对于某些人来说，这可能是一个不受欢迎的观点，但根据我的经验，贝叶斯统计在工业数据科学中并不是特别有用，原因如下：

• 当我们的问题是关于统计推断时，贝叶斯方法非常有用。然而，在数据科学中，我们通常处理的是预测。可能在某些情况下，贝叶斯方法比常客方法更有效，但我想不出任何副手，除了可以使用共轭先验的地方，在这种情况下，我们可能正在处理一个非常简单的模型。

• 贝叶斯统计通常需要采样，例如马尔可夫链或哈密顿蒙特卡洛，这可能是计算量非常大的，即使对于相对较小的数据集也是如此。在工业中，我们经常处理“大数据”，而需要 MCMC 或 HMC 的贝叶斯模型是不切实际的。

编辑：要对此答案发表评论：

我对此有一个问题，统计推断与预测有何不同。就我的理解而言，预测通常是关于得到 P(Y=y | X)，其中 X 是我们的数据，类似于统计推断

预测和推理是完全不同的。对于预测，我们真正关心的是预测的准确性，这是一件相对容易确定的事情——因为测试/验证过程正在最小化一些预测误差。另一方面，通过推理，我们关心系数估计值以及它们的标准误差。通常，研究人员会根据原因理论形成假设——例如，喝咖啡会导致癌症，他们将使用模型来确定数据是否支持他们的理论，以及在多大程度上支持他们的理论。这比预测困难得多。一方面，在因果推理中，基本要求是我们不希望对$\mathbf{X}$ 有偏见——而在预测中，我们不在乎它们是否有偏见，只要我们得到“好的”预测 $\mathbf{y}$，并且回归模型中有很多很多的偏差来源——偏差可以而且确实来自混杂、中介、差异选择和碰撞。通常，问题的症结在于决定模型中包含哪些变量，以消除或减少这些偏差。通过预测，我们可以使用自动变量选择程序来选择要包含的变量（特征选择）。通过推理，这几乎是不可能的，因为自动化程序通常无法处理上述偏差。

在我对这个问题的回答中有对这些问题的详细讨论：
DAG 如何帮助减少因果推理中的偏差？

我认为贝叶斯分析的这些实际工业应用可能对您有所帮助：

• “Wayfair 的贝叶斯产品排名”，David J. Harris，Wayfair 博客，2020 年 1 月 20 日
• “Glovo 跨城市学习的贝叶斯建模”，Javier Mae Adell，Glovo 工程博客，2021 年 4 月 30 日
• “教程：我们如何使用 Stan 对贝叶斯收入估计进行产品化”，Markus Ojala，Smartly.io 博客，2017 年 6 月 21 日
• “在贝叶斯的帮助下，天堂般的婚姻”，Sriram Sharma，FactorDaily.com，2018 年 5 月 14 日

此外，尤其是优步，在贝叶斯优化、贝叶斯预测方法 (Orbit) 和贝叶斯分层/多级模型（概率编程语言 Pyro/NumPyro）方面做了大量工作。例如，搜索 Uber Engineering 网站返回的结果如下：

• 搜索：“贝叶斯”。

对更多感兴趣？一般来说，我在这里跟踪贝叶斯分析的发展及其在工业中的应用：

• “贝叶斯”，一个 Flipboard 混搭 ezine

我希望这是一个有用的答案。