考虑到预期会杀死仁慈的补丁已经减少，并且本赛季“基于性能的SR”已在高ELO中删除，我认为现在是将我的2美分投入到一个饱和的市场的好时机讨论。 对于人们购买游戏时应得到的个人信念，我无法提供很长的宣言。但是，我希望就此问题提供一些急需的以数据为依据的观点。
从职业选手到青铜英雄，每个人都讨论过一次-脚的话题，甚至连杰夫·帕杰夫（Papa Jeff）都多次讨论这个话题。 当我排队参加Route：66进攻时，我在团队中的一名球员在Symmetra上花费了100％的时间，因此自己遭受了与Effect相同的挫败感。 由于此类事件令人难忘，因此容易高估包含单把戏的游戏所占的百分比。 在我开始之前，有一个快速的免责声明-如果您是在较低ELO级别上进行比赛的人，则此分析的结果可能不适用于您-请在评论“我在平台上玩的每个游戏中我都拥有2个HANZO MAINS”之前考虑一下。另外，我的语言很不好，这是我尝试更客观地了解“英雄维护”和“一个骗局”的概念。
让我们从一些基本事实开始。 在第8季中，我检查了1,062个在GM或更高级别上使用GM或更高级别的帐户时，在帐户主要帐户上的平均播放时间百分比为42.8％。 简而言之，普通玩家在他们的英雄英雄上所花费的比赛时间不到其比赛时间的一半。 但是，如果逐个英雄看，这个平均值看起来就大不相同了。
下图显示了一些令人惊讶的趋势-Symmetra，Mercy和Sombra-图表顶部显示了三个机械上最独特的英雄。 如果您考虑是什么促使某人“勉强”通用汽车中的英雄，则可能有两个主要驱动因素-1）机械独特性：机械性不佳的英雄会更容易被其他英雄使用，因为玩家不会在游戏中具有通用技能。 2）非角色使用：如果不经常选英雄，例如说Symmetra，那么在任何游戏中都比Dva更有可能选她，因为团队中可能还有其他人想玩Dva。 。
换句话说，需要激励一个英雄（机器唯一性），然后才能欺骗该英雄（超元挑）。 这些理论通常适用于您在这里看到的内容-平均播放时间超过50％的五个英雄是Sym，Mercy，Lucio，Sombra和Reaper。 Sym，Sombra和Mercy都符合机械上的独特性（有些适合于元超外），而Reaper和Lucio现在绝对是元外。
通过检查胜率差异，我能够检查出我的“机械唯一性”理论的准确性。 如果Mercy在机械上确实是独一无二的，那么您会期望Mercy主力在被迫击败其主要英雄时的获胜能力会大大下降。
上面的图表按英雄查看了Winrate差异。 毫不奇怪，Symmetra电源似乎是最差的。 尽管一直被誉为“无法真正玩FPS游戏的人的英雄”，但Mercy的填充率仅排名第六，即使与半藏玩家一样。 为了给这些数字一些背景，我数据集中主要玩家的平均胜率为58.2％，主要玩家以外的玩家的平均胜率为50.5％，平均Winrate差为7.7％。
对于以上分析，我考虑了所有“保持”英雄的玩家。 为了找出一个把戏的问题- 从1,064名玩家的数据集中，我只选择了扮演时间最多的80％的玩家是其扮演最多的英雄的玩家 -以下结果显示了GM中按英雄细分的单人技巧的细分。 使用这个定义—我发现我的1,062名GM玩家中有105名，或大约10％，他们是“被欺骗”的英雄 。 这105名球员的具体细分情况可以在下表中看到- 信不信由你， Mercy是NA GM阶梯中最挑剔的英雄。
那么，这些单项技巧可能会对他们的游戏产生什么影响？ 下面的图表通过查看这些单项技巧在必要时“填充”方面的表现来检验该问题。 在不控制地图或其他项目的情况下，第一个图表着眼于一个技巧在主打和填满时的平均获胜率。 您可以在此处看到Tracer onetricks（在显示的四个英雄中）在必须填写时做得最差。 基于此，我的建议是，如果您的团队中有一个Tracer技巧，则让该人扮演Tracer。
下一张图表是检查问题的另一种方式-它回答的问题是：“在完成任务时，单身选手比普通选手差多少？”？ 答案（按英雄）要差很多。 示踪者的单攻命中率降低了35个百分点，而常规示踪者的主攻却仅命中率降低了3.5个百分点。
结论与后续步骤
需要注意的是，我的数据不完整，仅与北美的通用汽车参与者有关-我想谈谈一些要点。
首先是普遍性：对我而言，单人技巧在GM中的比例似乎很高-如果10％的人口是单人技巧，而您假设自己不是一个人，那么您的游戏中至少有一个单人技巧的概率为68.6％ （自从GMAT以来，我还没有做过数学运算，所以也许有人应该检查一下-11个老虎机有90％的机率不成为单人戏）。 这个数字看似很高，但请记住，您遇到的这些绝大部分技巧将是Mercy或Dva或Zenyatta玩家，因此您可能不像Sym或Torb玩家那样生动地记住它们。
关于影响力的第二点：我之前说过，被迫离开GM的玩家的平均胜率平均百分率约为7.7％，该数字变为一招的21.6％。 在必须根据特定地图和敌方策略创建和修改特定游戏的游戏中，这种缺乏灵活性的行为无疑会对游戏产生负面影响。
后续步骤：虽然1,000名玩家是一个相当不错的样本量，但仍然存在一些问题，而有限的数据仍无法完全解决。 例如，很有趣的是，要知道交换给其他支持者和其他角色的仁慈干线的获胜率差异如何比较，或者主要仁慈的人与仅仅填补她的人的平均治愈率/ 10如何变化。 关于我当前数据集的好处是，它们都是从同一补丁中提取的（正在播放相同的补丁OWL），并且将来的数据将基于新旧元数据进行混合。 希望您喜欢阅读本文-如果您认为我错过了某些事情，请告诉我！
