职场恋情成功的概率有多大？这个算法告诉你

99种思维模型第12篇：贝叶斯算法

首先，我们要设立一个“先验概率”——像你这样的同事的表白，她接受的概率是多少？

很多人可能觉得这没道理，如果我知道，那我还做什么测试？

没关系，“先验概率”就是凭感觉凭经验先估算一个概率，之后再慢慢向实际情况靠拢。

如果说，你觉得她对你好像有那么一点意思，但你又怕是自己自作多情，那就把“有机会”的概率定为60%，“没有机会”就是40%，我用下图表示：

接下来，还要再设定两个条件概率，不同情况下，她接受邀请的概率是多少？

条件概率不同于先验概率，它需要有一定的依据，比如本例中，你要根据平时对她的观察给出结论

条件概率一：如果你俩实际上“有机会”，那么，她接受这个邀请的概率有多高？

一般而言，这个概率应该比较高，但考虑她有可能没理解你的意思，或者她近来心情不好，或者有其他不方便告诉你的原因，那么这个概率定为80%（下图右侧）。

条件概率二：如果你俩实际上“没有机会”，那么，她接受这个邀请的概率有多高？

相信大部分情况下，她会拒绝，但因为邀请比较含糊，如果她没往这方面想，或者觉得你请她吃一顿也是应该的，她也有可能接受，所以，这个概率定为40%（上图左侧）。

现在，我们就可以计算如下图所示的所有四种情况出现的概率了——

左上角：实际“没有机会”（概率为40%），却接受了你的邀请（概率为40%），这种情况的概率就是40%中的40%。即为：40%*40%=16%

还有三种情况：

左下角：实际“没有机会”，也拒绝了你的邀请，概率：40%*60%=24%

右上角：实际“有机会”，也接受了你的邀请，概率：60%*80%=48%

右下角：实际“有机会”，却拒绝了你的邀请，概率：60%*20%=12%

全部四种情况的概率加起来为100%，验算无误，接下来就可以看看结果了。

如果她接受了你的邀请，那么就排除了下面两种“被拒绝”的情况，只剩下上面两种，16%和48%，结果就很明确了：

如果接受的话，“实际上有机会”（右上角）的概率为：48%/（16%+48%）=75%

如果她拒绝了你的邀请，那么，她仍然对你有意思的概率有多大呢？

排除上面两种“接受”的情况，只剩下下面两种，24%和12%，结果就很明确了：

如果拒绝的话，“实际上仍然有机会”（右下角）的概率为：12%/（24%+12%）=33.3%

答案就是——

发出类似的邀请，如果她接受邀请，“你俩有机会”的概率就上升到75%；

如果她拒绝，“你俩有机会”的概率就下降到33.3%。

可这两个概率有什么用呢？你还是不知道她实际的想法啊？

请她吃饭，正是为了继续设计下一步的动作，可以通过多次信号让这个过于主观的信号越来越接近实际情况。

当然，也可能有人觉得，那三个先验概率的设定太过随意，其结果根本没有参考价值。实际上，在“贝叶斯算法”的大多数商业应用中，这三个先验概率是可以事先大致确定的。

我们先暂时放下“暗恋同事”的案例，看一个“贝叶斯算法”的商业应用。

一位顾客走进商店，看了看货架，向你询问了某商品的情况，请问，从当前的动作看，这个顾客最终买单的概率有多大。

要用“贝叶斯算法”算出成交概率，你需要三个先验概率和条件概率：

转化率，即“成交客户/所有进来的人”，假设为20%

成交客户的询问率，即“先询问的成交客户/所有成交客户”，假设为70%

未成交客户的询问率，即“先询问的未成交客户/所有未成交客户”，假设为40%

这三条都可以从销售历史数据中得到，也可以由经验丰富的销售员的经验中大致判断，而且比较稳定，所以最终结果也非常接近实际情况。

四种情况的概率分布如下图：

要判断一个咨询客户的成交率，可以排除下面两个概率，只计算上面两类行为的概率：

成交且咨询（左上）在所有客户中的概率为：20%*70%=14%

未成交且咨询（右上）在所有客户中的概率为：80%*40%=32%

结果，在咨询客户中，最终成交的概率为：14%/（14%+32%）=30.4%。

所以，一位走进商场的客户，当他开口咨询时，他的成交概率就从20%上升至30.4%，有经验的销售员就应该注意这条销售线索。

一个销售老手的每一步都在收集信息，进行概率判断，比如，有经验的销售员接下来不是干巴巴地介绍产品，而是进一步询问客户的需求，原因在于，需求为A和“非A”两种情况，分别对应着不同的成交概率。

那么，可以继续使用“贝叶斯算法”，判断客户的成交概率，决定花多少时间去向客户推销，选相应的推销重点，并且决定给出多大的折扣把客户拿下。

虽然“贝叶斯算法”一开始都是一些不太准的先验概率，但通过多次使用，通过去掌握更多的信息，这个概率会越来越高（或低），或稳定地接近实际情况。

理解了这一点，我们就可以再回到文章主题案例。

请她吃饭，正是为了继续设计下一步的行动，但你还需要设定一个目标概率（比如上限85%、下限15%），通过下一步设计的“贝叶斯方法”，计算出概率，对照目标，决定下一步行动，分为三类：

结果1：上升到85%（达到最终目标），→行动1：正式表白；

结果2：下降到15%以下（达到最终目标），→行动2：彻底放弃；

结果3：继续在15~85%之间（未达到最终目标），→行动3：继续设计下一步行动。

当然，你还需要利用一些信息。比如，在吃饭聊天时，你知道她喜欢去撸猫咖啡馆，你可以趁机发出下一个邀请，刚好开了一家很有意思的猫咪咖啡馆，要不要周末一起去？

为什么选咖啡馆呢？相对于这次请客，去咖啡馆没有任何缘由，更能探测出她的真实意图；而相对于“看电影”这种过于明确或唐突的表白，被拒绝也不至于过于尴尬。

更重要的是，这个邀请可以通过“贝叶斯算法”改变概率，以接近实际目标概率。

由于现在已是第二次“贝叶斯计算”了，现在的先验概率不再是之前的60%，而是上一次计算后的75%。

然后再评估一下这两个结果的条件概率，如下图所示：

如果你俩“没有机会”，因为这是一个意图更明确的邀请，所以设定她接受邀请的概率下降到30%；

如果你俩“有机会”，也因为这是一个意图更明确的邀请，所以她有可能现在还有点犹豫，则设定她接受邀请的概率下降到60%。

则算出概率：

“实际上没有机会，但接受邀请”（左上）的概率为：25%*30%=7.5%

“实际上有机会，并接受邀请”（右上）的概率为：75%*60%=45%

结果：如果最后她接受了邀请，此时实际结果为“有机会”（右上）的概率上升到：45%/（7.5%+45%）=85.7%

耶！达到“目标1”，你可以下一次在猫咪咖啡馆里正式表白了。

不过，如果你是一个谨慎的人，可能觉得之前的先验概率太过主观，结果刚好卡在85%超过一点点。

你可以以85.7%为先验概率，再设计下一次邀请，再测试一次，如果结果仍然在85%以上，你再去表白，更稳妥一些。

即使先验概率比较主观，不一定准，你也可以通过多次“贝叶斯计算”让结果更符合实际。

有一些事情，要么发生，要么不会发生，它的计算次数越多，结果越接近100%或0%，但在“你俩有没有机会”这件事上，却更可能是0%到100%之间的一个值，说明她也没有完全想好要不要接受你。

对于这一类事情，“贝叶斯计算”更重要的作用是——让事情发生。

你在判断概率的时候，也是给对方一个改变接受度的机会，又不需要挑明，立刻给出结果，等待结果变成高于85%或低于15%。

再回到那个销售案例，对于一个经验丰富的销售员而言，从客户进商店，他的每一个动作对应着一个成交概率，可以采取相应行动，提升最终的成交概率。

这个数据，并不是有人告诉他的，而是在以往大量的销售实践中，渐渐总结出来的，这个过程非常类似“贝叶斯算法”。

1、有客户来，先根据一些迹象主观判断成交的先验概率

2、设计一些行动，观察客户的行为，设定更多的先验概率

3、最终的结果与贝叶斯概率核对，修正先验概率

4、有新客户，重复1的过程

有经验的销售员，就是积累了大量的“客户行为的先验概率”的人。

所以，当贝叶斯算法把大量模糊的认知量化后，就成了机器学习的算法，《生活大爆炸》中有一集，谢尔顿就用到了贝叶斯定理。

以抖音快手一类视频App的推荐算法为例，它先根据初始画像，给男生推荐军事，给女生推荐美妆，再根据你的反馈加大其他内容的推荐比例，再根据和你喜欢同一内容的人的喜好，给出更多的推荐，并根据打开概率不断修正你的浏览偏好，最终稳定在一组推荐概率上。

而人脑的“贝叶斯计算”，只是一种模糊的感觉，销售员可能自己也不知道是如何判断的。

回到暗恋同事的案例中，很多人觉得不需要搞得这么复杂，直接表白，行就行，不行拉倒——但这样往往给自己给对方造成很大的困扰，是一种没有情商的表现。

事实上，高情商本质上就是拥有大量的“人际关系的先验概率”，知道自己的每一步行为会产生什么样的结果——就算有不知道的，也知道用什么方法去得到。

而人际关系的学习也是一个需要大量数据处理、不断试错的过程，积累的经验函数可能多到远超抖音的大数据算法，现实生活中，如果只靠自己试错，成本极高，必须长期观察周围其他人的行为。

社交能力强的人，往往是受家庭环境的影响，他们的父母本身有较多的高质量的人际交往，这些人从童年时就积累了各种“先验概率”，避免了大量的试错成本。

所以，社交能力不但是一个机器无法取代的能力，甚至是一个很难在成年后再提高的能力。

与“思维模型”相关的文章

为什么“收入多样化”比高薪更重要？

管理者的时间是如何失控的？

穷、丑、学历低……，都可能成为一种优势

人生起起落落落落落怎么办？

人生如何争取“重来一次”的机会？