根据提供的数据,我们可以从以下几个核心维度进行分析:
计算每个直播间的短视频引流效率(以销售额/视频曝光量为基准):
短视频引流效率 = 单个直播间销售额 / 视频曝光量
计算总引流人次:
TOP3直播间总引流人次 = 65,749 + 35,273 + 48,492 = 149,514
引流能力强的直播间带货类目分布: 根据前五名直播间(引流人数超过2万次)的带货情况,分析这些类目在各个直播间的占比。
根据每个直播间的粉丝数和引流人数之间的关系,确定两者间是否存在显著的相关性。
可以使用线性回归或其他相关性分析方法进行数据拟合。
计算短视频引流效率:
total_sales = 865073
total_video_views = 2460000
# 短视频引流效率(单位:元/次)
def calculate_short_video_conversion_rate(sales, video_views):
return sales / video_views
# 计算每个直播间的短视频引流效率
for idx in range(len(data)):
sales = data[idx]['销售额']
views = data[idx]['总曝光次数']
efficiency = calculate_short_video_conversion_rate(sales, views)
print(f"直播间{idx + 1}的短视频引流效率:{efficiency:.2f}")
分析头部效应:
top3_live_rooms = ['李心暖', '阿迪达斯店', '木子李']
total_top3_sales = 840000
total_sales = 865073
# 计算TOP3直播间的引流占比
top3_conversion_rate = (total_top3_sales / total_sales) * 100
print(f"TOP3直播间总销售额占比:{top3_conversion_rate:.2f}%")
分析类目特征:
categories = ['上衣/外套', '裤子', '鞋靴', '女装', '美妆']
# 统计带货类目的分布情况(假设数据已有相关字段)
category_distribution = {category: 0 for category in categories}
for idx in range(len(data)):
category = data[idx]['商品类别']
if category in category_distribution:
category_distribution[category] += 1
# 输出统计结果
for category, count in category_distribution.items():
print(f"{category}:{count}次")
分析粉丝体量与引流能力的关系:
import pandas as pd
df = pd.DataFrame(data)
# 统计粉丝数与引流人数之间的相关性(假设数据已有相关字段)
correlation = df[['粉丝数', '引流人数']].corr()
print
以上分析数据来源:互联岛