「数据驱动决策」本质上是贝叶斯过程——但整个行业在用频率学派语言描述它¶

洞察¶

每个所谓的「数据驱动决策」都在做同一件事：用新数据更新旧信念，然后行动。

公式化：

先验信念 (Prio)r     + 新数据 (Likelihood)    → 后验信念 (Posterior)    → 行动
"这个策略大概有效"    A/B 测试结果             "这个策略有 83% 概率有效"   部署
"这个客户可能会流失"  客户浏览行为数据          "流失概率 67%"            干预
"这个价格是最优的"    价格弹性实验              "最优价格区间 ¥89-95"     定价

这就是贝叶斯更新：\(P(\theta|D) \propto P(D|\theta) \cdot P(\theta)\)。但整个数据驱动决策行业用频率学派的语言描述这个过程：

"我们有统计显著性"（p < 0.05）—而非"后验概率 95%"
"我们拒绝零假设"—而非"我们更新了对效应量的信念"
"置信区间是 [a, b]"—而非"参数有 95% 概率落在 [a, b]"

为什么这很重要¶

语言塑造思维。当团队用频率学派语言描述决策时，他们：

二值化不确定性：「显著 vs 不显著」替代了「效应量的概率分布」——丢失了不确定性的大小信息
拖延决策至数据充足：「样本量还不够大，还没显著」替代了「后验概率已经 70%，足够行动了」
无法融入先验知识：专家的领域知识不被编码进模型，只能在「有统计显著性的数据」和「直觉」之间硬切换
停止收集数据太早：p < 0.05 就停止——贝叶斯方法会让你继续收集直到后验足够窄

隐性贝叶斯主义的实践表现¶

很多最好的数据分析师在实践中已经是隐性贝叶斯主义者：

看了 A/B 测试结果的趋势就提前部署（= 先验强 + 部分数据 → 足够后验）
不相信一个「显著」但反直觉的结果（= 先验压倒弱似然）
多次测试同一假设直到「显著」（= 更新先验但假装每轮测试独立—这实际上是 p-hacking，但在贝叶斯框架下是合法的序贯更新）

关键矛盾：实践中人们在隐式做贝叶斯推理，但报告时用频率学派语言——因为期刊和利益相关者只接受「统计显著」。这创造了一个分裂：从业者知道自己在做什么（贝叶斯），但被迫用另一种语言（频率）包装，从而导致沟通中的系统性误解。

对实践的启示¶

如果团队显式地采用贝叶斯框架描述数据驱动决策：

不需要等到 p < 0.05——可以在后验概率 > 阈值时部署
专家的先验知识被透明地编码进模型——「我们认为这个策略可能提升 5-15%，最可能 10%」→ 一个先验分布
序贯决策被形式化：每批数据更新后验→继续收集还是部署？→贝叶斯最优停止规则
「不显著」不再等于「零效应」——而是「后验太宽，需要更多数据」或「效应大概率接近于零」

🕸️ 跨域脉络¶

贝叶斯推理（C6）提供了数学框架但无法要求组织改变语言——频率推断（C4）在组织文化中的统治地位不是技术问题，是制度惯性
决策理论（C1）的规范面提供了「给定不确定性应该做什么」的答案——但首先需要正确地量化不确定性（贝叶斯后验）
ML 失败金字塔（C8）的根源之一：预测层和决策层都依赖不确定性量化——而频率学派语言系统性地低估不确定性