短视频引流榜2026-06-29~2026-07-05周榜

基于您提供的数据，可以进行以下核心分析：

1. 引流效率

• 短视频引流占比与销售额的相关性：
  • 计算每个直播的短视频引流占比。
  • 比较该占比与销售额之间的相关性（可通过皮尔森相关系数或斯皮尔曼等级相关系数进行计算）。

2. 头部效应

• TOP3直播的引流人次占比：
  • 筛选出前三个最高引流人数的直播。
  • 计算这三个直播的引流总人数占所有直播引流总人数的比例。

例如，假设引流总人数为10,000人，前三名分别为2,500、2,000和1,800人，则头部效应占比为 (25% + 20% + 18%) = 63%。

3. 类目特征

• 高引流占比直播的带货类目分布：
  • 将所有直播间按引流人数进行排序。
  • 分析位于前10%引流占比的直播间中，主要售卖的商品类别（如服装、食品、家居等）。

例如，如果在前10%引流占比的直播间中，有80%是服装类直播，则可推断服装类商品具有较高的引流能力。

4. 粉丝体量

• 粉丝数与引流能力的关系：
  • 计算每个主播的平均粉丝数。
  • 分析该平均粉丝数与对应直播间引流人数之间的关系（可通过散点图进行可视化）。

例如，假设某主播拥有50,000粉丝，引流人数为2,000人，则可计算出每千名粉丝引流人数比例为4%。

数据分析步骤

1. 数据整理：将所有直播的数据整理成一个结构化的表格。
2. 计算指标：
   • 短视频引流占比 = (短视频引流人数 / 总引流人数) * 100%
   • TOP3引流总人数占比
   • 每千名粉丝引流人数比例 = 引流人数 / 平均粉丝数 * 1,000
3. 相关性分析：使用统计软件（如Python的pandas、numpy、matplotlib）进行相关性计算和可视化。
4. 结果解读：
   • 根据以上指标，总结出哪些直播效果较好，并找出影响因素。

示例代码

import pandas as pd

# 假设数据已经整理成如下格式
data = {
    '主播ID': ['A', 'B', 'C', ...],
    '引流人数': [1000, 2000, 3000, ...],
    '短视频引流占比': [50, 60, 70, ...],
    '销售额': [10000, 20000, 30000, ...],
    '平均粉丝数': [50000, 40000, 60000, ...]
}

df = pd.DataFrame(data)

# 计算每千名粉丝引流人数比例
df['每千名粉丝引流人数'] = df['引流人数'] / (df['平均粉丝数'] * 1e-3)

通过以上步骤和分析，可以更全面地了解直播间的表现及其背后的原因。

以上分析数据来源：互联岛