居家日用品牌官方小店榜2026-07-18日榜

根据提供的数据，我们可以从以下几个维度进行核心分析：

1. 品牌集中度

• TOP3品牌小店销售额占比：
  • 计算前三名品牌（如水星家纺、幸福格调、思菲其）在所有品牌中的销售额占比。
  • 这将帮助了解是否有少数几个大品牌主导市场，还是多个品牌共享市场份额。

2. 多渠道投放

• 关联达人/直播/视频数的规模差异：
  • 计算每个品牌的关联达人数、参与直播的次数和发布视频的数量。
  • 分析这些指标在不同品牌间的分布情况，了解哪些品牌更注重多渠道营销。

3. 类目偏好

• 品牌官方小店热门带货类目：
  • 统计各个类目的销售额或订单量，并按从高到低排序。
  • 分析每个品牌的带货重点，例如水星家纺主要销售家居床上用品、幸福格调以婚庆用品为主。

4. 运营效率

• 动销商品数与直播/视频投放的联动表现：
  • 计算各品牌官方小店中具有活跃交易记录的商品数量。
  • 分析这些商品是否经常出现在直播间或视频中，以及它们之间的关联性。

具体操作步骤

1. 数据收集和整理：

   • 收集所有品牌的销售额、动销商品数、直播/视频发布情况等信息。
   • 整理各品牌在不同类目的销售表现。

2. 计算TOP3品牌小店的销售额占比：

   import pandas as pd
   
   # 示例数据
   data = {
       'brand': ['水星家纺', '幸福格调', '思菲其', '其他'],
       'sales': [80000, 60000, 45000, 190000]
   }
   
   df = pd.DataFrame(data)
   
   total_sales = df['sales'].sum()
   top3_sales = df.iloc[:3]['sales'].sum()
   concentration = (top3_sales / total_sales) * 100
   print(f'TOP3品牌销售额占比：{concentration:.2f}%')
   

3. 关联达人/直播/视频数的规模差异：

   data = {
       'brand': ['水星家纺', '幸福格调', '思菲其'],
       'influencers': [5, 8, 6],
       'live_streams': [10, 7, 9],
       'videos': [20, 25, 30]
   }
   
   df = pd.DataFrame(data)
   
   avg_influencers = df['influencers'].mean()
   avg_live_streams = df['live_streams'].mean()
   avg_videos = df['videos'].mean()
   
   print(f'平均达人数量：{avg_influencers:.2f}')
   print(f'平均直播次数：{avg_live_streams:.2f}')
   print(f'平均视频数量：{avg_videos:.2f}')
   

4. 类目偏好分析：

   data = {
       'brand': ['水星家纺', '幸福格调', '思菲其'],
       'bedding': [80, 15, 10],
       'wedding': [20, 85, 75],
       'other': [0, 0, 15]
   }
   
   df = pd.DataFrame(data)
   
   top_categories = df.loc[df['bedding'].idxmax()]['bedding'], \
                    df.loc[df['wedding'].idxmax()]['wedding'], \
                    df.loc[df['other'].idxmax()]['other']
   
   print(f'水星家纺主要带货类目：床品 ({top_categories[0]})')
   print(f'幸福格调主要带货类目：婚庆用品 ({top_categories[1]})')
   

5. 动销商品数与直播/视频投放的联动表现：

   data = {
       'brand': ['水星家纺', '幸福格调', '思菲其'],
       'active_products': [20, 30, 15],
       'live_streams': [10, 7, 9],
       'videos': [20, 25, 30]
   }
   
   df = pd.DataFrame(data)
   
   def calculate_efficiency(row):
       return row['live_streams'] + row['videos'] / row['active_products
   

---

以上分析数据来源：互联岛