3C数码家电付费引流榜2026-07-06日榜

基于上述数据，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：
  • 观察短视频引流占比高的直播间（例如视频引流超过30%的直播间），其销售表现是否更好。
  • 比较前5名和后5名直播间的引流占比及销售额，分析两者之间的关系。

2. 头部效应

• TOP3直播的引流人次占比：
  • 确定引流最高的前三名直播间（例如引流人次超过10万人次）。
  • 计算这三名直播间的总引流人数占所有直播间总引流人数的比例，以此判断头部直播间的整体贡献。

3. 类目特征

• 高引流占比的带货类目分布：
  • 对引流比大于平均值（假设为20%）的直播间进行分类统计。
  • 分析这些直播间主要销售哪些品类的产品。

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量。
  • 分别分析粉丝数较多和较少的直播间的引流比例，看是否有明显差异。

具体数据分析步骤：

1. 计算短视频引流占比与销售额的相关性:

   • 使用回归分析或相关系数来衡量短视频引流占比对销售额的影响。

2. 统计TOP3直播的引流人次占比:

   • 按照引流人数排序，选择前三个直播间。
   • 计算这三个直播间总引流人数占所有直播间总引流人数的比例。

3. 分类并统计高引流比带货类目:

   • 筛选出引流比大于20%的直播间。
   • 了解这些直播间的销售品类，制作分布图或频数表进行可视化展示。

4. 分析粉丝体量与引流能力的关系:

   • 分别选择高粉丝量（例如前30%）和低粉丝量（例如后30%）的直播间。
   • 比较这两组直播间的平均引流占比，判断粉丝数量是否影响引流效率。

举例

• 短视频引流与销售额的相关性分析:

  import pandas as pd
  from scipy.stats import pearsonr
  
  # 假设df为包含所有数据的DataFrame
  correlation, p_value = pearsonr(df['short_video_referral_ratio'], df['sales'])
  print(f"Correlation: {correlation}, P-Value: {p_value}")
  

• TOP3直播引流占比分析:

  top_3_referrals = df.sort_values(by='short_video_referral_ratio', ascending=False).head(3)
  total_referrals = df['total_referrals'].sum()
  top_3_total_referrals = top_3_referrals['total_referrals'].sum()
  
  print(f"TOP3直播间总引流占比: {top_3_total_referrals / total_referrals * 100}%")
  

• 高引流比带货类目分布:

  high_referral_df = df[df['short_video_referral_ratio'] > 20]
  category_distribution = high_referral_df['category'].value_counts(normalize=True)
  print(category_distribution)
  

通过以上步骤，可以全面评估各直播间的引流效率、头部直播间贡献度以及不同类目下的引流表现。

以上分析数据来源：互联岛