Каждая ставка в аукционе, каждый A/B-тест, каждое решение о скидке — это ход в игре, где результат зависит не только от вас, но и от того, как поступят другие. Разбираемся, как это работает, на живых примерах и интерактивных моделях.
Обычная аналитика смотрит на цифры: CTR упал, CPC вырос, конверсия просела. Теория игр задаёт другой вопрос: какое решение было рациональным для каждого участника рынка — для вас, для конкурента, для рекламной платформы — и почему коллективно это решение могло привести к результату, невыгодному вообще всем.
Это не абстрактная математика. Это рабочий инструмент для трёх конкретных задач: сколько ставить в аукционе рекламы, стоит ли участвовать в гонке скидок с конкурентом, и как распределять бюджет между вариантами кампании, когда вы ещё не знаете, какой из них лучше.
Yandex Direct, VK Ads и Google Ads используют модификации аукциона второй цены (GSP). Их теоретико-игровое свойство: оптимальная стратегия — ставить ровно столько, сколько показ стоит лично для вас, не больше и не меньше.
В аукционе второй цены вы платите не свою ставку, а ставку следующего за вами участника плюс минимальный шаг. Это меняет всю логику: завышать ставку бессмысленно — вы рискуете переплатить, если выиграете. Занижать тоже невыгодно — вы просто упускаете показы, за которые реально готовы были заплатить меньше выигрышной цены. Это доказанный результат теории игр — он называется правдивостью механизма (truthfulness).
Агентство ведёт кампанию для интернет-магазина бытовой техники. Менеджер по привычке завышает ставки на 20–30% «про запас», чтобы гарантированно показываться выше конкурентов. После перехода на ставку, равную реальной маржинальной ценности клика (расчёт через LTV и конверсию в покупку), CPC снизился на 18%, а позиция в выдаче почти не изменилась — потому что конкуренты ставили исходя из своей реальной экономики, а не «про запас».
Если два конкурента одновременно решают, демпинговать или держать цену, классическая дилемма заключённого предсказывает: оба выберут демпинг, даже если обоим было бы выгоднее держать цену — потому что в одиночку отказаться от демпинга рискованно.
Это происходит не только с ценами. Та же логика — в контент-маркетинге (все идут в клик-бейт, потому что боятся отстать), в email-рассылках (все шлют чаще, чем хочет аудитория, потому что конкурент тоже шлёт) и в ставках на брендовые запросы конкурентов (никто не хочет первым перестать перебивать чужой бренд-трафик).
Два интернет-магазина косметики в одной нише полгода соревновались в скидках — от 10% дошли до 35%, маржа обеих компаний упала почти до нуля. Ситуацию изменил не маркетинг, а косвенная координация: один из магазинов публично перешёл на стратегию «не скидка, а подарок при покупке», сделав цены менее сравнимыми напрямую. Второй последовал примеру в течение месяца — гонка цен прекратилась без переговоров.
Классический A/B-тест держит фиксированное деление трафика до конца теста — даже если один вариант явно проигрывает. Алгоритм Thompson Sampling вместо этого постепенно перенаправляет трафик к лидеру прямо во время теста, одновременно изучая варианты и зарабатывая на лучшем из них.
Это особенно полезно для частых, недорогих решений: заголовков объявлений, превью в email-рассылках, креативов в RTB. Чем больше вариантов и чем выше цена ошибки на каждый показ, тем сильнее выигрыш от динамического распределения по сравнению с фиксированным 50/50.
Команда тестировала пять вариантов объявления для лендинга курсов. При классическом A/B на пять равных групп худший вариант (конверсия 0,8%) получал бы 20% бюджета весь месяц теста. С бандит-алгоритмом доля трафика на слабые варианты упала до 4–5% уже к третьему дню, а на лидирующий вариант (конверсия 3,1%) выросла до 55% — экономия бюджета на тестировании составила примерно 12% от месячного медиаплана.