[{"data":1,"prerenderedAt":772},["ShallowReactive",2],{"article-alternates":3,"article-\u002Fit\u002Fgaming\u002Fottimizzazione-del-prezzo-bayesiana-f2p-mobile":13},{"i18nKey":4,"paths":5},"gaming-002-2026-06",{"de":6,"en":7,"es":8,"fr":9,"it":10,"ru":11,"tr":12},"\u002Fde\u002Fgaming\u002Fbayesian-price-optimization-mobile-f2p","\u002Fen\u002Fgaming\u002Fbayesian-price-optimization-mobile-f2p","\u002Fes\u002Fgaming\u002Foptimizacion-de-precios-bayesiana-f2p-movil","\u002Ffr\u002Fgaming\u002Foptimisation-des-prix-bayesienne-f2p-mobile","\u002Fit\u002Fgaming\u002Fottimizzazione-del-prezzo-bayesiana-f2p-mobile","\u002Fru\u002Fgaming\u002Fbayesian-price-optimization-mobile-f2p","\u002Ftr\u002Fgaming\u002Fmobile-f2pde-bayesian-price-optimization",{"_path":10,"_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":766,"_id":767,"_source":768,"_file":769,"_stem":770,"_extension":771},"gaming",false,"","Ottimizzazione del Prezzo Bayesiana nel F2P Mobile","Gestire i test dei prezzi IAP con stima posteriore: segmentazione, price ladder A\u002FB, filtrage dei falsi positivi e intervalli di credibilità posteriore.","2026-06-10",[21,22,23,24,25],"bayesian-optimization","iap-pricing","f2p-monetization","price-testing","posterior-estimation",9,"Roibase",{"type":29,"children":30,"toc":758},"root",[31,39,46,51,56,61,67,81,108,118,127,132,257,270,276,281,286,392,397,403,416,426,434,453,463,469,474,482,487,495,530,535,551,557,562,737,742,747,752],{"type":32,"tag":33,"props":34,"children":35},"element","p",{},[36],{"type":37,"value":38},"text","Nei giochi mobile F2P, l'ottimizzazione del prezzo IAP viene ancora condotta con la logica frequentista A\u002FB: due pacchetti di prezzo, 14 giorni, p\u003C0.05 in attesa. Questo approccio causa perdita di potenza statistica nei segmenti piccoli (utenti VIP, whale in entrata), eliminando la possibilità di prendere decisioni precoci. L'ottimizzazione bayesiana del prezzo aggiorna la distribuzione posteriore, consentendo sia decisioni più rapide che creazione di fiducia in campioni piccoli. Questo articolo spiega come gestire i test della price ladder IAP con stima posteriore, limiti di segmentazione, filtrage dei falsi positivi e modellazione dell'uplift di ricavi.",{"type":32,"tag":40,"props":41,"children":43},"h2",{"id":42},"dove-lab-frequentista-fallisce-nei-test-iap",[44],{"type":37,"value":45},"Dove l'A\u002FB Frequentista Fallisce nei Test IAP",{"type":32,"tag":33,"props":47,"children":48},{},[49],{"type":37,"value":50},"Il test A\u002FB classico richiede una dimensione campionaria fissa. Poiché il tasso di conversione degli acquisti in-app si attesta nel range %2–5, raccogliere un volume di conversioni sufficiente in un test di prezzo richiede 3–4 settimane. Nel segmento whale (top %1 di spender), il tasso è ancora più basso, quindi il tempo di test si estende a 6 settimane. Il problema è questo: la meta del gioco cambia, arrivano nuovi eventi, i periodi stagionali terminano — dopo 6 settimane i dati ottenuti non sono più rappresentativi.",{"type":32,"tag":33,"props":52,"children":53},{},[54],{"type":37,"value":55},"La logica frequentista produce inoltre una decisione binaria: ha vinto\u002Fha perso. Però nel test IAP, l'effetto della variabile prezzo non è monotonico. Aumentando da $4,99 a $6,99, la conversione può scendere dell'8% ma il ricavo medio per utente pagante (ARPPU) aumenta del 22%, per un uplift netto di ricavi del +12%. Questo trade-off non compare nel p-value frequentista; devi calcolarlo post-hoc.",{"type":32,"tag":33,"props":57,"children":58},{},[59],{"type":37,"value":60},"L'approccio bayesiano combina la prior belief (ad esempio, \"questo segmento generalmente monetizza meglio nel range $5–7\") con i dati, producendo una distribuzione posteriore. Inizia ad aggiornare la posteriore dal primo giorno del test e produce risultati intermedi già a 500 impressioni. Poiché puoi fermarti presto, riduci il tempo di test della metà, e poiché puoi misurare il rischio attraverso intervalli di credibilità posteriore, puoi costruire strategie decisionali aggressive o conservative.",{"type":32,"tag":40,"props":62,"children":64},{"id":63},"prior-e-likelihood-nel-test-della-price-ladder",[65],{"type":37,"value":66},"Prior e Likelihood nel Test della Price Ladder",{"type":32,"tag":33,"props":68,"children":69},{},[70,72,79],{"type":37,"value":71},"Un test della price ladder IAP ha questa struttura: prezzo attuale $4,99, varianti testate $5,99, $6,99. Mantieni una distribuzione posteriore separata per ogni price point: ",{"type":32,"tag":73,"props":74,"children":76},"code",{"className":75},[],[77],{"type":37,"value":78},"P(θ | data)",{"type":37,"value":80}," — dove θ = tasso di conversione vero o ricavo atteso per utente (ERPU).",{"type":32,"tag":33,"props":82,"children":83},{},[84,90,92,98,100,106],{"type":32,"tag":85,"props":86,"children":87},"strong",{},[88],{"type":37,"value":89},"Selezione della prior:",{"type":37,"value":91},"\nLa distribuzione Beta(α, β) è utile per il tasso di conversione. Se disponi di dati storici per il segmento (ad esempio, conversione %3,2 negli ultimi 90 giorni, 1.200 impressioni), converti questi in prior dove ",{"type":32,"tag":73,"props":93,"children":95},{"className":94},[],[96],{"type":37,"value":97},"α = conversioni",{"type":37,"value":99},", ",{"type":32,"tag":73,"props":101,"children":103},{"className":102},[],[104],{"type":37,"value":105},"β = non-conversioni",{"type":37,"value":107},". Se non hai dati, usa una prior non informativa Beta(1,1) — distribuzione uniforme. Per il segmento whale, generalmente si preferisce una prior informativa poiché la dimensione campionaria sarà piccola; una prior stabilizza i dati.",{"type":32,"tag":33,"props":109,"children":110},{},[111,116],{"type":32,"tag":85,"props":112,"children":113},{},[114],{"type":37,"value":115},"Likelihood:",{"type":37,"value":117},"\nOgni variante di prezzo è una prova di Bernoulli. L'utente vede l'IAP, acquista o no. Dati osservati: n impressioni, k conversioni. L'aggiornamento posteriore:",{"type":32,"tag":119,"props":120,"children":122},"pre",{"code":121},"Posteriore = Beta(α + k, β + n - k)\n",[123],{"type":32,"tag":73,"props":124,"children":125},{"__ignoreMap":16},[126],{"type":37,"value":121},{"type":32,"tag":33,"props":128,"children":129},{},[130],{"type":37,"value":131},"Questa formula viene aggiornata ogni giorno quando arrivano nuove impressioni. Scenario di esempio:",{"type":32,"tag":133,"props":134,"children":135},"table",{},[136,170],{"type":32,"tag":137,"props":138,"children":139},"thead",{},[140],{"type":32,"tag":141,"props":142,"children":143},"tr",{},[144,150,155,160,165],{"type":32,"tag":145,"props":146,"children":147},"th",{},[148],{"type":37,"value":149},"Giorno",{"type":32,"tag":145,"props":151,"children":152},{},[153],{"type":37,"value":154},"Prezzo",{"type":32,"tag":145,"props":156,"children":157},{},[158],{"type":37,"value":159},"Impressioni",{"type":32,"tag":145,"props":161,"children":162},{},[163],{"type":37,"value":164},"Conversioni",{"type":32,"tag":145,"props":166,"children":167},{},[168],{"type":37,"value":169},"Posteriore",{"type":32,"tag":171,"props":172,"children":173},"tbody",{},[174,203,230],{"type":32,"tag":141,"props":175,"children":176},{},[177,183,188,193,198],{"type":32,"tag":178,"props":179,"children":180},"td",{},[181],{"type":37,"value":182},"1",{"type":32,"tag":178,"props":184,"children":185},{},[186],{"type":37,"value":187},"$5,99",{"type":32,"tag":178,"props":189,"children":190},{},[191],{"type":37,"value":192},"120",{"type":32,"tag":178,"props":194,"children":195},{},[196],{"type":37,"value":197},"4",{"type":32,"tag":178,"props":199,"children":200},{},[201],{"type":37,"value":202},"Beta(5, 117)",{"type":32,"tag":141,"props":204,"children":205},{},[206,211,215,220,225],{"type":32,"tag":178,"props":207,"children":208},{},[209],{"type":37,"value":210},"3",{"type":32,"tag":178,"props":212,"children":213},{},[214],{"type":37,"value":187},{"type":32,"tag":178,"props":216,"children":217},{},[218],{"type":37,"value":219},"380",{"type":32,"tag":178,"props":221,"children":222},{},[223],{"type":37,"value":224},"13",{"type":32,"tag":178,"props":226,"children":227},{},[228],{"type":37,"value":229},"Beta(14, 368)",{"type":32,"tag":141,"props":231,"children":232},{},[233,238,242,247,252],{"type":32,"tag":178,"props":234,"children":235},{},[236],{"type":37,"value":237},"7",{"type":32,"tag":178,"props":239,"children":240},{},[241],{"type":37,"value":187},{"type":32,"tag":178,"props":243,"children":244},{},[245],{"type":37,"value":246},"820",{"type":32,"tag":178,"props":248,"children":249},{},[250],{"type":37,"value":251},"28",{"type":32,"tag":178,"props":253,"children":254},{},[255],{"type":37,"value":256},"Beta(29, 793)",{"type":32,"tag":33,"props":258,"children":259},{},[260,262,268],{"type":37,"value":261},"Al giorno 7, la media posteriore = 29\u002F(29+793) = %3,53. Intervallo di credibilità: ",{"type":32,"tag":263,"props":264,"children":265},"span",{},[266],{"type":37,"value":267},"%2,4, %4,9",{"type":37,"value":269}," (%95 HPD).",{"type":32,"tag":40,"props":271,"children":273},{"id":272},"segmentazione-e-integrazione-del-multi-armed-bandit",[274],{"type":37,"value":275},"Segmentazione e Integrazione del Multi-Armed Bandit",{"type":32,"tag":33,"props":277,"children":278},{},[279],{"type":37,"value":280},"Eseguire il test della price ladder su tutta la base utenti contemporaneamente è inefficiente. Prendi di mira i segmenti con il più alto potenziale di ricavi: whale nuovo (che effettua il primo IAP al D7, spende $20+), spender ricorrente (2+ acquisti negli ultimi 14 giorni), spender trigger-driven (attivato quando esce il nuovo season pass). Mantenere una posteriore separata per ogni segmento aumenta la complessità del modello ma migliora l'efficienza campionaria.",{"type":32,"tag":33,"props":282,"children":283},{},[284],{"type":37,"value":285},"Integrando il multi-armed bandit (MAB) con l'ottimizzazione bayesiana, puoi eseguire un'allocazione dinamica: assegna più traffico al price point con media posteriore più alta (exploit), ma assegna traffico minimo a quelli con varianza posteriore più alta (explore). L'algoritmo Thompson Sampling campiona dalla posteriore e seleziona il valore più alto, bilanciando automaticamente:",{"type":32,"tag":119,"props":287,"children":291},{"code":288,"language":289,"meta":16,"className":290,"style":16},"def thompson_sampling(posteriors):\n    samples = [beta.rvs(p['alpha'], p['beta']) for p in posteriors]\n    return np.argmax(samples)\n","python","language-python shiki shiki-themes github-dark",[292],{"type":32,"tag":73,"props":293,"children":294},{"__ignoreMap":16},[295,318,378],{"type":32,"tag":263,"props":296,"children":299},{"class":297,"line":298},"line",1,[300,306,312],{"type":32,"tag":263,"props":301,"children":303},{"style":302},"--shiki-default:#F97583",[304],{"type":37,"value":305},"def",{"type":32,"tag":263,"props":307,"children":309},{"style":308},"--shiki-default:#B392F0",[310],{"type":37,"value":311}," thompson_sampling",{"type":32,"tag":263,"props":313,"children":315},{"style":314},"--shiki-default:#E1E4E8",[316],{"type":37,"value":317},"(posteriors):\n",{"type":32,"tag":263,"props":319,"children":321},{"class":297,"line":320},2,[322,327,332,337,343,348,353,358,363,368,373],{"type":32,"tag":263,"props":323,"children":324},{"style":314},[325],{"type":37,"value":326},"    samples ",{"type":32,"tag":263,"props":328,"children":329},{"style":302},[330],{"type":37,"value":331},"=",{"type":32,"tag":263,"props":333,"children":334},{"style":314},[335],{"type":37,"value":336}," [beta.rvs(p[",{"type":32,"tag":263,"props":338,"children":340},{"style":339},"--shiki-default:#9ECBFF",[341],{"type":37,"value":342},"'alpha'",{"type":32,"tag":263,"props":344,"children":345},{"style":314},[346],{"type":37,"value":347},"], p[",{"type":32,"tag":263,"props":349,"children":350},{"style":339},[351],{"type":37,"value":352},"'beta'",{"type":32,"tag":263,"props":354,"children":355},{"style":314},[356],{"type":37,"value":357},"]) ",{"type":32,"tag":263,"props":359,"children":360},{"style":302},[361],{"type":37,"value":362},"for",{"type":32,"tag":263,"props":364,"children":365},{"style":314},[366],{"type":37,"value":367}," p ",{"type":32,"tag":263,"props":369,"children":370},{"style":302},[371],{"type":37,"value":372},"in",{"type":32,"tag":263,"props":374,"children":375},{"style":314},[376],{"type":37,"value":377}," posteriors]\n",{"type":32,"tag":263,"props":379,"children":381},{"class":297,"line":380},3,[382,387],{"type":32,"tag":263,"props":383,"children":384},{"style":302},[385],{"type":37,"value":386},"    return",{"type":32,"tag":263,"props":388,"children":389},{"style":314},[390],{"type":37,"value":391}," np.argmax(samples)\n",{"type":32,"tag":33,"props":393,"children":394},{},[395],{"type":37,"value":396},"Ad ogni decisione di allocazione impression, la funzione di cui sopra viene eseguita. Dopo 10.000 impressioni, il price point migliore raccoglie naturalmente la maggior parte del traffico, ma gli altri non muoiono completamente; se arrivano nuovi dati, la posteriore si aggiorna e potrebbe passare in testa.",{"type":32,"tag":40,"props":398,"children":400},{"id":399},"filtrage-dei-falsi-positivi-e-intervallo-di-credibilità-posteriore",[401],{"type":37,"value":402},"Filtrage dei Falsi Positivi e Intervallo di Credibilità Posteriore",{"type":32,"tag":33,"props":404,"children":405},{},[406,408,414],{"type":37,"value":407},"Nei test bayesiani, il concetto di \"significatività statistica\" non esiste; al suo posto usiamo probabilità posteriore: ",{"type":32,"tag":73,"props":409,"children":411},{"className":410},[],[412],{"type":37,"value":413},"P(θ_A > θ_B | data)",{"type":37,"value":415},". Se questa probabilità è >%95, allora il prezzo A è superiore al prezzo B secondo i dati. Ma attenzione: anche se la probabilità posteriore è alta, se l'effect size è piccolo non c'è guadagno operazionale.",{"type":32,"tag":33,"props":417,"children":418},{},[419,424],{"type":32,"tag":85,"props":420,"children":421},{},[422],{"type":37,"value":423},"Soglia Minimum Detectable Effect (MDE):",{"type":37,"value":425},"\nSe l'uplift di ricavi è \u003C%5, il costo di implementazione supera il guadagno (conformità app store, aggiunta di nuovo SKU, localizzazione). Quindi la regola decisionale dovrebbe essere:",{"type":32,"tag":119,"props":427,"children":429},{"code":428},"IF P(uplift > 5%) > 0.95 AND posterior_mean_uplift > 5%:\n    DEPLOY\nELSE:\n    CONTINUE or STOP\n",[430],{"type":32,"tag":73,"props":431,"children":432},{"__ignoreMap":16},[433],{"type":37,"value":428},{"type":32,"tag":33,"props":435,"children":436},{},[437,439,444,446,451],{"type":37,"value":438},"Questo doppio filtro controlla il tasso di falsi positivi. Ad esempio, se l'uplift posteriore medio del prezzo $5,99 è +%3,2 ma l'intervallo di credibilità è ",{"type":32,"tag":263,"props":440,"children":441},{},[442],{"type":37,"value":443},"-%1,2, +%7,8",{"type":37,"value":445},", è ancora presto per decidere. Raccogli dati per altre 2 settimane, l'intervallo si restringe al ",{"type":32,"tag":263,"props":447,"children":448},{},[449],{"type":37,"value":450},"+%2,1, +%5,6",{"type":37,"value":452}," al %95 HPD e il medio supera la soglia %5, allora deploy il prezzo.",{"type":32,"tag":33,"props":454,"children":455},{},[456,461],{"type":32,"tag":85,"props":457,"children":458},{},[459],{"type":37,"value":460},"Verifica predittiva posteriore:",{"type":37,"value":462},"\nDopo il test, simula le prestazioni del prezzo distribuito utilizzando la distribuzione predittiva posteriore. Se i ricavi osservati cadono fuori da questa distribuzione (ad esempio, sotto il %99 della distribuzione), la composizione del segmento è cambiata o un fattore esterno è entrato in gioco (nuovo competitor ha lanciato un gioco, politica dei prezzi Apple è cambiata). In questo caso, invalida la posteriore, inizia un retest con una nuova prior.",{"type":32,"tag":40,"props":464,"children":466},{"id":465},"modellazione-delluplift-di-ricavi-e-albero-decisionale-operazionale",[467],{"type":37,"value":468},"Modellazione dell'Uplift di Ricavi e Albero Decisionale Operazionale",{"type":32,"tag":33,"props":470,"children":471},{},[472],{"type":37,"value":473},"La metrica finale di un test di prezzo IAP non è il tasso di conversione ma l'aumento di ERPU (ricavo atteso per utente) a livello di segmento. Nel framework bayesiano, modella l'ERPU così:",{"type":32,"tag":119,"props":475,"children":477},{"code":476},"ERPU = P(conversione) × Prezzo\nERPU Posteriore = E[θ] × Prezzo\n",[478],{"type":32,"tag":73,"props":479,"children":480},{"__ignoreMap":16},[481],{"type":37,"value":476},{"type":32,"tag":33,"props":483,"children":484},{},[485],{"type":37,"value":486},"Calcola l'ERPU posteriore per ogni price point e scegli quello più alto. Ma c'è un trade-off: il prezzo più alto riduce la conversione, il prezzo più basso riduce l'ARPPU. Per trovare il punto ottimale, testa l'intera price ladder contemporaneamente (3–4 varianti) e confronta le distribuzioni ERPU posteriore.",{"type":32,"tag":33,"props":488,"children":489},{},[490],{"type":32,"tag":85,"props":491,"children":492},{},[493],{"type":37,"value":494},"Albero decisionale operazionale:",{"type":32,"tag":496,"props":497,"children":498},"ol",{},[499,510,520],{"type":32,"tag":500,"props":501,"children":502},"li",{},[503,508],{"type":32,"tag":85,"props":504,"children":505},{},[506],{"type":37,"value":507},"Giorno 3:",{"type":37,"value":509}," La varianza posteriore è ancora alta? Sì → regola l'allocazione traffico (MAB). No → controlla se c'è un segnale di vincitore precoce.",{"type":32,"tag":500,"props":511,"children":512},{},[513,518],{"type":32,"tag":85,"props":514,"children":515},{},[516],{"type":37,"value":517},"Giorno 7:",{"type":37,"value":519}," La probabilità posteriore del miglior price point è >%90? Sì → soft launch (segmento whale al 10%). No → continua per altri 7 giorni.",{"type":32,"tag":500,"props":521,"children":522},{},[523,528],{"type":32,"tag":85,"props":524,"children":525},{},[526],{"type":37,"value":527},"Giorno 14:",{"type":37,"value":529}," L'intervallo di credibilità posteriore è stretto (range \u003C%3) e l'uplift >%5? Sì → deploy completo. No → test inconclusivo, esegui analisi meta.",{"type":32,"tag":33,"props":531,"children":532},{},[533],{"type":37,"value":534},"Questo albero fa sì che il test abbia una mediana di 10 giorni (vs. 21 giorni per frequentista). Anche su popolazioni ristrette come il segmento whale puoi decidere al giorno 14 perché quando la prior è informativa, la posteriore si restringe rapidamente.",{"type":32,"tag":33,"props":536,"children":537},{},[538,540,549],{"type":37,"value":539},"Analisi meta: se il test rimane inconclusivo, esegui micro-segmentazione dentro il segmento (iOS vs Android, geografi tier-1 vs tier-2, D7 vs D30 di età). Calcola la posteriore separatamente per ognuno, trova dove il segnale è forte, applica il prezzo specifico a quel segmento. Questo parallela il processo di ",{"type":32,"tag":541,"props":542,"children":546},"a",{"href":543,"rel":544},"https:\u002F\u002Fwww.roibase.com.tr\u002Fit\u002Faso",[545],"nofollow",[547],{"type":37,"value":548},"App Store Optimization",{"type":37,"value":550},": ogni segmento vede creative diversi, qui vede prezzi diversi.",{"type":32,"tag":40,"props":552,"children":554},{"id":553},"calibrazione-del-prezzo-a-lungo-termine-con-stima-posteriore",[555],{"type":37,"value":556},"Calibrazione del Prezzo a Lungo Termine con Stima Posteriore",{"type":32,"tag":33,"props":558,"children":559},{},[560],{"type":37,"value":561},"L'ottimizzazione bayesiana del prezzo non è un test una tantum ma un sistema di calibrazione continua. Ogni mese arrivano nuove coorti, la meta cambia, l'impatto di un evento stagionale sposta la posteriore. Per questo, applica una logica di posteriore rolling: aggiorna la posteriore ogni settimana con i dati degli ultimi 60 giorni, riduci gradualmente la prior precedente (decadimento esponenziale).",{"type":32,"tag":119,"props":563,"children":565},{"code":564,"language":289,"meta":16,"className":290,"style":16},"def update_rolling_posterior(current_posterior, new_data, decay=0.95):\n    alpha_new = current_posterior['alpha'] * decay + new_data['conversions']\n    beta_new = current_posterior['beta'] * decay + new_data['non_conversions']\n    return {'alpha': alpha_new, 'beta': beta_new}\n",[566],{"type":32,"tag":73,"props":567,"children":568},{"__ignoreMap":16},[569,601,657,706],{"type":32,"tag":263,"props":570,"children":571},{"class":297,"line":298},[572,576,581,586,590,596],{"type":32,"tag":263,"props":573,"children":574},{"style":302},[575],{"type":37,"value":305},{"type":32,"tag":263,"props":577,"children":578},{"style":308},[579],{"type":37,"value":580}," update_rolling_posterior",{"type":32,"tag":263,"props":582,"children":583},{"style":314},[584],{"type":37,"value":585},"(current_posterior, new_data, decay",{"type":32,"tag":263,"props":587,"children":588},{"style":302},[589],{"type":37,"value":331},{"type":32,"tag":263,"props":591,"children":593},{"style":592},"--shiki-default:#79B8FF",[594],{"type":37,"value":595},"0.95",{"type":32,"tag":263,"props":597,"children":598},{"style":314},[599],{"type":37,"value":600},"):\n",{"type":32,"tag":263,"props":602,"children":603},{"class":297,"line":320},[604,609,613,618,622,627,632,637,642,647,652],{"type":32,"tag":263,"props":605,"children":606},{"style":314},[607],{"type":37,"value":608},"    alpha_new ",{"type":32,"tag":263,"props":610,"children":611},{"style":302},[612],{"type":37,"value":331},{"type":32,"tag":263,"props":614,"children":615},{"style":314},[616],{"type":37,"value":617}," current_posterior[",{"type":32,"tag":263,"props":619,"children":620},{"style":339},[621],{"type":37,"value":342},{"type":32,"tag":263,"props":623,"children":624},{"style":314},[625],{"type":37,"value":626},"] ",{"type":32,"tag":263,"props":628,"children":629},{"style":302},[630],{"type":37,"value":631},"*",{"type":32,"tag":263,"props":633,"children":634},{"style":314},[635],{"type":37,"value":636}," decay ",{"type":32,"tag":263,"props":638,"children":639},{"style":302},[640],{"type":37,"value":641},"+",{"type":32,"tag":263,"props":643,"children":644},{"style":314},[645],{"type":37,"value":646}," new_data[",{"type":32,"tag":263,"props":648,"children":649},{"style":339},[650],{"type":37,"value":651},"'conversions'",{"type":32,"tag":263,"props":653,"children":654},{"style":314},[655],{"type":37,"value":656},"]\n",{"type":32,"tag":263,"props":658,"children":659},{"class":297,"line":380},[660,665,669,673,677,681,685,689,693,697,702],{"type":32,"tag":263,"props":661,"children":662},{"style":314},[663],{"type":37,"value":664},"    beta_new ",{"type":32,"tag":263,"props":666,"children":667},{"style":302},[668],{"type":37,"value":331},{"type":32,"tag":263,"props":670,"children":671},{"style":314},[672],{"type":37,"value":617},{"type":32,"tag":263,"props":674,"children":675},{"style":339},[676],{"type":37,"value":352},{"type":32,"tag":263,"props":678,"children":679},{"style":314},[680],{"type":37,"value":626},{"type":32,"tag":263,"props":682,"children":683},{"style":302},[684],{"type":37,"value":631},{"type":32,"tag":263,"props":686,"children":687},{"style":314},[688],{"type":37,"value":636},{"type":32,"tag":263,"props":690,"children":691},{"style":302},[692],{"type":37,"value":641},{"type":32,"tag":263,"props":694,"children":695},{"style":314},[696],{"type":37,"value":646},{"type":32,"tag":263,"props":698,"children":699},{"style":339},[700],{"type":37,"value":701},"'non_conversions'",{"type":32,"tag":263,"props":703,"children":704},{"style":314},[705],{"type":37,"value":656},{"type":32,"tag":263,"props":707,"children":709},{"class":297,"line":708},4,[710,714,719,723,728,732],{"type":32,"tag":263,"props":711,"children":712},{"style":302},[713],{"type":37,"value":386},{"type":32,"tag":263,"props":715,"children":716},{"style":314},[717],{"type":37,"value":718}," {",{"type":32,"tag":263,"props":720,"children":721},{"style":339},[722],{"type":37,"value":342},{"type":32,"tag":263,"props":724,"children":725},{"style":314},[726],{"type":37,"value":727},": alpha_new, ",{"type":32,"tag":263,"props":729,"children":730},{"style":339},[731],{"type":37,"value":352},{"type":32,"tag":263,"props":733,"children":734},{"style":314},[735],{"type":37,"value":736},": beta_new}\n",{"type":32,"tag":33,"props":738,"children":739},{},[740],{"type":37,"value":741},"Questo sistema non azzera la posteriore dopo un cambio di prezzo; aggiunge i dati del nuovo prezzo alla posteriore precedente. In questo modo, la conoscenza passata non va completamente persa, ma il pattern attuale pesa di più.",{"type":32,"tag":33,"props":743,"children":744},{},[745],{"type":37,"value":746},"A lungo termine, puoi estrarre la curva di elasticità del prezzo: traccia l'ERPU posteriore medio per ogni price point, adatta una curva, osserva l'effetto marginale di un aumento di $1. Se la curva raggiunge un plateau a $6,99, non testare prezzi più alti; invece prova una strategia di bundle\u002Fpacchetto (2 IAP insieme al 15% di sconto). Anche questa strategia si testa con la bayesiana; la prior sul tasso di conversione bundle si prende come il 70% della conversione singola IAP (euristica di industria) e la posteriore si aggiorna con i dati.",{"type":32,"tag":33,"props":748,"children":749},{},[750],{"type":37,"value":751},"L'ottimizzazione bayesiana del prezzo trasforma i test IAP da A\u002FB statici a sistemi di apprendimento dinamico. Grazie alla stima posteriore puoi decidere presto su segmenti piccoli, controllare i falsi positivi mentre massimizzi l'uplift di ricavi. Su popolazioni ristrette come il segmento whale o spender trigger-driven, l'approccio frequentista non funziona; la struttura prior + likelihood bayesiana risolve questo problema. La posteriore rolling aggiorna continuamente la calibrazione del prezzo, le variazioni stagionali o i cambi di meta si riflettono automaticamente nella posteriore. Il risultato: il tempo di test si dimezza, la qualità della decisione aumenta, il costo operazionale scende.",{"type":32,"tag":753,"props":754,"children":755},"style",{},[756],{"type":37,"value":757},"html .default .shiki span {color: var(--shiki-default);background: var(--shiki-default-bg);font-style: var(--shiki-default-font-style);font-weight: var(--shiki-default-font-weight);text-decoration: var(--shiki-default-text-decoration);}html .shiki span {color: var(--shiki-default);background: var(--shiki-default-bg);font-style: var(--shiki-default-font-style);font-weight: var(--shiki-default-font-weight);text-decoration: var(--shiki-default-text-decoration);}",{"title":16,"searchDepth":380,"depth":380,"links":759},[760,761,762,763,764,765],{"id":42,"depth":320,"text":45},{"id":63,"depth":320,"text":66},{"id":272,"depth":320,"text":275},{"id":399,"depth":320,"text":402},{"id":465,"depth":320,"text":468},{"id":553,"depth":320,"text":556},"markdown","content:it:gaming:ottimizzazione-del-prezzo-bayesiana-f2p-mobile.md","content","it\u002Fgaming\u002Fottimizzazione-del-prezzo-bayesiana-f2p-mobile.md","it\u002Fgaming\u002Fottimizzazione-del-prezzo-bayesiana-f2p-mobile","md",1782050755362]