Python商务数据分析与应用（AIGC版 微课版）课件 第9、10章：直播营销数据分析、短视频营销数据分析

直播营销数据分析Livestreamingmarketingdataanalysis聚沉淀太平鸟女装围绕用户生命周期，前后台密切协作：短期内，以口播形式为账号增粉，撬动短效杠杆；在长期，不断完善客服响应速度和备货情况，提高用户复购率促转化内容是良好运营的核心，太平鸟女装持续打磨、优化内容：升级布置直播间装修和商品橱窗；通过不同体型的主播搭配讲解同一套衣服，全面展示商品卖点汇流量太平鸟女装凭借每天超过18个小时的持续自播投入，逐步沉淀高购买意向的用户人群；通过分析这一批初期客群画像，太平鸟女装得以准确定位付费流量的投放人群案例引入“太平鸟女装以优质内容为核心，领跑自播赛道，打造稳定日销”从2020年下半年起，太平鸟女装进驻抖音电商，正式设立专门团队运营抖音小店针对用户互动高、决策快的特点，太平鸟女装以每天长时间自播为切入点，沉淀精准粉丝，同时着力提升直播内容太平鸟女装依靠直播营销活动，在数据层面，关注流量、转化、沉淀数据的变化，根据数据表现，不断优化直播间策略，最终获得品牌总销售额的快速成长：日均GMV从10万提升至约300万思考随着用户购物习惯的变化和社交媒体的兴起，直播营销活动已成为电商领域的一大热门趋势，接下来让我们一起深入探讨直播营销活动在电商行业中的价值和意义。思考一下：1.你认为现在的品牌做直播电商，需要关注哪些数据指标？2.直播相较于传统商务方式有哪些独特的优势和重要性？严谨勤俭求实开拓01直播营销活动概述02直播营销活动商品推广案例03直播营销活动商品推广分析及预测04实训Part1直播营销活动概述严谨勤俭求实开拓即时事件常用媒介直达受众由于直播完全与事件的发生、发展进程同步，因此可以第一时间反映现场状态收听或观看直播通常无须专门购买昂贵的设备，使用手机、平板、笔记本电脑等常用设备即可了解事件的最新进展与录播节目相比，直播节目不会做过多的剪辑与后期加工，所有现场情况直接传达给观众直播营销活动要素直播营销活动是指企业通过直播平台，利用视频直播的形式进行产品或服务的推广和销售的一种营销方式01直播行业整体发展历程网络速度和硬件水平是影响互联网直播发展的主要因素：受这两个因素制约，互联网直播行业的发展历史分为四大阶段，包括图文直播、秀场直播、游戏直播、移动直播等01直播行业发展历程网络速度和硬件水平是影响互联网直播发展的主要因素：受这两个因素制约，互联网直播行业的发展历史分为四大阶段，包括图文直播、秀场直播、游戏直播、移动直播等直播类型​​​​内容形式​​​​带宽要求​​​​依赖硬件​​​​代表平台/场景​​图文直播文字+静态图片低（≤100Kbps）基础拍摄设备微博、新闻网站秀场直播才艺视频+实时互动中（2-5Mbps）高清摄像头、PC映客、花椒游戏直播游戏画面+解说高（≥10Mbps）高性能PC/显卡斗鱼、虎牙移动直播手机高清视频+社交极高（5G）智能手机、云服务器抖音、央视新闻移动端01Part2直播营销活动商品推广案例严谨勤俭求实开拓商品数据概况5630名用户基本信息消费信息消费偏好02数据集变量变量名称变量描述CustomerID用户唯一IDChurn用户是否流失（0:否;1:是）Tenure用户使用平台的期限（月）PreferredLoginDevice用户首选登录设备CityTier用户所在城市级别WarehouseToHome仓库与用户收货地址之间的距离AgeGroup用户年龄(1:10-19;2:20-29;3:30-39;4:40-49;5:50-59;6:60-69)MaritalStatus用户的婚姻状况Gender用户性别HourSpendOnApp用户使用App的小时数PreferedOrderCat用户最近一个月的订单偏好类别SatisfactionScore用户对服务的满意度NumberOfStreamerFollowed用户所关注的流媒体数量Complain用户最近一个月是否提出投诉（0:否;1:是）OrderAmountHikeFromlastYear用户订单较去年增加的百分比CouponUsed用户最近一个月使用的优惠券总数OrderCount用户最近一个月已下订单的总数DaySinceLastOrder用户距上次下单天数DiscountAmount用户最近一个月平均每笔订单节省的价钱商品数据指标02数据预处理importpandasaspd#读取数据excel_file=pd.ExcelFile('直播电商数据集.xlsx')#数据预览df=excel_file.parse(sheet_name)print(f'sheet表名为{sheet_name}的基本信息：')()对数据进行清洗，分析数据集中的变量是否存在缺失值，并对缺失值进行处理#变量非空值数量变量类型1CustomerID5630int642Churn5630int643Tenure5366float644PreferredLoginDevice5630object5CityTier5630int646WarehouseToHome5379float647MaritalStatus5630object8AgeGroup5630int649Gender5630object10HourSpendOnApp5375float6411OrderCount5372float6412OrderAmountHikeFromlastYear5365float6413DaySinceLastOrder5323float6414PreferedOrderCat5630object15NumberOfStreamerFollowed5630int6416SatisfactionScore5630int6417Complain5630int6418CouponUsed5374float6419DiscountAmount5630float64Tenure、WarehouseToHome、HourSpendOnApp、OrderCount、OrderAmountHikeFromlastYear、DaySinceLastOrder、CouponUsed这7个变量均存在缺失值数据情况表商品数据指标02数据预处理数据缺失值填充方式常用的缺失值处理方式包括直接删除、均值填充、中位数填充、众数填充等。以Tenure这个字段为例，观察到该变量有明显的离群值，因此使用中位数进行填充。其他字段的缺失值填充方式与此类似#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)商品数据指标02用户属性特征分析——常用登录设备分析首先获取已经流失和未流失的用户，然后按照登陆设备的类别进行分组，计算流失和非流失用户的数量，并绘制饼图#分析用户登录设备（饼图）#分析流失用户的首选登录设备df_churn1=df.loc[df['Churn']==1]#获取流失的用户#按照登录设备分组后计算数据个数df_churn1_PreferredLoginDevice=\df_churn1.groupby(['PreferredLoginDevice'])['CustomerID'].count().reset_index().rename(columns={'CustomerID':'count'})label_churn1_PreferredLoginDevice=df_churn1_PreferredLoginDevice['PreferredLoginDevice']#提取标签plt.rcParams['font.sans-serif']=['SimHei']#用来正常显示标签plt.rcParams['axes.unicode_minus']=False#用来正常显示负号plt.pie(df_churn1_PreferredLoginDevice['count'],#传入标签labels=label_churn1_PreferredLoginDevice.values,#格式化输出百分比autopct='%.2f%%'，pctdistance=1.2,labeldistance=1.05)plt.show()#分析未流失用户的首选登录设备（饼图）df_churn0=df.loc[df['Churn']==0]#获取未流失的用户#按照登录设备分组后计算数据个数df_churn0_PreferredLoginDevice=\df_churn0.groupby(['PreferredLoginDevice'])['CustomerID'].count().reset_index().rename(columns={'CustomerID':'count'})label_churn0_PreferredLoginDevice=df_churn0_PreferredLoginDevice['PreferredLoginDevice']#提取标签plt.rcParams['font.sans-serif']=['SimHei']#用来正常显示标签plt.rcParams['axes.unicode_minus']=False#用来正常显示负号plt.pie(df_churn0_PreferredLoginDevice['count'],#传入标签labels=label_churn1_PreferredLoginDevice.values,#格式化输出百分比autopct='%.2f%%',pctdistance=1.24,labeldistance=1.05,)plt.show()商品数据指标02用户属性特征分析——常用登录设备分析使用移动手机的用户比例最高，不论是在流失用户群体中，还是在未流失用户群体中说明移动手机的用户稳定性最好，而Pad

的用户稳定性最差商品数据指标02用户属性特征分析——常用登录设备分析接下来使用堆积柱状图分析用户在选择不同首选登录设备时用户的流失情况，从而判断哪种首选登录设备流失比例最高。首先获取在不同设备登录的用户，然后按照是否发生流失进行分组，计算流失和非流失用户的占比，并绘制堆积柱状图#分析用户在首选登录设备不同情况下的流失情况（堆积柱状图）df_MobilePhone=df.loc[df['PreferredLoginDevice']=='MobilePhone']#获取首选移动手机的用户df_Phone=df.loc[df['PreferredLoginDevice']=='Phone']#获取首选电话的用户df_Pad=df.loc[df['PreferredLoginDevice']=='Pad']#获取首选平板计算机的用户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]#为方便后续引用，将数据放入datalabel_churn0_PreferredLoginDevice=['MobilePhone','Phone','Pad']#提取标签（注意x轴顺序）x=range(len(label_churn0_PreferredLoginDevice))#获取的labels依次给到x轴bottom_y=np.zeros(len(label_churn0_PreferredLoginDevice))#将bottom_y元素都初始化为0data=np.array(data)#将data放入数组中sums=np.sum(data,axis=0)#求数组data的和，为计算百分比做准备j=0colors=['#66c2a5','#8da0cb']figure,ax=plt.subplots()#创建子图，采用默认设置foriindata:#通过函数绘制图像y=i/sums#获取各个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#实现百分比柱子的堆积plt.xticks(x,label_churn0_PreferredLoginDevice)#设置x轴的坐标标签legend_labels=['流失用户比例','未流失用户比例']#设置图像图例color=['#66c2a5','#8da0cb',]#设定与柱子相同的颜色

#将颜色和图例标签对应patches=[mpatches.Patch(color=color[h],label=”{:s}”.format(legend_labels[h]))forhinrange(len(legend_labels))]ax=plt.gca()#绘制子图box=ax.get_position()plt.gca().yaxis.set_major_formatter(PercentFormatter(1))#纵轴设置为百分比#生成legend，显示标签；用bbox_to_anchor=(1,1)设置图例的位置ax.legend(handles=patches,ncol=1,bbox_to_anchor=(1,1))figure.subplots_adjust(right=0.7)j+=1#color=np.array(colors)[j]，通过数组设定柱子的颜色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)]#不同首选登录设备未流失用户占比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)]#不同首选登录设备流失用户占比fora,binzip(x,Y_churn0):#柱子上的数字显示plt.text(a,b,'%.2f%%'%(b*100),ha='center',va='bottom');fora,binzip(x,Y_churn1):#柱子上的数字显示plt.text(a,b,'%.2f%%'%(b*100),ha='center',va='bottom');labels=ax.get_xticklabels()+ax.get_yticklabels()ax.set_ylabel('流失用户与未流失用户占比',fontsize=13)ax.set_xlabel('用户首选登录设备',fontsize=13)plt.show()商品数据指标02用户属性特征分析——常用登录设备分析使用移动电话的流失用户占比12.5%使用平板电脑的流失用户占比19.8%使用电话的流失用户占比22.4%根据分析结果，建议产品团队测试电话和平板电脑的用户端是否存在使用问题02直播营销活动商品数据指标用户属性特征分析——性别分析通过饼图对用户性别进行分析，分析流失用户和未流失用户的性别占比，对不同性别用户采取不同的商务活动策略从图9-15和图9-16可以看出，总体来说女性用户比例最高，说明直播活动的主要受众群体为女性，在进行商务活动时更应该关注女性群体的偏好，同时制定其他策略吸引更多的男性用户。02直播营销活动商品数据指标用户属性特征分析——性别分析使用堆积柱状图分析不同性别用户的流失情况02直播营销活动商品数据指标用户属性特征分析——性别分析如图所示，女性用户是平台的主要用户，女性的流失用户占比为17.7%，男性的流失用户占比为15.5%，基本持平。建议运营团队根据男性与女性喜欢的直播风格，进行直播内容定向推送，尝试降低其流失率。02直播营销活动商品数据指标用户属性特征分析——年龄分析利用饼图对用户年龄段进行分析，分析流失用户和未流失用户的年龄占比，从而采取相应的改进措施根据图9-10和9-11结果可知，年龄处于40-49岁和30-39岁的用户占比最多，分别占比41.35%和39.30%，所以既要制定合适的策略挽留该组用户，又要维系未流失的用户，其次年龄处于20-29岁和50-59岁的用户群体也十分重要，应该制定适当的商务活动吸用户。02直播营销活动商品数据指标用户属性特征分析——年龄分析使用堆积柱状图分析每个年龄段用户的流失情况02直播营销活动商品数据指标用户属性特征分析——年龄分析如图所示，年龄为60-69岁的分组流失用户占比最高，为34.6%；其次是年龄分组为50-59岁，流失用户占比为22.5%。建议运营团队增加年龄分组为50-59岁和60-69岁这部分群体喜欢的直播内容和商品进驻，提高其留存率。02直播营销活动商品数据指标用户行为特征分析——计算流失率计算结果约为16.84%。数据集中标签为“1”的用户为已经流失的用户，根据流失率计算公式（流失的用户数量除以总用户数量，即标签为“1”的用户数量/总用户数量），计算流失率02直播营销活动商品数据指标用户行为特征分析——最近一个月订单偏好类型分析使用饼图分析用户的订单偏好类别。首先获取流失用户和非流失用户的数据，然后获取每一个类别用户的订单偏好，绘制不同的饼图。02直播营销活动商品数据指标用户行为特征分析——最近一个月订单偏好类型分析从图9-13和图9-14可以看出用户更加喜欢笔记本电脑和移动手机类型的产品，所以在直播营销活动中，可以重点推出这两种类型的产品，并连带销售其他类型产品，提高整体销售额。02直播营销活动商品数据指标使用堆积柱状图分析每一个偏好下流失用户和非流失用户的占比用户行为特征分析——最近一个月订单偏好类型分析02直播营销活动商品数据指标如图所示，上月主要订单为移动手机和食品的流失用户占比较多，均超过了25%，其次是上月订单为时尚单品的用户。可能的原因为移动手机和食品的商品使用周期较长，用户购买该类商品后，很长一段时间不再有相同的购买意愿，从而造成用户流失。用户行为特征分析——最近一个月订单偏好类型分析Part3直播营销活动商品推广分析及预测严谨勤俭求实开拓JUNE12th03直播营销活动商品推广分析及预测——逻辑回归模型目标：预测哪些用户更可能在未来流失方法：逻辑回归模型03直播营销活动商品推广分析及预测——逻辑回归模型机器学习按任务类型分类Classification：分类任务：预测离散变量（决策树、随机森林、SVM、逻辑回归等）Regression：回归任务：预测连续变量（线性回归、随机森林回归、SVR等）Clustering：聚类任务：无监督分组，标签未知（Kmeans、AgglomerativeClustering等）DimensionalityReduction：降维任务：压缩特征维度（PCA、TruncatedSVD、t-SNE等）Preprocessing：预处理ModelSelection：模型选择按学习过程分类逻辑回归？监督学习无监督学习强化学习逻辑回归不是“算一个数”，而是判断一件事是不是会发生，它输出的不是一个具体的数值，而是一个“概率”，逻辑回归时一种做判断的数学工具。缺点：①容易受到异常值影响，对异常值较为敏感；②对特征相关性较强的数据表现不佳，模型性能可能会下降。优点：①易于理解和解释：可以提供特征对分类结果的影响程度；②计算代价低：训练和预测速度相对较快；③小型数据集效果好1.首先模型将“下单间隔”“折扣力度”“用户投诉”等变量作为输入特征。2.接下来为每个变量分配一个权重，表示其对用户是否流失的影响方向与程度。3.这些变量的加权求和形成一个得分，用于衡量用户的“流失倾向”4.该得分通过逻辑函数转换为0到1的概率，表示用户流失的可能性。5.通常以0.5为阈值，若概率大于该值则预测为“即将流失”，反之则不流失。6.通过历史数据训练，模型不断调整权重，从而学习各变量与流失行为之间的真实关系。7.得出最终学习结果03直播营销活动商品推广分析及预测——逻辑回归模型变量名含义可能的解释HourSpendonApp用户使用App的小时数使用时间越久可能更忠诚Complain用户最近一个月是否提出投诉（0:否;1:是）有投诉可能更易流失DiscountAmount用户最近一个月平均每笔订单节省的价钱节省越多可能越愿意留下DaySinceLastOrder用户距离上次下单的天数距上次下单时间越久，越可能流失1.数据准备2.拆分训练集和预测集3.模型训练与预测4.结果评估与模型表现03直播营销活动商品推广分析及预测03直播营销活动商品推广分析及预测——逻辑回归模型实际\预测(1126)预测“不流失”（0）预测“流失”（1）实际不流失（0）TrueNegative：932FalsePositive：182实际流失（1）FalseNegative：2TruePositive：10逻辑回归模型-混淆矩阵

结果解读？

准确率：模型整体判断正确的比例精确率：被预测为“会流失”的人中，有多少是真的会流失F1分数：模型整体判断正确的比例召回率：所有真正会流失的人中，模型识别出了多少BinaryF1-score:只关注某类别（二分类任务）MicroF1-score：整体样本级别（类别不均衡时常用）=AccuracyMacroF1-score：分别计算每类F1再平均（多分类且类别均衡时）WeightedF1-score:分别计算每类F1再加权平均（类别不均衡时）

模型回归系数03直播营销活动商品推广分析及预测-基于Deepseek的客户流失预测步骤一，在DeepSeek中上传数据集，然后完成以下内容。（1）读取用户流失数据集，包括用户是否流失的目标字段和多个特征。（2）对数据集进行预处理，得到与用户流失相关的特征。DeepSeek指令如下：请给出数据预处理的Python代码，完成这些工作：读取用户流失数据集，包括用户是否流失的目标字段和多个特征。同时对数据集进行预处理，得到与用户流失相关的特征。数据预处理参考结果如图。03直播营销活动商品推广分析及预测-基于Deepseek的客户流失预测步骤二，在上述数据集基础上，实现对数据的分割和预测。（1）将数据集进行分割，得到训练集与测试集。（2）使用逻辑回归模型进行预测，给出对应的代码和预期结果。DeepSeek指令如下。将数据集进行分割，得到训练集与测试集。同时使用逻辑回归模型进行预测，给出对应的代码和预期结果。参考结果如图通过预测结果可以发现，准确率（accuracy）达到了85%。精确率（precision）聚焦于模型对正类（即用户流失情况）的预测质量。当模型预测某一用户会流失时，有82%的概率该用户实际确实会流失。召回率（recall）关注的是模型对正类样本（用户流失）的识别能力。对于实际会流失的用户，模型能够成功识别出其中的61%。F1分数是精确率和召回率的综合体现，它用于衡量模型性能的稳定性和泛化能力。在这个模型中，正类的F1分数为0.7。Part4实训严谨勤俭求实开拓实训1.数据分析方法本章分析了用户流失与用户性别、年龄以及用户常使用的登录设备之间是否存在关联，从而通过分析结果进一步定制商务活动策略。请参考本章的数据处理和分析方法，进一步分析用户所处城市级别和用户婚姻状况与用户是否流失之间是否有关联。具体要求如下：（1）描述性统计分析使用pandas计算用户流失的总人数和各城市级别、婚姻状况下的用户流失比例；DeepSeek指令如下。第一步：生成一个数据集，数据集中包含用户是否流失、用户所在城市级别、用户婚姻状况字段的数据。第二步：根据生成的数据集使用pandas库计算用户流失的总人数和各城币级别、婚姻状况下的用户流失比例。（2）可视化分析①绘制用户流失情况的分布图（如柱状图或饼图），直观展示不同城市级别和婚姻状况下的用户流失情况。DeepSeek虽然不能直接输出可视化结果，但可以根据其提供的可视化代码进行可视化。将程序输入已导入Matplotlib的Python中实现可视化。DeepSeek指令如下。绘制用户流失情况分布图（柱状图或饼图），直观展示不同城市级别和婚姻状况下的用户流失情况。②利用boxplot图展示不同城市级别和婚姻状况下的用户流失比例，帮助识别潜在的趋势。DeepSeek指令如下。利用boxplot展示不同城市级别和婚姻状况下的用户流失比例，帮助识别潜在的趋势。（3）关联分析通过构建逻辑回归模型，探讨城市级别和婚姻状况对用户流失的影响。DeepSeek指令如下。通过构建逻辑回归模型，探讨城市级别和婚姻状况对用户流失的影响。实训2.分析结果与解读（1）结果呈现①清晰地展示城市级别和婚姻状况与用户流失之间的关联性，包括统计结果和可视化图表。②分析用户流失的主要影响因素，如是否某一特定城市级别的用户流失率较高，或者已婚用户流失的比例高于未婚用户的比例。（2）策略建议根据分析结果，制定相应的商务活动策略。①

针对流失率较高的城市级别，制定特定的促销活动或用户维护计划。②

针对特定婚姻状况的用户群体，推出相应的服务或产品，以提高用户的满意度和黏性。③

设计针对性的广告宣传，吸引特定城市或婚姻状况的用户群体，提升用户留存率。汇报结束感谢聆听！SOUTHWESTERNUNIVERSITYOFFINANCEANDECONOMICS短视频营销数据分析AnalysisofShortVideoMarketingData案例引入淄博烧烤的出圈离不开短视频营销活动。在网络传播过程中，知名网红、美食博主等具有极高的话语权和影响力，他们通过分享淄博烧烤的美食体验，吸引了大量粉丝和关注者的目光。“淄博烧烤短视频火爆出圈：一支烤串带火了一座城”短视频通过选取烧烤这一当地特色美食作为切入口，如图10-1所示，形塑出山东淄博的城市形象和文化IP。短视频中大量运用特写镜头，如专门定制的“烧烤地图”，新增开设的“烧烤公交专线”，灯火辉煌、熙熙攘攘的人群夜景、在校大学生互动打卡的“青年驿站”等，不断强化“品人间烟火，游魅力淄博”的标签化视听元素。特别是“淄博当地人周一到周四吃，周五到周日欢迎全国各地游客”的互动仪式感，以及“平凡又热辣，畅快又鲜活”的城市符号，都在受众心里留下深刻印记，实现了从短视频流量到食客“留量”的有效转化。图10-1淄博烧烤商务活动短视频封面在短视频时代，短视频呈现的城市景观激发了受众的想象和向往，吸引受众前去打卡，受众在到达网红城市后发挥主观能动性，拍摄、上传短视频，突出自己的在场性，同时将对朝觐地的体验通过符号化的形式上传至媒介空间进行二次传播，个人的朝觐体验成为城市形象传播的重要组成部分，影响其他受众对城市的想象和印象。思考短视频作为一种快速传播、直观展示的媒介，能够吸引大量关注和粉丝，通过美食博主等具有影响力的人物，将淄博烧烤推广给更广泛的受众群体。在当今数字化时代，短视频营销活动已经成为推广品牌、产品和服务的重要方式。思考一下：1.怎样才能做好短视频营销活动？2.哪些数据指标可以反映一条短视频的成功与否呢？严谨勤俭求实开拓01短视频营销活动概述02短视频营销活动商品推广案例03短视频营销活动商品推广分析及预测04实训Part1短视频营销活动概述严谨勤俭求实开拓01短视频营销活动特点商务活动本质上是一种大众传播行为，短视频营销活动作为营销形式的一种，虽然是近几年才诞生的“新新事物”，但其本质上仍然遵循传播学的5W模式。短视频营销活动与5W模式的对应关系如图10-2所示。传统品牌广告主要依赖于固定的展现形式和播放渠道，以较为固定的媒介进行推广，如广播、电视、纸媒等，由于广告制作、投放成本较高，投放精准度不足，收益率较低。而新兴的短视频传播则基于5G网络及移动设备，具有覆盖面广、更新速度快、信息量大、互动性强、表现形式丰富等特点，打破了时间和空间的限制，呈裂变式传播。图10-2短视频营销活动与5w模式对应关系WhoSaywhatInwhichchannelTowhomWithwhateffect谁说了什么通过什么渠道向谁取得了什么效果主体内容媒介受众效果5W模式营销活动主体企业/品牌方活动内容广告宣传活动媒介短视频平台活动受众短视频用户活动效果达标与否01短视频营销活动特点StepOneToDiscovertheProblem.12受众体验交互化消费者行为学认为，用户的购买过程最先从产生认知开始，接着产生情感，最后再发生消费行为。与传统媒体广告商务活动相比，短视频能更加直观、真实地表达产品自身优势或有趣之处，让用户在短时间内了解产品。随着5G时代到来，摄像特效工具和虚拟与增强现实技术如16K全屏高清、特效滤镜、AR表情包等，在短视频制作中得到大量应用，超高清与沉浸式的呈现方式将多方位直接刺激受众感官，极大增强互动体验感，进一步提升短视频在品牌营销、提升品牌认知方面的优势。营销推送精准化基于大数据技术的加持，算法推荐成为很多短视频平台的主要内容分发模式。以抖音为例，抖音平台依据用户属性和特征、短视频类别和标签等为用户匹配内容，从而进行精准的内容推荐，为用户推送喜欢的内容，为内容创作方找到合适的用户。企业/品牌方在短视频平台进行商务活动推广，无论是投放平台广告与“达人”合作拍摄视频，还是用自身账号发布视频，能够接收到其商务活动信息的用户必定是具有某类特征的群体。一方面，企业的商务活动短视频会有针对性地选择符合用户画像特征的潜在用户群体进行投放，一般用户画像会细化到用户的性别、所在区域、年龄层、爱好等属性特征；另一方面，平台会依据短视频的内容特征将其推荐给可能感兴趣的用户。总的来说，相比于传统商务活动及其他商务活动形式，短视频营销活动更加精准。01短视频营销活动特点StepOneToDiscovertheProblem.34信息传播裂变化短视频的传播依托受众分享，呈现出一对多的传播特点，传播过程裂变化，传播效果与速度远远优于其他传统媒体形式。例如，当品牌短视频上线发布时，假设A、B、C三位用户看到相关信息内容，便形成第一步一到多的传播过程。随后，用户根据自身喜好选择是否进行点赞、评论、转发，当用户A、C与此条短视频产生共鸣，认定其价值性选择转发传播，或品牌主以各式活动诱导转发，转发传播的人数则会更多。在用户A、C转发分享后，其粉丝便会看到这条短视频并延续转发传播。如此循环往复，短视频的传播量呈现裂变式OnetoNtoN的过程，信息快速触达庞大的用户群，品牌借此获得了更多关注，商务活动内容得到循环扩散。品牌营销高效化相较长视频而言，短视频有生产时间短、传播通路宽等特点，可在移动终端完成拍摄、剪辑及上传整套流程，制作和传播的高效加上视听觉刺激，让短视频营销活动信息更具影响力。同时，短视频的社交属性使其并不局限于某一应用平台，用户可以将喜爱的短视频分享到任意社交平台与社交圈，极大增强了短视频的传播力。在观看与分享短视频过程中，有价值的商务活动内容能够帮助用户进行有效搜索并做出决策，受到用户的主动簇拥与传播，进一步成为品牌商务活动的“自来水”。互动还促成了信息的双向传递，品牌可以透过用户评论反馈实时了解用户需求与传播效果，及时调整与优化，反复提高品牌商务活动的到达率与传播效果，快速完成品牌认知、认同到交易转化的消费闭环。而且，随着网络技术的迭代发展和外部政策法律因素的影响，平台间相互分享的壁垒也将减少，短视频营销活动信息将进一步提高品牌商务活动效能。我国短视频始于2011年，移动互联网技术的发展催生短视频应用的出现。2011年3月GIF快手成立，用于制作分享GIF图片。在此时期，一方面由于移动互联网大潮声势刚起，用户习惯和应用场景有限；另一方面受制于功能开发、带宽网速等条件不足，短视频行业尚处于萌芽期。短视频萌芽探索期的代表性产品为快手、秒拍、小咖秀、微视和美拍等。产品工具性强于社交性，并且分发能力、内容生态较弱，导致这一时期的短视频营销活动能力有限。01萌芽探索期（2011-2015年）02短视频营销活动的发展历程很多嗅觉敏锐的企业和创业者闻到了短视频的“肉香味”，大批移动短视频应用密集面世，移动短视频进入爆发期。抖音、快手为代表的短视频平台取得突破，在算法技术、分发效率、内容生态上均有跨越式提升，形成了信息流广告的爆发增长期。02爆发增长期（2015-2018年）根据中商产业研究院整理，2019年开始行业竞争格局逐步稳定，形成以抖音、快手为核心的“两强格局”。2020年微信视频号上线后，依托微信生态迅速扩张，2022年视频号日活用户达3.64亿，推动行业进入“抖音+快手+视频号”的“三足鼎立”阶段。03成熟期（2019年至今）02短视频营销活动的发展历程时间关键事件意义2012年快手由制作和分享GIF图片的工具转型为短视频社区;迅雷发布有料短视频短视频初露锋芒2013年新浪微博推出秒拍;腾讯微视上线;小影上线;秒拍上线，和微博合作，成为微博内嵌应用短视频在我国互联网的土壤上开始快速成长2014年美拍上线;秒拍联合微博发起“冰桶挑战”“冰桶挑战”成为年度热门词语，短视频初具影响力2016年面向年轻人的15秒音乐短视频社区抖音上线;今日头条发布火山小视频;梨视频上线;papi酱成为现象级“网红”开启了短视频元年，自此短视频进入蓬勃发展阶段2017年土豆开始向短视频行业转型;今日头条发布西瓜视频;腾讯重启微视;360快视频上线;百度好看视频上线短视频流量开始变现，变现规模已达57.3亿元2018年哔哩哔哩上市;小红书用户数突破两亿短视频内容爆发式增长，整个行业欣欣向荣2020年微信推出视频号;微博推出视频号;各个短视频平台发力直播;短视频用户规模达8.73亿各知名互联网企业都将短视频提到了核心战略地位，投入重金与资源来推动用户增长2021年国家加强算法推荐监管《互联网信息服务算法推荐管理规定》出台，推动平台优化内容审核机制，平衡商业化与社会责任2024年快手推出视频生成大模型“可灵”；抖音上线方言自动翻译功能；哔哩哔哩发布了AI视频创作工具“必剪Studio”各个短视频平台都在加速布局人工智能业务，将人工智能运用到短视频内容制作、搜索、传播和翻译等各领域各环节表10-1我国短视频平台发展的关键事件及意义Part2短视频营销活动商品推广实例严谨勤俭求实开拓01短视频营销活动商品数据概况表10-2数据变量及相关解释（选取短视频营销活动数据集）数据变量解释02短视频营销活动商品数据指标提取数据预处理数据预处理涉及数据清洗、数据转换和数据集成等方面的工作，能够提供干净、规范、可用的数据集。在这里，首先对数据进行清洗，分析数据集中的变量是否存在缺失值。先使用Pandas库里的read_excel()函数读取数据集，再使用head()函数进行预览，结合isnull()和sum()函数统计各字段空值数据，缺失情况如表3所示。02短视频营销活动商品数据指标提取数据预处理根据输出结果可知该数据集仅video_title字段存在缺失值，需要对缺失数据进行处理。通过观察数据集发现，video_title字段除了带货博主为了引起用户兴趣取的宣传语外，通常还包括带货商品的名称、品牌或品类等关键特征。由于product_title字段也提到了这些特征，所以可以基于product_title字段信息对video_title字段的缺失值进行手动填补。由于两处缺失值对应的product_title分别为“金框【一串发三】棕三欧丽维尼熊高奢联名原创三层吊篮收纳筐居家”和“【29.9-12根】灶小美内蒙古黄糯玉米黄金八厘米粘糯玉米新鲜整箱装”，可以将缺失值分别填补为“收纳筐”和“玉米”。表10-3数据变量缺失情况03短视频营销活动商品数据指标提取商品属性特征分析——描述性统计分析描述性统计分析是了解数据集的基本特征和趋势的重要方法，它涵盖了数据的中心趋势、离散度、分布和相关性等方面的分析。使用describe()函数可以快速计算数据集的基本统计信息并生成描述性统计摘要。输出结果如表10-4所示（为方便展示仅保留两位小数）。表10-4数值数据的基本统计信息03短视频营销活动商品数据指标提取商品属性特征分析——描述性统计分析除了describe()函数，Python中的NumPy库也提供了一些常用的函数计算数据集的众数、极差和方差，包括

mode()、ptp()和var()函数。以sale_count为例，示例代码如右图所示：输出结果为：众数：6266极差：1009952方差：4398080576.08505使用以上函数可以一目了然地获得数据集的基本统计信息，包括观测数量、均值、标准差、最小值、最大值、众数、极差和方差等。这些信息有助于对数据集进行初步的了解和分析，为后续的数据处理和建模工作提供基础。04短视频营销活动商品数据指标提取商品属性特征分析——商品价格分析价格很大程度上影响用户的购买决策。通过对短视频平台上的商品价格分布情况进行分析，企业可以了解该平台用户的消费水平，帮助企业进行产品定价、市场定位、和竞争分析等。例如，通过识别商品价格分布中的峰值或频繁出现的价格点，了解用户对某些价格水平的偏好，帮助企业在该平台上推出价格合适的产品；通过识别商品价格的等级占比，了解有关其产品市场定位信息，产品价格分布偏向较高的区域可能意味着企业的产品定位在高端市场，而价格分布偏向较低的区域则可能意味着企业的产品定位在低价市场。这些信息可以帮助企业了解自己在市场中的竞争地位，为市场定位和品牌策略提供指导。这里对数据集中的商品价格分布进行分析。首先使用hist()函数绘制价格分布直方图展示商品价格的分布情况。进一步，设置价格分类方法，通过price_group()将数据集中的商品按照价格分为高-中-低三等，使用value_counts()函数计算各类别的频率，最后用pie()函数绘制饼图，显示不同价格等级商品的占比情况。04短视频营销活动商品数据指标提取商品属性特征分析——商品价格分析结果如图10-9和图10-10所示。可以看到，抖音平台绝大多数商品的价格都处在0-200的价格区间内，低价商品占比96.4%，较高价位的商品几乎没有，表明抖音平台上的用户更倾向于购买价格相对较低的商品。基于此分析，企业可以评估自己的产品定价策略是否符合抖音平台用户的需求。如果企业的产品价格较低，与抖音平台上用户的偏好相符，则表明该产品在该平台市场上具有一定的竞争力。而如果企业的产品定价较高，可能需要考虑调整定价策略以适应抖音平台的市场需求或选择匹配其产品价格的平台。图10-9商品价格分布直方图图10-10商品不同价格等级占比饼图05短视频营销活动商品数据指标提取商品属性特征分析——商品关键词分析给出根据商品标题对商品进行关键词分析的python代码，并绘制词云图商品关键词词云上图是对商品标题进行词云分析的结果，其中“家用”“儿童”“套装”等关键词字体较大，说明在抖音平台上，家居用品、儿童相关商品和服装类商品占比较大，这些产品可能更容易受到用户关注。企业可以根据这些信息大概了解平台用户的需求，根据平台用户的消费偏好进行针对性的选品。06短视频营销活动商品数据指标提取商品属性特征分析——商品品类分析根据商品标题，将商品分为“美妆”“个护”“食品饮料”“家居用品”“服装饰品”“图书教育”“数码电子”和“其他”八个品类，并列举常见的属于各品类的商品关键词，建立字典，根据商品关键词对其进行分类，并统计不同品类商品的占比情况，绘制饼图。商品品类分布上图所示是各品类商品的占比情况。和词云结果类似，“家居用品”和“服装饰品”占比最大，分别是21.5%和20.4%。需要注意的是，在商品品类生成过程中仅粗略地列出了每个品类中较常出现的关键词，可能存在错分、漏分、分类不细的情况，这可能也是“其他”类占比较高的原因之一。07短视频营销活动商品数据指标提取商品属性特征分析——热销商品分析统计销量top10商品情况，展示商品名称、价格、品类、销售量销量top10产品对于企业来说，了解平台用户的购买偏好可以帮助其决定投放市场，优化商务活动策略。例如，由于抖音用户更偏爱低价商品，那么价格较高的商品可以考虑在京东、淘宝等平台销售，避免不必要的投放成本。对于价格合适的企业来说，可以考虑提供折扣、打包优惠、限时促销等方式吸引用户购买商品。同时，可以利用限时抢购、等商务活动手段创造紧迫感，促使用户尽快下单。08短视频营销活动商品数据指标提取相关性分析——价格效应分析统计不同价格等级商品的平均销售量，并绘制折线图企业可以了解抖音平台上相似商品的销量分布，判断自身商品的销售情况，如果企业的高端商品销量较好，则可以进一步提升产品品质和服务，巩固高端市场的竞争优势。另外，由于平台低端商品销量较高，企业可以考虑扩大低价产品线，满足大众用户的需求。商品价格等级平均销量对比图09短视频营销活动商品数据指标提取比较不同商品品类销售量分布情况，并绘制箱线图相关性分析——品类效应分析箱线图中家居用品类商品的销售量分布区间宽于其他品类商品，意味着家居用品类商品的销售量变化更大，同时其销售量数据存在较多的离群值，中位数销售量和平均销售量均高于其他品类。09短视频营销活动商品数据指标提取相关性分析——品类效应分析抖音平台的用户往往更偏向于购买家居用品类商品，对于价格较低的家居类商品，企业可以考虑使用抖音短视频营销活动方式分别计算各品类商品的平均销售量和总销售量，并绘制柱状折线图10短视频营销活动商品数据指标提取相关性分析——带货效应分析对于短视频营销活动而言，影响商品销售量的又一大因素为带货博主的等级，可以先定义

fans_count_group()方法，根据博主的粉丝数将博主分为”小粉丝量博主”“中粉丝量博主”和“高粉丝量博主”，再使用

concat()函数将博主等级与销售量连接，使用

mean()函数计算不同等级博主的平均带货销量，最后基于

plot()函数绘制折线图对比不同等级博主带货的商品销售情况，评估带货博主对于商品销售的影响力。10短视频营销活动商品数据指标提取相关性分析——带货效应分析如图所示，高粉丝量博主的平均带货销量高于中粉丝量博主，且远远高于低粉丝量博主，这通常是由于高粉丝量博主拥有更广泛的受众群体和更高的关注度，其推荐和推广的产品往往能够获得更多的曝光和关注。对于企业来说，在进行短视频营销活动时，选择一个合适的带货博主是非常重要的，其往往直接影响着商品的销售情况。对于想要扩大商品知名度的企业来说，高粉丝量的博主往往是最好的选择。但高等级的博主带货报价往往也高于较低等级的博主，因此企业还需要评估投资回报率，根据自身的发展需求选择最合适的博主进行短视频营销活动。图不同等级博主带货平均销量对比图Part3短视频营销活动商品推广分析及预测严谨勤俭求实开拓01短视频营销活动商品推广分析及预测决策树模型预测销售量决策树模型常用于分类和回归任务，它以树形结构呈现，通过对数据特征的层层判断，得出最终决策。比如判断一个人是否适合某项运动，依据年龄、身体状况等特征构建决策树来决定。决策树基于数据特征来划分数据集，目标是让每个划分后的子集更“纯”，即同一子集内的数据尽量属于同一类别。就像给水果分类，先按颜色分，再在每个颜色组里按大小分，让每个分组的水果更相似。基本步骤：