500天深度体验：从产品数据科学视角，拆解LinkedIn小游戏的设计与实验

连续500天登录LinkedIn小游戏。是的，LinkedIn也推出了小游戏功能，并且已上线超过一年。在此期间，可以观察到新游戏的上线、设计微调以及新功能的逐步推出。从数据科学的角度出发，人们不禁会思考：LinkedIn推出小游戏的目标是什么？他们又是如何测试这些功能变更的？

随着人工智能技术不断赋能甚至自动化许多编码和基础分析任务，产品直觉和领域专业知识对数据科学家而言变得愈发重要。因此，本文将以LinkedIn小游戏为例，剖析一位产品数据科学家的思考与工作方式。这也是在准备产品案例面试时，一种典型的思维训练。

---

一、LinkedIn小游戏的目标是什么

分析任何产品案例的第一步，都是理解其目标。根据LinkedIn官方描述，“LinkedIn上的游戏是思维导向型游戏，旨在帮助用户锻炼思维、短暂休息，并有机会相互联系、激发对话。”

这些游戏是快速的脑筋急转弯，因此在一定程度上确实有助于用户“锻炼思维和短暂休息”。但真正的意图很可能隐藏在最后一部分——“相互联系并激发对话”。

这为何重要？LinkedIn的大部分收入来源于人才解决方案、广告平台和高级订阅服务。所有这些业务都依赖于活跃的用户基础——招聘者需要大量活跃的候选人，广告商需要精准的曝光，而高级订阅的价值则随着网络规模的扩大而提升。此外，维持活跃用户基础的关键在于用户参与度和互动，这最终会带来更高的用户留存率。

用数据术语来说，MAU（月活跃用户数）是衡量产品活跃用户基础最常用的指标之一。第X个月的MAU = 第X-1个月的活跃用户 + 第X个月获取/唤回的用户 - 第X个月流失的用户。对于LinkedIn而言，LinkedIn小游戏这一功能的设计目标，很可能就是通过减少最后一个组成部分——“本月流失的用户”，来促进MAU的增长。

二、LinkedIn小游戏如何实现这一目标

既然明确了提升留存率的目标，接下来的问题是：LinkedIn小游戏如何实现它？其机制主要分为两种：与游戏本身的直接互动，以及因返回平台而产生的间接参与。

1. 与LinkedIn小游戏的直接互动

LinkedIn每天都会发布一个游戏帖子，鼓励用户分享分数和技巧。这正是“帮助您……相互联系并激发对话”的体现。下图是太平洋时间11月29日晚上10点左右（每日Zip游戏刷新后约22小时）的截图。用户可以在完成游戏后找到该帖子的入口，或者它也可能出现在主页信息流中。该帖子获得了1240次反应和1370条评论。许多用户发布了自己的分数并相互交流。

这种社交互动受到许多LinkedIn用户的重视。分享良好的游戏成绩类似于分享一个小成就，这与LinkedIn专业社交网络的形象并不冲突。因此，LinkedIn小游戏创造了一种网络效应，从而提高了用户留存。

LinkedIn发布的Zip游戏帖子（作者截图）

LinkedIn发布的Zip游戏帖子（作者截图）

2. 返回平台带来的间接参与

同时，也存在像笔者这样单纯沉迷于游戏、但从不分享分数或评论帖子的用户。没有互动并不意味着LinkedIn小游戏对这部分用户就失去了留存价值。事实上，它能将用户每天带回平台，这本身就是一个强大的留存杠杆。

LinkedIn小游戏通过创造习惯循环来实现这一点。可以用上瘾模型（触发->行动->奖励->投入）来解析：

1. 触发：用户被外部触发（如推送通知、主页模块）和内部触发（如维持连续登录记录的欲望）提示返回。
2. 行动：谜题易于理解、进入门槛低、游戏过程快速。
3. 奖励：用户每天获得不同的谜题、赢得连续登录徽章，并可以与联系人竞争。
4. 投入：用户通过建立连续登录记录、邀请联系人参与、分享结果、提升排行榜排名等方式进行“投入”。每天，用户都在积累沉没成本，使得停止游戏变得更加困难。

通过这个习惯循环，用户每天都会回来。只要用户打开LinkedIn，他们就有机会查看其他内容，如网络动态、消息、职位空缺等。这些行为都可能引发游戏功能之外的有意义互动，从而提高整体留存率。

三、LinkedIn小游戏的实验设计

上文探讨了LinkedIn小游戏的目标及其背后的机制——LinkedIn小游戏旨在通过鼓励游戏内容互动和增加整体产品参与度来提升用户留存。作为一名数据科学家，如果负责这个产品，工作的关键部分将是与产品经理、设计师和工程师合作，构思新方案并运行实验来衡量对留存的影响。从LinkedIn小游戏不断推出的设计变更来看，这项工作显然正在进行。以下将通过几个例子来探讨数据科学家如何参与其中。

1. LinkedIn小游戏的入口

目前，可以通过以下方式访问LinkedIn小游戏：

• 游戏中心
• 在LinkedIn搜索栏搜索游戏
• “我的人脉”页面
• 桌面版主页上LinkedIn新闻下方的“今日游戏”板块，或LinkedIn移动应用侧边栏
• 通知

但情况并非总是如此。例如，曾有一段时间“我的人脉”页面上的入口消失了，用户必须在应用中搜索才能找到游戏。但几天后，它又重新出现。入口的位置决定了新用户和回头用户发现该功能的难易程度。但更多的入口并不总是更好。虽然更多的入口能增加可见性，但每个入口都可能造成情境偏差——通过“我的人脉”进入的用户与通过通知进入的用户行为可能不同。因此，不同的入口对参与度和留存的影响也不同，它们之间可能会相互侵蚀。

例如，“我的人脉”入口位于邀请函下方和联系人推荐上方。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——扩大人脉是使用户LinkedIn体验变得有意义和有价值的关键部分。同时，如果用户为了游戏而前往主页，他们则会看到其他用户的帖子，更有可能与这些帖子互动。

LinkedIn小游戏在“我的人脉”页面的入口（作者截图）

LinkedIn小游戏在主页的入口（作者截图）

不同类型的互动对留存的影响不同，如果不进行实验，很难精确估计添加或移除一个入口的具体影响。此时，数据科学家的任务就是设计实验。

实验设计可能如下：

• 实验设计：对照组 = 当前设计，实验组 = 移除“我的人脉”页面入口
• 随机化单元：用户级别的A/B测试，50%的用户随机看到对照组或实验组设计
• 核心指标：7日留存率——时间窗口可根据衡量留存影响的快慢需求以及过往经验进行调整。需要注意的是，留存是一个滞后指标，且LinkedIn小游戏的流量可能相对于平台其他部分较低，这使得短期内检测留存影响变得困难。在这种情况下，核心指标可能需要转向留存的前瞻性指标，或者数据科学家可能需要依靠因果推断技术来更可靠地估计留存提升。
• 次要指标：玩游戏用户百分比；与网络帖子互动用户百分比；添加联系人用户百分比；用户平均会话数；用户平均使用时长
• 护栏指标：应用/网站平均性能

数据科学家将与跨职能团队合作，根据实验目标确定指标，进行功效分析以确定实验时长和范围，执行实施检查，并最终分析结果，以确定最佳的入口组合方案。

2. 通知

几个月前，用户开始收到类似“您已连续登录xxx天。立即玩xxx以保持记录”的提醒通知。之后，完成游戏后，还会收到另一组通知，写着“恭喜完成xxx”。

LinkedIn小游戏通知（作者截图）

通知可能令人厌烦，但在召回用户方面非常有效。例如，Duolingo以其富有创意且“具有心理操控性”的通知而闻名（顺便提一下，笔者已连续使用Duolingo 1735天）。他们早期的博客文章描述了Duolingo如何使用多臂老虎机算法来寻找效果最佳的通知。

类似地，优化通知对LinkedIn小游戏可能产生巨大影响。数据科学家可以进行实验来测试：

1. 何时发送提醒通知——可以是午餐休息时间或下班后用户更可能有空的时候，或者用户通常打开应用的时间，甚至是他们昨天玩游戏的时间。
2. 何时发送祝贺通知——祝贺通知可用于将用户带回应用，并鼓励他们发布结果并与其他玩家互动。同样，可以测试在游戏结束后立即发送，或者在当天晚些时候更多用户玩过游戏后发送。
3. 消息文本——语气应该是中性还是更具侵略性？长度应该多长？
4. 行动号召文本——“立即解答”？“立即玩”？“延长您的连续记录”？按钮上的不同文字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，是否应该发送第二次提醒？

这只是初步列出的一小部分，但已经涉及大量不同的通知设计组合。完全有可能文本A搭配时机X的效果优于文本B搭配时机Y。因此，为每个决策逐一运行实验既低效，又可能导致次优结果。这就是为什么Duolingo提到了上述的多臂老虎机框架。该框架可以同时测试多种变体，并且与传统的A/B测试不同，它能根据奖励函数自动将更多流量导向表现最佳的“臂”，并快速减少测试中的“臂”的数量，从而加速实验进程。因此，多臂老虎机算法对于测试LinkedIn小游戏通知非常有用。如果想了解更多，这里是Stitch Fix关于他们如何在实验平台中使用多臂老虎机的另一篇文章。

那么数据科学家在这里扮演什么角色？当然，他们将与利益相关者一起构思不同的变体，定义奖励函数（例如，用户是否玩了今天的谜题），运行多臂老虎机设置，并解释结果。

3. 游戏结果页面

另一个观察到许多变化的领域是游戏结果页面。完成游戏后，用户首先会看到一个结果摘要，其中包含吸引人的数据卡片，如“火热！500天连胜记录！”、“超过95%的玩家”、“比90%的CEO更聪明”。还有一个突出的“分享”按钮，提示用户将结果作为帖子或直接消息分享给联系人。

之后，是一个长长的结果页面，包含七个主要部分：

1. 标题——用户解决谜题的速度，附有文案和分享按钮。
2. 联系人排行榜——你在联系人中的排名。点击“查看完整排行榜”，会有提示按钮鼓励尚未玩今日游戏的联系人参与。
3. “玩另一个游戏”按钮，邀请你探索不同的游戏。
4. 另一个摘要面板，包含更多统计数据，包括总胜率、最佳分数、连续登录徽章和推送通知开关。
5. 按行业和学校划分的每周排行榜，带有分享选项。
6. 指向每日游戏帖子的链接，用户可以直接在那里进行反应或评论。
7. “解锁本周的额外谜题”——通过邀请联系人玩游戏来解锁。

游戏结果页面（作者截图）

看出模式了吗？每个部分都有一些鼓励分享、互动或社交的行动号召。然而，当前卡片的顺序是否是对留存结果最优的顺序？是否存在能带来更高分享率的更好结果统计卡片UI？用户真的关心其雇主和学校的排名吗？

为了回答这些问题，数据科学家会设计类似于入口点部分讨论的实验，来衡量点击率、互动情况和整体留存影响。

更进一步，不同的用户可能有不同的偏好。例如：

• 用户A想“炫耀”自己的分数以及比CEO聪明多少，那么当前的顺序对他们来说非常完美，因为他们可以在第一个屏幕上就完成分享。
• 用户B对其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其公司或学校的排名。因此，将排行榜显示在顶部将提高他们的参与度。
• 用户C喜欢分享他们的解谜技巧并与其他玩家讨论，那么我们应该将帖子在结果页面上移。
• 用户D单纯享受游戏，如果提供解锁更多谜题的选项，他们会邀请他人。但在当前设计下，他们可能根本不会一直滚动到底部，从而错过“解锁本周的额外谜题”卡片。

这种个性化的结果页面在理论上很有意义，但如何实现则是另一个复杂的数据科学问题。数据科学家可以根据用户画像和过往活动对用户进行细分——例如，他们有多少联系人、有多少联系人玩过游戏、用户是否经常发帖或评论等。然后，数据科学家可以分析不同用户细分群体的实验结果，以确定哪种设计对每个细分群体最有效，并制定个性化策略。为了让系统更智能，数据科学家可以构建一个机器学习模型，来预测能最大化每个用户参与度的卡片布局。

4. 细微之处：网络效应

最后但同样重要的是，讨论一下在像LinkedIn这样的社交平台上运行实验的一个重要细微差别——网络效应。A/B测试有一个很强的稳定单位处理值假设，该假设假定单个用户的结果仅由他们接受的处理决定，而不受其他用户处理的影响。然而，这在社交网络上并不总是成立。

以LinkedIn小游戏为例——假设我们更改了排行榜UI，结果实验组的用户有更高的概率“提示”他们的联系人。许多被“提示”的用户——其中一些在对照组——最终也玩了游戏。这种网络效应会偏差实验结果，并稀释实验组和对照组之间的相对影响。LinkedIn曾撰文讨论过这一确切挑战，并介绍了他们如何使用基于集群的实验来检测这种干扰的影响。简而言之，LinkedIn将紧密连接的用户分组到一个集群中，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全部进入实验组，要么全部进入对照组），以最小的干扰来衡量影响。因此，对于可能产生强烈网络效应的变更，基于集群的实验是一个很好的替代方案。不过，权衡之处在于基于集群的实验通常会降低统计功效，因此需要仔细的集群构建和功效分析。

---

LinkedIn小游戏看似简单，但在每个按钮、通知、连续登录徽章和排行榜的背后，都可能存在一连串的产品假设、实验、决策和数据科学工作。