朋友圈阅读数据来自哪里

① 朋友圈一般传播路径有几级最长传播路径有多少级

我在朋友圈第二次分享内容还会有人看吗？
朋友圈一般传播路径有几级？最长传播路径有多少级？
一般一次转发直接阅读人数在什么区间？有大V(直接阅读者多)存在吗？
有几条传播路径，传播量分布相对均衡还是存在黄金路径？黄金路径成于某个点上的大V，还是传播路径的长度？
传播路径的时间长度？传播量大的转发行为大多分布在哪些时间段？
……
写在前面：
小编先想跟大家分享一下腾讯官方公布的数据：
1、用户每天在微信平台上平均阅读5.86篇文章
2、订阅号80%的阅读量来自朋友圈
3、微信用户61%的转发文章发到了朋友圈
基于上述官方数据，你能够发现什么？
首先， 不能依赖于订阅号里找内容，而是要生产用户更愿意分享和传播的内容；
其次，朋友圈的用户更愿意阅读大家都在转发的内容；
最后，订阅号太多，内容更局限，而朋友圈好友转发的内容将变成用户主要信息来源；
小编的老板Jacky，是标准的程序猿出身，对于以上这些观点当然比较较真，立马亲自做了一次实测，跟着小编来一探究竟。
Jacky为什么做这次实验？
事件的起因很简单，润云A秀的粉丝营销功能升级了，粉丝可以通过粉丝口碑传播中心，观察到自己分享到朋友圈的内容传播数据动态过程。Jacky那天试用之后心血来潮，他想“腾讯官方发布的这些朋友圈数据，靠谱吗？A秀的优势之一就是传播监测，为什么我不去验证下究竟是不是他们说的那样！”就是辣么任性！
首次实测
Jacky首次尝试，计划同时间段分享2篇文章到朋友圈，看看文章不同内容的差异性。
5月9日晚21:27 天气不详
A秀运营配合Jakcy选出了两个当时比较火的话题文章，通过A秀的粉丝口碑传播中心分享到朋友圈，如下图所示：

（左图为Jacky当天的朋友圈截图，右图为A秀的粉丝口碑传播中心截图）
整体流量差异不是很大，数据参考维度过小、时间较短的情况下可忽略增长趋势。
5月10日中午11:55 天气还是不详
Jacky一大早醒来后发现《母亲节，你要怎么样表达爱》文章的流量远远甩开《京东奶茶馆火了以后，各大品牌开始群欧》，做运营或营销的同学肯定明白缘由，当天是母亲节，节日营销氛围当然占据上头，老程在10:52再次分享了《京东奶茶馆火了以后，各大品牌开始群欧》来验证，如下图所示：

两组数据观察下来发现了什么？，头条只能有一条！
开展朋友圈营销，应时应景很重要，只能借一个“势”！
（题外话：Jakcy一个人仅2天不到的时间即获得了累计149UV，而且还在上涨，如果是1万人来传播企业发布的这篇文章呢？这1万人从哪里来？这个就是A秀网络的意义了。10000可以是10×1000,20×500,50×200,100×100……多个传播单位的传播联盟建成了一个强大的传播媒体，A秀为此提供了这样的可计算接发包传播结算收益的强关系联盟平台。）
再次实测
Jacky有天晚上再次深思，既然上次实测证明了内容决定传播是现象，可是背后究竟有哪些影响因素？时间？人？还是？于是，第二次实测就再次任性的开始了！
5月14日早晨7:55 很热
前天晚上老程分享了粉丝口碑传播中心的一篇名为《看看70、80、90后的区别，欢迎对号入座》的文章，（这篇文章也是网上的热议话题），到了第二天发现流量增加很明显。

Jakcy思考：每个人的微信好友都会很多，分享到朋友圈的内容很容易在刷屏中被淹没，能看到我分享的这篇文章的朋友可能不会很多，这个内容有没有时效性，我再发一次看看后劲如何？
早晨9:46
增长逐渐变缓，是不是时间因素？这个点刚上班？

晚上19:36—21:28
流量开始加速增长，从399uv飞速达到565uv（UV可以理解为阅读人数和），Jakcy计划在这篇文章推出24小时后，再分享一次试看效果，结果每分钟UV量增速达22个！

同时，Jakcy从数据组的同事了解到：截止10:09，吸引了272个阅读者，其中24人是他分享的直接阅读者，这24个人中有19人(80%)是在他分享后的1.5小时内点入的。而这24人中只有1个人转发了他的分享，但他带来248个间接阅读者，10倍于直接读者数。A秀平台显示这位大V是他们的HRD（人力资源总监） 。
5月15日早晨6：21 小雨
大清早，Jakcy迫不及待的访问A秀的粉丝口碑传播中心，总流量已达848个uv！而此时距离第一次分享不到2天！

5月16日，Jacky 再次分享了他的数据及心得
截止5月15日17:50，通过我个人12日、13日21:30向朋友圈的两次分享，通过A秀获得1222个阅读者，其中有87人转发传播。
那么， 下面的传播链图回答了最开始提出的这些问题（图片中的数据均通过润云A秀传播监测功能提供）。

图：Jakcy分享《看看70、80、90后的区别，欢迎对号入座》到朋友圈直接阅读者及带来的流量。

图：传播链图

Jakcy观点：
朋友数的限制决定了微信不存在微博式的大V。由于朋友圈的刷屏，你分享的文章会很快被挤出你朋友的视野，一般你需要在朋友浏览朋友圈的2个小时之内发。但你的朋友们逛朋友圈的时间各不相同甚至当天没看朋友圈，所以你某一次向朋友圈分享文章的直接阅读者一般不会多，实验显示低于你朋友总数的5%。这样，在微信上形成规模化曝光就需要更多的投递员，这就是A秀为广告主或代理构建全员营销、粉丝营销、集团营销、联盟营销四大自主传播渠道的意义。
当然为了更快更广传播，你分享的内容不仅要有阅读价值，一定还要有转发价值，后者意味着你必须说出转发者想向他的受众说的话，这是朋友圈内容设计的总原则。
最后小编做个总结
{C}1、微信朋友圈营销，走心的内容更容易打动用户；
{C}2、借势营销，可以是热门话题，可以是节日，但应时应景非常重要，切不可贪多；
{C}3、微信朋友圈传播，通过黄金传播路径带来的流量效果非常明显，企业要发现这些潜在的黄金路径，并加以利用。
4、优秀的文章内容，通过微信大量的投递员反复投递传播，必将吸引大量的用户阅读。

② 哪些微信大号的数据是刷出来的

这个问题有点儿敏感啊，直击各个自媒体大号的核心痛点，不过没人会把九阴真经的招式拿出来炫耀，即使有像二更这样被爆料，也不一定会承认的。

我就简单说说吧。这种灰色行业的运作链条和其中的潜在关系链就像是一些互联网公司的运营团队做流量运营的同时并不会告诉广告主他们投放流量80%是从哪儿来得一样，因为用户基数很大，所以广告主会无条件信任平台。

你这么理解这个事儿，会发现这不算什么爆料，这是很正常的事儿。这算是运营部门的考核指标吧。

我没法像爆料那样直接回答出几个大号是怎么刷数据的，我倒是可以从另一个角度解释一下这种事。

去年风起云涌的刷阅读大军已经被微信消灭的差不多，剩下一些残余势力很隐蔽的在“接单”但以我的了解，微信最新的监测机制已经让这些“刷单者”没法正常的过活了，所以问题附图中质疑刷数据是对的，但拿数据作对比这个是不对的，因为现在能在短时间把数据刷到10W+的工作室、团队、软件...几乎都灭绝了（肯定的语气）就连最牛X的人工刷单也几乎都灭绝了。一句话：那是不可能完成的任务！

那这些奇怪的数据它是怎么做上去的呢？我知道两种方法，但我在这里要声明，我所说的方法并不能证明什么，也跟问题本身所质疑的账号无关，清者自清。

1.社群矩阵。

这是一个隐藏的社群网络，这个网络里谁都不认识谁，谁也不跟谁说话。我出于好奇曾混进过一些这样的群，一般都是QQ群在没有任务的时候会禁言，有任务直接红包+链接，大家图个乐子随手一点，潜水的一个月下来差不多可以交个电话费。有些规矩多的群接的活儿大，一个月赚个零花钱也是没问题的，群里面的人基本不说话，都是进来干活儿的，所以目的性也都很强。这些人大部分都是那些生活在一线城市的中低层打工者。

这种东西吧，就跟外挂群一样，你不摸索一阵子你是进不去的。一般人也不会关心这个。但是它的威力却不小，什么都可以刷：淘宝、试用、贴吧、论坛、微博...还有大家熟悉的微信阅读、点赞、评论、评论点赞。。。所以问题附图中所说的那种软件刷单方法早就绝迹了，你根本看不出数据真假的。那并不能证明什么。

2.校园兼职 + 渠道投放

这个方法我见过有人用，如果资金充足的情况下是很好用的，只是麻烦在需要自己建立渠道。如果没钱的团队用这种方法是不管用的，因为它涉及到大量的费用。校园兼职很简单理解，找个群头，一个学校几个群，统一下发任务，跟发传单一样，干完活领钱，这要比发传单舒服多了。学生们干的事情和上面那种社群干的事情是一样的，只是圈子不同。渠道投放是指一些碎片化的渠道，比如机场、车站、咖啡馆、学校等等地方的热点WiFi，一般会有一些专门的广告公司可以接这样的业务，它可以允许广告主投放一个账号，也可以投放单篇文章，蹭网的人必须访问特定的微信内容页或者关注账号，然后才能连接上网。

群众的力量还是无穷大的，有些投机分子为了谋取利益专门会不辞辛苦搭建这样的网络然后开始接单。我还挺佩服他们这帮人的精神，这种事儿可是很耗费精力的。跟这些人交易，感觉就像是《星球大战》里的黑市，都拿不上台面的。

当然，我要强调一下，也有不少大号人家是正常的广点通投放，既为自己涨了粉，也为客户争了光，这是个我非常提倡的，毕竟这才是一个良性的循环，没准问题中所提到的账号就是这么做的呢...

话说回来，针对大号刷数据的问题，大家都是自己心里清楚地，各自一定都有各自的方法，毕竟百万级的大号每天的取关数量也是非常惊人的，这就跟APP一样，你得让运营团队保证用户的活跃度，还得保证各项数据的正常循环。所以也不用大惊小怪搞得像没见过市面一样。

③ 微信朋友圈的文章10W+阅读量都是怎么来的

刷出来的。一些做任务的网址，下达任务（积分需要你做任务或者购买的）然后就有人接任务了。也有直接让别人操作的，不过风险大而且金额也要高

④ 微信阅读数和什么有关 ——我的微信公众平台数据分析

微信(WeChat)是腾讯公司于 2011 年推出的一款移动即时通讯软件，在几年中逐步由一个沟通工具转化为移动平台。目前，微信的用户数超过 6.5 亿，月活跃用户超过 4.7 亿，微信在中国大陆的市场渗透率达 93%，海外用户数也已突破 1 亿。

微信公众平台是一个自媒体平台，它在仅在 15 个月内就增长到 200 多万个，并每天保持 8000 个的增长，呈现出超过亿次的信息交互。微信公众平台的文章可以方便地分享到微信朋友圈中。微信朋友圈是微信重要的社交功能，它已经成为了中国 Facebook 分享平台。朋友圈可以发照片和文字，也可以分享链接，而朋友圈链接分享的很大一部分来源于微信公众平台。

微信公众平台分为订阅号和服务号两类，订阅号允许每天群发 1 条消息。值得注意的是，微信公众平台的后台提供了包括用户分析、图文分析、消息分析等完善的统计数据，相当于 Google Analytics 的部分功能，因此微信公众平台的运营者可以通过对这些数据进行分析，优化运营结果。2013 年底，我申请开通了自己的微信公众平台订阅号 Etter（微信号：etter_ding）。一年来共群发 30 余次图文消息，获得 700 余人的关注。

很长一段时间我都在关注一个叫做“DW 月谈”的微信订阅号。“DW 月谈”的作者 DW 于 2014 年毕业于北京大学经济学专业，现就职于豌豆荚商业产品团队，她的文章十分生动有趣。前不久，我阅读了 DW 同学在她的微信公众号“DW 月谈”上发表的文章 《一个分享几人看：基于DW月谈的数据分享》 。这篇文章十分有趣，DW 根据她的微信号“DW 月谈”发表29篇文章的数据，做了回归分析并得出“一个分享大概 9 人看”的结论。

事实上，我一直在试图粗略估计 DW 月谈的关注量。不过我所能准确得知的唯一数据是每篇文章的阅读量（显示在每篇文章末尾）大概在两三千到六七千波动，另外我估计“DW 月谈”的阅读率会在 30%~40% 左右。（虽然对于很多公众号阅读率都可能达不到10%，但 DW 月谈的文章比较有趣，加上是个人账号推送也不算频繁，我对“DW 月谈”的阅读率估计要比常量高很多。）由此，我粗略计算出“DW月谈”的关注量大致会在 8000 至 10000 左右。不过 DW 在这篇文章中透露了真实数据：现在共有 5935 名关注者，文章的阅读率高达 53%。这个阅读率让我真的有点吃惊——我估计的还是太过保守，但是想到“DW 月谈”的确是我收到推送后几乎唯一会立即打开阅读的公众号，也能够信服。

在文章中 DW 试图找到影响单篇微信文章阅读量的因素。经过粗略的计算，DW认为文章分享量，微信号关注人数，以及文章标题劲爆程度和单篇文章的阅读量显着正相关，而文章字数、发布具体时刻、文章是否曾经发布过、文章标题字数等因素则与文章分享量不显着相关。DW 根据数据进行了一个简单的多元回归，得到了关注者数量和分享量和阅读量的关系：阅读量 = 9.04 * 分享量 + 0.53 * 关注者人数 – 157，其中阅读量和分享量 p-value < 0.01，同时通过计算了每篇文章预测值和真实值的差异，可以观察到“标题党”的阅读量显着高于预测值。DW 在文章总结到：“文章火起来的要点有三个：分享热、粉丝多、标题劲爆。”

这样的回归分析比较有说服力，不过联想到最近所学的计量经济学内容，我便沿着这个回归过程进一步思考下去。显然，DW 在该篇文章中使用了 OLS (Ordinary Least Square，普通最小平方法)进行回归分析。回顾 DW 在文章中总结到，文章阅读量与分享量、关注者人数、标题劲爆程度这三个变量显着正相关，并跑出回归方程：阅读量 = 9.04 * 分享量 + 0.53 * 关注者人数 – 157。

注意到，在这三个显着影响关注量的变量中，“标题劲爆程度”无法用数值衡量，所以被放到了误差项(error term)中。但是这样的处理是否合理呢？标题劲爆程度虽然是不可衡量变量，但是它和分享数有很大相关性，因为一般来说我们都会认为，标题比较劲爆的文章分享数也会比较多。那么如果单纯用 OLS 做回归，即将标题劲爆程度放在误差项中，是否会影响回归函数的准确性呢？

于是我在想是否可以引入工具变量(IV,Instrumental Variable)解决。根据维基网络，“在回归模型中，当解释变量与误差项存在相关性（内生性问题），使用工具变量法能够得到一致的估计量。”当一个解释变量(regressor)和误差项(error term)相互独立，并不对因变量产生影响，称为外生性(exogeneity)。与外生性相对立的是内生性(endogenous)，也即误差项和解释变量存在相关性。在回归模型中，如果遇到内生性问题，使用OLS会出现不一致的估计量。那么可以使用工具变量(Instrumental Variable，简称 IV)解决这个问题。这里，工具变量应该满足： 1>和内生解释变量存在相关性；2>此变量和误差项不相关，也就是说工具变量严格外生。

接下来的问题是，在 DW 的数据中选择什么作为工具变量比较合适？我想了很久，觉得或许可以选择“关注数”作为一个较为合理的 IV。当然由于我手中没有数据，只能表示 IV 的选择并不是唯一的，只要满足所找的 IV 与分享数有关，但是和标题劲爆程度无关即可。找到合理的 IV 之后，用Two-stage Least Squares(2SLS)做回归，并用 Hausman Test 检验所选取的 IV 是否恰当。这样或许就可以得到一个更为一致的估计量了。

于是第二天，我把我自己对处理 DW 数据的一点思考 写了下来 。由于 DW 并不认识我，我没有想到 DW 竟然在博客看到了我的文章并 留下了评论 ，在此谢谢她的评论：“IV是一个很好的解决思路，但是在样本有限的情况下加入IV的意义就不大了，因为IV需要很大的数据量才会显着；此外找到一个合适的IV也是个问题。”

我觉得 DW 说的也有道理，这个思路就没有继续想下去。然而，分析我自己微信公众平台运营数据的想法却日渐强烈了。我的数据更加有限，但是也不妨用最简单的方法，稍微尝试一下。

我也准备探究一下我自己的微信订阅号阅读数和什么因素有关。由于微信于 2014 年 7 月才开放“阅读次数”信息，所以该数据不完整，我于是使用“阅读人数”作为因变量。影响因变量阅读人数的因素可能有：距上次发布相距时间，文章字数，订阅号累计关注人数，以及转发人数等等。接着我耐心的统计了数据，并通过跑简单的线性回归发现：“阅读人数”与“距上次发布相距时间”、“文章字数”等因素的相关性不明显，但是与“累计关注人数”以及“转发人数”明显线性相关。

于是我对“阅读数”与“订阅号累计关注人数”以及“转发数”做了回归分析，得到数据结果：

阅读次数 = 0.205 * 订阅号累计关注人数 + 10.78 * 转发数 + 58.15

这说明，文章在朋友圈的转发 1 次，大概可以增加 10 人阅读；而关注人数增加 5 人，才能带来 1 人阅读量的增加。

这个结果大致符合了 张小龙在 12 月微信公开课上的一个数据分享 。他在演讲中提到，订阅号有非常多的阅读量来自朋友圈，这符合 2/8 分布原理，“20% 的用户到订阅号里面去挑选内容，然后 80% 的用户在朋友圈去阅读这些内容”。我看到有人质疑过该论断的合理性，但是从我回归分析的数据中看，我觉得这大致是合理的。

微信订阅号有 80% 的阅读量来自朋友圈，也即朋友圈里好友转发的内容才是用户阅读的主要来源。看来，好的内容才是提高微信订阅号阅读数最重要的因素，这也提醒我如果想增加文章的阅读数，就必须写出更好的文章，并获取更多的转发。

原文链接： http://dinglisa.com/blog/2015/01/09/wechat-analysis

⑤ 朋友圈47%的内容在炫耀，这个数据是如何得出来的

朋友圈47%的内容在炫耀这一结论是一篇在2017年新闻界第十期发表的论文中的一项测试表明的结果。论文利用日记法对120名被试者进行了连续7天的9次问卷调查，并采用科学的方法进行分析微信朋友圈内容。

以上就是这个结论的完整的得出过程。虽然数据已经是2017年的，但是这个数据只能是一个大概的数值。

⑥ 微信公众号后台显示的阅读来源分布中，有一个是朋友圈和好友转发，这两个渠道什么差别能否举个具体例子

朋友圈是你把这个文章分享到朋友圈，那个图里计算的数据包括通过你分享朋友圈后的阅读数

好友转发是指分享的时候有一个选项“发送给朋友”，包括发给单一的朋友，或者分享到群里