# 低 TikTok 互動率能否證明假粉絲？

相對粉絲人數而言，偏低的公開互動並不能證明有假粉絲。在作出創作者決定之前，先檢查指標定義、影片曝光、影片年齡、樣本選擇和數據質素。公開數據可以支持一次已記錄的不確定性審查，但不能識別假粉絲帳戶，也不能計算欺詐百分比。

## 收集設定

Actor 是託管的數據收集程式。Task 是已儲存的輸入預設。

### 輸入設定（Build 0.1.36）

- mode: knownUrls
- startUrls：以讀者打算使用的那一條已知公開影片 URL，取代整個已儲存的樣本清單。
- maxItems: 1
- includeProfileMetrics: true（加入盡力取得的目前公開個人檔案事實）

### 原生欄位

擷取程式會傳回原生欄位，包括 inputUrl、postUrl、postId、profileId、profileHandle、profileUrl、publishedAt、videoDurationSeconds、views、likes、comments、shares、saves、reposts、profileFollowersCount、postMetricStatus、profileMetricStatus、status、statusReason 和 scrapedAt。缺少的指標會以 null 傳回，而不是零。

### 輸出與對照

擷取程式會發出名為 OUTPUT 的執行摘要，當中包含 providedUrls、contentUrls、inputUrls、resolvedUrls、metricRows、noPublicMetricRows、blockedRows、failedRows 和 statusCounts。把已儲存的原生列與此執行摘要比對，以核對打算使用的已知影片。postMetricStatus 欄位為每筆紀錄提供各項指標的可用性與精確度標記。目前的單片對照已配對公開貼文 ID 與個人檔案 ID，其中多個計數標記為 likely_rounded，而 saves 或 reposts 標記為 exact。這確認來源平台上有公開計數與身分方面的支持。這並不證明非公開的分析數據、觀眾持續觀看的情況、假粉絲或衍生比率。

## 如何審查創作者互動

1. 在不作指控的情況下陳述決定，例如創作者的公開結果是否有理由在合作之前先收集更多證據。把觀察到的低比率與其可能原因分開。不要臆造通用的互動及格或不及格門檻。
2. 使用 knownUrls，為目標創作者收集已聲明的已知影片樣本。試點把 maxItems 設為 1，並把 includeProfileMetrics 設為 true。Actor（即託管的數據收集程式）會按每條影片加入目前盡力取得的粉絲人數。目前的粉絲人數不一定等於發布時的人數，也不一定等於該影片受眾中的人數。記錄影片年齡和觀察時間。
3. 檢查來源身分、狀態、精確度和可選指標。缺少的 likes、comments、shares 或 followers 不能變成零。經過四捨五入的分母或分子計數，會使衍生比率成為近似值。不同帳戶身分必須分開保存，而且不要按顯示名稱聯結帳戶。
4. [準確定義任何比率](/zh-Hant/articles/%E8%B7%A8%E5%B9%B3%E5%8F%B0%E6%AF%94%E8%BC%83%E7%A4%BE%E4%BA%A4%E5%AA%92%E9%AB%94%E8%A7%80%E7%9C%8B%E6%AC%A1%E6%95%B8/)。簡單的公開互動比率，是以 likes、comments 和 shares 的總和，除以目前個人檔案的粉絲人數，再乘以 100。這裡用的是計數事件，不是曾互動的不重複粉絲。以觀看次數為基準的比率使用另一個分母，回答的是另一個問題。只有在明確且可比較的公式之下，才應納入 reposts 和 saves。不要在不同創作者之間更改公式。
5. 建立對立解釋。所選影片的曝光可能很少。貼文可能是舊的、新的，或並不典型。粉絲可能不活躍。來源可能隱藏計數器。受眾可能是非粉絲。計數可能有延遲，或經過四捨五入。這些是假設，不是診斷。一個公開比率不能按這些原因分配粉絲所佔的份額。
6. 檢查這個表面結果，是否在公平、已聲明的樣本和可比較的觀察時窗中仍然存在。如適合，使用每條影片數值的中位數和範圍。不要把重複的粉絲分母相加，當作它們是各自不同的帳戶。公開的粉絲人數變化，並不能確立粉絲是購買得來的。
7. 如果決定需要更多支持，索取適當的自有匯總證據，或人手檢查公開情境。本指南不收集粉絲清單、不識別機械人，也不驗證私人存取。來源說法、缺失的證據和未解決的風險必須分開。不要透過此工作流程聯絡創作者。
8. 撰寫結論，例如：已檢查的樣本在此公式下觀察到的行動偏低，原因仍然未解決，因此要求更多證據。避免作出假粉絲的數值估計，也避免使用「已證實欺詐」這類標籤。盡職審查筆記是證據紀錄，不是認證。

## 使用虛構創作者的逐步演算例子

FictionalCreatorA 目前有 100,000 名粉絲。一條已檢查的影片有 500 次觀看、250 個讚好、30 則留言和 20 次分享。公式的分子是 300。以粉絲為基準的互動比率，是 300 除以 100,000，再乘以 100，等於 0.3%。以觀看次數為基準的事件比率，是 300 除以 500，再乘以 100，等於 60%。兩者都不是已互動的不重複人數所佔比例。各項計數可以重疊，也可以重複。偏低的粉絲比率與低曝光可以同時成立，而且不能識別假粉絲。

FictionalCreatorB 同樣有 100,000 名粉絲，以及相同的 300 次互動事件，但有 10,000 次觀看。其粉絲比率同樣是 0.3%。其觀看比率是 3%。兩者的粉絲比率相同，但公開曝光相差很大。因此，0.3% 並不能識別出單一個粉絲質素原因。

FictionalCreatorC 的粉絲人數是 null。粉絲比率是無法取得，而不是零。如果使用 100K 這類經過四捨五入的數值，看似精確的算術其實是近似比率。不要推論 A 的高觀看比率證明粉絲真實，也不要推論 B 的低比率證明是機械人。

## 虛構創作者比較表

| 創作者 | 個人檔案粉絲 | 觀看次數 | 讚好 | 留言 | 分享 | 互動事件 | 以粉絲為基準的比率 | 以觀看次數為基準的比率 | 精確度與缺失狀態 | 有限度的決定 |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| FictionalCreatorA | 100,000 | 500 | 250 | 30 | 20 | 300 | 0.3% | 60% | 精確的虛構計數 | 偏低的粉絲比率與低曝光相容 |
| FictionalCreatorB | 100,000 | 10,000 | 未知 | 未知 | 未知 | 300 | 0.3% | 3% | 個別細項未知 | 相同的粉絲比率，不同的公開曝光 |
| FictionalCreatorC | Null | 未知 | 未知 | 未知 | 未知 | 未知 | 無法取得 | 無法取得 | 粉絲人數為 null，指標未知 | 比率無法取得，而不是零 |

FictionalCreatorA 的一個虛構三片樣本，顯示各條影片各自不同的比率：

| 影片樣本 | 以粉絲為基準的互動比率 |
| --- | --- |
| 影片 1 | 0.1% |
| 影片 2 | 0.3% |
| 影片 3 | 0.8% |
| 摘要 | 中位數 0.3%，範圍由 0.1% 至 0.8% |

此表描述的是已檢查的樣本，不是整個帳戶的欺詐分數。

## 下一步行動

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) 預設，收集公開影片指標、檢查欄位精確度標記，並在作出創作者決定之前撰寫一份有限度的證據記錄。

## 來源與延伸閱讀

- [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)