产品经理的数学课 · 第18讲

贝叶斯思维：从数据中更新信念

你的初始判断不是终点——每次看到新数据，你都应该更新你的判断。贝叶斯思维是产品经理最强大的学习工具。

---

前言

你的 App 有两种可能：

• A：真正好用，80% 的用户会喜欢
• B：其实不好用，只有 20% 的用户会喜欢

你的初始信念是：50% 概率是 A，50% 概率是 B。

然后你收到用户反馈：第一个用户说「好用」。

你的信念应该更新为多少？

直觉：「好用」的反馈支持 A，所以 A 的概率应该增加。但增加多少？

贝叶斯定理：给你一个精确的公式，告诉你如何用新数据更新信念。

更新后：A 的概率从 50% 变成 80%。

然后第二个用户也说「好用」。你的信念再次更新：A 的概率从 80% 变成 95%。

这就是贝叶斯思维：看到数据 → 更新信念 → 再看数据 → 再更新信念。

---

核心概念

贝叶斯定理：信念更新的数学

$$ P(H|D) = \frac{P(D|H) \times P(H)}{P(D)} $$

其中：

• P(H) = 先验概率（看到数据前的信念）
• P(D|H) = 似然（如果假设为真，看到这个数据的概率）
• P(D) = 证据（看到这个数据的总概率）
• P(H|D) = 后验概率（看到数据后的信念）

三步计算

第一步：确定先验

你的初始信念：P(A) = 50%，P(B) = 50%。

第二步：计算似然

如果 A 为真（好用），看到「好用」反馈的概率：P(好用|A) = 80%
如果 B 为真（不好用），看到「好用」反馈的概率：P(好用|B) = 20%

第三步：应用贝叶斯定理

$$ P(A|\text{好用}) = \frac{P(\text{好用}|A) \times P(A)}{P(\text{好用})} $$

P(好用) = P(好用|A) × P(A) + P(好用|B) × P(B)
= 0.8 × 0.5 + 0.2 × 0.5
= 0.4 + 0.1 = 0.5

P(A|好用) = (0.8 × 0.5) / 0.5 = 0.8

更新后：A 的概率从 50% 变成 80%。

信念更新是迭代的

第二个用户也说「好用」。现在先验变成 P(A) = 80%，P(B) = 20%。

P(A|好用) = (0.8 × 0.8) / P(好用)

P(好用) = 0.8 × 0.8 + 0.2 × 0.2 = 0.64 + 0.04 = 0.68

P(A|好用) = 0.64 / 0.68 = 0.94

A 的概率从 80% 变成 94%。

似然比：数据的说服力

似然比（Likelihood Ratio） = P(D|H₁) / P(D|H₂)

衡量数据对两个假设的相对支持程度。

例子：「好用」反馈的似然比 = P(好用|A) / P(好用|B) = 0.8 / 0.2 = 4

含义：看到「好用」反馈，A 的可能性是 B 的 4 倍。

证据强度：多少数据足够？

贝叶斯因子（Bayesian Factor）：累积似然比。

例子：3 个用户都说「好用」。

贝叶斯因子 = 4 × 4 × 4 = 64

含义：看到 3 个「好用」反馈，A 的可能性是 B 的 64 倍。

经验法则：

• 贝叶斯因子 > 10：强烈支持
• 贝叶斯因子 > 100：压倒性支持
• 贝叶斯因子 < 0.1：强烈反对

先验的选择：你初始信念的来源

信息先验（Informative Prior）：基于历史数据或专家判断

• 例子：历史数据显示 70% 的功能受欢迎 → P(受欢迎) = 70%

无信息先验（Non-informative Prior）：没有先验信息，用均匀分布

• 例子：P(A) = P(B) = 50%

共轭先验（Conjugate Prior）：数学上方便，后验与先验同分布

• 例子：Beta 分布是二项分布的共轭先验

---

产品经理的应用

应用场景一：功能受欢迎度

你的功能有两种可能：

• A：真正好用（80% 用户喜欢）
• B：其实不好用（20% 用户喜欢）

初始信念：50% A，50% B。

用户反馈数据：

• 第 1 天：10 人试用，7 人说好用
• 第 2 天：20 人试用，15 人说好用
• 第 3 天：50 人试用，35 人说好用

信念更新：

时间	P(A)	P(B)
初始	50%	50%
第 1 天后	87%	13%
第 2 天后	96%	4%
第 3 天后	99%	1%

结论：3 天后，你几乎确定功能真正好用（P(A) = 99%）。

应用场景二：A/B 测试的贝叶斯分析

你有两种设计方案：

• 方案 A：旧设计，历史转化率 5%
• 方案 B：新设计，假设转化率 5%-10%

A/B 测试数据：1000 次展示，新设计有 80 次转化（8%）。

贝叶斯分析：

假设	先验	似然	后验
B 转化率 = 5%	33%	低	10%
B 转化率 = 8%	34%	高	60%
B 转化率 = 10%	33%	中	30%

结论：新设计的转化率最可能是 8%（后验概率 60%）。

应用场景三：市场假设验证

你的产品假设：「用户愿意为这个功能付费 99 元/月」

验证数据：

• 调研 100 人，30 人愿意付 99 元

贝叶斯分析：

先验：50% 概率假设正确，50% 概率假设错误
似然：如果假设正确，看到 30/100 的概率？如果假设错误，看到 30/100 的概率？

后验：假设正确的概率约 85%

结论：数据支持你的假设，但还不够确定（需要更多样本）。

---

常见误区

误区一：先验不重要

「数据够多，先验就不重要了」

对，大数据会淹没先验。但在数据量少时，先验很重要。如果你没有好的先验，至少用无信息先验（50/50）。

误区二：后验是最终答案

「后验说 A 的概率是 90%，所以 A 一定是对的」

90% 不是 100%。后验是当前的最佳估计，不是确定的结论。 看到更多数据后，后验可能继续变化。

误区三：混淆 P(A|D) 和 P(D|A)

「80% 的用户喜欢，所以 P(A|好用) = 80%」

P(A|好用) ≠ P(好用|A)。这是贝叶斯定理的核心——你必须用公式计算，不能直接用似然。

误区四：忽略基础率

「100 人中有 30 人愿意付费，所以 30% 的用户会付费」

你调研的 100 人可能不代表所有用户。如果调研样本有偏差，结论就不可靠。基础率（base rate）很重要。

---

PM/BA 应用

场景	贝叶斯工具	决策价值
功能验证	信念更新	从少量数据中学习
A/B 测试	贝叶斯分析	量化不确定性
市场假设	先验 + 数据	验证产品假设
风险评估	后验分布	更新风险估计
预测	贝叶斯预测	量化预测不确定性

---

课后测验

题目 1

你有两种假设：

• H1：用户增长 10%/月
• H2：用户增长 5%/月

先验：P(H1) = 60%，P(H2) = 40%
数据：本月增长 8%

如果 H1 为真，看到 8% 增长的概率是 30%
如果 H2 为真，看到 8% 增长的概率是 50%

P(H1|8%) 最接近：

A. 47%
B. 53%
C. 60%
D. 70%

查看答案与解析

答案：A（47%）

P(H1|8%) = P(8%|H1) × P(H1) / P(8%)

P(8%) = P(8%|H1) × P(H1) + P(8%|H2) × P(H2)
= 0.3 × 0.6 + 0.5 × 0.4
= 0.18 + 0.20
= 0.38

P(H1|8%) = (0.3 × 0.6) / 0.38 = 0.18 / 0.38 = 0.47

H1 的概率从 60% 下降到 47%——因为 8% 的增长更支持 H2（5% 的增长）。

题目 2

你看到 5 条用户反馈，其中 4 条说「好用」。贝叶斯因子是 8。这意味着：

A. 「好用」的反馈是假的
B. 「好用」的反馈不可靠
C. 「好用」的反馈强烈支持你的假设
D. 需要更多数据

查看答案与解析

答案：C（「好用」的反馈强烈支持你的假设）

贝叶斯因子 = 8，意味着数据支持你假设的可能性是反对的 8 倍。

经验法则：

• 贝叶斯因子 > 10：强烈支持
• 贝叶斯因子 > 100：压倒性支持

8 接近 10，算是中等强度的支持。不算「强烈」，但方向是对的。

A 和 B 错误：贝叶斯因子 > 1 就支持假设
D 不一定：8 的贝叶斯因子已经有意义了

题目 3

你的先验是 50% A、50% B。数据的似然比是 10（支持 A）。后验概率 P(A|D) 最接近：

A. 50%
B. 80%
C. 91%
D. 99%

查看答案与解析

答案：C（91%）

似然比 = 10，先验 odds = 0.5/0.5 = 1

后验 odds = 先验 odds × 似然比 = 1 × 10 = 10

P(A|D) = 10 / (10 + 1) = 10/11 = 0.91

A 的概率从 50% 上升到 91%——数据强烈支持 A。

---

本课要点

1. 贝叶斯定理 = 先验 × 似然 / 证据——信念更新的数学公式
2. 先验：你的初始信念（基于历史数据或专家判断）
3. 似然：如果假设为真，看到这个数据的概率
4. 后验：看到数据后的信念（当前最佳估计）
5. 似然比和贝叶斯因子：衡量数据的说服力——多少数据足够？

---

延伸阅读

• McGrayne, 《The Theory That Would Not Die》 — 贝叶斯定理的历史
• Kruschke, 《Doing Bayesian Data Analysis》 — 贝叶斯分析的实践教材
• Silver, 《The Signal and the Noise》 — 贝叶斯思维在预测中的应用

---

下一步

下一课：假设检验：用数据验证产品假设 — 用统计方法验证你的产品假设是否成立。

---

工具提示：每次做产品决策时，问自己：我的先验是什么？数据是什么？后验是什么？这个思维循环能让你从数据中持续学习。