【検証】noteのView数が伸びる仕組みを、数式で「構造化」してみた結果 #253

note書いてて、View数の伸びに一喜一憂することを、もっと面白くできんかなぁ…ってずっと思ってた。

せやからワイは、自分のnoteデータを取って、View数の動きを“説明できる形”にしてみたいって思ったんよｗ

というわけで研究者の端くれとして、Viewがどう発生して、どう増幅される“っぽい”のかを、手元のデータ眺めながらモデル化してみた。

これを頭に入れとくと、Viewを伸ばすのを戦略的に考えられる“かもしれん”。
※注：推しの採点基準は非公開やし、アルゴの中身は見えん。
なのでここから先は、「観測できた事実」と「ワイの推論」を分けて書くで。

0.この記事でやったこと

• Viewを (A) どこから来たか（ログ） と (B) なぜ増幅したか（相互作用） に分けて考える

• 「足し算モデル」→「掛け算」→「構造化（3系統）」にアップデートする

• 最後に「結局どこを触ればViewが増えそうか」を 作戦レベルに落とす

• でも View＝勝ちではない（ここが肝）

1. 最初の直感：Viewは「足し算」である（ログ分類）

まずは「どこから人が来たか」を整理するために、こう置いてみた。

• 自己起因：フォロワー数、投稿時間、投稿マガジン

• 他者起因：マガジン追加、記事参照、紹介

• 外部要因：SNS発信、検索（SEO）

これは流入経路（ログ）の分類としては気持ちええんやけど、正直、これだけやと「なぜその数になったか」 の説明がつかへん。

分類はできても、予測には弱いんや。

2.再定義：自己起因は「掛け算」である（相互作用）

たとえば、「自己起因」。
フォロワーが1,000人おっても、深夜3時投稿なら誰も見んやろ？

つまりフォロワー数は “ポテンシャル（分母）” でしかない。

ワイの仮置きはこれ：

$$
\text{View}_{self} = (\text{Follower} \cdot \text{OpenRate}) \cdot k(\text{Time})
$$

• Follower：フォロワー数（母数）

• OpenRate：記事を開くアクティブ層の割合

• k(Time)：投稿時間による“見つかりやすさ係数”

固定値（Follower）× 状態（OpenRate/Time） が掛かって、はじめて自己起因のViewが確定する……という見立てや。

3. ブラックボックス：プラットフォーム・ブースト

足し算モデルで抜け落ちがちなんが、note内の“推され”。
編集部ピックアップやレコメンド等は、体感として 線形じゃない。
あるライン超えたら急に露出が増える…みたいな挙動になるといわれてる（※推測）。

この「推され設計」について、note側は少なくとも思想として PVだけでなく読了率などを重視する方向を目指す と述べている。

詳細なアルゴリズムは不明やけど、この「推され設計」を無視してViewは語れん。

4. 改良案：Note View挙動の構造化モデル（3系統）

そこでワイは、Viewをこう分解した。

$$
\text{Total View} = \alpha(\text{Direct}) + \beta(\text{Platform}) + \gamma(\text{External})
$$

• Direct（直接流入）：フォロワーTL、自分の過去記事からの回遊

• Platform（プラットフォーム内拡散）：マガジン追加／レコメンド等（最大の変数っぽい）

• External（外部流入）：SNS、SEO

ポイントは、「どこから来たか」よりも
どの系統が“増幅器”になってるかを意識することって考えた。

5. 肝は「変換効率：η」にあり！？

ここが一番大事な話ちゃうかと考えた。

Viewを伸ばす鍵は、Viewそのものを追うことやなくて、
露出（View）されたあとに “ちゃんと読まれて反応される” 変換効率（η） を上げることっぽい。

このηが高い記事ほど、結果として Platform側（β）に乗りやすい。そう仮定すると、観測される挙動の説明が通る。

ワイの仮の式はこれ：

$$
\text{Algorithm Boost} = f\left(\frac{\text{Like}}{\text{View}}, \text{Completion Rate}\right)
$$

• Like/View：いわゆる スキ率

• Completion Rate：読了率

読了率については、noteヘルプに定義がある。
「記事本文がすべて表示されたら読了としてカウント」 で、ページ最下部到達とは限らん。加えて、2024/4/11に読了率の計算式が変更された旨も明記されてる。

つまり、露出（View）された後に「ちゃんと読まれて反応される」効率が上がると、結果としてさらなる露出を呼ぶ……というループが成立しとる可能性があるわけや。

よく言われる　”文字は多すぎないほうがいい” っていうのもこのロジックな気がする。

6. 参考：SNS挙動を説明する古典モデル

ここは「noteの内部がこう」と断定するためじゃなくて、現象の例えとして置いとく。

(1) 普及学：バス・モデル（Bass Diffusion）

「自発（p）」と「伝染（q）」で拡散が進む、あの有名モデル。原典はBass(1969)。
投稿の初速＝p、二次拡散＝q、みたいに見ると整理しやすい。

(2) 注意の減衰：べき乗っぽく落ちる現象

Web記事の参照が時間とともに べき乗的に減衰する例は研究でも観測される。
SNSが「鮮度」で落ちる体感の説明には使える。

(3) 連鎖反応：ホークス過程（自己励起）

「一回の反応が次の反応確率を上げる」自己励起過程は、情報拡散のモデルとして社会メディアでも扱われる。

7. 「作戦」への落とし込み：Viewを増やすレバー

ワイの今の結論（メモ）として、Viewを増やすレバーはこのへんかと思ってる。

1. フォロワーを増やす（Directの土台）

2. マガジンに参加する／導線を作る（Platformに触れる確率アップ）

3. SNSに投稿する（Externalを増やす）

4. フォロワー多いクリエイターと絡む（Platform/Externalの“波”に乗る可能性）

5. タグを設計する（発見されやすさの下支え）

8. 重要：これは「見せる話」で「売る話」やない

ここ、誤解されたくない。

上のレバーは Viewを増やす（=画面に出す） には効く“気がする”。
でも、

• 読まれるか

• スキされるか

• 購入されるか

は、別ゲームっぽいってこと。
さっきの式で言うなら、こっちは 変換効率（η） の領域。

入口（View）だけデカくしても、中身が弱いとザル。
逆に入口が小さくても、中身が強ければ読了・購入される可能性はある。

noteが目指しとるのも、この「質」が報われる設計やしな。

9.みんなはどう思う？

ワイの仮説メモやから、ツッコミ歓迎ｗ

• あなたの体感では、Direct/Platform/Externalどれが一番効いてる？

• Viewが増えたのに スキ率・読了率が伸びなかった経験ある？

• 逆に、View少ないのに 購入やスキが強い記事ある？（どんな構造やった？）

10.ワイの現時点の結論

予測するためのモデルを構築するうえで、View数を伸ばすには、

• 足し算（ログ分類） で流入を把握

• 掛け算（相互作用） で自己起因の現実を見る

• 構造化（Direct/Platform/External） で増幅器を意識

• 最後は η（スキ率・読了率） を上げて、Platform側の伸びを狙う

…という「知的な生存戦略」っぽいところに落ち着いた。

※もちろん、アルゴの中身は見えんから、ここまで全部ワイの仮説（推論）やで。

これって、もう常識やった？！

それでも、もしこの記事が 「おもろかった」「ためになった」 って思ったら──
ぜひ スキ・フォロー・コメント お願いします！
ワイは、スキってリアクションは好物です！
ほな、また。

参考

#note運用 #note分析 #アクセス解析 #PV分析 #読了率 #スキ率 #レコメンド #アルゴリズム #データ可視化 #Python #日記 #仕事 #人生 #ビジネス #副業 #勉強 #考察 #自分 #学び #習慣 #クリエイター支援