做一点假设.
假设有个阅读数read为R的公众号.
订阅用户subscriber是 S人,且这些人的习惯保证必然会点开看.
再假设每个订阅用户好友数 friend位类似F,其中有p的 portion会二次传播该篇文章.
那么就应该有
R = S + SFp + S(Fp)(Fp) ...
->
R = \sum_{i=0}^n S(Fp)^n
假设有1000订阅平均有F=100好友,触发几率是10%.
则
100,000 <= \sum_{i=0}^n 1000*10^n
也就是差不多就3度传播.
如果不考虑严格的话.
100,000 ~= 100010^2
也就是
R ~= S10 ^(Degree-1)
->
R ~= S*10 ^degree
->
degree <- log(R/S)
即传播度数为阅读数和订阅用户数的数量级差异+1.
即假设有100w阅读,1000用户的话,差不多传播度就是 log(1,000,000 / 1,000) = 3.
四度的关系.
但如果只有100w 阅读,100w用户的话,那就是1度关系了.
那么考虑下,10w+阅读的意义.
也就是说,如果一个热门订阅也只有10w阅读的话,那么实际上来说它的传播影响力也就仅限于订阅用户这个群体.
而如果一个1k用户的账号要达到10w的话则需要3度传播.
对于低于1k的要达到10w阅读的话,考虑到>0的约束,则可能不太适合这个简单假设.
因为后面的余项会衰减地很快.
所以基本上如果能达到的话,相当于通过一个巨型的扩张节点从新传播了.
直觉上来说,微信这个平台应该不能说是一个传播平台.
更像是一种圈养平台.
因为就其给出的这个数据印象而言,很难说是具有强的传播属性.
更多的固定覆盖度.
尤其考虑到次级传播到时候,由于朋友圈的交集因素,发生再次传播的概率p可能会进一步衰减.
当然,另外一个要打破的约束就是平均好友数.
在传播过程中,各个层级节点的好友分布数量存在差异.
也就是可能存在一些大型的节点造成放大效应.
但即使这种情况来看,那也是一个比较稀疏的网络.
这些大型节点类似与连接各个subgraph的主干道.
在某种层面上把小型节点去掉的话,基本上就是这些有限数量的大型节点组成的网络.
即使是这种简化的放大网络,由于每个节点的传播意愿 可能并不存在一个统计上有效的偏好数值.
所以就传播范围和效果来说,存在相当大偶然性.
你不能说它不能成为一个有效的传播网络,但也很难做到大规模的扩散.
因为每个大节点的偏好由于样本变小了所以失去了统计上的意义.
因此在这种结构下,一个东西可能很难说是有生命力的.
因为要么, 这个东西是在一个固有的圈子里游荡,不会被外界所挖掘感知.
要么就是它的被感知存在的相当程度的随机/偶然性,因为被某些主要节点放大.
当然,这里还有一点就是公众号的10w+只是个表意数值.
可能实际是几百上千万阅读.
以某咪蒙为例的话.
.
简单Google到的数据是600w粉丝/订阅.
有些地方提到某些文章的点赞数是5w.
假设所有阅读的人点赞几率是5%的话,那么就是100w人阅读.
这个跟订阅数差距有点大.
用广告的曝光点击千分之五算的话,就是1000w人阅读.
差强人意.
但也基本上就是一度传播.
当然,因为可能本身体量大交叉冲突多了.
另一个数据是和菜头.
以新浪微博的粉丝数算70w订阅的话.
它的某篇文章里提到过个数据就是差不多每天1k左右的订阅增减.
所以实际量级在几十万的数量级应该是没问题的.
提到的另外一个数据是某篇文章20w+的阅读.
虽然是个例.
但至少量级上还是处于一度的.
也就是说即使是几十w的订阅,在微信生态里也基本上是一度传播.
或者可能在其他地方也是一度传播.
但至少有一点可以相对明朗的是.
对于除了一些"共鸣"性质或者virus属性比较强的东西之外.
单纯的内容传播/阅读是跟订阅数数量级相关的.
传播性大多数情况下是一个伪命题.