直播營(yíng)銷數(shù)據(jù)分析Livestreamingmarketingdataanalysis聚沉淀太平鳥(niǎo)女裝圍繞用戶生命周期，前后臺(tái)密切協(xié)作：短期內(nèi)，以口播形式為賬號(hào)增粉，撬動(dòng)短效杠桿；在長(zhǎng)期，不斷完善客服響應(yīng)速度和備貨情況，提高用戶復(fù)購(gòu)率促轉(zhuǎn)化內(nèi)容是良好運(yùn)營(yíng)的核心，太平鳥(niǎo)女裝持續(xù)打磨、優(yōu)化內(nèi)容：升級(jí)布置直播間裝修和商品櫥窗；通過(guò)不同體型的主播搭配講解同一套衣服，全面展示商品賣(mài)點(diǎn)匯流量太平鳥(niǎo)女裝憑借每天超過(guò)18個(gè)小時(shí)的持續(xù)自播投入，逐步沉淀高購(gòu)買(mǎi)意向的用戶人群；通過(guò)分析這一批初期客群畫(huà)像，太平鳥(niǎo)女裝得以準(zhǔn)確定位付費(fèi)流量的投放人群案例引入“太平鳥(niǎo)女裝以優(yōu)質(zhì)內(nèi)容為核心，領(lǐng)跑自播賽道，打造穩(wěn)定日銷”從2020年下半年起，太平鳥(niǎo)女裝進(jìn)駐抖音電商，正式設(shè)立專門(mén)團(tuán)隊(duì)運(yùn)營(yíng)抖音小店針對(duì)用戶互動(dòng)高、決策快的特點(diǎn)，太平鳥(niǎo)女裝以每天長(zhǎng)時(shí)間自播為切入點(diǎn)，沉淀精準(zhǔn)粉絲，同時(shí)著力提升直播內(nèi)容太平鳥(niǎo)女裝依靠直播營(yíng)銷活動(dòng)，在數(shù)據(jù)層面，關(guān)注流量、轉(zhuǎn)化、沉淀數(shù)據(jù)的變化，根據(jù)數(shù)據(jù)表現(xiàn)，不斷優(yōu)化直播間策略，最終獲得品牌總銷售額的快速成長(zhǎng)：日均GMV從10萬(wàn)提升至約300萬(wàn)思考隨著用戶購(gòu)物習(xí)慣的變化和社交媒體的興起，直播營(yíng)銷活動(dòng)已成為電商領(lǐng)域的一大熱門(mén)趨勢(shì)，接下來(lái)讓我們一起深入探討直播營(yíng)銷活動(dòng)在電商行業(yè)中的價(jià)值和意義。思考一下：1.你認(rèn)為現(xiàn)在的品牌做直播電商，需要關(guān)注哪些數(shù)據(jù)指標(biāo)？2.直播相較于傳統(tǒng)商務(wù)方式有哪些獨(dú)特的優(yōu)勢(shì)和重要性？嚴(yán)謹(jǐn)勤儉求實(shí)開(kāi)拓01直播營(yíng)銷活動(dòng)概述02直播營(yíng)銷活動(dòng)商品推廣案例03直播營(yíng)銷活動(dòng)商品推廣分析及預(yù)測(cè)04實(shí)訓(xùn)Part1直播營(yíng)銷活動(dòng)概述嚴(yán)謹(jǐn)勤儉求實(shí)開(kāi)拓即時(shí)事件常用媒介直達(dá)受眾由于直播完全與事件的發(fā)生、發(fā)展進(jìn)程同步，因此可以第一時(shí)間反映現(xiàn)場(chǎng)狀態(tài)收聽(tīng)或觀看直播通常無(wú)須專門(mén)購(gòu)買(mǎi)昂貴的設(shè)備，使用手機(jī)、平板、筆記本電腦等常用設(shè)備即可了解事件的最新進(jìn)展與錄播節(jié)目相比，直播節(jié)目不會(huì)做過(guò)多的剪輯與后期加工，所有現(xiàn)場(chǎng)情況直接傳達(dá)給觀眾直播營(yíng)銷活動(dòng)要素直播營(yíng)銷活動(dòng)是指企業(yè)通過(guò)直播平臺(tái)，利用視頻直播的形式進(jìn)行產(chǎn)品或服務(wù)的推廣和銷售的一種營(yíng)銷方式01直播行業(yè)整體發(fā)展歷程網(wǎng)絡(luò)速度和硬件水平是影響互聯(lián)網(wǎng)直播發(fā)展的主要因素：受這兩個(gè)因素制約，互聯(lián)網(wǎng)直播行業(yè)的發(fā)展歷史分為四大階段，包括圖文直播、秀場(chǎng)直播、游戲直播、移動(dòng)直播等01直播行業(yè)發(fā)展歷程網(wǎng)絡(luò)速度和硬件水平是影響互聯(lián)網(wǎng)直播發(fā)展的主要因素：受這兩個(gè)因素制約，互聯(lián)網(wǎng)直播行業(yè)的發(fā)展歷史分為四大階段，包括圖文直播、秀場(chǎng)直播、游戲直播、移動(dòng)直播等直播類型????內(nèi)容形式????帶寬要求????依賴硬件????代表平臺(tái)/場(chǎng)景??圖文直播文字+靜態(tài)圖片低（≤100Kbps）基礎(chǔ)拍攝設(shè)備微博、新聞網(wǎng)站秀場(chǎng)直播才藝視頻+實(shí)時(shí)互動(dòng)中（2-5Mbps）高清攝像頭、PC映客、花椒游戲直播游戲畫(huà)面+解說(shuō)高（≥10Mbps）高性能PC/顯卡斗魚(yú)、虎牙移動(dòng)直播手機(jī)高清視頻+社交極高（5G）智能手機(jī)、云服務(wù)器抖音、央視新聞移動(dòng)端01Part2直播營(yíng)銷活動(dòng)商品推廣案例嚴(yán)謹(jǐn)勤儉求實(shí)開(kāi)拓商品數(shù)據(jù)概況5630名用戶基本信息消費(fèi)信息消費(fèi)偏好02數(shù)據(jù)集變量變量名稱變量描述CustomerID用戶唯一IDChurn用戶是否流失（0:否;1:是）Tenure用戶使用平臺(tái)的期限（月）PreferredLoginDevice用戶首選登錄設(shè)備CityTier用戶所在城市級(jí)別WarehouseToHome倉(cāng)庫(kù)與用戶收貨地址之間的距離AgeGroup用戶年齡(1:10-19;2:20-29;3:30-39;4:40-49;5:50-59;6:60-69)MaritalStatus用戶的婚姻狀況Gender用戶性別HourSpendOnApp用戶使用App的小時(shí)數(shù)PreferedOrderCat用戶最近一個(gè)月的訂單偏好類別SatisfactionScore用戶對(duì)服務(wù)的滿意度NumberOfStreamerFollowed用戶所關(guān)注的流媒體數(shù)量Complain用戶最近一個(gè)月是否提出投訴（0:否;1:是）OrderAmountHikeFromlastYear用戶訂單較去年增加的百分比CouponUsed用戶最近一個(gè)月使用的優(yōu)惠券總數(shù)OrderCount用戶最近一個(gè)月已下訂單的總數(shù)DaySinceLastOrder用戶距上次下單天數(shù)DiscountAmount用戶最近一個(gè)月平均每筆訂單節(jié)省的價(jià)錢(qián)商品數(shù)據(jù)指標(biāo)02數(shù)據(jù)預(yù)處理importpandasaspd#讀取數(shù)據(jù)excel_file=pd.ExcelFile('直播電商數(shù)據(jù)集.xlsx')#數(shù)據(jù)預(yù)覽df=excel_file.parse(sheet_name)print(f'sheet表名為{sheet_name}的基本信息：')()對(duì)數(shù)據(jù)進(jìn)行清洗，分析數(shù)據(jù)集中的變量是否存在缺失值，并對(duì)缺失值進(jìn)行處理#變量非空值數(shù)量變量類型1CustomerID5630int642Churn5630int643Tenure5366float644PreferredLoginDevice5630object5CityTier5630int646WarehouseToHome5379float647MaritalStatus5630object8AgeGroup5630int649Gender5630object10HourSpendOnApp5375float6411OrderCount5372float6412OrderAmountHikeFromlastYear5365float6413DaySinceLastOrder5323float6414PreferedOrderCat5630object15NumberOfStreamerFollowed5630int6416SatisfactionScore5630int6417Complain5630int6418CouponUsed5374float6419DiscountAmount5630float64Tenure、WarehouseToHome、HourSpendOnApp、OrderCount、OrderAmountHikeFromlastYear、DaySinceLastOrder、CouponUsed這7個(gè)變量均存在缺失值數(shù)據(jù)情況表商品數(shù)據(jù)指標(biāo)02數(shù)據(jù)預(yù)處理數(shù)據(jù)缺失值填充方式常用的缺失值處理方式包括直接刪除、均值填充、中位數(shù)填充、眾數(shù)填充等。以Tenure這個(gè)字段為例，觀察到該變量有明顯的離群值，因此使用中位數(shù)進(jìn)行填充。其他字段的缺失值填充方式與此類似#填充Tenure列的缺失值df['Tenure'].fillna(df['Tenure'].median(),inplace=True)#填充WarehouseToHome列的缺失值df['WarehouseToHome'].fillna(df['WarehouseToHome'].median(),inplace=True)#填充HourSpendOnApp列的缺失值df['HourSpendOnApp'].fillna(df['HourSpendOnApp'].mean(),inplace=True)#填充OrderCount列的缺失值df['OrderCount'].fillna(0,inplace=True)#填充OrderAmountHikeFromlastYear列的缺失值df['OrderAmountHikeFromlastYear'].fillna(df['OrderAmountHikeFromlastYear'].median(),inplace=True)#填充CouponUsed列的缺失值df['CouponUsed'].fillna(df['CouponUsed'].median(),inplace=True)#填充DaySinceLastOrder列的缺失值df['DaySinceLastOrder'].fillna(df['DaySinceLastOrder'].median(),inplace=True)商品數(shù)據(jù)指標(biāo)02用戶屬性特征分析——常用登錄設(shè)備分析首先獲取已經(jīng)流失和未流失的用戶，然后按照登陸設(shè)備的類別進(jìn)行分組，計(jì)算流失和非流失用戶的數(shù)量，并繪制餅圖#分析用戶登錄設(shè)備（餅圖）#分析流失用戶的首選登錄設(shè)備df_churn1=df.loc[df['Churn']==1]#獲取流失的用戶#按照登錄設(shè)備分組后計(jì)算數(shù)據(jù)個(gè)數(shù)df_churn1_PreferredLoginDevice=\df_churn1.groupby(['PreferredLoginDevice'])['CustomerID'].count().reset_index().rename(columns={'CustomerID':'count'})label_churn1_PreferredLoginDevice=df_churn1_PreferredLoginDevice['PreferredLoginDevice']#提取標(biāo)簽plt.rcParams['font.sans-serif']=['SimHei']#用來(lái)正常顯示標(biāo)簽plt.rcParams['axes.unicode_minus']=False#用來(lái)正常顯示負(fù)號(hào)plt.pie(df_churn1_PreferredLoginDevice['count'],#傳入標(biāo)簽labels=label_churn1_PreferredLoginDevice.values,#格式化輸出百分比autopct='%.2f%%'，pctdistance=1.2,labeldistance=1.05)plt.show()#分析未流失用戶的首選登錄設(shè)備（餅圖）df_churn0=df.loc[df['Churn']==0]#獲取未流失的用戶#按照登錄設(shè)備分組后計(jì)算數(shù)據(jù)個(gè)數(shù)df_churn0_PreferredLoginDevice=\df_churn0.groupby(['PreferredLoginDevice'])['CustomerID'].count().reset_index().rename(columns={'CustomerID':'count'})label_churn0_PreferredLoginDevice=df_churn0_PreferredLoginDevice['PreferredLoginDevice']#提取標(biāo)簽plt.rcParams['font.sans-serif']=['SimHei']#用來(lái)正常顯示標(biāo)簽plt.rcParams['axes.unicode_minus']=False#用來(lái)正常顯示負(fù)號(hào)plt.pie(df_churn0_PreferredLoginDevice['count'],#傳入標(biāo)簽labels=label_churn1_PreferredLoginDevice.values,#格式化輸出百分比autopct='%.2f%%',pctdistance=1.24,labeldistance=1.05,)plt.show()商品數(shù)據(jù)指標(biāo)02用戶屬性特征分析——常用登錄設(shè)備分析使用移動(dòng)手機(jī)的用戶比例最高，不論是在流失用戶群體中，還是在未流失用戶群體中說(shuō)明移動(dòng)手機(jī)的用戶穩(wěn)定性最好，而Pad

的用戶穩(wěn)定性最差商品數(shù)據(jù)指標(biāo)02用戶屬性特征分析——常用登錄設(shè)備分析接下來(lái)使用堆積柱狀圖分析用戶在選擇不同首選登錄設(shè)備時(shí)用戶的流失情況，從而判斷哪種首選登錄設(shè)備流失比例最高。首先獲取在不同設(shè)備登錄的用戶，然后按照是否發(fā)生流失進(jìn)行分組，計(jì)算流失和非流失用戶的占比，并繪制堆積柱狀圖#分析用戶在首選登錄設(shè)備不同情況下的流失情況（堆積柱狀圖）df_MobilePhone=df.loc[df['PreferredLoginDevice']=='MobilePhone']#獲取首選移動(dòng)手機(jī)的用戶df_Phone=df.loc[df['PreferredLoginDevice']=='Phone']#獲取首選電話的用戶df_Pad=df.loc[df['PreferredLoginDevice']=='Pad']#獲取首選平板計(jì)算機(jī)的用戶y1=[list(df_MobilePhone['Churn']).count(1),list(df_Phone['Churn']).count(1),list(df_Pad['Churn']).count(1)]#流失y2=[list(df_MobilePhone['Churn']).count(0),list(df_Phone['Churn']).count(0),list(df_Pad['Churn']).count(0)]#未流失data=[y1,y2]#為方便后續(xù)引用，將數(shù)據(jù)放入datalabel_churn0_PreferredLoginDevice=['MobilePhone','Phone','Pad']#提取標(biāo)簽（注意x軸順序）x=range(len(label_churn0_PreferredLoginDevice))#獲取的labels依次給到x軸bottom_y=np.zeros(len(label_churn0_PreferredLoginDevice))#將bottom_y元素都初始化為0data=np.array(data)#將data放入數(shù)組中sums=np.sum(data,axis=0)#求數(shù)組data的和，為計(jì)算百分比做準(zhǔn)備j=0colors=['#66c2a5','#8da0cb']figure,ax=plt.subplots()#創(chuàng)建子圖，采用默認(rèn)設(shè)置foriindata:#通過(guò)函數(shù)繪制圖像y=i/sums#獲取各個(gè)y值的百分比plt.bar(x,y,width=0.5,color=np.array(colors)[j],bottom=bottom_y,edgecolor='gray')bottom_y=y+bottom_y#實(shí)現(xiàn)百分比柱子的堆積plt.xticks(x,label_churn0_PreferredLoginDevice)#設(shè)置x軸的坐標(biāo)標(biāo)簽legend_labels=['流失用戶比例','未流失用戶比例']#設(shè)置圖像圖例color=['#66c2a5','#8da0cb',]#設(shè)定與柱子相同的顏色

#將顏色和圖例標(biāo)簽對(duì)應(yīng)patches=[mpatches.Patch(color=color[h],label=”{:s}”.format(legend_labels[h]))forhinrange(len(legend_labels))]ax=plt.gca()#繪制子圖box=ax.get_position()plt.gca().yaxis.set_major_formatter(PercentFormatter(1))#縱軸設(shè)置為百分比#生成legend，顯示標(biāo)簽；用bbox_to_anchor=(1,1)設(shè)置圖例的位置ax.legend(handles=patches,ncol=1,bbox_to_anchor=(1,1))figure.subplots_adjust(right=0.7)j+=1#color=np.array(colors)[j]，通過(guò)數(shù)組設(shè)定柱子的顏色Y_churn0=[list(df_MobilePhone['Churn']).count(0)/len(df_MobilePhone),list(df_Phone['Churn']).count(0)/len(df_Phone),list(df_Pad['Churn']).count(0)/len(df_Pad)]#不同首選登錄設(shè)備未流失用戶占比Y_churn1=[list(df_MobilePhone['Churn']).count(1)/len(df_MobilePhone),list(df_Phone['Churn']).count(1)/len(df_Phone),list(df_Pad['Churn']).count(1)/len(df_Pad)]#不同首選登錄設(shè)備流失用戶占比f(wàn)ora,binzip(x,Y_churn0):#柱子上的數(shù)字顯示plt.text(a,b,'%.2f%%'%(b*100),ha='center',va='bottom');fora,binzip(x,Y_churn1):#柱子上的數(shù)字顯示plt.text(a,b,'%.2f%%'%(b*100),ha='center',va='bottom');labels=ax.get_xticklabels()+ax.get_yticklabels()ax.set_ylabel('流失用戶與未流失用戶占比',fontsize=13)ax.set_xlabel('用戶首選登錄設(shè)備',fontsize=13)plt.show()商品數(shù)據(jù)指標(biāo)02用戶屬性特征分析——常用登錄設(shè)備分析使用移動(dòng)電話的流失用戶占比12.5%使用平板電腦的流失用戶占比19.8%使用電話的流失用戶占比22.4%根據(jù)分析結(jié)果，建議產(chǎn)品團(tuán)隊(duì)測(cè)試電話和平板電腦的用戶端是否存在使用問(wèn)題02直播營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)用戶屬性特征分析——性別分析通過(guò)餅圖對(duì)用戶性別進(jìn)行分析，分析流失用戶和未流失用戶的性別占比，對(duì)不同性別用戶采取不同的商務(wù)活動(dòng)策略從圖9-15和圖9-16可以看出，總體來(lái)說(shuō)女性用戶比例最高，說(shuō)明直播活動(dòng)的主要受眾群體為女性，在進(jìn)行商務(wù)活動(dòng)時(shí)更應(yīng)該關(guān)注女性群體的偏好，同時(shí)制定其他策略吸引更多的男性用戶。02直播營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)用戶屬性特征分析——性別分析使用堆積柱狀圖分析不同性別用戶的流失情況02直播營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)用戶屬性特征分析——性別分析如圖所示，女性用戶是平臺(tái)的主要用戶，女性的流失用戶占比為17.7%，男性的流失用戶占比為15.5%，基本持平。建議運(yùn)營(yíng)團(tuán)隊(duì)根據(jù)男性與女性喜歡的直播風(fēng)格，進(jìn)行直播內(nèi)容定向推送，嘗試降低其流失率。02直播營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)用戶屬性特征分析——年齡分析利用餅圖對(duì)用戶年齡段進(jìn)行分析，分析流失用戶和未流失用戶的年齡占比，從而采取相應(yīng)的改進(jìn)措施根據(jù)圖9-10和9-11結(jié)果可知，年齡處于40-49歲和30-39歲的用戶占比最多，分別占比41.35%和39.30%，所以既要制定合適的策略挽留該組用戶，又要維系未流失的用戶，其次年齡處于20-29歲和50-59歲的用戶群體也十分重要，應(yīng)該制定適當(dāng)?shù)纳虅?wù)活動(dòng)吸用戶。02直播營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)用戶屬性特征分析——年齡分析使用堆積柱狀圖分析每個(gè)年齡段用戶的流失情況02直播營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)用戶屬性特征分析——年齡分析如圖所示，年齡為60-69歲的分組流失用戶占比最高，為34.6%；其次是年齡分組為50-59歲，流失用戶占比為22.5%。建議運(yùn)營(yíng)團(tuán)隊(duì)增加年齡分組為50-59歲和60-69歲這部分群體喜歡的直播內(nèi)容和商品進(jìn)駐，提高其留存率。02直播營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)用戶行為特征分析——計(jì)算流失率計(jì)算結(jié)果約為16.84%。數(shù)據(jù)集中標(biāo)簽為“1”的用戶為已經(jīng)流失的用戶，根據(jù)流失率計(jì)算公式（流失的用戶數(shù)量除以總用戶數(shù)量，即標(biāo)簽為“1”的用戶數(shù)量/總用戶數(shù)量），計(jì)算流失率02直播營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)用戶行為特征分析——最近一個(gè)月訂單偏好類型分析使用餅圖分析用戶的訂單偏好類別。首先獲取流失用戶和非流失用戶的數(shù)據(jù)，然后獲取每一個(gè)類別用戶的訂單偏好，繪制不同的餅圖。02直播營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)用戶行為特征分析——最近一個(gè)月訂單偏好類型分析從圖9-13和圖9-14可以看出用戶更加喜歡筆記本電腦和移動(dòng)手機(jī)類型的產(chǎn)品，所以在直播營(yíng)銷活動(dòng)中，可以重點(diǎn)推出這兩種類型的產(chǎn)品，并連帶銷售其他類型產(chǎn)品，提高整體銷售額。02直播營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)使用堆積柱狀圖分析每一個(gè)偏好下流失用戶和非流失用戶的占比用戶行為特征分析——最近一個(gè)月訂單偏好類型分析02直播營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)如圖所示，上月主要訂單為移動(dòng)手機(jī)和食品的流失用戶占比較多，均超過(guò)了25%，其次是上月訂單為時(shí)尚單品的用戶?？赡艿脑?yàn)橐苿?dòng)手機(jī)和食品的商品使用周期較長(zhǎng)，用戶購(gòu)買(mǎi)該類商品后，很長(zhǎng)一段時(shí)間不再有相同的購(gòu)買(mǎi)意愿，從而造成用戶流失。用戶行為特征分析——最近一個(gè)月訂單偏好類型分析Part3直播營(yíng)銷活動(dòng)商品推廣分析及預(yù)測(cè)嚴(yán)謹(jǐn)勤儉求實(shí)開(kāi)拓JUNE12th03直播營(yíng)銷活動(dòng)商品推廣分析及預(yù)測(cè)——邏輯回歸模型目標(biāo)：預(yù)測(cè)哪些用戶更可能在未來(lái)流失方法：邏輯回歸模型03直播營(yíng)銷活動(dòng)商品推廣分析及預(yù)測(cè)——邏輯回歸模型機(jī)器學(xué)習(xí)按任務(wù)類型分類Classification：分類任務(wù)：預(yù)測(cè)離散變量（決策樹(shù)、隨機(jī)森林、SVM、邏輯回歸等）Regression：回歸任務(wù)：預(yù)測(cè)連續(xù)變量（線性回歸、隨機(jī)森林回歸、SVR等）Clustering：聚類任務(wù)：無(wú)監(jiān)督分組，標(biāo)簽未知（Kmeans、AgglomerativeClustering等）DimensionalityReduction：降維任務(wù)：壓縮特征維度（PCA、TruncatedSVD、t-SNE等）Preprocessing：預(yù)處理ModelSelection：模型選擇按學(xué)習(xí)過(guò)程分類邏輯回歸？監(jiān)督學(xué)習(xí)無(wú)監(jiān)督學(xué)習(xí)強(qiáng)化學(xué)習(xí)邏輯回歸不是“算一個(gè)數(shù)”，而是判斷一件事是不是會(huì)發(fā)生，它輸出的不是一個(gè)具體的數(shù)值，而是一個(gè)“概率”，邏輯回歸時(shí)一種做判斷的數(shù)學(xué)工具。缺點(diǎn)：①容易受到異常值影響，對(duì)異常值較為敏感；②對(duì)特征相關(guān)性較強(qiáng)的數(shù)據(jù)表現(xiàn)不佳，模型性能可能會(huì)下降。優(yōu)點(diǎn)：①易于理解和解釋：可以提供特征對(duì)分類結(jié)果的影響程度；②計(jì)算代價(jià)低：訓(xùn)練和預(yù)測(cè)速度相對(duì)較快；③小型數(shù)據(jù)集效果好1.首先模型將“下單間隔”“折扣力度”“用戶投訴”等變量作為輸入特征。2.接下來(lái)為每個(gè)變量分配一個(gè)權(quán)重，表示其對(duì)用戶是否流失的影響方向與程度。3.這些變量的加權(quán)求和形成一個(gè)得分，用于衡量用戶的“流失傾向”4.該得分通過(guò)邏輯函數(shù)轉(zhuǎn)換為0到1的概率，表示用戶流失的可能性。5.通常以0.5為閾值，若概率大于該值則預(yù)測(cè)為“即將流失”，反之則不流失。6.通過(guò)歷史數(shù)據(jù)訓(xùn)練，模型不斷調(diào)整權(quán)重，從而學(xué)習(xí)各變量與流失行為之間的真實(shí)關(guān)系。7.得出最終學(xué)習(xí)結(jié)果03直播營(yíng)銷活動(dòng)商品推廣分析及預(yù)測(cè)——邏輯回歸模型變量名含義可能的解釋HourSpendonApp用戶使用App的小時(shí)數(shù)使用時(shí)間越久可能更忠誠(chéng)Complain用戶最近一個(gè)月是否提出投訴（0:否;1:是）有投訴可能更易流失DiscountAmount用戶最近一個(gè)月平均每筆訂單節(jié)省的價(jià)錢(qián)節(jié)省越多可能越愿意留下DaySinceLastOrder用戶距離上次下單的天數(shù)距上次下單時(shí)間越久，越可能流失1.數(shù)據(jù)準(zhǔn)備2.拆分訓(xùn)練集和預(yù)測(cè)集3.模型訓(xùn)練與預(yù)測(cè)4.結(jié)果評(píng)估與模型表現(xiàn)03直播營(yíng)銷活動(dòng)商品推廣分析及預(yù)測(cè)03直播營(yíng)銷活動(dòng)商品推廣分析及預(yù)測(cè)——邏輯回歸模型實(shí)際\預(yù)測(cè)(1126)預(yù)測(cè)“不流失”（0）預(yù)測(cè)“流失”（1）實(shí)際不流失（0）TrueNegative：932FalsePositive：182實(shí)際流失（1）FalseNegative：2TruePositive：10邏輯回歸模型-混淆矩陣

結(jié)果解讀？

準(zhǔn)確率：模型整體判斷正確的比例精確率：被預(yù)測(cè)為“會(huì)流失”的人中，有多少是真的會(huì)流失F1分?jǐn)?shù)：模型整體判斷正確的比例召回率：所有真正會(huì)流失的人中，模型識(shí)別出了多少BinaryF1-score:只關(guān)注某類別（二分類任務(wù)）MicroF1-score：整體樣本級(jí)別（類別不均衡時(shí)常用）=AccuracyMacroF1-score：分別計(jì)算每類F1再平均（多分類且類別均衡時(shí)）WeightedF1-score:分別計(jì)算每類F1再加權(quán)平均（類別不均衡時(shí)）

模型回歸系數(shù)03直播營(yíng)銷活動(dòng)商品推廣分析及預(yù)測(cè)-基于Deepseek的客戶流失預(yù)測(cè)步驟一，在DeepSeek中上傳數(shù)據(jù)集，然后完成以下內(nèi)容。（1）讀取用戶流失數(shù)據(jù)集，包括用戶是否流失的目標(biāo)字段和多個(gè)特征。（2）對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，得到與用戶流失相關(guān)的特征。DeepSeek指令如下：請(qǐng)給出數(shù)據(jù)預(yù)處理的Python代碼，完成這些工作：讀取用戶流失數(shù)據(jù)集，包括用戶是否流失的目標(biāo)字段和多個(gè)特征。同時(shí)對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，得到與用戶流失相關(guān)的特征。數(shù)據(jù)預(yù)處理參考結(jié)果如圖。03直播營(yíng)銷活動(dòng)商品推廣分析及預(yù)測(cè)-基于Deepseek的客戶流失預(yù)測(cè)步驟二，在上述數(shù)據(jù)集基礎(chǔ)上，實(shí)現(xiàn)對(duì)數(shù)據(jù)的分割和預(yù)測(cè)。（1）將數(shù)據(jù)集進(jìn)行分割，得到訓(xùn)練集與測(cè)試集。（2）使用邏輯回歸模型進(jìn)行預(yù)測(cè)，給出對(duì)應(yīng)的代碼和預(yù)期結(jié)果。DeepSeek指令如下。將數(shù)據(jù)集進(jìn)行分割，得到訓(xùn)練集與測(cè)試集。同時(shí)使用邏輯回歸模型進(jìn)行預(yù)測(cè)，給出對(duì)應(yīng)的代碼和預(yù)期結(jié)果。參考結(jié)果如圖通過(guò)預(yù)測(cè)結(jié)果可以發(fā)現(xiàn)，準(zhǔn)確率（accuracy）達(dá)到了85%。精確率（precision）聚焦于模型對(duì)正類（即用戶流失情況）的預(yù)測(cè)質(zhì)量。當(dāng)模型預(yù)測(cè)某一用戶會(huì)流失時(shí)，有82%的概率該用戶實(shí)際確實(shí)會(huì)流失。召回率（recall）關(guān)注的是模型對(duì)正類樣本（用戶流失）的識(shí)別能力。對(duì)于實(shí)際會(huì)流失的用戶，模型能夠成功識(shí)別出其中的61%。F1分?jǐn)?shù)是精確率和召回率的綜合體現(xiàn)，它用于衡量模型性能的穩(wěn)定性和泛化能力。在這個(gè)模型中，正類的F1分?jǐn)?shù)為0.7。Part4實(shí)訓(xùn)嚴(yán)謹(jǐn)勤儉求實(shí)開(kāi)拓實(shí)訓(xùn)1.數(shù)據(jù)分析方法本章分析了用戶流失與用戶性別、年齡以及用戶常使用的登錄設(shè)備之間是否存在關(guān)聯(lián)，從而通過(guò)分析結(jié)果進(jìn)一步定制商務(wù)活動(dòng)策略。請(qǐng)參考本章的數(shù)據(jù)處理和分析方法，進(jìn)一步分析用戶所處城市級(jí)別和用戶婚姻狀況與用戶是否流失之間是否有關(guān)聯(lián)。具體要求如下：（1）描述性統(tǒng)計(jì)分析使用pandas計(jì)算用戶流失的總?cè)藬?shù)和各城市級(jí)別、婚姻狀況下的用戶流失比例；DeepSeek指令如下。第一步：生成一個(gè)數(shù)據(jù)集，數(shù)據(jù)集中包含用戶是否流失、用戶所在城市級(jí)別、用戶婚姻狀況字段的數(shù)據(jù)。第二步：根據(jù)生成的數(shù)據(jù)集使用pandas庫(kù)計(jì)算用戶流失的總?cè)藬?shù)和各城幣級(jí)別、婚姻狀況下的用戶流失比例。（2）可視化分析①繪制用戶流失情況的分布圖（如柱狀圖或餅圖），直觀展示不同城市級(jí)別和婚姻狀況下的用戶流失情況。DeepSeek雖然不能直接輸出可視化結(jié)果，但可以根據(jù)其提供的可視化代碼進(jìn)行可視化。將程序輸入已導(dǎo)入Matplotlib的Python中實(shí)現(xiàn)可視化。DeepSeek指令如下。繪制用戶流失情況分布圖（柱狀圖或餅圖），直觀展示不同城市級(jí)別和婚姻狀況下的用戶流失情況。②利用boxplot圖展示不同城市級(jí)別和婚姻狀況下的用戶流失比例，幫助識(shí)別潛在的趨勢(shì)。DeepSeek指令如下。利用boxplot展示不同城市級(jí)別和婚姻狀況下的用戶流失比例，幫助識(shí)別潛在的趨勢(shì)。（3）關(guān)聯(lián)分析通過(guò)構(gòu)建邏輯回歸模型，探討城市級(jí)別和婚姻狀況對(duì)用戶流失的影響。DeepSeek指令如下。通過(guò)構(gòu)建邏輯回歸模型，探討城市級(jí)別和婚姻狀況對(duì)用戶流失的影響。實(shí)訓(xùn)2.分析結(jié)果與解讀（1）結(jié)果呈現(xiàn)①清晰地展示城市級(jí)別和婚姻狀況與用戶流失之間的關(guān)聯(lián)性，包括統(tǒng)計(jì)結(jié)果和可視化圖表。②分析用戶流失的主要影響因素，如是否某一特定城市級(jí)別的用戶流失率較高，或者已婚用戶流失的比例高于未婚用戶的比例。（2）策略建議根據(jù)分析結(jié)果，制定相應(yīng)的商務(wù)活動(dòng)策略。①

針對(duì)流失率較高的城市級(jí)別，制定特定的促銷活動(dòng)或用戶維護(hù)計(jì)劃。②

針對(duì)特定婚姻狀況的用戶群體，推出相應(yīng)的服務(wù)或產(chǎn)品，以提高用戶的滿意度和黏性。③

設(shè)計(jì)針對(duì)性的廣告宣傳，吸引特定城市或婚姻狀況的用戶群體，提升用戶留存率。匯報(bào)結(jié)束感謝聆聽(tīng)！SOUTHWESTERNUNIVERSITYOFFINANCEANDECONOMICS短視頻營(yíng)銷數(shù)據(jù)分析AnalysisofShortVideoMarketingData案例引入淄博燒烤的出圈離不開(kāi)短視頻營(yíng)銷活動(dòng)。在網(wǎng)絡(luò)傳播過(guò)程中，知名網(wǎng)紅、美食博主等具有極高的話語(yǔ)權(quán)和影響力，他們通過(guò)分享淄博燒烤的美食體驗(yàn)，吸引了大量粉絲和關(guān)注者的目光?！白筒径桃曨l火爆出圈：一支烤串帶火了一座城”短視頻通過(guò)選取燒烤這一當(dāng)?shù)靥厣朗匙鳛榍腥肟?，如圖10-1所示，形塑出山東淄博的城市形象和文化IP。短視頻中大量運(yùn)用特寫(xiě)鏡頭，如專門(mén)定制的“燒烤地圖”，新增開(kāi)設(shè)的“燒烤公交專線”，燈火輝煌、熙熙攘攘的人群夜景、在校大學(xué)生互動(dòng)打卡的“青年驛站”等，不斷強(qiáng)化“品人間煙火，游魅力淄博”的標(biāo)簽化視聽(tīng)元素。特別是“淄博當(dāng)?shù)厝酥芤坏街芩某?，周五到周日歡迎全國(guó)各地游客”的互動(dòng)儀式感，以及“平凡又熱辣，暢快又鮮活”的城市符號(hào)，都在受眾心里留下深刻印記，實(shí)現(xiàn)了從短視頻流量到食客“留量”的有效轉(zhuǎn)化。圖10-1淄博燒烤商務(wù)活動(dòng)短視頻封面在短視頻時(shí)代，短視頻呈現(xiàn)的城市景觀激發(fā)了受眾的想象和向往，吸引受眾前去打卡，受眾在到達(dá)網(wǎng)紅城市后發(fā)揮主觀能動(dòng)性，拍攝、上傳短視頻，突出自己的在場(chǎng)性，同時(shí)將對(duì)朝覲地的體驗(yàn)通過(guò)符號(hào)化的形式上傳至媒介空間進(jìn)行二次傳播，個(gè)人的朝覲體驗(yàn)成為城市形象傳播的重要組成部分，影響其他受眾對(duì)城市的想象和印象。思考短視頻作為一種快速傳播、直觀展示的媒介，能夠吸引大量關(guān)注和粉絲，通過(guò)美食博主等具有影響力的人物，將淄博燒烤推廣給更廣泛的受眾群體。在當(dāng)今數(shù)字化時(shí)代，短視頻營(yíng)銷活動(dòng)已經(jīng)成為推廣品牌、產(chǎn)品和服務(wù)的重要方式。思考一下：1.怎樣才能做好短視頻營(yíng)銷活動(dòng)？2.哪些數(shù)據(jù)指標(biāo)可以反映一條短視頻的成功與否呢？嚴(yán)謹(jǐn)勤儉求實(shí)開(kāi)拓01短視頻營(yíng)銷活動(dòng)概述02短視頻營(yíng)銷活動(dòng)商品推廣案例03短視頻營(yíng)銷活動(dòng)商品推廣分析及預(yù)測(cè)04實(shí)訓(xùn)Part1短視頻營(yíng)銷活動(dòng)概述嚴(yán)謹(jǐn)勤儉求實(shí)開(kāi)拓01短視頻營(yíng)銷活動(dòng)特點(diǎn)商務(wù)活動(dòng)本質(zhì)上是一種大眾傳播行為，短視頻營(yíng)銷活動(dòng)作為營(yíng)銷形式的一種，雖然是近幾年才誕生的“新新事物”，但其本質(zhì)上仍然遵循傳播學(xué)的5W模式。短視頻營(yíng)銷活動(dòng)與5W模式的對(duì)應(yīng)關(guān)系如圖10-2所示。傳統(tǒng)品牌廣告主要依賴于固定的展現(xiàn)形式和播放渠道，以較為固定的媒介進(jìn)行推廣，如廣播、電視、紙媒等，由于廣告制作、投放成本較高，投放精準(zhǔn)度不足，收益率較低。而新興的短視頻傳播則基于5G網(wǎng)絡(luò)及移動(dòng)設(shè)備，具有覆蓋面廣、更新速度快、信息量大、互動(dòng)性強(qiáng)、表現(xiàn)形式豐富等特點(diǎn)，打破了時(shí)間和空間的限制，呈裂變式傳播。圖10-2短視頻營(yíng)銷活動(dòng)與5w模式對(duì)應(yīng)關(guān)系WhoSaywhatInwhichchannelTowhomWithwhateffect誰(shuí)說(shuō)了什么通過(guò)什么渠道向誰(shuí)取得了什么效果主體內(nèi)容媒介受眾效果5W模式營(yíng)銷活動(dòng)主體企業(yè)/品牌方活動(dòng)內(nèi)容廣告宣傳活動(dòng)媒介短視頻平臺(tái)活動(dòng)受眾短視頻用戶活動(dòng)效果達(dá)標(biāo)與否01短視頻營(yíng)銷活動(dòng)特點(diǎn)StepOneToDiscovertheProblem.12受眾體驗(yàn)交互化消費(fèi)者行為學(xué)認(rèn)為，用戶的購(gòu)買(mǎi)過(guò)程最先從產(chǎn)生認(rèn)知開(kāi)始，接著產(chǎn)生情感，最后再發(fā)生消費(fèi)行為。與傳統(tǒng)媒體廣告商務(wù)活動(dòng)相比，短視頻能更加直觀、真實(shí)地表達(dá)產(chǎn)品自身優(yōu)勢(shì)或有趣之處，讓用戶在短時(shí)間內(nèi)了解產(chǎn)品。隨著5G時(shí)代到來(lái)，攝像特效工具和虛擬與增強(qiáng)現(xiàn)實(shí)技術(shù)如16K全屏高清、特效濾鏡、AR表情包等，在短視頻制作中得到大量應(yīng)用，超高清與沉浸式的呈現(xiàn)方式將多方位直接刺激受眾感官，極大增強(qiáng)互動(dòng)體驗(yàn)感，進(jìn)一步提升短視頻在品牌營(yíng)銷、提升品牌認(rèn)知方面的優(yōu)勢(shì)。營(yíng)銷推送精準(zhǔn)化基于大數(shù)據(jù)技術(shù)的加持，算法推薦成為很多短視頻平臺(tái)的主要內(nèi)容分發(fā)模式。以抖音為例，抖音平臺(tái)依據(jù)用戶屬性和特征、短視頻類別和標(biāo)簽等為用戶匹配內(nèi)容，從而進(jìn)行精準(zhǔn)的內(nèi)容推薦，為用戶推送喜歡的內(nèi)容，為內(nèi)容創(chuàng)作方找到合適的用戶。企業(yè)/品牌方在短視頻平臺(tái)進(jìn)行商務(wù)活動(dòng)推廣，無(wú)論是投放平臺(tái)廣告與“達(dá)人”合作拍攝視頻，還是用自身賬號(hào)發(fā)布視頻，能夠接收到其商務(wù)活動(dòng)信息的用戶必定是具有某類特征的群體。一方面，企業(yè)的商務(wù)活動(dòng)短視頻會(huì)有針對(duì)性地選擇符合用戶畫(huà)像特征的潛在用戶群體進(jìn)行投放，一般用戶畫(huà)像會(huì)細(xì)化到用戶的性別、所在區(qū)域、年齡層、愛(ài)好等屬性特征；另一方面，平臺(tái)會(huì)依據(jù)短視頻的內(nèi)容特征將其推薦給可能感興趣的用戶?？偟膩?lái)說(shuō)，相比于傳統(tǒng)商務(wù)活動(dòng)及其他商務(wù)活動(dòng)形式，短視頻營(yíng)銷活動(dòng)更加精準(zhǔn)。01短視頻營(yíng)銷活動(dòng)特點(diǎn)StepOneToDiscovertheProblem.34信息傳播裂變化短視頻的傳播依托受眾分享，呈現(xiàn)出一對(duì)多的傳播特點(diǎn)，傳播過(guò)程裂變化，傳播效果與速度遠(yuǎn)遠(yuǎn)優(yōu)于其他傳統(tǒng)媒體形式。例如，當(dāng)品牌短視頻上線發(fā)布時(shí)，假設(shè)A、B、C三位用戶看到相關(guān)信息內(nèi)容，便形成第一步一到多的傳播過(guò)程。隨后，用戶根據(jù)自身喜好選擇是否進(jìn)行點(diǎn)贊、評(píng)論、轉(zhuǎn)發(fā)，當(dāng)用戶A、C與此條短視頻產(chǎn)生共鳴，認(rèn)定其價(jià)值性選擇轉(zhuǎn)發(fā)傳播，或品牌主以各式活動(dòng)誘導(dǎo)轉(zhuǎn)發(fā)，轉(zhuǎn)發(fā)傳播的人數(shù)則會(huì)更多。在用戶A、C轉(zhuǎn)發(fā)分享后，其粉絲便會(huì)看到這條短視頻并延續(xù)轉(zhuǎn)發(fā)傳播。如此循環(huán)往復(fù)，短視頻的傳播量呈現(xiàn)裂變式OnetoNtoN的過(guò)程，信息快速觸達(dá)龐大的用戶群，品牌借此獲得了更多關(guān)注，商務(wù)活動(dòng)內(nèi)容得到循環(huán)擴(kuò)散。品牌營(yíng)銷高效化相較長(zhǎng)視頻而言，短視頻有生產(chǎn)時(shí)間短、傳播通路寬等特點(diǎn)，可在移動(dòng)終端完成拍攝、剪輯及上傳整套流程，制作和傳播的高效加上視聽(tīng)覺(jué)刺激，讓短視頻營(yíng)銷活動(dòng)信息更具影響力。同時(shí)，短視頻的社交屬性使其并不局限于某一應(yīng)用平臺(tái)，用戶可以將喜愛(ài)的短視頻分享到任意社交平臺(tái)與社交圈，極大增強(qiáng)了短視頻的傳播力。在觀看與分享短視頻過(guò)程中，有價(jià)值的商務(wù)活動(dòng)內(nèi)容能夠幫助用戶進(jìn)行有效搜索并做出決策，受到用戶的主動(dòng)簇?fù)砼c傳播，進(jìn)一步成為品牌商務(wù)活動(dòng)的“自來(lái)水”?；?dòng)還促成了信息的雙向傳遞，品牌可以透過(guò)用戶評(píng)論反饋實(shí)時(shí)了解用戶需求與傳播效果，及時(shí)調(diào)整與優(yōu)化，反復(fù)提高品牌商務(wù)活動(dòng)的到達(dá)率與傳播效果，快速完成品牌認(rèn)知、認(rèn)同到交易轉(zhuǎn)化的消費(fèi)閉環(huán)。而且，隨著網(wǎng)絡(luò)技術(shù)的迭代發(fā)展和外部政策法律因素的影響，平臺(tái)間相互分享的壁壘也將減少，短視頻營(yíng)銷活動(dòng)信息將進(jìn)一步提高品牌商務(wù)活動(dòng)效能。我國(guó)短視頻始于2011年，移動(dòng)互聯(lián)網(wǎng)技術(shù)的發(fā)展催生短視頻應(yīng)用的出現(xiàn)。2011年3月GIF快手成立，用于制作分享GIF圖片。在此時(shí)期，一方面由于移動(dòng)互聯(lián)網(wǎng)大潮聲勢(shì)剛起，用戶習(xí)慣和應(yīng)用場(chǎng)景有限；另一方面受制于功能開(kāi)發(fā)、帶寬網(wǎng)速等條件不足，短視頻行業(yè)尚處于萌芽期。短視頻萌芽探索期的代表性產(chǎn)品為快手、秒拍、小咖秀、微視和美拍等。產(chǎn)品工具性強(qiáng)于社交性，并且分發(fā)能力、內(nèi)容生態(tài)較弱，導(dǎo)致這一時(shí)期的短視頻營(yíng)銷活動(dòng)能力有限。01萌芽探索期（2011-2015年）02短視頻營(yíng)銷活動(dòng)的發(fā)展歷程很多嗅覺(jué)敏銳的企業(yè)和創(chuàng)業(yè)者聞到了短視頻的“肉香味”，大批移動(dòng)短視頻應(yīng)用密集面世，移動(dòng)短視頻進(jìn)入爆發(fā)期。抖音、快手為代表的短視頻平臺(tái)取得突破，在算法技術(shù)、分發(fā)效率、內(nèi)容生態(tài)上均有跨越式提升，形成了信息流廣告的爆發(fā)增長(zhǎng)期。02爆發(fā)增長(zhǎng)期（2015-2018年）根據(jù)中商產(chǎn)業(yè)研究院整理，2019年開(kāi)始行業(yè)競(jìng)爭(zhēng)格局逐步穩(wěn)定，形成以抖音、快手為核心的“兩強(qiáng)格局”。2020年微信視頻號(hào)上線后，依托微信生態(tài)迅速擴(kuò)張，2022年視頻號(hào)日活用戶達(dá)3.64億，推動(dòng)行業(yè)進(jìn)入“抖音+快手+視頻號(hào)”的“三足鼎立”階段。03成熟期（2019年至今）02短視頻營(yíng)銷活動(dòng)的發(fā)展歷程時(shí)間關(guān)鍵事件意義2012年快手由制作和分享GIF圖片的工具轉(zhuǎn)型為短視頻社區(qū);迅雷發(fā)布有料短視頻短視頻初露鋒芒2013年新浪微博推出秒拍;騰訊微視上線;小影上線;秒拍上線，和微博合作，成為微博內(nèi)嵌應(yīng)用短視頻在我國(guó)互聯(lián)網(wǎng)的土壤上開(kāi)始快速成長(zhǎng)2014年美拍上線;秒拍聯(lián)合微博發(fā)起“冰桶挑戰(zhàn)”“冰桶挑戰(zhàn)”成為年度熱門(mén)詞語(yǔ)，短視頻初具影響力2016年面向年輕人的15秒音樂(lè)短視頻社區(qū)抖音上線;今日頭條發(fā)布火山小視頻;梨視頻上線;papi醬成為現(xiàn)象級(jí)“網(wǎng)紅”開(kāi)啟了短視頻元年，自此短視頻進(jìn)入蓬勃發(fā)展階段2017年土豆開(kāi)始向短視頻行業(yè)轉(zhuǎn)型;今日頭條發(fā)布西瓜視頻;騰訊重啟微視;360快視頻上線;百度好看視頻上線短視頻流量開(kāi)始變現(xiàn)，變現(xiàn)規(guī)模已達(dá)57.3億元2018年嗶哩嗶哩上市;小紅書(shū)用戶數(shù)突破兩億短視頻內(nèi)容爆發(fā)式增長(zhǎng)，整個(gè)行業(yè)欣欣向榮2020年微信推出視頻號(hào);微博推出視頻號(hào);各個(gè)短視頻平臺(tái)發(fā)力直播;短視頻用戶規(guī)模達(dá)8.73億各知名互聯(lián)網(wǎng)企業(yè)都將短視頻提到了核心戰(zhàn)略地位，投入重金與資源來(lái)推動(dòng)用戶增長(zhǎng)2021年國(guó)家加強(qiáng)算法推薦監(jiān)管《互聯(lián)網(wǎng)信息服務(wù)算法推薦管理規(guī)定》出臺(tái)，推動(dòng)平臺(tái)優(yōu)化內(nèi)容審核機(jī)制，平衡商業(yè)化與社會(huì)責(zé)任2024年快手推出視頻生成大模型“可靈”；抖音上線方言自動(dòng)翻譯功能；嗶哩嗶哩發(fā)布了AI視頻創(chuàng)作工具“必剪Studio”各個(gè)短視頻平臺(tái)都在加速布局人工智能業(yè)務(wù)，將人工智能運(yùn)用到短視頻內(nèi)容制作、搜索、傳播和翻譯等各領(lǐng)域各環(huán)節(jié)表10-1我國(guó)短視頻平臺(tái)發(fā)展的關(guān)鍵事件及意義Part2短視頻營(yíng)銷活動(dòng)商品推廣實(shí)例嚴(yán)謹(jǐn)勤儉求實(shí)開(kāi)拓01短視頻營(yíng)銷活動(dòng)商品數(shù)據(jù)概況表10-2數(shù)據(jù)變量及相關(guān)解釋（選取短視頻營(yíng)銷活動(dòng)數(shù)據(jù)集）數(shù)據(jù)變量解釋02短視頻營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)提取數(shù)據(jù)預(yù)處理數(shù)據(jù)預(yù)處理涉及數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)集成等方面的工作，能夠提供干凈、規(guī)范、可用的數(shù)據(jù)集。在這里，首先對(duì)數(shù)據(jù)進(jìn)行清洗，分析數(shù)據(jù)集中的變量是否存在缺失值。先使用Pandas庫(kù)里的read_excel()函數(shù)讀取數(shù)據(jù)集，再使用head()函數(shù)進(jìn)行預(yù)覽，結(jié)合isnull()和sum()函數(shù)統(tǒng)計(jì)各字段空值數(shù)據(jù)，缺失情況如表3所示。02短視頻營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)提取數(shù)據(jù)預(yù)處理根據(jù)輸出結(jié)果可知該數(shù)據(jù)集僅video_title字段存在缺失值，需要對(duì)缺失數(shù)據(jù)進(jìn)行處理。通過(guò)觀察數(shù)據(jù)集發(fā)現(xiàn)，video_title字段除了帶貨博主為了引起用戶興趣取的宣傳語(yǔ)外，通常還包括帶貨商品的名稱、品牌或品類等關(guān)鍵特征。由于product_title字段也提到了這些特征，所以可以基于product_title字段信息對(duì)video_title字段的缺失值進(jìn)行手動(dòng)填補(bǔ)。由于兩處缺失值對(duì)應(yīng)的product_title分別為“金框【一串發(fā)三】棕三歐麗維尼熊高奢聯(lián)名原創(chuàng)三層吊籃收納筐居家”和“【29.9-12根】灶小美內(nèi)蒙古黃糯玉米黃金八厘米粘糯玉米新鮮整箱裝”，可以將缺失值分別填補(bǔ)為“收納筐”和“玉米”。表10-3數(shù)據(jù)變量缺失情況03短視頻營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)提取商品屬性特征分析——描述性統(tǒng)計(jì)分析描述性統(tǒng)計(jì)分析是了解數(shù)據(jù)集的基本特征和趨勢(shì)的重要方法，它涵蓋了數(shù)據(jù)的中心趨勢(shì)、離散度、分布和相關(guān)性等方面的分析。使用describe()函數(shù)可以快速計(jì)算數(shù)據(jù)集的基本統(tǒng)計(jì)信息并生成描述性統(tǒng)計(jì)摘要。輸出結(jié)果如表10-4所示（為方便展示僅保留兩位小數(shù)）。表10-4數(shù)值數(shù)據(jù)的基本統(tǒng)計(jì)信息03短視頻營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)提取商品屬性特征分析——描述性統(tǒng)計(jì)分析除了describe()函數(shù)，Python中的NumPy庫(kù)也提供了一些常用的函數(shù)計(jì)算數(shù)據(jù)集的眾數(shù)、極差和方差，包括

mode()、ptp()和var()函數(shù)。以sale_count為例，示例代碼如右圖所示：輸出結(jié)果為：眾數(shù)：6266極差：1009952方差：4398080576.08505使用以上函數(shù)可以一目了然地獲得數(shù)據(jù)集的基本統(tǒng)計(jì)信息，包括觀測(cè)數(shù)量、均值、標(biāo)準(zhǔn)差、最小值、最大值、眾數(shù)、極差和方差等。這些信息有助于對(duì)數(shù)據(jù)集進(jìn)行初步的了解和分析，為后續(xù)的數(shù)據(jù)處理和建模工作提供基礎(chǔ)。04短視頻營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)提取商品屬性特征分析——商品價(jià)格分析價(jià)格很大程度上影響用戶的購(gòu)買(mǎi)決策。通過(guò)對(duì)短視頻平臺(tái)上的商品價(jià)格分布情況進(jìn)行分析，企業(yè)可以了解該平臺(tái)用戶的消費(fèi)水平，幫助企業(yè)進(jìn)行產(chǎn)品定價(jià)、市場(chǎng)定位、和競(jìng)爭(zhēng)分析等。例如，通過(guò)識(shí)別商品價(jià)格分布中的峰值或頻繁出現(xiàn)的價(jià)格點(diǎn)，了解用戶對(duì)某些價(jià)格水平的偏好，幫助企業(yè)在該平臺(tái)上推出價(jià)格合適的產(chǎn)品；通過(guò)識(shí)別商品價(jià)格的等級(jí)占比，了解有關(guān)其產(chǎn)品市場(chǎng)定位信息，產(chǎn)品價(jià)格分布偏向較高的區(qū)域可能意味著企業(yè)的產(chǎn)品定位在高端市場(chǎng)，而價(jià)格分布偏向較低的區(qū)域則可能意味著企業(yè)的產(chǎn)品定位在低價(jià)市場(chǎng)。這些信息可以幫助企業(yè)了解自己在市場(chǎng)中的競(jìng)爭(zhēng)地位，為市場(chǎng)定位和品牌策略提供指導(dǎo)。這里對(duì)數(shù)據(jù)集中的商品價(jià)格分布進(jìn)行分析。首先使用hist()函數(shù)繪制價(jià)格分布直方圖展示商品價(jià)格的分布情況。進(jìn)一步，設(shè)置價(jià)格分類方法，通過(guò)price_group()將數(shù)據(jù)集中的商品按照價(jià)格分為高-中-低三等，使用value_counts()函數(shù)計(jì)算各類別的頻率，最后用pie()函數(shù)繪制餅圖，顯示不同價(jià)格等級(jí)商品的占比情況。04短視頻營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)提取商品屬性特征分析——商品價(jià)格分析結(jié)果如圖10-9和圖10-10所示。可以看到，抖音平臺(tái)絕大多數(shù)商品的價(jià)格都處在0-200的價(jià)格區(qū)間內(nèi)，低價(jià)商品占比96.4%，較高價(jià)位的商品幾乎沒(méi)有，表明抖音平臺(tái)上的用戶更傾向于購(gòu)買(mǎi)價(jià)格相對(duì)較低的商品。基于此分析，企業(yè)可以評(píng)估自己的產(chǎn)品定價(jià)策略是否符合抖音平臺(tái)用戶的需求。如果企業(yè)的產(chǎn)品價(jià)格較低，與抖音平臺(tái)上用戶的偏好相符，則表明該產(chǎn)品在該平臺(tái)市場(chǎng)上具有一定的競(jìng)爭(zhēng)力。而如果企業(yè)的產(chǎn)品定價(jià)較高，可能需要考慮調(diào)整定價(jià)策略以適應(yīng)抖音平臺(tái)的市場(chǎng)需求或選擇匹配其產(chǎn)品價(jià)格的平臺(tái)。圖10-9商品價(jià)格分布直方圖圖10-10商品不同價(jià)格等級(jí)占比餅圖05短視頻營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)提取商品屬性特征分析——商品關(guān)鍵詞分析給出根據(jù)商品標(biāo)題對(duì)商品進(jìn)行關(guān)鍵詞分析的python代碼，并繪制詞云圖商品關(guān)鍵詞詞云上圖是對(duì)商品標(biāo)題進(jìn)行詞云分析的結(jié)果，其中“家用”“兒童”“套裝”等關(guān)鍵詞字體較大，說(shuō)明在抖音平臺(tái)上，家居用品、兒童相關(guān)商品和服裝類商品占比較大，這些產(chǎn)品可能更容易受到用戶關(guān)注。企業(yè)可以根據(jù)這些信息大概了解平臺(tái)用戶的需求，根據(jù)平臺(tái)用戶的消費(fèi)偏好進(jìn)行針對(duì)性的選品。06短視頻營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)提取商品屬性特征分析——商品品類分析根據(jù)商品標(biāo)題，將商品分為“美妝”“個(gè)護(hù)”“食品飲料”“家居用品”“服裝飾品”“圖書(shū)教育”“數(shù)碼電子”和“其他”八個(gè)品類，并列舉常見(jiàn)的屬于各品類的商品關(guān)鍵詞，建立字典，根據(jù)商品關(guān)鍵詞對(duì)其進(jìn)行分類，并統(tǒng)計(jì)不同品類商品的占比情況，繪制餅圖。商品品類分布上圖所示是各品類商品的占比情況。和詞云結(jié)果類似，“家居用品”和“服裝飾品”占比最大，分別是21.5%和20.4%。需要注意的是，在商品品類生成過(guò)程中僅粗略地列出了每個(gè)品類中較常出現(xiàn)的關(guān)鍵詞，可能存在錯(cuò)分、漏分、分類不細(xì)的情況，這可能也是“其他”類占比較高的原因之一。07短視頻營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)提取商品屬性特征分析——熱銷商品分析統(tǒng)計(jì)銷量top10商品情況，展示商品名稱、價(jià)格、品類、銷售量銷量top10產(chǎn)品對(duì)于企業(yè)來(lái)說(shuō)，了解平臺(tái)用戶的購(gòu)買(mǎi)偏好可以幫助其決定投放市場(chǎng)，優(yōu)化商務(wù)活動(dòng)策略。例如，由于抖音用戶更偏愛(ài)低價(jià)商品，那么價(jià)格較高的商品可以考慮在京東、淘寶等平臺(tái)銷售，避免不必要的投放成本。對(duì)于價(jià)格合適的企業(yè)來(lái)說(shuō)，可以考慮提供折扣、打包優(yōu)惠、限時(shí)促銷等方式吸引用戶購(gòu)買(mǎi)商品。同時(shí)，可以利用限時(shí)搶購(gòu)、等商務(wù)活動(dòng)手段創(chuàng)造緊迫感，促使用戶盡快下單。08短視頻營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)提取相關(guān)性分析——價(jià)格效應(yīng)分析統(tǒng)計(jì)不同價(jià)格等級(jí)商品的平均銷售量，并繪制折線圖企業(yè)可以了解抖音平臺(tái)上相似商品的銷量分布，判斷自身商品的銷售情況，如果企業(yè)的高端商品銷量較好，則可以進(jìn)一步提升產(chǎn)品品質(zhì)和服務(wù)，鞏固高端市場(chǎng)的競(jìng)爭(zhēng)優(yōu)勢(shì)。另外，由于平臺(tái)低端商品銷量較高，企業(yè)可以考慮擴(kuò)大低價(jià)產(chǎn)品線，滿足大眾用戶的需求。商品價(jià)格等級(jí)平均銷量對(duì)比圖09短視頻營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)提取比較不同商品品類銷售量分布情況，并繪制箱線圖相關(guān)性分析——品類效應(yīng)分析箱線圖中家居用品類商品的銷售量分布區(qū)間寬于其他品類商品，意味著家居用品類商品的銷售量變化更大，同時(shí)其銷售量數(shù)據(jù)存在較多的離群值，中位數(shù)銷售量和平均銷售量均高于其他品類。09短視頻營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)提取相關(guān)性分析——品類效應(yīng)分析抖音平臺(tái)的用戶往往更偏向于購(gòu)買(mǎi)家居用品類商品，對(duì)于價(jià)格較低的家居類商品，企業(yè)可以考慮使用抖音短視頻營(yíng)銷活動(dòng)方式分別計(jì)算各品類商品的平均銷售量和總銷售量，并繪制柱狀折線圖10短視頻營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)提取相關(guān)性分析——帶貨效應(yīng)分析對(duì)于短視頻營(yíng)銷活動(dòng)而言，影響商品銷售量的又一大因素為帶貨博主的等級(jí)，可以先定義

fans_count_group()方法，根據(jù)博主的粉絲數(shù)將博主分為”小粉絲量博主”“中粉絲量博主”和“高粉絲量博主”，再使用

concat()函數(shù)將博主等級(jí)與銷售量連接，使用

mean()函數(shù)計(jì)算不同等級(jí)博主的平均帶貨銷量，最后基于

plot()函數(shù)繪制折線圖對(duì)比不同等級(jí)博主帶貨的商品銷售情況，評(píng)估帶貨博主對(duì)于商品銷售的影響力。10短視頻營(yíng)銷活動(dòng)商品數(shù)據(jù)指標(biāo)提取相關(guān)性分析——帶貨效應(yīng)分析如圖所示，高粉絲量博主的平均帶貨銷量高于中粉絲量博主，且遠(yuǎn)遠(yuǎn)高于低粉絲量博主，這通常是由于高粉絲量博主擁有更廣泛的受眾群體和更高的關(guān)注度，其推薦和推廣的產(chǎn)品往往能夠獲得更多的曝光和關(guān)注。對(duì)于企業(yè)來(lái)說(shuō)，在進(jìn)行短視頻營(yíng)銷活動(dòng)時(shí)，選擇一個(gè)合適的帶貨博主是非常重要的，其往往直接影響著商品的銷售情況。對(duì)于想要擴(kuò)大商品知名度的企業(yè)來(lái)說(shuō)，高粉絲量的博主往往是最好的選擇。但高等級(jí)的博主帶貨報(bào)價(jià)往往也高于較低等級(jí)的博主，因此企業(yè)還需要評(píng)估投資回報(bào)率，根據(jù)自身的發(fā)展需求選擇最合適的博主進(jìn)行短視頻營(yíng)銷活動(dòng)。圖不同等級(jí)博主帶貨平均銷量對(duì)比圖Part3短視頻營(yíng)銷活動(dòng)商品推廣分析及預(yù)測(cè)嚴(yán)謹(jǐn)勤儉求實(shí)開(kāi)拓01短視頻營(yíng)銷活動(dòng)商品推廣分析及預(yù)測(cè)決策樹(shù)模型預(yù)測(cè)銷售量決策樹(shù)模型常用于分類和回歸任務(wù)，它以樹(shù)形結(jié)構(gòu)呈現(xiàn)，通過(guò)對(duì)數(shù)據(jù)特征的層層判斷，得出最終決策。比如判斷一個(gè)人是否適合某項(xiàng)運(yùn)動(dòng)，依據(jù)年齡、身體狀況等特征構(gòu)建決策樹(shù)來(lái)決定。決策樹(shù)基于數(shù)據(jù)特征來(lái)劃分?jǐn)?shù)據(jù)集，目標(biāo)是讓每個(gè)劃分后的子集更“純”，即同一子集內(nèi)的數(shù)據(jù)盡量屬于同一類別。就像給水果分類，先按顏色分，再在每個(gè)顏色組里按大小分，讓每個(gè)分組的水果更相似?；静襟E：