美国的金融科技 / 支付方向达人:30 位,主要在X(推特)

这一页切的是【受众职能】而不是内容主题:美国市场里,受众为金融科技 / 支付的达人共 30 位。

为什么按职能切:同样都发软件内容,受众是金融科技 / 支付的号和受众是普通消费者的号,转化能力天差地别 —— 而这个差别在粉丝数、播放量、甚至内容主题上都看不出来。

这批人和全站平均有什么不一样

• 粉丝中位数 12,224,是全站中位数 4,155 的 2.9 倍,头部效应更明显、报价通常更高。
• 平台高度集中在 X(推特)(40%),而它在全站只占 9% —— 这是本切片特有的偏斜,按全站经验分配预算会投错地方。
• 可触达比例 20%,全站基线 6% —— 这批人比平均更容易直接联系上。

平台分布

数据口径：以上为 Koinon Link 库内已收录并通过基础校验的达人,不代表该平台的全部创作者。疑似刷量账号已被隔离并从统计中排除(单独列出)。真实度评分基于粉丝/互动结构的异常检测,不是平台官方指标。数据随采集持续更新。

这个切片里的达人(节选)

• Crypto Ginger (@cryptoginger1) — 比特币与中本聪之谜

• Learn Commercial Real Estate (@avivarealestate) — 1031 交换和税务递延策略

• mikey (@mikeytaylor) — 房地产市场趋势与潜在崩盘

• BWB - Business With Brian (@BusinessWithBrian) — AI数据中心与光子学投资

• Simon Desue (@SimonDesue) — 比特币价格历史与减半周期

• Leonardo Lewis (@leonardolewismedia) — XRP与Ripple在银行的应用

• Trufinco / 0% interest funding (@trufinco) — 0% 利息商业融资

• Sage Customer Support and Training (@SageSupport) — Sage 50 财务与工资管理功能

• BancardSales (@Bancardsales) — 信用卡处理费率和费用变动

• Brex (@brexHQ) — 费用管理自动化

按粉丝量级排列,节选前 10 位。每个链接是该达人的公开档案页:内容方向、受众构成与近期样本,不含联系方式。

职能是怎么判出来的

不是看达人自称什么,而是读他的内容:拉取该达人最多 100 条近期作品,由模型判断"这些内容在对谁说话、那群人在做什么职能的活"。内容太少或太杂时标为判不出,不硬编一个像样的结论。

这也是为什么这一页的数量远小于「美国的软件达人」总数 —— 只有被深挖过内容的达人才会出现在这里。