Друзья, в прошлом посте я рассказал, как Байес спас бы Британский…
Друзья, в прошлом посте я рассказал, как Байес спас бы Британский флот и как мы заменили исследование за 500 тысяч на 30 сделок из CRM. Но меня завалили вопросами: «Марк, а как эту формулу применить в жизни? Где брать цифры?».
Ок. Сейчас разберём на пальцах, с конкретными расчётами. И даже на примере выбора отпуска с женой.
Формула Байеса (она же ваша новая суперсила):
P(гипотеза | данные) = (P(данные | гипотеза) × P(гипотеза)) / P(данные)
А теперь расшифровка — что за буквы и где их брать:
1️⃣ P(гипотеза) — ваше предположение до новых данных (априорная вероятность).
Пример: вы думаете, что строительные компании покупают 1С в 20% случаев.
2️⃣ P(данные | гипотеза) — правдоподобие. Это самый важный параметр!
Это не ваша интуиция, а реальная доля успешных исходов в свежей выборке.
Как посчитать: выгружаете из CRM 30 сделок со строителями, видите, что 10 из них завершились покупкой. Правдоподобие = 10/30 = 0.33 (33%).
3️⃣ P(данные) — полная вероятность данных (нормировочный коэффициент).
Считается по формуле:
(Правдоподобие × Априорная) + (Правдоподобие для альтернативы × (1-Априорная)).
Альтернативная гипотеза — что строители покупают не чаще среднего (допустим, 10%).
4️⃣ P(гипотеза | данные) — ваша обновлённая вероятность (апостериорная).
Это то, что вы получаете на выходе. Например, 45% вместо старых 20%.
Теперь — расчёт на пальцах для строительных компаний (для тех, кто не хочет выглядеть как маркетолог с XMind/Miro):
Исходные данные:
Априорная (ваша старая вера): 20% (0.2).
Выгружаете из CRM 30 сделок со строителями, видите: 10 покупок.
Правдоподобие (доля успехов в выборке): 10/30 = 0.33.
Альтернативная гипотеза (средняя конверсия по всем сегментам): 10% (0.1).
Подставляем в формулу:
Полная вероятность: (0.33 × 0.2) + (0.1 × 0.8) = 0.066 + 0.08 = 0.146.
Новая вероятность: (0.33 × 0.2) / 0.146 ≈ 0.45 (45%).
Вывод: теперь вы знаете, что строители — не 20%, а 45%. Запускаете рекламу, а не исследование за 500 тысяч. Всё честно, всё по цифрам.
А теперь — как применить Байеса в жизни (пример с женой и отпуском):
Ситуация: вы хотите в Таиланд, жена — в Турцию. Цена одинаковая, оба варианта кажутся равными (априорная = 50% на 50%).
Что делаем:
✅Собираем данные: заходим на сайты отзывов (Отзывы.ру, Телеграм-паблики и тд), которым доверяете.
✅Делаете выборку: берёте 30 свежих отзывов о Турции и 30 о Таиланде.
✅Считаете долю положительных отзывов (где люди пишут «было круто», «вернусь ещё», «всё понравилось»).
✅Получаете: по Турции — 22 положительных из 30 (правдоподобие = 0.73), по Таиланду — 18 из 30 (0.6).
Подставляете в формулу Байеса:
Для Турции: новая вероятность ≈ 73% (было 50%).
Для Таиланда: новая вероятность ≈ 60% (было 50%).
Вывод: жена права (А мудрый муж с женой даже и без цифр не спорит), едем в Турцию. Вы только что приняли решение на основе данных, а не спора. И это заняло 30 минут, а не неделю уговоров. Байес спас ваш отпуск (и отношения).
4 сценария, где я применяю Байеса в работе (без таблиц, просто по пунктам):
1. Новый сегмент (ритейл для 1С)
Априорная: 15% (думаю, что слабый сегмент). Беру 20 сделок из смежной ниши, вижу 5 покупок (правдоподобие = 25%). Обновляю → получаю 35%. Запускаю тест в Директе, а не жду 3 месяца.
2. Новый скрипт продаж (самый любимый)
Старая конверсия скрипта — 10%. Тестирую новый на 15 звонках — всего 2 продажи (правдоподобие = 13%). По Байесу новая вероятность ≈ 13%, то есть скрипт — говно. Меняю его на следующий же день, а не через месяц тестов.
3. «Смотрящий» клиент
Я знаю по опыту: 70% таких покупают через месяц. Смотрю на 5 последних «смотрящих» — 4 купили (правдоподобие = 80%). Новая вероятность становится 88%. Активно веду их по воронке, не сливаю.
4. Новая УТП
Думаю, что зайдёт в 30% случаев. Тестирую на 50 контактах — 20 положительных (правдоподобие = 40%). Новая вероятность → 48%. Внедряю УТП, а не провожу фокус-группы.
Ок. Сейчас разберём на пальцах, с конкретными расчётами. И даже на примере выбора отпуска с женой.
Формула Байеса (она же ваша новая суперсила):
P(гипотеза | данные) = (P(данные | гипотеза) × P(гипотеза)) / P(данные)
А теперь расшифровка — что за буквы и где их брать:
1️⃣ P(гипотеза) — ваше предположение до новых данных (априорная вероятность).
Пример: вы думаете, что строительные компании покупают 1С в 20% случаев.
2️⃣ P(данные | гипотеза) — правдоподобие. Это самый важный параметр!
Это не ваша интуиция, а реальная доля успешных исходов в свежей выборке.
Как посчитать: выгружаете из CRM 30 сделок со строителями, видите, что 10 из них завершились покупкой. Правдоподобие = 10/30 = 0.33 (33%).
3️⃣ P(данные) — полная вероятность данных (нормировочный коэффициент).
Считается по формуле:
(Правдоподобие × Априорная) + (Правдоподобие для альтернативы × (1-Априорная)).
Альтернативная гипотеза — что строители покупают не чаще среднего (допустим, 10%).
4️⃣ P(гипотеза | данные) — ваша обновлённая вероятность (апостериорная).
Это то, что вы получаете на выходе. Например, 45% вместо старых 20%.
Теперь — расчёт на пальцах для строительных компаний (для тех, кто не хочет выглядеть как маркетолог с XMind/Miro):
Исходные данные:
Априорная (ваша старая вера): 20% (0.2).
Выгружаете из CRM 30 сделок со строителями, видите: 10 покупок.
Правдоподобие (доля успехов в выборке): 10/30 = 0.33.
Альтернативная гипотеза (средняя конверсия по всем сегментам): 10% (0.1).
Подставляем в формулу:
Полная вероятность: (0.33 × 0.2) + (0.1 × 0.8) = 0.066 + 0.08 = 0.146.
Новая вероятность: (0.33 × 0.2) / 0.146 ≈ 0.45 (45%).
Вывод: теперь вы знаете, что строители — не 20%, а 45%. Запускаете рекламу, а не исследование за 500 тысяч. Всё честно, всё по цифрам.
А теперь — как применить Байеса в жизни (пример с женой и отпуском):
Ситуация: вы хотите в Таиланд, жена — в Турцию. Цена одинаковая, оба варианта кажутся равными (априорная = 50% на 50%).
Что делаем:
✅Собираем данные: заходим на сайты отзывов (Отзывы.ру, Телеграм-паблики и тд), которым доверяете.
✅Делаете выборку: берёте 30 свежих отзывов о Турции и 30 о Таиланде.
✅Считаете долю положительных отзывов (где люди пишут «было круто», «вернусь ещё», «всё понравилось»).
✅Получаете: по Турции — 22 положительных из 30 (правдоподобие = 0.73), по Таиланду — 18 из 30 (0.6).
Подставляете в формулу Байеса:
Для Турции: новая вероятность ≈ 73% (было 50%).
Для Таиланда: новая вероятность ≈ 60% (было 50%).
Вывод: жена права (А мудрый муж с женой даже и без цифр не спорит), едем в Турцию. Вы только что приняли решение на основе данных, а не спора. И это заняло 30 минут, а не неделю уговоров. Байес спас ваш отпуск (и отношения).
4 сценария, где я применяю Байеса в работе (без таблиц, просто по пунктам):
1. Новый сегмент (ритейл для 1С)
Априорная: 15% (думаю, что слабый сегмент). Беру 20 сделок из смежной ниши, вижу 5 покупок (правдоподобие = 25%). Обновляю → получаю 35%. Запускаю тест в Директе, а не жду 3 месяца.
2. Новый скрипт продаж (самый любимый)
Старая конверсия скрипта — 10%. Тестирую новый на 15 звонках — всего 2 продажи (правдоподобие = 13%). По Байесу новая вероятность ≈ 13%, то есть скрипт — говно. Меняю его на следующий же день, а не через месяц тестов.
3. «Смотрящий» клиент
Я знаю по опыту: 70% таких покупают через месяц. Смотрю на 5 последних «смотрящих» — 4 купили (правдоподобие = 80%). Новая вероятность становится 88%. Активно веду их по воронке, не сливаю.
4. Новая УТП
Думаю, что зайдёт в 30% случаев. Тестирую на 50 контактах — 20 положительных (правдоподобие = 40%). Новая вероятность → 48%. Внедряю УТП, а не провожу фокус-группы.
Просмотры: 68