美妆关注引流榜2026-04-27~2026-05-03周榜

根据提供的数据，我们可以从以下几个维度进行分析：

1. 引流效率：

   • 短视频引流占比与销售额的相关性: 通过计算每个直播间短视频引流占比（视频浏览人数 / 引流总人数）和销售额的乘积来评估其关系。
     • 例如，可以使用公式：[ \text{引流效率} = \frac{\text{短视频引流占比} \times \text{销售额}}{\sum (\text{短视频引流占比} \times \text{销售额})} ]

2. 头部效应：

   • TOP3直播的引流人次占比: 计算前三个直播间的引流总人数占所有直播间引流总人数的比例。
     • 公式：[ \text{头部效应} = \frac{\sum_{i=1}^3 \text{第i个直播间引流人次}}{\sum_{j=1}^{50} \text{第j个直播间引流人次}} ]

3. 类目特征：

   • 高引流占比直播的带货类目分布: 分析那些具有较高短视频引流占比（如大于25%）的直播间，它们主要销售哪些品类。
     • 可以创建一个分类表格，统计每个类别在这些高引流占比直播间的出现频率。

4. 粉丝体量：

   • 粉丝数与引流能力的关系: 计算每个直播间粉丝数与其短视频引流占比的相关性（使用皮尔逊相关系数）。
     • 公式：[ \text{相关系数} = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum (x_i - \bar{x})^2} \sqrt{\sum (y_i - \bar{y})^2}} ] 其中，[ x_i ] 为粉丝数，[ y_i ] 为短视频引流占比。

示例分析

1. 引流效率：

   import pandas as pd
   
   # 假设 df 是包含数据的 DataFrame
   df = pd.read_csv('直播数据.csv')
   
   # 计算每个直播间短视频引流占比
   df['视频浏览人数'] = df['短视频总访问量'] / df['直播间访问总量']
   df['引流效率'] = (df['视频浏览人数'] * df['销售额']).sum() / (df['视频浏览人数'] * df['销售额']).sum()
   
   # 输出结果
   print(df[['直播标题', '引流效率']].sort_values(by='引流效率', ascending=False))
   

2. 头部效应：

   top3_df = df.nlargest(3, '短视频总访问量')
   total_df = df
   
   head_effectiveness = (top3_df['短视频总访问量'].sum() / total_df['短视频总访问量'].sum()).round(2)
   print(f"头部效应: {head_effectiveness * 100}%")
   

3. 类目特征：

   high_video_conversion = df[df['视频浏览人数'] > 0.25]
   
   # 统计高引流占比直播间的带货类别分布
   category_distribution = high_video_conversion['带货品类'].value_counts(normalize=True) * 100
   print(category_distribution)
   

4. 粉丝体量：

   from scipy.stats import pearsonr
   
   # 计算皮尔逊相关系数
   correlation, p_value = pearsonr(df['粉丝数'], df['视频浏览人数'])
   print(f"粉丝数与引流能力的相关性: {correlation}")
   

通过上述分析，可以深入了解短视频在直播间引流中的效果、头部直播间的影响力以及不同类目的带货潜力。这些信息对优化直播策略和提升销售业绩具有重要意义。

以上分析数据来源：互联岛