一次活动产生了一万次分享，究竟算不算成功？如果大部分链接无人打开，或者进入的都是老用户，分享量再高，也不能说明拉新有效。
衡量社交裂变，需要分清三个问题：每位用户带来多少有效新用户，一轮传播需要多久，以及这些新增中有多少真正由活动创造。病毒系数、传播周期和增量评估，分别回答这三个问题。
一、先把K值的分母说清楚
病毒系数K表示：在约定的观察窗口内，一位用户平均带来多少下一代新用户。最直接的统计方式是：
分母必须包含没有分享的人。如果只计算分享者，就应明确叫“每位分享者带来的新用户数”。有效新用户可以定义为注册、激活或首单用户，但比较活动时必须保持同一标准。
为定位损耗，可以进一步拆成：
图中把K分为红色的邀请端I和蓝色的转化端Conv：前者回答“平均每位初始用户产生多少次邀请”，后者回答“这些邀请中有多少最终带来新用户”。运营可以据此区分分享不足与承接损耗，而不是只盯着最终注册量。
对应公式，s是分享参与率，i是每位实际分享者的平均邀请数，c是邀请点击率，r是点击后到达目标产品的比例，a是到达后完成有效转化的比例。图中“人均分享次数”必须按实际分享者计算，I＝s×i才是摊到全部初始用户的平均邀请数。如果业务统计的是分享按钮点击次数，还不能直接把它当作邀请人数。各项必须来自同一批用户和相互衔接的事件，不能把不同渠道的平均值随意相乘。
以一组假设数据为例：
| 环节 | 口径与假设 | 结果 |
|---|---|---|
| 初始用户 | 100人中20人分享 | 分享参与率20% |
| 发出邀请 | 每位分享者邀请5人 | 共100次邀请 |
| 好友点击 | 邀请点击率40% | 40次点击 |
| 回流产品 | 点击后的到达率50% | 20次到达 |
| 完成注册 | 到达后的注册率30% | 6名新用户 |
假设没有重复接收者、老用户和异常账号，则K＝0.2×5×0.4×0.5×0.3＝0.06，即每100位初始用户带来6名注册新用户。每位分享者的贡献则是6÷20＝0.3，两者不能混用。
如果“人均邀请数”已经按全部100人计算，数值就是1，不能再乘20%。如果落地网页本身就是目标产品，也不应凭空增加一次“回流率”，重复扣减同一段损耗。
二、用真实事件拆解分享链路
这张流程图用红框标出种子用户的分享过程，用蓝框标出被邀请用户的接收与浏览过程。应沿着两侧的交接点阅读：种子用户完成发送后，接收者是否看到卡片、打开页面并继续操作，仍是独立的转化环节。
**红框侧看分享是否真正完成。**四个界面依次展示活动页、渠道面板、好友选择和发送确认。产品应区分分享入口点击、唤起面板、选择对象与确认发送；用户可能在任一步取消。即使观察到发送动作，也不能据此确认接收者已经阅读，渠道没有返回的状态应保留为未知。
**蓝框侧看承诺如何被承接。**三个界面展示会话卡片、活动落地页和商品页，后两者仍出现打开App的入口。运营应检查卡片、活动与商品信息是否连贯，技术则要分别记录可观测的页面到达、商品访问和App成功唤起。图中展示了回流入口，没有展示成功唤起App、注册或下单，因此不能把“点击打开App”直接算作回流成功，也不能由截图判断转化率。
这条链路说明，分享端与接收端需要分别优化，再通过业务事件连接起来。具体页面只用于分析交互步骤，不代表其优惠规则、跳转方式或历史平台能力可以直接照搬。
实际分析时，可以先看哪里流失，再提出假设：入口点击少，检查分享理由和时机；好友到达少，检查卡片表达、加载及跳转；到达多而激活少，检查价值兑现和操作门槛。某项比例最低，并不意味着它最值得投入，还要比较可改善空间、成本和用户质量。
微信等外部渠道未必允许业务准确观察消息送达或阅读。缺失的数据应标记为未知，可用“每位初始用户带来的可识别访问数”和“访问到有效激活率”辅助诊断，避免用群人数冒充触达人数。
如果同一活动还通过群聊传播，测量口径需要另行处理：一条消息可能被多人看到，同一人也可能在多个群重复接触。不能简单将“发送次数×群人数”代入邀请数；应尽可能按可识别访问者和最终账号去重，无法识别的部分保留测量限制。
三、传播周期决定增长何时发生
K描述一代用户带来多少下一代用户，传播周期CT描述两代用户完成同一关键事件的典型时间间隔。例如，上一代完成激活，到其带来的下一代完成激活，平均需要几天。
在每位用户只计一轮贡献、各代K保持不变、没有重复用户的理想模型中，初始用户为N₀，传播n轮后的累计人数为：
下表是累计人数相对初始人数的倍数，包含初始用户，并非每轮新增人数：
| K | 第1轮 | 第2轮 | 第3轮 | 第4轮 |
|---|---|---|---|---|
| 0.2 | 1.2 | 1.24 | 1.248 | 1.2496 |
| 0.5 | 1.5 | 1.75 | 1.875 | 1.9375 |
| 2 | 3 | 7 | 15 | 31 |
| 5 | 6 | 31 | 156 | 781 |
| 10 | 11 | 111 | 1111 | 11111 |
表中最值得看的是增长形态：K小于1时，每代新增逐渐减少；K等于1时，每代新增相同，累计线性增加；K大于1时，模型中的每代新增扩大。高K行只是数学演示，不是可持续的业务预测。
若CT固定，时间T内完成的轮数可粗略取⌊T/CT⌋。假设K＝0.5、初始用户100人，周期7天时，28天完成4轮，累计期望值为193.75人；周期14天时只能完成2轮，为175人。小数表示模型期望，不是实际人数。
缩短周期能让成果更早出现，但不会自动改变K。在上述K＝0.5的模型中，即使无限延长时间，累计也只趋近200人。优化应减少加载、重复注册和价值体验的等待，不能用强制分享或频繁催促换取表面速度。
现实中的周期有长有短，用户还会重复邀请、跨圈重叠或停止使用。应按加入批次给予相同观察时长，记录各代K及转化延迟分布，避免将尚未完成传播的新批次与成熟批次直接比较。累计注册也不能代替当前活跃人数。
多阶传播还会改变种子用户的选择。“高节点用户”在这里指能带来较高后续传播价值的候选人，不是一个标准中心性指标，也不等于好友最多的人。
图中种子用户召回张三、李四分别花2元、3元；张三再召回两人，各花2元，李四再召回三人，各花1元。重点是从直接成本转向整条链的成本：只看第一层，张三便宜；假设所有人都成功召回、彼此不重复且价值相同，计入候选人本人，张三链平均成本为（2＋2＋2）÷3＝2元，李四链为（3＋1＋1＋1）÷4＝1.5元。图按原关系重绘，展示的是召回算例，不能直接算作新增获客成本，也未计最初种子用户和其他运营成本。
实际排序应估计各层成功概率、去重人数、后续留存与贡献，再扣除激励和履约成本。相同DARPU也不代表相同长期价值。可在小规模对照中验证，不能仅因模型预测高就发放大额奖励；关系重叠与接收者负担也要计入。
若每代病毒系数均为K、无重复且K＜1，每位初始用户带来的无限代累计新增期望为K＋K²＋…＝K/(1－K)，不含初始用户；有限观察期只累加已观察的轮数。这里用“第几阶”表示传播深度，避免再用K表示阶数。链路贡献属于归因，是否真有增量仍需检验。
四、归因新增还要经过增量检验
一个用户通过邀请链接注册，说明这次注册被归因给社交渠道；没有邀请活动时，他是否仍会注册，则是另一个问题。
可以在条件允许时设置随机对照，提前确定目标行为、观察周期、样本量和去重规则，比较两组的整体有效新增，而不只比较带邀请参数的注册。两组初始规模不同时，应先按同一分母换算。
社交实验还存在相互影响：实验组可能把邀请发给对照组。微软的实验方法与网络实验研究都提醒，简单按个人分组可能产生偏差。可根据关系结构考虑群组随机化，但仍要检查跨组传播、样本量和组间差异，不能以为换一种分组方式就自然准确。
决策至少同时看四项：有效激活或首单增量、相同周期的留存、奖励与履约成本，以及投诉和异常账号。K上升而留存下降，可能只是补贴吸引了低意愿用户；K不足1但增量收益覆盖成本，仍可能是有价值的获客补充。
一份可用于决策的裂变报告，应把用户批次、观察窗口、转化标准、去重规则和测量盲区写在数字旁边。只有先统一这些口径，K值的变化才有可比性，团队也才能判断下一步应改善分享、承接，还是产品本身。