中间的直线（橙色）就是Craigslist 或者eBay这种市场的情况，也就是供给侧增长为需求侧产生的价值相对是成比例的。这样的市场慢慢会变得非常强大。
下方那条曲线（黄色）就是OpenTable的情况，也就是价值是延迟的。OpenTable在带给需求侧任何价值之前就已经把供给侧的饭店发展到很高的水平了。不过一旦突破了临界点，网络效应就会变得非常强大。
而第三种市场网络效应子类，也就是上图中红色曲线所反映的那种，就是所谓的渐近型市场网络效应。一开始的供应会迅速给需求侧增加价值，但很快增加供应带来的增值就开始减少。
渐近型市场最著名的例子就是像Uber和Lyft这样的共享乘车公司。在一定程度上，更多司机对乘客是有好处的，因为这减少了等待时间。但到了一定的点之后，其对乘客的价值就会显著减少。等4分钟才打到车跟等8分钟才打到车是有很大差别的。但是等2分钟跟等4分钟呢？低于4分钟这个点之后增加供应的价值就会急剧减少。
为此，渐近型市场相对于其他类型的市场更容易受到竞争的威胁。如果Uber在特定地区有1000位司机，竞争对手手上有一半的司机也能提供可比的服务。
除了这个弱点外，渐近型市场也很容易受到多租户的影响。很多人都同时用Lyft和Uber打车，至于用哪一个要看特定时间谁的价格更低等待时间更短。在供给侧，很多司机也是同时使用Uber和Lyft，其考虑因素同样是定价和等待时间。
属性：
供应侧容易到达临界点
供应侧很快就会出现收益递减
容易受新进入者影响
易受多租户影响
例子：
Uber、Lyft
三、数据网络效应
当产品的价值随数据增多而提升，并且当产品的使用增多会产生数据时，就有了数据网络效应。这是第三大类的网络效应。
数据网络内每个节点（用户）都为中心数据库提供有用的数据。随着聚合数据的不断增长，数据对每一位用户的价值也随之提高。
数据网络效应往往比很多人（尤其是风投家）认为的要弱：拥有更多数据未必就能转化为价值，而收集到更多的有用数据也不是一直都是易事，哪怕数据是产品的核心。
数据可以用不同的方式增加产品价值。如果数据的确是产品给用户带来好处的关键，则该产品的数据网络效应有可能就非常强大。如果数据只是产品的边缘属性，则数据网络效应就不太重要了。当Netflix向你推荐节目时，算法推荐的基础时用户的历史浏览数据。不过Netflix的发现功能只是边缘性的功能；去真正价值来自于它的电视、电源及纪录片节目存量。所以Netflix仅存在边际的数据网络效应。
类似地，产品使用与收集到的有用的新数据量之间的关系也会逐渐逼近。Yelp具备数据网络效应，因为对数量越来越大的饭店的点评量越多可以让产品越有价值。但是其网络效应会因为只有一小部分用户产生这些数据而受到削弱；大家更多是从Yelp数据库去读东西而不会在上面写东西。
与此同时，Yelp也是数据网络效应一个共同弱点的很好例子。其数据网络效应是渐近性的。第5条点评增加的价值要比第30条多得多。点评条数超过一定限度之后，对饭店更多的点评并不能替你（用户）增加价值。（另一方面，点评的幅度就很有用并且能巩固网络效应，这就是为什么Yelp仍然如此流行的原因。）
如果产品跟增加使用和更多有用的数据生成之间没有关系的话，就不会有网络效应的产生；那只不过是规模效应罢了。可以认为Experian这样的信用报告机构具有规模效应，因为即便更多的数据令其信用评分更有价值（比如更加精确了），消费者对其产品的使用并不会随着数据量的增加而自然增长。
数据网络效应很容易会跟来自规模的数据优势混淆。大公司无疑拥有更多的数据。问题是，那些数据是不是为客户/用户创造了有意义的价值？如果是的话，增加使用会不会导致更多的有用数据？
具备强劲数据网络效应的服务有一个好例子，那就是Waze。每个人不仅在Waze上消费数据，而且也贡献有用的数据，但因为数据是在实时消费的，数据集需要不断更新。所以网络越大，在任何时候任何一条道路上的数据都会更加精确。更多的数据会继续几乎无限期地产生价值，所以相对于其他几乎任何我们能想到的服务来说，Waze的数据网络效应都不大算是渐近型的。
数据网络效应可能是最复杂的一种网络效应类别。有很多不同的数据网络效应，因为数据的使用方式有很多。这个有待未来再细讲。
属性：
数据是产品价值的核心
更多使用需要产生更多有用的数据并收集起来
通常达到一定的数据量阈值后效应渐近
不同于数据的规模效应
例子：
Google、IMDB、Waze、Yelp！Amazon
四、技术性能网络效应
当产品的技术性能会随着用户数量增加而直接得到改善时，我们说就有了技术性能网络效应。这属于第四大类的网络效应。对于具备技术性能网络效应的网络来说，网络上的设备或者用户越多，底层技术就会工作得越好。这会使得该产品/服务变得更快、更便宜或者更容易使用。
