做 MCN 这行，有一个很典型的“温水煮青蛙”式亏损：你签约了 10 个美妆博主，单看每个博主的粉丝量、互动率、商单报价，账面上都是赚钱的。但当品牌方把同一个品类的广告同时投给你的 3 个博主，发现评论区@的全是同一批老面孔，ROI 远低于预期，下一季度的预算就会直接砍半。这就是粉丝画像重叠度过高带来的隐性成本。很多 MCN 老板直到签约成本已经砸进去几百万，才发现旗下达人一直在“左右互搏”。这篇文章不是给你讲为什么要做数据分析的常识，而是结合过去三年我在帆软九数云团队服务过多家 MCN 机构的实操经验，拆解一套干净利落的 BI 分析框架，告诉你怎么用一张仪表板把“撞粉”问题量化到具体百分比，并直接指导你下一步是合并、错位还是止损。
经过对多家日发单量 5 万以上的直播电商类 MCN、以及多平台矩阵号运营机构的数据复盘，我们可以给出三条可以直接用来做决策的核心结论：
很多 MCN 运营来找我们聊的时候，说的是“想分析一下粉丝重叠度”，但你多问几句就会发现，他们真正的痛点在以下几个场景里：
你手里已经有一个 80 万粉的母婴博主，现在有一个 35 万粉的同赛道新人想签进来。对方粉丝增速不错，内容调性也 OK，但你吃不准她的粉丝是不是已经大面积关注了你现有的博主。如果你凭感觉签了，半年后发现她的商单报价上不去，因为广告主用第三方工具跑出来的粉丝重合率太高，你的签约成本就白花了。这个场景下的核心问题是：在签约之前，用有限的外部数据预估重叠度，而不是签约之后才发现。
品牌方现在越来越专业，尤其是美妆、3C、母婴这些卷到极致的赛道。品牌在投放前会要求 MCN 提供旗下达人的粉丝去重覆盖率，如果你的 5 个达人覆盖的总去重粉丝只有 400 万，而不是纸面加总的 800 万，你的打包报价一定会被打折。更致命的是排期冲突，如果一个品牌在同一天要求你的两个高重叠度达人同时发视频，评论区会出现大量“又是你们两个”的声音，用户疲劳感直接拉满。
你签了十几个同品类达人，资源怎么分配？流量扶持给谁？当你发现其中两个达人长达 6 个月的增粉路径高度重合，且商单转化开始出现互相抢单的现象，你需要用重叠度数据来决定：是把其中一个转去新赛道，还是直接清退，还是合并为一个组合 IP。
有些 MCN 已经开始把公域粉丝往私域导，如果你旗下 3 个达人都往同一个企业微信账号导流，你会发现加过来的用户有大量重复，私域规模严重缩水。你需要在导流之前就做一次交叉分析，把不同达人的粉丝引导到不同的私域池，或者至少做好去重标签。
在动手做分析之前，有两个误区如果不先讲清楚，你花两周搭建的 BI 分析框架最后产出的就是一堆好看的废图。
这是我见过最普遍的认知偏差。大多数 BI 工具在计算用户交叉时，底层逻辑就是取两个集合的交集，算出交集除以并集的比例。这个逻辑在数学上成立，在业务上不够。因为一个在抖音上同时关注了你旗下 3 个达人但从不互动的“沉默关注者”，和另一个只关注了 2 个但月均互动 15 次的“活跃粉丝”，对业务的影响完全不同。前者不会在评论区暴露，品牌方感知不到；后者会在每一条视频下面同时出现，是口碑和 ROI 的核心影响因子。
正确的做法是分层计算，至少分三层：
品牌方感知到的是深互动层的重叠，但很多 MCN 内部汇报只统计了关注关系层，这就造成了巨大的认知误差。
同样是 20% 的 ID 重叠率，如果重叠部分主要是新注册 3 个月内的低活跃账号，危险性远低于重叠部分是 3 年以上的高粘性老粉。你需要把重叠部分的用户单独拉出来做画像分析，看他们的年龄、城市、消费力、内容偏好标签。如果重叠的是高客单价的付费用户群体，哪怕比例不高也需要警惕，因为这部分用户是你的核心资产，不能让他们感受到内容疲劳而流失。
下面的框架不绑定在某一款 BI 产品上，你用九数云、FineBI、Power BI 或者用 SQL + Python 自建分析流都可以实现。重点不是工具，是你建表和拆维度的思路。
这一步的核心是把不同平台、不同格式的原始数据，统一成一张可以交叉计算的基础宽表。你需要至少以下字段：
| 字段名 | 说明 | 取值示例 |
|---|---|---|
| user_id | 脱敏后的粉丝唯一ID | u_1283921 |
| influencer_id | 达人的唯一标识 | k_202305 |
| platform | 平台来源 | 抖音 / 小红书 / B站 |
| follow_date | 关注该达人的日期 | 2024-03-15 |
| is_like_90d | 近90天是否点赞 | 1/0 |
| is_comment_30d | 近30天是否评论 | 1/0 |
| is_forward_30d | 近30天是否转发 | 1/0 |
| user_tag | 粉丝的画像标签 | 美妆-成分党 / 母婴-新手妈妈 |
| user_value_level | 粉丝价值分级 | 高/中/低 |
这张表的构建质量直接决定了后续所有分析的上限。两个容易踩坑的点：一是跨平台 ID 不互通，抖音的 open_id 和小红书的用户 ID 无法直接关联，你需要用手机号、UnionID 或者第三方 CDP 工具做 ID-mapping，但受限于数据隐私合规，能拿到的跨平台关联字段非常有限，要做好“单平台内分析为主”的预期；二是行为数据的统计口径要统一，比如“近 30 天”是从今天倒推还是自然月，一旦定义清楚了就固定下来，不要反复改口径。
行业内最常用的基础公式是 Jaccard 系数：
Jaccard(A, B) = |A ∩ B| / |A ∪ B|
即达人 A 和达人 B 的共有粉丝数除以两人总去重粉丝数。这个公式适合做横向对比，值域在 0 到 1 之间，不同粉丝体量的达人之间也能放在一起比较。
但如果你要做的是“签入新人后的增量价值评估”，建议使用一个更业务的指标：
增量覆盖率 = |B − A| / |B|
即达人 B 的粉丝中，有多少是达人 A 完全没有覆盖到的。这个指标比 Jaccard 系数更直接地回答了“签 B 能不能给我带来新用户”这个问题。如果增量覆盖率低于 70%，你签 B 的价值就很有限。
这张矩阵是 BI 仪表板的核心看板，也是日常运营最常用的功能。它至少应该支持以下三个维度的筛选和交叉：
在一张交叉表格中，行和列都是达人 ID，单元格展示 Jaccard 系数或增量覆盖率。你一眼就能看到哪两个达人的重叠度异常。这张表建议支持按重叠度排序和条件着色，红色高亮超过阈值的组合。
在上面的交叉表基础上增加一个切片器，可以选择“关注层/浅互动层/深互动层”。当你切换行为深度时，你会发现矩阵中的红色单元格数量可能翻倍，这就是之前说的认知误差的来源。
把粉丝按过去 6 个月贡献的 GMV、互动频次或活跃天数分成高、中、低三层，每一层单独计算重叠度。你会发现，高价值粉丝的重叠度往往比整体高出 5 到 10 个百分点，这部分粉丝是你最应该保护的核心资产。
没有阈值就没有决策。以下阈值是基于我们服务过的云仓物流、包装制造、MCN 等多个行业的实践推出来的经验值，你可以根据自己的业务调整，但至少要有一个初始标准：
| 重叠度区间（深互动层） | 风险等级 | 建议动作 |
|---|---|---|
| 0-15% | 🟢 健康 | 正常运营，可放心组合打包售卖给品牌方 |
| 15%-30% | 🟡 观察 | 限制同一时间段接同一个品牌的同品类广告；至少间隔7天排期 |
| 30%-50% | 🟠 干预 | 强制差异化内容线；两个人不能同时出现在同一品牌campaign中；启动其中一人的赛道转型测试 |
| >50% | 🔴 止损 | 评估清退或合并为组合IP；不再投入新的流量资源给重叠方 |
这张表可以直接配置到 BI 平台的预警规则里，当任何一个达人组合的重叠度突破阈值，系统自动推送通知给运营负责人。
去年我们服务了一家位于杭州的直播电商类 MCN，手里有 8 个主打“成分护肤”赛道的博主。老板最初找到我们的时候，核心痛点是：品牌方的复购率在下降，有 3 个品牌明确表示“你们的博主粉丝重合太严重”，甚至给出了第三方数据平台跑出来的截图。
我们介入后，花了大概两周时间完成了四件事：
第一轮：ID 层重叠度跑出来，数据没有那么难看。 8 个人两两组合的平均 Jaccard 系数是 16.8%，看起来还在合理范围内。团队内部一度觉得“是不是品牌方太敏感了”。
第二轮：切换到深互动层后，数字直接翻到 34.2%。 其中有两个博主的深互动重叠率达到了 51%，意味着她们最忠实的粉丝群几乎完全重合。而这两个人恰好是接同一类成分护肤品商单最多的两个人，品牌方不满的原因一下子找到了。
第三轮：把重叠的那部分用户单独拉出来做了画像分析，发现一个更有意思的现象。 这 51% 的重叠粉丝中，客单价超过 300 元的高价值用户占比高达 67%，远高于非重叠部分的 41%。换句话说，两个博主争夺的恰恰是消费能力最强的那批用户，而这批用户在反复看到同类内容后，开始取关其中一人。
基于这三轮数据，我们给这家 MCN 的建议是：
这组动作执行半年后，品牌方的复投率回升了大约 22%，虽然不是单一因素导致的，但重叠度管控起到了决定性作用。
前面的框架和方法论是通用的，但不同阶段的 MCN 在用起来的时候要有不同的侧重点。你不能拿一个 3 人小机构的做法去套一个百人团队的打法。
如果你手里只有 5 到 10 个达人，团队不超过 20 人，你的核心需求不是建一个豪华的 BI 看板，而是在签约之前做一次快速评估。你不需要自建 BI 系统，可以直接用九数云这类 SaaS BI 工具搭建一个轻量级的分析项目，核心就盯两个指标：增量覆盖率和深互动重叠率。每个月花半天时间跑一次数据，发现预警就手动调整，没必要搞自动化预警，因为你的达人数量还不到需要系统化管理的程度。
这个阶段特别要注意的是，宁可用粗糙的数据做对决策，也不要在数据完美主义中错过签约窗口。如果你看到一个小达人内容质量好、粉丝增速快，但外部数据算出来的重叠度偏高，可以做一轮“内容差异化测试”，让她先发 5 条和你现有达人完全不同选题的内容，看粉丝反馈是否来自新群体，再做最终决定。
达人数量到了 20 到 50 个，团队开始有专门的运营和数据岗位，这个阶段你必须建一套可复用的分析体系。因为签约速度变快、品牌方的问询变多，你不能每次都靠手工跑数据。
建议的做法是：
达人数量超过 50 个，有的甚至超过 100 个，你的核心矛盾已经不是单个达人的签与不签，而是整个矩阵的资产配置效率。这个阶段你要做的不仅是看谁和谁重叠，而是把整个达人矩阵看作一个“用户覆盖组合”，像基金经理管理投资组合一样管理你的达人阵容。
具体来说：
很多 MCN 的 BI 分析会犯一个错误：把抖音和小红书的数据放在同一个模型里用同一套标准去跑。但你稍微深入观察一下就会发现，这两个平台的用户行为逻辑完全不同，导致重叠度的含义和阈值都有显著差异。
抖音的内容触达严重依赖算法推荐。一个用户关注了你的两个美妆达人，可能并不是因为他对这两个人有特殊偏爱，而是因为系统根据他的兴趣标签重复推送了你的矩阵内容。这种“被动重叠”的比例在抖音可以占到总重叠量的 30% 以上。这意味着你在抖音上用关注关系算出来的重叠度有一定虚高成分，更应该依赖深互动层的数据做判断，因为只有真正互动过的人才是主动选择的。
小红书的用户带有强烈的搜索目的，当他们搜索“早C晚A搭配”或者“干皮粉底液推荐”时，会在短时间内密集浏览多个同类博主的笔记。这种行为会导致小红书的浅互动层重叠率显著高于抖音。我们的观察数据显示，同一个 MCN 旗下同类博主在小红书的浅互动重叠率可以比抖音高出 8 到 15 个百分点。所以小红书的重叠度阈值应该设得更宽松一些，关注层和浅互动层的数字不用太紧张，重点盯深互动层和收藏行为的重叠。
如果你们已经通过手机号或 UnionID 做了跨平台的用户关联，那可以尝试做更高级的跨平台重叠分析。但我的建议是，跨平台的重叠数据只用于策略参考，不用于硬性决策。因为跨平台 ID-mapping 的准确率通常只有 60%-80%，误差足以影响你对达人价值的判断。跨平台重叠度高说明你在多个渠道覆盖了同一批用户，这是好事还是坏事取决于你的目的，对于品牌曝光来说是好，对于转化效率来说是资源浪费。你要把场景说清楚再下判断。
如果你看完这篇文章，觉得自己团队的情况和上面某个阶段正好对得上，以下是四个可以立即执行的动作，按优先级从高到低排列：
粉丝重叠度分析这件事，说到底不是让你砍掉多少达人，而是让你花的每一分签约成本、每一次广告排期和品牌沟通都建立在清楚的数据之上。当你不再凭感觉判断“撞没撞粉”，而是能直接调出一张仪表板给你和品牌方看的时候，你的 MCN 就已经在数据能力上领先了大多数同行。
我是MCN运营，想分析旗下达人在抖音、小红书、B站的粉丝重叠情况，但平台不提供粉丝明细数据，只给个总量。有什么合法的方式能拿到粉丝ID列表？API接口？还是只能用第三方工具？求解。
这是一个高频踩坑点。我亲测过，直接通过API拉取粉丝ID列表在绝大多数平台都是违规的（侵犯用户隐私，违反《个人信息保护法》）。我们团队早期尝试过用爬虫，结果账号被封，还差点吃官司。
合法且可落地的方案是「标签映射法」：利用各平台开放的用户画像标签（性别、年龄、兴趣偏好、活跃度等）进行聚类对比，而非精确ID匹配。
具体操作步骤： 1. 通过各平台企业号API（抖音企业号、小红书专业号、B站品牌号）获取每个达人的粉丝画像报告，通常包含兴趣标签分布（如美妆占比30%、穿搭占比25%等）。注意：部分平台需要粉丝数超过一定阈值（如1000）才开放。2. 统一标签体系。
例如抖音的“美妆”和小红书的“彩妆”需映射为同一业务标签“美妆”，否则无法对比。这一步最容易出错，我们曾因为“护肤”和“保养”两个标签没对齐，导致重叠度被高估15%。3. 将标签频次数据导入BI工具（推荐FineBI，因为它支持多源数据直接合并，不用写代码）。
用公式：重叠度 = 标签交集人数 / 标签并集人数。注意：这里的人数是指各标签对应的粉丝数，而非实际粉丝ID。避坑建议：不要迷信“全量粉丝ID匹配”，不仅违法，而且技术上也无法从平台拿到。标签映射法虽然粗粒度，但对业务决策（如判断两个达人是否同质化）已经够用。
我们服务的MCN用这个方法，判断准确率达到80%以上。
我算出了几个达人粉丝重叠比例，有的20%，有的50%，但不知道这个数字是好是坏。行业内有没有标准阈值？或者怎么看这个数据对业务的影响？求大佬指点。
核心指标不是简单的Jaccard系数（交集/并集），而是「加权活跃重叠度」和「常驻重叠度」。我强调一个关键认知：只看粉丝ID重叠是伪指标，因为不活跃粉丝的重叠毫无意义。我们内部使用两个指标： 1. 【活跃重叠度】给高频互动粉丝（过去30天点赞、评论、转发达3次以上）赋予2倍权重。
公式：活跃重叠度 = 活跃交集粉丝数 / (达人A活跃粉丝数 + 达人B活跃粉丝数 – 活跃交集粉丝数)。实战数据：某美妆MCN，A达人50万粉中活跃8万，B达人40万粉中活跃6万，交集活跃2万，活跃重叠度 = 2/(8+6-2)=16.7%，而ID重叠度高达28%。
后者会误导决策（以为严重重叠），实际核心粉丝重合度可控。2. 【常驻重叠度】用“周留存粉丝”定义，即每周至少打开一次视频的粉丝。这个指标更能反映内容圈层固化程度。
阈值来自我们服务60+家MCN的经验数据：
| 重叠度区间 | 等级 | 业务建议 |
|---|---|---|
| < 10% | 🟢 绿色健康 | 互补型达人，放心签约，广告组合投放 |
| 10% ~ 30% | 🟡 黄色观察 | 有竞争但可差异化运营（如分内容赛道） |
| > 30% | 🔴 红色预警 | 严重内耗，需强制调整或减少同类型达人 |
真实案例：一家拥有3个美妆腰部达人的MCN，初始活跃重叠度35%，导致品牌方投放时互相压价，单条视频报价从5万降到2万。
通过调整内容定位（一个主成分党、一个主大牌平替、一个主国货测评），3个月后活跃重叠度降至15%，广告报价回升至4.5万。
我已经有粉丝画像标签数据了，但不知道怎么在BI里做交叉分析。我用的是Power BI，想知道具体建表、写DAX公式、做可视化的步骤。最好有避坑指南。
我踩过很多坑，这里给出Power BI和FineBI两套方案（根据团队技术能力选择）。假设数据已经清洗成标准格式：一张达人标签表（达人ID, 标签, 粉丝数）。注意：标签必须互斥（如果一个粉丝同时属于多个标签，需要人工拆分），否则交叉分析结果会失真。
我们吃过亏：用抖音默认标签（每个粉丝最多5个标签），导致同一粉丝被重复计算，重叠度虚高20%。互斥标签的建立方法：对每个粉丝只保留权重最高的那个标签（根据互动行为加权）。【Power BI方案】 1. 建立度量值：用DAX的INTERSECT函数。
核心公式：重叠度 = VAR IntersectionCount = CALCULATE(SUM('达人标签'[粉丝数]), FILTER(VALUES('达人标签'[标签]), [筛选器条件])) 但直接写复杂。
推荐用排他法：对每个标签，计算有多少达人拥有它，然后筛选出同时被两个达人拥有的标签，再求和。2. 可视化：Power BI没有原生韦恩图，建议使用“矩阵表”展示两两重叠度。行列都放达人ID，值放重叠度度量值。注意：一定要将值格式化为百分比。
避坑：DAX计算时，如果两个达人粉丝量级悬殊（比如一个100万，一个1万），重叠度会趋近于0，但这不代表他们不重叠。所以建议同时展示“绝对交集粉丝数”。【FineBI方案（推荐新手）】 1. 在FineBI中创建自助数据集，将达人标签表复制一份，分别命名为“达人A标签”和“达人B标签”。
使用“左右合并”功能，以标签为关联字段，选择“内连接”，即可得到交集标签的粉丝数。再通过公式计算重叠度。3. 可视化：用“交叉筛选控件”，拖入达人字段实现动态选择。无需写代码，这是对比Power BI的最大优势。
最终仪表板应该包含：一张两两重叠度矩阵表、一个动态韦恩图（用第三方视觉对象）、一个活跃重叠度趋势折线图（按月看变化）。输出后，运营团队可以每月自动更新数据，不再依赖数据分析师拖脚本。
我做出了粉丝重叠度分析报告，老板问我然后呢？我不知道怎么落地。比如发现两个达人重叠度很高，是让他们做联动还是放弃一个？有没有具体的决策模型？
这才是BI分析的价值所在，也是大部分文章没讲透的。我们内部有一套「达人矩阵定位决策模型」，基于两个维度：活跃重叠度和单粉产值（该达人每千粉贡献的广告收入）。
四象限如下：
| 象限 | 活跃重叠度 | 单粉产值 | 策略 |
|---|---|---|---|
| 第一象限（明星型） | 高（>30%） | 高 | 不做联动，而是合并资源：将高产值达人的内容团队分流到低重叠方向，用单粉产值高的达人带动低产值的，形成MCN内部KOL孵化梯队。 |
| 第二象限（内耗型） | 高（>30%） | 低 | 最危险：粉丝重叠且不赚钱。必须强制调整：让其中一个达人转向细分赛道（如从泛美妆切到成分科普），或者直接协商解约，避免浪费运营资源。我见过一家MCN砍掉一个内耗型达人后，团队整体效率提升30%。
| 第三象限（互补型） | 低（<10%） | 高 | 理想互补。广告主投放时采用“组合拳”：先由A达人种草，再由B达人测评，覆盖不同圈层。根据我们测试，这种组合的转化率比单达人投放高40%。
| 第四象限（低效型） | 低（<10%） | 低 | 可能是达人自身流量不足，暂不考虑联动，优先投资提升单粉产值。实战决策流程： – 签约新达人前：必须看与现有达人矩阵（选取核心5-10人）的平均活跃重叠度，超过20%则要求提供差异化内容证明（如选题方向、拍摄风格对比表），否则不签。
只要模型跑通，MCN的签约决策从“拍脑袋”变成“看数据”，广告主也更愿意为精准组合付费。
读者评论
作为MCN合伙人，最困扰的就是签约同类型达人后才发现‘撞粉’。这篇文章把问题拆得很细，增量覆盖率这个指标直接改变了我的签约决策逻辑：之前只考虑粉丝总量，现在优先看那个70%以上的增量覆盖率。按文中阈值去评估备选达人，我们上季度砍掉了两个高重合候选，省了至少30万签约成本。确实有参考价值。
从数据分析师的角度看，本文最让我眼前一亮的是对‘行为深度分层’的定义。过去我们用Jaccard系数算ID重叠率，总觉得和品牌方反馈对不上。文章指出深互动层重叠率可能是关注层的两倍，我立刻回查了自己项目的仪表板，果然如此。这个分层逻辑完全可以嵌入现有的BI看板，不需要改底层数据，实用性很强。
作为品牌方的媒介经理，我们最头疼的就是花大价钱投了MCN的打包套餐，结果评论区全是同一批老粉。文章里那个瀑布图（纸面800万去重后只有475万）简直是我们每天面对的现实。如果MCN能像文中那样主动提供基于行为深度的去重覆盖数据，我们谈报价时会更信任他们，也能减少很多无效投放。强烈建议MCN同行关注这点。