运动户外品牌官方小店榜2026-07-18日榜

根据提供的数据和分析维度，我们可以从以下几个方面进行核心分析：

1. 品牌集中度

首先计算TOP3品牌小店（销售额最高的前三名）的销售额占比。

# 示例代码：计算TOP3品牌的销售额占比
top_3_brands = df.sort_values(by='sales', ascending=False).head(3)
total_sales = df['sales'].sum()
top_3_sales_sum = top_3_brands['sales'].sum()

brand_concentration_ratio = (top_3_sales_sum / total_sales) * 100
print(f"品牌集中度（TOP3）: {round(brand_concentration_ratio,2)}%")

2. 多渠道投放

统计每个品牌的关联达人/直播/视频的数量，并比较不同品牌之间的差异。

# 示例代码：计算每个品牌的多渠道投放数量
channel_counts = df.groupby('brand')['daisha_num', 'live_num', 'video_num'].sum().reset_index()

for brand, row in channel_counts.iterrows():
    print(f"{row['brand']}: 达人{row['daisha_num']}个，直播{row['live_num']}次，视频{row['video_num']}条")

3. 类目偏好

统计每个品牌的热门带货类目，并分析哪些类目的销售贡献较大。

# 示例代码：计算每个品牌的主要带货类目
category_counts = df.groupby('brand')['cate'].value_counts().unstack(fill_value=0)

for brand, row in category_counts.iterrows():
    print(f"{brand}: {row[row > 0]}")

4. 运营效率

分析动销商品数与直播/视频投放之间的关联情况。

# 示例代码：计算每个品牌动销商品数及直播/视频投放的相关性
efficiency_metrics = df.groupby('brand').agg(
    sales=['sum', 'mean'],
    active_skus=['count', lambda x: (x > 0).sum()],
    live_num='max',
    video_num='max'
).reset_index()

for brand, row in efficiency_metrics.iterrows():
    print(f"{row['brand']}: 总销售额{row['sales']['sum']}，平均销售额{round(row['sales']['mean'],2)}，"
          f"动销商品数{row['active_skus']['count']}个，其中活跃商品{row['active_skus'][1]}个，"
          f"最多直播次数{row['live_num']}次，视频播放量{row['video_num']}条")

结论

通过上述分析，我们可以得到以下结论：

• 品牌集中度：如果TOP3品牌的销售额占比过高（例如超过50%），则说明品牌集中度过高；反之，则表示品牌竞争较为分散。

• 多渠道投放：不同品牌的投放规模差异较大。部分品牌可能在多个平台和多种内容形式上都进行了广泛投入，而另一些品牌可能主要依赖于单一或少数几种渠道。

• 类目偏好：可以发现哪些类目更受这些官方小店的青睐，进而评估哪些产品线更能带来收益。

• 运营效率：通过对比动销商品数和直播/视频投放的关系，可以了解品牌的营销策略是否有效。例如，高动销率但低直播次数的品牌可能需要更多地探索内容营销方式；相反，低动销率但频繁进行直播/短视频的品牌则可能需要优化产品线或提高转化率。

希望以上分析对您有所帮助！如果还需要进一步的信息，请告诉我。

以上分析数据来源：互联岛