[{"data":1,"prerenderedAt":726},["ShallowReactive",2],{"article-alternates":3,"article-\u002Fru\u002Fgaming\u002Fbayesian-cenovaya-optimizacija-v-mobile-f2p":13},{"i18nKey":4,"paths":5},"gaming-002-2026-08",{"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\u002Fbayesian-precio-optimizacion-f2p-movil","\u002Ffr\u002Fgaming\u002Foptimisation-bayesienne-des-prix-f2p-mobile","\u002Fit\u002Fgaming\u002Fbayesian-price-optimization-f2p-mobile","\u002Fru\u002Fgaming\u002Fbayesian-cenovaya-optimizacija-v-mobile-f2p","\u002Ftr\u002Fgaming\u002Fmobile-f2pde-bayesian-price-optimization",{"_path":11,"_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":720,"_id":721,"_source":722,"_file":723,"_stem":724,"_extension":725},"gaming",false,"","Bayesian Ценовая Оптимизация в Mobile F2P","Оптимизация цены IAP с помощью Байесовского тестирования: оценка апостериорного распределения, сегментированное ценообразование и методология расчёта приращения дохода.","2026-08-05",[21,22,23,24,25],"f2p-monetization","bayesian-testing","iap-optimization","price-ladder","mobile-gaming",9,"Roibase",{"type":29,"children":30,"toc":708},"root",[31,39,46,51,56,61,68,73,78,84,89,94,99,105,110,115,129,135,140,145,150,156,161,166,171,654,667,673,678,683,702],{"type":32,"tag":33,"props":34,"children":35},"element","p",{},[36],{"type":37,"value":38},"text","В мобильных F2P-играх оптимизацию цены IAP обычно сводят к A\u002FB-тестированию: сравни две цены, выбери более высокий доход. Этот подход работал в 2018 году — стоимость UA была низкой, проблемы с размером выборки отсутствовали. В 2026 году ситуация иная: после iOS 14.5 отслеживание когорт нарушено, Apple Search Ads CPI вырос на 340%, длительность тестов увеличилась с 8 до 14 недель. Байесовская методология предоставляет два преимущества в этих условиях: апостериорное распределение позволяет принимать ранние решения, сегментация усиливает модель с помощью предварительного знания. В игровой экономике ценовая эластичность непостоянна — поведение отличается между сегментами whale\u002Fdolphin\u002Fminnow, и захватить эту разницу выходит за пределы возможностей частотистского A\u002FB-тестирования.",{"type":32,"tag":40,"props":41,"children":43},"h2",{"id":42},"экономическая-логика-байесовских-тестов",[44],{"type":37,"value":45},"Экономическая Логика Байесовских Тестов",{"type":32,"tag":33,"props":47,"children":48},{},[49],{"type":37,"value":50},"В мобильном F2P стоимость ценового теста — это не только время разработки, но и упущенная возможность. Если вы тестируете цену $4.99 против $6.99 и ждёте 14 недель, то недополученный доход до нахождения правильной цены — это сама стоимость теста. Байесовский подход ежедневно обновляет апостериорное распределение вероятности — коэффициент конверсии не просто 2,3%, а находится в диапазоне 1,8–2,9% с 95% вероятностью (credible interval). По мере сужения интервала решение становится чётче, и вы можете завершить тест досрочно.",{"type":32,"tag":33,"props":52,"children":53},{},[54],{"type":37,"value":55},"В частотистском A\u002FB-тестировании вы вычисляете минимальный размер выборки для p-value \u003C0,05 и ждёте, пока выборка достигнет этого размера. Однако в мобильных играх размер когорты колеблется ежедневно: после запуска новой функции DAU увеличивается на 40%, летняя сезонность снижает показатель на 25%. Байесовская модель интерпретирует эти колебания как обновления prior'а, не привязываясь к плану фиксированного размера выборки.",{"type":32,"tag":33,"props":57,"children":58},{},[59],{"type":37,"value":60},"Практический пример: в игре с 10 000 DAU вы тестируете цену стартового пакета $9.99. Частотистский расчёт требует 42 000 пользователей, чтобы обнаружить приращение дохода на 5% за 6 недель. Байесовская модель на 3-й неделе показывает апостериорное среднее значение ARPPU $11.2, контроль $10.8, 95% CI не пересекаются — решение принято, тест завершён. Три недели упущенного дохода восстановлены.",{"type":32,"tag":62,"props":63,"children":65},"h3",{"id":64},"выбор-prior-и-сегментация",[66],{"type":37,"value":67},"Выбор Prior и Сегментация",{"type":32,"tag":33,"props":69,"children":70},{},[71],{"type":37,"value":72},"В Байесовских тестах выбор prior-распределения не субъективен, а формируется историческими данными. Если в прошлом году вы протестировали 8 ценовых точек между $4.99 и $9.99 в похожей игре, вы извлекаете beta-распределение prior из этих данных. Prior может быть слабым (высокая дисперсия), но это лучше информативного uniform prior'а, потому что вы знаете, что коэффициент конверсии whale-пользователей не упадёт ниже 0,5%.",{"type":32,"tag":33,"props":74,"children":75},{},[76],{"type":37,"value":77},"Сегментация усиливает prior: для новых пользователей используется неинформативный prior, для пользователей с 30+ днями retention — узкий prior. Иерархическая Байесовская модель одновременно оценивает параметры на уровне сегмента и глобальном уровне — каждый сегмент использует собственные данные, но глобальный тренд также распределяется. Этот подход предотвращает переобучение в малых сегментах.",{"type":32,"tag":40,"props":79,"children":81},{"id":80},"архитектура-iap-price-ladder",[82],{"type":37,"value":83},"Архитектура IAP Price Ladder",{"type":32,"tag":33,"props":85,"children":86},{},[87],{"type":37,"value":88},"В F2P-играх ценовая лестница не плоская, а распределена по логарифмической шкале: $0.99, $2.99, $4.99, $9.99, $19.99, $49.99, $99.99. Эти скачки имеют психологическое обоснование (charm pricing), но экономическое обоснование сильнее: каждый уровень охватывает отдельный сегмент willingness-to-pay. При Байесовской оптимизации каждый уровень имеет собственное апостериорное распределение, и они влияют друг на друга — если вы увеличиваете цену $4.99, конверсия $2.99 может упасть (downgrade), а $9.99 может вырасти (upgrade).",{"type":32,"tag":33,"props":90,"children":91},{},[92],{"type":37,"value":93},"При оптимизации лестницы вы оптимизируете не одну цену, а всю ступень. Алгоритм многорукого бандита (multi-armed bandit) рассматривает каждую ценовую точку как отдельное плечо, использует Thompson Sampling для выборки из текущего апостериорного распределения и выбирает плечо с наибольшим ожидаемым доходом. В первые 2 недели все плечи получают одинаковое исследование (14% трафика каждое), с 3-й недели по мере роста уверенности апостериорного распределения эксплуатация доминирует.",{"type":32,"tag":33,"props":95,"children":96},{},[97],{"type":37,"value":98},"Примерный сценарий: лестница с 7 уровнями, 21-дневный тест. В течение первых 7 дней каждая цена получает 14% трафика (uniform). С 8-го дня цена с наибольшим произведением апостериорного среднего и коэффициента конверсии начинает привлекать трафик. На 21-й день $4.99 получает 40% трафика, $9.99 25%, остальные 5–10%. В финальном решении сохраняются как $4.99, так и $9.99, так как оба обеспечивают положительный предельный доход и не каннибализируют друг друга.",{"type":32,"tag":62,"props":100,"children":102},{"id":101},"сегментированное-ценообразование",[103],{"type":37,"value":104},"Сегментированное Ценообразование",{"type":32,"tag":33,"props":106,"children":107},{},[108],{"type":37,"value":109},"Сегменты whale\u002Fdolphin\u002Fminnow требуют разные цены, потому что ценовая эластичность различается. Whale-пользователи (top 1% по расходам) покупают пакет $99.99, и если цена вырастет на 20%, конверсия упадёт всего на 3% — неэластичный спрос. Minnow-пользователи (купившие $0.99 в первые 7 дней) при росте цены на 10% теряют 18% конверсии — эластичный спрос. Байесовская модель кодирует эту эластичность в segment-level prior.",{"type":32,"tag":33,"props":111,"children":112},{},[113],{"type":37,"value":114},"Признаки для сегментации: количество дней с момента установки (D1\u002FD7\u002FD30), общие расходы, время с последней покупки IAP, частота сессий, прогресс уровня. Из этих признаков создаётся latent segment prior — иерархическая модель одновременно оценивает принадлежность к сегменту. Таким образом, когда появляется новый пользователь, его поведение в первые 24 часа позволяет предсказать принадлежность к сегменту и показать ему соответствующую цену.",{"type":32,"tag":33,"props":116,"children":117},{},[118,120,127],{"type":37,"value":119},"На работах Roibase по ",{"type":32,"tag":121,"props":122,"children":124},"a",{"href":123},"\u002Ftr\u002Faso",[125],{"type":37,"value":126},"App Store Optimization",{"type":37,"value":128}," используется подобная сегментация: результаты тестирования креативов различаются по сегментам пользователей; один креатив показывает 8% IPM на iOS 16+ и 3% на iOS 15. Когда ASO и IAP-оптимизация объединяются, достигается целостность воронки — правильная цена для правильного пользователя требует сначала привлечь правильного пользователя.",{"type":32,"tag":40,"props":130,"children":132},{"id":131},"оценка-апостериорного-распределения-и-механизм-принятия-решений",[133],{"type":37,"value":134},"Оценка Апостериорного Распределения и Механизм Принятия Решений",{"type":32,"tag":33,"props":136,"children":137},{},[138],{"type":37,"value":139},"В Байесовском тесте метрика решения — апостериорная вероятность превосходства: P(treatment > control | data). Когда эта вероятность превышает 95%, treatment побеждает. Отличие от частотистского p-value: p-value измеряет экстремальность данных при нулевой гипотезе, апостериорная вероятность напрямую даёт \"вероятность того, что treatment лучше\".",{"type":32,"tag":33,"props":141,"children":142},{},[143],{"type":37,"value":144},"Для расчёта апостериорного распределения при использовании конъюгированного prior существует аналитическое решение (beta-binomial), в противном случае используется симуляция MCMC (Markov Chain Monte Carlo). В тестах мобильных игр используется гибридная модель: бинарная конверсия + логнормальный доход — для конверсии beta prior, для дохода логнормальный prior. Симуляция с 10 000 итерациями MCMC в PyMC3 или Stan работает за 30 секунд, апостериорное распределение обновляется ежедневно.",{"type":32,"tag":33,"props":146,"children":147},{},[148],{"type":37,"value":149},"Порог решения можно установить на 90% вместо 95% — в фазе агрессивного роста 90% достаточно, в зрелой игре используется 95%. Порог можно оптимизировать с помощью расчёта expected value of information (EVI): стоимость дополнительной недели тестирования против стоимости неправильного решения. Таким образом находится оптимальный порог.",{"type":32,"tag":62,"props":151,"children":153},{"id":152},"структура-мультивариантного-байесовского-теста",[154],{"type":37,"value":155},"Структура Мультивариантного Байесовского Теста",{"type":32,"tag":33,"props":157,"children":158},{},[159],{"type":37,"value":160},"Тест цены IAP обычно включает 3+ варианта: контроль ($4.99), вариант A ($5.99), вариант B ($6.99). При частотистском A\u002FB-тестировании существует проблема множественного сравнения, коррекция Bonferroni увеличивает размер выборки кратно. При Байесовском подходе каждый вариант имеет собственное апостериорное распределение, попарные сравнения выполняются одновременно. Вместо выбора варианта с наибольшим апостериорным средним выполняется максимизация ожидаемого дохода: произведение вероятности победы каждого варианта на ожидаемый доход.",{"type":32,"tag":33,"props":162,"children":163},{},[164],{"type":37,"value":165},"Thompson Sampling стратегия: каждый день для каждого варианта выполните выборку из апостериорного распределения, выберите вариант с наибольшей выборкой и направьте трафик на этот вариант. Эта стратегия автоматически балансирует изучение\u002Fэксплуатацию — когда неопределённость апостериорного распределения высока (ранние дни), распределение трафика близко к uniform, затем смещается в сторону выигрывающего варианта.",{"type":32,"tag":33,"props":167,"children":168},{},[169],{"type":37,"value":170},"Фрагмент кода (простая модель beta-binomial с PyMC3):",{"type":32,"tag":172,"props":173,"children":177},"pre",{"className":174,"code":175,"language":176,"meta":16,"style":16},"language-python shiki shiki-themes github-dark","import pymc3 as pm\n\nwith pm.Model() as iap_model:\n    # Prior: uniform beta\n    p_control = pm.Beta('p_control', alpha=1, beta=1)\n    p_treatment = pm.Beta('p_treatment', alpha=1, beta=1)\n    \n    # Likelihood\n    obs_control = pm.Binomial('obs_control', n=n_control, p=p_control, observed=conversions_control)\n    obs_treatment = pm.Binomial('obs_treatment', n=n_treatment, p=p_treatment, observed=conversions_treatment)\n    \n    # Posterior sampling\n    trace = pm.sample(10000, return_inferencedata=False)\n    \n    # Probability of superiority\n    prob_superiority = (trace['p_treatment'] > trace['p_control']).mean()\n","python",[178],{"type":32,"tag":179,"props":180,"children":181},"code",{"__ignoreMap":16},[182,210,220,243,253,321,379,388,397,464,529,537,546,591,599,608],{"type":32,"tag":183,"props":184,"children":187},"span",{"class":185,"line":186},"line",1,[188,194,200,205],{"type":32,"tag":183,"props":189,"children":191},{"style":190},"--shiki-default:#F97583",[192],{"type":37,"value":193},"import",{"type":32,"tag":183,"props":195,"children":197},{"style":196},"--shiki-default:#E1E4E8",[198],{"type":37,"value":199}," pymc3 ",{"type":32,"tag":183,"props":201,"children":202},{"style":190},[203],{"type":37,"value":204},"as",{"type":32,"tag":183,"props":206,"children":207},{"style":196},[208],{"type":37,"value":209}," pm\n",{"type":32,"tag":183,"props":211,"children":213},{"class":185,"line":212},2,[214],{"type":32,"tag":183,"props":215,"children":217},{"emptyLinePlaceholder":216},true,[218],{"type":37,"value":219},"\n",{"type":32,"tag":183,"props":221,"children":223},{"class":185,"line":222},3,[224,229,234,238],{"type":32,"tag":183,"props":225,"children":226},{"style":190},[227],{"type":37,"value":228},"with",{"type":32,"tag":183,"props":230,"children":231},{"style":196},[232],{"type":37,"value":233}," pm.Model() ",{"type":32,"tag":183,"props":235,"children":236},{"style":190},[237],{"type":37,"value":204},{"type":32,"tag":183,"props":239,"children":240},{"style":196},[241],{"type":37,"value":242}," iap_model:\n",{"type":32,"tag":183,"props":244,"children":246},{"class":185,"line":245},4,[247],{"type":32,"tag":183,"props":248,"children":250},{"style":249},"--shiki-default:#6A737D",[251],{"type":37,"value":252},"    # Prior: uniform beta\n",{"type":32,"tag":183,"props":254,"children":256},{"class":185,"line":255},5,[257,262,267,272,278,283,289,293,299,303,308,312,316],{"type":32,"tag":183,"props":258,"children":259},{"style":196},[260],{"type":37,"value":261},"    p_control ",{"type":32,"tag":183,"props":263,"children":264},{"style":190},[265],{"type":37,"value":266},"=",{"type":32,"tag":183,"props":268,"children":269},{"style":196},[270],{"type":37,"value":271}," pm.Beta(",{"type":32,"tag":183,"props":273,"children":275},{"style":274},"--shiki-default:#9ECBFF",[276],{"type":37,"value":277},"'p_control'",{"type":32,"tag":183,"props":279,"children":280},{"style":196},[281],{"type":37,"value":282},", ",{"type":32,"tag":183,"props":284,"children":286},{"style":285},"--shiki-default:#FFAB70",[287],{"type":37,"value":288},"alpha",{"type":32,"tag":183,"props":290,"children":291},{"style":190},[292],{"type":37,"value":266},{"type":32,"tag":183,"props":294,"children":296},{"style":295},"--shiki-default:#79B8FF",[297],{"type":37,"value":298},"1",{"type":32,"tag":183,"props":300,"children":301},{"style":196},[302],{"type":37,"value":282},{"type":32,"tag":183,"props":304,"children":305},{"style":285},[306],{"type":37,"value":307},"beta",{"type":32,"tag":183,"props":309,"children":310},{"style":190},[311],{"type":37,"value":266},{"type":32,"tag":183,"props":313,"children":314},{"style":295},[315],{"type":37,"value":298},{"type":32,"tag":183,"props":317,"children":318},{"style":196},[319],{"type":37,"value":320},")\n",{"type":32,"tag":183,"props":322,"children":324},{"class":185,"line":323},6,[325,330,334,338,343,347,351,355,359,363,367,371,375],{"type":32,"tag":183,"props":326,"children":327},{"style":196},[328],{"type":37,"value":329},"    p_treatment ",{"type":32,"tag":183,"props":331,"children":332},{"style":190},[333],{"type":37,"value":266},{"type":32,"tag":183,"props":335,"children":336},{"style":196},[337],{"type":37,"value":271},{"type":32,"tag":183,"props":339,"children":340},{"style":274},[341],{"type":37,"value":342},"'p_treatment'",{"type":32,"tag":183,"props":344,"children":345},{"style":196},[346],{"type":37,"value":282},{"type":32,"tag":183,"props":348,"children":349},{"style":285},[350],{"type":37,"value":288},{"type":32,"tag":183,"props":352,"children":353},{"style":190},[354],{"type":37,"value":266},{"type":32,"tag":183,"props":356,"children":357},{"style":295},[358],{"type":37,"value":298},{"type":32,"tag":183,"props":360,"children":361},{"style":196},[362],{"type":37,"value":282},{"type":32,"tag":183,"props":364,"children":365},{"style":285},[366],{"type":37,"value":307},{"type":32,"tag":183,"props":368,"children":369},{"style":190},[370],{"type":37,"value":266},{"type":32,"tag":183,"props":372,"children":373},{"style":295},[374],{"type":37,"value":298},{"type":32,"tag":183,"props":376,"children":377},{"style":196},[378],{"type":37,"value":320},{"type":32,"tag":183,"props":380,"children":382},{"class":185,"line":381},7,[383],{"type":32,"tag":183,"props":384,"children":385},{"style":196},[386],{"type":37,"value":387},"    \n",{"type":32,"tag":183,"props":389,"children":391},{"class":185,"line":390},8,[392],{"type":32,"tag":183,"props":393,"children":394},{"style":249},[395],{"type":37,"value":396},"    # Likelihood\n",{"type":32,"tag":183,"props":398,"children":399},{"class":185,"line":26},[400,405,409,414,419,423,428,432,437,441,445,450,455,459],{"type":32,"tag":183,"props":401,"children":402},{"style":196},[403],{"type":37,"value":404},"    obs_control ",{"type":32,"tag":183,"props":406,"children":407},{"style":190},[408],{"type":37,"value":266},{"type":32,"tag":183,"props":410,"children":411},{"style":196},[412],{"type":37,"value":413}," pm.Binomial(",{"type":32,"tag":183,"props":415,"children":416},{"style":274},[417],{"type":37,"value":418},"'obs_control'",{"type":32,"tag":183,"props":420,"children":421},{"style":196},[422],{"type":37,"value":282},{"type":32,"tag":183,"props":424,"children":425},{"style":285},[426],{"type":37,"value":427},"n",{"type":32,"tag":183,"props":429,"children":430},{"style":190},[431],{"type":37,"value":266},{"type":32,"tag":183,"props":433,"children":434},{"style":196},[435],{"type":37,"value":436},"n_control, ",{"type":32,"tag":183,"props":438,"children":439},{"style":285},[440],{"type":37,"value":33},{"type":32,"tag":183,"props":442,"children":443},{"style":190},[444],{"type":37,"value":266},{"type":32,"tag":183,"props":446,"children":447},{"style":196},[448],{"type":37,"value":449},"p_control, ",{"type":32,"tag":183,"props":451,"children":452},{"style":285},[453],{"type":37,"value":454},"observed",{"type":32,"tag":183,"props":456,"children":457},{"style":190},[458],{"type":37,"value":266},{"type":32,"tag":183,"props":460,"children":461},{"style":196},[462],{"type":37,"value":463},"conversions_control)\n",{"type":32,"tag":183,"props":465,"children":467},{"class":185,"line":466},10,[468,473,477,481,486,490,494,498,503,507,511,516,520,524],{"type":32,"tag":183,"props":469,"children":470},{"style":196},[471],{"type":37,"value":472},"    obs_treatment ",{"type":32,"tag":183,"props":474,"children":475},{"style":190},[476],{"type":37,"value":266},{"type":32,"tag":183,"props":478,"children":479},{"style":196},[480],{"type":37,"value":413},{"type":32,"tag":183,"props":482,"children":483},{"style":274},[484],{"type":37,"value":485},"'obs_treatment'",{"type":32,"tag":183,"props":487,"children":488},{"style":196},[489],{"type":37,"value":282},{"type":32,"tag":183,"props":491,"children":492},{"style":285},[493],{"type":37,"value":427},{"type":32,"tag":183,"props":495,"children":496},{"style":190},[497],{"type":37,"value":266},{"type":32,"tag":183,"props":499,"children":500},{"style":196},[501],{"type":37,"value":502},"n_treatment, ",{"type":32,"tag":183,"props":504,"children":505},{"style":285},[506],{"type":37,"value":33},{"type":32,"tag":183,"props":508,"children":509},{"style":190},[510],{"type":37,"value":266},{"type":32,"tag":183,"props":512,"children":513},{"style":196},[514],{"type":37,"value":515},"p_treatment, ",{"type":32,"tag":183,"props":517,"children":518},{"style":285},[519],{"type":37,"value":454},{"type":32,"tag":183,"props":521,"children":522},{"style":190},[523],{"type":37,"value":266},{"type":32,"tag":183,"props":525,"children":526},{"style":196},[527],{"type":37,"value":528},"conversions_treatment)\n",{"type":32,"tag":183,"props":530,"children":532},{"class":185,"line":531},11,[533],{"type":32,"tag":183,"props":534,"children":535},{"style":196},[536],{"type":37,"value":387},{"type":32,"tag":183,"props":538,"children":540},{"class":185,"line":539},12,[541],{"type":32,"tag":183,"props":542,"children":543},{"style":249},[544],{"type":37,"value":545},"    # Posterior sampling\n",{"type":32,"tag":183,"props":547,"children":549},{"class":185,"line":548},13,[550,555,559,564,569,573,578,582,587],{"type":32,"tag":183,"props":551,"children":552},{"style":196},[553],{"type":37,"value":554},"    trace ",{"type":32,"tag":183,"props":556,"children":557},{"style":190},[558],{"type":37,"value":266},{"type":32,"tag":183,"props":560,"children":561},{"style":196},[562],{"type":37,"value":563}," pm.sample(",{"type":32,"tag":183,"props":565,"children":566},{"style":295},[567],{"type":37,"value":568},"10000",{"type":32,"tag":183,"props":570,"children":571},{"style":196},[572],{"type":37,"value":282},{"type":32,"tag":183,"props":574,"children":575},{"style":285},[576],{"type":37,"value":577},"return_inferencedata",{"type":32,"tag":183,"props":579,"children":580},{"style":190},[581],{"type":37,"value":266},{"type":32,"tag":183,"props":583,"children":584},{"style":295},[585],{"type":37,"value":586},"False",{"type":32,"tag":183,"props":588,"children":589},{"style":196},[590],{"type":37,"value":320},{"type":32,"tag":183,"props":592,"children":594},{"class":185,"line":593},14,[595],{"type":32,"tag":183,"props":596,"children":597},{"style":196},[598],{"type":37,"value":387},{"type":32,"tag":183,"props":600,"children":602},{"class":185,"line":601},15,[603],{"type":32,"tag":183,"props":604,"children":605},{"style":249},[606],{"type":37,"value":607},"    # Probability of superiority\n",{"type":32,"tag":183,"props":609,"children":611},{"class":185,"line":610},16,[612,617,621,626,630,635,640,645,649],{"type":32,"tag":183,"props":613,"children":614},{"style":196},[615],{"type":37,"value":616},"    prob_superiority ",{"type":32,"tag":183,"props":618,"children":619},{"style":190},[620],{"type":37,"value":266},{"type":32,"tag":183,"props":622,"children":623},{"style":196},[624],{"type":37,"value":625}," (trace[",{"type":32,"tag":183,"props":627,"children":628},{"style":274},[629],{"type":37,"value":342},{"type":32,"tag":183,"props":631,"children":632},{"style":196},[633],{"type":37,"value":634},"] ",{"type":32,"tag":183,"props":636,"children":637},{"style":190},[638],{"type":37,"value":639},">",{"type":32,"tag":183,"props":641,"children":642},{"style":196},[643],{"type":37,"value":644}," trace[",{"type":32,"tag":183,"props":646,"children":647},{"style":274},[648],{"type":37,"value":277},{"type":32,"tag":183,"props":650,"children":651},{"style":196},[652],{"type":37,"value":653},"]).mean()\n",{"type":32,"tag":33,"props":655,"children":656},{},[657,659,665],{"type":37,"value":658},"Эта модель оптимизирует коэффициент конверсии. Для оптимизации дохода добавляется логнормальный prior и вычисляется совместное апостериорное распределение ",{"type":32,"tag":179,"props":660,"children":662},{"className":661},[],[663],{"type":37,"value":664},"p × revenue_mean",{"type":37,"value":666},".",{"type":32,"tag":40,"props":668,"children":670},{"id":669},"миграция-сегментов-и-долгосрочное-воздействие",[671],{"type":37,"value":672},"Миграция Сегментов и Долгосрочное Воздействие",{"type":32,"tag":33,"props":674,"children":675},{},[676],{"type":37,"value":677},"Оптимизация цены — не одноразовый тест, а непрерывный процесс. Пользователи меняют сегменты: сегодняшний minnow завтра может стать dolphin. Байесовская модель не захватывает эту миграцию при статичном prior. Решение: динамическое обновление prior — каждые 30 дней апостериорное распределение объединяется с новыми данными, формируя новый prior.",{"type":32,"tag":33,"props":679,"children":680},{},[681],{"type":37,"value":682},"Измерение долгосрочного воздействия выполняется путём моделирования кривой retention когорты с помощью Байесовского анализа выживаемости. Если изменение цены снижает D7 retention на 2%, но повышает LTV с $12 на $14, это чистый положительный результат. Модель выживания использует распределение Weibull для оценки параметров shape и scale, апостериорная прогностическая проверка даёт прогноз LTV на 90 дней.",{"type":32,"tag":33,"props":684,"children":685},{},[686,688,693,695,700],{"type":37,"value":687},"Тест воздействия на retention занимает 6–8 недель, так как необходимо дождаться сигнала D30 retention. Байесовский подход использует данные D7 для прогнозирования D30 — в качестве prior используется коэффициент перехода D7→D30 из прошлых когорт. Это позволяет получить ранний сигнал на 3-й неделе: если апостериорное среднее D30 retention 18% и 95% CI ",{"type":32,"tag":183,"props":689,"children":690},{},[691],{"type":37,"value":692},"16%, 20%",{"type":37,"value":694},", тест продолжается; если ",{"type":32,"tag":183,"props":696,"children":697},{},[698],{"type":37,"value":699},"14%, 16%",{"type":37,"value":701},", то изменение цены нарушает retention, тест останавливается и цена воз",{"type":32,"tag":703,"props":704,"children":705},"style",{},[706],{"type":37,"value":707},"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":222,"depth":222,"links":709},[710,713,716,719],{"id":42,"depth":212,"text":45,"children":711},[712],{"id":64,"depth":222,"text":67},{"id":80,"depth":212,"text":83,"children":714},[715],{"id":101,"depth":222,"text":104},{"id":131,"depth":212,"text":134,"children":717},[718],{"id":152,"depth":222,"text":155},{"id":669,"depth":212,"text":672},"markdown","content:ru:gaming:bayesian-cenovaya-optimizacija-v-mobile-f2p.md","content","ru\u002Fgaming\u002Fbayesian-cenovaya-optimizacija-v-mobile-f2p.md","ru\u002Fgaming\u002Fbayesian-cenovaya-optimizacija-v-mobile-f2p","md",1785967484974]