Qui vous suit vraiment sur Dev.to ? Un guide pour analyser votre audience

La raison pour laquelle j'écris cet article est de mettre en lumière un aspect de Dev.to auquel beaucoup d'entre nous n'hésitent pas : nos abonnés. Nous déployons beaucoup d'efforts pour créer du contenu, en espérant qu'il trouvera un écho auprès des lecteurs et bâtira notre communauté, mais vous êtes-vous déjà demandé qui vous suit réellement ?

Dans cet article, je partagerai les étapes que j'ai suivies pour analyser mes abonnés Dev.to et ce que j'ai trouvé. En cours de route, vous remarquerez peut-être des modèles surprenants – des choses qui m’ont amené à m’interroger sur l’authenticité de certains de ces adeptes. Pourrait-il y avoir une activité « de type robot » parmi eux ? Cela vaut la peine d’y réfléchir, même si je ne suis pas ici pour pointer du doigt. Au lieu de cela, je souhaite vous encourager à fouiller dans vos propres données d'abonnés et à faire des découvertes par vous-même.

Pourquoi analyser votre audience ?

Quand les auteurs de Dev.to regardent leurs abonnés, ils se demandent souvent : Qui sont-ils ? Sont-ils engagés ? Malheureusement, la plateforme ne nous donne pas beaucoup d’informations sur l’activité ou l’engagement des abonnés. C'est ce qui m'a inspiré à créer un Notebook Jupyter personnalisé pour l'analyse, que j'appelle Dev.to Audience Analyzer. Ce carnet m'aide à extraire et analyser des données sur mes abonnés, révélant des informations qui ne sont pas immédiatement visibles sur la plateforme.

Avec cet outil, j'ai pu catégoriser les abonnés en fonction de leur activité, de l'exhaustivité du profil et d'autres modèles. Et laissez-moi vous dire que certaines des découvertes étaient… disons simplement inhabituelles. Je ne m’attendais pas à trouver ce que j’ai trouvé, mais nous y sommes ! Voyons comment j'ai abordé cela.

Ce que vous pouvez apprendre sur vos abonnés

Lors de l'analyse de votre audience sur Dev.to, vous pouvez collecter de nombreuses informations à l'aide des API de Dev.to et d'un léger scraping Web. En rassemblant des données provenant de différentes sources, vous pouvez obtenir une image plus claire des niveaux d’engagement et d’activité de vos abonnés.

Récupérez vos articles et abonnés via l'API Forem

L'API Forem donne accès à plusieurs entités Dev.to, dont les articles et les followers.

• Articles : vous pouvez récupérer vos propres articles publiés avec des détails tels que les titres, les balises, les dates de publication et les statistiques d'engagement. Ces informations sont disponibles via le point de terminaison de l'API getUserArticles.

• Abonnés : vous pouvez récupérer une liste de vos abonnés et voir des détails tels que leur nom d'utilisateur, leur identifiant, leur image de profil et la date à laquelle ils vous ont suivi. Ces informations sont accessibles via le point de terminaison getUserFollowers.

Voici un exemple des données d'abonnés renvoyées par l'API :

{<br>
  "type_of": "user_follower",<br>
  "id": 72,<br>
  "created_at": "2023-04-14T14:45:36Z",<br>
  "user_id": 1375,<br>
  "name": "Taylor \"Chrystal\" \:/ Pfannerstill",<br>
  "path": "/username435",<br>
  "username": "username435",<br>
  "profile_image": "/uploads/user/profile_image/1375/11fa0607-0d22-4c3c-b339-490ff1e25e8d.jpeg"<br>
}<br>

Explorez les profils d'abonnés pour des informations supplémentaires

Une fois que vous avez les noms d'utilisateur ou les identifiants de vos abonnés, vous pouvez utiliser le point de terminaison getUser de la version v0 de l'API pour récupérer des informations de profil plus détaillées. Cela peut inclure leur biographie, leur emplacement, leur lien GitHub et d'autres détails de profil public, vous permettant d'évaluer l'exhaustivité de leur profil.

Grattez les pages de profil pour les mesures d'engagement

En plus des données disponibles via l'API, vous pouvez également extraire des profils publics pour découvrir encore plus de métriques. Par exemple, si vous consultez une page de profil comme la mienne ou la vôtre, vous verrez des informations supplémentaires qui ne sont pas disponibles via l'API :

• Badges : affiche les badges gagnés par l'utilisateur, qui peuvent signaler une activité et un engagement.

• Statistiques : affiche le nombre de messages publiés, les commentaires écrits, les tags suivis, et plus encore.

• Activité récente : révèle leurs derniers messages ou commentaires, fournissant ainsi un contexte supplémentaire sur leur niveau d'engagement.

Après avoir combiné les données de l'API et des pages de profil, je me suis retrouvé avec deux ensembles de données principaux à analyser. Un ensemble de données couvre mes articles, avec des détails tels que titre, créé_at et public_reactions_count. L'autre concerne mes abonnés, y compris tout, depuis leur nom d'utilisateur et leur emplacement jusqu'aux mesures telles que article_count, comments_count et même les badges qu'ils ont gagnés. L'ensemble de données des abonnés comprend à la fois les colonnescreated_at et join_at, ce qui peut être un peu déroutant :created_at marque le moment où un utilisateur m'a suivi, tandis que join_at est la date à laquelle il a initialement rejoint Dev.to. Vous pouvez consulter le code d'extraction ici sur GitHub si vous êtes curieux : il extrait les données dans deux dataframes pandas.

Un mot d'avertissement : l'API Forem a une limitation de débit stricte, ce qui peut ralentir l'extraction des données. J'ai essayé d'exécuter des extractions en parallèle pour accélérer les choses, mais cela heurte souvent le limiteur de débit et cale. Pour référence, extraire des données sur environ 2 500 abonnés m'a pris environ 40 minutes. Donc, la patience est la clé si vous avez un plus grand public !

Premiers pas avec l'analyseur d'audience Dev.to

Si vous souhaitez analyser vos propres abonnés, vous pouvez exécuter le bloc-notes Dev.to Audience Analyzer Jupyter sur votre ordinateur local. Avant de vous lancer dans l'analyse, vous devrez configurer un environnement Python pour vous assurer que toutes les dépendances sont correctement installées.

1. Configurer l'environnement Python : suivez les instructions README dans le référentiel GitHub du projet pour configurer un environnement virtuel, installer les bibliothèques requises et configurer votre fichier .env avec votre API Dev.to clé.

2. Exécutez le Notebook : Une fois votre environnement prêt, ouvrez Analysis.ipynb dans Jupyter et exécutez les cellules pour extraire et analyser vos données de suiveur Dev.to. Le carnet vous guidera dans la visualisation de l'activité des abonnés, de l'exhaustivité du profil et des modèles d'engagement.

Une plongée approfondie dans mes abonnés Dev.to

Dans ce chapitre, je plonge dans l’analyse détaillée que j’ai effectuée sur mes propres abonnés. Nous examinerons les modèles d'engagement, le degré de complétude de leurs profils et quelques tendances étranges que j'ai remarquées en cours de route. Mais bon, si vous n'êtes pas partant pour cette plongée en profondeur, n'hésitez pas à passer au chapitre suivant où je détaillerai les principaux points à retenir !

Pour commencer, je voulais avoir une idée de la croissance de mes abonnés au fil du temps et s'il y avait eu des augmentations notables du nombre d'abonnés après la publication de nouveaux articles. À l'heure actuelle, j'ai 11 articles et 2 485 abonnés, j'étais donc curieux de voir si un contenu spécifique était à l'origine de ces chiffres. J'ai donc tracé un graphique à barres montrant les nouveaux abonnés par jour, avec les abonnés cumulés tracés sous forme de ligne. Chaque ligne verticale pointillée représente la date de publication d'un article, ce qui permet de voir facilement s'il existe une corrélation entre la publication de contenu et les pics d'abonnés.

Dès le départ, il y a un pic massif qui se démarque au début de 2024-2003 – pourtant, il est difficile d’identifier quel article spécifique a déclenché cette ruée simplement en regardant ce graphique statique. Pour creuser plus profondément et voir si un article particulier a provoqué ce saut, j'ai décidé d'essayer quelque chose de plus interactif avec Plotly pour une vue plus claire.

Maintenant, nous pouvons voir sur ce graphique que le grand pic de followers est en fait lié à mon article, « Mon parcours d'apprentissage de l'IA pour l'écriture de chansons : les LSTM et Taylor Swift ». J'ai fait la promotion de cet article particulier sur quelques canaux externes, ce qui lui a définitivement donné un coup de pouce et a attiré une vague de nouveaux abonnés. Ce type d'informations est utile : il montre comment le partage de contenu au-delà de Dev.to peut avoir un impact notable sur la croissance des abonnés.

Ensuite, je voulais creuser un peu plus : combien de mes nouveaux abonnés à la date de publication de chaque article étaient réellement nouveaux sur Dev.to eux-mêmes ? C’est là que les choses ont commencé à devenir intéressantes. Lorsque j'ai examiné les données, j'ai découvert qu'un nombre incroyable de 98,5 % des abonnés qui se sont présentés le jour de la publication d'un article étaient des abonnés le jour même.

Cela m'a laissé me demander : ces personnes ont-elles vu mon article et décidé de rejoindre Dev.to sur-le-champ ? Ou est-ce l'inverse : ils ont rejoint Dev.to et sont tombés sur mon article le même jour ? Quoi qu’il en soit, le grand nombre d’abonnés le jour même était surprenant et a définitivement soulevé quelques questions dans mon esprit sur l’authenticité de cet engagement.

Ce qui est encore plus intrigant, c'est que ces abonnés qui ont rejoint Dev.to le jour même où ils m'ont suivi n'ont pas simplement disparu : ils sont restés sur la plateforme. Pour avoir une idée plus claire de cela, j'ai tracé la répartition du temps des abonnés sur Dev.to, montrant combien de temps ces abonnés ont continué à exister depuis leur date d'adhésion.

Ensuite, je voulais me plonger dans les attributs du profil de mes abonnés. Ont-ils un seul attribut renseigné ? Une combinaison de quelques-uns ? Pour comprendre la qualité de ma base de followers, j'ai examiné une gamme d'attributs de profil pour voir dans quelle mesure ces profils sont complets ou actifs.

Le graphique à barres ci-dessous montre le nombre d'abonnés avec des attributs de profil spécifiques, tels que :

• Rédiger des commentaires ou des articles

• Avoir des badges, un nom d'utilisateur Twitter/GitHub, un site Web ou un emplacement répertorié

• Ajout d'une image de profil ou d'un résumé

• Tags suivants sur Dev.to

J'ai également signalé « Profils vides » – abonnés qui n'ont aucune activité ou aucun détail de profil.

Parmi mes 2 485 abonnés, tout le monde a une image de profil, ce qui suggère que Dev.to attribue probablement une image par défaut. Cela signifie que l'attribut de l'image de profil ne fournit pas d'informations significatives pour cette analyse.

Fait intéressant, la plupart des abonnés suivent également les tags. Cependant, comme je ne peux pas accéder aux détails des balises spécifiques qu’elles suivent, cet attribut n’offre pas beaucoup d’informations exploitables.

Ensuite, j'ai regardé les abonnés qui avaient un seul attribut renseigné dans leur profil. Cette partie de l'analyse permet d'identifier les détails minimaux du profil les plus courants parmi les abonnés qui peuvent ne pas être profondément engagés.

Le graphique à barres met en évidence le nombre d'abonnés qui n'ont qu'un seul attribut comme seul détail de profil, par exemple uniquement un nom d'utilisateur GitHub, uniquement des balises de suivi ou une seule liste d'emplacement.

• Uniquement les balises de suivi : Un grand groupe (530 abonnés) n'a que l'attribut « balises de suivi ». Comme je l'ai mentionné précédemment, comme je ne peux pas approfondir les balises spécifiques qu'ils suivent, j'ai décidé d'exclure ce groupe d'une analyse plus approfondie.

• Uniquement les badges : Un autre groupe intéressant – 24 abonnés – n'a que des badges répertoriés et aucune autre information de profil. Cela semblait inhabituel et a déclenché quelques signaux d'alarme, j'ai donc décidé d'examiner de plus près ces abonnés en analysant la distribution de leurs badges.

Pour approfondir un peu plus l'activité des abonnés, j'ai regardé la répartition des badges parmi mes abonnés. Le graphique à barres ci-dessus montre les 10 badges les plus courants, le badge « One Year Club » dominant la liste.

Mais voici le problème : ces badges du X-Year Club (comme « One Year Club » ou « Two Year Club ») ne disent pas grand-chose sur l'activité des abonnés. Ils sont récompensés uniquement pour rester sur Dev.to pendant un certain temps, et non pour leur engagement ou leur contribution. Ils ne sont donc pas vraiment utiles pour déterminer le niveau d’activité réel de mes abonnés.

Pour cette raison, j'ai décidé de supprimer ces badges du X-Year Club de mon analyse. Ils n’ajoutent pas vraiment d’informations sur ce que font réellement mes abonnés sur la plateforme.

Une fois les badges du X-Year Club éliminés, nous pouvons voir les 10 meilleurs badges actifs parmi mes abonnés. Ces badges montrent un réel engagement, comme le Writing Debut pour la publication d'un premier article, les Community Wellness Streaks pour une activité constante et le Hacktoberfest Pledge pour la participation à un événement. Cela nous donne un meilleur aperçu des abonnés qui sont réellement actifs sur Dev.to, et pas seulement qui traînent.

Une fois les badges X-Year Club supprimés, nous avons un meilleur aperçu des abonnés qui sont réellement actifs sur Dev.to, et pas seulement qui traînent. Mais les badges à eux seuls ne racontent pas toute l’histoire. J'ai également regardé combien d'abonnés renvoient à des profils externes comme GitHub, Twitter ou un site Web personnel. Il s'avère que la majorité ne répertorie que leur GitHub, ce qui est logique étant donné le public très technophile. Un plus petit nombre inclut un site Web personnel ou Twitter, et seulement une poignée relie plusieurs plateformes.

En ce qui concerne l'activité au sein de Dev.to, certains de mes abonnés engagés ont un mélange de badges et d'articles, et quelques-uns se lancent à fond en écrivant, en commentant et en collectant des badges. Cela donne une vision plus claire de ceux qui contribuent réellement par rapport à ceux qui pourraient simplement s'attarder sans beaucoup d'engagement.

Ensuite, j'ai regardé d'où venaient mes abonnés. Le graphique montre les 10 principaux emplacements répertoriés dans les profils d'abonnés (à l'exclusion de ceux qui l'ont laissé vide). L'Inde arrive en tête de liste, suivie par les États-Unis et le Brésil. Au-delà de cela, les lieux sont dispersés, avec quelques mentions provenant d'endroits comme Paris, Hô Chi Minh-Ville et Bali. Ce n’est pas exactement une énorme répartition mondiale, mais il est intéressant de voir une certaine variété géographique dans le mélange.

Après avoir vérifié d'où viennent mes abonnés, j'ai voulu me plonger dans les articles qu'ils ont écrits. Pour garder les choses concentrées, j'ai filtré les messages ultra-courts (moins d'une minute de temps de lecture). Il s'agit généralement d'introductions rapides du type « Bonjour, ceci est mon premier article » et n'ajoutent pas grand-chose à l'analyse.

Voici ce que j'ai fait :

1. Filtré les articles : Conservé uniquement les articles avec un temps de lecture supérieur à 1 minute.

2. Mise à jour des données : remplacement des données d'article de chaque abonné par cette liste filtrée de publications plus substantielles.

3. Recalcul du nombre : ajustement du nombre d'articles en fonction de ces publications plus longues et plus significatives.

Examinons maintenant les tendances du nombre d'articles, les temps de lecture moyens et les balises les plus populaires sur lesquelles ils écrivent.

En regardant les données, il est clair que la plupart des abonnés n’ont publié qu’une poignée d’articles – généralement moins de cinq. Très peu d’entre eux contiennent plus de 10 articles, ce qui suggère que la publication cohérente est plutôt rare. En ce qui concerne la longueur des articles, le temps de lecture moyen pour la plupart des abonnés se situe entre 2 et 5 minutes, ces lectures ont donc tendance à être courtes et rapides. Seule une poignée d'abonnés écrivent des articles plus longs avec un temps de lecture moyen supérieur à 10 minutes.

En ce qui concerne les tags, certains thèmes se démarquent. Les balises les plus populaires sont « débutants », « webdev » et « programmation », mettant l'accent sur des sujets fondamentaux. Il existe également un fort intérêt pour des domaines spécifiques tels que « python », « javascript », « ai » et « devops », qui s'adressent à un public plus technique. Et avec des balises telles que « apprentissage » et « tutoriel », il est clair que de nombreux abonnés créent du contenu visant à enseigner ou à partager des connaissances.

Pour approfondir un peu, j’ai regardé les abonnés qui n’ont publié aucun article mais qui ont laissé des commentaires. Comme vous pouvez le voir dans le graphique, la plupart de ces abonnés n’ont laissé qu’une poignée de commentaires, la majorité étant inférieure à cinq. Il y a quelques personnes aberrantes qui ont commenté plus fréquemment, mais elles constituent définitivement l’exception. Cela suggère que pour de nombreux abonnés, l'engagement sur Dev.to est assez minime : ils ne publient pas de contenu et ne sont pas non plus très actifs dans les discussions.

Après avoir étudié l'activité des abonnés, j'ai décidé de les diviser en quatre catégories principales pour avoir une vision plus claire de qui est réellement actif :

1. Contributeurs actifs : ceux qui écrivent des articles ou laissent des commentaires.

2. Profils connectés : personnes ayant des liens externes (GitHub, Twitter, etc.) mais pas grand-chose d'autre.

3. Profils de base : informations minimales, comme un emplacement ou un résumé – pas d'articles, pas de liens.

4. Profils vides : rien de significatif – juste des profils vides.

Le graphique à barres de gauche montre les chiffres pour chaque groupe et le graphique en anneau de droite donne la répartition en pourcentage. Cela permet de montrer l'équilibre entre les abonnés actifs et ceux qui se cachent.

Ce qui ressort, c'est qu'une grande partie de mes abonnés — 30 % — sont des profils complètement vides, et 10 % supplémentaires sont des profils « basiques » avec un minimum d'informations mais sans réel engagement. Donc, au final, il me reste 54,4 % qui ont au moins des liens externes comme GitHub ou Twitter, mais seulement un petit 5,4 % sont réellement des contributeurs actifs sur Dev.to, soit en écrivant des articles, soit en laissant des commentaires.

Pour approfondir, j'ai regardé combien de followers ont rejoint Dev.to exactement le jour même où ils ont commencé à me suivre. Dans le graphique, les Same Day Joiners (en corail clair) sont ceux qui ont rejoint Dev.to et m'ont suivi le même jour, tandis que les Autres inscrits (en bleu sarcelle) étaient déjà sur le même jour. plateforme.

Le résultat ? Presque tous les Empty et les Basic Profiles sont des inscrits le jour même, ce qui me fait me demander si ces nouveaux abonnés aux profils minimaux sont des utilisateurs vraiment engagés – ou simplement de passage.

Pour voir quels articles ont vraiment retenu l'attention, j'ai examiné la croissance du nombre d'abonnés que chacun d'entre eux a suscitée dans les 14 jours suivant sa publication, ventilée par type d'abonné.

Dans le graphique, chaque barre indique le nombre de nouveaux abonnés que chaque article a attirés dans les quatre catégories : contributeurs actifs, profils connectés, profils de base et profils vides. Fait intéressant, les articles qui ont attiré les contributeurs actifs – les abonnés qui s'engagent réellement sur Dev.to – sont ceux dont j'ai fait la promotion via des canaux externes. Aller au-delà de Dev.to semble attirer davantage d'abonnés véritablement actifs de dev.to plutôt que de simples profils passifs, montrant l'intérêt du partage de contenu en dehors de la plate-forme pour attirer des lecteurs plus enclins à s'engager et à contribuer.

Voyant que l'article « Mon parcours d'apprentissage… » a attiré une vague de profils connectés, dont la plupart avaient des liens GitHub, j'ai décidé d'approfondir ces abonnés connectés à GitHub. Étant donné que près de la moitié de mes abonnés n'ont qu'un seul profil GitHub connecté, cela m'a semblé être un bon domaine à explorer.

Tout d'abord, j'ai configuré l'accès à l'API GitHub pour extraire quelques informations de base sur leurs profils. Voici ce que j'ai trouvé :

• Engagement minimal : 8 abonnés ont rejoint Dev.to le même jour que leur GitHub a été créé et mis à jour pour la dernière fois, avec aucun dépôt public. Cela suggère que ces comptes pourraient avoir été créés pour un usage ultérieur ou limité uniquement.

• Nouveaux comptes : 19 abonnés ont rejoint Dev.to le jour même où ils ont créé leur compte GitHub, mais sans regarder leur dernière date d'activité.

• Aucun dépôt public : Au total, 110 abonnés de ce groupe n'ont aucun dépôt public, ce qui pourrait signifier qu'ils sont soit inactifs sur GitHub, soit qu'ils gardent leur travail privé.

Dans la répartition ci-dessus, les graphiques montrent trois catégories de statut d'activité GitHub :

1. Actif : Une bonne partie (plus de 74 %) montre des signes d'activité avec plusieurs dépôts publics et mises à jour récentes.

2. Non actifs : environ 22,7 % ont des comptes GitHub mais manquent d'engagement visible, avec peu ou pas de dépôts publics.

3. Aucun : Pour une infime fraction, à condition que les profils GitHub n'aient pas été trouvés.

Cette analyse montre que même si de nombreux abonnés avec des liens GitHub sont véritablement actifs, une partie importante a soit une présence minimale, soit aucune activité publique.

Pour avoir une meilleure idée de l'activité GitHub parmi mes abonnés, j'ai examiné le nombre de référentiels publics dont dispose chaque utilisateur. Étant donné que quelques abonnés ont un nombre inhabituellement élevé de dépôts, j'ai appliqué un seuil au 98e centile pour que l'analyse reste centrée sur les utilisateurs typiques.

Ce nuage de points nous donne une image plus claire : la plupart des abonnés ont un nombre modeste de dépôts publics, avec seulement une poignée affichant une activité extrêmement élevée sur GitHub. Cela suggère que même s'il existe certains utilisateurs expérimentés, le suiveur moyen n'est pas aussi intensément actif sur GitHub, ce qui correspond aux tendances générales des utilisateurs.

Interprétation des résultats

En regardant mon analyse, quelques éléments sautent aux yeux et me font vraiment me demander ce qui se passe :

1. Inscrits le jour même : Apparemment, mes articles incitent les gens à rejoindre Dev.to et à me suivre tout de suite, mais je n'attire pas vraiment les utilisateurs établis et actifs. La grande question ici est la suivante : que font d’autre ces nouveaux abonnés sur Dev.to ? Est-ce qu'ils suivent quelqu'un d'autre, ou est-ce juste moi ? Sont-ils vraiment intéressés ou font-ils simplement partie d'une tendance de masse ?

2. Profils Bare-Bones : Un nombre surprenant de mes abonnés ont des profils presque vides. Si je filtre ces profils « propres » et les utilisateurs GitHub non actifs, il me reste seulement environ 1 200 abonnés potentiellement réels sur mes près de 2 500. C’est comme si la moitié de mon nombre de followers n’était que de la fumée et des miroirs.

3. Puzzle des vues et des abonnés : C'est ici que cela devient vraiment étrange. Si vous regardez le graphique Nouveaux abonnés par catégorie dans les 14 jours suivant chaque article, vous remarquerez que des articles comme Mon parcours d'apprentissage de l'IA pour l'écriture de chansons ont attiré un nombre massif d'abonnés - plus de 1 200 en seulement deux semaines.

Maintenant, on pourrait penser qu’une telle augmentation du nombre d’abonnés signifierait un nombre de vues tout aussi impressionnant. Mais lorsque j'ai vérifié le graphique Vues totales par article sur Dev.to, j'ai vu une histoire complètement différente. L’article n’a été vu qu’environ 342 fois, ce qui ne correspond pas au flot de followers.

Cela soulève des questions intrigantes. Ces abonnés lisent-ils vraiment mon contenu, ou y a-t-il autre chose en jeu ici ? Sont-ils des adeptes massifs, ou certains d’entre eux pourraient-ils même être des robots ? Cette inadéquation entre les vues et les abonnés me fait penser qu'il pourrait y avoir plus à découvrir – peut-être dans les statistiques de Dev.to ou même parmi mes propres abonnés. Même si je n'ai pas les données nécessaires pour répondre à toutes ces questions, cette analyse m'a certainement donné envie d'approfondir mes recherches et j'espère qu'elle incitera d'autres personnes à se plonger également dans leurs propres statistiques d'audience.

Encourager une vision plus large

Alors, qu’est-ce que j’ai appris de tout ça ? D’une part, le nombre de followers ne raconte pas toujours toute l’histoire. C'est une chose d'avoir un grand nombre de followers, mais c'en est une autre d'avoir des followers engagés et actifs qui apprécient vraiment votre contenu. Bien que mon analyse m'ait laissé plus de questions que de réponses, je suis curieux de savoir ce que les autres auteurs de Dev.to trouvent dans leur propre analyse de followers.

Certains de nos abonnés pourraient-ils être des robots ? Peut être. Pourrait-il s'agir de comptes inactifs ? Peut-être. En fin de compte, ces informations m'ont donné une nouvelle perspective sur les statistiques des abonnés, et je vous encourage à faire de même avec votre audience.

Si vous êtes curieux de découvrir vos propres abonnés Dev.to, vous pouvez trouver mon analyse complète et mon code dans le dépôt ici : Dev.to Audience Analyzer.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!