快手经济学家笔试全解析：平台经济四大模块与分析方法

1. 这个岗位背后到底考什么先聊个很多人容易忽略的事一个做短视频的平台为什么会招“经济学家”2019年那会儿快手正处于高速成长期用户量、创作者规模、商业化节奏都在往上走公司需要有人用经济学框架去回答一类问题——平台该怎么做定价、分成比例定多少、创作者和用户之间怎么平衡、补贴烧到什么时候停。这些不是纯产品经理靠直觉能拍板的需要系统性的经济学训练。所以那年春季校招快手单独设了一套“经济学家试卷”本质上是在筛一批能拿经济学工具分析真实业务问题的人。我当时认真看了这套题的思路也和参加过笔试的同学聊过好几轮一个很直观的感受是它不像传统高校经济学考试那样考“名词解释 计算题 论述题”的固定套路而是大量把互联网平台经济的真实场景揉进题目里问的是“如果平台把分成比例从30%调到50%会发生什么”“如何设计一个实验验证推荐算法对用户时长的影响”。这种考法比的不是谁教材背得熟而是谁能在信息不完全、约束条件复杂的现实环境中快速建立一个可验证的分析框架。这篇文章就围绕这套题的核心考察逻辑来拆适合三类人看一是准备互联网公司经济学相关岗位的应届生二是做平台运营、商业分析、数据策略的同学想补一下系统性的经济学思考方式三是对“互联网公司里的经济学家到底在干嘛”好奇的人。看完你至少能搞清楚这类笔试的底层出题逻辑以及怎么用一套可复制的方法论去应对。2. 从一套题反推岗位定位2.1 平台经济学家的真实工作场景不把这个问题想清楚直接刷题很可能会露怯。互联网公司里的经济学家不是做纯学术研究的他们更像“内嵌式研究者”——一半时间处理业务方丢过来的真实问题一半时间做中长期的研究储备。举个我了解的真实场景内容平台要调整创作者激励政策业务方最初给的方案很简单——“多发视频多得钱”。但经济学家会立刻看到这个问题背后的复杂性如果单纯按数量激励创作者会不会批量生产低质内容如果按播放量激励头部创作者会不会形成垄断把中小创作者挤出去如果按互动率激励那完播率高的“标题党”内容会不会泛滥这些看似是运营策略问题本质上都是激励相容、信息不对称、市场结构这些经济学核心概念在真实场景中的投射。笔试的题目设置很多时候就是对这类工作场景的模拟。它不要求你背出某本教材里“激励相容”的精确定义但会给你一个具体的平台场景问你如何设计一套机制让创作者、用户、平台三方目标尽量一致。能答好这类题的人光会背书是远远不够的。2.2 笔试作为能力筛选器的设计逻辑完整看过快手2019年这套试卷相关信息后我的判断是这套题设计得挺讲究它把候选人分成三个层次。第一层停留在直觉层面的人。看到“分成比例调整”就答“会提高创作者积极性”这类好像正确但毫无边际的废话没有约束条件、没有推演过程、没有数据验证思路基本在第一题就会被筛掉。第二层有经济学框架但不会落地的人。这部分人知道供给弹性和需求弹性知道边际收益也分析得头头是道但一到“具体怎么衡量创作者对分成比例变动的敏感度”就卡住了流程推导显得悬浮。第三层能打通“经济学理论—现实约束—数据验证—业务落地”闭环的人。比如问到创作者激励他们会先界定问题——是创作者总量不足还是优质内容不足再拆框架——供给侧看创作者的供给弹性需求侧看用户的注意力约束再提数据方法——可以用历史自然实验或分组对比来估计弹性系数最后落到可执行的政策建议同时说明这个建议的适用边界。能写成这样的人才是这套题真正想找的。看清了这个分层逻辑就不会再纠结于某道题的标准答案是什么而是要问自己我的答案有没有体现出完整的经济学分析链条3. 核心考察方向平台经济四大模块3.1 定价策略与供需分析这块是重头戏。互联网平台最常见的定价问题包括会员定价、虚拟礼物定价、广告位定价、创作者分成比例设定。每种定价都不是简单的成本加成而是要考虑双边市场中的交叉网络外部性。什么叫双边市场就是说平台上存在两类用户——内容消费者和内容生产者消费者多了创作者就有更多动力入驻创作者多了消费者也有更多内容可看。所以定价时不能只算单边的账而要算两边的联动账。如果题目让你分析“直播打赏分成比例”怎么定我建议从三个角度切入弹性视角如果创作者对分成比例的敏感度高分成比例定低了优质创作者就走了但比例也不能无限高因为平台还需要覆盖带宽、审核、研发等固定成本。交叉视角创作者获得的分成会不会通过内容质量传导到用户体验上如果分成比例提高刺激了更多优秀创作者入场用户端留存提升带来的间接收益可能远大于平台直接让利的那部分。竞争视角当时市场上还有其他平台在抢创作者分成比例本质上是一个竞争策略你需要对比同行水平搞清楚自己在创作者生态中处于什么位置。另外还有一类容易考的方式——给你一组数据让你估算需求价格弹性。这里要特别注意不能用简单的“价格和销量变动百分比相除”就完事因为现实中价格变动往往不是孤立事件你至少要提到控制变量、趋势排除、用户异质性处理这些计量层面的考虑。哪怕题目没要求你算你主动讲清楚识别策略都会是明显的加分项。3.2 推荐算法里的信息经济学很多人觉得推荐算法是工程师的事和经济学没多大关系但经济学家视角下的推荐系统是一个典型的信息不对称处理问题。平台不知道你真正的偏好你也不知道平台有哪些内容双方信息都不透明算法就是在解决这种信息不对称提高匹配效率。这一块容易出现的题型是“如何设计一个实验来验证新推荐策略的效果”核心考点在于你是否理解因果推断的基本逻辑。我知道很多人会回答“做A/B测试”但这只是框架的第一步。完整思路应该包括随机化如何保证实验组和对照组在用户特征、内容供给上没有系统性差异。样本量计算需要多大样本才能检测出预期大小的效果这里要考虑到指标的方差。干扰处理用户之间不是独立的推荐策略有很强的社交传染效应一个用户的行为会感染另一个用户如果忽略这个问题实验结论就可能有偏。长期效果短期用户时长上升可能来自新鲜感几个月后会不会回落这甚至比短期指标更重要。所以这题真正考察的是动手做因果推断的能力而不是背出一个“随机实验”的名字。我当时觉得最值得跟身边同学分享的一个认知是互联网公司的经济学家本质上和工程师一样在解决“如何用数据做正确决策”的问题只是工具箱里多了一套微观经济学的分析框架。3.3 市场结构与竞争策略2019年那会儿短视频赛道已经热闹起来了题里出现市场结构相关的问题其实不意外。常见的考察方向包括一个方向是分析“头部创作者是否构成垄断”比如头部达人是否凭借流量优势挤压新创作者的空间这关系到平台生态的健康。分析时要用到市场集中度、进入壁垒、内容差异化这些工具。另一个方向是“平台面对新进入者如何设计防御策略”这背后是博弈论里的进入威慑问题。可能的分析角度包括提高转换成本、增强网络效应、通过独家协议锁定关键资源、或者有意维持低利润水平让潜在进入者觉得无利可图。这类题目的答题要点在于“把模糊的竞争焦虑转成可分析的结构问题”。不要泛泛地说“加强用户体验”“提升内容质量”而要用具体的市场结构概念去描述竞争关系——比如新进入者是替代品还是互补品它改变的是用户的多归属成本还是创作者的迁移成本这些判断决定了你推荐的应对策略是否对症。3.4 宏观视野与公司决策经济学家岗的笔试题里宏观部分不一定会单独作为一道大题出现但很可能以材料背景或论述题的一个维度参与进来。比如给你一段关于内容消费趋势的材料让你分析未来三到五年内容行业的经济学逻辑。常见考察点是内容消费是否具有“口红效应”经济下行期廉价娱乐消费反而上升、注意力经济中的时间预算约束用户一天只有24小时内容消费和其他休闲活动存在竞争、以及技术变革对内容供给曲线的移动效应。我对这类题目的建议是不需要刻意展现你对宏观数据的记忆比如背出某个季度的GDP增速什么的而要把重点放在逻辑链条的完整性上。比如从“4G普及”“流量资费下降”推导到“视频消费时长上升”再推导到“创作者供给增加、广告库存增加、商业化空间打开”这样一步步推下来展示的是你的推理能力不是信息积累。4. 做题方法一套能直接用的分析框架4.1 拆问题先界定边界拿到一道不熟悉的平台经济学题目第一件事不是急着回答问题而是先把问题的边界框清楚。什么叫“边界”举个例子题目问“平台应不应该提高创作者分成比例”。很多人的第一反应是直接分析“提高了会怎样”但更好的做法是反问这个问题在问哪个层面是问“激励存量创作者产出更多”还是问“吸引更多新创作者入驻”还是问“优化平台与创作者之间的信任关系”不同层面分析框架完全不同。所以我的建议是每一道题都先用两三句话写清楚这个问题存在的背景、要解决的核心矛盾、我分析的边界设定在哪里。这个动作看起来浪费时间实际上能帮你避免很多没头没尾的论述也向阅卷人展示了你的结构化思维能力。4.2 建框架用三张清单构建答案结构我看过不少同学的笔试复盘一个共性问题是有零散想法但组织不成体系。我自己沉淀下来的一套方法是“三张清单”第一张问题清单——我的分析要回答哪几个关键问题比如做定价分析就要回答这个市场的核心约束是什么各参与方的目标函数是什么信息不对称体现在哪里第二张机制清单——哪些经济学机制在这个问题里是重要的比如规模经济、网络效应、价格歧视、转换成本把它们逐个对照题目场景挑出确实起作用的三到四个不要贪多。第三张验证清单——我的结论需要什么样的数据来支持如果现在没有数据给出数据收集建议如果有历史数据说明用什么方法识别因果效应。哪怕只是列出来“如果能拿到某类数据就可以验证某个假设”也会让你的答案显得可信得多。这套三张清单的方法核心价值在于它强制你从“想到哪儿写到哪儿”转换成“按逻辑推进”。笔试时间紧张一个结构化的框架可以保证你的答案始终有支点不会说着说着就跑偏。4.3 提方案结论先行政策配套经济学家来到公司最终是要输出建议的不是输出论文。所以笔试答题时建议充分展示“把这个分析拿到业务里去用”的能力。一个我特别反感但经常在答案里看到的问题是得出结论后没有任何执行路径。你说“平台应该降低创作者分成比例”然后呢谁来执行执行节奏如何会有什么阻力和连锁反应这部分才是实际工作中真正决定一个分析报告有没有价值的地方。我建议答案走“结论先行政策配套”的路线第一段直接给出明确判断第二段给出支持判断的核心逻辑第三段说明实现这个判断需要哪些配套措施——比如如果要提高分成比例是不是同时要引入更严格的内容审核机制来防止低质内容泛滥第四段说明这个方案的适用边界和可能的负面效果。这种写法本质上是告诉阅卷人我不只是一个能分析问题的学生我是一个能帮你解决问题的人。在竞争激烈的校招笔试里这点差异可能决定你能否进入下一轮。5. 笔试实战中我总结的10条避坑指南讲完框架说点实战经验。这套题即使分析框架掌握得再好如果踩了以下几个坑得分也会很难看。我结合自己和身边同学的复盘整理了10条高频问题第一不使用经济学术语。有些同学可能担心堆砌术语让答案显得虚但这类专业笔试的阅卷人是内行的你需要用“网络效应”“转换成本”“边际成本趋近于零”这类术语来证明你有专业素养。关键在于术语要服务分析不是装饰门面。第二给出极端化结论。比如直接说“分成比例越高越好”或者“补贴完全没有价值”这种缺乏条件约束的结论在经济学分析里非常刺眼。合格的回答会时刻提醒自己任何结论都有适用边界。第三忽略成本侧。当年那套题里最常见的思路陷阱就是只谈收益不谈成本。比如分析推荐算法优化只讲“提升匹配效率带来用户时长增长”但忽略了算法研发投入、计算资源消耗、试错期间的用户体验损失这些都是成本不讲成本的分析是不完整的。第四不会谈数据。有些论述题你不需要真的做计算但需要体现数据意识。比如谈“创作者对分成比例的反应”你应该提到可以用创作者在不同平台间的入驻选择数据或者用历史上分成比例调整前后的创作者产出数据来估计弹性。哪怕只是“提出一种可能的测量方法”也比空谈理论强很多。第五逻辑跳跃。从“用户时长上升”直接跳到“公司营收上升”中间漏掉了“广告库存增加但填充率可能下降”“转化率未必同步提升”这些中间环节这是很多人在考场时间压力下容易犯的错误。好办法是每写一步都问自己这一步到下一步有没有隐藏假设第六卷面信息密度太低。说了一大段但全是废话翻来覆去信息密度低。这方面需要平时训练用精准的短句表达一个完整的因果链条。第七忽略外部竞争环境。2019年快手面对的市场环境很复杂如果一个分析题完全不谈竞争对手的应对、不谈市场上其他替代品的走势那这个分析就过于“真空”了。第八不懂现实业务的复杂度。比如谈到内容审核认为只是“提高标准”就完了完全没有考虑到审核标准的边际成本、被误伤创作者的申诉机制、以及公众舆论风险。这些复杂因素恰恰是经济学家在实际工作中必须妥协和权衡的。第九不懂取舍。经济学家面试题的核心往往是“给出取舍建议”而不是“找到唯一最优点”。如果题里给了三四个不同的目标比如用户增长、创作者收益、平台利润、内容生态健康度你非要选一个绝对最优容易显得缺乏商业直觉更好的路径是把这些目标放在同一个分析框架里讨论它们的张力。第十时间分配失衡。我记得有同学反馈做这套题时容易在前面的大题上花太久导致后面的简答题没时间认真写。建议按分值比例分配时间留出最后10分钟通读检查重点看逻辑链条是否断了、术语是否用对、结论是否清晰。6. 从笔试到offer一个过来人的长期练习建议聊到这儿肯定有读者想问我也想准备这类岗位但平时该怎么练我的核心建议是不要把自己困在“刷往年试题”这个层面而是建立一种日常思考习惯——每看到一个平台动作、一个产品变化就问自己三个问题平台为什么要这么做经济学逻辑是什么如果用数据验证怎么做举几个例子。你打开App看到新人专属红包就可以想想这是不是“价格歧视”的变体新用户需求价格弹性高所以给优惠老用户弹性低所以不给平台如何防止老用户“伪装新用户”看到平台大力扶持中腰部创作者可以想想这是不是一种“反垄断”策略用来对冲头部创作者议价权过高带来的风险看到会员涨价公告可以想想涨价对高活跃用户和低活跃用户的影响差异以及用什么数据指标去监控“会员流失风险”。这种练习的最大好处是它逼着你在真实场景中反复操练经济学概念而不是等到考场上才第一次尝试把理论和现实结合起来。时间长了你会发现看到任何商业现象都能自动建立起分析框架这比背多少道题都管用。关于要不要报课、要不要刷模拟题我的态度比较明确专业笔试备考核心不是“多做题”而是“做对题”。市面上的资料大多是通用行测题或者互联网产品题和经济学专业卷的考察逻辑差距很大与其刷一堆不对路的题不如把有限的备考时间花在读高质量的商业分析报告、复盘经典的平台经济案例、以及练习自己搭建分析框架上面。另外补充一个很容易被忽略的准备方向多关注目标公司当年的公开业务动态和创始团队在公开场合的讲话。我记得2019年前后快手外部传达出来的一个核心关键词是“普惠”这套价值观也大概率会渗透到笔试题里。如果你能在答题时自然融入对公司商业逻辑的理解比如在分析创作者生态时提到普惠理念和头部集中之间的张力会是一个非常明显且恰当的加分项。我在面试时也体会过这类岗位的偏好他们不太青睐那种表达极度激进、说话像“指点江山”的候选人反而更看重一个候选人是否能在复杂约束下给出条理清晰、可执行的建议。哪怕你的答案比较保守只要逻辑完整、边界清晰、数据意识明确就已经跑赢大多数人了。我个人在准备这类笔试时最常给自己的一句提醒是你不是来展示自己知道的你是来展示自己会怎么想的。这句话放到今天对任何一个想进入互联网平台经济、商业分析、数据策略这类方向的同学来说我认为依然适用。