假設，你暗戀單位某個異性同事，也知道她沒有男友，很想向她表白。
可你的單位是比較保守的國企，員工流動性很小，同事關系復雜，還有不少喜歡傳小話的無聊大媽，萬一被拒絕，以后的同事關系就比較難相處了。
不能輕易開口，怎么辦呢？
你可以設計一系列恰到好處的暗示，并通過概率分析，判斷她接受你的可能性，來決定要不要向她正式表白。
比如說，你可以在工作上請她幫一個忙，然后以感謝的名義請她吃飯，看看她的反應。
很多人覺得，這個方法根本看不出什么結果：她就算答應吃飯，不代表她對你有意思，她就算不答應吃飯，也不代表她不喜歡你。
只是找個由頭請她吃飯，確實得不到明確的結論，卻可以通過一個特殊的計算方法，知道“你們倆有沒有機會”的概率。
這就是“貝葉斯方法”，它是一種經驗推理，可以評估一個走進商店的人最終購物的概率；也是機器學習方法，可以推測網絡那邊的人喜歡看什么視頻。
這也不僅是一個方法，還是一種重要的思維方式，幫助你在千頭萬緒的狀態下，作出合理的決策，所以我把它列為成為“99種思維模型”的第12篇：貝葉斯思維模型。
“貝葉斯方法”并不難，介紹的文章也很多，只是大部分都充滿了復雜的數學符號，讓人望而卻步，本文中，我嘗試只用圖表，不用任何數學符號，介紹清楚最基本的“貝葉斯方法”。
首先，我們要設立一個“先驗概率”——像你這樣的同事的表白，她接受的概率是多少？
很多人可能覺得這沒道理，如果我知道，那我還做什么測試？
沒關系，“先驗概率”就是憑感覺憑經驗先估算一個概率，之后再慢慢向實際情況靠攏。
如果說，你覺得她對你好像有那么一點意思，但你又怕是自己自作多情，那就把“有機會”的概率定為60%，“沒有機會”就是40%，我用下圖表示：
接下來，還要再設定兩個條件概率，不同情況下，她接受邀請的概率是多少？
條件概率不同于先驗概率，它需要有一定的依據，比如本例中，你要根據平時對她的觀察給出結論
條件概率一：如果你倆實際上“有機會”，那么，她接受這個邀請的概率有多高？
一般而言，這個概率應該比較高，但考慮她有可能沒理解你的意思，或者她近來心情不好，或者有其他不方便告訴你的原因，那么這個概率定為80%（下圖右側）。
條件概率二：如果你倆實際上“沒有機會”，那么，她接受這個邀請的概率有多高？
相信大部分情況下，她會拒絕，但因為邀請比較含糊，如果她沒往這方面想，或者覺得你請她吃一頓也是應該的，她也有可能接受，所以，這個概率定為40%（上圖左側）。
現在，我們就可以計算如下圖所示的所有四種情況出現的概率了——
左上角：實際“沒有機會”（概率為40%），卻接受了你的邀請（概率為40%），這種情況的概率就是40%中的40%。即為： 40%*40%=16%
還有三種情況：
左下角：實際“沒有機會”，也拒絕了你的邀請，概率：40%*60%=24%
右上角：實際“有機會”，也接受了你的邀請，概率：60%*80%=48%
右下角：實際“有機會”，卻拒絕了你的邀請，概率：60%*20%=12%
全部四種情況的概率加起來為100%，驗算無誤，接下來就可以看看結果了。
如果她接受了你的邀請，那么就排除了下面兩種“被拒絕”的情況，只剩下上面兩種，16%和48%，結果就很明確了：
如果接受的話，“實際上有機會”（右上角）的概率為：48%/（16%+48%）=75%
如果她拒絕了你的邀請，那么，她仍然對你有意思的概率有多大呢？
排除上面兩種“接受”的情況，只剩下下面兩種，24%和12%，結果就很明確了：
如果拒絕的話，“實際上仍然有機會”（右下角）的概率為：12%/（24%+12%）=33.3%
答案就是——
發出類似的邀請，如果她接受邀請，“你倆有機會”的概率就上升到75%；
如果她拒絕，“你倆有機會”的概率就下降到33.3%。
可這兩個概率有什么用呢？你還是不知道她實際的想法啊？
請她吃飯，正是為了繼續設計下一步的動作，可以通過多次信號讓這個過于主觀的信號越來越接近實際情況。
當然，也可能有人覺得，那三個先驗概率的設定太過隨意，其結果根本沒有參考價值。實際上，在“貝葉斯算法”的大多數商業應用中，這三個先驗概率是可以事先大致確定的。
我們先暫時放下“暗戀同事”的案例，看一個“貝葉斯算法”的商業應用。
一位顧客走進商店，看了看貨架，向你詢問了某商品的情況，請問，從當前的動作看，這個顧客最終買單的概率有多大。
要用“貝葉斯算法”算出成交概率，你需要三個先驗概率和條件概率：
轉化率，即“成交客戶/所有進來的人”，假設為20%
成交客戶的詢問率，即“先詢問的成交客戶/所有成交客戶”，假設為70%
未成交客戶的詢問率，即“先詢問的未成交客戶/所有未成交客戶”，假設為40%
這三條都可以從銷售歷史數據中得到，也可以由經驗豐富的銷售員的經驗中大致判斷，而且比較穩定，所以最終結果也非常接近實際情況。
四種情況的概率分布如下圖：
要判斷一個咨詢客戶的成交率，可以排除下面兩個概率，只計算上面兩類行為的概率：
成交且咨詢（左上）在所有客戶中的概率為：20%*70%=14%
未成交且咨詢（右上）在所有客戶中的概率為：80%*40%=32%
結果，在咨詢客戶中，最終成交的概率為：14%/（14%+32%）=30.4%。
所以，一位走進商場的客戶，當他開口咨詢時，他的成交概率就從20%上升至30.4%，有經驗的銷售員就應該注意這條銷售線索。
一個銷售老手的每一步都在收集信息，進行概率判斷，比如，有經驗的銷售員接下來不是干巴巴地介紹產品，而是進一步詢問客戶的需求，原因在于，需求為A和“非A”兩種情況，分別對應著不同的成交概率。
那么，可以繼續使用“貝葉斯算法”，判斷客戶的成交概率，決定花多少時間去向客戶推銷，選相應的推銷重點，并且決定給出多大的折扣把客戶拿下。
雖然“貝葉斯算法”一開始都是一些不太準的先驗概率，但通過多次使用，通過去掌握更多的信息，這個概率會越來越高（或低），或穩定地接近實際情況。
理解了這一點，我們就可以再回到文章主題案例。
請她吃飯，正是為了繼續設計下一步的行動，但你還需要設定一個目標概率（比如上限85%、下限15%），通過下一步設計的“貝葉斯方法”，計算出概率，對照目標，決定下一步行動，分為三類：
結果1：上升到85%（達到最終目標），→行動1：正式表白；
結果2：下降到15%以下（達到最終目標），→行動2：徹底放棄；
結果3：繼續在15~85%之間（未達到最終目標），→行動3：繼續設計下一步行動。
當然，你還需要利用一些信息。比如，在吃飯聊天時，你知道她喜歡去擼貓咖啡館，你可以趁機發出下一個邀請，剛好開了一家很有意思的貓咪咖啡館，要不要周末一起去？
為什么選咖啡館呢？相對于這次請客，去咖啡館沒有任何緣由，更能探測出她的真實意圖；而相對于“看電影”這種過于明確或唐突的表白，被拒絕也不至于過于尷尬。
更重要的是，這個邀請可以通過“貝葉斯算法”改變概率，以接近實際目標概率。
由于現在已是第二次“貝葉斯計算”了，現在的先驗概率不再是之前的60%，而是上一次計算后的75%。
然后再評估一下這兩個結果的條件概率，如下圖所示：
如果你倆“沒有機會”，因為這是一個意圖更明確的邀請，所以設定她接受邀請的概率下降到30%；
如果你倆“有機會”，也因為這是一個意圖更明確的邀請，所以她有可能現在還有點猶豫，則設定她接受邀請的概率下降到60%。
則算出概率：
“實際上沒有機會，但接受邀請”（左上）的概率為：25%*30%=7.5%
“實際上有機會，并接受邀請”（右上）的概率為：75%*60%=45%
結果：如果最后她接受了邀請，此時實際結果為“有機會”（右上）的概率上升到：45%/（7.5%+45%）=85.7%
耶！達到“目標1”，你可以下一次在貓咪咖啡館里正式表白了。
不過，如果你是一個謹慎的人，可能覺得之前的先驗概率太過主觀，結果剛好卡在85%超過一點點。
你可以以85.7%為先驗概率，再設計下一次邀請，再測試一次，如果結果仍然在85%以上，你再去表白，更穩妥一些。
即使先驗概率比較主觀，不一定準，你也可以通過多次“貝葉斯計算”讓結果更符合實際。
有一些事情，要么發生，要么不會發生，它的計算次數越多，結果越接近100%或0%，但在“你倆有沒有機會”這件事上，卻更可能是0%到100%之間的一個值，說明她也沒有完全想好要不要接受你。
對于這一類事情，“貝葉斯計算”更重要的作用是——讓事情發生。
你在判斷概率的時候，也是給對方一個改變接受度的機會，又不需要挑明，立刻給出結果，等待結果變成高于85%或低于15%。
再回到那個銷售案例，對于一個經驗豐富的銷售員而言，從客戶進商店，他的每一個動作對應著一個成交概率，可以采取相應行動，提升最終的成交概率。
這個數據，并不是有人告訴他的，而是在以往大量的銷售實踐中，漸漸總結出來的，這個過程非常類似“貝葉斯算法”。
1、有客戶來，先根據一些跡象主觀判斷成交的先驗概率
2、設計一些行動，觀察客戶的行為，設定更多的先驗概率
3、最終的結果與貝葉斯概率核對，修正先驗概率
(資料圖片僅供參考)
4、有新客戶，重復1的過程
有經驗的銷售員，就是積累了大量的“客戶行為的先驗概率”的人。
所以，當貝葉斯算法把大量模糊的認知量化后，就成了機器學習的算法，《生活大爆炸》中有一集，謝爾頓就用到了貝葉斯定理。
以抖音快手一類視頻App的推薦算法為例，它先根據初始畫像，給男生推薦軍事，給女生推薦美妝，再根據你的反饋加大其他內容的推薦比例，再根據和你喜歡同一內容的人的喜好，給出更多的推薦，并根據打開概率不斷修正你的瀏覽偏好，最終穩定在一組推薦概率上。
而人腦的“貝葉斯計算”，只是一種模糊的感覺，銷售員可能自己也不知道是如何判斷的。
回到暗戀同事的案例中，很多人覺得不需要搞得這么復雜，直接表白，行就行，不行拉倒——但這樣往往給自己給對方造成很大的困擾，是一種沒有情商的表現。
事實上，高情商本質上就是擁有大量的“人際關系的先驗概率”，知道自己的每一步行為會產生什么樣的結果——就算有不知道的，也知道用什么方法去得到。
而人際關系的學習也是一個需要大量數據處理、不斷試錯的過程，積累的經驗函數可能多到遠超抖音的大數據算法，現實生活中，如果只靠自己試錯，成本極高，必須長期觀察周圍其他人的行為。
社交能力強的人，往往是受家庭環境的影響，他們的父母本身有較多的高質量的人際交往，這些人從童年時就積累了各種“先驗概率”，避免了大量的試錯成本。
所以，社交能力不但是一個機器無法取代的能力，甚至是一個很難在成年后再提高的能力。
