1704222085
1704222086
这个效果是如何判定的呢？
1704222087
1704222088
在医学领域，有一个病毒传播指数K，K的计算方法如下：
1704222089
1704222090
K = i×c%
1704222091
1704222092
其中，i是被感染人群，c%是转化率。
1704222093
1704222094
在裂变中，我们同样会以K值和传播周期来衡量效果。关于传播周期，有一个更复杂的公式：
1704222095
1704222096
Custs（t）= Custs（o）×［K（t/ct + 1）– 1］/（K–1）
1704222097
1704222098
T=time
1704222099
1704222100
Ct=cycle time
1704222101
1704222102
Custs（t）是活动结束后获得的新用户数，t是活动周期，ct是病毒传播周期，Custs（o）是初始种子用户数。
1704222103
1704222104
做法一的数据如下（仅是模拟数据）（见表2–1）。
1704222105
1704222106
表2–1 做法一的模拟数据
1704222107
1704222108
1704222109
1704222110
1704222111
于是我们知道：520 = 480×［K（10/9 + 1）–1］/（K–1）。
1704222112
1704222113
此时，（K2.1–1）/（K–1）= 1.08，换算之后得出K2.1 = 1.08K–0.08。
1704222114
1704222115
到这一步，我们已经知道K值<1不可能带来病毒传播。
1704222116
1704222117
下面是做法二经过模拟后的数据（见表2–2）。
1704222118
1704222119
此时，我们得出：2 400 = 320×［K（6/2 + 1）–1］/（K–1），即7.5×（K–1）= K4–1。
1704222120
1704222121
表2–2 做法二的模拟数据
1704222122
1704222123
1704222124
1704222125
1704222126
求解得出K值约为1.44，这说明做法二可以带来病毒传播。如果活动能在这个基础上继续放大传播周期，那么传播效率就可以再上一个台阶。
1704222127
1704222128
通过对比，我们也发现了其中存在的问题：用户对于需要做传播这件事已经极为熟练和敏感，所以大量的用户在活动奖励本身缺乏足够大的额外利益诱导时，并不会主动做出真正具有传播效果的分享动作。
1704222129
1704222130
这也解释了为什么第二步的“每个用户会带来多少新用户”的问题不能通过推测来解决，而是要通过数据的多次验证来解决。
1704222131
1704222132
继续用户裂变的话题，思考路径的第三步“如何让新用户完成转化或者直接留存并减少损耗”，是一个很值得讨论的问题。因为经验告诉我们，如果我们仅仅通过利益诱导来获得用户，那么大概有70%的用户会在未来的1~2周内被消耗掉，也就是取消关注或者卸载App。
1704222133
1704222134
这里有两个解决方案。