微信公众号账号诊断与对标分析#

Overview#

诊断公众号的真实用户画像与内容表现，发现「自以为的受众」与「数据真实的受众」之间的差距，并基于真实数据筛选对标账号。

这个 skill 解决一个核心问题： 90% 的小号主不知道自己的读者到底是谁。他们凭感觉写内容、凭感觉找对标，结果抄的都是大号的表面功夫，根本不对路。

什么时候用#

触发词：分析我的公众号、账号诊断、找对标账号、分析用户画像、公众号定位分析、我的读者是谁、帮我看看我的号、这号该怎么做

典型场景：

• 写了一段时间感觉方向不对，想知道真实受众是谁
• 准备改内容方向，需要数据支撑决策
• 粉丝增长慢，想找到真正有效的对标账号
• 冷启动期需要确定精准定位

工作流：六阶段诊断法#

Phase 1: 数据采集#

获取两个核心数据源：

1. Tendency Excel — 从微信公众平台后台导出（统计 → 内容分析 → 导出Excel）
2. 用户画像截图 — 后台「用户分析」→「用户属性」页面截图（可选但强烈推荐）

向用户索要这两份数据。如果用户只有 Excel，也可以完成分析。

Phase 2: 文章分类#

使用 scripts/parse_tendency.py 解析 Excel 数据。

脚本产出 JSON 格式的文章列表，包含标题、阅读量、渠道、分享数等字段。

关键步骤：让用户自己给文章分类

不要替用户分类。将解析出的文章标题列表展示给用户，让用户按实际内容方向打标签。

格式：

text

请给以下文章打上类目标签，用 2-3 个字即可：

1. 「ChatGPT接入企业微信完整教程」 → AI实操
2. 「30岁不上班的第100天」 → 创业叙事
3. 「Notion搭建人生管理系统」 → 效率工具
...以此类推

尊重用户的分类直觉——这本身就反映了用户对内容方向的理解。

Phase 3: 交叉分析#

基于分类结果，进行三个维度的交叉分析：

A. 类目 × 阅读量

• 每个类目的平均阅读量、最高/最低阅读量
• 计算各类目占总流量的百分比
• 找出单篇爆款（阅读量超过类目均值 3 倍以上的文章）

B. 类目 × 渠道来源

• 公众号消息、朋友圈、聊天会话、推荐的分布
• 推荐流量占比高 → 内容有出圈潜力
• 公众号消息占比高 → 核心粉丝粘性强

C. 时间趋势

• 最近 10 篇 vs 早期 10 篇的阅读量对比
• 哪个类目在增长，哪个在下降

分析结果以表格和文字呈现，关键发现加粗标注。

Phase 4: 用户画像验证#

如果用户提供了用户属性截图，提取性别、年龄、语言分布数据。

核心动作：「你以为 vs 实际上」对比

直接问用户：

text

在你开始做这个号的时候，你心里的目标读者是谁？
（年龄、性别、职业、痛点什么都可以说）

将用户的主观认知与数据真实画像并列展示：

text

| 维度 | 你以为的 | 数据真实的 | 判断 |
|------|---------|-----------|------|
| 性别 | XX      | XX        | ✅/❌ |
| 年龄 | XX      | XX        | ✅/❌ |
| ...  |         |           |      |

这是整个诊断中最有冲击力的输出——用户会在这个瞬间意识到问题所在。

Phase 5: 对标账号筛选#

根据 数据真实的用户画像（不是用户以为的），重新定义对标筛选标准：

1. 基于真实受众特征，确定对标账号筛选维度
2. 使用 wechat-article-search skill 搜索相关话题的公众号
3. 从搜索结果中提取潜在对标账号
4. 按相关性评分 1-5 分：
   • 5 分：受众完美重叠 + 内容方向可借鉴
   • 4 分：受众高度重叠 + 内容部分相关
   • 3 分：受众部分重叠 + 有借鉴价值
   • 1-2 分：不建议对标

输出对标账号清单表，包含：

• 公众号名称
• 相关性评分
• 对标理由
• 值得借鉴的点
• 需要注意的差异

Phase 6: 报告输出#

将所有分析结果整合为结构化报告，使用 assets/report_template.md 作为输出模板。

报告核心部分按此优先级排列：

1. 核心发现（3-5 条关键结论）
2. 用户画像修正（你以为 vs 实际上对比表）
3. 内容方向建议（基于数据的类目取舍建议）
4. 对标账号清单（含评分和具体建议）
5. 下一步行动计划（3 个立即可执行的步骤）

输出为纯 Markdown 格式，不使用任何 markdown 样式标记（如 **）。用 HTML 标签实现彩色标题和强调效果，与七海公众号风格保持一致。

核心方法论#

诊断的三条铁律#

1. 数据不说谎，但需要解释 — 高阅读不等于好内容，低阅读不等于差内容。要考虑渠道效应和时效性。
2. 用户分类权交给用户 — 不对用户的分类做价值判断。如果用户给一篇文章打了一个你觉得"奇怪"的标签，先问为什么，再分析。
3. 不给出模糊建议 — 每一条内容方向建议都附带具体的选题示例。不说"多做 AI 工具类"，说"做一期 n8n 自动化工作流搭建教程，你的受众中这类内容均阅读 471，高于整体均值 3 倍"。

排除规则#

• 排除用户明确指出已废弃的旧文（如账号曾用名的文章）
• 发布不足 7 天的文章，标注为「数据未成熟」
• 单篇爆款（超过类目均值 5 倍）单独分析，不拉高类目均值

如何使用本 Skill 的资源#

scripts/parse_tendency.py#

解析微信公众平台导出的 tendency Excel 文件。自动识别列名，输出结构化 JSON。

bash

python3 scripts/parse_tendency.py <excel文件路径> [--output result.json]

输出 JSON 结构：

json

[
  {
    "title": "文章标题",
    "publish_date": "2026-05-01",
    "reads": 1234,
    "shares": 56,
    "likes": 12,
    "favorites": 8,
    "channel_breakdown": {"公众号消息": 500, "朋友圈": 300, ...},
    "source": "公众号消息"
  }
]

references/excel_format.md#

记录了微信公众平台 tendency Excel 的常见列结构，以及不同版本间的差异。当解析遇到未知列名时查阅。

assets/report_template.md#

报告输出模板，包含完整的分段结构和排版样式。生成最终报告时按照此模板填充数据。

assets/case_study_qihai.md#

七海（「七海的底稿」）的完整诊断案例。用于：

• 理解完整诊断流程的产出长什么样
• 向潜在用户展示 skill 的价值（营销素材）
• 新用户上手时作为参考样例