Il codice proposto rappresenta una struttura per simulare e ottimizzare strategie pubblicitarie competitive, basandosi su concetti di teoria dei giochi (equilibrio di Nash).
import numpy as np
def find_nash_equilibrium(channels, optimization_criteria):
"""
Simula una semplice ottimizzazione per trovare strategie pubblicitarie equilibrate.
Args:
- channels (list[dict]): Lista di canali pubblicitari con dati (cpc, conversion_rate, budget).
- optimization_criteria (list[str]): Criteri per ottimizzazione (es. ROI, costo per acquisizione).
Returns:
- dict: Strategie ottimali per ciascun canale.
"""
# Simulazione payoff: ROI = conversioni - costo totale
strategies = {}
for channel in channels:
clicks = channel['budget'] / channel['cpc'] # Numero massimo di click
conversions = clicks * channel['conversion_rate'] # Numero di conversioni
roi = conversions - channel['budget'] # ROI stimato
strategies[channel['name']] = {
"clicks": clicks,
"conversions": conversions,
"roi": roi
}
return strategies
def online_advertising_game(marketing_channels):
"""
Simula strategie pubblicitarie e trova il miglior equilibrio competitivo.
Args:
- marketing_channels (list[dict]): Lista di canali pubblicitari.
Returns:
- dict: Risultati ottimali per ciascun canale.
"""
# Calcolo dell'equilibrio
advertising_outcomes = find_nash_equilibrium(
marketing_channels,
optimization_criteria=['conversion_rate', 'customer_acquisition_cost', 'roi']
)
return advertising_outcomes
# Esempio di utilizzo
marketing_channels = [
{"name": "Google Ads", "cpc": 0.5, "conversion_rate": 0.1, "budget": 1000},
{"name": "Facebook Ads", "cpc": 0.3, "conversion_rate": 0.08, "budget": 800},
{"name": "LinkedIn Ads", "cpc": 0.7, "conversion_rate": 0.12, "budget": 1200}
]
results = online_advertising_game(marketing_channels)
for channel, outcome in results.items():
print(f"{channel}: {outcome}")
Spiegazione del codice passo per passo
Il codice definisce una simulazione che ottimizza strategie pubblicitarie attraverso il calcolo del ROI e altre metriche rilevanti per canali di marketing.
Vediamo ogni componente in dettaglio.
1. Funzione find_nash_equilibrium:
Scopo:
Calcola il risultato ottimale (strategie equilibrate) per ogni canale pubblicitario in base ai dati forniti.
Passaggi principali:
def find_nash_equilibrium(channels, optimization_criteria):
Input:
channels: una lista di dizionari, ognuno rappresenta un canale pubblicitario (es. Google Ads) con dettagli come costo per click (CPC), tasso di conversione e budget.optimization_criteria: una lista di criteri che indica le metriche da ottimizzare (es. ROI).
Simulazione payoff:
- Input:
marketing_channels: lista di canali pubblicitari (es. Google Ads, Facebook Ads, ecc.) con dati dettagliati.
Calcolo dell’equilibrio:
advertising_outcomes = find_nash_equilibrium( marketing_channels, optimization_criteria=['conversion_rate', 'customer_acquisition_cost', 'roi'] )
Chiede alla funzione find_nash_equilibrium di calcolare i risultati per i canali forniti, ottimizzando secondo criteri come tasso di conversione, costo per acquisizione cliente e ROI.
Output:
3. Esempio di utilizzo:
Definizione dei dati di input e chiamata della funzione.
Definizione dei canali:
marketing_channels = [
{"name": "Google Ads", "cpc": 0.5, "conversion_rate": 0.1, "budget": 1000},
{"name": "Facebook Ads", "cpc": 0.3, "conversion_rate": 0.08, "budget": 800},
{"name": "LinkedIn Ads", "cpc": 0.7, "conversion_rate": 0.12, "budget": 1200}
]
- Ogni canale pubblicitario è descritto con:
name: nome del canale.cpc: costo per click.conversion_rate: tasso di conversione.budget: budget totale allocato.
Chiamata alla funzione:
- Simula il gioco e restituisce i risultati per ogni canale.
Output formattato:
for channel, outcome in results.items():
print(f"{channel}: {outcome}")
- Stampa i risultati (clicks, conversions, roi) per ogni canale pubblicitario.
Esempio di Output:
Supponendo i dati di input, l’output sarà simile al seguente:
- Google Ads:
- Clicks: 2000 (calcolati come 1000/).
- Conversions: 200 (calcolati come 2000×0.1).
- ROI: -800 (calcolati come 200−1000).
(112)
Altri articoli nella categoria "Economia e Marketing"
- Modello di Leontief applicato al marketing funnel: esercizio svolto con loop di recupero
- Modello di Leontief applicato al marketing funnel: 3 esercizi svolti
- Microeconomia Computazionale: Come la Domanda di Mercato Emerge dai Comportamenti Individuali
- Test d’Ipotesi nel Marketing: Quando la Significatività Statistica Non Basta (Esercizi Svolti)
- Statistica per il Marketing: Come Usare i Test d’Ipotesi (Z-Test) per A/B Test e ROI
- La Matematica della SWOT Analysis: Teoria delle Decisioni e Rischio Strategico
- Matrice di Ansoff: 10 Esercizi Pratici con Soluzioni per Strategie di Crescita
- Modello di Porter Spiegato: 3 Esercizi Pratici per Analizzare la Concorrenza (Spotify, Caffè, E-bike)
- Prezzo Psicologico: Come l’Urgenza Definisce il Valore (Modello Python Spiegato)
- Economia Comportamentale: Perché la Mente Batte la Logica (e la Matematica lo Spiega)