贝叶斯公式本质上是在新证据出现后更新信念。业务里很多判断都适用：先有一个先验概率，观测到数据后得到后验概率。它提醒我们，看到结果时要问基础概率是多少。
典型误区是忽略先验。比如某检测准确率很高，但人群患病率极低，检测阳性者真正患病的比例可能远低于直觉。风控、医疗、质检场景都要算清这个换算。
在推荐和广告中，贝叶斯平滑常用于处理小样本比率。新物品几次曝光就点击，原始点击率可能是一，但不可信。加入先验后估计会被拉回合理区间，减少噪声。
贝叶斯思维也适合做增量决策：每来一批数据就更新对效果的估计，而不是等实验结束才下结论。结合置信区间可以更早发现明显优劣，但要注意多重比较问题。
使用贝叶斯方法要明确先验来源和假设，先验选得随意会让结论不可靠。把假设写清楚，做敏感性分析，比追求复杂模型更重要。
