厨卫家电付费引流榜2026-06-29~2026-07-05周榜

根据提供的数据，我们可以从以下几个维度进行深入分析：

1. 引流效率

• 短视频引流占比 vs 销售额
  • 计算每个直播间短视频引流带来的销售额占比。
  • 通过相关性分析确定短视频引流对销售额的影响。

2. 头部效应

• TOP3直播的引流人次占比
  • 确定前三位直播间的总引流人次及其占总引流人数的比例。
  • 分析这些头部直播间是否能带来超过50%的引流效果。

3. 类目特征

• 高引流占比类目的带货情况
  • 对于引流占比高的类目，如家居、日用品等，分析其在不同直播间的销售额表现。
  • 探讨特定类目下引流效果较好的直播间特点。

4. 粉丝体量

• 粉丝数与引流能力的关系
  • 统计每个直播间平均粉丝数，并绘制图表展示与总引流人数之间的关系。
  • 分析是否有明显的线性或非线性关系，即粉丝数增加是否意味着引流能力提高。

具体分析步骤：

1. 数据清洗和整理：

   • 确认数据的准确性和完整性。
   • 整理出每个直播间的具体引流人数、短视频播放次数、销售额等关键指标。

2. 计算关键指标：

   • 计算短视频带来的人次占比：短视频引流量 / 总引流量
   • 计算TOP3直播间的总引流人次及其占总引流人数的比例。
   • 统计各类目下的引流情况和销售额。

3. 统计分析与可视化展示：

   • 使用图表（如柱状图、散点图）来展示各指标之间的关系。
   • 利用Excel或Python等工具进行数据分析和绘图。

4. 模型建立与验证：

   • 建立简单的回归模型，探索短视频引流与销售额之间的相关性。
   • 通过假设检验（如t检验、ANOVA）确认头部效应显著性。
   • 分析粉丝数对引流效果的影响，并构建相应的线性或非线性关系模型。

示例图表及数据

引流效率

短视频引流占比 vs 销售额

| 直播间 | 短视频引流量（人） | 总引流量（人） | 视频播放次数 | 销售额（元） | |--------|------------------|--------------|-------------|------------| | A | 100 | 200 | 500 | 10,000 | | B | 80 | 160 | 400 | 9,000 |

import matplotlib.pyplot as plt

# 示例数据
video_views = [200, 300, 400]
sales = [15, 20, 25]

plt.scatter(video_views, sales)
plt.xlabel('短视频引流量（人）')
plt.ylabel('销售额（元）')
plt.title('短视频引流与销售额的关系')
plt.show()

头部效应

TOP3直播间的总引流人次占比

| 直播间 | 引流人数（人） | |--------|---------------| | A | 60 | | B | 50 | | C | 40 |

total_views = sum([60, 50, 40])
top3_views = sum([60, 50, 40])

print(f"TOP3直播间总引流人数占比：{top3_views / total_views * 100:.2f}%")

类目特征

高引流占比类目的带货情况

| 类别 | 平均引流量（人） | 销售额（元/人） | |------|-----------------|--------------| | 日用品 | 30 | 25 | | 家居 | 40 | 18 |

import pandas as pd

data = {'类别': ['日用品', '家居'], 
        '平均引流量（人）': [30, 40],
        '销售额（元/人）': [25, 18]}

df = pd.DataFrame(data)
print(df)

粉丝体量

粉丝数与引流能力的关系

| 直播间 | 平均粉丝数（人） |

以上分析数据来源：互联岛