[{"data":1,"prerenderedAt":425},["ShallowReactive",2],{"article-alternates":3,"article-\u002Fde\u002Fgaming\u002Fbayesian-price-optimization-mobile-f2p":13},{"i18nKey":4,"paths":5},"gaming-002-2026-05",{"de":6,"en":7,"es":8,"fr":9,"it":10,"ru":11,"tr":12},"\u002Fde\u002Fgaming\u002Fbayesian-price-optimization-mobile-f2p","\u002Fen\u002Fgaming\u002Fmobile-f2p-bayesian-price-optimization","\u002Fes\u002Fgaming\u002Foptimizacion-de-precios-bayesiana-f2p-movil","\u002Ffr\u002Fgaming\u002Fbayesian-price-optimization-f2p-mobile","\u002Fit\u002Fgaming\u002Fbayesian-price-optimization-mobile-f2p","\u002Fru\u002Fgaming\u002Fbayesian-price-optimization-mobile-f2p","\u002Ftr\u002Fgaming\u002Fmobile-f2pde-bayesian-price-optimization",{"_path":6,"_dir":14,"_draft":15,"_partial":15,"_locale":16,"title":17,"description":18,"publishedAt":19,"modifiedAt":19,"category":14,"i18nKey":4,"tags":20,"readingTime":26,"author":27,"body":28,"_type":419,"_id":420,"_source":421,"_file":422,"_stem":423,"_extension":424},"gaming",false,"","Bayesian Price Optimization im Mobile F2P","Warum der Wechsel von klassischen A\u002FB-Tests zu Bayesian Estimation bei IAP-Preistests kritisch ist: Posterior-Updates, segment-spezifische Preisleitern und Early-Decision-Mechaniken.","2026-05-10",[21,22,23,24,25],"f2p-monetization","bayesian-testing","iap-pricing","mobile-gaming","price-optimization",9,"Roibase",{"type":29,"children":30,"toc":407},"root",[31,39,46,51,56,61,67,80,90,95,100,107,119,127,132,137,143,155,160,165,294,299,305,317,329,334,349,354,360,365,370,375,380,386,402],{"type":32,"tag":33,"props":34,"children":35},"element","p",{},[36],{"type":37,"value":38},"text","In der Mobile-F2P-Ökonomie wird Preisoptimierung noch immer nach dem Motto „verschieben wir das meistverkaufte Paket von $4,99 auf $5,99\" durchgeführt. 2026 optimieren Studios, die Apple Search Ads-Gebote mit Millisekunden-Präzision feinabstimmen, ihre IAP-Leitern noch über Wochen mit klassischen A\u002FB-Tests. Bayesian Estimation transformiert Preistests – nicht um einzelne Prozentpunkte zu erfassen, sondern um schneller zu entscheiden und segment-spezifische Preisleitern aufzubauen. Das Ergebnis: LTV-Steigerungen von durchschnittlich 12–18 % pro Test. In diesem Artikel erklären wir, wie Posterior-Updates funktionieren, wie man Segmentierung integriert und warum das Bayesian Framework im Mobile-Context unverzichtbar ist.",{"type":32,"tag":40,"props":41,"children":43},"h2",{"id":42},"warum-klassische-ab-preistests-zu-langsam-sind",[44],{"type":37,"value":45},"Warum klassische A\u002FB-Preistests zu langsam sind",{"type":32,"tag":33,"props":47,"children":48},{},[49],{"type":37,"value":50},"Ein frequentist A\u002FB-Test für eine Preisänderung benötigt typischerweise 5.000–10.000 Transaktionen, um statistische Signifikanz zu erreichen (p=0,05, Power=0,80). Ein mittelgroßes F2P-Spiel mit täglich 200–300 zahlenden Nutzern bedeutet 25–30 Tage Wartezeit pro Variante. In dieser Zeit aktualisiert sich der Season Pass, der Event-Kalender ändert sich, die Konkurrenz veröffentlicht ein Update – die Kontrolle über die Test-Kohorten wird unmöglich.",{"type":32,"tag":33,"props":52,"children":53},{},[54],{"type":37,"value":55},"Ein zweites Problem: binäre Entscheidungslogik. Entweder „Preiserhöhung ist nicht signifikant, zurück zum Ausgangswert\" oder „signifikant, ausrollen\". Mobile Nutzer haben aber völlig unterschiedliche Price Elasticity. Während ein organischer iOS-Nutzer bei $9,99 konvertiert, könnte ein Android-Paid-Install 40 % empfindlicher sein. Ein einzelner p-Wert zwingt alle Segmente in die gleiche Entscheidung.",{"type":32,"tag":33,"props":57,"children":58},{},[59],{"type":37,"value":60},"Ein drittes Problem: kein sauberes Early Stopping. Der frequentist Test muss bis zur erreichter Sample Size durchlaufen – selbst wenn die Posterior Confidence nach 2 Wochen bei 92 % liegt, wird das Test weitere 4 Wochen gezogen. Diese Verzögerung kostet den LTV-Gewinn aus der Preisänderung bereits in den noch laufenden Live-Ops-Zeitplan hinein.",{"type":32,"tag":40,"props":62,"children":64},{"id":63},"wie-posterior-estimation-im-bayesian-framework-funktioniert",[65],{"type":37,"value":66},"Wie Posterior-Estimation im Bayesian Framework funktioniert",{"type":32,"tag":33,"props":68,"children":69},{},[70,72,78],{"type":37,"value":71},"Der Bayesian Ansatz sieht Conversion Rate (oder Average Revenue Per Paying User) nicht als feste Zahl, sondern als ",{"type":32,"tag":73,"props":74,"children":75},"strong",{},[76],{"type":37,"value":77},"Wahrscheinlichkeitsverteilung",{"type":37,"value":79},". Vor dem Test gibt es einen Prior: die Verteilung der CVR aus dem alten Preis. Mit jeder neuen Transaktion wird die Posterior Distribution über Bayes' Theorem aktualisiert:",{"type":32,"tag":81,"props":82,"children":84},"pre",{"code":83},"P(θ | data) ∝ P(data | θ) × P(θ)\n",[85],{"type":32,"tag":86,"props":87,"children":88},"code",{"__ignoreMap":16},[89],{"type":37,"value":83},{"type":32,"tag":33,"props":91,"children":92},{},[93],{"type":37,"value":94},"Hier ist θ = wahre Conversion Rate (oder ARPPU), data = beobachtete Purchase Events. Als Prior wird typischerweise Beta(α, β) verwendet (geeignet für binäre IAP-Flows). Nach jedem Tag werden α und β mit den neuen Transaktionszahlen aktualisiert.",{"type":32,"tag":33,"props":96,"children":97},{},[98],{"type":37,"value":99},"Ein praktisches Beispiel: Das Starter Pack wird von $4,99 auf $5,99 erhöht. Prior: CVR ~2,8 % (Beta(280, 9720) – abgeleitet aus 10.000 Impressionen). Nach 3 Tagen hat die $5,99-Variante 600 Impressionen und 14 Konversionen erhalten. Posterior ist jetzt Beta(294, 10306). Das Konfidenzintervall verengt sich, die durchschnittliche CVR wird auf 2,78 % aktualisiert. Nach 10 Tagen: 2.000 Impressionen, 48 Konversionen – Posterior Beta(328, 11672), CVR 2,74 %. Während ein frequentist Test noch „unzureichende Sample\" sagt, antwortet der Bayesian Ansatz: „Die Wahrscheinlichkeit, dass die neue Preis-CVR unter der alten liegt, beträgt 87 % – aber kompensiert der ARPPU-Anstieg das?\"",{"type":32,"tag":101,"props":102,"children":104},"h3",{"id":103},"decision-metric-expected-revenue-gain",[105],{"type":37,"value":106},"Decision Metric: Expected Revenue Gain",{"type":32,"tag":33,"props":108,"children":109},{},[110,112,117],{"type":37,"value":111},"CVR-Rückgang allein ist keine Entscheidungsgrundlage. Im Bayesian Framework ist die Kernmetrik ",{"type":32,"tag":73,"props":113,"children":114},{},[115],{"type":37,"value":116},"Expected Revenue Per Impression",{"type":37,"value":118}," (ERPI):",{"type":32,"tag":81,"props":120,"children":122},{"code":121},"ERPI = E[CVR × Price]\n",[123],{"type":32,"tag":86,"props":124,"children":125},{"__ignoreMap":16},[126],{"type":37,"value":121},{"type":32,"tag":33,"props":128,"children":129},{},[130],{"type":37,"value":131},"Für beide Varianten entnimmst du der Posterior Distribution Stichproben via Monte Carlo (10.000 Iterationen). In jeder Iteration vergleichst du CVR_neu × $5,99 mit CVR_alt × $4,99. Wenn in mehr als 85 % der Fälle der neue Preis vorn liegt (P(ERPI_neu > ERPI_alt) > 0,85), lautet die Entscheidung „skalieren\". Liegt sie unter 15 %, gehst du zurück.",{"type":32,"tag":33,"props":133,"children":134},{},[135],{"type":37,"value":136},"Dieser Ansatz ermöglicht Entscheidungen in 10–12 Tagen mit 1.500–2.000 Transaktionen – 60 % schneller als klassisches A\u002FB-Testing über 4–5 Wochen.",{"type":32,"tag":40,"props":138,"children":140},{"id":139},"segment-spezifische-preisleitern",[141],{"type":37,"value":142},"Segment-Spezifische Preisleitern",{"type":32,"tag":33,"props":144,"children":145},{},[146,148,153],{"type":37,"value":147},"Die echte Stärke von Bayesian Estimation zeigt sich, wenn man sie mit ",{"type":32,"tag":73,"props":149,"children":150},{},[151],{"type":37,"value":152},"Multi-Armed-Bandit",{"type":37,"value":154},"-Logik kombiniert. Für jedes Segment wird eine separate Posterior geführt, jeden Tag entscheidet Thompson Sampling dynamisch, welche Preisvariante Traffic erhält.",{"type":32,"tag":33,"props":156,"children":157},{},[158],{"type":37,"value":159},"Ein konkretes Szenario: 4 Segmente – (1) organisch iOS, (2) bezahlt iOS, (3) organisch Android, (4) bezahlt Android. Du testest 3 Preise für das Starter Pack: $4,99, $5,99, $6,99. Insgesamt 12 Posterior Distributionen (4 Segmente × 3 Preise).",{"type":32,"tag":33,"props":161,"children":162},{},[163],{"type":37,"value":164},"Erste Woche: Jedes Segment erhält alle 3 Varianten gleichmäßig (Exploration). Ab Woche 2: Thompson Sampling übernimmt. Bei jeder Impression werden aus den 3 Posteriors für dieses Segment Stichproben gezogen; die Variante mit höchster ERPI-Stichprobe erhält den Traffic. Wenn iOS-organisch $6,99 schnell in Führung geht, sehen über 70 % der Nutzer in diesem Segment $6,99. Wenn iOS-bezahlt $5,99 optimal zeigt, dorthin fließt Traffic.",{"type":32,"tag":166,"props":167,"children":168},"table",{},[169,198],{"type":32,"tag":170,"props":171,"children":172},"thead",{},[173],{"type":32,"tag":174,"props":175,"children":176},"tr",{},[177,183,188,193],{"type":32,"tag":178,"props":179,"children":180},"th",{},[181],{"type":37,"value":182},"Segment",{"type":32,"tag":178,"props":184,"children":185},{},[186],{"type":37,"value":187},"Optimaler Preis (Tag 14)",{"type":32,"tag":178,"props":189,"children":190},{},[191],{"type":37,"value":192},"Posterior Confidence",{"type":32,"tag":178,"props":194,"children":195},{},[196],{"type":37,"value":197},"Tägliche Verteilung",{"type":32,"tag":199,"props":200,"children":201},"tbody",{},[202,226,249,271],{"type":32,"tag":174,"props":203,"children":204},{},[205,211,216,221],{"type":32,"tag":206,"props":207,"children":208},"td",{},[209],{"type":37,"value":210},"Organisch iOS",{"type":32,"tag":206,"props":212,"children":213},{},[214],{"type":37,"value":215},"$6,99",{"type":32,"tag":206,"props":217,"children":218},{},[219],{"type":37,"value":220},"91 %",{"type":32,"tag":206,"props":222,"children":223},{},[224],{"type":37,"value":225},"78 %",{"type":32,"tag":174,"props":227,"children":228},{},[229,234,239,244],{"type":32,"tag":206,"props":230,"children":231},{},[232],{"type":37,"value":233},"Bezahlt iOS",{"type":32,"tag":206,"props":235,"children":236},{},[237],{"type":37,"value":238},"$5,99",{"type":32,"tag":206,"props":240,"children":241},{},[242],{"type":37,"value":243},"88 %",{"type":32,"tag":206,"props":245,"children":246},{},[247],{"type":37,"value":248},"74 %",{"type":32,"tag":174,"props":250,"children":251},{},[252,257,261,266],{"type":32,"tag":206,"props":253,"children":254},{},[255],{"type":37,"value":256},"Organisch Android",{"type":32,"tag":206,"props":258,"children":259},{},[260],{"type":37,"value":238},{"type":32,"tag":206,"props":262,"children":263},{},[264],{"type":37,"value":265},"85 %",{"type":32,"tag":206,"props":267,"children":268},{},[269],{"type":37,"value":270},"71 %",{"type":32,"tag":174,"props":272,"children":273},{},[274,279,284,289],{"type":32,"tag":206,"props":275,"children":276},{},[277],{"type":37,"value":278},"Bezahlt Android",{"type":32,"tag":206,"props":280,"children":281},{},[282],{"type":37,"value":283},"$4,99",{"type":32,"tag":206,"props":285,"children":286},{},[287],{"type":37,"value":288},"82 %",{"type":32,"tag":206,"props":290,"children":291},{},[292],{"type":37,"value":293},"69 %",{"type":32,"tag":33,"props":295,"children":296},{},[297],{"type":37,"value":298},"Diese Struktur erfasst Segment-Level-Preiselastizität und liefert 15–20 % mehr Revenue als ein global einheitlicher Preis. Wenn du ein neues Segment hinzufügst (z. B. „Tier-2 GEO paid user\"), definierst du einen Prior, und der Multi-Armed Bandit startet automatisch Tests für diesen Arm.",{"type":32,"tag":40,"props":300,"children":302},{"id":301},"early-decision-mechanik-und-regret-minimization",[303],{"type":37,"value":304},"Early-Decision-Mechanik und Regret Minimization",{"type":32,"tag":33,"props":306,"children":307},{},[308,310,315],{"type":37,"value":309},"Der kritische Vorteil des Bayesian Framework im Mobile-Context ist ",{"type":32,"tag":73,"props":311,"children":312},{},[313],{"type":37,"value":314},"sequential decision-making",{"type":37,"value":316},". Jeden Tag wird die Posterior aktualisiert und gegen die Entscheidungsregel geprüft. Wenn P(ERPI_neu > ERPI_alt) > 0,90, sagst du: „Wir sind sicher genug – bündle den verbleibenden Traffic zur Gewinnervariante.\" Während frequentist-Tests auf die erreichter Sample Size warten, trifft Bayesian am Tag 7 eine Entscheidung und skaliert die gewinnende Preis die restlichen 3 Wochen.",{"type":32,"tag":33,"props":318,"children":319},{},[320,322,327],{"type":37,"value":321},"Frühe Entscheidungen minimieren ",{"type":32,"tag":73,"props":323,"children":324},{},[325],{"type":37,"value":326},"cumulative regret",{"type":37,"value":328},": Regret = „Was hätten wir verdient, wenn wir den optimalen Preis von Tag 1 gekannt hätten\" − „Was haben wir während des Tests verdient\". Im klassischen A\u002FB-Test fließt 30 Tage lang die Hälfte des Traffic zur suboptimalen Variante; im Bayesian Thompson Sampling ab Tag 10 80 % des Traffic zur Gewinnervariante. Das Regret-Integral sinkt um 60–70 %.",{"type":32,"tag":33,"props":330,"children":331},{},[332],{"type":37,"value":333},"Konkret über einen 2–3-Wochen-Testzyklus:",{"type":32,"tag":335,"props":336,"children":337},"ul",{},[338,344],{"type":32,"tag":339,"props":340,"children":341},"li",{},[342],{"type":37,"value":343},"Klassisches A\u002FB: 21 Tage × 50 % suboptimaler Traffic = 10,5 Tage äquivalenter Verlust",{"type":32,"tag":339,"props":345,"children":346},{},[347],{"type":37,"value":348},"Bayesian Bandit: 7 Tage Exploration + 14 Tage 15 % suboptimal = 2,1 Tage äquivalenter Verlust",{"type":32,"tag":33,"props":350,"children":351},{},[352],{"type":37,"value":353},"Dieser Unterschied wird bei hohem DAU zu täglichen fünfstelligen Revenue-Unterschieden.",{"type":32,"tag":40,"props":355,"children":357},{"id":356},"trade-offs-und-pitfalls",[358],{"type":37,"value":359},"Trade-offs und Pitfalls",{"type":32,"tag":33,"props":361,"children":362},{},[363],{"type":37,"value":364},"Bayesian Price Optimization ist nicht risikofrei. Die Prior-Wahl ist kritisch: Ein zu enger Prior (z. B. Beta(5000, 195000) – „CVR liegt definitiv bei 2,5 %\") aktualisiert die Belief nur langsam mit neuen Daten. Ein zu breiter Prior (Beta(1, 1) – uniform) führt zu zu langer Exploration. Ein solider Start: Die letzten 30 Tage Transaktionsdaten aus dem alten Preis via Method of Moments in Beta-Parameter konvertieren.",{"type":32,"tag":33,"props":366,"children":367},{},[368],{"type":37,"value":369},"Ein zweiter Pitfall: Mit steigenden Segmenten wird die Multi-Armed-Bandit langsamer. 4 Segmente × 3 Preise = 12 Arme; wenn jeder Arm 200–300 Samples braucht, sind 2.400–3.600 Transaktionen nötig – bei täglich 300 zahlenden Nutzern 10–12 Tage. Wenn man auf 8 Segmente × 4 Preise (32 Arme) hochskaliert, kann Convergence 4–5 Wochen dauern. Lösung: Hierarchical Bayes nutzen, um Informationen zwischen Segmenten zu teilen (z. B. Prior: „Tier-1-GEOs zeigen ähnliche Elastizität\").",{"type":32,"tag":33,"props":371,"children":372},{},[373],{"type":37,"value":374},"Ein dritter Punkt: Die IAP-Leiter wird nicht isoliert getestet, sondern läuft parallel zu Live-Ops-Events. Während eines Events ändert sich die Price Elasticity (Urgency-Effekt). Bayesian Posterior sollten an Event-Tagen schneller aktualisiert werden, aber nach Event-Ende sollte man den Prior nicht reset-ten. Sonst „trägt\" der Befund „$6,99 optimal während Event\" in normale Tage, was zu suboptimalen Entscheidungen führt.",{"type":32,"tag":33,"props":376,"children":377},{},[378],{"type":37,"value":379},"Letzte Überlegung: Bayesian gibt keine frequentist-Garantien. Wenn man sagt „P(θ > x) = 0,95\", ist das ein 95%-Credible Interval, nicht ein 95%-Confidence Interval. Falls Regulatoren oder legale Anforderungen (z. B. Loot-Box-Regulierung) frequentist Metriken fordern, solltest du Bayesian-Ergebnisse mit Bootstrap absichern.",{"type":32,"tag":40,"props":381,"children":383},{"id":382},"segment-spezifische-leitern-im-messsystem-von-roibase-verankern",[384],{"type":37,"value":385},"Segment-Spezifische Leitern im Messsystem von Roibase verankern",{"type":32,"tag":33,"props":387,"children":388},{},[389,391,400],{"type":37,"value":390},"Für Mobile Gaming Studios ist Price Optimization kein isolierter Test, sondern eng mit ",{"type":32,"tag":392,"props":393,"children":397},"a",{"href":394,"rel":395},"https:\u002F\u002Fwww.roibase.com.tr\u002Fde\u002Faso",[396],"nofollow",[398],{"type":37,"value":399},"App Store Optimization",{"type":37,"value":401}," und dem gesamten Attribution-Pipeline verknüpft. Bayesian Posteriors werden nicht nur für Preisentscheidungen, sondern auch bei ASO-Creative-Tests genutzt: Welche Custom Product Page bringt welchem Segment höhere IPM, welche IAP-Leiter passt zu diesem Segment – wenn man beide Datenströme kombiniert, wird die Kohorten-LTV-Projektion 30 % genauer.",{"type":32,"tag":33,"props":403,"children":404},{},[405],{"type":37,"value":406},"Das Bayesian Framework in die Messinfrastruktur zu integrieren, ermöglicht schnellere Entscheidungen und segment-spezifische Preisleitern. 2026 gewinnen Mobile-F2P-Studios, die Preistests von „monatliche Optimierung\" zu einem System weiterentwickeln, das täglich Posterior aktualisiert, Thompson Sampling für Traffic-Verteilung nutzt und Regret minimiert.",{"title":16,"searchDepth":408,"depth":408,"links":409},3,[410,412,415,416,417,418],{"id":42,"depth":411,"text":45},2,{"id":63,"depth":411,"text":66,"children":413},[414],{"id":103,"depth":408,"text":106},{"id":139,"depth":411,"text":142},{"id":301,"depth":411,"text":304},{"id":356,"depth":411,"text":359},{"id":382,"depth":411,"text":385},"markdown","content:de:gaming:bayesian-price-optimization-mobile-f2p.md","content","de\u002Fgaming\u002Fbayesian-price-optimization-mobile-f2p.md","de\u002Fgaming\u002Fbayesian-price-optimization-mobile-f2p","md",1778421811602]