# 较低的 TikTok 互动率能否证明存在虚假粉丝？

相对于粉丝数而言，公开互动偏低并不能证明存在虚假粉丝。在做出创作者决策之前，先核对指标定义、视频曝光、发布时长、样本选择和数据质量。公开数据可以支持一份已记录的不确定性审查，但不能识别虚假粉丝账号，也不能计算出欺诈百分比。

## 采集设置

Actor 是托管的数据采集程序。Task 是已保存的输入预设。

### 输入配置（Build 0.1.36）

- mode: knownUrls
- startUrls：用读者打算使用的单个已知公开视频 URL，替换已保存样本列表的全部内容。
- maxItems: 1
- includeProfileMetrics: true（补充尽力获取的当前公开主页事实）

### 原生字段

抓取程序返回的原生字段包括 inputUrl、postUrl、postId、profileId、profileHandle、profileUrl、publishedAt、videoDurationSeconds、views、likes、comments、shares、saves、reposts、profileFollowersCount、postMetricStatus、profileMetricStatus、status、statusReason 和 scrapedAt。缺失的指标以 null 返回，而不是零。

### 输出与对照

抓取程序会输出一份名为 OUTPUT 的运行摘要，其中包含 providedUrls、contentUrls、inputUrls、resolvedUrls、metricRows、noPublicMetricRows、blockedRows、failedRows 和 statusCounts。把已保存的原生数据行与这份运行摘要对照，以核对打算采集的那条已知视频。postMetricStatus 字段为每条记录提供各指标的可用性与精度标记。当前的单条视频对照匹配了公开帖子 ID 与主页 ID，若干计数被标为 likely_rounded，saves 或 reposts 被标为 exact。这确认了来源平台对公开计数和身份的支持。这并不能证明私有分析数据、视频留存、虚假粉丝或派生比率。

## 如何审查创作者互动

1. 在不作指控的前提下陈述决策，例如某位创作者的公开结果是否足以说明，在建立合作之前还需要更多证据。把观察到的低比率与其可能原因分开。不要编造通用的互动通过或未通过阈值。
2. 使用 knownUrls，为打算审查的创作者采集一份已声明的已知视频样本。试点时把 maxItems 设为 1，并把 includeProfileMetrics 设为 true。Actor 是托管的数据采集程序，它会为每条视频补充当前尽力获取的粉丝数。当前粉丝数不一定是发布当时的粉丝数，也不一定就是该视频受众中的人数。记录视频已发布时长和观察时间。
3. 检查来源身份、状态、精度和可选指标。缺失的点赞、评论、分享或粉丝数不能变成零。经过取整的分母或分子计数会使派生比率成为近似值。保持不同账号身份分开，不要按显示名称合并账号。
4. [精确定义任何比率](/zh-Hans/articles/%E8%B7%A8%E5%B9%B3%E5%8F%B0-%E7%A4%BE%E4%BA%A4%E5%AA%92%E4%BD%93-%E8%A7%82%E7%9C%8B%E6%AC%A1%E6%95%B0-%E5%8F%AF%E6%AF%94%E6%80%A7/)。一个简单的公开互动比率，是把点赞、评论和分享相加，除以当前主页粉丝数，再乘以 100。这里使用的是计数事件，不是每位只计一次的已互动粉丝。基于观看的比率使用另一个分母，回答的是另一个问题。只有在明确且可比较的公式之下，才应计入转发和收藏。不要在不同创作者之间改变公式。
5. 建立相互竞争的解释。所选视频的曝光可能很少。帖子可能较旧、较新，或不典型。粉丝可能不活跃。来源可能隐藏计数。受众可能不是粉丝。计数可能有延迟，或经过取整。这些是假设，不是诊断。一个公开比率不能把粉丝按份额归到这些原因上。
6. 检查这一表面结果是否在公平、已声明的样本以及可比较的观察窗口中仍然存在。如果合适，使用各视频数值的中位数和范围。不要把重复出现的粉丝分母相加，当作它们是不同的账号。公开粉丝数的变化并不能证明购买了粉丝。
7. 当决策需要更多支持时，请求适当的自有汇总证据，或人工检查公开上下文。本指南不采集粉丝列表，不识别机器人，也不验证私有访问权限。把来源主张、缺失证据和未解决风险分开。不要通过此工作流联系创作者。
8. 写出这样的结论：已检查样本在此公式下观察到的互动事件数量偏低，原因仍未确定，并请求更多证据。避免虚假粉丝的数值估计，以及「已证实欺诈」之类的标签。一份尽职审查记录是证据记录，不是认证。

## 使用虚构创作者的演算示例

FictionalCreatorA 当前有 100,000 名粉丝。一条已检查视频有 500 次观看、250 个点赞、30 条评论和 20 次分享。公式的分子是 300。基于粉丝的互动比率是 300 除以 100,000 再乘以 100，等于 0.3%。基于观看的事件比率是 300 除以 500 再乘以 100，等于 60%。两者都不是已互动的不同人数所占的比例。各项计数可以重叠，也可以重复。较低的粉丝比率与低曝光相容，并不能识别虚假粉丝。

FictionalCreatorB 同样有 100,000 名粉丝和同样的 300 次互动事件，但有 10,000 次观看。它基于粉丝的比率也是 0.3%。它基于观看的比率是 3%。两者基于粉丝的比率相同，但公开曝光差别很大。因此，0.3% 并不能识别出某一种粉丝质量方面的原因。

FictionalCreatorC 的粉丝数为 null。基于粉丝的比率不可用，而不是零。如果使用 100K 这类经过取整的值，精确运算得到的仍是近似比率。不要推断 A 的高观看比率证明粉丝真实，也不要推断 B 的低比率证明存在机器人。

## 虚构创作者比较表

| 创作者 | 主页粉丝数 | 观看 | 点赞 | 评论 | 分享 | 互动事件 | 基于粉丝的比率 | 基于观看的比率 | 精度与缺失状态 | 有限决策 |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| FictionalCreatorA | 100,000 | 500 | 250 | 30 | 20 | 300 | 0.3% | 60% | 精确的虚构计数 | 较低的粉丝比率与低曝光相容 |
| FictionalCreatorB | 100,000 | 10,000 | 未知 | 未知 | 未知 | 300 | 0.3% | 3% | 分项明细未知 | 粉丝比率相同，公开曝光不同 |
| FictionalCreatorC | Null | 未知 | 未知 | 未知 | 未知 | 未知 | 不可用 | 不可用 | 粉丝数为 null，指标未知 | 比率不可用，不是零 |

针对 FictionalCreatorA 的一个虚构样本包含三条视频，各视频的比率互不相同：

| 视频样本 | 基于粉丝的互动比率 |
| --- | --- |
| 视频 1 | 0.1% |
| 视频 2 | 0.3% |
| 视频 3 | 0.8% |
| 汇总 | 中位数为 0.3%，范围为 0.1% 至 0.8% |

此表描述的是已检查样本，不是整个账号的欺诈分数。

## 下一步行动

使用 [TikTok Metrics Scraper](https://apify.com/chronometrica/tiktok-metrics-scraper) Actor 和 [TikTok Engagement Benchmark Task](https://apify.com/chronometrica/tiktok-metrics-scraper/examples/tiktok-engagement-benchmark) 预设来采集公开视频指标，检查字段精度标记，并在做出创作者决策之前撰写一份范围有限的证据记录。

## 来源和延伸阅读

- [TikTok Metrics Scraper Actor](https://apify.com/chronometrica/tiktok-metrics-scraper)
- [TikTok Engagement Benchmark Task](https://apify.com/chronometrica/tiktok-metrics-scraper/examples/tiktok-engagement-benchmark)