wechat-content-analytics

name	wechat-content-analytics
description	Use when analyzing WeChat public account article performance from backend XLS exports, OR when pre-scoring an article before publishing. Triggers: '文章分析', '数据分析', '复盘', '诊断', '公众号数据', '内容表现', '文章评分', 'XLS分析', 'performance review', 'content analytics', '这篇文章表现怎么样', '分析一下数据', '发布前检查', '预评分', 'pre-score', '帮我检查这篇文章'

WeChat Content Analytics

Two modes:

1. Post-publish: Parse WeChat backend XLS exports, calculate KPIs, score, diagnose
2. Pre-publish: Score a markdown article against controllable metrics before publishing

When to Use

• User provides WeChat backend exported .xls file(s) and wants performance analysis
• User asks to review/diagnose article performance ("这篇表现怎么样", "帮我复盘")
• User wants to compare multiple articles' performance
• User wants to pre-check an article before publishing ("帮我检查", "发布前评分")
• NOT for: content creation, topic selection, or general marketing strategy

---

Mode 1: Pre-publish Scoring

Score a markdown article against controllable metrics before publishing. Benchmarks calibrated from real historical data in data/articles.csv.

Pre-publish Workflow

digraph pre {
  rankdir=TB;
  "User provides .md" -> "Run pre_score.py";
  "Run pre_score.py" -> "Read JSON output (quantitative)";
  "Read JSON output (quantitative)" -> "Run manual checklist (qualitative)";
  "Run manual checklist (qualitative)" -> "Present combined scorecard";
  "Present combined scorecard" -> "Suggest fixes by priority";
}

Step 1: Run Pre-score Script

python3 .claude/skills/wechat-content-analytics/scripts/pre_score.py \
  "/path/to/article.md"

The script outputs JSON with quantitative metrics:

• Title length, chapter count, total word count, words per chapter
• Bold count, bold density per 1000 chars
• Has brand bridge (detects 心情可可/可可 mention)
• Has share CTA (detects 转发/分享 in last 500 chars)
• 300-word rhythm analysis (turn points and flat zones)

Step 2: Manual Qualitative Checklist

Score these dimensions manually (each 0-4). Read the article and answer:

2a. 标题力 (Weight: 25%)

Score	Criteria
0	无好奇心缺口，读者看标题就觉得不需要点开
1	有信息但缺乏驱动力，"可以看看"
2	有好奇心缺口，"想知道答案"
3	强驱动力，"不点开会难受" + 身份安全（转发不丢面子）
4	标题本身就是社交货币（读者会截图标题转发）

校准参考（来自历史数据）：

• "我们在用 AI 给幸福加外挂。" (14字) → 分享率 3.84%，关注 5.22%
• "连群红包都没了，你的年味还剩什么" (16字) → 分享率 1.33%
• 最佳标题长度：14-18字

2b. 开头钩子 (Weight: 20%)

Score	Criteria
0	自我介绍/背景铺垫，无驱动力
1	有场景但缺乏悬念
2	前3句建立场景+制造好奇
3	前2句完成情绪反转或认知冲击
4	第1句就让人停不下来

校准参考：

• 年味篇开头 2 句完成反转 → 完读率 52%，停留 70 秒
• 好的开头 = 克制（≤3句） + 有反转

2c. 身份安全性 (Weight: 20%)

核心问题：读者转发这篇文章后，在朋友圈显得______？

Score	转发后的社交形象
0	显得焦虑/负面/矫情 → 不敢转
1	中性，不加分也不减分
2	显得有品味/有思考
3	显得消息灵通/有前瞻性/有爱心
4	转发本身就是身份标签（"这就是我"）

校准参考：

• "AI给幸福加外挂" → 转发显得"积极+前沿" → 分享率 3.84%
• "年味还剩什么" → 转发显得"怀旧+伤感" → 分享率 1.33%
• 身份安全性是分享率的最强预测因子

2d. 品牌一致性 (Weight: 20%)

Score	Criteria
0	与账号定位完全无关，读完不知道为什么要关注这个号
1	主题相关但缺乏品牌特色，任何号都能发
2	体现"人+AI"视角，有团队特色
3	自然桥接到心情可可/团队，读者知道关注后能持续获得什么
4	文章本身就是品牌体验（"只有这个号能写出这种东西"）

品牌基准规则：

• ✓ 必须：文章体现"人+AI"视角（不是纯技术，也不是纯鸡汤）
• ✓ 必须：文末有品牌桥接（1-2句，自然引出心情可可或团队）
• ✗ 不必须：每篇都有心理学理论/术语
• ✗ 不必须：每篇都提到产品功能

校准参考：

• 文章1 关注转化 5.22%（品牌一致，自然桥接）
• 文章3 关注转化 0.44%（主题与品牌脱节）

2e. 节奏与深度 (Weight: 15%)

Score	Criteria
0	全文平铺直叙，无情绪波动
1	有转折但间隔过长（>500字无变化）
2	每300字有转折，但缺乏情绪谷底
3	有清晰的"先抑后扬"或"波浪递进"节奏
4	节奏精准，每个转折都服务于全文情绪弧线

校准参考：

• 年味篇 4章/2850字 → 完读率 52%
• 最佳参数：4-5章，2500-3500字，每章500-700字

Step 3: Combined Scorecard

Combine quantitative (script) + qualitative (manual) into一张评分卡：

## 发布前评分卡

**文章**: [标题]
**日期**: YYYY-MM-DD

### 量化指标（自动）
| 指标 | 值 | 基线 | 状态 |
|------|---|------|------|
| 标题字数 | X | 14-18 | ✓/⚠️/✗ |
| 总字数 | X | 2500-3500 | ✓/⚠️/✗ |
| 章节数 | X | 4-5 | ✓/⚠️/✗ |
| 章均字数 | X | 500-700 | ✓/⚠️/✗ |
| 金句密度 | X/千字 | 1-3 | ✓/⚠️/✗ |
| 品牌桥接 | 有/无 | 有 | ✓/✗ |
| 分享CTA | 有/无 | 有 | ✓/✗ |
| 平直段 | X处 | 0 | ✓/⚠️/✗ |

### 质性评分（人工）
| 维度 | 权重 | 分数(0-4) | 说明 |
|------|------|----------|------|
| 标题力 | 25% | X | ... |
| 开头钩子 | 20% | X | ... |
| 身份安全性 | 20% | X | ... |
| 品牌一致性 | 20% | X | ... |
| 节奏与深度 | 15% | X | ... |

### 加权总分: X.XX / 4.0
**评级**: 卓越(3.5+) / 优秀(2.5-3.5) / 一般(1.5-2.5) / 不足(<1.5)

### 预估表现
| 指标 | 预估 | 基线 |
|------|------|------|
| 分享率 | X% | 3.85% |
| 关注转化 | X% | 1% |

### 优先修改建议
1. [最影响分享率的问题]
2. [最影响完读率的问题]
3. [品牌相关问题]

Performance Prediction Model

Based on 3 articles of historical data (will improve with more data):

分享率预估：主要看 身份安全性 + 金句密度

• 身份安全性 3+ 且有金句 → 预估 3-5%
• 身份安全性 2 → 预估 1-3%
• 身份安全性 0-1 → 预估 <1%

关注转化预估：主要看 品牌一致性

• 品牌一致性 3+ → 预估 3-6%
• 品牌一致性 2 → 预估 1-3%
• 品牌一致性 0-1 → 预估 <1%

Note: 已有 4 篇历史数据，预估仍粗糙。每发布一篇新文章并录入真实数据后，模型会自动校准。

---

Mode 2: Post-publish Analysis

Workflow

digraph wca {
  rankdir=TB;
  "User provides XLS" -> "Run analyze.py";
  "Run analyze.py" -> "Read JSON output";
  "Read JSON output" -> "Present report";
  "Present report" -> "Discuss diagnosis";
  "Discuss diagnosis" -> "Suggest next actions";
}

Step 0: Load Historical Data

Read data/articles.csv to get all previously analyzed articles as baseline.

Read .claude/skills/wechat-content-analytics/data/articles.csv

CSV columns: publish_date, title, reads, dwell_seconds, completion_rate_pct, follows, shares, watching, likes, bookmarks, comments, delivered, push_reads, share_reads, engagement_rate_pct, share_rate_pct, follow_rate_pct, viral_coefficient_pct, push_open_rate_pct, share_efficiency, channel_pct, score_overall, score_rating, score, primary_bottleneck, female_pct, age_26_35_pct, region_beijing_pct

Step 1: Run Analysis Script on New XLS

python3 .claude/skills/wechat-content-analytics/scripts/analyze.py \
  "/path/to/新文章.xls" \
  --output /tmp/new_article.json

After analysis, append the new article's data as a new row to data/articles.csv (do NOT overwrite existing rows). This keeps the complete history in one readable CSV.

The script:

• Parses the non-standard XLS layout (section-based detection)
• Extracts raw metrics from 数据概况, 阅读转化, 趋势明细, 人口统计
• Calculates all derived KPIs
• Scores each article (0-4 per dimension, weighted total)
• Runs diagnostic decision tree
• Outputs JSON report

Step 2: Present Report

Read the JSON output and present to user as structured markdown:

1. Overview Table — all articles side by side, sorted by publish date
2. Scorecard — per-article scores with benchmark comparison
3. Trend Analysis — if 2+ articles, show trajectory of key metrics
4. Diagnosis — bottlenecks + specific improvement suggestions

Step 3: Discuss & Advise

Use the diagnosis to have a conversation. Focus on:

• What's working (don't fix what isn't broken)
• The single biggest bottleneck (not all problems at once)
• One concrete action for the next article

KPI Reference

Raw Metrics (from XLS)

Metric	Field	Section
阅读	阅读(人)	数据概况
停留时长	平均停留时长(秒)	数据概况
完读率	完读率	数据概况 (may be absent)
关注	阅读后关注（人）	数据概况
分享	分享(人)	数据概况
在看	在看(人)	数据概况
点赞	点赞(人)	数据概况
收藏	收藏(人)	数据概况
评论	评论（条）	数据概况
送达	送达人数	阅读转化
推送阅读	公众号消息阅读人数	阅读转化
首次分享	首次分享人数	阅读转化
总分享	总分享人数	阅读转化
分享带来阅读	分享产生的阅读人数	阅读转化

Derived KPIs

KPI	Formula	Meaning
互动率	(点赞+在看+收藏+评论)/阅读	内容共鸣度
分享率	分享/阅读	社交传播意愿
关注转化率	关注/阅读	内容与账号定位匹配度
裂变系数	分享带来阅读/总阅读	流量来源结构
推送打开率	推送阅读/送达	标题吸引力+粉丝粘性
分享效率	分享带来阅读/分享人数	读者社交圈质量

Scoring Model

5 dimensions, weighted total (max 4.0):

Dimension	Weight	Metric	0	1	2	3	4
传播力	30%	分享率	<1%	1-3%	3-5%	5-10%	>10%
互动力	25%	互动率	<1%	1-3%	3-5%	5-8%	>8%
触达力	20%	推送打开率	<2%	2-5%	5-10%	10-20%	>20%
深度	15%	完读率	<20%	20-35%	35-50%	50-65%	>65%
增长力	10%	关注转化率	<0.5%	0.5-1%	1-2%	2-5%	>5%

Rating: 3.5+ Exceptional / 2.5-3.5 Strong / 1.5-2.5 Average / <1.5 Weak

Note on cold-start: With <500 subscribers, 推送打开率 will be artificially high (small denominator). Weight this metric less in interpretation.

Diagnostic Decision Tree

IF 分享率 < 3%:
  → Bottleneck: 传播力不足
  → 内容缺乏社交货币（让分享者显得聪明/有品味/有爱心）
  → Action: 加入可分享的金句、框架、清单

ELIF 互动率 < 3%:
  → Bottleneck: 共鸣不足
  → 读者读完但不觉得"说出了我的心声"
  → Action: 精准命名读者的感受，加强情绪峰值

ELIF 完读率 < 35%:
  → Bottleneck: 内容留不住人
  → 开头钩子弱、中间冗长、或信息密度不均
  → Action: 前3句制造悬念，每300字一个小转折

ELIF 关注转化率 < 1%:
  → Bottleneck: 文章好但与账号定位脱节
  → 读者喜欢这篇但不觉得需要持续关注
  → Action: 文末强化账号价值主张，预告下期内容

ELSE:
  → 表现良好，复制此类内容模式

Industry Benchmarks (2024-2025)

Metric	Industry Avg	Good	Excellent
推送打开率	~0.89% (订阅号)	>2%	>5%
完读率	~50%	>50%	>65%
互动率	~3%	>5%	>8%
分享率	~3.85%	>5%	>10%
关注转化率	varies	>1%	>3%
每次分享带来阅读	~4人	>10人	>20人

Source: 新榜, 西瓜数据, 36Kr benchmark reports (2024-2025)

Channel Definitions

Channel	Meaning
公众号消息	Push notification (subscriber inbox)
聊天会话	Shared via private/group chat
朋友圈	Shared to Moments
公众号主页	Profile page visits
推荐	Algorithm recommendation feed
搜一搜	WeChat Search
其他	Other sources

Common Mistakes

• Comparing articles without time context: first article has "novelty bonus" from creator's network
• Treating push open rate at face value during cold start: <500 subscribers makes this metric unstable
• Ignoring channel mix: high reads from 聊天会话+朋友圈 = manual sharing; high reads from 推荐 = algorithm working
• Focusing on reads over rates: 1000 reads with 1% share rate is worse than 200 reads with 10% share rate

实战教训（持续更新）

2026-02-20："140倍"文章 — 高分享但人群全错

数据：分享率 6.88%（4篇最高）、停留 90 秒、完读率 58.6%，但女性仅 18%、18-25 岁仅 9%

教训：

• 改造方法论（viral-adaptation）有效，但选题方向决定了吸引谁
• AI 科技类爆文吸引 26-45 岁男性从业者，不是目标用户
• 分享率高 ≠ 有效获客，必须看人群匹配度
• 群聊传播（85%）不触发推荐算法，"在看"才是进入看一看的门票
• 结论：用同样的改造方法论，但参考文章必须选目标人群（18-24 女性）关心的领域（心理学/情绪/关系类）

2026-02-19："140倍"文章 — 爆文没有导流

• 没有加关注引导，没有小程序卡片，白白浪费爆文流量
• 结论：发布前必须过检查清单，尤其是导流项