在玩了-500-天后-我对领英游戏的一些看法

在玩了 500 天后，我对领英游戏的一些看法

原文：towardsdatascience.com/a-product-data-scientists-take-on-linkedin-games-after-500-days-of-play/

我已经连续 500 天在领英游戏上保持活跃。是的，领英也有游戏，它们已经存在一年多时间了。时不时地，我会注意到新游戏、设计调整和新功能的推出。作为一名数据科学家，我总是想知道领英试图通过领英游戏实现什么，以及他们是如何测试这些变化的。

随着人工智能增强甚至自动化许多编码和基本分析任务，产品感知和领域专业知识对于数据科学家来说变得越来越重要。因此，在这篇文章中，我以领英游戏为例，展示产品数据科学家是如何思考和工作的。这也是我在准备产品案例面试时进行的一种心理练习。

---

I. 领英游戏的目的是什么

任何产品案例的第一步是理解产品的目标。根据领英，“领英上的游戏是思考导向的游戏，旨在帮助您磨练思维，短暂休息，并有机会相互连接和激发对话。”

这些游戏是快速脑筋急转弯，所以在一定程度上确实帮助用户“磨练思维和短暂休息”。但我相信真正的意图隐藏在最后一部分——“相互连接和激发对话”之后。

这为什么很重要？领英的大部分收入来自人才解决方案、广告平台和高级订阅。所有这些都依赖于一个活跃的用户群——招聘人员需要一个庞大的活跃候选人库，广告商需要定向印象，而高级订阅的价值随着网络规模的增加而增加。此外，保持活跃用户群的关键是用户参与和互动，这最终导致更高的留存率。

在数据语言中，MAU（月活跃用户）是衡量产品活跃用户群最常用的指标之一。MAU in month X = active users in month X-1 + users acquired/resurrected in month X - users churned in month X。对于领英来说，我相信领英游戏是一个旨在通过减少最后一个组成部分——“本月流失的用户”来增长 MAU 的功能。

II. 领英游戏是如何实现这一目标的

现在我们已经明确了提高留存率的目标，下一个问题是，领英游戏是如何实现这一目标的？我认为有两种机制——与领英游戏直接互动和由返回平台驱动的间接参与。

1. 与领英游戏直接互动

每天 LinkedIn 都会发布一篇游戏帖子，并鼓励用户分享他们的得分和技巧。这正是他们所说的“帮助你……相互连接并激发对话。”以下是我于 11 月 29 日太平洋时间晚上 10 点左右拍摄的一张截图——大约在每日 Zip 游戏更新后的 22 小时左右。你可以在完成游戏后找到这篇帖子的入口，或者它可能会出现在你的主页上。这篇帖子有 1240 个反应和 1370 条评论。许多用户会分享他们的得分并相互互动。

这种社交互动受到许多 LinkedIn 用户的重视。分享你的高分游戏也是分享一个小成就，所以它不会与 LinkedIn 的专业社交网络形象相冲突。因此，LinkedIn 游戏创造了一种网络效应，增加了留存率。

Zip 游戏帖子由 LinkedIn 发布（截图由作者提供）

Zip 游戏帖子由 LinkedIn 发布（截图由作者提供）

2. 返回平台后的间接参与

同时，确实有一些像我这样的人，只是沉迷于游戏，但从不分享得分或评论帖子。没有互动并不意味着 LinkedIn 游戏没有达到这一用户群体的留存目标。它每天都能吸引用户回来，这本身就是一种强大的留存杠杆。

Linked Games 通过创建习惯循环来实现这一点。让我用Hooked Model（触发器->行动->奖励->投资）来解释它：

1. 触发器：用户通过推送通知和主页模块等外部触发器，以及维持连线的愿望等内部触发器被提示返回。

2. 行动：这些谜题易于理解，进入门槛低，游戏速度快。

3. 奖励：用户每天都会得到不同的谜题，获得 streak 徽章，并且可以与他们的联系人竞争。

4. 投资：用户通过建立连线的 streak、与其他用户建立连接来玩游戏、分享结果、提高他们的排行榜排名等方式进行“投资”。每天，用户都会积累沉没成本，这使得停止变得更加困难。

通过这种习惯循环，用户每天都会回来。只要用户打开 LinkedIn，就有机会查看其他内容，如网络更新、消息、职位空缺等。这些行为都可能带来除游戏功能之外的有意义互动，并提高整体留存率。

III. LinkedIn Games 的实验

我们已经介绍了 LinkedIn 游戏的目标及其背后的机制——LinkedIn 游戏旨在通过鼓励在游戏内容上的互动和增加整体产品参与度来提高用户留存率。作为一名数据科学家，如果您参与这个产品的开发，您的工作关键部分将是与产品经理、设计师和工程师合作，头脑风暴新想法并运行实验以衡量留存率的影响。LinkedIn 游戏的情况显然就是这样，因为我注意到随着时间的推移，有很多设计上的变化。让我通过一些例子来讲解，并讨论数据科学家将如何参与其中。

1. LinkedIn 游戏的入口点

目前，您可以通过以下方式访问 LinkedIn 游戏：

• 游戏中心

• 在 LinkedIn 搜索栏中搜索游戏

• 我的网络页面

• 在您的桌面首页的 LinkedIn 新闻部分或 LinkedIn 移动应用的侧面板中，今天游戏的版块

• 通知

但情况并不总是如此。我记得有一天，我的网络页面上的入口点消失了，我不得不在应用中搜索以找到游戏。但几天后，它又出现了。入口点的位置决定了新用户和回头客找到该功能有多容易。但更多的入口点并不总是更好。虽然更多的入口点增加了可见性，但每个入口点都可能产生情境偏差——在“我的网络”页面上着陆的用户可能的行为与通过通知来的用户不同——因此，不同的入口点对参与度和留存率有不同的影响。换句话说，它们会相互蚕食。

例如，我的网络入口点位于邀请下方和连接推荐上方。当用户访问此页面玩每日游戏时，不可避免地会看到待处理的邀请，这会提醒他们采取行动——扩展联系是使 LinkedIn 用户体验有意义和有价值的关键部分。同时，如果他们去主页玩游戏，他们将会看到其他用户的帖子，更有可能与之互动。

LinkedIn 游戏在“我的网络”页面上的入口点（作者截图）

LinkedIn 游戏在主页上的入口点（作者截图）

不同的互动类型对留存率有不同的影响，没有进行实验很难估计移除/添加入口点对留存率的精确影响。现在，数据科学家需要设计实验来完成这项任务。

这可能看起来是这样的：

• 实验设计：控制组 = 当前设计，处理组 = 移除“我的网络”页面上的入口点

• 随机化单元：用户级别的 A/B 测试，50% 的用户将随机看到控制组与处理组设计

• 主要指标：7 天留存率—时间窗口可以根据我们想要多快测量留存影响以及任何过去的经验而变化。一个需要注意的问题是留存是一个滞后指标，与平台的其他部分相比，LinkedIn 游戏可能会有相对较低的交通量，这使得在短期内检测留存影响变得困难。在这种情况下，主要指标可能需要转移到留存的前瞻性指标，或者数据科学家可能需要依赖因果推断技术来更可靠地估计留存提升。

• 次要指标：%用户玩过游戏；%用户与网络帖子互动；%用户添加了连接；平均每用户会话数；平均每用户花费时间

• 守卫指标：平均应用/网站性能

数据科学家将与跨职能团队一起根据实验目标对指标达成一致，进行功效分析以确定实验的时间长度和范围，进行实施检查，并最终分析结果，以决定最佳入口点的最佳组合。

2. 通知

几个月前，我开始收到像“你已经连续 xxx 天了。现在玩 xxx 来保持这个记录”这样的提醒通知。游戏结束后，还有另一组通知说“恭喜你完成了 xxx”。

LinkedIn 游戏通知（作者截图）

通知可能会让人烦恼，但它们在吸引用户回归方面非常有效。例如，多邻国因其创意和“心理操纵”式的通知而闻名（顺便说一句，我有一个 1735 天的多邻国学习 streak）。他们的早期博客文章描述了多邻国如何使用多臂老丨虎丨机来找到最佳性能的通知。

同样，优化通知可以对 LinkedIn 游戏产生巨大影响。数据科学家可以运行实验来测试：

1. 何时发送提醒通知—它可能是在午休时间或下班后，这时用户更有可能有空，或者在他们通常打开应用的时候，甚至在他们昨天玩游戏的时候。

2. 何时发送祝贺通知—祝贺通知可以用来将用户带回应用，并鼓励他们发布他们的结果并与其他玩家互动。同样，我们可以在游戏结束后立即发送它，或者可能在当天晚些时候，当更多用户已经玩游戏时。

3. 消息文本—语气应该是中性的还是更加强烈？它应该有多长？

4. CTA（行动号召）文本—“现在解决”？“现在玩”？“延长你的记录”？按钮上的不同文本可能导致不同的点击率。

5. 频率—如果用户在第一次通知后没有回来玩游戏，我们应该发送另一条提醒吗？

这只是我脑海中的一些简短列表，但已经有很多不同的通知设计组合。完全有可能文本 A 与时间 X 的组合比文本 B 与时间 Y 的组合更好。因此，逐个决策进行实验既低效又可能导致次优结果。这就是为什么 Duolingo 提到了上面的多臂老丨虎丨机框架。这是一个同时测试多个变体的框架，与传统 A/B 测试不同，它通过根据奖励函数自动将更多流量导向获胜臂并快速减少测试中的臂的数量来加速实验。因此，多臂老丨虎丨机可以非常有助于测试 LinkedIn Games 通知。如果您想了解更多信息，这里是 Stitch Fix 关于他们在实验平台中使用多臂老丨虎丨机的另一篇文章。

那么，数据科学家的角色在这里是什么？当然，他们将与利益相关者一起头脑风暴，提出不同的变体，定义奖励函数（例如，用户是否今天玩谜题），运行多臂老丨虎丨机设置，并解释结果。

3. 游戏结果页面

我还注意到游戏结果页面有许多变化。完成游戏后，用户首先会看到结果摘要，其中包含吸引人的统计数据卡片，如“500 天连胜！”，“所有玩家中排名前 95%”，“比 90%的 CEO 更聪明”。它还包含一个突出的“分享”按钮，提示您将结果作为帖子或直接消息分享给您的联系人。

之后，有一个包含七个主要部分的长结果页面：

1. 标题栏——用户用复制和分享 CTAs 解决谜题的速度。

2. 联系人排行榜——您在联系人中的排名。如果您点击“查看完整排行榜”，将出现 CTAs 来提示那些今天尚未玩游戏的联系人。

3. “再玩一局游戏”的 CTA 邀请您探索不同的游戏。

4. 另一个包含更多统计信息的摘要面板，包括历史胜率、最佳得分、连胜徽章以及推送通知切换。

5. 每周行业和学校排行榜，包含分享选项。

6. 每日游戏帖子的链接，您可以直接在此处点赞或评论。

7. 通过邀请您的联系人玩游戏来“解锁本周的奖励谜题”。

游戏结果页面（作者截图）

您看到模式了吗？每个部分都有一些 CTAs 来鼓励分享、参与或社交互动。然而，当前的卡片顺序是否是最佳保留结果顺序？是否有更好的 UI 设计，以提高结果统计卡片的分享率？人们是否真的关心他们雇主和学校的排名？

为了回答这些问题，数据科学家会设计类似于我们在入口点部分讨论的实验，以衡量点击率、互动和整体留存影响。

进一步来说，不同的用户可能有不同的偏好。例如，

• 用户 A 想要“炫耀”他们的分数以及他们比 CEO 们聪明多少，所以当前的操作顺序对他们来说非常完美，因为他们可以直接在第一屏上做到这一点。

• 用户 B 对他们的社区有强烈的归属感，因此他们会分享排行榜，邀请同事或同学加入游戏以提高他们公司或学校的排名。因此，在顶部显示排行榜将提高他们的参与度。

• 用户 C 喜欢分享他们的谜题技巧并与其他玩家讨论，因此我们应该将帖子移至结果页面的上方。

• 用户 D 只是简单地享受游戏，如果有机会，他们会邀请其他人解锁更多谜题。但是，按照当前的设计，他们可能甚至不会滚动到页面底部，从而错过“解锁本周的奖励谜题”卡片。

这种个性化的结果页面在理论上很有意义，但如何让它发挥作用又是另一个复杂的数据科学问题。数据科学家可以根据用户资料和过去的活动来细分用户——例如，他们有多少联系，他们有多少联系玩过游戏，用户是否经常发帖或评论等。然后，数据科学家可以通过不同的用户细分来分析实验结果，以确定哪种设计对每个细分效果最好，并提出个性化策略。为了使系统更加智能，数据科学家可以构建一个机器学习模型来预测对每个用户最大化参与度的卡片布局。

4. 细微差别：网络效应

最后但同样重要的是，让我谈谈在 LinkedIn 这样的社交平台上进行实验的一个重要细微差别——网络效应。A/B 测试有一个强烈的稳定单元治疗价值假设（SUTVA），它假设单个用户的成果仅由他们所接受的治疗决定，并且不受其他用户治疗的影响。然而，这并不总是适用于社交网络。

考虑到领英游戏的例子——假设我们改变了排行榜的用户界面，因此，处理组的用户更有可能“推动”他们的联系人。许多被“推动”的用户——其中一些在对照组——最终也玩起了游戏。这种网络效应会偏袒实验结果，并稀释处理组和对照组之间的相对影响。领英已经撰写了关于这一具体挑战的文章，并介绍了他们如何通过基于集群的实验来检测这种干扰的影响。简而言之，领英将紧密相连的用户聚集到一个集群中，同时最小化集群之间的互动，然后他们使用集群作为随机化单元（同一集群中的用户要么都接受处理，要么都接受控制）以最小干扰来衡量影响。因此，对于可能产生强烈网络效应的变化，基于集群的实验是一个好的替代方案。尽管权衡是，基于集群的实验通常降低效力，因此它们需要仔细的集群构建和效力分析。

---

领英游戏看起来很简单，但每个按钮、通知、连续成就徽章和排行榜背后，可能都有一系列的产品假设、实验、决策和数据科学工作。

当然，这只是我作为一个领英用户的脑力锻炼，但我希望这篇文章能帮助你更好地理解实际中的产品数据科学是什么样的。当准备产品案例面试，甚至当你注意到你经常使用的某个产品上的新功能时，你可以应用类似的思维练习来磨练你的产品感知，并成为一个更强的数据科学家。