基本假设

头部主播的相关情况，可以看作网站大盘的基本状况。通过长期观察头部主播的数据，近似获得直播服务主营业务的收入情况，在财报发布之前，做多或者做空直播概念股，也可以用来评估非上市直播业务发展是否健康。

数据准备

1. 取某一周 7 天，各直播网站的 top 1000 主播ID
2. 将 7 天的主播打赏金额相加，取 top 1000，目的是减少误差

3. 跑得到的各网站 top 1000 主播，在2018年全年中，每一天的打赏数据，包括

   • 打赏次数
   • 打赏粉丝数
   • 主播出勤天数

数据清洗

1. 自充值识别
2. 更换房间或用户名的主播识别
3. 排除个别主播跳槽的小概率事件影响

数据分析

• 主播相关，分析头部主播的捞金能力、流失情况、粉丝构成是否健康

  1. 各网站 top 1000 主播，在2018年中，每天获得打赏金额总数
  2. 各网站 top 1000 主播，在2018年中，每天活跃的主播数

  3. 各网站 top 1000 主播的流失情况

     • 流失的定义，在2018年11月1日至统计当天，期间没有上线的主播数

  4. 各网站 top 1000 主播，打赏的粉丝数

     • 单个粉丝打赏金额的分布
     • 与上月相比，每月新增的打赏粉丝数

• 粉丝相关，打赏不集中到少数人的更健康

  1. 各网站，每天打赏的笔数
  2. 各网站，打赏粉丝去重总数
  3. 各网站，单个粉丝全年打赏金额的中位数

• 推广投放能力，网站获取新流量的投入，近似拉新能力

  1. 各网站APP，在应用宝、360手机助手、小米应用商店的排名，取统计当天（有历史的数据更佳）

数据结论

采集到了某一周虎牙 top 1000 主播的打赏情况，不同主题的主播收入构成差异比较大，头部主播集中了主要的收入，从各直播服务的收入总量看，陌陌、快手、抖音领先比较明显，虎牙和斗鱼主播量级差不多。

采集和建模都在优化之中，数据积累的时长也不足以用于观察趋势，就只公布一下虎牙头部主播的一些数据，后续继续分析。

现状说明

已经有北京、贵阳、上海、广州、天津、杭州、深圳、海南全境实施了限牌政策，这些省市的购车难度加大，催生了一个购牌租牌的地下市场，看起来还相当活跃。

通过假结婚过户车牌的方式，时间成本非常高，在这里就不做探讨，主要聊聊长租车牌的地下市场是怎么运作的。

北京2019年会实施更严格的限制外地车牌上路的政策，预计地下购牌租牌市场会更活人，目前可以获知的租牌方案主要有以下几种形式：

由于车辆会过户到持牌人名下，对双方来说都存在一定风险

• 3-5年的租约形式，持牌人会保留机动车行驶证，保证在租约结束后可以取回车牌，同样的，车辆抵押给用车人，也保证了持牌人无法处置车辆，保障用车人财产安全。
• 20年买断的模式，通常持牌人都是离开北京或是长期不使用车牌，所以会提供一张20年有效期的身份证给用车人，方便车辆购买保险、过户及报废，通常不要求抵押（解抵押需要双方到场，难度大）。虽然这张身份证会挂失，但依然存在身份证被滥用的风险。

改进可能

不足之处主要体现：

• 现存的地下市场中，中介承担的是居间撮合的角色，风控手段单一且存在风险
• 费用通常需要一次付清，加上车款，给一些刚需用车带来经济压力

改进模式实际上可以简化描述为：

融资租赁回租模式+P2P租车

• 引入融资租赁公司，实现对车辆的融资购买及控制
• 引入P2P租车服务，实现持牌人和用车人的租车协议
• 引入资方，提供购车资金

模式如下：

增加的几个公司实体，目的是提供信用服务和资金服务，让无信任关系的持牌人和用车人达成协议。由于公司实体通过融租协议控制了车辆，且利用外部资金方提供了融资服务，分别维持跟持牌人和用车人的联系，在信息中介、助贷、贷后管理、保险、保养等多个点都可以提供服务获得利润。

改进模式的缺陷

• 改进仅存在可能性，合规性不足，依然是地下产业
• 用车人逾期，需要处置持牌人名下车辆，存在瑕疵，需要其他协议
• 缺乏合理的贷款场景，且金额较大，对资金方而言有监管风险

其他

车牌供给受限实际上是路权供给稀缺的表现之一，在道路使用率是否达到了最有效率很难评估，很多经济学家是比较支持通过拥堵费来解决的。改进地下市场的交易模式是个脑洞，如果把本来是商品的不当商品来看待，就会产生其他的“市场”来解决问题。如果从供给曲线来，地下市场的车牌供给量会随着价格上升增加，车牌变成了一种可被免费获取的资产，参加摇号的人数和电动车排号的人数只会越来越多，其中用车需求更强烈的人，更难得到车牌。

政府是否可以提供一种年付租金的车牌来调节车牌供给呢？

基本上在抄袭《笨办法学python》和《io语言手册》

练习0. 准备工作

练习1. 第一个程序

练习2. 注释和“#”井号

练习3. 数字和数学计算

练习4. 变量

练习5. 更多的变量和打印

练习6. 字符串和文本

练习7. 还是赋值、拼接和打印

练习8. io语言的基本概念-原型

练习9. io语言的基本概念-都是对象

练习10. 读写文本

练习11. 读取目录中的文件名

练习12. 复制文件

练习13. 再来聊聊原型、对象和方法

练习14. return返回

练习15. List列表和map散列

练习16. 操作字符串

练习17. if条件表达式

练习18. 其他条件表达式

Io语言入门

结束

好了，这是标题党

我真正想写的是 信息熵 这个概念。什么是最好的编程语言，够程序员们吵上一辈子，java在很多人心里有这样的的刻板印象：

庞大、复杂、啰嗦、框架重、开发效率低、性能差……

如何优雅且不容辩驳解释java的优势呢？可以从信息熵的角度来解释，换个角度把“啰嗦”这个缺点变成“利于协作”这样的优点。

信息熵：信息的基本作用就是消除人们对事物的不确定性。信息熵是系统有序化程度的一个度量。

——引自百度百科的信息熵条目

定义看起来简单，但是用来赞美java还不直接，还是用语言的例子来解释：

中文就是一种信息熵很高的语言，有时候言简意赅，有时候容易误解，一词多义的现象非常常见。

甲：这是一点意思

乙：这是什么意思？

甲：就是意思意思

乙：这样就没意思了

上面的对话到底是什么意思？不在中国语境下，很难理解。语言中通常增加很多冗余信息，用来降低歧义和误解，达到准确沟通的目的。针对java而言，它的“啰嗦”带来了一个非常大的好处：提供确定性

• 项目人员众多，水平参差不齐，重框架提供了质量控制
• 啰嗦的语法，方便相互理解对方的code
• ……

总结起来就是方便协作，质量稳定，工时稳定，对输入资源要求不高

“啰嗦”就不能优雅吗？

啰嗦也可以优雅，白居易的诗老妪能解，童子解吟，如此平易近人，可以用信息熵低来解释，也就是在诗歌中增加了很多冗余信息，比如著名的《琵琶行》，也有用词的重复，但却是名句。

……，大弦嘈嘈如急雨，小弦切切如私语。嘈嘈切切错杂弹，大珠小珠落玉盘。间关莺语花底滑，幽咽泉流冰下难。冰泉冷涩弦凝绝，凝绝不通声暂歇。别有幽愁暗恨生，此时无声胜有声。……

重点是对细节的描述，将不同阅读者带入相似的场景，获得相似的体验。同样的，看高手的代码是不是也有这个感觉？

为什么一个产品经理要评价java？

同样的逻辑，还可以用来解释下面一些问题：

• 如何优雅解释PRD又长又臭还要写
• 为什么会议结论要反复确认
• 为什么同一个事情，要多次沟通
• ……

决策引擎是什么？

决策是思维过程和行动过程结合的复杂过程，包括三个阶段：

1. 抽象出对象特征，识别对象
2. 通过规则或模型，诊断对象
3. 根据诊断的结果，选择行动

决策引擎应当是承载业务思维过程和行动过程通用化工具集。在实际业务场景中，通常指支持第二阶段的工具，输入是一组对象及抽象出来的对象特征（即是变量），输出是针对对象的决策、标注、排序，被业务系统与映射到具体的业务行动中。

举例：

申请信用卡时候碰到的决策过程就符合这个结构：

1. 将客户的基本信息输入，抽象出各中变量，如年龄、职业、收入、社交等
2. 通过规则及模型，给出批准或不批准，批准多少额度的结果
3. 选择后续行为，通过制卡/拒绝/需要补充资料的行动

什么样的业务需要决策引擎？

业务复杂性带来高决策成本和决策风险，需要决策引擎工具（本质上是效率工具）支持。符合以下特点：

1. 业务链条长

   • 决策场景多样化
   • 参与角色多样化
2. 业务对象多样化

决策引擎产品设计的原则？

1. 通用工具适应个性业务

   • 多样化决定个性化

     • 决策场景多样化

       • 人工干预 / 规则 / 模型 是个性的
       • 外部限制条件是个性且动态的

     • 参与角色多样化

       • 决策标准和行动是有差异的

     • 业务对象多样化

       • 特征是复杂多变的
       • 抽象成特征的方法多样的

   • 工具属性决定通用化

     • 本质上，决策引擎实现的是对业务对象的决策、标准、分类
     • 结构上，工具可简化为规则、模型、人工干预三大模块（统计可作为附属模块）

2. 角色化

   • 决策过程中，不同角色权限、决策点、决策成本和收益、行为不同，输出结果应可回溯、可解释（机器学习模型有难度）、可修正救济
   • 不同角色在不同决策场景下，需要获得的信息和使用的规则或模型也不同

3. 服务化

   • 提供接口层方便嵌入复杂业务流
   • 不同决策的内容不同，可根据输出结果包装为不同小工具，作为服务输出

如何评估决策引擎产品的质量？

工具的质量评估：

• 服务稳定可靠
• 基础工具可灵活装配
• 方便部署
• 面向不同用户

决策引擎的实际应用？

金融风控决策引擎简明示例

决策引擎里的规则工具元素

实际业务中，规则引擎服务是决策引擎的核心之一，规则引擎包括一系列工具元素，像乐高一样组合成不同的规则服务：

• 规则/规则集
• 决策表
• 决策树

• 评分卡

  • A卡（Application scorecard），常用于用于信贷审批
  • B卡（Behavior scorecard），常用于贷后管理
  • C卡（Collection scorecard），常用于催收管理
• 决策图
• 自定义函数与方法

怎么理解决策引擎里的模型

给模型一个简单的定义：

模型 = 算法 + 数据结构 + 参数值

针对模型的主要工作就可以分类如下：

• 调整算法
• 调整数据结构
• 调整参数，要求有良好的反馈机制，让业务结果反馈回模型

优秀参考资料：斯坦福大学的机器学习技巧和秘诀速查表