让我们从几个核心分析维度对这些数据进行详细分析:
计算方法:
# 示例数据(假设已经提取并清洗)
brands = {
'品牌A': 150000,
'品牌B': 120000,
'品牌C': 90000,
# 其他品牌
}
total_sales = sum(brands.values())
top_3_sales = sum([brands['品牌A'], brands['品牌B'], brands['品牌C']])
# 计算前三个品牌的销售额占比
brand_concentration = (top_3_sales / total_sales) * 100
print(f"品牌集中度: {brand_concentration:.2f}%")
分析方法:
# 示例数据(假设已经提取并清洗)
channels = {
'品牌A': {'达人数': 5, '直播次数': 10, '视频数': 20},
'品牌B': {'达人数': 3, '直播次数': 8, '视频数': 15},
# 其他品牌
}
# 计算每个品牌的平均值和标准差
avg_reach = sum([channels[b]['达人数'] for b in channels.values()]) / len(channels)
std_dev_reach = np.std(list(channels.keys()), key=lambda x: channels[x]['达人数'])
print(f"关联达人/直播/视频数的规模差异:平均值{avg_reach}, 标准差{std_dev_reach}")
分析方法:
# 示例数据(假设已经提取并清洗)
categories = {
'品牌A': {'绿植花卉': 100000, '园艺工具': 30000, '花盆花器': 20000},
'品牌B': {'绿植花卉': 70000, '园艺工具': 40000, '肥料': 15000},
# 其他品牌
}
# 计算每个类目的总销售额和占比
total_category_sales = defaultdict(int)
for b in categories.values():
for cat, sales in b.items():
total_category_sales[cat] += sales
category_sales_percentages = {k: (v / total_sales) * 100 for k, v in total_category_sales.items()}
print(f"类目偏好分析:{category_sales_percentages}")
分析方法:
# 示例数据(假设已经提取并清洗)
efficiency = {
'品牌A': {'动销商品数': 50, '直播次数': 10, '视频数': 20},
'品牌B': {'动销商品数': 30, '直播次数': 8, '视频数': 15},
# 其他品牌
}
# 计算相关系数(例如Pearson相关系数)
from scipy.stats import pearsonr
# 示例计算品牌A和品牌B的相关性
correlation_coefficient, _ = pearsonr(efficiency['品牌A']['动销商品数'], efficiency['品牌A']['直播次数'])
print(f"运营效率关联度:{correlation_coefficient}")
以上分析数据来源:互联岛