利用python+matplotlib做社交裂变曲线动态模拟图

利用社交裂变的原理进行产品、活动的推广与传统的推广方式完全不同。在传统零售中,我们可以利用历史数据来进行线性拟合来预测下次活动的预期人数或者业绩目标,但是社交裂变的增长模型是指数模型,可能带来用户指数级的增加,也可能根本达不到预期的效果。

但是,对于活动目标进行预测(库存、人数、系统并发量等)是商品、会员甚至IT部门做工作计划的重要依据。为了能够直观地了解在不同的假设条件下,一次裂变活动可能的效果(比如一次秒杀、或团购、或其它引流活动),我尝试用python+matplotlib做了一个动态曲线模拟:

网络演化模型python python构建社交网络模型_python

为了实现实个效果,首先要确定一个裂变公式,我们知道社交传播的方式是人际传播,理想情况下,社交裂变会以指数方式增长,但是事实上是不可能无限增长的,传播会随着社交关系的弱化而衰减(亚当潘恩伯格的《病毒循环》一书对于这病毒传播有着比较详细的分析,其中提到一个叫做病毒系数的,并列出了不同病毒系数下的用户增长表,不过书中并没有详细解释这个公式是怎么来的:P)

网络演化模型python python构建社交网络模型_matlab_02

按照理想的状况,指数增长也就是我们俗话所说的“一传十,十传百”每向下一层,每个节点都实现倍增,假设初始节点有N个人,每个人可以裂变5个人,那么,每向下裂变一层所增加的人数就是:
网络演化模型python python构建社交网络模型_社交网络_03

事实上,社交裂变(或者叫做病毒传播)不可能按照指数倍增无限增加,有很多因素会影响传播的效果,比如平台信任度、利益点、用户体验、裂变规则等等,这些因素导致社交裂变每传播一层,可能就会面临一次衰减。

比如说,做为品牌方推出一个拼团活动,首先对活动感兴趣的肯定是用过并认可品牌产品的用户,在利益的诱惑下,这一批用户对于活动的转发就会比较积极。当第一层积极的用户转发之后,第二层传播可能来自于跟第一层用户有“强关系”的人,但这一层的用户本身可能与品牌之间并没有足够的粘性,于参与的积极性会下降。第三层看到的人可能就是链接关系更弱的人,很可能只会有很少人有兴趣参与了。所以经过几层衰减之后,最终新增用户会衰减到0,传播也就终止了。

按照上面的推论,简单地预测一次社交裂变活动的效果,需要几个假设条件:初始种子用户数、裂变系数、衰减系数,每层裂变人数的公式如下:

网络演化模型python python构建社交网络模型_matlab_04

按照这个公式,只要每次给出N(种子用户数)、X(裂变系数)、d(衰减系数),就可以计算出一次活动可以裂变的层数以及每层可以增加的人数,把这一过程利用python+matplotlib做成动态图就是前面的效果了。

完整的代码如下:

# -*- coding: utf-8 -*-
#
#  develop language : python
#  function : 绘制动态折线图
#  create date :2020.05.20
#  components : matplotlib
#  author : aladdin
#  email : master@may365.com
#  zhihu : https://www.zhihu.com/people/waterbear2016
#
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

k = 1
while k <= 3:
    x_data = []
    y_data = []
    N = 1000
    x = 5
    d = 0.3

    N = N * k
    x = x + k
    d = d * k
    c = 0
    print(k)

    for i in range(10):
        c = 1 - d * (i - 1)
        if c >= 1:
            c = 1
        elif c <= 0:
            c = 0

        A = N * ((c * x) ** i)
        N = A
        x_data.append(i)
        y_data.append(A)
        plt.title(u"社交裂变人数模拟")
        plt.xlabel(u"裂变层数")
        plt.ylabel(u"裂变人数")
        plt.plot(x_data, y_data)
        plt.show()
        plt.pause(0.5)
        print("第 %d 层新增人数 %d" % (i, A))
    k = k + 1

代码一共模拟了三种情况下,裂变10层的效果。第一次N=1000,x=5,d=0.3,第二次N=2000,x=6,d=0.6,第三次N=3000,x=7,d=0.9。这里N、x、d 在实际预测中大概只能按照经验或者参考以往数据来进行假设了。

.3,第二次N=2000,x=6,d=0.6,第三次N=3000,x=7,d=0.9。这里N、x、d 在实际预测中大概只能按照经验或者参考以往数据来进行假设了。

以上方法提供了一种模拟社交裂变数据预测的方法,在算法上只关注了关键的因素,并且取了平均值,准确度可能不会很高,但也算是一个思路吧