フォロワー1,000以下なのに5,000いいね — X純粋バズ14本のデータ解剖

実データ — 統計サマリ (パターン B: フォロワー≤3,000 × fav≥5,000 × 14 本)

| 指標 | 平均 | 中央値 | 最大 | |---|---|---|---| | いいね | 108,901 | 97,625 | 208,720 | | RT | 10,778 | 9,340 | 17,750 | | 保存 | 6,560 | 5,271 | 18,066 | | フォロワー | 1,493 | 1,451 | 2,704 | | 文字数 | 99 | 106 | 149 | | fav/フォロワー比 | 73 倍 | — | — | 文字数の 36% が 100〜139 字 に集中。短文 (50〜99 字) も 29% あり、「短文でも内容次第でバズる」ことが分かります。

5 つの黄金型 — 構造解析

黄金型 1: 反復セリフ型 — fav 208,720 のチャンピオン

@mchannokiroku (フォロワー 648) の投稿: > 母「今夜すき焼きだから泊まれば？」 > 母「春巻揚げるから今日も泊まれば？」 > 母「煮込みハンバーグ作るから泊まれば？」 > 母「お寿司にするから泊まれば？」 > > 1泊の予定だったけど、私の引き止め方をよく理解してる母にまんまとやられて実家4泊したわ。 構造: 同じ型のセリフを 4 回繰り返し、最後にオチで反転。120 字。fav/フォロワー比 322 倍。 応用テンプレ:

A「○○」
A「○○○○」
A「○○○○○○」
A「○○○○」

(オチ・ツッコミ・解説)

黄金型 2: 物語+セリフ落ち型

@yuta_tsukaoka (フォロワー 608) の投稿: > 私も同じ疑問があり、しかし大人同士が昼間に時間を作って会うのは難しかったので、夜の公園でスイカ割りをしたことがある。「割れた〜？」と目隠しを外したら友達は遠くにいて、目の前に警官が2人いた。私は30歳だった。 構造: 個人体験 → セリフ → 想定外オチ → 「私は 30 歳だった」で年齢オチ。104 字。

黄金型 3: 知識リスト型 — 保存率の絶対王者

@dekai3 (フォロワー 1,572) の投稿: > 最近分かってきたことは > 鶏肉：怪我を癒す肉 > 豚肉：疲れを癒す肉 > 牛肉：不調を癒す肉 > って感じなので、筋トレするなら鶏肉だし、普段からバフをかけたいなら牛肉になる fav 83,957 / 保存 18,066 / 80 字 / 保存率 21.6%。リスト型は保存される強さが圧倒的です。 応用テンプレ:

最近分かってきたのは

A：B
C：D
E：F

って感じなので、(実用的指針)

黄金型 4: 「誰も教えてくれない」型

@HHAGI8 の投稿: > 学校の先生も、会社の上司も、誰も教えちゃくれなかった… > 10枚重ねのセリアのネオジムマグネットに11枚目を吸着させると火花を散らして爆散するなんて... 構造: 教育・上司・親の不在を提示 → 意外な事実で落とす。100 字。

黄金型 5: 短文+具体的固有名詞

@takay_ (フォロワー 633) の投稿: > Microsoftのこの機能やめてほしい > うちの会社とか略されて「大麻」とかがいる 41 字でこの伸び。具体的なツール名 (Microsoft) と違和感の組み合わせで 11 万 fav。

私たちの仮説が実データで 0 件だった話

このリサーチで一番痛かった発見を共有します。

仮説: 自己認識トリガー 5 要素中 3 つ以上で保存される

事前に Web 記事を 4 本読んで、「あ、これ私のことかも？」と手を止めさせる投稿には共通する 5 要素があると仮説しました。 1. 2 人称 / 一般化 (「あなた」「私だけ？」) 2. 時刻の具体性 (「夜中の 2 時」) 3. 身体感覚 (「気づいたら泣いてた」) 4. 行動の細部 (「LINE を開きっぱなしで眠った」) 5. 言語化できなかったことの言語化 3 つ以上含む投稿は保存率が高い と仮説しました。

検証結果: Top50 で 3 つ以上含む投稿は 0 件

実データを取って解析したら、Top50 のうち 3 要素以上含む投稿は 0 件。1 要素含むのが 24%、2 要素含むのが 4%、残りの 72% は要素 0 でした。 仮説、外れです。 代わりに見えた共通項はもっとシンプルなものでした。 | 実データ抽出パターン | Top100 出現率 | |---|---| | 命名型 (「○○」で現象に名前を付ける) | 23% | | 30 代年齢型 (「私が 30 歳過ぎて」など) | 12% | | 気づき型 | 3% | | 個人体験型 | 2% | 「30 代と書く」「現象に名前を付ける」── この 2 つだけで Top100 の 35% が説明できます。私の仮説より遥かにシンプルでした。 > 💡 KEY TAKEAWAYS > 仮説を立てるのは無駄ではありません。ただし 実データで検証する前に実装に進むのは禁物 です。私たちの仮説は綺麗でしたが、データと照合すると 0 件でした。リサーチで一番痛い瞬間は、自分の仮説が外れた瞬間。そして一番得るものが多いのも同じ瞬間です。

運用アカウントでの応用 — 5 型を Card 11〜15 に反映

このリサーチを実運用する側の事例として、ある占い系の X アカウントのキャンペーンに 5 型を反映しました。 | 型 | 反映 Card | 投稿例 | |---|---|---| | 反復セリフ型 | Card C11 | クライアント「数秘 1 で…」を 4 回繰り返す形式 | | 物語+セリフ落ち型 | Card C12 | 「ある日、30 代の女性が来た」鑑定物語型 | | 知識リスト型 | Card C13 | 数秘 1〜9 の指針を 1 行ずつ羅列 (保存特化) | | 「誰も教えてくれない」型 | Card C14 | 「親も学校も会社も誰も教えてくれなかった」 | | 短文+具体型 | Card C15 | 47 字の短文勝負 | 12 キャンペーン全体の運用設計は別途まとめました (関連記事 — AI 叱責駆動開発 を参照)。

改善したい点

書いている時点で「もう少し丁寧にやれた」と感じている部分です。

1. 母数を 30 本に広げる

現状フォロワー≤1,000 の純粋条件は 3 本のみ。min_faves:3000 で再収集すれば 30 本程度になる見込みです。次の収集サイクルで実施予定。

2. ペルソナ直撃のシード追加

現状の検索シードは「30 代仕事迷い」など一般的なものが中心です。「自分のことが嫌い」「人生 リセット」など、もっとペルソナ寄りのシードを追加するとヒット母数が増えるはずです。

3. リプ欄取得のリトライ

twikit のスキーマ変更で tweet.replies 経由のリプ取得が失敗しました。代替で本文から頻出語を抽出しましたが、本来はリプ欄こそ「ペルソナの一次言語」が眠る場所です。次回は search_tweet("conversation_id:NNN", "Latest") 経由で取り直す計画です。

次のアクション

EXBANK では、こうした データで SNS 運用の解像度を上げる支援 も行っています。「ウチも勘ではなく実投稿のデータで設計したい」と感じた方には、SNS を含む集客から CV までを一気通貫で設計する Webマーケティング支援 も行っています。 具体的なバズ抽出の仕組みを社内に組み込みたい場合は、お問い合わせフォームでご連絡ください。スクレイピング環境構築から型カード化まで、伴走支援が可能です。