编辑导语：类似于贴吧、豆瓣这样的社区，我们可以看到他们都是以圈子化的方式管理的。关于这类圈子化社区，他们都有不同的主题，主题更大，意味着用户更多，内容更多，更活跃，圈主的收益更多，成就感更高。本文对此展开分析，一起来看看。
“深圳圈”和“深圳幼儿圈”，如果让我们当圈主，我们该选哪个？
多数人应该会选择“深圳圈”吧。
“深圳圈”比“深圳幼儿圈”主题更大。
主题更大，意味着用户更多，内容更多，更活跃，圈主的收益更多，成就感更高。
但是，主题越大，用户获得有效内容的成本越高，当成本超过了内容的价值，用户会减少进圈的次数，甚至退出圈子，引发圈子内容减少，活跃度降低，用户继续流失的恶性循环。
用户成本主要是操作成本（主要是划屏）和时间成本。
操作成本：获取有效信息，需要的划屏次数。
时间成本：获取有效信息，需要的时间。
当成本/价值的比值越来越大时，用户会减少进圈次数；
当价值＜成本时，用户将会离开圈子，只有当价值≥成本时，用户才会留在圈内；
当在其他的圈子获得同等价值，但成本更低时，用户会选择其他圈子。
主题上限的计算方法：
圈子的价值，简单地理解为圈内用户感兴趣话题出现的几率，出现的越多，价值越高。一个主题可以包含很多个话题，出于简便计算，假设圈内每个话题下面的内容数量是一样的，那么单个话题出现的几率就是=单个话题/总话题。
举个例子，“电影圈”，主题是电影，话题包含：爱情片、科幻片、犯罪片、喜剧片等个，假设每个话题包含的内容是一样多的，也就是圈内爱情片的帖子数量=科幻片的帖子数量=犯罪片的帖子数量，爱情片话题出现的几率=/。真实的占比数据不是这样，可以在运营中统计出来，或者通过一些电影数据预估出来。
符合圈子主题的话题有a个元素，主题越大，a越大；
用户在某个圈内感兴趣的话题有β个；
用户能接受的划屏次数上限，为c次，这个数据是可以测算出来的；
用户能接受的时间成本上限，为d秒，这个数据是可以测算出来的；
每个屏幕显示m条帖子，这个数据是可以测算出来的；
用户浏览每条帖子需要n秒，这个数据是可以测算出来的；
用户感兴趣内容出现的比例=β/a，用户需要浏览a/β条帖子才会遇到自己喜欢的帖子，需要的划屏次数=a/（βm），需要的时间=（an）/β。
只有当a/（βm）≤c，且（an）/β≤d时，用户会留下来，
解得a/β≤cm，a/β≤d/n，
其中a是未知的，只和用户有关。在一定时间段内，多数圈子的β是可以统计出来的。
假设m=，n=，c=，d=秒，
求得a/β≤，a/β≤，
只有a/β≤时，价值≥成本，用户不会离开。是一个很大的数值了，用户在圈内遇到条感兴趣的帖子，需要浏览条帖子，真实的数值应该比这个小。
我们再来看“深圳圈”和“深圳幼儿圈”：
“深圳圈”的主题是深圳，话题包含发生在深圳的事，或者深圳人关心的事。
话题可以是职场吐槽、孩子教育、信息咨询、深圳租房、健康养生、深圳景区、深圳资讯、政务政策、深圳高校、深圳美食、深圳运动队、深圳活动、深圳交友、深圳交通、深圳物价、深圳买房等。职场吐槽包含不同行业、工种、公司等，吐槽的内容可以是收入、工作、人际关系。孩子教育包含学校教育、家庭教育、社会教育，学校教育又分幼儿园、小学、初中等。深圳景区又包含免费的、付费的，场景又分海边、山丘、公园等。“深圳圈”可包含的话题是非常广泛的，“深圳圈”的a/β大概率是大于的。
“深圳幼儿圈”，主题是幼儿，话题是和幼儿相关就可以，可以是幼儿饮食、幼儿服饰、幼儿教育、幼儿健康、幼儿玩具、幼儿运动、幼儿成长日记等。
饮食包含奶粉、米饭、荤素；服饰包含衣服、裤子、鞋子等。围绕幼儿展开的话题，对于圈内成员（主要是幼儿父母）而言，是比较有价值的，且即便和自己孩子无关的内容，成员也不太排斥，对于岁孩子的父母，关于岁孩子的内容，是他们以后要遇到的，他们应该会不会排斥；对于岁孩子的父母，关于岁孩子的内容，是他们以前经历过的，非常熟悉的。“深圳幼儿圈”的a/β大概率是远小于的。
逻辑推导得知：“深圳圈”的成员会慢慢退圈，“深圳幼儿圈”的成员能留在圈内。
常见的错误：
主题过大的圈子，很常见，主要分两类：
地区圈：主要是县级以上的城市圈，尤其是大城市，如“深圳圈”、“北京圈”、“成都圈”；
年龄圈：以年龄划圈，如：“后圈”、“中年人圈”、“我生于年圈”；
性别圈：以性别划圈，如“女生圈”、“男生圈”。
超大类圈：里面的内容，有些是毫无关联，用户对这些内容的消化模式很不一样，如“生活圈”、“职场圈”、“运动圈”。生活是一个极其丰富的主题，吃喝是生活，妆扮是生活，旅行是生活，甚至工作也是生活，这四个是没有明显关联的小主题。
大类圈：里面内容关联性有，但明显趣味不一样。如“电影圈”、“动漫圈”、“小说圈”。电影有科幻、爱情、喜剧、恐怖、犯罪、战争等，这些是明显不一样的趣味。
针对以上两类圈子产生的主题过大的问题，有两种解决办法：一是组合，一是分解。
组合：特性（地理，年龄，性别）+明确小主题，如“成都玄幻小说迷”、“后历史爱好者”，“爱看美食剧的小姐妹”。
分解：将“职场圈”分解出“小学教师圈”、“医生圈”、“银行小桂圆圈”等。
将“电影圈”分解出“爱情片圈”、“爱情片+喜剧片圈”，“科幻片+犯罪片+爱情片圈”等。
以上是逻辑推导下的结论，具体情况是有一些差异的，有的大主题的圈子，话题会慢慢集中为少数几个，比如年龄圈“后圈”，大概率会成为以交友为核心主题的圈子。
再比如贴吧的城市吧，大城市的城市吧主要话题是工作（求职，招聘，记录工作，举报垃圾公司）、疫情、交友、约玩、租房、揭露骗子、信息求助等内容，话题也是集中成为少数话题。即使话题集中，大主题圈也是成为不了优质的圈子，会被更精准主题的圈子瓜分用户。
人数小型化，主题精细化，这两个运营技巧是相辅相成的，促进社区良性发展。
补充：
计算办法简化过，文中数据是假设的，真实的数据需要运营人员在运营过程中采集。
人数有上限，主题有上限，其实人数有下限，主题也有下限，后续的文章会写明下限。
本文描写的是主题，并不是圈子名字，圈子命名是有技巧，但涉及的因素不止主题，还有其他因素，后续的文章会写明命名技巧。
