随拍直播风车榜2026-05-07日榜

添加日期：2026-05-08 03:23:41浏览：1

核心分析维度参考

商业转化
- 下载类：
  - 排名前五的达人的观看人次分布。
  - 达人与风车的商业转化率（例如，每万次播放带来的下载数）。
- 投保类：
  - 排名前五的达人的观看人次分布。
  - 达人与风车的商业转化率（例如，每万次播放带来的投保数）。
- 预约类：
  - 排名前五的达人的观看人次分布。
  - 达人与风车的商业转化率（例如，每万次播放带来的预约数）。
互动效率
- 点赞数与观看人次比值最高的达人/风车情况分析。
- 例如，计算每个达人在直播过程中点赞数/观看人数的比率，并进行排名。
重复投放
- 同一达人的多个直播间上榜次数统计（例如，同一个达人多次进入榜单）。
- 分析这些达人的表现是否有显著差异以及原因。
粉丝基数
- 粉丝数与风车曝光量的关系分析：
  - 计算每个风车的平均播放时长和平均观看人数，并与该风车的粉丝数量进行对比，看看是否相关。
  - 比较不同规模的达人（例如，10万、100万、1000万粉丝）的表现差异。

具体数据处理步骤

1. 商业转化

下载类

# 假设dataframe包含'直播标题', '观看人次', '下载数'等列
download_df = data[data['直播类型'] == '下载']

top_5_downloads = download_df.nlargest(5, '观看人次')
print(top_5_downloads[['直播标题', '观看人次', '下载数']])

# 计算转化率
for index, row in top_5_downloads.iterrows():
    conversion_rate = (row['下载数'] / row['观看人次']) * 10000
    print(f"{row['直播标题']} - 转化率: {conversion_rate:.2f}次/万播放")

投保类

# 假设dataframe包含'直播类型', '观看人次', '投保数'等列
insure_df = data[data['直播类型'] == '投保']

top_5_insures = insure_df.nlargest(5, '观看人次')
print(top_5_insures[['直播标题', '观看人次', '投保数']])

for index, row in top_5_insures.iterrows():
    conversion_rate = (row['投保数'] / row['观看人次']) * 10000
    print(f"{row['直播标题']} - 转化率: {conversion_rate:.2f}次/万播放")

预约类

# 假设dataframe包含'直播类型', '观看人次', '预约数'等列
appointment_df = data[data['直播类型'] == '预约']

top_5_appointments = appointment_df.nlargest(5, '观看人次')
print(top_5_appointments[['直播标题', '观看人次', '预约数']])

for index, row in top_5_appointments.iterrows():
    conversion_rate = (row['预约数'] / row['观看人次']) * 10000
    print(f"{row['直播标题']} - 转化率: {conversion_rate:.2f}次/万播放")

2. 互动效率

计算点赞数与观看人数比值

data['互动效率'] = (data['点赞数']) / (data['观看人次'])

top_efficiency = data.nlargest(10, '互动效率')
print(top_efficiency[['直播标题', '观看人次', '点赞数', '互动效率']])

3. 重复投放

统计达人多次上榜次数

repeat_listings = (
    data.groupby(['达人ID'])
    .size()
    .reset_index(name='上市次数')
    .nlargest(10, '上市次数')
)
print(repeat_listings)

# 分析这些达人的表现差异
repeated_data = data[data['达人ID'].isin(repeat_listings['达人ID'])]

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