背景定价策略是很多行业的核心决策之一，游戏行业也不例外。在传统行业，很多公司会基于成本定价（例如：成本+30%利润定价），或者匹配竞争对手的定价。而在游戏行业中，游戏道具的边际成本接近于零，同时不同游戏间道具的可比性较差（例如：王者荣耀和荒野乱斗中的皮肤，价格有可比性么？），这就给游戏内道具的定价带来一些挑战。很多时候游戏策划会根据个人经验，以及参考市面上类似游戏的价格，来对一款游戏的核心物品进行定价，并以此作为基准规划其他道具和礼包的价格。不过很多时候，我们并不知道目前我们的价格是不是最优价格。比如一款皮肤，到底应该卖99元还是199元呢？本文希望介绍一个简单的理论框架，跟大家分享如何通过对不同产品的定价进行优化，来提高整体游戏营收。 理论最优：完全个性化定价对于同一款产品，不同玩家心中有不同的心里价位（Willingness To Pay）。例如下图中的需求曲线： 从游戏开发商的角度，假设我们能知晓每个玩家的心里价位，那我们的最优定价就是完全个性化，针对每个玩家定价为他的最大心里价位。这个虽然比较理想化，但在实际中有些公司基于用户数据，已经可以部分实现上述的差异化定价了。之前被人诟病的滴滴和携程“大数据杀熟”行为，就是其中两个例子。 个性化定价的挑战在互联网和游戏行业，用户和玩家数据可以得到充分应用，因此基于算法提供完全个性化或者半个性化（模型+规则）

前言最近在上海居家隔离已经将近两个月的时间，一转眼已经夏天了。虽然生活有诸多不易，但总归是比较有条理。居家隔离的事实无法改变，心想倒不如利用这段时间，把之前的一些经验沉淀下来。一方面能够系统的把自己的思路梳理一下，另一方面若是能帮到一些人，给大家提供了一些新的思路，那我也觉得很开心了。 本文主要是把自己之前一些AB测试中遇到的一些案例，分享一些我的经验和思考。主要关注案例分析，而不是关于AB测试的入门文章。 如何处理网络效应或者外部效应？在大多数情况下，AB测试是判断因果关系最科学的方法之一。其中很重要的一个原因，就是通过随机化进行了变量控制，对照组和实验组几乎完全相同，只有要测试的内容是不同的。这样就能比较准确的衡量测试内容的准确效果。 但是在某些情况下，即使是随机分配的AB测试，也会遇到无法准确测试效果的情况。最常见的就是有网络效应或者外部效应的测试情形。所谓的网络效应，或者外部效应，简单来说就是对照组和实验组不是完全独立的，他们会相互影响从而使测试结果出现误差。 在游戏领域，一种情况就是价格测试。AB测试可以帮助找到一个游戏道具或者皮肤的最优价格。假设我们想测试一个皮肤究竟是买100元还是200元能获得更高的总收入，对照组100元，实验组200元。这时候如果实验组的玩家，通过论坛或者其他途径知道了自己花200元买的内容有人只需要花100元，那么很多实验组的玩家可能不愿意花200元进行购买。不过如果没有100元作为对照的话，可能有些玩家还是愿意购买的。这里我们遇到的情况就是对照组的价格，对实验组玩家的购买意愿造成了影响，会造成我们低估200元价格的总营收。实际情况中，对价格进行AB测试，是一件很困难的事情。一方面是因为前面提到的测试结果可能不准确，另一方面也是担心对玩家不公平导致玩家抱怨甚至流失。