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。
