Во время экономических спадов то, что поддерживает жизнь стартапов, — это цифры. Разговоры, ловкость и интуитивные решения, которые могли бы сработать на бычьем рынке, очень быстро разваливаются, как только инвестор, клиент или любое другое заинтересованное лицо снижает свою нетерпимость к риску.

Если вы пытаетесь собрать деньги прямо сейчас, и у вас нет сногсшибательных цифр доходов, подтверждающих ваши заявления, вам нужно будет делать прогнозы на основе всех хороших данных, с которыми вы работаете.

Но как вы можете эффективно использовать имеющуюся у вас информацию для последовательных прогнозов? Вот где вступает в действие правило Байеса.

Практическая проблема

Прежде чем мы представим математику, лежащую в основе правила Байеса, давайте поработаем с примером.

Допустим, мы создаем SaaS API, чтобы раздавать людям фотографии собак. На данный момент у нас есть три части данных о наших пользователях:

  • 5% наших пользователей платят
  • 20% наших пользователей из США
  • 80% платящих пользователей из США.

Важный вопрос, который вам, возможно, придется задать: если мы запустим определенную маркетинговую кампанию в Соединенных Штатах и ​​рассчитываем привлечь 100 пользователей в Соединенных Штатах, сколько из них будут платными пользователями.

Правило Байеса позволяет нам ответить на этот вопрос

Правило Байеса

Правило Байеса — это метод обновления наших прогнозов на основе различных данных, которые у нас есть.

В приведенном выше уравнении вот что означает каждая из этих вещей:

  • P(B|A): вероятность того, что событие B произойдет, при условии, что A истинно.
  • P (A | B): вероятность того, что событие A произойдет, при условии, что B истинно.
  • P(B): Общая вероятность того, что B верно
  • P(A): Общая вероятность того, что A верно

В приведенном выше примере мы имеем, что A — это тот факт, что пользователь из США, а B — тот факт, что пользователь платит. Итак, теперь, работая с этими примерами, мы имеем:

  • P(B|A): вероятность того, что пользователь платит, учитывая, что он из США (что мы хотим узнать)
  • P(A|B): вероятность того, что пользователь из США, при условии, что он платит (80%).
  • P(B): процент пользователей, которые платят (5%).
  • P(A): процент пользователей из США (5%).

Итак, теперь мы можем подставить эти числа, чтобы получить:

Таким образом, наш окончательный ответ заключается в том, что у пользователя из США есть 20% шанс заплатить! Это означает, что мы можем предсказать, что 20 из 100 пользователей заплатят.

Почему это так важно

Причина, по которой это так важно, заключается в том, что очень распространенной ошибкой является ответ на этот вопрос без учета того факта, что пользователи из Соединенных Штатов. Интуитивным способом ответить на этот вопрос было бы сказать, что 5% наших пользователей платят, поэтому из 100 пользователей, которых мы планируем привлечь, заплатят 5.

Но реальность такова, что каждый новый фрагмент информации может обновить наши прогнозы. Учитывая тот факт, что пользователи из США, мы можем получить более точный прогноз (не говоря уже о более высоком прогнозе в нашем сценарии).

Правило Байеса позволяет нам рассматривать прогнозы целостно и делать более точные прогнозы. Эти инструменты для достижения точности — это те вещи, которые могут привлечь инвестора на вашу сторону.

Имейте в виду, что сбор этих фрагментов данных требует совершенно нового обсуждения. Экспериментальный дизайн — это то, что большинство стартапов делают ужасно неправильно, но не волнуйтесь, мы расскажем об этом в ближайшие недели!

Если вы ищете больше контента для стартапов, обязательно подпишитесь и дайте нам знать внизу, о чем вы хотите, чтобы мы написали дальше!

В Codesphere мы создаем универсальную совместную веб-IDE, инструмент разработки и облачную платформу. Дайте нам попробовать!