零门槛构建达人合作筛选与数据追踪系统的技术实操

在项目目录下创建processor.py，并写入以下完整代码：

import pandas as pd
import numpy as np
def load_and_clean_data(filepath):
"""
读取Excel数据并处理缺失值和异常值
"""
try:
df = pd.read_excel(filepath)
删除关键信息缺失的行
df = df.dropna(subset=['达人姓名', '粉丝数', '单条报价(元)'])
确保数值列是数字类型，强制转换错误数据为NaN
numeric_cols = ['粉丝数', '平均点赞', '平均评论', '单条报价(元)']
for col in numeric_cols:
df[col] = pd.to_numeric(df[col], errors='coerce')
return df
except Exception as e:
print(f"数据读取失败: {e}")
return None
def calculate_metrics(df):
"""
计算互动率和综合得分
互动率 = (平均点赞 + 平均评论  5) / 粉丝数
"""
防止除以零错误
df['粉丝数'] = df['粉丝数'].replace(0, np.nan)
计算互动率，假设评论权重为点赞的5倍
df['互动率'] = ((df['平均点赞'] + df['平均评论']  5) / df['粉丝数'])  100
定义评分逻辑：满分100分
维度1：互动率分 (权重40%) - 假设5%为满分基准
df['互动得分'] = (df['互动率'] / 5)  40
df['互动得分'] = df['互动得分'].clip(upper=40)  封顶40分
维度2：性价比分 (权重60%) - 假设CPM（千次曝光成本）越低分越高
CPM = (报价 / 粉丝数)  1000
df['CPM'] = (df['单条报价(元)'] / df['粉丝数'])  1000
设定基准：CPM小于50元得满分，大于200元得0分
df['性价比得分'] = (1 - (df['CPM'] - 50) / 150)  60
df['性价比得分'] = df['性价比得分'].clip(lower=0, upper=60)
总分
df['综合得分'] = df['互动得分'] + df['性价比得分']
return df
def filter_and_rank(df, min_followers=5000, max_price=10000, top_n=20):
"""
根据阈值筛选并按得分排序
"""
筛选条件
filtered_df = df[
(df['粉丝数'] >= min_followers) &
(df['单条报价(元)'] <= max_price)
]
按综合得分降序排列
ranked_df = filtered_df.sort_values(by='综合得分', ascending=False)
return ranked_df.head(top_n)
if __name__ == "__main__":
执行流程
data = load_and_clean_data('raw_data.xlsx')
if data is not None:
data = calculate_metrics(data)
result = filter_and_rank(data, min_followers=10000, max_price=50000)
输出结果到新的Excel
output_cols = ['达人姓名', '平台', '粉丝数', '互动率', 'CPM', '综合得分', '联系方式']
result[output_cols].to_excel('high_potential_influencers.xlsx', index=False)
print("筛选完成，结果已保存至 high_potential_influencers.xlsx")

代码逻辑解析：

1. 数据清洗：使用pd.to_numeric强制转换数据类型，防止因Excel中的文本格式导致计算报错。同时处理了除以零的极端情况。

2. 互动率计算：采用了行业通用的(点赞 + 评论 权重) / 粉丝数公式。这里赋予评论更高的权重，因为评论代表更高的粘性。

3. 综合评分算法：设计了一个加权评分模型。40%的分数取决于互动能力，60%的分数取决于性价比（CPM）。这能有效筛选出那些粉丝量适中、互动高且报价合理的“腰部潜力达人”，而非单纯的头部大号。

五、自动化触达与追踪模块

筛选出高价值达人后，下一步是批量生成合作邀约。为了避免群发感，我们需要生成带有个性化信息的邮件模板。

继续在processor.py中追加以下函数，或者在新的outreach.py中编写：

def generate_outreach_materials(df, template_path="email_template.txt"):
"""
根据筛选结果生成个性化邀约文案
"""
定义邮件模板
template = """
Hi {name}，
我是[你的品牌名]的商务负责人。我们在{platform}上关注到您的账号，非常欣赏您在[垂直领域]的内容创作能力。
我们注意到您的粉丝数已达到{followers}，且平均互动率高达{engagement_rate:.2f}%，这与我们的目标受众高度契合。
我们近期有一款新品推广计划，希望能与您探讨合作机会。我们的预算范围与您的报价（{price}元）是匹配的。
期待您的回复！
Best Regards,
[你的名字]
"""
outreach_data = []
for index, row in df.iterrows():
content = template.format(
name=row['达人姓名'],
platform=row['平台'],
followers=int(row['粉丝数']),
engagement_rate=row['互动率'],
price=int(row['单条报价(元)'])
)
outreach_data.append({
'达人姓名': row['达人姓名'],
'联系方式': row['联系方式'],
'邀约文案': content.strip()
})
保存邀约记录
outreach_df = pd.DataFrame(outreach_data)
outreach_df.to_excel('outreach_batch.xlsx', index=False)
print("邀约文案已生成，保存在 outreach_batch.xlsx")
在主程序中调用此函数
generate_outreach_materials(result)

这段代码利用Python的字符串格式化功能（f-string或format），将每位达人的具体数据动态插入到模板中。生成的outreach_batch.xlsx文件将包含三列：达人姓名、联系方式和生成的具体文案。运营人员可以直接复制文案发送，或使用邮件群发工具导入该Excel进行自动化发送。

六、执行与结果验证

完成代码编写后，回到项目根目录，确保raw_data.xlsx文件存在且有数据。在终端执行以下命令运行程序：

python processor.py

预期输出结果：

1. 终端将打印“筛选完成，结果已保存至 high_potential_influencers.xlsx”。

2. 打开生成的high_potential_influencers.xlsx，你将看到经过清洗和计算的列表。重点关注“综合得分”列，分数越高代表该达人在当前算法模型下的合作价值越高。

3. 如果在代码中调用了generate_outreach_materials，你将获得一份包含个性化话术的outreach_batch.xlsx。

通过这套系统，原本需要人工耗时数小时进行的筛选、计算和文案编写工作，现在可以在几秒钟内完成。且所有的评分标准都固化在代码中，确保了团队内部筛选标准的统一性和客观性。后续若需调整筛选逻辑（例如提高互动率的权重），只需修改calculate_metrics函数中的参数即可。