用戶洞察素來是遊戲產品運營工作的重中之重。網路遊戲更是如此，每一名玩家通過無數社交鏈路連接成了一個生機勃勃的虛擬世界。那麼，有沒有可能從學術角度出發，建立一套系統化的用戶社交網絡理論呢？
在由騰訊遊戲學堂舉辦的TGDC2022騰訊遊戲開發者大會上，騰訊互娛光子S工作室總經理、《和平精英》項目負責人高麗娜以「遊戲世界中的玩家網絡」為題，分享了運用「網絡科學」深入研究遊戲群體生態的探索成果。這套通過系統論的視角，來對遊戲用戶生態網絡建立評估體系以指導遊戲運營的思維，對許多遊戲品類頗有值得借鑑之處。
高麗娜：大家好，今天我們的主題是：遊戲世界中的玩家網絡。總體內容有三個部分，這是個有點複雜的問題，因為時間比較有限，內容會比較偏理論基礎一些，主要和大家介紹一下《和平精英》在社交網絡研究方面的一些探索，拋磚引玉，希望和大家一起交流提升。
對遊戲產品來說，「網絡科學」有什麼作用？
我們人類是一種社會動物，很難脫離群體而存在。在信息社會裡，網路遊戲作為一種新的社交介質，幫人們連接彼此，解放孤獨。因而玩家的社交可謂是網路遊戲中最重要的玩法構成。
以一組遊戲裡玩家脫敏的行為數據為例的統計來看，可以看到：超過80%的玩家是組隊進行遊戲的，有超過50%的玩家是邀請好友一起組隊，有超過50%的流失用戶再回流也是因為好友邀請他再回到遊戲裡，而單人進行遊戲的玩家的流失率也是最高的。在一個很大的用戶規模下，如何能維護好用戶的社交生態也極大的決定了遊戲玩家的活躍穩定性，所以遊戲中玩家的社交健康度是非常重要的。
但是對於遊戲運營來說，一直以來的一個難點是，比如我們都知道遊戲的活躍、商業化這些都是由成熟的數據指標體系來描述和衡量的，進而可以幫助指導我們疊代和運營遊戲，對於玩家社交這一塊很重要，但我們一直缺乏有效的描述方式和評估方法。這就是我們今天想要探討的話題。
美國的天文學家卡爾薩根在他的名著《宇宙》這本書里有提到：我們的宇宙里存在著億萬顆恆星。據估計，宇宙里可觀測到的恆星數量大約有23個0的數字，這個數看起來非常龐大，讓我們感受到自己的渺小。
但是很有意思的是，相對於一個由30人組成的社群，所有可能存在的朋友關係網絡的數量，這個數字就顯得非常小了，乍聽起來好像有點不可思議。
那我們來看，30人的社群里可以結為朋友的兩兩組合的數量有435個，當我們要把他們組成一個朋友關係網的時候，這個朋友網絡的數量是2的435次方，這個結果最後大概是131個零的數量級的數字——而我們對比之前提到的宇宙恆星總數也就只有23個零。所以即使是30人社群，裡面可能出現的朋友網絡的數量也是龐大到非常驚人。
人際關係信息如此的龐大和複雜，如何去描述它就是很大的難點，並且我們該如何建立起相應的評估體系來評估它呢？
我們找到的這種描述語言就是網絡化建模，幸而我們同時也身處在信息技術非常發達的時代，計算機可以幫助我們存儲和分析非常海量巨大的數據。具體什麼是網絡化建模呢？比如我們把遊戲裡的每一個玩家描繪成一個點，而把玩家之間的社交關係連接成一條邊，最終我們可以得到一張像右側這樣的網絡化連接圖。
這裡我們再展示一個更具體的示例。這兩幅圖來源於 Pacific RISA的網站，這個網站是評估太平洋區域海島氣候環境變化的一個研究項目。這個研究組織對所有參與研究的331位專業人士的研究關係網絡進行了調查和繪製，當把所有與這300多位研究人員有進行過氣候相關交流討論的人員也包含進來以後，最後繪製成了一個有967人的研究關係網絡。最後他們在網站上公布了繪製出來的兩幅圖，就是大家在這裡看到的兩幅圖。這兩幅圖分別採用了不同的布局算法來呈現。圖上的每種色彩，標識的是研究人員來自的國家和地區，而圓圈的大小用來表示每個人所擁有的連接數量。
在第一種布局裡，是以呈現國家地區為主的社群分布，這個原圖是可以放大到非常大的程度，可以讓我們很清晰地看到這個社群里以及社群間人們的連接情況，也就是說你能很方便地查閱到來自於同個地區的人們互相之間的連接聚集情況，同時也能看到哪些人承擔了跨地區連接的橋樑作用；第二種布局，重點呈現了那些連接數最高的人，擁有最多連接數的研究人員也被認為是最有影響力、最核心的成員，他們都位於這幅圖的中心位置，網站上也把這些人員單獨列了一張姓名列表出來，因為他們是核心研究人員。
參照這兩個圖，大家其實可以感受到，如果我們把遊戲裡的玩家網絡繪製出來，那也將是這樣的一種圖示的方式，只不過對於數量以億計的玩家數來說，如果我們把玩家的連接網絡可以在計算機里繪製出來，但如果把它導出來很難讓人以肉眼的方式來查看和了解信息，因為這基本上已經超出了人通過肉眼處理信息的能力。但是計算機是有這樣的信息閱讀和挖掘能力的，所以我們可以通過計算機運用多種算法來從不同維度幫助我們透視了解其中的信息。
既然人與人之間的關係是可以用網絡化建模的方式來描述，那麼對於繪製出來的網絡來說，它們之間是不是有一些規律或特點呢？如果說這個規律和特點是不存在的，其實就很難為我們做進一步挖掘研究提供什麼方法支撐了，但幸運的是，確實是存在一些規律特點的。
這裡就要提到，1999年美國聖母大學物理系的巴拉巴西教授和和他的博士生阿爾伯特，他們在《Science》雜誌上發表了《隨機網絡中標度的湧現》這篇論文，以此發現了複雜網絡的無標度的性質，從而誕生了研究複雜網絡性質的一門新的學科：網絡科學。
自從複雜網絡的無標度特性被發現以後，生活中大量的真實網絡都被發現是具有這種特點的，例如我們很熟悉的由無數網頁互相link（連結）跳轉而成的網際網路、以及人與人之間進行通訊的電話網等等。從1999年以來，人們對現實中發現的這些大量的符合無標度特性的複雜網絡，進行了很多的論文發表。左邊這幅圖就是歷年來無標度網絡的論文發表數量的連線圖，其中特別要提到twitter和facebook，它們也對自己的用戶連接關係網絡進行了相應的研究，然後它們發現自己的用戶關係網也是符合無標度性質的，所以它們也在2010年和2011年發表了相應的論文。
所以，現在我們要做的事也是把研究複雜網絡的方法引入到遊戲裡，為我們研究遊戲玩家社交網絡提供相應的理論和方法支持。
既然網絡科學是基於無標度網絡的，那什麼是無標度網絡呢？這裡引用了巴拉巴西教授在他《網絡科學》的書籍里，以公路網和航空網為例的兩張示意圖。
首先對於公路網來說，可以看到它顯著的特點是：無論是大城市還是小村莊，一般擁有的公路數量差別都不大，大概在3~5條上下這樣一個範圍。這種網絡我們稱之為隨機網絡，這個網絡的特點是每個節點擁有的連接數大體是差不多的，沒有擁有特別多連接數的節點，整體是遵循泊松分布，而我們所說的差不多其實就是「標度」；而對於航空網就非常不一樣了，比如就從這個示意圖看，像芝加哥這樣的大樞紐城市會擁有非常多的航班線路，而小城市的航線就非常有限。對於這種大多數節點只擁有少量連接，而少數節點卻擁有大量連接的網絡，叫把它叫做無標度網絡，它整體是遵循冪律分布的，這個分布的尾部會拖的比較長，所以我們說它是有重尾效應的。
接下來我們來總結下無標度網絡的重要特點：
符合冪律分布和擁有樞紐節點。在上面一張圖里已經講到了。對於遊戲玩家網絡來說，經過我們的分析，會發現遊戲裡大部分的玩家通常交互的朋友數也只是3~4人，但是有少部分玩家交互的朋友數非常的多，可以達到幾十人，甚至幾百人。
其次是無標度網絡它不是靜態的，具有生長的特性，而在生長的過程里非常重要的特點是具有優先連接的特徵。這個在遊戲裡也很容易理解，擁有更多朋友自身也更活躍的玩家通常在遊戲裡也更容易交到新朋友。
然後是社群聚集的特徵。關於社群我們也在前面的圖例里有進行過相應的展示，我們經常說人以群分，具有共性的人們總是傾向於結成一個圈子，在遊戲裡也一樣，所以在遊戲裡基於不同屬性的玩家是可以挖掘出不同的社群分布。
最後一個特點是面對攻擊的脆弱性。就從這樣一張網絡連接圖來看，當你主動攻擊這個網絡的時候，你一定會選取攻擊這個樞紐節點，因為這個時候的攻擊效果最大化的，失去樞紐節點會讓它所連接的大量其他節點失聯。在遊戲裡表現為當樞紐用戶流失的時候，同時會影響他周邊大量好友的活躍和留存情況，進而會比較嚴重影響到遊戲的局部社交生態。
看完這些特點，我們其實會發現這個無標度網絡模型能跟社科學裡的一些概念找到對應。比如冪律分布，就很像我們經常講到的二八定律，20%的人擁有80%的資源。而且我們也經常說，在地球上如果想找到任意一個人最多只需要通過6個人，但我們都知道地球馬上要有80億人了，那為什麼通過如此少的人數就能觸達世界的每個角落呢？因為當我們在找人的時候，也總是先找到那些擁有廣泛連接的樞紐節點型的人，這些擁有廣泛人脈的人的存在，最終促使地球這樣一個大世界通過樞紐節點快速地完成了一種連接塌縮，最後的結果就好像我們是生活在一個非常小的小世界一樣，這裡提到的就是社科學裡的六度分隔和小世界。最後的優先連接的點，跟我們經常講的富者愈富聽起來是比較近似的了。
基於這套理論，怎麼把玩家網絡運營好？
進行完比較概念化的一章，接下來具體看一下第二部分：玩家網絡的運營。我們先來具體展示一下遊戲中具體的玩家網絡建模的過程。
首先為了構建我們的玩家網絡，我們需要對網絡的邊進行定義。遊戲裡玩家交互行為是非常多樣的，那如果我們想要建立的是一個描述玩家強互動行為的網絡，這裡比如我們在定義邊的時候就可以選取組隊、聊天和預約對局這樣的強交互行為，假設把這些行為按照1：1：1的權重進行網絡邊權重的計算，這樣就可以得到一張描述強交互行為連接的玩家網絡。如果你想構建一張輕交互連接的玩家網絡，就可以把觀戰、點讚這樣輕互動的社交行為納進來做定義。具體的邊的定義是可以根據實際研究的需要進行修改的，不同的目的就採用不同的定義方式。我們目前主要是聚焦於研究強交互玩家網絡，我們認為強交互是遊戲裡更加核心的部分。
那有了這些邊定義之後，我們就把遊戲中所有的玩家構建出了一張帶有邊權重信息的玩家網絡。當然，這張網很大，前面我們也提了，它的數據量決定了只有計算機才能夠閱讀它，所以我們是通過各種算法來從各種維度查看和管理它。在全局網絡生成之後，就可以進行社群的挖掘。在我們對社群定義里，我們會認為社群是一些緊密連接的節點的集合，這個集合內部連接是非常緊密的，但是它與外部的連接是稀疏的。根據這個定義，我們運用了相應的算法來進行社群發現。最後在遊戲裡面得到了幾百萬個社群。這樣整體我們在遊戲裡的玩家全局網絡和相應的局部社群信息，就都建模好了。
下面我們來看如何動態地運營這張網絡。因為在遊戲中我們研究的都是群體，所以我們就需要藉助定義一些標籤來定義玩家的群體。首先為了基於社交這個屬性進行相應的研究，我們需要在以前已有的用戶標籤基礎上，補充添加一些社交相關的標籤信息，以便於對社交屬性進行研究。
一方面，我們在原有的玩家標籤里增加了一些比如說標識玩家社交相關的特徵的標籤，比如說是否偏好組隊戰鬥，是否會進行點讚聊天的社交行為，是不是喜歡主動添加好友等等，儘量用這樣一些方式去還原用戶的社交偏好，以便更好地為他們服務。
另一方面，因為我們建立了社群，所以我們針對挖掘出來的社群，也給這個社群定義了社群標籤，用於標識社群的特徵。偏好類的比如有些社群特別喜歡玩團競模式，有的只玩海島；屬性類的比如有的社群平均段位可能就很高，這樣一些類別。
那有了這些標籤，我們就可以從用戶群體出發來做一些相應的體驗優化了。首先我們關注的是玩家網絡中的生長問題，玩家網絡的生長就是網絡中的如何建立新的連接關係，主要有兩類：一類是陌生人之間進行交友建聯，另外將玩家推薦建聯到合適他的群體組織。
陌生人之間的交友聯建，目前根據不同的情況和適用性有很多套公開算法，這裡舉例了其中的兩個。這裡要提到的重點是，像以前我們運用這些公開算法做推薦的時候，更多我們只考慮玩家的活躍、行為偏好這樣一些標籤，但是現在因為我們基於社交網絡進行了相應的構建，並且提取和新增定義了社交類的標籤。我們認為這些社交標籤能更好幫助我們了解用戶在社交方面的特徵偏好，所以我們把社交標籤融入到算法中來，進一步讓我們的交友推薦變得更加精準化，因為一般玩家不是不喜歡交朋友，他們是希望交到自己覺得合適的朋友。
我們在前面也提到過的優先連接的結論，所以這裡把算法融入社交標籤去改進的目標，就是能夠精準地為用戶推薦他願意結交的優先連接的節點，這樣他們最後的連接成功率才會比較大。把玩家推薦到適合的組織也是一樣的道理，假設你是一個軍團長，你會收到很多入團申請，這個時候你會同意批准什麼樣的玩家加入自己的軍團，其實是有標準的，這裡我們的目的就是要融入這些標籤，讓算法可以更理解這個軍團吸納人的偏好，以便把更適合的玩家推薦進來，才更有可能幫助他們成功地加入到相應的群體中來。
總體這些思路都是通過將用戶社交屬性進行細分定義，再把它融入到算法裡，提升推薦的精準性，從而促進玩家網絡的生長。
除了生長以外，我們還需要做的就是不斷地維護這張網絡，也就是要不斷地激活網絡中的聯通關係，促進玩家間實實在在的交互。
我們都知道很多玩家間在遊戲裡確實加了好友，但就再也沒有互動過了。從我們過去對流失玩家的分析經驗來看，用戶流失通常的路徑，首先大概率會經歷活躍度降低的過程，當降低成一個低活躍用戶的時候，因為粘性不足，下一步就很可能會流失了。而活躍度降低的原因里像關鍵好友流失、社交行為減少這樣的社交原因其實占比是很重的。
這裡有一張紅色點組成的網絡圖，這個是我們用算法標識的局部社群。在這個算法裡，我們把用戶的每次互動都看作是一次能量的交換傳遞，假如對這個社群以月為周期進行標識，就可以得到一個本月的用戶社群的能量值網絡圖。這裡可以很明顯的看出來，這個社群里是存在社交能量遠遠高於其他用戶的大KOL，同樣也存在一些能量次之的小KOL，他們就是我們之前講到的樞紐用戶，都擁有非常多的朋友連接數。可以說社群的形成離不開這些KOL，正是這些有非常高社交意願的KOL，他們所輻射的高社交能量才使得這個社群被緊密的維護在一起。
而社群是有另外一個典型特點的：當你要傳播相應的信息的時候，信息在社群內部會被傳播得非常快，但如果想要把信息傳出圈傳到其他社群就會比較困難。因為我們前面講過，社群之間的連接是比較稀疏的。
所以當我們想要把重要的信息儘可能地觸達到所有用戶都了解或關注的時候，往往我們需要藉助社群和KOL的力量，由傳播意願最高的大KOL傳播給傳播意願次之的小KOL，最終這個信息就有可能藉助他們的高傳播意願和高能量，最終被儘可能多地傳遍給整個社群所有人知道。
最後依然列舉了兩種常用的熟人社交的算法，這些公開算法是我們平時做推薦常用的，但是跟前面講的原理是一樣的，這次我們對它的改進是我們在裡面融入了社交特徵，用融入社會特徵的算法去激活玩家已經建立的連接，從而讓玩家間可以更有效地互動起來，加深他們彼此之間的連接。
如何讓玩家網絡持續健康地運轉？
介紹完我們對玩家網絡的搭建和基本的運營方式以後，最後來談談我們目前在社交評估方法上的一些探索。
因為各種遊戲中的具體情況不同，所以接下來圖表中舉例的數據僅僅是示意值，但不影響最終結論的呈現。
首先看左邊這張圖，基於我們前面所探討的社群的挖掘，我們可以根據自己的需求設定一些社群規模的標杆值，例如10人以下社群，10~50人社群，50~100，500人以上等等。
當我們去定義了這樣一些劃分標準的時候，就可以比較方便統計遊戲中前面發現的社群裡面各種規模的社群在其中占的數量有多少，同時我們也可以很方便地看到遊戲中各類社群所能夠覆蓋到的玩家數量有多少，就如這張圖的呈現。對於這張圖，如果同比看一些周期，這裡面的對比信息就會讓你得到比較有啟發的結論。
需要注意的是，這裡數據展示是基於玩家間在一定周期內的真實互動而生成的，它是區別於去統計遊戲裡的靜態社交組織。我們都知道遊戲中通常都會設計比如幫派、軍團這樣的社交組織，當然我們是可以去統計每個幫派中有多少玩家，但實際上這些幫派里的很多玩家加入後可能已經流失很久了，所以要是基於這樣的靜態社交數據統計其實沒有辦法去真實反映出玩家的聚集情況，我們也沒法知道玩家們到底身處在什麼樣繁榮度的朋友網絡里。
來看右側，如果把社群分成不同的規模後，我們就可以進一步去針對不同規模的社群挖掘它的其他規律。右側這個圖就是對不同規模的社群進行當周平均在線時長的統計所發現的結果，可以很明顯地看出：當社群規模少於10個人的時候，隨著社群規模的增大平均在線時長增長的很明顯；當社群規模大於10人以後，增長開始變緩；當社群規模大於50人以後基本上這個值就趨於穩定了。
所以這裡我們通過社群的分解和挖掘可以得到一個結論是：社群的平均在線時長與社群規模呈正相關，但是存在邊際效應。以這個數據為例，我們可以有一個直觀的結論：如果能夠把遊戲裡規模少於10人的社群提升到10人以上，勢必會增加不少用戶粘性，玩家的社交體驗會變得更好。如此就可進一步看出，社群的規模和用戶活躍度是息息相關的。
為了進一步研究清楚社群規模和用戶活躍度之間的關係，我們又進行了進一步的探索。這裡我們要引入圖論中的集聚係數的概念，簡稱cc值，方便描述。關於cc值的具體概念可以看右下方的示例，但是為了方便大家記住結論，我們用一種更簡單的方式來介紹它。
首先cc值在概念上是用來表徵一個網絡中的點它們之間連接的密集程度的，這個值最小為0，最大為1。
對於一個現實中的朋友網絡來說，cc值越大說明這個朋友圈裡人們的關係交錯得十分緊密，大多數的人互相之間都認識；越小說明關係是比較疏散的，很多人互相之間不認識。
假設，比如你新建了一個群，這個時候剛把你的朋友們拉進去，準備介紹他們互相認識，但這個時候他們互相之間是不認識的，那這時這個群的cc值就是0；但是當你認真地介紹了每一個人的情況，他們這個時候互相都知道了彼此的情況，互相之間也添加了對方為好友，大家都認識了，這時這個群的cc值就是1。
比如具體看三幅圖的第一幅圖就是介紹cc=0的情況，比如看左上的四個點，其中有一個點跟另外三個點之間都是有連接關係的，如果這個點就是你，就是說這裡你是認識你三個朋友，但是他們三個互相之間都是不認識的，這個時候如果你流失了，那這個網絡便從這裡斷開了，他們變成了三個無社群的散點；但是如果你一直留存，有可能你會邀請他們三個一起四人組隊遊戲，這樣他們之間可能互相就認識了，也加了好友，他們互相間也形成新的連接關係，cc值就變大了。同理，後面的兩幅圖，呈現了cc=0.6和cc=0.92的時候，圖中的點互相之間連接的緊密度的情況。
事實上在真實的社交網絡里，我們的密友之間他們往往也是朋友，所以真實世界的社交網絡通常集聚性是比較高的，大家是以一種圈子的方式在生活。在虛擬世界裡，同樣這也是我們努力的目標。
那有了cc值的概念，我們再來看幾組和它有關的挖掘的結論。繼續以10人群為例，看第一幅圖，橫坐標是cc值，縱坐標是一周的平均對局次數，明顯會看到隨著cc值的增大，平均對局次數也在不斷增大，是一個正相關的關係，cc=0.6的時候大約剛好是中間值。下面一張圖是cc值和留存率的關係：很明顯也是正向增長的關係，隨著cc值靠近1，這個留存率會達到一個非常高的程度。
這兩張圖都說明在一個社群里，當cc值很高時，玩家的社交網絡是非常緻密的，每個人都身處在一個熟悉的環境裡，朋友圈內部關係很親密，良好的社交支撐帶來了高度的活躍性。
由這兩組例子我們可以看出，社群cc值跟社群的活躍度、留存情況是正相關的。所以我們在日常的運營中就可以去查看各種規模社群，按不同cc值的數量分布的情況，即右邊這張圖，這樣查看可以讓我們比較直觀地了解到用戶網絡的緊密與活躍情況。
當然我們努力的目標就是要儘量去通過各種方法把社群的cc值向上引導，讓玩家的社交網絡更加活躍健康，從而改善玩家社交的遊戲體驗。
在之前的講述里，我們可以知道在遊戲中因為樞紐用戶的流失，大社群會被拆分變成多個更小的社群。我們進一步統計各種不同規模社群的占比變化，就可以發現裡面存在一些數據上的關聯性，比如說50人以上社群每減少1%，那麼下一個周期2～5人社群就會增加0.3%；10～50人社群每減少1%，2～5人社群下一周期就會增加0.5%。
而如果我們把遊戲裡不同規模的社群人數占比隨著時間畫成一張圖，我們也明顯看到這種占比變化是存在周期性的，比如在每年春節這樣的大節點，因為很多人有時間了，各種玩家的回流，大社群就會多起來，遊戲裡的社交就會呈現一種非常繁榮的跡象，當假期結束很多人重新忙碌起來，大社群就會拆分，小社群變得多起來。
但總體來說，遊戲裡的無社群和小社群占比的增加，與活躍度是負相關的，所以我們日常努力的目標依然是要維穩社群，這對遊戲的活躍是非常重要的。目前基於對這樣一些變化關係的觀察，我們在遊戲裡也實現了相應的無社群預測模型，可以幫助去預測接下來的周期里，如果沒有一些相應的引導，可能的無社群的情況以及相應的流失情況。
總結
來到最後，經過前面的介紹，我們總結一下玩家網絡生態整體的一個動態運行方式。
首先是網絡的生長和修復：我們通過對陌生關係的破冰去促進網絡的生長，在裡面運用融入社交標籤的陌生關係推薦以及社群推薦算法，去幫助玩家更好地結識新朋友；其次注重做好回流玩家的承接，運用熟人關注推薦算法，幫助玩家重新激活和修復原有的社交網絡。
再次是對社交關係的帶動加深：這裡會關注運用社群化傳播方式來最大化的帶動觸達到網絡中的每一個用戶，致力於去提升玩家社群的cc值，加深玩家間的連接緊密性，從而提升玩家活躍度。
最後是在整個過程里，會不斷地從對全局指標和局部指標的觀察出發，來分析玩家網絡波動的原因，同時也會開展一些主動的預測，去及時引導和加固相應的社群，維穩活躍。
在PPT的右側簡單示例了全局的指標，比如說第一個連通性的指標，它的意思比較簡單，就是在全局網絡里有組隊交互的玩家占比，下面的繁榮性廣度、深度相應也是有自己的定義，這是一些指標的例舉。
今天全部的分享就到這裡。
Q&A環節
Q: 這樣一個體系化的方法，它的建立過程是怎麼樣的，是怎麼樣的思路去構建出這樣一個體系的？
A：我們首先是基於網絡科學，依據自身遊戲分析的需要，去定義並且完成了玩家網絡的建模，以及局部社群的建模。
在建模完成的基礎上我們研究建立了一些社交數據指標，嘗試去量化社交這件事情。因為像以前我們為了改善玩家社交其實也一直在做一些事情，但因為沒有數據能衡量所以很難說效果到底怎麼樣，沒有數據也沒辦法去指導不斷的改進疊代，但有了指標以後，我們再去做一些事情就能比較直觀的看到數據的變化，從而讓我們知道自己做的嘗試是不是有效果，也能夠去指導不斷的優化。
然後是當我們把這些社交類的數據和遊戲原有的各種活躍數據之類做交叉分析的時候，我們就發現了很多有關聯性的有趣的結論，剛才講的過程中也有進行一些例舉。這就讓我們在改進社交數據的同時，也能進一步非常直觀的關聯到它會對比如其他活躍指標之類有什麼樣的影響，就對遊戲全局所起到的作用變得更清晰。
這些探索研究我們還在繼續進行中，在我看來目前應該還是剛剛起步的程度，還有很多的維度和角度可以去探索挖掘。也是希望拋磚引玉，以後可以跟大家一起努力。
Q: 第二個問題是，最後一頁的全局指標和前面講到的社群指標是什麼關係？
A：整個玩家網絡包含的玩家是非常多的，存在的情況很多。所以如果想要比較精準地去了解到一些局部的情況，是需要去查看社群指標的，但是你可能要挖掘和查看的指標信息就會非常得多。
所以我們還是建立了一些顆粒度比較大的全局指標。它們是面向整個玩家網絡的非常寬泛的數據，全局指標可以讓我們在非常快的時間裡去捕捉到玩家網絡整體的波動情況，比如連接性這個指標在這個周期里大幅下降，那肯定不是我們希望見到的，這時候就可以展開去藉助更多的局部社群的指標來定位這個問題，確定原因，以便我們知道接下來該怎麼做。
這個就是全局指標和社群指標的關係。