Reposts sind der leistungsstärkste Treiber, um Zuschauer in Follower zu konvertieren.
Während andere Metriken wie Lesezeichen und Likes dazu beitragen, haben Reposts die stärkste positive Korrelation mit dem Gewinn von „neuen Follows“ (r = 0,39).
Diese Erkenntnis zeigt, dass Wachstum nicht nur darum geht, Ihr aktuelles Publikum zu engagieren. Es geht darum, Ihre Inhalte vor ein neues Publikum zu bringen. Ein „Repost“ ist eine direkte Unterstützung, die Ihre Nachricht an ein ganz anderes Netzwerk von Personen sendet. Wenn jemand Ihre Inhalte neu postet, bürgen sie seine Qualität für seine eigenen Anhänger.
Dieser Akt des sozialen Beweises ist für einen potenziellen neuen Anhänger weitaus überzeugender als einen einfachen „Gefälligen“. Um das Follower -Wachstum zu beschleunigen, sollte Ihre Inhaltsstrategie das Erstellen von Beiträgen priorisieren, die Menschen teilen möchten. Dies schließt Inhalte ein, die hochverständlich, überraschend, außergewöhnlich gut artikuliert sind oder Ihr Publikum klug aussehen, um es zu teilen.
Während Lesezeichen (r = 0,31) der zweitklangste Faktor sind, was darauf hinweist, dass auch hohe Nutzungsgehalt von entscheidender Bedeutung ist, ist die Hauptmotor für das Wachstum Ihres Kontos inhaltlich, die bewegt werden.
Um mehr Follower zu erhalten, müssen Sie für die Verstärkung optimieren.
Quellen:
1. Python (unter Verwendung von Pandas, Matplotlib und Seeborn -Bibliotheken).
- Meine eigenen Daten von Account_analytics_Content.csv -Datei.
Gern geschehen! 🙂
Michael
Von BeLikeNative
4 Kommentare
Im guessing this is simple linear regression.
It looks like the gradient of your relationship is dominated by relatively few large outliers.
How does the relationship change when you only consider values closer to the cluster in the bottom left corner?
Have you tried transforming the axes, with logs, for example, to better see the shape of the majority of your data points?
Seems more like a spurious correlation, you really shouldn’t rely on Pearson’s correlation with outliers as huge as in your dataset.
Why is this in data is beautiful?? It’s not beautiful and the regression is misleading.
Good first plot of a model of interest. Look into a term called heteroskedasticity. One simple fix is using the square root of your y-values (maybe also your x-yalues). That will help narrow and draw back that shotgun pattern you are showing.
Look forward to the next iteration.