精华内容
下载资源
问答
  • 现下,短视频行业的飞速发展,诞生了许多短视频领域的创业者。众所周知,想要做一个可以盈利的抖音账号,内容质量方面必须要高,除此之外,日常的数据分析也是非常...

    现下,短视频行业的飞速发展,诞生了许多短视频领域的创业者。众所周知,想要做一个可以盈利的抖音账号,内容质量方面必须要高,除此之外,日常的数据分析也是非常的重要。通过专业的视频分析工具,不仅能了解到行业内的最新玩法,还能学到竞品上热门的套路,你说它香不香?

    下面,就由小编来为大家介绍现下最火、最好用的抖音数据分析工具。

    一. 抖查查

    抖查查致力于抖音视频各方面数据的监测与分析,让用户可以通过直白的数据图表总结出抖音热门视频的内容规律,助力于抖音账号的运营。

    目前抖查查的主要包括:创意洞察、抖音排行榜、数据分析三大板块,共9大功能。

    那究竟要如何使用这几个功能,方能让工具数据为账号运营实现最大化助力呢?

    1. 创意洞察

    众所周知,现在已经步入了大数据时代,任何一个运营者都需要具备数据分析的能力。

    而一个短视频的爆火,除了机缘巧合等因素之外,必定也蕴藏着整体市场与用户特定需求及兴趣点的反馈。

    抖查查在创意洞察板块囊括了:飙升视频、热门音乐、热门话题及剧本库。不仅提供了各类最新热门视频、热门音乐资源及热点话题,更是为创作者提供了剧本库,以方便创作者巧妙借助热点“梗”,融入到内容创作中,增加获取大流量机会。

    抖查查剧本库分类

    2.抖音排行榜

    抖查查的抖音排行板块中包括了:视频榜单、粉丝榜、蓝V榜三大功能。

    此版块对抖音用户进行了一定的分析,助力广告主进行营销投放优化处理。大家都知道抖音播主的宣传费用并不低,想要取得营销推广利润最大化,就需要掌握抖音不同行业、不同播主的视频内容传播指数及用户画像情况。

    视频榜单中囊括:抖音视频中个领域的标签、点赞数、评论、分享等数据,广告主可以随意监测抖音播主账号的评论,并通过评论热词图表直观了解播主的用户数据及用户画像情况。

    抖查查用户画像分析

    3.数据监测

    视频发布后各项数据实时爆发力越强,后续获得的推荐会越多。

    抖查查提供数据监测功能,通过添加抖音账号及复制视频连接可以对视频及账号进行实时监测,24小时、48小时、72小时三个时间区间任你选择,你可以在选定的时间实时查看视频的各项具体数据变化趋势图,及整体数据表格。

    同时,抖查查还可以对比抖音账号,同是竞争对手,亦是最好引路人。

    抖查查的对比抖音账号功能可以帮助你分析同行内容数据、粉丝数据、视频内容播放数据来作为制定运营战略的有效参数。

    只要你输入播主抖音号/抖音主页链接/播主任意视频链接,就可以成功添加该播主,播主监测成功之后可以查看该播主详细的粉丝粉丝与内容分析。

    粉丝分析包括粉丝增长趋势图、视频数据变化趋势图、粉丝评论数据、转发数据。

    抖查查账号对比分析

    二. 新榜抖音排行榜

    新榜以内容产业服务为主,数据资源库丰富准确。并且随着抖音的爆火,现在也开通了抖音号排行榜。

    在新榜抖音排行榜上,能查看到各个领域最靠前的抖音号,包括娱乐、才艺、萌宠、搞笑等 19 个领域。

    新榜上的抖音号数据维度很清楚:新增作品数、转发数、评论数、点赞数、新增粉丝数、累计粉丝数等等指标一目了然。

    如果你想知道自己抖音账号所在领域的情况,上新榜看排行榜就一目了然了

    三. 飞瓜数据

    飞瓜数据是一个专业的短视频数据分析平台。

    它的功能很齐全,可以做单个抖音号的数据管理,查看日常的运营情况;也可以对单个视频做数据追踪,知晓它的传播情况。

    除此之外,通过飞瓜数据,你还能搜集到热门视频、音乐、博主等,还能查到热门带货情况。

    如图:飞瓜数据的展示类型

    对运营者而言,飞瓜数据可以很好的帮助你进行数据分析,实时了解视频热度变化、浏览量等相关的数据监控。

    四. 抖大大

    抖大大是专门做抖音短视频数据分析服务的,相比于上面的两种工具有所区别。

    创作者可以添加运营的抖音号,方便了解到多个账号的点赞与粉丝变化。

    并且为了方便创作者更加快速的掌握抖音平台的内容情况,抖大大直接将当日涨粉最多的账号,近一天最火的视频与近一周最火的音乐直接进行了展示。

    抖大大数据工作台分为左侧&顶部导航栏和中间的日常信息展示区三个部分。

    左侧和顶部的导航栏是整个抖大大网站的指南针,是创作者们访问更加详细数据页面的快速通道。

    中间部分则直接展示每天必看的几项重要数据:

    • 运营账号监测:创作者可以将运营的账号放到这里,方便了解到多个账号的点赞与粉丝变化。

    • 监测数据大盘:竞品的数据都会在这块区域显示,本周即将上线对任意一个视频进行数据监控!

    • 服务支持与资讯:产品的使用帮助文档,行业最新资讯以及抖大大产品升级通告都会在这块区域显示。

    • 热点内容汇总:为了方便创作者更加快速的掌握抖音平台的内容情况,我们直接将当日涨粉最多的账号,近一天最火的视频与近一周最火的音乐直接进行了展示。

    五. Toobigdata

    如果你既想查看丰富的抖音数据,又不想花太多的钱,那么Toobigdata 是一个不错工具。

    Toobigdata 数据功能同样丰富,汇集了抖音各大实用数据功能,包括最新行业资讯、抖音官方平台链接、热门商品、热门数据、账号诊断等等实用工具。

    TooBigdata 绝大部分的数据都是可以免费查看,对于一般的用户足够了。

    像抖音热门带货数据,在 TooBigdata 上可以免费查看到TOP100 ,做淘客抖音号的朋友,可以多用一用。

    六. 卡思数据

    卡思数据是视频全网大数据开放平台,监测的平台不仅是抖音,还包括“抖音”“快手”“bilibili”“美拍”“秒拍”“西瓜视频”“火山小视频”。主要功能包括:

    MCN管理:MCN管理是卡思数据为MCN机构提供的红人管理工具,支持认领各大短视频平台红人(抖音、快手、bilibili、美拍、秒拍、西瓜视频、火山小视频)及新浪微博红人,认领后即可随时查看红人的各项运营数据(如粉丝趋势、视频的数据趋势等),方便及时发现旗下红人的潜力与不足,从而及时调整运营重心,实现科学化、智慧化管理。

    热门视频、抖音BGM、抖音话题、平台热点等功能(具体的可以在卡思数据上面去做了解哦)

    智能筛选:基于红人的内容分类、粉丝质量、视频数据表现、商业属性、粉丝画像(年龄、性别、地域)以及营销预算,来帮助广告主、广告公司筛选所需KOL红人资源,快速制定精准、有效的自媒体组合投放策略。

    抖音最火爆的几款数据分析工具都在这里啦。

     

    End.

    作者:陈宇

    展开全文
  • 抖音数据分析工具pc端When your hard drive starts to fill up, you don’t have to dig through File Explorer to see what’s using space. You can use a disk space analyzer to scan your drive (or just a ...
    抖音数据分析工具pc端

    抖音数据分析工具pc端

    When your hard drive starts to fill up, you don’t have to dig through File Explorer to see what’s using space. You can use a disk space analyzer to scan your drive (or just a single folder) and see exactly which folders and files are using space. You can then make an informed decision about what to remove and quickly free up space.

    当硬盘驱动器开始装满时,您无需浏览File Explorer即可查看正在使用的空间。 您可以使用磁盘空间分析器扫描驱动器(或仅扫描一个文件夹),并准确查看正在使用空间的文件夹和文件。 然后,您可以就要删除的内容做出明智的决定,并快速释放空间。

    These tools are different from disk cleaning applications, which automatically remove temporary and cache files. An analyzer will just scan your drive and give you a better view of what’s using space, so you can delete the stuff you don’t need.

    这些工具与磁盘清理应用程序不同,后者会自动删除临时文件和缓存文件。 分析仪将只扫描您的驱动器,让您更好地了解正在使用的空间,因此您可以删除不需要的东西

    WinDirStat是最好的全方位工具 (WinDirStat Is the Best All-Around Tool)

    WinDirStat is our preferred tool, and it’s probably all you’ll need. Its interface allows you to see exactly what’s using space on your hard drive at a glance. When you launch WinDirStat, you can tell it to scan all local drives, a single drive like your C: drive, or a specific folder on your computer.

    WinDirStat是我们首选的工具,它可能就是您所需要的。 它的界面使您可以一目了然地查看硬盘驱动器上正在使用的空间。 启动WinDirStat时,可​​以告诉它扫描所有本地驱动器,单个驱动器(例如C:驱动器)或计算机上的特定文件夹。

    After it finishes scanning, you’ll see three panes. On top, there’s a directory list that shows you the folders using the most space in descending order. On the bottom, there’s a “treemap” view that shows you a color-coded view of what’s using space. On the right, there’s a file extension list that shows you statistics about which file types are using the most space. It also serves as a legend, explaining the colors that appear in the bottom of the window.

    扫描完成后,您将看到三个窗格。 在顶部,有一个目录列表,该目录列表以降序显示使用最多空间的文件夹。 在底部,有一个“树图”视图,向您显示使用空间的颜色编码视图。 在右侧,有一个文件扩展名列表,该列表显示有关哪些文件类型使用最多空间的统计信息。 它还用作图例,解释出现在窗口底部的颜色。

    For example, when you click a directory in the directory list, you’ll see the contents of that directory highlighted in the treemap. You can mouse over a square in the treemap to see what file it represents. You can also click a file extension in the list to see exactly where files of that type are located in the treemap view. Right-click a folder in the directory list and you’ll see options to quickly delete that folder or open it in Explorer.

    例如,当您单击目录列表中的目录时,您会在树形图中看到该目录的内容突出显示。 您可以将鼠标悬停在树形图中的正方形上以查看其代表的文件。 您也可以单击列表中的文件扩展名,以查看该类型的文件在树状视图中的确切位置。 右键单击目录列表中的文件夹,您将看到用于快速删除该文件夹或在资源管理器中打开该文件夹的选项。

    WinDirStat doesn’t offer a portable app on its website, but you can download a portable version of WinDirStat from PortableApps.com if you’d like to take it with you and use it on various PCs without installing it first.

    WinDirStat在其网站上没有提供可移植的应用程序,但是如果您希望随身携带WinDirStat的移植版本,并且无需先安装它就可以在各种PC上使用,则可以从PortableApps.com下载可移植的版本。

    SpaceSniffer提供最佳的图形视图 (SpaceSniffer Offers the Best Graphical View)

    Try SpaceSniffer if you’re looking for something different. SpaceSniffer doesn’t have the directory list included in WinDirStat. It’s just a graphical view that displays folders and the files in them by relative size, like the bottom treemap view in WinDirStat’s interface.

    如果您正在寻找不同的东西,请尝试SpaceSniffer 。 SpaceSniffer的WinDirStat中没有目录列表。 它只是一个图形视图,按相对大小显示文件夹及其中的文件,就像WinDirStat界面中的底部树形图视图一样。

    However, unlike WinDirStat’s treemap, you can double-click folders in this interface to drill down graphically. So, if you have a bunch of files taking up space in your C:\Users\Name\Videos directory, you could double-click each directory in turn to drill down and eventually right-click a file or folder to access options like Delete and Open.

    但是,与WinDirStat的树形图不同,您可以在此界面中双击文件夹以图形方式向下钻取。 因此,如果您的C:\ Users \ Name \ Videos目录中有一堆文件占用空间,则可以依次双击每个目录以进行向下钻取,最后右键单击文件或文件夹以访问诸如Delete之类的选项。并打开。

    In WinDirStat, you can only drill down through the directory list—not graphically through the treemap view. You’d have to start a new scan of a specific folder to get a new graphical view.

    在WinDirStat中,您只能向下钻取目录列表,而不能通过树形图视图以图形方式向下钻取。 您必须开始对特定文件夹的新扫描以获取新的图形视图。

    WinDirStat seems more practical, but SpaceSniffer does have the best graphical view. If you don’t care about the directory list, SpaceSniffer is the tool for you. It runs as a portable application, too.

    WinDirStat似乎更实用,但是SpaceSniffer确实具有最佳的图形视图。 如果您不在乎目录列表,SpaceSniffer就是您的理想选择。 它也可以作为便携式应用程序运行。

    TreeSize Free具有漂亮的界面 (TreeSize Free Has a Slick Interface)

    If you want something simpler than WinDirStat, TreeSize Free is a good alternative. It provides you with the same directory list and treemap interfaces you’ll see in WinDirStat, but it doesn’t have WinDirStat’s file extension list, and its ribbon-style interface is a little more at home on modern versions of Windows than WinDIrStat’s toolbar. TreeSize Free also adds a convenient scan option to Explorer, so you can right-click any folder in File Explorer and Windows Explorer and select “TreeSize Free” to scan its contents.

    如果您想要比WinDirStat更简单的东西,那么TreeSize Free是一个不错的选择。 它提供了与WinDirStat中相同的目录列表和树图界面,但没有WinDirStat的文件扩展名列表,并且它的功能区样式界面在现代Windows版本中比WinDIrStat的工具栏还多。 TreeSize Free还向资源管理器添加了一个方便的扫描选项,因此您可以右键单击File Explorer和Windows Explorer中的任何文件夹,然后选择“ TreeSize Free”以扫描其内容。

    To view a treemap in TreeSize Free, click View > Show Treemap. As in the other applications here, you can right-click files or folders in the application to delete or open them.

    要在TreeSize Free中查看树图,请单击查看>显示树图。 与此处的其他应用程序一样,您可以右键单击应用程序中的文件或文件夹以将其删除或打开。

    While there are paid TreeSize Personal and TreeSize Professional applications, these just add bonus features like the ability to search for duplicate files, which other tools do just fine. You can scan and visualize your disk space using the free version of TreeSize with no problem.

    虽然有付费的TreeSize Personal和TreeSize Professional应用程序,但它们只是增加了一些额外的功能,例如搜索重复文件的功能,其他工具也可以。 您可以使用免费版本的TreeSize扫描并可视化磁盘空间,而不会出现问题。

    This application is also available as a portable application, so you don’t have to install it before running it, if you prefer.

    该应用程序还可以作为便携式应用程序使用,因此,如果愿意,您无需在运行之前安装它。

    内置Windows 10的存储使用工具 (Windows 10’s Storage Usage Tool Is Built In)

    Windows 10 has a storage usage tool that may help you in some cases. It’s not a classic disk space analyzer like the above tools, but it does have some similar features.

    Windows 10具有存储使用工具,在某些情况下可能会为您提供帮助。 它不像上面的工具那样经典的磁盘空间分析器,但是它确实具有一些相似的功能。

    To access it, head to Settings > System > Storage and click a drive. You’ll see a list of things taking up space on that drive, from apps and games to system files, videos, photos, and music. Click a category and Windows will suggest things you can remove—for example, you’ll see a list of installed applications which you can sort by the space they take.

    要访问它,请转到设置>系统>存储,然后单击驱动器。 您会看到一系列东西占用该驱动器的空间,从应用程序和游戏到系统文件,视频,照片和音乐。 单击一个类别,Windows会建议您删除的内容-例如,您将看到已安装应用程序的列表,可以按其占用的空间对其进行排序。

    While this tool isn’t as powerful as the above ones, it can be helpful for quickly understanding disk usage and freeing space in a pinch. There’s a good chance it will become more powerful in future updates to Windows 10, too.

    尽管此工具不如上面的工具强大,但有助于快速了解磁盘使用情况并释放少量空间。 它很有可能在将来的Windows 10更新中变得更加强大。

    翻译自: https://www.howtogeek.com/113012/10-best-free-tools-to-analyze-hard-drive-space-on-your-windows-pc/

    抖音数据分析工具pc端

    展开全文
  • 2018-2019抖音数据分析报告,2018年抖音大数据总结,2019年抖音大数据前瞻调研。共同学习研究抖音发展。
  • 数据抖音9-21到10-30日间的交互记录,年份已做特殊处理(显示为2067) 具体字段说明如下: ·第一列没标(像是顺序ID,但是不连续,估计是数据集有被筛选处理过) ·uid:用户id ·user_city:用户所在城市 ·item...

    项目说明

    数据是抖音9-21到10-30日间的交互记录,年份已做特殊处理(显示为2067) 具体字段说明如下:
    ·第一列没标(像是顺序ID,但是不连续,估计是数据集有被筛选处理过)
    ·uid:用户id
    ·user_city:用户所在城市
    ·item_id:作品id
    ·author id:作者id
    ·item_city:作品城市
    ·channel:观看到该作品的来源
    ·finish:是否浏览完作品
    ·like:是否对作品点赞
    ·music id:音乐id
    ·device:设备id
    ·time:作品发布时间
    ·duration time:作品时长s

    分析目的:对网红、平台运营提出建议

    数据处理

    import pandas as pd
    import numpy as np
    import time
    from pyecharts.charts import Line,Pie,Grid,Bar,Page
    import pyecharts.options as opts
    
    data=pd.read_table('douyin.txt',header=None)
    #补充值字段名称
    data.columns = ['uid','user_city','item_id','author_id','item_city','channel','finish','like','music_id','device','time','duration_time']
    data.head()
    

    在这里插入图片描述

    data.info()
    

    在这里插入图片描述

    缺失值处理

    不存在缺失值

    data.isnull().sum()
    

    在这里插入图片描述

    重复值处理

    #删除重复值
    print('重复值个数:',data.duplicated().sum())
    data.drop_duplicates(inplace=True)
    

    重复值个数: 4924

    #数据是进行过脱敏的数据,无法观察原有情况,不过可以推断其中的-1是缺失值,转换后直接删除即可。
    data[data==-1] = np.nan
    data.dropna(inplace=True)
    
    #本次分析中不会使用到device列,和多余Unnamed: 0列,删除
    del data['device']
    

    数据转换

    #time列是时间戳,修改成正常时间
    data.time=data.time.astype('str')\
                        .apply(lambda x:x[1:])\
                        .astype('int64')
    
    #将时间戳转换为普通的日期格式
    real_time = []
    for i in data['time']:
        stamp = time.localtime(i)
        strft = time.strftime("%Y-%m-%d %H:%M:%S", stamp)
        real_time.append(strft)
        
    data['real_time'] = pd.to_datetime(real_time)
    
    #time列无用了,删除
    del data['time']
    
    #为数据添加H:小时,和date:日期列
    data['H'] = data.real_time.dt.hour
    data['date']=data.real_time.dt.date
    data=data[data.real_time>pd.to_datetime('2067-09-20')]
    
    data.head()
    

    在这里插入图片描述

    数据分析

    日播放量、用户量、作者量、投稿量

    #日播放量
    ids=data.groupby('date')['date'].count()
    #日用户量
    uids=data.groupby('date')['uid'].nunique()
    #日作者量
    author=data.groupby('date')['author_id'].nunique()
    #日作品量
    items=data.groupby('date')['item_id'].nunique()
    
    #日播放量
    line1 = (
        Line()
        .add_xaxis(ids.index.tolist())
        .add_yaxis('日播放量', ids.values.tolist())
        .set_global_opts(
            title_opts=opts.TitleOpts(title='日播放量变化趋势',pos_left="20%"),
            legend_opts=opts.LegendOpts(is_show=False),
            yaxis_opts=opts.AxisOpts(name='日播放量'),
        )
        .set_series_opts (label_opts=opts.LabelOpts(is_show=False))
    )
    
    
    #日用户量
    line2 = (
        Line()
        .add_xaxis(uids.index.tolist())
        .add_yaxis('日用户量', uids.values.tolist())
        .set_global_opts(
            title_opts=opts.TitleOpts(title='日用户量变化趋势',pos_right="20%"),
            legend_opts=opts.LegendOpts(is_show=False),
             yaxis_opts=opts.AxisOpts(name='日用户量'),
        )
        .set_series_opts (label_opts=opts.LabelOpts(is_show=False))
    )
    
    
    #日作者量
    line3 = (
        Line()
        .add_xaxis(author.index.tolist())
        .add_yaxis('日作者量', author.values.tolist())
        .set_global_opts(
            title_opts=opts.TitleOpts(title='日作者量变化趋势',pos_top="50%",pos_left="20%"),
            legend_opts=opts.LegendOpts(is_show=False),
            yaxis_opts=opts.AxisOpts(name='日作者量'),
        )
        .set_series_opts (label_opts=opts.LabelOpts(is_show=False))
    )
    
    
    #日作品量
    line4 = (
        Line()
        .add_xaxis(items.index.tolist())
        .add_yaxis('日投稿量', items.values.tolist())
        .set_global_opts(
            title_opts=opts.TitleOpts(title='日投稿量变化趋势',pos_top="50%", pos_right="20%"),
            legend_opts=opts.LegendOpts(is_show=False),
            yaxis_opts=opts.AxisOpts(name='日投稿量'),
        )
        .set_series_opts (label_opts=opts.LabelOpts(is_show=False))
    )
    
    grid1 = (
        Grid()
        .add(line1, grid_opts=opts.GridOpts(pos_bottom="60%",pos_right="55%"))
        .add(line2, grid_opts=opts.GridOpts(pos_bottom="60%",pos_left="55%"))
        .add(line3, grid_opts=opts.GridOpts(pos_top="60%",pos_right="55%"))
        .add(line4, grid_opts=opts.GridOpts(pos_top="60%",pos_left="55%"))
    )
    
    grid1.render_notebook()
    

    在这里插入图片描述
    在10-21日之前日播放量,日用户量,日作者量,日投稿量随时间的变化趋势基本一致:平稳增长;
    在10-21到10-30时间段内,各指标均先出现巨大增长,后趋近平稳,再回落到正常水平值,猜则该时间点平台有进行活动推广。

    不过可以明显看出来用户量并没有播放量上涨的幅度夸张。且作者和投稿数量也比用户量上涨得迅速,初步猜测是有人利用平台规则漏洞,创建大量新号,并使用机器人刷单牟利。
    不过遗憾由于没有之后更长时期的数据,难以评估此次活动的效果。不过可以尝试检查出其中的机器人帐号。

    exception=data.groupby(['uid','date'])['uid'].count()[data.groupby(['uid','date'])['uid'].count()>1].unstack().T
    exception.index=exception.index.astype('datetime64[ns]')
    exception.head()
    

    在这里插入图片描述

    #(预测)活动开始前后每人平均观看量的变化倍数
    times = exception.query('date>datetime(2067,10,21) and date<datetime(2067,10,29)').mean() / exception.query('date<datetime(2067,10,21)').mean()
    
    times.describe([0.25,0.5,0.75,0.8,0.85,0.9,0.95,0.99])
    

    在这里插入图片描述

    #机器人(绝大多数人的变化倍数在0-3倍之间故选取3倍)
    robot = times[times>3].index.tolist()
    len(robot)
    

    4267

    new=data.query('real_time>datetime(2067,10,21) & real_time<datetime(2067,10,29)')['uid']
    old=data.query('real_time<datetime(2067,10,21)')['uid']
    print('10-21到10-29日活动新增用户数为:',new.nunique()-new[new.isin(old)].nunique())
    

    10-21到10-29日活动新增用户数为: 5739
    结论: 有4267是机器人的嫌疑,而此次活动新增用户也不过5739人,这进一步印证了现在的网络是以存量市场为主,如果想要吸引新的创作者和用户那么可能更需要去新的市场比如海外或者在抖音外的市场做宣传可能会效果更好。

    播放量来源分布

    channel = data.groupby('channel')['uid'].count()
    
    pie1=(
          Pie()
         .add('播放量', [list(z) for z in zip(channel.index.tolist(), channel.values.tolist())])
         .set_global_opts(title_opts=opts.TitleOpts(title='播放量来源分布',pos_left='20%'),legend_opts=opts.LegendOpts(is_show=False))
         .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%"))
          )
    pie1.render_notebook()
    

    在这里插入图片描述
    虽然没有明确说明,但作为算法驱动的短视频平台,显然可知“0”是算法推荐的视频。那么在抖音获得播放量的关键就是获得算法推荐进入更大的流量池。

    作品时长

    #作品时长与播放量
    duration_uid = data.groupby('duration_time')['uid'].count()
    
    #查看时长与完播率和点赞率之间的关系
    time_finish = data[['duration_time','finish','like']].groupby('duration_time').mean()
    
    #只统计各时长内播放量超过100的作品
    num_100=time_finish[data[['duration_time','finish','like']].groupby('duration_time').count()>100]
    num_100.dropna(inplace=True)
    
    #作品时长与作品数量
    duration_nums = data.groupby('duration_time')['item_id'].nunique()
    
    line5=(
        Line()
        .add_xaxis(duration_uid.index.tolist())
        .add_yaxis('播放量', duration_uid.values.tolist())
        .set_global_opts(
            title_opts=opts.TitleOpts(title='作品时长与播放量的关系',pos_left="15%"),
            legend_opts=opts.LegendOpts(is_show=False),
            yaxis_opts=opts.AxisOpts(name='播放量'),
                          )
        .set_series_opts (label_opts=opts.LabelOpts(is_show=False))
        )
    
    line6=(
        Line()
        .add_xaxis(duration_nums.index.tolist())
        .add_yaxis('投稿数', duration_nums.values.tolist())
        .set_global_opts(
            title_opts=opts.TitleOpts(title='作品时长与投稿数的关系',pos_right="15%"),
            legend_opts=opts.LegendOpts(is_show=False),
            yaxis_opts=opts.AxisOpts(name='投稿数'),
                          )
        .set_series_opts (label_opts=opts.LabelOpts(is_show=False))
        )
    
    line7=(
        Line()
        .add_xaxis(num_100.index.tolist())
        .add_yaxis('完播率', num_100.finish.tolist())
        .set_global_opts(
            title_opts=opts.TitleOpts(title='作品时长与完播率的关系',pos_top="50%",pos_left="15%"),
            legend_opts=opts.LegendOpts(is_show=False),
            yaxis_opts=opts.AxisOpts(name='完播率',min_=0.35,max_=0.55),
                          )
        .set_series_opts (label_opts=opts.LabelOpts(is_show=False))
        )
    
    line8=(
        Line()
        .add_xaxis(num_100.index.tolist())
        .add_yaxis('点赞率', num_100.like.tolist())
        .set_global_opts(
            title_opts=opts.TitleOpts(title='作品时长与点赞率的关系',pos_top="50%", pos_right="15%"),
            legend_opts=opts.LegendOpts(is_show=False),
            yaxis_opts=opts.AxisOpts(name='点赞率',min_=0.004,grid_index=4),
                          )
        .set_series_opts (label_opts=opts.LabelOpts(is_show=False))
        )
    
    grid2 = (
        Grid()
        .add(line5, grid_opts=opts.GridOpts(pos_bottom="60%",pos_right="55%"))
        .add(line6, grid_opts=opts.GridOpts(pos_bottom="60%",pos_left="55%"))
        .add(line7, grid_opts=opts.GridOpts(pos_top="60%",pos_right="55%"))
        .add(line8, grid_opts=opts.GridOpts(pos_top="60%",pos_left="55%"))
    )
    
    grid2.render_notebook()
    

    在这里插入图片描述
    观察结果:
    作品时长绝大多数在7-10s间,总体来说在0s-22s之间都有一定数量的投稿,22s以上的就很少了。
    播放量的时长分布基本与作品数量的时长分布相同。
    完播率在2s-27s内总体在40%以上,27s以后开始在37%-45%之间剧烈波动,
    点赞率在2s-14s内基本维持在1%之内,在14s-20s之间会在0.7%-1.1%之间波动,在20s以后数据变化的波动完全没有规律。

    结论: 视频时长最好在7-10s,其次是0-6s及23s以内,最长也不建议超过40s(在记录中没有一条超过50s视频播放量超过100)

    各小时

    #每时播放量
    H_num = data.groupby('H')['uid'].count()
    #每时投稿数
    H_item = data.groupby('H')['item_id'].nunique()
    #作品发布时间与点赞完播率之间的关系
    H_f_l = data.groupby('H')[['finish','like']].mean()
    
    line9=(
        Line()
        .add_xaxis(H_num.index.tolist())
        .add_yaxis('播放量', H_num.values.tolist())
        .extend_axis(yaxis=opts.AxisOpts(name="投稿数",position="right")) #min_=0,max_=25,
        .set_global_opts(
            title_opts=opts.TitleOpts(title='24小时内播放量与投稿数的变化'),
            yaxis_opts=opts.AxisOpts(name="播放量"), #,min_=0.35
                          )
        .set_series_opts (label_opts=opts.LabelOpts(is_show=False))
        )
    
    
    line10=(
        Line()
        .add_xaxis(H_item.index.tolist())
        .add_yaxis('投稿数', H_item.values.tolist(),yaxis_index=1)
        .set_series_opts (label_opts=opts.LabelOpts(is_show=False))
        )
    
    overlap1=line9.overlap(line10)
    overlap1.render_notebook()
    

    在这里插入图片描述

    line11=(
        Line()
        .add_xaxis(H_f_l.index.tolist())
        .add_yaxis('finish', H_f_l.finish.tolist())
        .extend_axis(yaxis=opts.AxisOpts(name="点赞率",position="right",min_=0.008)) 
        .set_global_opts(
            title_opts=opts.TitleOpts(title='作品发布时间与点赞完播率之间的关系'),
            yaxis_opts=opts.AxisOpts(name="完播率",min_=0.35),
                          )
        .set_series_opts (label_opts=opts.LabelOpts(is_show=False))
        )
    
    
    line12=(
        Line()
        .add_xaxis(H_f_l.index.tolist())
        .add_yaxis('like', H_f_l.like.tolist(),yaxis_index=1)
        .set_series_opts (label_opts=opts.LabelOpts(is_show=False))
        )
    
    overlap2=line11.overlap(line12)
    overlap2.render_notebook()
    

    在这里插入图片描述
    结论: 整体播放量和投稿数基本相同,晚上19点到第二天5点这段时间的播放量会略高。不同时间段内发布的作品点赞率和完播率不会有太大变化。
    如果投稿最佳时间是在晚上19点到第二天5点这段时间,但完播率和点赞率并无特殊优势。

    背景音乐

    #前100名热门歌曲播放量差异
    music_100=data.groupby('music_id')['uid'].count().sort_values(ascending=False).iloc[:100,].sort_values(ascending=False)
    
    #背景音乐总播放量累积累积占比分布图
    music_cum=data['music_id'].value_counts().sort_values(ascending=False).cumsum()/len(data['uid'])
    x=range(len(music_cum)+1)
    line13 = (
        Line()
        .add_xaxis(x)
        .add_yaxis('累积播放量占比', music_cum.values.tolist())
        .set_global_opts(
            title_opts=opts.TitleOpts(title='音乐累积播放量占比变化趋势',pos_left="40%"),
            legend_opts=opts.LegendOpts(is_show=False),
            yaxis_opts=opts.AxisOpts(name='累积播放量占比'),
            xaxis_opts=opts.AxisOpts(name='音乐数目'),
        )
        .set_series_opts (label_opts=opts.LabelOpts(is_show=False))
    )
    line13.render_notebook()
    

    在这里插入图片描述
    结论: 对于视频配乐更推荐当时最火的歌曲,会比其他歌曲更容易获得高播放量。

    #播放量前十的歌曲点赞率和完播率
    top_10=data.groupby('music_id')[['finish','like']].mean()\
         .loc[data.groupby('music_id')['uid'].count().sort_values(ascending=False).iloc[:10,].index.tolist()]\
         .sort_values('finish',ascending=False)
    #播放量大于10的歌曲的平均完播率和点赞率
    avg_10=data.groupby('music_id')[['finish','like']].mean()[data.groupby('music_id')['uid'].count()>10].mean()
    
    bar1=(
        Bar()
        .add_xaxis(top_10.index.tolist())
        .add_yaxis('finish', top_10.finish.tolist())
        .extend_axis(yaxis=opts.AxisOpts(name="点赞率",position="right",min_=0.005))
        .add_yaxis('like', top_10.like.tolist(),yaxis_index=1)
        .set_global_opts(
            title_opts=opts.TitleOpts(title='播放量前十歌曲的点赞率和完播率'),
            yaxis_opts=opts.AxisOpts(name="完播率",min_=0.38),
            )
        .set_series_opts (
            label_opts=opts.LabelOpts(is_show=False),
             markline_opts=opts.MarkLineOpts(
                data=[
                    opts.MarkLineItem(name="平均完播率",y = avg_10.finish),
                    opts.MarkLineItem(name="平均点赞率",y = avg_10.like)
                ],
                label_opts=opts.LabelOpts(), #不显示数据标签          
            ),
                     )
        )
    
    
    bar1.render_notebook()
    

    在这里插入图片描述
    可以看出最热门的歌曲点赞率和完播率也并没有超过平均,可见采用热门歌曲并不能提高自己的完播率和点赞率。

    #热门歌曲每日播放量变化图
    top_date=data.groupby(['music_id','date'])['uid'].count()\
                 .loc[data.groupby('music_id')['uid'].count().sort_values(ascending=False).iloc[:10,].index.tolist()]\
                 .unstack().T
    
    line14=(
        Line()
        .add_xaxis(top_date.index.tolist())
        .add_yaxis(str(top_date.columns[0]), top_date.iloc[:,:1].values.tolist())
        .add_yaxis(str(top_date.columns[1]), top_date.iloc[:,1:2].values.tolist())
        .add_yaxis(str(top_date.columns[2]), top_date.iloc[:,2:3].values.tolist())
        .add_yaxis(str(top_date.columns[3]), top_date.iloc[:,3:4].values.tolist())
        .add_yaxis(str(top_date.columns[4]), top_date.iloc[:,4:5].values.tolist())
        .add_yaxis(str(top_date.columns[5]), top_date.iloc[:,5:6].values.tolist())
        .add_yaxis(str(top_date.columns[6]),top_date.iloc[:,6:7].values.tolist())
        .add_yaxis(str(top_date.columns[7]), top_date.iloc[:,7:8].values.tolist())
        .add_yaxis(str(top_date.columns[8]), top_date.iloc[:,8:9].values.tolist())
        .add_yaxis(str(top_date.columns[9]), top_date.iloc[:,9:10].values.tolist())
        .set_global_opts(
            title_opts=opts.TitleOpts(title='播放量前十歌曲播放量变化趋势',pos_left="38%"),
            legend_opts=opts.LegendOpts(pos_top='20%',pos_left='15%',orient='vertical'),
                          )
        .set_series_opts (label_opts=opts.LabelOpts(is_show=False))
        )
    line14.render_notebook()
    

    在这里插入图片描述
    10-21到10-29日内,各歌曲作品的播放量都有增高,其中ID为22,220,68,25的歌曲有暴涨趋势。

    作品和作者

    #各作者id总播放量累积数量分布图
    item_cum=data['author_id'].value_counts().sort_values(ascending=False).cumsum()/len(data['uid'])
    x=range(len(item_cum)+1)
    
    line15 = (
        Line()
        .add_xaxis(x)
        .add_yaxis('累积播放量占比', item_cum.values.tolist())
        .set_global_opts(
            title_opts=opts.TitleOpts(title='各作者累积播放量占比变化趋势',pos_left="50%"),
            legend_opts=opts.LegendOpts(is_show=False),
            yaxis_opts=opts.AxisOpts(name='累积播放量占比'),
            xaxis_opts=opts.AxisOpts(name='作者数目'),
        )
        .set_series_opts (label_opts=opts.LabelOpts(is_show=False))
    )
    line15.render_notebook()
    

    在这里插入图片描述
    结论: 可以看出目前抖音整体用户播放十分符合帕累托分布,极少数的制作者吸引了全平台绝大部分流量。如果还想在此基础上再次提升,培养头部制作者,或者挖掘其他平台的头部制作者是比单纯给制作奖励更加有效的方法。具体的效果如何还需要更多数据支撑才能得出结论。

    总结

    抖音网红建议

    1.抖音98%以上的流量都会流向算法推荐视频,获得算法推荐是获得更多播放的关键所在。
    2.视频时长最好在7-10s,其次是0-6s及23s以内,最长也不建议超过40s。
    3.获得播放量的最佳投稿时间在晚上9点到第二天早上5点这段时间,但完播率和点赞率并无明显的时段偏好。
    4.背景音乐最好选择当下最流行的歌曲,从而吸引点播,但最重要的始终是题材的选择。

    平台运营建议

    1.抖音活动时有大量机器人存在,需要决定是否清除(疑似机器人的[uid]保存在“robot”列表中)。
    2.站内活动初见不错,但在去除机器人后并没有大量实质增长,收益很低,再次举办需要慎重。
    3.平台用户始终稳步增长中,但如果想要大量增长,考虑其他渠道,或者开辟新市场是更好的选择。
    4.排名前20%的视频制作者占据了整个平台80%以上的流量,培养或者挖掘已存在的好视频制作者是未来保持流量的关键。

    BI简易看板

    在这里插入图片描述

    展开全文
  • 2018-2019抖音数据分析报告,
  • 抖音短视频数据分析报告工具

    千次阅读 2021-04-22 17:09:58
    大家都知道,想要做一个有价值的抖音账号,内容质量方面必须要好,除此之外,当然每天的日常的数据分析也是非常的重要。可以通过其他专业的辅助分析工具,不仅能帮你了解到行业内的最新信息,还能学到如何经营自己的...

    现下,短视频行业的快速发展,产生了许多短视频领域的创业者。大家都知道,想要做一个有价值的抖音账号,内容质量方面必须要好,除此之外,当然每天的日常的数据分析也是非常的重要。可以通过其他专业的辅助分析工具,不仅能帮你了解到行业内的最新信息,还能学到如何经营自己的抖音号!

    我们在运营抖音时,一定要掌握必要的技巧,不是拍好视频,配好音乐,发布之后就完成可以了。抖音管理方面也要学会数据的分析和运营。

    数据分析就是把账号整体的数据收集起来做成一个图表或者表格的形式进行分析,对各个的数据能有一个细分。

    那么,在做抖音数据分析的时候,应该从哪几个角度出发呢?

    【孤狼分析工具】能够更好地帮助到用户进行具体短视频数据分析 。

    一、自己作品的数据分析

    账户总体信息获取,名称,uid,签名,位置,关注,粉丝,点赞,作品,喜欢,认证头像,标题。

     

    然后就是单个视频的数据:点赞,转发,评论数,封面,作者,时长,发布时间,链接等多个维度来收集整理数据!

    二、同行视频数据分析

    关注其他同行的数据,也要从他们的点赞,转发,评论数,封面,作者,时长,发布时间,链接等多数据来选出同行发布的优秀作品,学习并总结他们成功的经验。在主题、剧本、拍摄手法、后期制作等方面提升自己的作品。

    我的抖音视频已经发布了,那接下来该干嘛了?所以重要的是进行数据的监测会给到你一个表格,告诉你怎么样去监测数据。在抖音视频上传之后,会要求运营每隔两到三小时去监测一下数据,当然就要做出这样的一份数据跟踪表格。根据站里的数据工程表格,

    我们来看一下红色标注的相应的播放量,播放量当然是最重要的,尤其是我们要看出播放量的增长趋势。当他的增长很明显的时候,一定要引起重视,该助推就要去助推一下他们。同样的包括关播率,点赞率,评论率和转发率,尤其是完播率和点赞率,我们一定按照之前讲过了一些原则,如果完播率超过30%或者点赞率超过百分之六啊,我们就说已经非常好了。

    三,导出数据

    最后你已经把全部作品数据都已经抓取下来分析后可以制作成一个Excel的格式保存。

    孤狼采集助手

    展开全文
  • 2019最新抖音全方位数据分析报告

    千次阅读 2019-12-21 15:27:50
    本文是关于抖音2019年的产品分析报告,一起来看看吧~ 一、惊人的用户活跃度 短视频是指视频长度显著短于传统视频,通过手机终端实现播放、拍摄、编辑,可实时分享和互动的新型视频形式。 根据中国产业信息网的...
  • 抖音运营数据有两个目的:找出问题和解决问题。通常普通的抖音用户可以看到的数据包括播放数、点赞数、评论数、转发数、粉丝数5项。1.抖音播赞比播赞比反映抖音短视频在流量池内受普通用户的欢迎度。播赞比也就是...
  • 2020-2021数据驱动的抖音营销分析报告.pdf
  • 不看抖音的我看完2019抖音数据报告后,我不得不赞叹抖音的覆盖面以及其发展潜力,从抖音的数据我们也能了解到当下的热点和新的趋势,本文我将从十个方面来分析这份数据。01 抖音日活跃用户增长在这份报道的基础上,...
  • 无论你是产品人还是运营人,只要与业务相关、与产品相关,你就少不了和数据分析打交道。一套优良的数据分析方法能够高效解决很多问题,并在产品决策/产品运营遇到瓶颈时提供优秀的解决方案。数据分析...
  • 本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,,版权归原作者所有,如有问题请及时联系我们以作...数据分析 1 平台 日播放量,日用户量,日作者量,日作品量 ​ 日播放量,日用...
  • 2021抖音数据报告

    2022-01-07 01:09:18
    抖音记录生活,已经成为一种习惯。-END -本文为转载分享&推荐阅读,若侵权请联系后台删除-------------------------------------长按识别下方...
  • 本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,,版权归原作者所有,如有问题请...数据分析 1 平台 日播放量,日用户量,日作者量,日作品量 日播放量,日用户量,日作者量,日作品量随...
  • 在运营抖音数据分析很重要,只有做好数据分析,才能更好的进行用户的匹配。 而乐观抖音榜单不仅仅可以帮助你发现对标同行竞品账号详情,还可以帮助你分析为什么同一行业、同质内容,为什么运营结果却天差地别...
  • 抖音快速涨粉之抖音用户数据分析

    千次阅读 2020-10-13 14:06:31
    通过以上数据得出,抖音的用户主要为24岁以下人群(75%),该人群手机是主要娱乐设备,月可支配收入为1000-2000元,其中,必要支出为812元,非必要支出为593元,消费能力相对较弱,内容付费能力也相对不足。...
  • 2021抖音五一数据报告

    千次阅读 2021-05-09 00:48:12
    5 月 6 日消息 5 月 6 日,抖音发布《2021 抖音五一数据报告》。报告显示,重庆首次成为抖音打卡数量最多的城市,超过上海、深圳和苏州。-END - 本文为转账分享&推荐...
  • 抖音抓取大数据分析

    万次阅读 2019-09-30 21:00:42
    最近看了飞瓜、悟空带货、种草等平台,看到他们从抖音上抓取的数据,然后一顿分析,我也想抓取这方面的数据。。 进入正题,一顿操作猛如虎。 1、抖音上的数据基本上都是通过http协议来进行抓取的 2、利用足够多...
  • 5款类蝉妈妈抖音数据工具推荐

    千次阅读 2021-09-24 13:42:29
    作为一个在电商培训行业摸爬滚打10多年的老兵,大头今天给大家推荐其它五个类似蝉妈妈的抖音数据分析网站。 一、飞瓜数据 飞瓜比蝉妈妈做的更早,抖快,B站、小红书、淘宝、微博等主流平台均有产品线,规模很大。飞...
  • 抖音账号数据分析

    千次阅读 2020-12-20 11:03:15
    抖音网页端后台提供了非常丰富的数据功能,包括粉丝画像、主页访问、电商数据,甚至还可以给粉丝打标签。先看几个截图:粉丝画像、粉丝流量贡献粉丝兴趣分布:主页访问数据:电商数据:用户管理:给粉丝打标签:这些...
  • 抖音大V数据分析

    千次阅读 2021-01-10 11:12:31
    提取码:8828 (本文用到的文件) import numpy as np import pandas as pd from pandas import Series,DataFrame import matplotlib.pyplot as plt import seaborn as sns ...#显示抖音前10条..
  • 一个简单的用Python对抖音数据分析案例 案例介绍 ​ 抖音是一个面向全年龄的音乐短视频社区平台,如今已成为最火的短视频软件,无数短视频创作者通过抖音分享生活,分享技能,分享美好。其中有点赞、评论、转发、...
  • 【2021-02-18】2020年抖音数据报告

    千次阅读 2021-02-17 13:50:21
    本文节选了报告的很少一部分内容,更多...2019-2020最全的行业报告、人群洞察,近1000篇专业文档,欢迎阅读:2019-2020年最全行业报告以及人群洞察分析 本文材料来自于 头条,若有侵权嫌疑,请及时联系删除。 ...
  • 抖音APP中根据关键词爬取响应视频的具体信息,主要包括视频标题、作者ID、视频url地址以及点赞数等。 1 需要用到的工具 安卓模拟器 fiddler  mituproxy(mitmdump) python3.7 Auto.js ...
  • 有没有哪位大神能把抖音直播带货的数据给我看看 就是那种爬取好的excel表格,求求了各位大神
  • 「2019 Python开发者日」全日程揭晓,请扫码咨询 ↑↑↑作者 | 小F,分享学习爬虫、数据分析、人工智能的一点一滴!来源 | 法纳斯特(id:walker398)...
  • 点击上方蓝色小字,关注“涛哥聊Python”重磅干货,第一时间送达年后,各个公司又涌进一大批新人,一些数据分析师也发现自己的处境也越来越尴尬。自己以往要花很多时间的取的数,实习生两个小...
  • 抖音2018大数据分析报告

    千次阅读 2019-02-23 05:15:08
    一年一度的2018年抖音数据分析报告已经发布,有哪些值得我们去挖掘的有趣现象呢,今天带领吃瓜群主一起看看。1.从数据来看,抖音的用户活跃在12-13点,18-19点都是吃午饭,晚饭期间,21-22点是休息时间,躺在床上...
  • 正所谓“知己知彼,百战不殆”,通过专业的抖音数据分析,不仅能了解到行业的最新玩法,还能学习到同行的热门“套路”,事半功倍。 会用数据工具,抖音涨粉赚钱两不误,还能少走很多弯路。 下面,我们给大家介绍 3 ...
  • 作者刚入门的时候其实还不知道数据分析是干嘛的,后来看到了这些数据指标的含义,就知道数据分析师就是从数据当中找出有用的指标出来进行分析。 1.1 用户数据指标 用户数据 [性别 年龄 地区] 行为...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 13,397
精华内容 5,358
关键字:

抖音数据分析