02 買粉絲每篇文章閱讀量10000(買粉絲達到10000人關注量，是怎樣的體驗？)

，譬如說哪一類文章更容易得到打賞，哪一類文章很容易發引發留言互動，哪一類標題的文章更容易被打開等等。

數據挖掘分析重點有三點：第一、明確分析的目標；第二、確定分析的方法；第三、收集相關的數據。目標有了，大概可以列出影響目標的所有可能因素，基于對可能因素的分析確定分析的方法，收集相關所有的數據，對數據結果按步驟分析即可。

本文的分析只用到了Excel，更高級的分析才可能考慮用專業的分析軟件。

參考文章：

新媒體有哪些重要的傳播規律？

第一次民間版知乎用戶分析報告

我想的都是幻想，我說的都是錯的。

買粉絲買粉絲怎樣分辨閱讀量真假！！！主要看什么數據！

第一、查看后臺數據中閱讀人數與閱讀次數、閱讀量與點贊量的比率

如果說您秉承公司老板的意愿需要找一批買粉絲大號幫助推廣的話，一定不要只光顧著看大號的粉絲量，還需要看一下大號后臺的具體的數據。我們以一個月的為周期，看一下這一個月中發布的每篇文章的閱讀人數和閱讀次數，閱讀人數就是uv，閱讀次數就是pv。一般來說在pc端網頁中，uv和pv的比率是1：8。但因為買粉絲圖文中缺乏相應的目錄，所以這個比率可能會更小一點，所以uv和pv的比率應該在1:1到1:5之間，也就是說一個人看一篇買粉絲圖文的次數可能會在1到5次左右。如果你在觀看近一個月的數據中發現，90%以上的圖文比率都是1:1，那么這個閱讀量就有可能是不正常的。

同時，在看閱讀量的時候，還是需要看一下圖文的點贊數。點贊數可以看出用戶對于文章的認可程度和文章質量度。如果說當你發現閱讀量異乎尋常多，而點贊數極少的時候。那么一來反映的是圖文的質量度不高，二來就有可能涉嫌數據作假。當然，閱讀人數與閱讀次數、閱讀量與點贊量是需要結合在一起進行分辨的，如果發現各項的數值差距持續很長時間都存在偏差很大，那么你就需要注意了。

第二、查看圖文閱讀用戶來源

買粉絲買粉絲后臺把圖文閱讀的來源渠道分為：買粉絲會話、好友轉發、朋友圈、歷史消息、其他等。一般來說，當圖文消息的觸達率為100%的時候，圖文閱讀量絕大部分會來自于買粉絲會話，前提是你的粉絲量是活的。但是同樣其他渠道也不容忽視，如果你發現一個月的所有圖文的閱讀量都是來自于買粉絲會話，其他的渠道比例相差太大，這就有問題。同樣如果其他渠道的占比很多，但是買粉絲會話的占比卻很少，這也是有問題的。如果說買粉絲會話的比例穩定在65-70%，其他渠道穩定在30-35%，這個至少看起來還算正常。

第三、分析圖文的轉發量和收藏量

轉發量和收藏量是代表圖文質量度的重要標準，表現了用戶對于圖文信息的認可度。因此，我們在計算閱讀量的時候，還需要查看一下閱讀量和轉發量、收藏量的比例，一般正常值是10:1左右，也就是說10000閱讀量，大概有1000個收藏量或者轉發量。如果發現閱讀量太高，而轉發收藏量太小，要么是圖文質量度不高，要么是數據作假。當然這是從一個月的周期性數據來看的，但不管是質量度不高還是數據作假，都是不值得你去投放廣告的。

第四、分析每日消息數、粉絲總量、粉絲增長量、圖文閱讀量的比率

一篇號圖文發出去會帶來非常可觀的粉絲量的，如果買粉絲發的粉絲是活躍的，每日的消息數也是非常的可觀。一般來說，粉絲的增長量和圖文閱讀量之間的比率穩定在1:100左右，也就是說100個閱讀量可能會帶來1個粉絲。每日的消息數和粉絲的總量也是有一個對比的，一個買粉絲每日絕對粉絲活躍量大概占總粉絲量的3%左右，也就是說如果有10000個粉絲，每日的消息數大概為300消息數左右。

對于進行內容創業的自媒體們(新媒體運營)來說，創作出好的內容才是其持久發展的根本之道。如果說因為貪圖一時的利益而枉顧用戶的需求，那么這個自媒體賬號的生命力將會越來越弱。所以，當你拋棄用戶的時候，你總會被用戶拋棄。

視頻號掛買粉絲文章鏈接什么時候可以開通不要10000閱讀量

目前，沒有確切的消息表明視頻號掛買粉絲文章鏈接什么時候可以開通不要10000閱讀量。不過，根據買粉絲平臺的更新歷史和對于用戶體驗的持續優化趨勢，我們可以預測未來這一功能有可能會發生變化。

首先，我們需要了解當前的規定，即一個視頻號必須達到10000閱讀量才能開通掛載買粉絲文章鏈接的權限。這一規定主要是為了保證視頻號和買粉絲的質量，避免出現大量低質量內容的傳播。然而，這也限制了一些新興或小眾的視頻號的發展，因為他們可能難以在短時間內達到這個門檻。

從歷史角度看，買粉絲平臺一直在不斷優化其功能和用戶體驗。例如，過去開通買粉絲或視頻號的門檻更高，但隨著時間的推移，這些門檻逐漸被降低。因此，我們可以推測，未來買粉絲平臺可能會根據用戶和市場的反饋，對閱讀量門檻進行調整。

買粉絲閱讀數和什么有關？ ——我的買粉絲公眾平臺數據分析

買粉絲(WeChat)是騰訊公司于 2011 年推出的一款移動即時通訊軟件，在幾年中逐步由一個溝通工具轉化為移動平臺。目前，買粉絲的用戶數超過 6.5 億，月活躍用戶超過 4.7 億，買粉絲在中國大陸的市場滲透率達 93%，海外用戶數也已突破 1 億。

買粉絲公眾平臺是一個自媒體平臺，它在僅在 15 個月內就增長到 200 多萬個，并每天保持 8000 個的增長，呈現出超過億次的信息交互。買粉絲公眾平臺的文章可以方便地分享到買粉絲朋友圈中。買粉絲朋友圈是買粉絲重要的社交功能，它已經成為了中國 Facebook 分享平臺。朋友圈可以發照片和文字，也可以分享鏈接，而朋友圈鏈接分享的很大一部分來源于買粉絲公眾平臺。

買粉絲公眾平臺分為訂閱號和服務號兩類，訂閱號允許每天群發 1 條消息。值得注意的是，買粉絲公眾平臺的后臺提供了包括用戶分析、圖文分析、消息分析等完善的統計數據，相當于 Google Analytics 的部分功能，因此買粉絲公眾平臺的運營者可以通過對這些數據進行分析，優化運營結果。2013 年底，我申請開通了自己的買粉絲公眾平臺訂閱號 Etter（買粉絲號：etter_ding）。一年來共群發 30 余次圖文消息，獲得 700 余人的關注。

很長一段時間我都在關注一個叫做「DW 月談」的買粉絲訂閱號。「DW 月談」的作者 DW 于 2014 年畢業于北京大學經濟學專業，現就職于豌豆莢商業產品團隊，她的文章十分生動有趣。前不久，我閱讀了 DW 同學在她的買粉絲買粉絲「DW 月談」上發表的文章 《一個分享幾人看：基于DW月談的數據分享》 。這篇文章十分有趣，DW 根據她的買粉絲號「DW 月談」發表29篇文章的數據，做了回歸分析并得出「一個分享大概 9 人看」的結論。

事實上，我一直在試圖粗略估計 DW 月談的關注量。不過我所能準確得知的唯一數據是每篇文章的閱讀量（顯示在每篇文章末尾）大概在兩三千到六七千波動，另外我估計「DW 月談」的閱讀率會在 30%~40% 左右。（雖然對于很多買粉絲閱讀率都可能達不到10%，但 DW 月談的文章比較有趣，加上是個人賬號推送也不算頻繁，我對「DW 月談」的閱讀率估計要比常量高很多。）由此，我粗略計算出「DW月談」的關注量大致會在 8000 至 10000 左右。不過 DW 在這篇文章中透露了真實數據：現在共有 5935 名關注者，文章的閱讀率高達 53%。這個閱讀率讓我真的有點吃驚——我估計的還是太過保守，但是想到「DW 月談」的確是我收到推送后幾乎唯一會立即打開閱讀的買粉絲，也能夠信服。

在文章中 DW 試圖找到影響單篇買粉絲文章閱讀量的因素。經過粗略的計算，DW認為文章分享量，買粉絲號關注人數，以及文章標題勁爆程度和單篇文章的閱讀量顯著正相關，而文章字數、發布具體時刻、文章是否曾經發布過、文章標題字數等因素則與文章分享量不顯著相關。DW 根據數據進行了一個簡單的多元回歸，得到了關注者數量和分享量和閱讀量的關系：閱讀量 = 9.04 * 分享量 + 0.53 * 關注者人數 – 157，其中閱讀量和分享量 p-value < 0.01，同時通過計算了每篇文章預測值和真實值的差異，可以觀察到「標題黨」的閱讀量顯著高于預測值。DW 在文章總結到：「文章火起來的要點有三個：分享熱、粉絲多、標題勁爆。」

這樣的回歸分析比較有說服力，不過聯想到最近所學的計量經濟學內容，我便沿著這個回歸過程進一步思考下去。顯然，DW 在該篇文章中使用了 OLS (Ordinary Least Square，普通最小平方法)進行回歸分析。回顧 DW 在文章中總結到，文章閱讀量與分享量、關注者人數、標題勁爆程度這三個變量顯著正相關，并跑出回歸方程：閱讀量 = 9.04 * 分享量 + 0.53 * 關注者人數 – 157。

注意到，在這三個顯著影響關注量的變量中，「標題勁爆程度」無法用數值衡量，所以被放到了誤差項(error term)中。但是這樣的處理是否合理呢？標題勁爆程度雖然是不可衡量變量，但是它和分享數有很大相關性，因為一般來說我們都會認為，標題比較勁爆的文章分享數也會比較多。那么如果單純用 OLS 做回歸，即將標題勁爆程度放在誤差項中，是否會影響回歸函數的準確性呢？

于是我在想是否可以引入工具變量(IV,Instrumental Variable)解決。根據維基百科，「在回歸模型中，當解釋變量與誤差項存在相關性（內生性問題），使用工具變量法能夠得到一致的估計量。」當一個解釋變量(regressor)和誤差項(error term)相互獨立，并不對因變量產生影響，稱為外生性(exogeneity)。與外生性相對立的是內生性(endogenous)，也即誤差項和解釋變量存在相關性。在回歸模型中，如果遇到內生性問題，使用OLS會出現不一致的估計量。那么可以使用工具變量(Instrumental Variable，簡稱 IV)解決這個問題。這里，工具變量應該滿足： 1>和內生解釋變量存在相關性；2>此變量和誤差項不相關，也就是說工具變量嚴格外生。

接下來的問題是，在 DW 的數據中選擇什么作為工具變量比較合適？我想了很久，覺得或許可以選擇「關注數」作為一個較為合理的 IV。當然由于我手中沒有數據，只能表示 IV 的選擇并不是唯一的，只要滿足所找的 IV 與分享數有關，但是和標題勁爆程度無關即可。找到合理的 IV 之后，用Two-stage Least Squares(2SLS)做回歸，并用 Hausman Test 檢驗所選取的 IV 是否恰當。這樣或許就可以得到一個更為一致的估計量了。

于是第二天，我把我自己對處理 DW 數據的一點思考 寫了下來 。由于 DW 并不認識我，我沒有想到 DW 竟然在博客看到了我的文章并 留下了評論 ，在此謝謝她的評論：「IV是一個很好的解決思路，但是在樣本有限的情況下加入IV的意義就不大了，因為IV需要很大的數據量才會顯著；此外找到一個合適的IV也是個問題。」

我覺得 DW 說的也有道理，這個思路就沒有繼續想下去。然而，分析我自己買粉絲公眾平臺運營數據的想法卻日漸強烈了。我的數據更加有限，但是也不妨用最簡單的方法，稍微嘗試一下。

我也準備探究一下我自己的買粉絲訂閱號閱讀數和什么因素有關。由于買粉絲于 2014 年 7 月

很赞哦!（952）