#185 現在、note 390,872本の記事を鋭意、解析中！！

さて、最近、note のデータ分析に傾倒している吉良です😅

現在、前回よりも最新のデータとして、直近5日間のデータを洗っています。

9/10（木） 9:00 〜 9/11 9:00　70,723本
9/11 （金）9:00 〜 9/12 9:00　75,806本
9/12 （土）9:00 〜 9/13 9:00　78,300本
9/13 （日）9:00 〜 9/14 9:00　86,660本
9/14 （月）9:00 〜 9/15 9:00　79,383本

合計9/10 9:00 〜 9/15 9:00　390,872本

こうしてみると、やはり週末にかけて記事の投稿数が伸びているのが分かりますね。

約39万本をすべて解析するのは現実的に不可能です。もしやろうとしたら約325時間、14日間もかかってしまうのです。

それに、39万本全部を時間がかかるだけでなくデータとしてフェアではなくなってしまうのです。

つまり、何が言いたいかというと、たとえば、AさんとBさんが、同日同時刻に有料記事を出したとします。

Aさんの有料記事は公開された直後にデータとして集計されました。
Bさんの有料記事は公開されてから14日後にデータとして集計されました。

どう考えてもBさんの方が有利です。なぜならAさんの記事は公開直後にデータとして算入されているので、購入者が0人の可能性が高いです。ここでは、仮に13日目にAさんの有料記事が2人に購入されたとします。

一方、Bさんの記事は14日も経過してるので、購入者が存在する可能性が高まります。ここで仮に、Bさんの記事も13日目に2人が購入したとしましょう。

すると、Aさん、Bさんは二人とも13日目に購入者が2人いるのに、Aさんのデータはすぐに集計されてしまったため、0人としてカウントされ、Bさんは2人としてカウントされてしまいます。

時間をかけて集計するということは、後に集計された人の方が購入率が高くなってしまう構造的な欠陥があるのです。

というわけで、約39万記事の中かから、無作為に①1万本の記事と②1万人のクリエイターをピックアップして集計することにします。これなら約25時間ほどPCを回しておけば集計できます。先ほどの構造的な欠陥も緩和されます。それでも丸一日以上かかってしまう計算です。

また、10000本にサンプル数を減らしたとしても統計的な誤差は±0.7%以内に収まりますので、39万本全部を集計するというのは労力の割にリターンが低いと言えます。

なぜ ±0.7% 以内に落ち着くのかという点は、実験を2000回繰り返して出た数値と計算式による、というにとどめておきます💦

説明しだすと、長いうえにややこしくなりますので😅

今回の実験で、メインで検証するのは「売れた記事の無料部分の長さ」です。

10000記事という記事からのアプローチ、10000人という人数からのアプローチで、「売れた記事」は無料部分の長さをどれくらいにしているのかを見極めていきたいと思います。

連休中にデータを整理して記事化できればいいなー、と思っています。