5D Library › 注意力的经济学 · English
第八章 实践：四周注意力账本与预注册试验
第一部分 注意力账本
本书的模型只有遇到数字时才有用。这一部分介绍一份四周账本，创作者或与创作者合作的品牌，只需要一张电子表格和每个平台本来就提供的数据分析，就能记下来。
记录什么
每条帖子或每场直播一行：
| 栏目 | 含义 |
|---|---|
| date, format | 日期，以及短视频、长视频或直播 |
| make_min | 制作所花的分钟数，包括策划和剪辑 |
| impressions | 曝光次数 |
| views_3s | 停留超过最初几秒的观看次数（以平台自己的门槛为准） |
| watch_s | 平均观看时长，秒 |
| clicks | 点进店铺、商品或链接的次数 |
| orders | 归因于它的订单数 |
| repeat | 来自老顾客的订单（如果店铺能区分） |
四周安排
| 周 | 任务 | 回答的问题 |
|---|---|---|
| 1 | 只记录，什么都不改 | 现在的漏斗是什么样子？ |
| 2 | 计算第四章那条链的每一环 | 哪一环最弱？ |
| 3 | 针对最弱的一环改一件事 | 那一环动了吗？订单跟着动了吗？ |
| 4 | 按每小时制作而不只是按每条比较各种形式 | 一小时的工作在哪里产出最多？ |
读一周的账
推导
一位创作者编造的一周账本，每天两条短视频、每三天一条长视频，按形式汇总。
import random
# One invented week of a creator's attention ledger: one row per post. Real ledgers are exported
# or typed in.
rng = random.Random(8)
rows = []
for day in range(7):
for fmt, length_s, make_min in (("short", 30, 45), ("short", 25, 40), ("long", 480, 240)):
if fmt == "long" and day % 3: # a long video every third day
continue
imp = rng.randint(4000, 20000) if fmt == "short" else rng.randint(2000, 8000)
v3 = int(imp * rng.uniform(0.25, 0.45))
watch = length_s * (rng.uniform(0.35, 0.6) if fmt == "short" else rng.uniform(0.25, 0.45))
clicks = int(v3 * (rng.uniform(0.004, 0.01) if fmt == "short" else rng.uniform(0.015, 0.03)))
orders = sum(rng.random() < (0.08 if fmt == "short" else 0.12) for _ in range(clicks))
rows.append(dict(fmt=fmt, make_min=make_min, imp=imp, v3=v3, watch=watch, clicks=clicks, orders=orders))
print("format posts hook rate watch time clicks/1k views orders/1k impressions orders per hour made")
for fmt in ("short", "long"):
r = [x for x in rows if x["fmt"] == fmt]
s = lambda k: sum(x[k] for x in r)
print(f"{fmt:6s} {len(r):6d} {s('v3') / s('imp'):10.1%} {s('watch') / len(r):9.0f} s "
f"{1000 * s('clicks') / s('v3'):16.1f} {1000 * s('orders') / s('imp'):22.2f} "
f"{s('orders') / (s('make_min') / 60):21.2f}")
# format posts hook rate watch time clicks/1k views orders/1k impressions orders per hour made
# short 14 34.9% 13 s 6.8 0.19 3.03
# long 3 31.0% 174 s 18.2 0.77 0.75在这编造的一周里，长视频把观众变成买家的效率高得多：每千次曝光的订单约为短视频的四倍，每千次观看的点击接近三倍。但短视频每小时制作带来的订单仍然更多，因为它们花的时间少得多。单看哪一个数字都不能决定策略；只量其中一个的创作者，会优化错误的目标。而且这两个数字都说明不了第一单之后会发生什么，那正是下面的试验要回答的问题。
注
归因，即判断哪条帖子带来了哪笔订单，在每个平台上都不完美，同一位顾客可能在购买前看过好几条。账本用于比较创作者自己的不同形式和不同周，而不能证明因果。证明因果需要随机试验。
第二部分 预注册试验
问题
一连串建立理解与信任的长内容（「深度」），在 90 天内带来的复购，是否多于一连串为即时反应而优化的高频短内容（「刺激」）？第四章的假说预测，深度有助于漏斗的后几环，尤其是复购。许多卖家的常见做法则假定相反，或者认为频率才是关键。
设计
| 要素 | 规定 |
|---|---|
| 人群 | 参与店铺中首次购买、同意接收后续内容的顾客；店铺销售会重复购买的产品 |
| 分配 | 首次购买时按 1:1 个体随机，按店铺分层，计算机生成并隐藏 |
| A 组：深度 | 12 周内每周一条长内容（关于品类、用法与保养的讲解视频或文章） |
| B 组：刺激 | 12 周内每周四条短内容（短视频、优惠与提醒） |
| 两组相同 | 优惠与折扣总量相同；渠道相同；退订方式相同 |
| 主要结局 | 首次购买后 90 天内在同一店铺复购，以店铺记录为准 |
| 次要结局 | 复购订单数；每位顾客收入；退订率；投诉 |
| 盲法 | 不告知顾客所在组别；分析代码冻结前分析者不知道组别标签 |
样本量
值得据以行动的最小差异，是 90 天复购率相差 3 个百分点，假设其中一组为 20%。取双侧 α = 0.05、把握度 90%：
推导
from math import sqrt, ceil
from statistics import NormalDist
z = NormalDist().inv_cdf
# 90-day repeat purchase: assumed rate in one arm, smallest difference worth having
p1, p2 = 0.20, 0.23
alpha, power = 0.05, 0.90
pbar = (p1 + p2) / 2
n = ((z(1 - alpha / 2) * sqrt(2 * pbar * (1 - pbar)) + z(power) * sqrt(p1 * (1 - p1) + p2 * (1 - p2))) / (p2 - p1)) ** 2
print(f"first-time buyers needed per arm: {ceil(n):,}")
print(f"total, allowing 10% lost records: {ceil(2 * ceil(n) / 0.9):,}")
# first-time buyers needed per arm: 3,939
# total, allowing 10% lost records: 8,754分析与判定规则
主要分析按意向治疗原则纳入全部随机化顾客，比较两组复购率，给出差值的 95% 置信区间，并以店铺作为分层因素进行调整。结果将按下面这条在任何数据出现之前写定的规则解读，采用等效性检验的思路 (Lakens 2017)。
推导
# smallest difference in 90-day repeat-purchase rate worth acting on (3 percentage points)
SESOI = 0.03
def verdict(lo, hi):
"""lo, hi: 95% confidence interval of (repeat rate, long-form arm) - (repeat rate, short-burst arm)."""
if lo > 0 and hi >= SESOI:
return "long-form depth wins"
if hi < 0 and lo <= -SESOI:
return "short bursts win"
if -SESOI < lo and hi < SESOI:
return "equivalent: no difference worth acting on"
return "inconclusive"
for name, ci in {"A": (0.012, 0.051), "B": (-0.047, -0.008), "C": (-0.018, 0.021), "D": (-0.011, 0.042)}.items():
print(f"result {name}: CI [{ci[0]:+.3f}, {ci[1]:+.3f}] -> {verdict(*ci)}")
# result A: CI [+0.012, +0.051] -> long-form depth wins
# result B: CI [-0.047, -0.008] -> short bursts win
# result C: CI [-0.018, +0.021] -> equivalent: no difference worth acting on
# result D: CI [-0.011, +0.042] -> inconclusive示例是编造的，用来演示每种结果会被怎样解读。落在 ±3 个百分点以内的区间，将报告为「没有值得据以行动的差异」，而不是「没有效果」；跨过边界的区间将报告为结论不明，而不是「有趋势」。
伦理、数据保护与利益冲突
两组都是普通、诚实的营销沟通，都不含虚假说法或人为制造的社交证明。顾客可以随时退订全部后续内容，退订本身也是被记录的结局。只使用店铺为自身记录本已持有的数据，遵守店铺的隐私声明与适用的数据保护法律，例如马来西亚《2010 年个人资料保护法令》(Parliament of Malaysia 2010)。方案在招募任何顾客之前，将经独立研究伦理委员会审查并公开登记；它遵循 SPIRIT 与 CONSORT 关于试验方案与报告的思路 (Chan et al. 2013; Schulz et al. 2010)，以及在线对照实验的规范做法 (Kohavi et al. 2020)。
利益披露
作者是 Yafu Global、东南亚创作者与直播电商机构 Asia Influencer X 以及 marketingconsultantasia.com 的创办人兼首席策略官，因此与试验结果有直接的商业利益关系。为限制这种利益的影响：方案、分析代码和判定规则在招募前公开；分析由独立于作者公司的分析人员完成；无论结果如何，结果、匿名数据和代码都将公开。
这项试验不能说明什么
它检验的是两种内容策略，对象是同意参加的店铺和人们会重复购买的产品。它对一次性购买、品牌知名度或长期品牌价值什么也说明不了。阴性结果并不表明内容不重要；它表明的是，这两种策略之间 90 天复购的差异小于三个百分点。
参考文献
Fan, Y. (2026). The Economics of Attention: Simon's Scarcity Law, Power-Law Networks and Conversion Funnels in Creator Commerce [注意力的经济学] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23689302 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).