第一篇：r 和 python (numpy scipy pandas) 用于統計學分析哪個更好？ 知乎精選

R 和 Python(numpy scipy pandas)用于統計學分析，哪個更

好？

知乎精選

總的概括：R主要在學術界流行，python(numpy scipy)在工程方便比較實用。

R是S（Splus）的開源版本，或者下一代。發源地在新西蘭奧克蘭。這個軟件的統計背景很濃烈。我這里濃烈的意思是，如果你不熟習統計知識（歷史）的話，R的幫助文檔看起來是很累的。由統計背景的人開發。R的維護組叫CRAN-R。在生物信息方便，有個叫bioconductor的組織，里面有很多生物信息方面可以用的軟件包，他們有一套自己維護package系統。

Python是個綜合語言（這里特指指CPython解釋器），numpy scipy是數值計算的擴展包，pandas是主要用來做數據處理（numpy依賴），sympy做符號計算（類似mathematica？）此外還有一些不太成熟的包如sciki learn，statistical models。成熟度不如R。但是已經到了可用的水平了。是讀計算機的人寫的統計包。ipython 更新到1.0以后，功能基本完善，其notebook非常強大（感覺就像mathematica)而且還是基于web，在合作分享方面非常好用。性能：

大家都說R慢，特別是CS的人。其實這里主要是兩點：一個R里面數組的調用都是用復制的，二是Rscript慢。三是處理大數據慢。如果R用的好的話，R是不太慢的。具體來說就是Rscript用的少，多用命令，跑點小數據。這樣的話，實際在跑的都是背后的fortran和C庫。他們都有快二三十年歷史了。可謂異常可靠，優化得不能再優化了（指單線程，如果去看源代碼揮發先許多莫名的常數，永用了以后精度高速度快！）。比如一個自己編寫一個R腳本，loop套loop的那種，那真是想死的心都會有。外加一點，R處理文本文件很慢！

Python歸根揭底還是個有解釋器的腳本語言，而且有致命傷——GIL，但python最難能可貴的就是它很容易變得更快。比如pypy，cython，或者直接ctypes掛C庫。純python寫個原型，然后就開是不斷的profiling和加速吧。很輕易可以達到和C一個數量級的速度，但是寫程序、調試的時間少了很多。并行計算：

R v15 之后有了自帶的parallel包，用挺輕松的。不過其實就是不停的fork，或者mpi，內存消耗挺厲害的。parSapply，parApply什么的，真是很好用。

Python雖然有GIL——并行計算的死敵，但是有multiprocessing(fork依賴)，是可以共享數據的什么的，估計內存消耗方面比R好點，數據零散的話overhead很多。到了MPI的話，mpi4py還是挺好用的。用cython的話結合openmp可以打破GIL，但是過程中不能調用python的對象。學習曲線：假設什么編程都不會的同學。

R一開始還是很容易上手的，查到基本的命令，包，直接print一下就有結果了。但是如果要自己寫算法、優化性能的時候，學習難度陡增。

Python么，挺好學的，絕大多數的幫助文檔都比R好了許多。有些包用起來沒R方便。總的來說深入吼R陡。擴展資源：

基本上新的統計方法都會有R的package，安裝實用都不麻煩。但是基本上都是搞統計的人寫的計算機包。所以效能上可能有問好。比較出名的有兩個包的管理網站，cran-r 和bioconductor。所以搞生化的估計R用起來很方便。python的統計計算包們比R少，多很年輕，還在不斷的開發中。優于是計算機人寫的統計包，用起來的時候要多漲個心眼。畫圖：

R自帶的那些工具就挺好用了，然后還有ggplot這種非常優美的得力工具。

python 有matplotlib，畫出來效果感覺比R自帶的好一些些，而且界面基于QT，跨平臺支持。可能是R用得多了，pyplot用起來還是不太順手，覺得其各個組建的統一性不高。IDE：

Rstudio非常不錯，提供類matlab環境。（本人過去用vim-r-plugin，現在用emacs + ess。）

windows 下有python(x,y)還有許多商業的工具。（本人現在的emacs環境還不是很順手~）建議：

如果只是處理（小）數據的，用R。結果更可靠，速度可以接受，上手方便，多有現成的命令、程序可以用。要自己搞個算法、處理大數據、計算量大的，用python。開發效率高，一切盡在掌握。

ps：盲目地用R的包比盲目的地用python的包要更安全。起碼R會把你指向一篇論文，而python只是指向一堆代碼。R出問題了還有論文作者、審稿人陪葬。題外話，個人經驗：

我首先用python實現了一個統計方法，其中用到了ctypes，multiprocess。之后一個項目要做方法比較，又用回R，發現一些bioconductor上的包已經默認用parallel了。（但那個包還是很慢，一下子把我所以線程都用掉了，導致整個電腦使用不能，看網頁非常卡~）后來用python pandas做了一些數據整理工作，類似數據庫，兩三個表來回查、匹配。感覺還是很方便的。雖然這些工作R也能做，但估計會慢點，畢竟幾十萬行的條目了。整理好之后開始嘗試用python matplotlib畫圖。pyplot作圖的方式和R差異很大，R是一條命令畫點東西，pylot是準備好了以后一起出來。pyplot的顏色選擇有點蛋疼，默認顏色比較少，之后可用html的顏色，但是名字太長了~。pyplot 的legend比R 好用多了，算是半自動化了。pyplot畫出來后可以自由拉升縮放，然后再保存為圖片，這點比R好用多了。

【知乎用戶的回答(41票)】: 的確，如同@周則禹 在回答中說到的，R是統計學家的東西。統計學家是一種什么生物呢？

“哈希表？二叉樹？鏈表？這是啥，可以吃嗎？” “循環？遞歸？沒學過，不會！”

所以，在R中沒有我們在計算機課上學的各種數據結構（至少不安裝擴展包就沒有）。如果你寫的代碼中還用循環來處理數據，而不是用apply、aggregate之類的函數，那么在R圈里會被人嘲笑。如果你的思維還是無法從計算機編程習慣中切換到R的話，那么還是用Python吧。

也是由于上述問題，R完全沒有考慮內存優化和算法加速之類的問題（R中不會關心sort函數是用快排還是冒泡實現的），所以數據量一大，計算機的內存就被占光了。不過有關內存和加速的問題已經有了許多的解決方案，例如用ICC編譯R源代碼鏈接MKL加速R數值計算，使用擴展包實現內存映射硬盤，等等。這些對于一個經驗豐富的碼農來說完全不在話下。所以，決定使用R還是Python的關鍵，就是你是否能夠接受R的思想。在R中，沒有變量，只有數據！沒有循環，只有批處理！

沒有計算機算法，只有數學模型！

如果決定使用R，那么就必須將自己從數據結構，算法策略這些知識中解脫出來。一個函數就是一個數學模型（回歸、假設檢驗、方差估計），用統計和概率的思路去理解數據挖掘和機器學習的算法。使用R，能夠將工作者從習慣的算法中解脫出來，真正去思考模型本身的數學意義，在數學層面去修改算法。忘記我們經常思考的算法復雜度和內存消耗之類的問題，推動機器學習和數據挖掘的關鍵動力，就是數學模型！

最后總結一下：

R能夠用最短的代碼實現一個新的統計模型和機器學習模型（前提是對R和擴展庫很熟悉），并且每一句代碼都有對應的數據和數學意義；因此R適用與建立新模型，新算法，并且對模型進行統計意義的評價。

Python能夠讓程序員在盡量不受語言細節的干擾下，將一個已經證明成熟和可靠的算法實現出來，并且投入工程應用，開發出實用的決策系統。

對語言的選擇其實也是程序員對自我的定位： 是想做科學家，還是工程師。【過擬合的回答(14票)】: 根據我的使用經驗，我認為一般性的科研可以使用numpy工具鏈做為主力。

首先，在寫矩陣計算相關的語句時，numpy的語法幾乎能逼近MATLAB的簡潔程度，而其他語言相對來說稍微“難看、難寫”一些。

其次，當程序不僅僅涉及到科學計算時，用Python就可以大發神威了。比如我自己遇到的一個實際問題：需要對點云進行一些非常復雜的優化操作，之后需要畫出三維圖且支持一些拉近拉遠轉視角的操作，并且還要做出一個不錯的界面方便調整參數、載入數據等等。看到畫三維點云的第一反應就是用OpenGL，但是使用C/C++寫那些非常繁雜的數值優化...用MATLAB可以很舒服、很便捷地寫出優化部分的代碼，但是直接畫大規模的三維點云的速度，以及它那令人憂傷的GUI...那Python就行嗎？是的。在數值計算方面，Numpy/Scipy，以及強大的機器學習包scikit.learn，讓這個過程十分愜意。在畫三維點云方面，PyOpengl包完全就是OpenGL的Python封裝，速度非常快，而且語法幾乎同OpenGL一樣。最后，使用PyQt寫出基于Qt的GUI，這至少是一個標準的完備的GUI包，外觀功能都不錯。最后的最后，這個程序不需改動就可以跨平臺運行，只要Linux/Windows用戶按照標準過程安裝了相應的包就可以使用，不用折騰本地編譯之類的事情。

還有一個問題是速度。Windows下使用python(x,y)、Linux下源里默認安裝方法的Python鏈接的都是較慢的Blas/Lapack庫，而MATLAB默認鏈接MKL，所以矩陣計算速度會慢非常多。但是至少在Linux下是很容易讓Numpy鏈接上MKL的，這樣的Numpy計算速度與MATLAB幾乎相同，所以速度不是嚴重的問題。也許C++能在循環上秒殺Python，但是如果你涉及到矩陣計算，用的普通的BLAS/LAPACK庫，那么在核心的某幾步上會慢成渣，從而在總的速度上被Python超越，得不償失。當然你也可以讓C++程序鏈接上MKL庫，但要移植到別的平臺又是一番折騰。

最后就是開發環境，個人推薦Eclipse的Pydev，用起來幾乎同MATLAB一樣，尤其是調試和看變量值方面。

在統計問題方面，用R寫起來最舒服，因為包全，這一點Python或者C比不上。而且R也能鏈接MKL大大加快速度。還有就是，如果你要寫統計方面的論文，那論文里的代碼用R似乎會“顯得”你更“ 專業”一些。上學期有流形學習課，我用scikit.learn包，幾乎每次只改一句話就能提交作業（把LLE變成ISOMAP什么的）。還有一門統計學習課，讓我深刻感覺到R就是用來寫老師布置的ESL后面的那些編程題的，因為那些方法的作者，以及這本書的作者，寫的就是R的包。至于大規模計算、實際的大型工程問題，我沒有經驗，所以不能提供更多信息了。補充：如果覺得自己鏈接MKL庫編譯Numpy和R麻煩的話，Python可以使用Canopy(就是之前的EPD)，R可以使用Revolution R，都是一些商業公司幫配置好的完整發行版，鏈接了MKL庫并支持其他一些特性（例如自帶IDE等）。前者各平臺都有，后者僅限Windows平臺。

再補充：之前我寫過兩篇博文講鏈接MKL庫的方法。NumPy鏈接MKL請見Numpy使用MKL庫提升計算性能，R鏈接MKL請見R鏈接MKL庫以顯著提升計算速度。【知乎用戶的回答(7票)】: R為比較高等級的語言，R和python, C如今可以進行無縫連接。所以我覺得應該各取其長，用R把python和C連接好，取長補短，不被單一語言限制，才能迎接各種困難。【肖楠的回答(7票)】: 個人現狀：使用 R，學習Python，關注 Julia。【茉茉的回答(3票)】: R。如有可能再接觸下 SAS 更好。【肖龍飛的回答(2票)】: 如果做數據分析師，那么R就夠用了，R中有很多現成的統計、數據挖掘的工具包；

如果是程序員，可以學python，用來做一般化編程python更合適些。

Python(programming language): What are the advantages of using Python over R? 【reverland的回答(2票)】: 先接觸R，學習過程就一個蛋疼。后來開始python，從入門開始相比R一路順手到不行。python不僅僅作為計算而開發，數據分析統計往往又要涉及很多非計算的東西，當時覺得腳本語言做這些亂七八糟的事真方便。

但這回頭開始深入R之后，發現R rocks too，R是個很專注的環境，現成的東西太多了。

就國內而言，覺得R的社區比python科學計算社區活躍很多，兩者風格也迥異(感覺一個大部分是折騰數據的一個簡直都是折騰程序的)。

所以，不是為了寫程序就R吧 【克林的回答(2票)】: 我也希望能只選一個而放棄另一個，但是在實際工作中，做不到。

R有著獨一無二神一樣的的ggplot（只是效率太低，希望dplyr發布后作者能夠用它重構ggplot里的數據處理部分，取代plyr），還有data.table(它的語法實在是太精簡了）。當然，R最顯著的特點就是其語言特性支持超高的信噪比（這里特指數據整潔、分析時，其他時候相反！），同樣的功能在R里所占據的字符數比在Python里少了一半以上。比如 R: a[x<2 & a>-3, list(y, z)] #(a 是一個

data.table)Python: a[(a['x']<2)&(a['x']>-3)][['y','z']] #(a 是一個 data frame)但是，有時候，你需要自己寫一些復雜的程序，或者調用一些外部的C, python代碼，這個時候就Python 就顯示出優勢來了。用R寫程序極其令人煩躁（很多代碼都是為了做些不相干的事情，比如在一個正確的frame里獲取一個object的名字--> 為了能夠在使用的時候保持高信噪比，我多次深陷quote, substitute, eval, parent.frame里不能自拔），同時效率也不高（除非你用Rcpp）。【吳告于的回答(1票)】: R會慢一些，pandas關鍵在于提供了兩個類dataframe和series，以及許多高層的實現特定功能的函數。具體看你做什么應用。我比較偏向pandas。【李作剛的回答(1票)】: 目前來看 ：

R 在統計方面做得非常好。是因為統計學領域長時間的積累，他又非常完善的各種統計學 package。但在實際操作中，R 單獨是做不了事情的。必須依賴Python 或者 Java 才能完成一個項目。

Python 可以方便的處理除了統計之外的其他事情。但統計這個短板繞不過。短期內也很難達到 R 的成熟。

所以當前的最好的是，用 R 來負責統計分析的核心環節。剩下的交給其他。

從長遠來看，如果 Python 能把R 擁有的所有的統計學 package 重寫一遍。就沒 R 什么事情了。【林春艾的回答(0票)】: 這個我也比較困惑，但現在想來，先學python相關的科學計算庫，這個學起來曲線平緩一點。【知乎用戶的回答(0票)】: 嘗試過很多次R，但最終還是Python用著順手 【廢城院長的回答(0票)】: 牽扯到多個平臺間的計算 Python 容易點，如果數據都在一個平臺，R的library 更豐富些。當然兩者也可以互相調用.【CosmiaFu的回答(0票)】: 為什么不試試兩個都用呢？

就像C好還是Python好一樣，為什么不試試兩個一起用呢？ 【林楓的回答(0票)】: 顯然 python numpy scipy pandas matplotlib R不適合集成

【Nextchen的回答(0票)】: 這個是在拉仇恨嗎？完全沒法比較，演變到最后，就成了程序派別之爭了！學習的話，兩個都無所謂。如果是生產環境，python 的性能自不必多說，R近幾年在大數據方面也是有長足的進步，SparkR，mpi，hadoop 等等，而且 Google facebook twitter 這些巨頭也在關注 R。所以性能現在已經不是 R 的弊端，像 dplyr 這類 R 的包出現，單機的性能也能得到優化。所以說，不用問，試試才知道哪個適合你？ 【王雙洋的回答(0票)】: 既然題主說到 統計分析，那么我想應該毫無爭議的選著R 【你知道我是張三的回答(0票)】: 玩學術理論什么的還是R，工程實踐還是python吧。。原文地址:知乎

第二篇：“知乎”產品分析

“知乎”產品分析

知乎產品定義：知乎是一個真實的網絡問答社區，社區氛圍友好、理性、認真，這里連接了各行各業的精英，分享彼此的專業知識、經驗、見解，為中文互聯網源源不斷地提供高質量的信息，在這里，發現更大的世界。

我的理解：真實、社區、行業精英、高質量。知乎的出現彌補了在互聯網中對相關領域缺乏深入探討的空白，解決了相對高質量用戶之間平等對話的障礙問題。

一．需求分析

需求場景描述：

小明一名互聯網愛好者，長期關注互聯網的發展。最近“360與百度的搜索引擎之爭”引起了他的興趣。在瀏覽一系列報道后，他對于這一事件，有一些疑問和見解。他十分希望有同類的互聯網愛好者來互相探討一下。因此，他登陸了自已在知乎的個人主頁，發表了自已的問題。同時，他也通過搜索框中關鍵字的搜索看到了已有的相關提問，并且瀏覽了回答。對于自已感興趣的問題，他也作了回答。看到好的回答，他也會投上一票。對于自已的提問，他邀請了知乎上比較有名的幾位專業人士進行回答。之后，他收到了回復的通知。與相關人士展開了一些討論，最后在交流與啟發下，對這一問題有了滿意的答案。除了提問外，對于自已熟知與有見地的問題，他也積極地回答。每當得到一個回復與若干投票時，他都覺得對自已來說是莫大的激勵。

滿足了什么人在什么情況下的什么需求：

知乎的目標受眾群體是對某個行業有一定了解的相關人員。知乎所滿足的是他們輸入與輸出時的一種被理解與尊重的價值實現感

他們的問題是對某個事件或現象理解性的提問，而非概念性的問題。他們渴望就某一事件，聽到有著不同身份的人回答。在相似情景下，分享自已的想法。

補充：其實我覺得知乎在一定程度上和豆瓣讀書是存在極大的相似性的。圍繞某一本書的書評就好像是知乎中對某一問題的深度回答。此外，還是許許多不貢獻，看熱鬧，或附合、或批判的看客。但好像豆瓣比知乎要有優勢一點的是，豆瓣的書是現成，惟一的，而知乎的問題卻存在著創造性和極大的重復性。另外，有一點不同的是，在知乎中身份的重要性遠大于的豆瓣。以興趣為聚合的平臺，人們往往不看重身份。但是以問答為核心的知乎，身份的權威性對于提問者卻有著非同一般的影響。）

二．產品主要功能 ?個人主頁 ?提問與回答 ?邀請 ?投票 ?話題

1.個人主頁：

知乎是一個社區類的產品，也是一個知識積累的平臺。因此個人主頁就顯得尤其重要，在提問或者回答問題時，它是一個身份的象征。同時，對于知識積累來說，你也需要一個個人的主頁來記錄成長。

針對于目前知乎實名制的這一措施，我覺得其實是沒有必要的。用戶在乎的更多的是回答的內容，而非這個人。你從業的領域可能會使用戶對內容的接受度產生影響，但對于你的名字，沒有多少人會關注。建議可以把實名制取消，但是加大對于就業行業的細分要求。2.提問與回答：

這是知乎最基礎也最核心的功能，是內容的發源地，也是維持用戶活躍度的關鍵。知乎是一個平臺，它為有疑惑和有經驗分享的人提供了一個橋梁，一個平臺。讓他們在知乎這個平臺上，互通有無。3.邀請：

在你提出一個問答之后，你可以邀請希望解答的用戶來回答。一方面這確保了提問后不會無人回答，同時，對于被邀請的人來說，也會是一種鼓舞。

人們對于知識，從自然屬性上來講，是索取大于分享的。因此提問的人會遠遠大于回答的人。為了讓平臺良好的運轉下去，知乎的邀請功能起到了非常好的作用。大家可以邀請一些行業高端的領袖人物來發表對于看法的理解，從而確保了回答的質量。4.投票：

對于普通瀏覽的用戶來說，你可以給精彩有用的回答進行投票，認同或反對。對于貢獻回答的用戶來說，這是一種激勵的手段。5.話題：

用戶可以選擇自已喜歡的不同話題并加以關注。這一功能，就是擴大用戶的關注面，同時幫助用戶找到自已的興趣點以及更多同類的人。

三．運營特色

?前期邀請碼，產品找用戶

?個人身份，需求層次論最高點，自我實現需求 ?邀請回答機制

1.前期邀請碼，產品找用戶

知乎最開始是不開放注冊的，采用發放邀請碼的方式來聚集最初的核心高端用戶。這個方法在我看來是知乎整個運營中作的最好的一個地方。產品來找用戶，而不是一開始就讓所有的人來注冊，涌入一大批不明所以的瀏覽性用戶。事實也證明，邀請碼非常成功，在當時的互聯網引起了小轟動，吸引到了李開復這樣的牛級人物。2.個人身份，需求層次論最高點，自我實現需求

知乎提倡知名制，建立一個相互信任的社區氛圍。從知乎的產品定義中我們就可以看到，它是要建設一個行業精英互相分享經驗、知識的平臺。因此，如何識別行業、如何確認精英，如何建立信任，知乎身份的功能就很好的解決了這些問題。當你的回答得到瀏覽用戶的認可時，當你被大佬們邀請回答某個問題時，你的自我實現需求得到很大程度上的滿足。3.邀請回答機制。

其實這是一個確保回答的數量及質量的一個功能。在現實生活中，我們關于一個問題向不同的人詢問看法時，也是有選擇的。我們首先會篩選不同的人，他們有不同的年齡，不同的人生經歷，我們期待他們從不同的角度來解答。那對于在知乎上提問的人來說，也是希望這樣的。因此邀請機制，對于回答的人來說，可以看到不同的回答。而對于被邀請回答的人來說，是一種激勵機制，一種被認可的實現感。

四． 競爭對手

?以百度百科為代表的百科類產品 ?百度知道

?微博、人人等網絡社區 ?豆瓣

1.以百度百科為代表的百科類產品：

百科類產品是目前已經非常成熟地一款基礎知識普及的工具。用戶對于基本知識的需求大都已經可以被滿足了。而且加之百科類產品在搜索引擎結果顯示上的優勢，在這方面知乎并沒有多少競爭優勢。

2.以百度知道為代表的問答類產品：

問答類產品的歷史也是相當長久了。我們經常看到的有，百度知道、新浪愛問等。這些產品的基礎功能與知乎相似度非常之高。3.以微博、人人為代表的社交類產品

如果說，上述兩個對手依賴的是搜索引擎的優勢。那么對于知乎來說，微博和人人則是在建設社區關系上有力的競爭對手。微博有名人效應，能吸引一大批粉絲。對名人來說，是個人營銷極佳的平臺，因此有充分的理由留下，并持續貢獻內容。人人有現實關系優勢，人人的關系網是真實社會的反映，好友之間是有現實背景的。因此，社交關系應運而生。以上兩點，如果有人想要詢問一個問題，在這兩個平臺上，在已有的關系網上，不乏有眾多的回答者。而遷移到知乎，則需要重新建立這種關系。4.豆瓣

豆瓣的性質其實和知乎是非常相似的。一個是以興趣點為基礎聚合人，一個是以行業為基礎聚合人。兩種用戶都帶有對于某一事物的偏愛性，都有需要抒發的情感及經驗。豆瓣是生活化的產品，知乎是職業化的產品。如果知乎的發展定位不清晰，很有可能偏向豆瓣。

五． 競爭優勢： ?高質量的核心用戶群 ?行業的深入討論（排他性）

1.高質量的核心用戶群

知乎的定位是十分準確地，要做行業精英互通過有無的平臺。而不是像百科類或問答類產品，針對的是全網用戶。它是在知識普及層次上更高的發表見地層面的需求。因為這個準入門檻本身也就保證了，在知乎活躍的用戶本身的素質不會低到哪里去。同時，加之以之前的邀請碼的機制，為知乎網羅了互聯網行業的眾多精英人士，他們作為第一批加入的用戶，為知乎創作了一個良好的可循環的氛圍。因此，我們可以看到，百科類、及問答類普通的用戶，是不適應知乎這種環境的。因此在競爭上，也沒有任何優勢。2.行業的深入討論（排他性）

知乎在很大程度上已經擺脫了基礎知識普及性的問答，而是深入到具體情景下的某個問題。這些討論，大都需要的是很強的行業背景。同時，也需要回答者有一定的經驗。因此，這個產品是具有排他性的，不是所有的用戶及所有的產品都可以復制的。

六．競爭劣勢 ?用戶群體較單一 ?用戶黏性較弱 ?激勵機制

1.用戶群體較單一

就目前知乎的發展來看，用戶的群體還主要集中在互聯網從業人員這一塊兒。如何把用戶群體拓展到其他領域，是一個需要解決的問題。2.用戶黏性較弱

相對于上述所說的社交類產品，知乎的用戶黏性還是非常弱的。如果要建設社區類產品，用戶之間的關系還有待發掘。3.激勵機制

目前，知乎還沒有很好的激勵機制來保持用戶的活動度。在人的自然性格中，索取大于分享的天性如何打破，還需要知乎去探索。

七．核心競爭力：

行業精英之間的經驗分享、互通有無。八．如果我是產品經理，下一步會怎么做

1.關閉知乎公開注冊的功能。既然知乎是要做行業精英的社區，而且主要回答與貢獻的人都是集中在這部分人中間。那么其實公開注冊對知乎來說是沒有任何意義的，帶來的只是更多的只瀏覽不貢獻和只提問不回答的，沒有價值的用戶。傾向于把知乎做成為是對應現實生活中的高級會所。提高準入的門檻，采用邀請碼或者其他推薦方式進入。保證核心用戶的水準及互動質量。2.付費模式。接著上一條來說，如果知乎擁有了大量高質量的用戶，他們在這里能夠平等的對話，分享自已的經驗和想法。那么，付費不是不可以接受的。現在不可行的原因是，知乎目前擁有的大量瀏覽用戶，沒有讓行業精英看到太大的投資的價值。

3.提高提問的門檻。問題的質量對于知乎來說是至關重要的。有一此問題在百科類產品上就可以搜索到，而有些問題則在不斷地重復。這對于回答與分享的用戶來說，是一個很受挫的事情。這主要是由于提問人員的質量造成的，因此在用戶注冊初期，建議不授權提問功能，待到一定回答數量或者注冊日期時，再開放此功能。

4.具體到頁面功能的改進。知乎首頁的最新動態是很讓我頭疼的一個東西。動態中出現的是好友最新回答與關注話題的動態。但是對于用戶來說，可能加好友的時候，是根據行業或者話題的圈子來加的。不是這個好友所有的興趣我都會想要知道。我更想知道的是，我的好友在我關注的圈子，或者直接是我關注的圈子里有了什么樣的更新。因此，建議把動態更新，換成為關注話題的更新。

第三篇：知乎：招聘數據分析

負責招聘工作的HR，如何進行招聘數據分析？對后期工作起什么作用？修改 條評論 分享 ? 邀請回答 按投票排序按時間排序 個回答

贊同10 反對，不會顯示你的姓名

何小山，我就是你們最討厭的面試官

收起

劉小麥、多魚、neuf 等人贊同

做任何分析之前，要搞清楚一個原則，多問幾個問題：我做招聘數據分析是為了什么？

做數據分析的核心動力一定是：讓我的招聘工作越來越好。那么問題來了：什么才是“好”呢？

我對“好”的招聘定義為：用最少的招聘成本招募到最合適的人。（注意：不是最低的薪酬招到最貴的人啊喂！這種反人類的事情不是HR做的好嗎！摔！）

目標明確了，再從招聘流程說起，簡單畫了個圖，招聘有以下流程：

做了這么多鋪墊，剩下的我覺得就很好理解了：

數據分析只是整個招聘工作中最后一個復盤的環節，重要的信息來自數據采集。數據采集是貫穿了整個招聘流程的一個動作，采集的方式有很多，@左誠 的答案里有提到，有錢任性的有類似北森、SHL等第三方數據庫幫忙，沒錢樣本數小的用EXCEL也可以達到效果。

具體的分析應用，用EXCEL完全夠用，看你想得到一個什么更好的結果，我簡單舉例說明：

1、看看薪酬談判人數（通過面試的人頭）和最后入職人數的關系，你可以檢驗你的薪酬是否匹配你的崗位，可以驗證你的薪酬數據的市場分位值；

2、渠道選擇分析，看看各家渠道簡歷來源數量，最后面試的通過數量，可以檢驗你的渠道的宣傳效果、以及有效性；

3、招聘執行環節分析，看看初試的通過率、復試的通過率是否合理（合理與否請根據行業與崗位實際情況自行對標），便于后期調整。

??

先寫這么多，待個續。

編輯于 2015-01-05 3 條評論 感謝 分享 收藏 ? 沒有幫助 ? 舉報

贊同1 反對，不會顯示你的姓名

趙老三，好好做事，天天吃飯。

收起

打脫手 贊同

除了專業招聘外包的公司和極大規模的公司，很少有企業能進行招聘數據分析的，因為樣本太少就很難找出共性來。

發布于 2015-02-28 添加評論 感謝 分享 收藏 ? 沒有幫助 ? 舉報

贊同3 反對，不會顯示你的姓名

岑芳園，地產準HR/法語學習者/哲學及翻譯愛好者 ?

收起

周江嶺、TypeA Brain、lee Alisa 贊同

準HR，嘗試答一答。

1.整理各個渠道所收得到的簡歷（如校園招聘，員工推薦，廣告，獵頭等），統計各個渠道的吸引的簡歷數量；統計每個渠道接受面試的求職數量；統計各渠道合格的應聘人數；最終接受工作的人數；每個階段可以看產出率，也就是每輪符合要求的人數除以上一階段的人數。計算各個渠道招聘成本。最后可以比較直觀地看到每個渠道的招募效果。2.再細致一點，考慮比如說技術人員，管理人員后勤人員，以及專員，主管，經理等等，類別和級別的分類，可以職系，職等為依據看不同渠道的招聘效果。3.如果在員工入職較長一段時間后，還可以做不同渠道來源員工和績效水平的相關性分析。

作用是1.提高招聘效率，節約成本。

2.招募到符合公司需要的人才，有助于組織績效提升。

編輯于 2015-01-03 1 條評論 感謝 分享 收藏 ? 沒有幫助 ? 舉報

周江嶺，http://www.tmdps.cn/【快加薪】內測中

上兩張圖

1）招聘渠道：從大海撈針<------->實現精確打擊 2）招聘素質條件：把握不準<------->精確把握，還可以彈性定制（可降，可升，還有說服上級大老板的理由）試用期短，存活率高，出活快。。誰用誰知道

發布于 2015-02-28 添加評論 感謝 分享 收藏 ? 沒有幫助 ? 舉報

知行合一，HRD（NASDAQ上市公司）

想要做好招聘數據分析，一定要基于招聘的全生命周期管控框架系統的進行，總體上分為組織發展、日常運營、結果產出三個維度。招聘工作的好壞并非僅僅只有數據來說明，還有一些是需要通過辯證分析得到（一般是采取行業標桿研究），比如組織設置、流程設置、組織氛圍、雇主品牌建設等。啰嗦了半天，直接來干貨了。。

-----------------------------分割線---------------------------

1、組織發展維度

【Key Success Factors】 1.1：招聘管控的合理度 1.1.1：招聘組織架構 1.1.2：招聘流程合理度 1.2：面試人員準備情況

1.2.1：面試官梯隊數（招聘隊伍：不僅僅只有HR的）1.2.2：面試官合格數（基于面試官的評價標準）1.3：資源平臺保障情況

1.3.1：招聘系統（運轉情況【bug率、延遲率、活躍度等】）1.3.2：招聘KM（運轉情況【知識數量、更新頻次、活躍度等】）

1.3.3：渠道質量（渠道質量評估：智聯、51Job、前程無憂、中華英才、獵聘、拉鉤等）

1.3.4：雇主品牌（滿意度、企業品牌價值等）

2、日常運營維度

【Key Success Factors】

2.1：HC規劃情況（是否能夠在規定的時間按質按時的完成到位）2.2：需求對接情況（需求是否能夠按時報批，有系統的可以設置時間延誤跟蹤，考核相應流程節點上的負責人，計入日常工作考核成績）2.3：資源利用率

2.3.1：JD使用率（是否每個候選人都有按照標準要求的JD說明）2.3.2：渠道使用占比（根據簡歷數計算）2.4：面試情況

2.4.1：初試通過率（人才質量）2.4.2：復試通過率（人才質量）

2.4.3：面試情況反饋（面試滿意度）2.4.4：平均周期（效率）

3、結果產出維度

【Key Success Factors】 3.1：招聘完成數 3.2：計劃完成率

3.2.1：關鍵職位計劃完成率 3.2.2：一般職位完成率 3.2.3：總體計劃完成率 3.3：用人情況和成本效用 3.3.1：單位周期轉正占比 3.3.2：關鍵職位離職率

3.3.3：關鍵職位人員業績情況

3.3.4：關鍵職位人員調整情況（職級升降、薪資升降）

3.3.5：人均招聘成本（分成總體人均成本、關鍵職位招聘人均成本、一般職位招聘人均成本）

3.3.6：招聘渠道性價比（渠道費用系數：渠道費用越低，系數越高）=渠道費用系數×渠道質量系數

=渠道費用系數×（面試通過數÷渠道獲取簡歷數）

-----------------------------分割線---------------------------【后記】

招聘分析管理（概述）

1、組織：獨立的分析團隊，制定分析模型、工具，有系統更好，沒有就用Excel、SPSS

2、數據：最好是能做到每天記錄、每周統算、每月盤點，在人手不足、沒有系統支持下，我仍然這么操作了，這得感謝我下面的一幫得力干將，有系統了就方便了，特別是在員工自助系統上了以后

3、流程：BP團隊（每個業務線一個接口人）、SSC團隊（指定一個統一接口人與BP接口人對接）、COE團隊（分析、方案建議）

編輯于 2015-01-29 1 條評論 感謝 分享 收藏 ? 沒有幫助 ? 舉報

茶隱墨，擁抱改變，專注成長，分享互聯。

快消品行業HR，來談談招聘數據如何分析。

答主在公司主要負責招聘與培訓工作，以下是我在招聘當中做數據分析的思路：

一、數據分析的目的：

數據分析是為了評估一項活動的效果、效率、效能。簡而言之，就是要分析活動過程中我們的投入與產出，追求一個投入與產出的合理比例。以便我們在招聘工作中以最低的投入找到合適的人才。

二、招聘數據的分析流程：（各環節將會出現數據節點，這是我們的數據源）用人需求調查——招聘計劃——招聘實施——招聘效果評估——招聘評估反饋。

1、用人需求調查：此環節是招聘的起點和基礎。在招聘需求調查中，我們將會獲得以下數據點——其一，招聘的崗位。其二，擬招聘人數。其三，招聘人員以及崗位任職要求。其四，崗位用工時間壓力，我們通常可以以時間單位來衡量。用人越緊迫，則時間壓力越大。

2、招聘計劃：此環節是我們招聘的指導大綱。在計劃里我們要明確——其一，招聘計劃人數。其二，招聘渠道（招聘網站、人才市場、獵頭公司、現場招聘、校園招聘、、、等）。其三，招聘預算。其四，計劃用時。打算用多長時間完成招聘。

3、招聘實施：就是將招聘計劃付諸實施的過程。本環節我們將接觸到以下數據點———其一，渠道。記錄招聘人才的來源方式。其二，簡歷收入量，以份數計算。其三，有效簡歷量。指符合公司要求的簡歷數量。其四，面試邀請數。記錄你發出的面試邀請函或電話的數量。其五，面試人員數。記錄來參加面試的人數。其六，復試人員數。記錄通過初試，參加復試的人員數量。其七，錄用人數。記錄，通過復試被錄用試用的人員。其八，轉正人員數。其九，招聘成本。包括財務成本和時間成本。

三、招聘效果評估：諸位知友，通過前面的兩個環節我們已經積累了大量的數據。現在到我們做數據分析的時候了，洗把臉打起精神，接著往下讀。

————————————————————————————————————————————————————（此處是分割線，割······························································）

1、招聘完成比:這個指標是我們首先要衡量的。它反映的是招聘工作質量最基本的指標。

計算公式：招聘完成比=實際聘用人數/計劃招聘人數*100%.此值＜1，說明招聘未完成計劃。此值等于1，說明剛好完成招聘計劃。此值大于1，說明超額錄用，需要看招聘超額人員的具體情況來評價其價值。一般來說，招聘完成比剛好為1，即100%是我們希望看到的值。大于小于1，我們都要分析其原因是什么。

2、有效簡歷比：此項指標用來衡量簡歷的質量。反映的是收到簡歷當中符合公司需求的簡歷數量在所有收到簡歷里所占比例。計算公式為：有效簡歷比=有效簡歷/所有收到的簡歷。此項數據比值小于或等于1.等于1表示簡歷100%有效，說明招聘渠道質量較好，應聘人員基本素質較好。小于100%大于70%說明招聘渠道質量優，50%——70%說明良好，45%——50%說明合格。小于45%,說明該渠道招聘質量不合格，一般會考慮更換。

3、面試比例：用來衡量應聘人員的誠意和崗位的吸引力。計算公式為：面試比例=面試邀請數/面試人數*100%。此數據，數值通常小于或等于100%.等于100%說明應聘人員總體上是有誠意的，且本崗位有較好的吸引力。70%-100%說明比較正常，小于50%說明存在一定問題。

4、復試比：此項指標反映了初試人員的任職素質水平。計算公式為——復試比=復試人數/初試人數*%100。在其他條件不變時，復試比越高說明初試人員質量較好，達到復試要求的比例高；復試比例越低說明初試人員質量越低。

5、錄用比例：此項數據衡量應聘人員總體質量水平的又一指標也可以用來衡量崗位的錄用標準嚴格程度。計算公式為：錄用比=錄用人數/初試人數。錄用比例越高說明應聘群體質量越高。

6、轉正比例：此項指標衡量錄用人員的真實工作能力和素質，也是衡量招聘效果的重要指標。轉正比例越高，說明錄用人員勝任能力越好，招聘的甄別性較強。

7、“投入——產出”比：此項指標衡量了招聘的成本與產出之間的關系。一般來說可以用下面的計算公式來計算——投入-產出比=產出價值/投入成本價值。其中產出價值可以用該員工在崗位上單位時間里創造的產品或服務的公允價值來表達，投入成本價值等于招聘直接財務成本加上招聘人員的耗時折算公司應支付的單位時間勞動報酬，再加上安排該員工所需要的辦公用品等其他直接由該崗位引起的單位成本。（這里所用的計算方法為了更好統計，都采用直接成本和產出，與經濟學上的機會成本有區別，在經濟學上，機會成本才是真正的成本）。____________________________________________________________________________________________________________________（美麗的分割線、、、、、、）

四、招聘效果評估

上面我們分析了關鍵數據，也給出了數據分析的關鍵指標和計算公式。現在我們來聊聊怎么評價一個招聘活動的效果、效率和效能。

首先，招聘完成比應當首先考慮。特別是關鍵崗位、核心崗位的招聘完成比。這項指標關系到組織職能的正常履行。

其次投入產出比。這項指標反映了組織招聘的效率，經濟性。

再次，分析簡歷有效比、面試比例、初試復試比例等。可以以此來考察招聘渠道的招聘成本大小，效率高低。以便調整日后的招聘成本和計劃以及渠道。

注意：具體在工作中需要衡量哪些數據指標，要結合不同行業，不同時期的重點來選擇。數據的手機和分析是一個需要成本的工作。注重數據分析是一個良好的習慣，現在企業里都在提倡人本管理，以人為本的基礎是科學規范，在管理技術上做精確的計量可以幫助我們更好的調配資源，加強組織的效率。

五、評估反饋

任何的管理活動都需要有反饋的機制設計，我們需要持續的改進和迭代。招聘評估反饋的目的就是要將評估結果反饋到前面幾個大環節，以便我們對整個招聘乃至人力資源管理流程和實務進行優化。招聘計劃可以給我們提供有效的對照樣本。

第一次在知乎上寫這么多內容，希望能對各位有需要的人有所幫助。歡迎一起交流討論。

編輯于 2015-01-06 添加評論 感謝 分享 收藏 ? 沒有幫助 ? 舉報

贊同1 反對，不會顯示你的姓名

Zhou Zf，HRBP 收起

lee Alisa 贊同

看了下大家的回答，可能大家忽略了很重要的一點，扯皮。HR每天做的就是support各業務部門，招聘首當其沖，永遠直面業務部門各種挑戰。碰到配合不好的BU老板，各種推脫責任，任何時候指責由于HR沒給到人力造成業務告急。怎么辦？甩數據。各種橫向縱向比較，誰對誰錯可見一二，不過最終還是看老板偏袒誰，只是對于HR來說多一點扯皮的砝碼。

說完負能量的，回到題主的問題，如何做招聘數據分析。既然說了是招聘數據分析，那么數據收集了嗎？最最基礎的數據收集恰恰也是最關鍵的，有越細化的數據就有越多的分析可以做。舉幾個簡單的例子，比如，所有開放職位的分析，按時間，按BU，按級別，按區域...有什么維度分析什么，大體上可以看出這一公司的動蕩程度，和那些部門在什么時間比較來事兒。

再比如招聘周期的分析，按時間，按BU，按級別...各種維度。這時候也許哪些部門配合或者不配合招聘會浮出水面，當然目的不是這個。應該看到的更多的是哪些職位是招聘難度大的，在后期的招聘中是否應該預計更多的提前量，做相應的繼任儲備或者是否是由于職位的設定存在問題，這些都需要更進一步的數據分析去挖掘。

再再比如，轉化率的分析，同樣的道理（好吧，原諒我又要提扯皮，太有用了不是嗎）。

其實大家可以看到，我們所分析的職位的開放時間，所屬的BU，級別...等等，所有的招聘分析始終是要基于數據的收集。或者說任何的分析都是基于原始數據的收集，所以平時的數據收集好。越真實的數據越能反應當下真實情況。

題主問題二，對后期工作起什么作用。在分析出了問題之后就是解決問題。所以招聘分析最終就是要轉化成解決當下的招聘問題。正確的分析可以指導我們從正確的問題方向去解決問題。

總而言之，招聘是一個不好干的活，各種計劃，內外溝通，完全碎片的工作內容，怎么樣在這么多繁瑣工作中去做好數據的收集從而應用到招聘問題的解決，各HR尤其是招聘的同志們，革命遠沒成功，還需繼續努力......最后，重點

HR如此苦逼，業務老板們，你們造嗎？？！

發布于 2015-01-20 1 條評論 感謝 分享 收藏 ? 沒有幫助 ? 舉報

贊同0 反對，不會顯示你的姓名

左誠

收起

建議用專業的人力資源管理軟件來管理。

例如國內的北森，國外的SHL，都是很好的數據庫。發布于 2015-01-05 添加評論 感謝 分享 收藏 ? 沒有幫助 ? 舉報

贊同0 反對，不會顯示你的姓名

Ye Tang，HR的死胖子

收起

沒有太多時間, 說點經驗教訓吧, 可能有點文不對題.招聘是個講客戶滿意度的工作, 有人說每個工作都講啊, 同意, 不過招聘如果在這上面疏忽了, 光靠拼命送候選人, 開拓渠道, 做分析, 講數字, HR往往會死的很慘, 因為隨便就能找出一千萬個理由是你找不到人或送的人不行.怎么提高客戶滿意度? 簡單來說, 過程很重要, be partnership with your hiring manager, 建立彼此的信任, 加上你應有的專業技能, 客戶會更容易理解你, 該share的信息都會給你, 很多時候還愿意出手幫你一起解決難題.至于招聘數據分析, 不外乎目標公司(行業), 渠道, 需求變化管理, 面試通過率(原因), 拒簽率(原因), 成本等幾個維度, 實際操作中收集數據的成本還是很高的, 尤其是這里面有一部分信息是非常主觀的, 可隱藏的(不愿明示的).前面有人也提到了, 看分析的目的是什么吧, 用來總結, 為將來改進工作;也可能就是用來打架的, 用數據說話, 不無緣無故的背黑鍋也是一種生存技能.發布于 2015-01-06 添加評論 感謝 分享 收藏 ? 沒有幫助 ?

第四篇：碼農學習分析(知乎)

我寫了一篇碼農入門的文章，希望對一些學生，或者想轉業的人有幫助。

這篇文章是我原創的，并且已經先發到了另外一個論壇，這個論壇同學比較多，如果有興趣要當碼農了可以來瞧瞧。

昨天看到有一位鐵路工作的工程師說想要放棄現在穩定的職業，投入碼農的懷抱，我覺得很多人把碼農這個職業看得太高，也許是社會浮躁的氣氛造成的，我作為一名大漩渦的堅定捍衛者，入行也快8年了，有義務進行一番科普，讓漩渦眾找準自己的定位。

申明一點，我說得一切都是站在我自己的角度，周圍的環境進行闡述，可能有坐井觀天的情況，其他碼農不認同也希望說出您的觀點，大家互補。自我介紹：

我以前得帖子介紹我自己不少了....還是簡單介紹一下，我自己畢業于某渣985的計算機學院，從畢業到現在工作接近8年的時間。標題說了我自認為是一名乞丐版的全棧工程師，所以我身上的技能包很多，有的比較精，有的比較淺，后面再介紹。因為我接觸的東西很多，所以對碼農的各個方面都略知一二，各種文檔，各種語言，各種主流的設計模式都略知一二。我下面就把整個碼農的框架以及里面細項寫出來，不敢保證非常準確，但是至少是有實踐過的。

1.碼農的角色 1.1 編碼人員

編碼人員會收到需求文檔或者設計文檔，被要求要實現什么樣什么樣的功能，然后進行編碼實現和需求文檔，設計文檔要求一致的東西。編碼問題具體后面說。

1.2 設計人員(我們所說的系統架構師其實就是高階的設計人員)設計人員分2類，一類是UI設計人員，一類是系統設計人員會收到需求文檔，被要求要做一個什么功能，要實現什么為目的，設計文檔包含系統架構，語言，數據結構，數據流向，安全性評估，可行性評估等等等，產出一份設計文檔交給開發進行開發。1.3 需求人員

需求人員會和用戶或者產品經理進行需求訪談，引導用戶交出合理并且準確的需求，準確的邏輯，然后產生一份需求文檔，并將需求文檔交于設計，進行可行性分析。可行性分析通過則設計人員會開發進行設計，編寫設計文檔。需求人員要求必須能夠拿到準確的需求并且傳達給設計，因為一旦需求錯了，整個設計和開發都要重新來過，浪費的人力物力可不是一點半點。用戶或者產品經理提出問題，需求人員根據需求問題找到可以實施的解決方案或者優化現有的作業流程。在完全需求的同時，提出的解決方案要盡可能的為設計開發考慮，降低設計開發成本。1.4 產品經理(創意團隊)考察市面上的產品，針對自己的產品進行規劃，要做哪些功能，什么樣的功能受眾大，什么樣的功能可能能打擊到競爭對手等等情況進行分析，然后發展產品，對產品周期進行規劃。產出為產品規劃書，產品生命周期，產品介紹等等相關文檔，并且和需求人員合作產生需求文檔。1.5 測試人員

當然了就是對開發的功能，模塊，產品根據需求文檔進行測試，有猴子測試，白盒測試，灰盒測試，黑盒測試，壓力測試，測試工具測試，自己編寫代碼測試等等等.....產生的文檔 就是 測試計劃，buglist文檔回饋給開發人員。補充一句，所謂的bug是指凡是和需求文檔不一致的結果都是bug，并不是代碼出了問題才叫bug。1.6 運維人員

運維人員就是有管理員權限，可以操控產品，功能的一些參數來管控，對產品和功能使用是非常熟練，并且會一些簡單的編碼和數據庫原理，第一線對系統產生的問題進行處理并且修復數據，如果能找出根源的問題就是優秀的運維。產出的東西有 troubleshooting 文檔，問題反饋文檔，另外很多運維也會寫用戶說明書，因為他們對系統是最熟的。

1.7 項目經理(PM,PMA)這部分人不是嚴格意義上的碼農角色，只是管理項目的進度，風險，人員，成本，協調資源(和建樓房的項目經理沒有本質區別)。這里就不寫了。2 工作流程

所以整個工作流程 大概就是這樣 用戶/產品經理--->需求人員--->設計人員---->編碼人員----->測試人員----->運維人員。不是指等級越高的人員編碼能力越強，只是在上流的人員的容錯率很低，所謂差之毫厘謬以千里，上游錯了一點點，下游必定錯得很慘。人員越多，也會導致流程越長，耗費在溝通上的時間就越多，溝通上容易出錯的風險就越大。所以很多公司基本是 設計/編碼 或者 需求/設計是同一個人。或者一個人身兼數職，比如我，就是兼了所有角色.....3 碼農的基本素養 3.1 邏輯能力

邏輯能力一定要強。邏輯能力可能有天賦的原因，可能也有后天學習的原因。邏輯能力強的人一般體現為數學，化學，物理等方面比較出眾，所以理科生轉碼農會容易很多(比如碼農里面有大量的自動化，物理系，數學系的學生)，因為理科生在邏輯方面被訓練得很多。雖然我大學是混過來的，但是高等數學上和下我都拿了90多分.....邏輯能力強會讓你在寫代碼的時候看到推算，各種算法，加減乘除的時候不會緊張，操作 鏈表，堆棧，數組的時候得心應手。做需求分析的時候能夠抓到矛盾點，能夠分析出流程，功能是否合理，是否能夠實現等等等。所以邏輯能力是很重要的。3.2 溝通能力

溝通能力可以讓你快速融入團隊。溝通能力體現在你能夠快速接受并且正確理解別人告訴你的事情，你也可以清晰并且準確的表達出你自己的想法。這樣你的溝通成本就會大大降低，然后你就能夠花更多的時間在代碼的編寫，需求的分析上面，提升自己的工作效率。3.3 學習能力

舊的技術你可以通過一些例子，項目代碼，文檔然后快速進行掌握，并且在項目上可以開始快速上手開發新功能。新的技術進來，你有興趣花個人的時間去專研，并且能在你們團隊第一個的搭建出模塊，平臺供你的團隊成員學習，使用，那么毋庸置疑你在哪個地方都會很吃香。

3.4 閱讀文檔能力(英文水平)很多舊技術，新技術其實都是要靠閱讀文檔，和自己嘗試編寫代碼結合進行學習的。這樣學習起來效率會很高，所以會閱讀文檔，并且理解文檔就顯得格外的重要的。對于舊的技術或者問題有很多中文文檔進行闡述，但是更多的新技術，新問題只有英文文檔進行描述，這個時候你的英文水平就顯得格外重要了，因為好的文檔可以減少你學習的時間，提升你學習的效率，而大部分好的文檔其實真的都是英文寫的。所以要成為高階的碼農，英文是要有一定的水平的。3.5 搜索引擎的使用能力

其實現在碼農這個職業現在使用搜索引擎是必不可少的，百度，Googel，github，stackoverflow，csdn都是比較主流的。我一直堅信一個理論，你所做的東西你所遇到的問題肯定已經有人遇到并且解決，你要做的就是去網上有目的的海底撈針，然后看別人是如何解決，你進行復制和簡單修改。不要認為這就是復制就能解決，前提是你要能找到在哪里可以復制。當然大部分的東西還是英文的比較好，所以這里又考驗你英文水平的時候到了。(我們經常調侃，現在已經不是面向對象編程了。而是面向搜索引擎編程，網絡掛了，今天就不要做事了。)舉個簡單例子，我曾經接收到一個需求，用戶經常要把上萬的數據導入到系統里面，因為數據庫是sql，而系統是.net的平臺，后來我google到可以使用bulkcopy來進行處理，接收這個需求之前我是完全不知道bulkcopy的。這樣你在使用搜索引擎在完成任務的同時自己也得到了提升，學到了你周圍人都不知道的知識。3.6 態度

態度決定一切，你必須有好的態度，好的職業修養，才能被人看得起。遇到問題不甩鍋，有責任心，是自己的東西就有一定要把它干出來為止的那種沖動，不眠不休的嘗試解決！我手底下曾經有一個程序員，職高畢業，也沒參加什么培訓。邏輯能力，基本理論知識可以說是差極了，溝通也挺費勁，如果是我去面試，這類人我一般來說是不通過的，不過是老板派給我的，我也只能收著。還好他大部分是做UI和H5的樣式，CSS3的動畫。可是后來我發現他的態度非常的端正，責任心很強，自己也很有耐心去學習新的技術知識并且運用到實際進行解決。雖說進入狀態花的時候有點長，他寫的 代碼也是亂得不行，但是能幫到我解決問題，而且態度很好，不管工作難或者不難都不推諉。所以最后還是可以的，現在也慢慢開始成長，轉到了其他團隊。3.7 定位

其實碼農是屬于第三產業，服務行業，你怎么樣讓你的上司爽了，讓用戶爽了，你就牛B了。不一定要用寫代碼的模式才可以，好的創意，好得理念，好的溝通，好的態度，都在這范圍里面。寫代碼做功能做產品的終極目的就在于做服務，提供服務。你能搞清楚你服務的對象，搞清楚你服務對象想要什么，你能提供什么服務滿足他們，并且你實現了，你就成功了。最后來說說我的整個成長過程，給大家一個啟發。

4.1.最開始入行，接手一個asp.net + sql server的項目，開始學習asp.net + sql server

4.2 asp.net + sql server 有了一定能力，并且熟悉了業務，開始做一些簡單得設計，和需求，開始學習設計模式，什么工廠模式，批處理模式，單例模式，建造者模式等等等....并且編寫 概要設計文檔和詳細設計文檔

4.3 本來開始做設計了，一心要往構架師上靠，可是公司缺需求分析人員，怎么辦沒辦法，自己頂上，開始編寫 BRD ,TBD,SOW 等等一些列需求人員的文檔并且和用戶溝通需求，提高自己提出解決方案的能力。

4.4 好了，有項目來了，我最有經驗，組織就決定你來當項目經理了。好了 又要開始做項目經理的事情，寫項目風險評估報告，寫人員評估報告，每天寫項目進度，和各個部門leader進行撕逼，拿資源(真新累，不想當項目經理)。

4.5 好了 公司決定要做一個產品，你這方面經驗最多，你來當。好了開始寫競品分析報告，產品生命周期，產品發展概要，產品功能預想......4.6這個產品不行，公司決定組織一批精英另外做一個產品，你來負責web端和移動端，對就你一個人負責。日了狗了！但是我不會java 不會 Object-C 我做毛的移動端啊。好了發現市面上流行用 hybird的開發模式 用 H5+簡單原生來進行移動開發。研究了國內的DCloud 和 國外的 Cordova Apache，開始一步學習，H5和 cdth加上簡單的Object-C 和 java，畢竟C#好幾年經驗，面向對象語言學起來快。cdth也還行。后來也算做出來點東西了。

4.7 嗯，美國有項目，但是我們人手不夠，你一個人去國外把這個項目吃了吧.....好的，我現在一個人只身來到國外，沒有其他人員的支持，得益于我 乞丐版 全棧工程師 這個項目也順利完成。就在今天！本來已經計劃好了下周回國，可是國內一個電話過來，“你簽證停留時間明年才到期吧，另外有一個州也需要你，機票給你改簽了，你直接飛過去，再干2個月再回國.....回國之后去把加拿大簽證辦了吧......” 4.8 我的技能包

4.8.1 C# 方面： ASP.NET(精通)Winform(熟練)WPF(熟練)(其他.net wcf ws 等等也算比較熟了)4.8.2 其他語言 : H5(熟練)cdth(熟練)Java(入門)Object-C/Swift(入門)abap(入門)

4.8.3 數據庫 ： SQL SERVER(精通，如果我說我是DBA，別人也信)，mysql(熟練)，DB2(入門)，Oracle(入門)4.8.4 網絡以及安全編程：AES DES加密，ajax以及跨域調用，網絡爬蟲，https，ssl，sso，socket，web socket，web worker，sql注入，html注入等都做過一些開發或者學習。

看了下，只有ASP.NET 和 SQL SERVER 我敢說精通，這兩個基本不會難倒我(也可能有萬一，被打臉也正常.....)，其他的幾個熟悉的雖然我很有經驗，但是也不敢寫精通，沒自信。因為在碼農的世界，當你學習得越多，你就會發現你知道的越少。打個比喻，碼農的知識是海洋，我現在學到的也不過是一葉扁舟而已。

結論：Win，安卓，IOS，數據庫我都能開發。不分什么前端后端。需求分析，系統設計我也都能自己做，所以我可以一個人在沒有任何支持下完成項目。也喜歡研究一些新的東西，學一些我不知道的。因為行業的原因，我從來沒接觸過C 和 C++，不過真的有機會去做的話，我也能很快上手。

4.9 其他一些小事情我稍微炫耀一下

4.9.1 優化一個計算邏輯，以前一直是30-35分鐘計算完，我優化之后只需要3分半(其實優化說起來很簡單，就是把工廠模式改成了批處理模式，但是代碼確實寫了太多，也需要改表結構，用空間轉換時間)。

4.9.2 一天時間就完成了微信平臺的開發(在完全不懂微信平臺的情況下，周圍人都不會)，可以用微信平臺和公司內網數據交互，并且做出了案例，以后大家可以根據我的案例進行微信平臺延生功能的開發。4.9.3 各種優化數據庫，什么查詢3分鐘變查詢3秒，處理數據10分鐘變處理數據10秒。

4.9.3 被美國這邊看上，希望我留下來常駐(用綠卡誘惑我....)。4.9.4 等等等.....5 轉行建議

5.1 你至少含有3-4項碼農的基本素養，如果你是文科生或者邏輯理解能力較弱，請慎重考慮。

5.2 學習一門語言最好能找到一些成熟的框架，在框架上依樣畫葫蘆，其實就是照抄完成想要的功能，在抄的同時能做適當的修改。5.3 第一份碼農的工作慎重選擇，因為第一份碼農的工作大概率的決定了你以后的方向以及你可能高度。第一份工作最好要找到團隊協助，周圍有編碼氛圍，隨時可以進行技術討論或者交流環境的公司。這樣你的成長會很快，否則你在入門的時候舉步維艱，會讓你度日如年。

5.4 學習碼農是需要堅持持續學習的工作，不斷的接觸自己不懂，不斷的提高自己，不會是因為你有幾年經驗了就可以吃老本的，如果有這種心態遲早會被淘汰的。

5.5 3分鐘熱情的人就不要來轉了，轉這行是需要花大時間，大精力，耐得住寂寞，受的了孤獨的人才行。

5.6 能找到一個帶你入門的啟蒙老師你轉行會非常有效果。5.7 干碼農不一定非要寫代碼，如果有條件，你可以當猴子測試入門，你覺得你文檔能力，理解能力，溝通能力強，你可以嘗試做需求分析，也可以先學一些系統知識，從運維入手。

5.8 基礎理論知道是比較重要的，有可能的話盡量多得進行了解。5.9 如果你英文厲害，建議直接閱讀英文文檔/書籍進行學習。碼農誤區

6.1 加班多。

加班多最大的原因在于你拿的任務是和你當前能力不匹配的，一個好的碼農效率比一個差的高了不止10倍。好的碼農半天做完的事情，差的可能就需要一周。因為不一樣的思想，不一樣的經驗，花在找資料，做設計，寫代碼的時間差距是非常大的。所以你加班多 1.你是大牛，真的是事情多并且deadline要到了。2.當前的工作難度比你能力高，你需要查找大量資料來完成，或者寫了大量的冗余代碼，冗余設計，代碼寫得不嚴謹，BUG太多，甚至不知道BUG出在哪里。3.其他團隊成員拖累了你的進度。我的經驗看來，大部分加班都是因為 第二個原因。所以通常說來(當然有例外)能力越強的人加班越少，加班多說明工作效率太低，能力匹配不上你接受到的任務。6.2 碼農是吃青春飯

碼農不是青春飯行業。碼農只是一個需要不斷進行學習的行業。年齡大了不能代表學習能力差，年齡大的碼農有大量的編碼設計經驗，在學習新技術的時候就已經領先人一步了。當然了你說年齡大了，精力就不夠好了。哪個行業不一樣的？我這次到美國，看到了滿頭銀絲的碼農，一樣干得挺好。所以碼農本身并不是一個青春飯，是一個需要不斷進行學習不斷進行提升的行業。年齡大了不一定是非要轉管理，做技術也是可以的。

好了，花了一下午，打了這么多出來。這都是一家之言，如果你覺得對你有啟發，你就看看，你覺得都是屁話，你就無視好了。其他資深碼農也可以提出你們的看法，畢竟我只是處在我現有環境，有坐井觀天的可能性。

備注一下，虎撲為了防止js注入，用cdth替代了 Java！!Script

第五篇：知乎訴微博分析

一、是不是所有的知乎作者回答都構成作品？（是不是所有知乎作者回答都有著作權，都能進行維權？）

不是！

根據《著作權實施條例》規定作品必須具有獨創性并可復制。簡單來說就是“獨”“創”“可復制”三個主要判斷點。

首先必須是獨立創作，也就是源于知乎作者本人，而不是知乎作者抄襲而成的作品。顯然有一部分高贊回答只是簡單復制其他美術、影視作品、文學作品的內容，這并不能構成作品。若營銷號傳播這一類的回答，將不構成對回答者的侵權，至于侵誰的權此處不論。

其次需要具有“創造性”（體現一定智力水平的創造），也就是說知乎回答不能是簡單的智力創作，我國著作權既有英美法系的意味又有大陸法系（“創”的要求高）的意味，沒有一個明確的點。但是，一般而言，知乎高贊回答中的那種一句話回答一般來說很難形成法律認可的作品。

比如：什么是愛？愛一個人是什么感覺？的回答：腐生：好像突然有了軟肋，也突然有了鎧甲。

可復制的這一點，對于知乎回答來說就不用考慮了。

那么這些不構成作品的回答是不是說我們就可以不用經過作者授權轉載了，自然不對。上面這個例子，其回答本身雖然不能構成作品，但回答結合提問者的提問綜合來看，就具有特別的意味了，不過這只是從事實角度來談的意味。從法律角度來看，其仍然很難認定為具有著作權的作品。但是，本著一顆傳遞知識傳播樂趣的心態進行轉載的話，尊重作者應當時最基本的準則，獲得授權是尊重的第一步。這是自媒體，個體文學滋生、發展的最好時代，如要長久的發展沒有一個好的版權保護環境將會大大扼殺社會創作熱情。法律本應是保護權益的底線，而社會環境對于個體創作的保護應當比法律來得更加嚴密——我們認為就算那些不構成著作權法意義上作品的回答，轉載也應當獲得授權&給予回答者合理報酬。

二、如何定性營銷號的行為？ 《著作權法》規定：信息網絡傳播權是“以有線或無線方式向公眾提供作品，使公眾可以在其個人選定時間和地點獲得作品的權利。”

顯然，信息網絡傳播是一種交互的網絡傳播行為。不妨針對其構成要件對營銷號未經授權轉發知乎用戶回答截圖的行為進行分析：1.該行為滿足利用網絡進行傳播的要件 2.且以公開方式向公眾提供作品 3.其上傳至微博服務器，公眾通過點擊進入其微博主頁可以在選定時間和地點獲得作品。

微博的營銷號轉載應當界定為信息網絡傳播行為。而若其未經作者授權，又不符合《著作權法》規定的合理使用和法定許可的情形（微博營銷號是為個人獲利而進行的未經授權轉載行為），那么就屬于著作權侵權。

三、營銷號侵權，微博是否有義務規制用戶行為？ 有義務規制。

《信息網絡傳播權保護條例》第十五條 網絡服務提供者接到權利人的通知書后，應當立即刪除涉嫌侵權的作品、表演、錄音錄像制品，或者斷開與涉嫌侵權的作品、表演、錄音錄像制品的鏈接，并同時將通知書轉送提供作品、表演、錄音錄像制品的服務對象；服務對象網絡地址不明、無法轉送的，應當將通知書的內容同時在信息網絡上公告。

條款清楚明確規定了微博的管理規制義務。

也即微博作為網絡服務提供者在接到作者的申訴（需要符合一定要件的申訴）后，應當刪除侵權的微博或斷開鏈接。所以微博本應當在接到知乎作者的舉報后及時處理侵權微博，但根據目前掌握的信息來看，微博并未采取過多的規制行為。

四、微博不規制營銷號對知乎用戶的侵權，是否應當承擔責任？

應當承擔責任。

《信息網絡傳播權保護條例》第二十三條 網絡服務提供者為服務對象提供搜索或者鏈接服務，在接到權利人的通知書后，根據本條例規定斷開與侵權的作品、表演、錄音錄像制品的鏈接的，不承擔賠償責任；但是，明知或者應知所鏈接的作品、表演、錄音錄像制品侵權的，應當承擔共同侵權責任。

關于避風港原則的規定：《條例》第二十三條規定：“網絡服務提供者為服務對象提供搜索或者鏈接服務，在接到權利人的通知書后，根據本條例規定斷開與侵權的作品、表演、錄音錄像制品的鏈接的，不承擔賠償責任；但是，明知或者應知所鏈接的作品、表演、錄音錄像制品侵權的，應當承擔共同侵權責任。”

微博的舉報模式特殊，并且有時會出現無抄襲舉報選項的情形。微博舉報抄襲微博的話，必須要享有著作權的本人舉報，并且需該內容先于侵權者之前曾在微博發表過。這兩個條件的限制大大約束了知乎作者申訴的空間，這種舉報模式的設置導致了很多作者無法舉報或懶于告知的情況。當然有很多堅持不懈的作者通過人工服務等途徑告知了微博侵權的內容等，但微博作出的反應有限。微博若已明知營銷號大行侵權之事而不加以規制的話（無法適用避風港原則），很顯然其作為網絡服務提供者應當與營銷號運營者承擔共同侵權責任。

換句話說，如要走訴訟途徑的話，被侵權的這些作者們也可以連著微博一起告。

五、知乎訴微博營銷號是怎么一回事？知乎起訴微博營銷號，立案了知乎專欄

1.知乎是否能以自己的名義以“侵犯信息網絡傳播權”為由訴微博營銷號？ 不能。

首先我們來看知乎用戶知識產權協議第4條：為了促進知識的分享和傳播，用戶將其在知乎上發表的全部內容，授予知乎免費的、不可撤銷的、非獨家使用許可，知乎有權將該內容用于知乎各種形態的產品和服務上，包括但不限于網站以及發表的應用或其他互聯網產品。

在這里用戶被這一格式條款強制性地將作品的信息網絡傳播期授權給了知乎，且不論這個格式條款是否有效。此條款約定的是知乎用戶非獨家許可給知乎方面信息網絡傳播權，也就是說用戶還可以授權給第三方。這樣一來，知乎的信息網絡傳播權不是獨占許可，若知乎與作者之間無另外的著作權授權，那么它就沒有獨立起訴微博營銷號的權利（無論微博營銷號是否獲得授權）。

2.那么此次知乎訴“知乎大神”為何能以“侵害作品信息網絡傳播糾紛”為由立案？

還是先看“知乎用戶知識產權協議”第8條：

如果任何第三方侵犯了知乎用戶相關的權利，用戶同意授權知乎或其指定的代理人代表知乎自身或用戶對該第三方提出警告、投訴、發起行政執法、訴訟、進行上訴，或談判和解，并且用戶同意在知乎認為必要的情況下參與共同維權。

我們能明確的一點是，知乎協議內規定的是作品著作權歸作者所有，作者未當然將著作權授權給知乎。既然未授權給知乎，那么知乎在法律上就無法直接代表7位用戶起訴，因其不符合民事訴訟法關于代理人的規定（法人無法成為訴訟代理人）。

所以知乎用戶協議第8條中約定的用戶同意授權知乎對第三方進行訴訟是沒有法理基礎的。用戶可以授權知乎對第三方提出警告、投訴、行政執法（走行政投訴渠道）、談判和解是合理的，若無用戶與知乎私下有其他類型的授權，代為訴訟無論怎么樣都是說不通的。

那么，我們來看看知乎版權保護專欄上的文章是怎么描述的：

“收到用戶親筆簽署的版權維護授權書后，知乎版權正式向侵權方發律師函，撰寫起訴狀。7 月 1 日，該案件成功立案。”

這里寫道收到用戶親筆簽署的版權維護授權書，那么這個版權維護授權書法律性質為何？實際上，版權維護授權書一般是依托于版權授權書而存在的。版權人A（此文不論述版權與著作權的區別，看此文可將二者初步劃個等號）將信息網絡傳播權授權給B時，一般會同時聲明B可以在授權期限內以自己的名義進行打擊盜版等維權行動，這就是版權維護授權書。

如若只有這個東西的話，而沒有用戶版權權利授權，那么版權維護授權是無法單獨存在的。就好像，你可以租給別人一個空調附帶一個遙控器，但要單租一個遙控器出去別人怎么用呢？

但仔細閱讀這一篇專欄文章，既然知乎可以進行訴訟，那么其可能使用的方式不外乎兩種：

1.知乎獲得作者著作權授權，自然也就有了維權之權利

2.知乎團隊雇傭了律師團隊，由律師作為代理人代理各作者進行維權。如若不如此，其訴訟行為很難從訴訟法的角度自圓。

或者說，文章所稱的“版權維權授權書”其實只是一個筆誤。但不論如何，知乎團隊已經成功立案，敲響了對微博營銷號無羞恥心的侵權行為戰斗的鑼。我們要肯定知乎版權團隊對于維護用戶合法權益以及維護互聯網良好的版權保護環境所作的努力。

“任何一個智力成果，都值得捍衛。”

在此，希望知乎團隊能在侵權證據方面進行無巨細無遺漏的考慮，我們期待這個案子朝良好的方向發展。

3.目前有7位知乎用戶委托知乎方面進行相關訴訟維權，那么其他作者應該怎么做？

第一種：假如這七位知乎作者是以將著作權授權給知乎的方式來處理的話，那么就意味著此次知乎的訴訟行為是以自己的名義進行的，訴訟所產生的后果也是由知乎方面承擔。而七位作者所能享受的 僅僅是著作權授權所帶來的一些權利（知乎方面給付的授權費用），以及訴訟后果中可能會有涉及著作人身權的部分權利（賠禮道歉等）。如果最后法院判決被告賠償一定金額的話，那么這部分賠償金將很難與七位作者有緣相見。不過，這樣做的好處是，權利相對集中，對于訴訟程序的簡化有很大的幫助，案件也會更加具有可操控性。由知乎方面統一進行訴訟活動，避免了不必要的人力消耗，法院也會更喜歡這種模式。同時對于作者來說，交給一個值得信賴的大團隊來維權畢竟比自己參與維權來得簡單，但其與知乎方面的利益分配就要作者自己把握好談判方式了。

第二種：假如這七位知乎作者是以委托知乎方面請的律師團隊的方式來進行維權的話，那么訴訟后果就直接由作者承擔，也許律師費用和其他費用會由知乎方面出，但是最后判賠的錢款將能與作者見面。多讓人省心，如果是這樣知乎團隊就真的太貼心啦。這種情況下勢必造成原告一大堆，被告就一個的共同訴訟案件，訴訟標的是同一種類的話法院可能會合并審理，但畢竟人多，多讓人鬧心。

第一種情況下，其他作者如果要維權，就需和這七位作者一樣把作品著作權授權給知乎方面，后果我在上面已經說過，不再贅述。

第二種情況下，其他作者要維權，既可和知乎方面說：帶我一個。律師只不過多和一個人簽個委托合同，也是蠻簡單易行的。當然，也可以自己召集一下被侵權作者，然后大家一起再找個律師團隊也行，但維權之路漫漫，最后法院可能會依據哪些要素判決判賠多少以及訴訟成本等等我在之后慢慢來說吧。

今天先說這么多，如果能收到感謝的話我會持續更新。站在著作權維權實務角度進行分析，法律味道可能濃一點。

未完成議題：

若維權該如何運作？（確定維權對象，證據保全，管轄法院，訴訟技巧，賠償金額認定方式等）

知乎是否可以獨立訴微博？（不正當競爭）

告微博好還是告營銷號好？（營銷號主體難以確定，自然人難以執行等問題）如何建立良好的作者著作權保護環境？