办公室恋情成功的概率有多大?这个算法告诉你
2022-06-14 21:57

办公室恋情成功的概率有多大?这个算法告诉你

本文来自微信公众号:人神共奋(ID:tongyipaocha),作者:人神共奋,题图来自:视觉中国


一、你跟她有没有机会?


假设,你暗恋单位某个异性同事,也知道她没有男友,很想向她表白。


可你的单位是比较保守的国企,员工流动性很小,同事关系复杂,还有不少喜欢传小话的无聊大妈,万一被拒绝,以后的同事关系就比较难相处了。


不能轻易开口,怎么办呢?


你可以设计一系列恰到好处的暗示,并通过概率分析,判断她接受你的可能性,来决定要不要向她正式表白。


比如说,你可以在工作上请她帮一个忙,然后以感谢的名义请她吃饭,看看她的反应。


很多人觉得,这个方法根本看不出什么结果:她就算答应吃饭,不代表她对你有意思,她就算不答应吃饭,也不代表她不喜欢你。


只是找个由头请她吃饭,确实得不到明确的结论,却可以通过一个特殊的计算方法,知道“你们俩有没有机会”的概率。


这就是“贝叶斯方法”,它是一种经验推理,可以评估一个走进商店的人最终购物的概率;也是机器学习方法,可以推测网络那边的人喜欢看什么视频。


这也不仅是一个方法,还是一种重要的思维方式,帮助你在千头万绪的状态下,作出合理的决策,所以我把它列为成为“99种思维模型”的第12篇:贝叶斯思维模型。


“贝叶斯方法”并不难,介绍的文章也很多,只是大部分都充满了复杂的数学符号,让人望而却步,本文中,我尝试只用图表,不用任何数学符号,介绍清楚最基本的“贝叶斯方法”。


二、从先验概率出发


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。


三、咨询客户的成交概率


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。


四、目标与下一步行动


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%。


五、人工智能与社交能力


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。


本文来自微信公众号:人神共奋(ID:tongyipaocha),作者:人神共奋

本内容为作者独立观点,不代表虎嗅立场。未经允许不得转载,授权事宜请联系hezuo@huxiu.com
如对本稿件有异议或投诉,请联系tougao@huxiu.com
正在改变与想要改变世界的人,都在 虎嗅APP
赞赏
关闭赞赏 开启赞赏

支持一下   修改

确定