第一次看到“快手2019春季校园招聘笔试试题-经济学家试卷B”这个标题时，我的第一反应是“赶紧把宏微观经济学教材翻出来背一遍”。但真正刷完这类试卷后，我才意识到一个反直觉的事实：互联网公司招“经济学家”，笔试考的从来不是课本里的经济学，而是用经济学思维去拆解真实业务问题的能力。如果你现在正在准备大厂经济学家、商业分析、经营分析这类岗位的笔试，大概率会遇到同样的困惑——岗位名听着很学术，试卷做起来却像“商业案例面试+统计学基础+一点计量常识”的混合体。这篇文章我就以这份试卷为线索，结合互联网公司经济学家岗笔试的共同逻辑，拆一拆它到底想筛什么人、题该怎么答、备考时间应该花在哪里。
1. 经济学家笔试的真实定位：从“经济学常识”到“业务分析力”
1.1 笔试到底在筛什么能力模型
很多候选人把“经济学家”三个字等同于学术研究，于是花大量时间复习IS-LM模型、索洛增长模型、效用函数推导。但企业招聘经济学家，不是为了发论文，而是为了用经济学框架帮助公司理解市场、用户和商业策略。岗位的实际工作内容，通常集中在几个方向：内容平台的供需匹配、创作者激励的价格机制设计、增长策略的边际收益评估、平台变现模式的经济学解释。
所以笔试在筛的，是一套复合能力模型，我把它拆成四层。
第一层是经济学常识。不需要你会推导复杂模型，但要懂边际成本、机会成本、供需均衡、弹性、外部性、博弈论的基本概念。比如平台给创作者提高分成比例，短期带来供给增加，但长期会不会导致平台毛利下降、创作者产生“补贴依赖”？这就是一个典型的激励相容问题。
第二层是商业逻辑。要能看懂一家公司的业务模式，知道它的收入从哪里来、成本结构是什么、用户和供给端如何形成网络效应。以短视频平台为例，创作者是供给侧，用户是需求侧，平台通过推荐算法做匹配，再通过直播打赏、广告、电商这些方式把注意力变现。你如果连“双边市场”和“网络效应”都没概念，很多题根本无从下手。
第三层是数据处理能力。不要求手推公式，但你要看得懂表格、算得清比例、能识别指标口径问题。比如给一张“不同渠道用户次周留存率对比表”，你要能判断哪个渠道质量更高；给一组活动前后的DAU数据，你要能估算活动带来的增量大概是多少。
第四层是结论表达能力。笔试中的论述题，本质上是在模拟“你向上汇报”的场景。你能不能把分析过程组织成“结论先行—数据支撑—逻辑论证—策略建议”的结构，比你是不是用了高级术语重要得多。
1.2 短视频平台希望经济学家解决什么问题
想答好试卷，先得理解对方为什么设置这个岗位。以快手为参照，短视频平台的核心经济学命题其实是三个。
第一个命题是注意力的生产与分配。用户的时间是有限的，平台要决定把流量分给哪些内容、哪些创作者。这背后涉及推荐算法，但经济学家关心的不是算法本身，而是流量分配带来的激励效果：如果头部内容拿走了绝大部分曝光，中小创作者还会继续生产吗？如果长尾内容长期没有反馈，供给会不会萎缩？
第二个命题是创作者经济的价格机制。平台让创作者赚到钱，他们才会持续生产。但钱从哪里来、按什么规则分、怎么平衡不同体量创作者的收益？这些都是经济学问题，更准确地说，是机制设计问题。
第三个命题是双边市场的冷启动与增长阶段转换。早期平台缺内容，需要靠运营手段拉创作者；中期内容多了，需要靠算法提高匹配效率；后期要考虑商业化效率。每个阶段的命题不同，笔试题目也会围绕这些阶段设置。
想明白这几点，你就清楚为什么试卷里会出现“平台补贴应该给需求侧还是供给侧”“如何设计创作者分成规则”“如何评估某次运营活动的长期价值”这类问题了。它们考察的都不是死知识，而是你能否把经济学框架迁移到具体业务里。
2. 盘点几类高频题型：每一种都有固定的破题姿势
2.1 经济学基础题的考查边界
这类笔试通常会有一批“快速判断题”，以选择题或简答填空的形式出现，覆盖微观、宏观、计量的一些基础点。别被“经济学家”三个字吓到，考得并不深，重点集中在几个区域。
- 价格与弹性：需求价格弹性、交叉弹性对定价和补贴策略的含义
- 成本与生产决策：边际成本、固定成本、可变成本、规模效应
- 市场结构与博弈：完全竞争、垄断、寡头，囚徒困境、纳什均衡
- 外部性与公共品：内容平台的审核治理可以理解为“负外部性的内部化”
- 基础计量概念：相关性不等于因果性、遗漏变量偏误、选择偏差
做这类题，最快的准备方式是找几套互联网公司商业分析/经济学家岗的真题感受一下出题风格，再用曼昆《经济学原理》的微观部分查漏补缺。关键是理解概念在商业场景中的应用，而不是背诵定义。比如考“边际成本”，不会直接问你定义，而是问：“短视频平台每增加一个用户观看，额外增加的成本几乎为零，这说明了什么？”如果你能答出“数字产品的边际成本趋近于零，因此平台的核心命题是注意力的稀缺性而不是内容的稀缺性”，这道题就过了。
2.2 数据题的常规考法与速算素养
数据题是刷人最多的部分，因为它没有套路可以突击。常见考法有几种。
第一类是图表解读：给定一张留存曲线或一张用户结构分布表，要求判断业务现状并给出建议。这种题考的是对数据敏感度，平时多看看自己产品的DAU趋势、留存矩阵、漏斗转化率，会很加分。
第二类是估算与简单建模：例如“某功能上线后，次日留存率提升了0.5个百分点，DAU提升，估算对人均时长的贡献”。这类题不需要精确计算，但要有清晰的拆解链条和合理的数量级估计。我自己的经验是，平时养成“把指标拆成乘除法”的习惯，考场上就不会慌。
第三类是AB实验相关：考查对分组、显著性、置信区间、类实验的基本理解。最常见的坑是只看“显著”不看“效应量”，或者忽略样本量不足带来的“假显著”问题。
2.3 案例题的评分套路
案例题是重头戏。阅卷人看的不是“正确答案”，因为很多业务问题没有唯一答案，他们看的是三点：一是有没有把问题拆开，二是有没有兼顾短期与长期，三是有没有落地的数据或逻辑支撑。
举个例子，题干可能是：“公司想提高创作者活跃度，你有什么策略？”低分答案会写“优化分成机制、提供更多流量扶持、加强创作者培训”这种三条并列式的方案。高分答案会先拆解“创作者活跃度”受什么影响：创作意愿、创作回报、创作成本，然后分别展开，每个方向上给出可验证的假设和对应的衡量指标，最后还能提一句“需要小范围实验验证，再决定全面推广节奏”。这一下就从“打嘴炮”变成了“业务操盘手”的视角。
案例题最忌“没有数据视角的空谈”，最忌“没有逻辑框架的堆砌”。框架感和量化意识，是拉开差距的关键。
2.4 论述题的时间分配
很多候选人前面的题做得太细，最后论述题只剩十分钟，草草写两行交卷，这是最可惜的。我的建议是拿到试卷先花两分钟浏览全局，把论述题留出至少25到30分钟。论述题一般不会有标准答案，但它占分最高，考的就是你的结构化表达。哪怕前面的数据题有一两道拿不准，也不能占用论述题的完整时间。
3. 平台经济论述题，怎么答才能体现“经济学家”的档次
3.1 双边市场分析的基本功
论述题题干经常是开放式的，比如“如何看待短视频平台对创作者的分成策略”或“分析一种新兴变现方式对平台生态的影响”。这种题要答得出彩，需要有双边市场的分析框架。
双边市场的核心特征是两组用户互为外部性：创作者越多、内容越丰富，用户越愿意来；用户越多、注意力越充足，创作者越愿意来。平台的作用就是设计价格结构和规则，把这两边的正向外部性放大、负向外部性控制住。
答这类题时，我习惯按“供给侧—需求侧—平台侧”三层拆。
- 供给侧（创作者/商家）：数量够不够？质量如何？成本收益是否平衡？
- 需求侧（用户/消费者）：规模有多大？结构是什么？留存如何？付费意愿如何？
- 平台侧（规则与效率）：分成机制、流量分配、治理规则、技术成本
按这个框架去答，内容会比较完整，至少在结构上不容易丢分。
3.2 结合具体业务的答题框架
这里用短视频平台直播业务做个例子，展示怎么写一份高质量论述题答案。
题干假设：“直播打赏收入快速增长，但有人担心这会影响平台长期生态。谈谈你的看法。”低分答案会直接站队说“好事”或“坏事”。有层次的答案应该这样组织：
先界定，直播打赏收入的增长可以拆成三部分：付费用户规模的增加、付费渗透率的提升、人均付费金额的提升。这三部分分别对应不同的业务含义。付费用户规模增加说明用户基数在扩大或转化做得更好；渗透率提升说明付费习惯在养成；人均付费金额提升则可能是大额用户贡献增加。注意，人均付费金额提升不一定是好事，如果靠头部大额用户拉动，意味着收入结构脆弱，而且可能涉及非理性消费、未成年打赏等风险。
再分析，打赏对平台生态的影响不是线性的。一方面，打赏为创作者提供直接收入，激励内容供给，这是正外部性；另一方面，过度追求打赏效率可能导致内容生态向诱导消费倾斜，让非付费用户体验下降，这是负外部性。平台要做的是设计规则，让正外部性大于负外部性。
最后落到建议，用指标体系和实验来管理这个平衡。可以追踪付费用户留存、非付费用户观看时长、举报率、内容举报结构等护栏指标，在小流量实验中调整分成比例和打赏引导策略，观察整体指标变化再决定全量。
这种答题方式，既体现了你的经济学框架，也展示了你对业务的理解，还有量化验证意识。阅卷人看到这种答案，基本上就能判断你入职后能不能独立推进一个分析项目。
3.3 用经济学语言包装常识：一个加分技巧
很多候选人觉得论述题要“语出惊人”，其实不是。论述题真正加分的是把常识问题用经济学语言重新组织。
比如“创作者为什么愿意持续发布内容”，常识答案是“因为能涨粉赚钱”。用经济学语言说就是“创作者在既定成本约束下追求收益最大化，这里的收益包括经济回报和社会认同，成本包括创作时间与机会成本；当收益大于边际成本时，供给就会增加”。再比如“平台为什么要打击搬运和低质内容”，常识答案是“因为影响用户体验”，经济学语言是“低质内容产生负外部性，增加了用户的信息筛选成本，平台的治理行为本质上是将负外部性内部化”。
这套包装能力可以通过刻意练习来培养。平时看到任何一个业务策略，都试着用“成本、收益、激励、外部性、边际”这五个词之一去解释一遍，练习半个月，论述题的语言风格会明显上一个档次。
4. 计算与统计题：不考数学，考的是“可解释的判断”
4.1 指标归因的乘法拆解套路
计算题最常见的类型是“收入增长归因”和“活动效果评估”。这类题有一个万能破题法——乘法拆解。
几乎所有业务指标都可以拆成几个因子相乘。短视频平台的广告收入可以拆成：广告收入 = DAU × 人均展示广告次数 × 广告加载率 × 千次展示收入。直播收入可以拆成：直播收入 = DAU × 付费渗透率 × 人均付费金额（ARPPU）。创作者活跃度可以拆成：活跃创作者数 = 注册创作者数 × 首次发布转化率 × 次周持续发布率。
拿到计算题时，先别急着动笔，先写拆解公式，再把已知数据代入，最后识别哪个因子是“变化的主要驱动力”。比如题目告诉你“本月广告收入增长30%，DAU增长5%，广告加载率提升10%，eCPM提升13%”，你通过乘法关系很快就能判断出收入增长的主要驱动力是eCPM和广告加载率，而不是用户增长。接下来所有建议都要围绕“如何继续提高eCPM”和“广告加载率的上限与用户体验平衡”去展开，而不是空谈拉新。
这个拆解过程本身，就是面试官想看的分析逻辑。数据计算只是载体，可解释性才是核心。
4.2 留存相关的“常识区间”
数据分析类题目经常涉及留存率。比如给一组“次日留存、7日留存、30日留存”的数据，要求判断产品健康度。答这种题之前，先要知道常见的参考区间。
- 次日留存：内容型产品一般能在40%到60%之间算不错，低于30%说明首刷体验或新用户引导有较大问题
- 7日留存：一般在20%到30%之间属于健康，低于15%需要警惕
- 30日留存：10%以上算不错，低于5%说明产品缺乏长期价值
注意，这里说的是“常识区间”，不是绝对标准。不同品类差异很大，工具类产品的次日留存可能高于70%，超休闲游戏也可能只有30%。答题时不要只报数字，要说“这个数据处于什么水平，说明什么问题”。比如“次留45%，30日留存只有6%，说明用户初次体验尚可，但产品长期价值不足，可能需要关注内容消费深度或社区关系沉淀”，这种表达才叫数据分析。
4.3 实验题怎么答才不丢分
AB实验相关题目几乎每年都会出现在这类笔试中。考得最多的是几个点：
- 随机分组为什么重要：保证两组在实验前无系统性差异，使结果可归因
- 如何判断结果是否可信：看显著性水平、置信区间、样本量；不只盯着P值
- 什么时候可以放量：看主指标是否显著改善，以及护栏指标是否受损
遇到实验题，一个稳妥的答题模板是：参考时期选择是否合理、分组是否随机、是否受同期其他策略干扰、样本量是否足够、显著性水平如何、主指标和护栏指标分别是什么、结果是否稳健、能否放量。
举例，题目说“某功能上线后DAU提升了5%，据此判断该功能有效”，答案应该先指出结论过于草率：DAU提升可能来自季节性波动、同期其他运营活动、自然增长趋势，不一定能归因于该功能。正确的做法是通过AB实验隔离变量，长期观察趋势，用同期对照组来排除干扰。这种“纠偏型”答案通常分数很高，因为它展示了因果推断的基本素养。
5. 案例设计题重灾区：指标、口径与驱动力
5.1 先定义口径再谈评估
案例设计题经常是“如何评估某策略的效果”。很多候选人上来就写一堆指标，但最大的坑是“指标口径不清晰”。
举个例子，题干问“如何评估内容审核策略调整的影响”。如果你只写“看内容举报率变化”，就会显得很粗糙。高分的回答会先区分口径：是看举报率绝对水平，还是看举报量结构？是看用户投诉的举报，还是系统识别的违规内容占比？审核策略调整会影响“应删内容比例”“用户举报量”“优质内容推荐量的变化”“创作者误伤率”等多个维度，要先明确“核心评估口径”，再围绕口径选指标。
这种“先对齐口径再谈过程”的习惯，在笔试里很加分，因为它反映了你在真实工作中具备项目管理思维——任何评估项目，第一步都是跟业务方确认“你说的有效，到底是什么含义”。
5.2 建对照组与干扰项意识
案例题也常出现“给一个结果让你判断归因”。这是数据归因题，也常见于对某个运营活动的效果评估。
要控制住本能——不要看到数据就往“策略有效”方向想。要主动寻找干扰项。常见干扰项包括：季节性因素（如春节前后用户活跃度本身就高）、同期其他活动重叠、产品版本更新、外部市场环境变化、自然增长趋势等。
回答这类题的通用框架是：先设定对照组（历史同期、未触达用户、低渗透地区等），再排除干扰项，最后给出增量贡献的估计方法（如DID、断点回归的思路，不要求公式，但要有这个意识）。
哪怕计算不精确，只要体现出你有“隔离其他变量”的因果思维，这道题就已经胜过大多数候选人了。
5.3 从业务闭环谈策略建议
案例设计题的最后一步往往是“基于分析给出建议”。这一步不要变成万能话术“优化产品、加强运营、提升用户体验”这种空话，而是要落到业务闭环上。
比如你评估一个创作者激励计划的效果，发现计划确实提升了头部创作者产量，但对中小创作者没有显著带动。那么你的建议不应该是“加大对中小创作者扶持力度”这种正确的废话，而应该具体到：是不是奖励门槛太高导致中小创作者无法触达？是不是激励规则里只考核了播放量，而中小创作者在初期无法获得播放量？要不要分赛道、分层级设置激励池，或者引入成长任务机制？
有闭环的建议，一定是能回到“修改某个可执行参数”的。这个参数你可以在下一轮实验中观察，形成“分析—策略—实验—再分析”的自循环。具备这种意识的答案，阅卷人一眼就能识别出来。
6. 备考过程中最容易踩的四个坑
6.1 用考研教材复习是最大的误区
我最开始备考时，买了一堆宏微观经济学考研教材，啃了一个月效用函数和古诺模型，结果笔试里大部分用不上。不是说这些知识完全没用，而是性价比极低。互联网公司的经济学家笔试，更多是“商业分析能力+经济学直觉”的组合测验，不是学术能力测验。
正确的复习路径应该是：用一周时间过一遍曼昆《经济学原理》的微观部分，重点理解弹性和边际分析；再看一些平台经济相关的文章和行业报告，建立对双边市场的直观感觉；最后花一半以上的时间刷题和练习案例分析。一定要动手写，不要只在脑子里想，很多问题一写出来就发现逻辑是不通的。
6.2 忽略把图表读成故事的能力
数据题里经常会给几张图表，要求说出业务洞察。很多人平时没有练这个，到考场上一看图表就懵了。
其实读图表的顺序是固定的：先看整体水平，再看趋势，再看结构差异，最后看异常点。给你一张各品类创作者投稿量和播放量的对比图，先看哪个品类供给多、哪个品类消费多，再看品类之间的供需差值，最后找供给高但消费低的品类——那里面藏着结构调整的机会。把这个顺序变成肌肉记忆，考试时就不会手忙脚乱。
6.3 文书化表达被扣分
论述题最怕写成“三段式议论文”：第一段提出观点，第二段堆论据，第三段总结升华。这在学校作文里能拿高分，但在商业分析里会被嫌弃。商业分析的核心是“结论先行+数据论证+可执行建议”，不需要华丽的转折和排比。
你可以在备考时逼自己用“三段式业务表达”回答所有问题：第一句给结论，第二句给数据或逻辑支撑，第三句给出可落地的后续动作。这个习惯练好了，笔试和面试都会受益。
6.4 只顾刷题不看公司业务
这是最容易被忽视的坑。同样的经济学原理，放在不同行业里，答案方向完全不同。考快手的试卷，你如果不知道它的业务结构，很容易答偏。
至少要做到：知道它的核心产品形态（短视频+直播）、主要变现方式（广告、直播、电商）、创作者生态的大致情况、主要竞争对手是谁。这些信息不需要研究得多深入，但要有基本常识。因为题目可能会问你“广告收入增长的驱动因素”，你如果连“广告加载率”这个变量都想不到，说明你确实没有理解这家公司的生意。
我当时做完整套卷子出来，最大的感受是：这类笔试与其说在考知识，不如说在考“你有没有用经济学思维去想一家公司生意的习惯”。那些课本上的术语一个都没用上，但“成本收益”“供需匹配”“边际变化”“外部性内部化”这些思考方式贯穿始终。如果你也想投递这个方向，建议从现在开始，每天找一个业务现象，用经济学的语言解释一遍。坚持一个月，再打开这套试卷，你会觉得它亲切很多。
