日均带货达人规模
avg_daily_reach = (total_reaches[top_10_ids] / 30).reset_index()

2. 高佣金商品的达人带货意愿

数据处理：

# 假设佣金率在“佣金”列中
high_commission_items = df[df['佣金'] > 15]['商品ID']

# 统计高佣金商品的总达人数和日均带货达人规模
high_reach_count = df[df['商品ID'].isin(high_commission_items)]['达人数'].sum()
daily_high_reach = (high_reach_count / 30)

3. 多达人带货的商品30天销量稳定性

数据处理：

# 确定销量排名前10%的商品
total_sales = df.groupby('商品ID')['销量'].sum()
top_10_percent_items = total_sales.nlargest(int(len(total_sales) * 0.1)).index

# 检查这些商品是否有多个达人的带货情况，以及日销量的波动稳定性
multi_reach_items = df[df['商品ID'].isin(top_10_percent_items)].groupby('商品ID')['达人数'].count()
stable_sales = df[df['商品ID'].isin(top_10_percent_items)].groupby('商品ID')['销量'].std()

# 输出结果
print("多达人带货的商品销量稳定性分析：")
for item in top_10_percent_items:
    if multi_reach_items[item] > 3:  # 可以根据实际情况调整这个数字
        print(f"商品ID {item}，日均销量标准差：{stable_sales[item]}")

4. 类目偏好分析

数据处理：

# 确定个护家清类目的TOP10商品
beauty_care_items = df[df['类目'] == '个护家清']['商品ID']

# 统计这些商品在不同时间点的带货达人规模变化情况
for item in beauty_care_items:
    time_series = df[(df['商品ID'] == item) & (df['日期'].dt.weekday < 5)]['达人数']
    print(f"商品ID {item}，工作日带货达人规模：{time_series.mean()}")

    holiday_series = df[(df['商品ID'] == item) & (df['日期'].dt.weekday >= 5)]['达人数']
    print(f"商品ID {item}，节假日带货达人规模：{holiday_series.mean()}")

# 根据实际需求调整统计方式

以上分析数据来源：互联岛

详细数据，请访问互联岛官网>

猜你想看