Biến thể đơn giản của Bayes smoothing (làm mượt Bayes)

🧠 Giải thích toán học

🎯 Mục tiêu:

Tính một tỷ lệ bán hàng đã được làm mượt để tránh các vấn đề do dữ liệu quá ít (ví dụ: mới bán 1 lần mà đã tính tỷ lệ là 100%).

📐 Công thức toán học:

Đây là Bayesian smoothing với prior cố định:

$$\hat{p} = \frac{s + \alpha}{n + \beta}$$

Trong đó:

• $s$: số lượng bán được (bunsi)
• $n$: số lượng tồn kho (bunbo)
• $\alpha$: số lượng bán giả định (prior sales)
• $\beta$: số lượng tồn giả định (prior inventory)

📊 Ví dụ:

Giả sử:

→ Tỷ lệ được giảm nhẹ và ổn định hơn.

📌 Khi nào dùng phương pháp này?

• Khi không muốn hoặc không thể tính trung bình toàn cục
• Khi bạn có kinh nghiệm domain knowledge (biết rằng phân phối cần smoothing mức độ bao nhiêu)
• Khi cần cách đơn giản, nhanh và ổn định hơn dynamic smoothing

🔁 So sánh với các phương pháp khác:

Nếu bạn cần đồ thị minh họa giống Wilson Score hoặc muốn so sánh static smoothing với dynamic, mình có thể vẽ thêm.