以下公式是用來衡量病毒傳播效果的。我不認為有實際的操作意義， 但是里面的幾個關鍵指標K， CT還是有很強的解釋意義的。
Custs(0)是種子用戶數量， Custs(t)是過了一個時間周期后， 增加的新用戶人數。t則是周期， 可以選擇天，月年。 確定T周期后， 通過大數據統計， 計算K值和ct值。
傳播周期是指種子用戶在一輪傳播后， 失去了再邀請新用戶的能力。換句話說， 是一個新用戶用戶了7天時間成功推薦了2個用戶后， 就再也不推薦了。那這個傳播周期如何計算呢？ 我認為是加權平均值。 第一個用戶是第一天推薦的， 第二個用戶是第7天推薦的。 那傳播周期就等於（1*1+7*1)/2 ＝4. 平均花了4天推薦了2個用戶， 種子用戶就失去了推薦能力。
這里傳播周期ct應該為4.
K因子是一個用戶可以成功推薦的新用戶。 因此需要通過新用戶到老用戶的轉化率來計算。 舉例說， 某日新增用戶有10000人， 這些新用戶里有5000人進行了朋友圈分享推薦， 這5000用戶的推薦帶來了13000個新用戶。 總之根據數據統計這個例子里， K因子就是1.3, 即每個用戶可以帶來1.3個新用戶。
K因子必須要大於一才能實現用戶數量的快速增長， 假如用戶基數是100， 100個用戶帶來了100個新用戶， 平均每個用戶只帶來一個新用戶， K因子就是1， 用戶人數的時間軸曲線是線性的。
看上去不錯， 單用戶人數增長速度則是經過短短幾個周期后迅速逼近0
K＝1的時候， 用戶數量好歹還可以有所增長， 但是當K因子<1的時候， 系統是沒有傳播性的， 過一段時間， 新增用戶人數就會變成0， 系統就會完全停止增長。
K>1的時候， 系統的增長要好於線性關系, 例如K＝2， cust0=5， 則新增用戶變化， 與用戶總數變化為
這里要注意的是， 每一個周期結束后， 上個周期的用戶全部失去成功推薦新用戶的能力， 下個周期的新增用戶人數完全由新增用戶人數＊K得到。
對應的用戶人數增長曲線是下面的樣子， 明顯是加速發展的態勢
用戶人數增長速度則會接近於(K－1)。
所有的通過病毒營銷， 自我復制， 實現爆炸式增長的互聯網產品， K因子都遠大於1. 在facebook發展初期， 一個用戶可以帶來20個新用戶。 對應的用戶增長圖表就是。 它反映出， 在初始階段迅速積累用戶， 在4到5個傳播周期過后， 系統用戶就呈現驚人的爆炸增長。僅用6個傳播周期人數就達到14億。
以上是理想情況下， 假設K因子不變的情況下。
真實的情況是在一個系統發展后期， 實際上由於用戶周圍遍布着老用戶， 傳播能力大大下降， K因子會逐漸降低到很低的水平上。因此K因子的初始值越大， 越有利於系統長期的發展。
實際運營中， 當用戶數量增長趨勢下降， K因子小於1的時候， marketing部門就得謀划着轉型， 從拉新為主轉為更加注重用戶留存和體驗 ，否則市場部就得被兔死狗烹了。一個城市的K因子小於1的時候， 不影響另一個城市， 產品還是同樣的產品， 但全國各地市場發展情況都會不一樣。