[{"data":1,"prerenderedAt":425},["ShallowReactive",2],{"article-alternates":3,"article-\u002Fru\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":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":419,"_id":420,"_source":421,"_file":422,"_stem":423,"_extension":424},"gaming",false,"","Bayesian Price Optimization в мобильных F2P","Почему переход от классического A\u002FB-тестирования к Bayesian estimation критичен для IAP-тестов? Posterior-обновления, сегмент-специфичные ценовые лестницы, ранние механизмы принятия решений.","2026-05-10",[21,22,23,24,25],"f2p-monetization","bayesian-testing","iap-pricing","mobile-gaming","price-optimization",8,"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","В мобильной F2P-экономике ценовая оптимизация по-прежнему работает по принципу «давайте поднимем самый продаваемый пакет с $4.99 на $5.99». В 2026 году студии, оптимизирующие ставки в Apple Search Ads с миллисекундной точностью, все еще теряют месяцы на классические A\u002FB-тесты IAP-лестниц. Когда Bayesian estimation используется не просто для захвата нескольких процентов маржи, а для раннего принятия решений и построения сегмент-специфичных лестниц, LTV растет в среднем на 12–18% за тест. В этой статье мы разбираем логику posterior-обновления, как интегрировать сегментацию и почему Bayesian-фреймворк незаменим в мобильном контексте.",{"type":32,"tag":40,"props":41,"children":43},"h2",{"id":42},"почему-классическое-ab-тестирование-цен-отстает",[44],{"type":37,"value":45},"Почему классическое A\u002FB-тестирование цен отстает",{"type":32,"tag":33,"props":47,"children":48},{},[49],{"type":37,"value":50},"Во фреквентистском A\u002FB-тесте доведение изменения цены до статистической значимости может потребовать 5000–10000 транзакций (p=0.05, мощность=0.80). В среднесегментной F2P-игре с 200–300 платящими пользователями в день это означает 25–30 дней ожидания на один вариант. За это время выходит новый Season Pass, меняется календарь событий, выходят обновления конкурентов — поддержание контрольной группы становится невозможным.",{"type":32,"tag":33,"props":52,"children":53},{},[54],{"type":37,"value":55},"Вторая проблема классического подхода — бинарная структура решения: либо «прирост цены незначим, вернемся обратно», либо «значим, применяем». Но на мобильных устройствах каждая когорта имеет разную ценовую эластичность. Органические пользователи iOS конвертируют на $9.99, тогда как платные установки на Android на 40% чувствительнее. Единственное p-value вынуждает все сегменты в один вывод.",{"type":32,"tag":33,"props":57,"children":58},{},[59],{"type":37,"value":60},"Третья сложность — невозможность раннего завершения. Фреквентистский тест обязан продолжаться до достижения размера выборки — даже если на 2-й неделе posterior-уверенность достигла 92%, нужно ждать еще 4 недели из-за недостатка данных. Это задержка упускает LTV-выгоду, которая уже могла быть применена к расписанию live ops.",{"type":32,"tag":40,"props":62,"children":64},{"id":63},"как-работает-posterior-оценка-в-bayesian-фреймворке",[65],{"type":37,"value":66},"Как работает Posterior-оценка в Bayesian-фреймворке",{"type":32,"tag":33,"props":68,"children":69},{},[70,72,78],{"type":37,"value":71},"Bayesian-подход рассматривает изменение цены конверсии (или среднего дохода на платящего пользователя) не как фиксированное число, а как ",{"type":32,"tag":73,"props":74,"children":75},"strong",{},[76],{"type":37,"value":77},"вероятностное распределение",{"type":37,"value":79},". До начала теста есть prior-убеждение: распределение CVR из старой цены. С каждой новой транзакцией posterior-распределение обновляется по теореме Байеса:",{"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},"Здесь θ = истинная конверсия (или ARPPU), data = наблюдаемые покупки. Обычно используется Beta(α, β) как prior (подходит для бинарных исходов в IAP). Ежедневно параметры α и β обновляются с учетом числа новых транзакций.",{"type":32,"tag":33,"props":96,"children":97},{},[98],{"type":37,"value":99},"На практике это выглядит так: вы тестируете Starter Pack, подняв цену $4.99 на $5.99. Prior-убеждение: CVR ~2.8% (Beta(280, 9720) — выведено из 10000 impressions). За первые 3 дня вариант $5.99 получил 600 impressions, 14 конверсий. Posterior теперь Beta(294, 10306). Доверительный интервал сузился, средний CVR обновился до 2.78%. На 10-й день — 2000 impressions, 48 конверсий — posterior Beta(328, 11672), CVR 2.74%. Пока фреквентистский тест говорит «недостаточно выборки», Bayesian-подход заявляет: «Вероятность того, что новая цена имеет более низкий CVR, 87% — но компенсирует ли это увеличение ARPPU?»",{"type":32,"tag":101,"props":102,"children":104},"h3",{"id":103},"метрика-решения-expected-revenue-gain",[105],{"type":37,"value":106},"Метрика решения: Expected Revenue Gain",{"type":32,"tag":33,"props":108,"children":109},{},[110,112,117],{"type":37,"value":111},"Снижение CVR — не единственное основание для решения. В Bayesian-фреймворке ключевая метрика — ",{"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},"Для обоих вариантов вы берете Monte Carlo-выборки из posterior-распределения (10000 итераций), в каждой итерации сравниваете CVR_new × $5.99 с CVR_old × $4.99. Если более 85% итераций благоприятны новой цене (т.е. P(ERPI_new > ERPI_old) > 0.85), решение — «масштабировать». Если менее 15% — откатываться.",{"type":32,"tag":33,"props":133,"children":134},{},[135],{"type":37,"value":136},"Этот подход позволяет принимать решение за 10–12 дней на 1500–2000 транзакциях. Это на 60% быстрее, чем классический A\u002FB за 4–5 недель.",{"type":32,"tag":40,"props":138,"children":140},{"id":139},"построение-сегмент-специфичных-ценовых-лестниц",[141],{"type":37,"value":142},"Построение сегмент-специфичных ценовых лестниц",{"type":32,"tag":33,"props":144,"children":145},{},[146,148,153],{"type":37,"value":147},"Реальная сила Bayesian-оценки проявляется при объединении с форматом ",{"type":32,"tag":73,"props":149,"children":150},{},[151],{"type":37,"value":152},"многорукого бандита",{"type":37,"value":154},". Для каждого сегмента ведется отдельный posterior, каждый день Thompson Sampling динамически определяет, какой ценовой вариант получит трафик.",{"type":32,"tag":33,"props":156,"children":157},{},[158],{"type":37,"value":159},"Конкретный сценарий: 4 сегмента — (1) Organic iOS, (2) Paid iOS, (3) Organic Android, (4) Paid Android. Вы тестируете 3 цены Starter Pack: $4.99, $5.99, $6.99. Итого 12 posterior-распределений (4 сегмента × 3 цены).",{"type":32,"tag":33,"props":161,"children":162},{},[163],{"type":37,"value":164},"На первой неделе каждому сегменту распределяются все 3 варианта равномерно (exploration). Со 2-й недели включается Thompson Sampling: при каждом impression для того сегмента берется выборка из 3 posterior'ов, вариант с наибольшим ERPI получает трафик. Если на Organic iOS быстро лидирует $6.99, пользователи этого сегмента начинают видеть эту цену на 70%+ случаев. На Paid Android $5.99 оказывается оптимальным — трафик туда смещается.",{"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},"Сегмент",{"type":32,"tag":178,"props":184,"children":185},{},[186],{"type":37,"value":187},"Оптимальная цена (день 14)",{"type":32,"tag":178,"props":189,"children":190},{},[191],{"type":37,"value":192},"Posterior-уверенность",{"type":32,"tag":178,"props":194,"children":195},{},[196],{"type":37,"value":197},"Дневное распределение",{"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},"Organic 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},"Paid 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},"Organic 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},"Paid 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},"Такая структура захватывает сегмент-специфичную ценовую эластичность, генерируя на 15–20% больше revenue, чем единая глобальная цена. При добавлении нового сегмента (например, «платящие пользователи Tier-2 GEO») вы для него создаете новый prior, и многорукий бандит автоматически начинает тестирование по этому направлению.",{"type":32,"tag":40,"props":300,"children":302},{"id":301},"механизм-раннего-решения-и-минимизация-сожаления",[303],{"type":37,"value":304},"Механизм раннего решения и минимизация сожаления",{"type":32,"tag":33,"props":306,"children":307},{},[308,310,315],{"type":37,"value":309},"Критальное преимущество Bayesian-фреймворка в мобильном контексте — ",{"type":32,"tag":73,"props":311,"children":312},{},[313],{"type":37,"value":314},"последовательное принятие решений",{"type":37,"value":316},". Posterior обновляется ежедневно, проверяется правило решения. Если P(ERPI_new > ERPI_old) > 0.90, вы говорите: «Мы достаточно уверены, перенаправим оставшийся трафик на выигравший вариант». Фреквентистский тест ждет «пока не соберется sample size», а Bayesian-подход принимает решение на 7-й день, масштабируя выигравшую цену на оставшихся 3 недели.",{"type":32,"tag":33,"props":318,"children":319},{},[320,322,327],{"type":37,"value":321},"Способность принимать ранние решения минимизирует ",{"type":32,"tag":73,"props":323,"children":324},{},[325],{"type":37,"value":326},"cumulative regret",{"type":37,"value":328}," (интегральное сожаление). Regret = «сколько мы заработали бы, зная оптимальную цену» − «что мы заработали во время теста». При классическом A\u002FB половина трафика 30 дней идет на субоптимальный вариант; при Bayesian Thompson Sampling с 10-го дня 80% трафика переходит на победителя. Интеграл regret'а падает на 60–70%.",{"type":32,"tag":33,"props":330,"children":331},{},[332],{"type":37,"value":333},"На практике, за 2–3 недельный цикл тестирования:",{"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},"Классический A\u002FB: 21 день × 50% субоптимальный трафик = 10.5 дневных эквивалентов потерь",{"type":32,"tag":339,"props":345,"children":346},{},[347],{"type":37,"value":348},"Bayesian банdit: 7 дней exploration + 14 дней 15% субоптимальный = 2.1 дневных эквивалентов потерь",{"type":32,"tag":33,"props":350,"children":351},{},[352],{"type":37,"value":353},"Эта разница трансформируется в десятки тысяч долларов дневного revenue-impact'а на высокой DAU.",{"type":32,"tag":40,"props":355,"children":357},{"id":356},"компромиссы-и-типичные-ошибки",[358],{"type":37,"value":359},"Компромиссы и типичные ошибки",{"type":32,"tag":33,"props":361,"children":362},{},[363],{"type":37,"value":364},"Bayesian price optimization не свободна от рисков. Выбор prior критичен: слишком узкий prior (например, Beta(5000, 195000) — «CVR однозначно 2.5%») медленно обновляется при новых данных. Слишком широкий prior (Beta(1, 1) — uniform) затягивает exploration. Здоровое начало: преобразовать последние 30 дней транзакций из старой цены в Beta-параметры (method of moments).",{"type":32,"tag":33,"props":366,"children":367},{},[368],{"type":37,"value":369},"Вторая ошибка — с ростом числа сегментов convergence многорукого бандита замедляется. 4 сегмента × 3 цены = 12 рук; каждой нужно 200–300 выборок, итого 2400–3600 транзакций — на игре с 300 платящими пользователями в день это 10–12 дней. Если расширить до 8 сегментов × 4 цены = 32 рука, convergence растягивается на 4–5 недель. Решение: иерархический Bayes, позволяющий сегментам делиться информацией (например, prior-убеждение: «Tier-1 GEO имеют похожую эластичность»).",{"type":32,"tag":33,"props":371,"children":372},{},[373],{"type":37,"value":374},"Третий момент внимания: IAP-лестница не тестируется изолированно, она переплетена с расписанием live ops. Ценовая эластичность меняется во время событий (эффект срочности). Нужно обновлять posterior быстрее в дни событий, но не сбрасывать prior после завершения события. Иначе информация «$6.99 оптимальна во время события» протекает в обычные дни, приводя к субоптимальным решениям.",{"type":32,"tag":33,"props":376,"children":377},{},[378],{"type":37,"value":379},"Наконец: Bayesian-подход не дает фреквентистские гарантии. Вы говорите «P(θ > x) = 0.95», но это 95%-й credible interval, а не confidence interval. Если регулятор или юридические требования (например, регулирование loot box) требуют фреквентистские метрики, вам нужно подкреплять Bayesian результаты bootstrap'ом.",{"type":32,"tag":40,"props":381,"children":383},{"id":382},"привязка-сегмент-специфичных-ценовых-лестниц-к-измерениям-в-roibase",[384],{"type":37,"value":385},"Привязка сегмент-специфичных ценовых лестниц к измерениям в Roibase",{"type":32,"tag":33,"props":387,"children":388},{},[389,391,400],{"type":37,"value":390},"Для мобильных gaming-студий price optimization — это не изолированный тест, а часть всего конвейера ",{"type":32,"tag":392,"props":393,"children":397},"a",{"href":394,"rel":395},"https:\u002F\u002Fwww.roibase.com.tr\u002Fru\u002Faso",[396],"nofollow",[398],{"type":37,"value":399},"App Store Optimization",{"type":37,"value":401}," и attribution. Bayesian posterior'ы используются не только для решений о цене, но и для тестирования ASO-креативов: какая пользовательская страница приложения дает выше IPM для какого сегмента, какая оптимальная IAP-лестница для того сегмента — объединяя два потока данных, вы получаете на 30% более точные когорт-уровневые LTV-прогнозы.",{"type":32,"tag":33,"props":403,"children":404},{},[405],{"type":37,"value":406},"Интеграция Bayesian-фреймворка в infrastructure измерений означает как раннее принятие решений, так и построение сегмент-специфичных ценовых лестниц. В 2026 году выигрывающие мобильные F2P-студии — это те, которые превратили ценовое тестирование из «ежемесячной оптимизации» в систему, которая ежедневно обновляет posterior-распределение, Thompson Sampling распределяет трафик и минимизирует regret.",{"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:ru:gaming:bayesian-price-optimization-mobile-f2p.md","content","ru\u002Fgaming\u002Fbayesian-price-optimization-mobile-f2p.md","ru\u002Fgaming\u002Fbayesian-price-optimization-mobile-f2p","md",1778421811895]