實務分析 7.1。以遊戲產業說明顧客網路資料、微型分群與協同過濾（Collaborative Filtering, cFilter）如何支援留存與變現。
理解網路效應、推薦邏輯、微型分群與顧客互動的資料分析關係。
遊戲公司除了圖像／聲音，也需要理解玩家與其他玩家的關係、偏好與行為，才能改善推薦、行銷與留存。
| NewZoo 2017 原書資料 | 數值 |
|---|---|
| 全球遊戲營收 | 1,090 億美元 |
| 年增率 | 7.8% |
| 全球玩家 | 22 億 |
| 行動遊戲占比 | 42% |
協同過濾以其他使用者的共同偏好推論個別玩家可能喜歡的內容；網路／群集資訊再用於活動目標設定、降低流失與個人化體驗。原書亦強調從傳統人口統計走向更細的微型分群。
以原書 42% 行動遊戲占比與 1,090 億美元市場作直接乘算，若單純把營收按該占比等比例分配，42% × 1,090 億 ≈ 457.8 億美元；但原書只說行動遊戲占市場 42%，未提供更細營收拆分，因此這個乘算僅為比例示範，不當作原書另報的行動遊戲營收。
玩家網路規模與更高的遊玩／消費被原書描述為相關。這類資訊適合用來找互動模式，但相關性本身不能直接證明網路規模是唯一因果來源。
以原書四個市場數字與協同過濾邏輯說明遊戲分析如何支援推薦、留存、活動與微型分群；不要捏造個人層級消費或流失率。
問題： 若行動遊戲占比上升至 50%，在總市場仍為 1,090 億美元的純比例假設下是多少？
參考解答： 1,090 億 × 50% = 545 億美元。這是假設情境，不是原書實績。