但在实践中，创建起来却极其困难。通过了解受众及其情感驱动因素，可以大大提高成功几率。通过仔细研究病毒式传播的要素，未来将有可能继续大幅提高成功几率。在 Fractl，我们的目标是做到这一点。请留意几个新的案例研究，它们将通过情感驱动的病毒式和分形内容的真实示例帮助说明此处提出的观点。
企鹅 2.0/4 — 您感到震惊和/或震撼了吗
搜 索引擎 备受期待的Penguin 2.0（也称为“Penguin 4”）于 5 月 22 日星期三推出。有传言称下一次 Penguin 更新将非常大，包括重大的 加拿大号码采集 算法变化，而 Matt Cutts 不止一次暗示正在酝酿重大变化。我们想让这件事平息一天，但这篇文章将回顾来自 MozCast Google 气象站的数据，看看 Penguin 2.0 是否真的名副其实。
短期 MozCast 数据 首先
5 月 22 日记录的温度（算法 将 RaR 应用于复杂问题的示例：如何有效地使用 RaR 处理模棱两可的问题 通量”）为 80.7°F。作为参考，MozCast 调整为平均温度约为 70°，但实际情况是，过去几个月的平均温度已降至 60 多度。以下是 7 天的历史记录，以及几个重要事件（包括 Penguin 1.0）： MozCast 温度（企鹅 2.0 前后 7 天） 根据我们的数据，Penguin 2.0 与第 20 次 Panda 更新大致相同。
Google 声称 Penguin 2.0
影响了约 2.3% 的美国 加密数据库 英语查询，而 Panda #20 影响了约 2.4% 的查询（请参阅我关于如何解释“ X% 的查询”的帖子）。Penguin 1.0 的查询影响率为 3.1%，这是 Google 公开报告的最高查询影响。这三个更新似乎在温度和报告的影响之间非常吻合，但事实上，我们已经看到其他更新存在很大差异，因此对此持保留态度。
总体而言，我们数据中企鹅
2.0 的图像证实了更新，但似乎没有很多人预期的那么大。请注意，我们在 5 月 20 日遇到了数据收集问题，因此 5 月 20 日至 21 日的气温不可靠。企鹅 2.0 可能在两天内出现，但我们无法确认这一观察结果。 温度分类 除了核心的 MozCast 数据外，
发表回复