统计CSDN流量与排名关系—设计拐点

背景

目前有13W历史浏览量、排名13W。今年的okr怎么定呢？思路是看看csdn整体的数据情况。取了两个关键指标：排名、浏览量。

统计脚本与数据分析

  

   

    

     

    
    

     

      import matplotlib.pyplot 
      as plt
     
    
   

    

     

    
    

     

      from scipy.optimize 
      import curve_fit
     
    
   

    

     

    
    

     

      import numpy 
      as np
     
    
   

    

     

    
    

     

      from scipy 
      import log
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      #step1:统计数据
     
    
   

    

     

    
    

     

      x=np.array([
      1, 
      2, 
      3, 
      1122, 
      10000, 
      30000, 
      50000, 
      210000])	
      #CSDN排名
     
    
   

    

     

    
    

     

      y=np.array([
      1975, 
      1054, 
      938, 
      175, 
      13, 
      13, 
      5, 
      0.23])			
      #CSD访问流量
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      #step2:拟合
     
    
   

    

     

    
    

     

      #多项式拟合
     
    
   

    

     

    
    

     

      def fit_poly():
     
    
   

    

     

    
    

     

      	f=np.polyfit(x, y, 
      4)
     
    
   

    

     

    
    

     

      	f_poly = np.poly1d(f)
     
    
   

    

     

    
    

     

      	y_fit_poly =f_poly(x)
     
    
   

    

     

    
    

     
	
      return y_fit_poly
     
    
   

    

     

    
    

     

      #幂数拟合
     
    
   

    

     

    
    

     

      def fit_power():
     
    
   

    

     

    
    

     
	
      def alpha(x, a, b):
     
    
   

    

     

    
    

     
		
      return a*np.exp(-b/x)
     
    
   

    

     

    
    

     

      	popt, pcov = curve_fit(alpha, x, y)
     
    
   

    

     

    
    

     

      	a=popt[
      0]
     
    
   

    

     

    
    

     

      	b=popt[
      1]
     
    
   

    

     

    
    

     
	
      return alpha(x, a, b)
     
    
   

    

     

    
    

     

      #指数拟合
     
    
   

    

     

    
    

     

      def fit_exp():
     
    
   

    

     

    
    

     
	
      def alpha(x, a, b):
     
    
   

    

     

    
    

     
		
      return x**a+b
     
    
   

    

     

    
    

     

      	popt, pcov = curve_fit(alpha, x, y)
     
    
   

    

     

    
    

     

      	a=popt[
      0]
     
    
   

    

     

    
    

     

      	b=popt[
      1]
     
    
   

    

     

    
    

     
	
      return alpha(x, a, b)
     
    
   

    

     

    
    

     

      #对数拟合
     
    
   

    

     

    
    

     

      def fit_log():
     
    
   

    

     

    
    

     
	
      def alpha(x, a, b):
     
    
   

    

     

    
    

     
		
      return a*log(x)+b
     
    
   

    

     

    
    

     

      	popt, pcov = curve_fit(alpha, x, y)
     
    
   

    

     

    
    

     

      	a=popt[
      0]
     
    
   

    

     

    
    

     

      	b=popt[
      1]
     
    
   

    

     

    
    

     
	
      return alpha(x, a, b)
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      #step3:绘图
     
    
   

    

     

    
    

     

      y_fit = fit_poly()
     
    
   

    

     

    
    

     

      data_origin = plt.plot(x, y, 
      '*', label = 
      'orgin')
     
    
   

    

     

    
    

     

      data_fit = plt.plot(x, y_fit, 
      'r', label = 
      'ployfit')
     
    
   

    

     

    
    

     

      plt.xlabel(
      'flow')
     
    
   

    

     

    
    

     

      plt.ylabel(
      'rank')
     
    
   

    

     

    
    

     

      plt.legend(loc=
      4) 
      #指定legend的位置右下角
     
    
   

    

     

    
    

     

      plt.title(
      'polyfitting')
     
    
   

    

     

    
    

     

      plt.show()
     
    
  

多项式拟合（poly）

幂数拟合（power）

拐点（1000，240W）

对数拟合（Log）

拐点（30000，12W)，（10000，150W)，（1000，420W）

博客浏览量的爆发点

从上边的数据来看，排名与流量更符合对数关系。1W排名、150W流览量是比较好的一个最近拐点。

今年可达一半、即取中点比较理想：（3W，13W) -> (2W, 80W) -> (1W, 150W)。(80-13) * 10000) / 365 = 1800，

拆解至每天的策略即：每天新增1800流览量。

=>更多文章请参考：《中国互联网业务研发体系架构指南》

=>更多行业权威架构案例及领域标准、技术趋势请关注微信公众号：