Teoria dei giochi: un esempio in Python

Cerca nel sito

Altri risultati..

Generic selectors
Exact matches only
Search in title
Search in content
Post Type Selectors

Cerca nelle Categorie

Teoria dei giochi un esempio in python

Il codice proposto rappresenta una struttura per simulare e ottimizzare strategie pubblicitarie competitive, basandosi su concetti di teoria dei giochi (equilibrio di Nash).

Ti potrebbe interessare anche:  Come la Teoria dei Giochi Rivoluziona le Strategie di Digital Marketing: Esempi Pratici e Vantaggi Competitivi
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:

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
}
  • Per ogni canale pubblicitario:
    • Calcola il numero massimo di clicks possibili: budget / cpc.
    • Stima il numero di conversioni: clicks * conversion_rate.
    • Stima il ROI (ritorno sull’investimento): conversions - budget.
  • I risultati per ciascun canale vengono salvati in un dizionario strategies.

Output:

return strategies

Restituisce un dizionario con i risultati (clicks, conversions, roi) per ogni canale.

2. Funzione online_advertising_game:

Scopo:

Simula un gioco pubblicitario tra diversi canali e restituisce i risultati ottimali.

Passaggi principali:

def online_advertising_game(marketing_channels):
  • 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:
return advertising_outcomes
Restituisce i risultati ottimali calcolati.

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:

results = online_advertising_game(marketing_channels)
  • 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': 2000.0, 'conversions': 200.0, 'roi': -800.0}
Facebook Ads: {'clicks': 2666.67, 'conversions': 213.33, 'roi': -586.67}
LinkedIn Ads: {'clicks': 1714.29, 'conversions': 205.71, 'roi': -994.29}
  • Google Ads:
    • Clicks: 2000 (calcolati come 1000/).
    • Conversions: 200 (calcolati come 2000×0.1).
    • ROI: -800 (calcolati come 200−1000).

Come funziona il codice complessivamente:

  1. Input: Riceve una lista di canali pubblicitari con dati come CPC, conversion rate e budget.
  2. Elaborazione:
    • Calcola il numero massimo di click e conversioni per ogni canale.
    • Stima il ROI per ogni canale.
  3. Output: Restituisce i risultati ottimali per ogni canale, mostrando come ciascun canale performa.

Questo approccio può essere ulteriormente esteso per includere dinamiche competitive o strategie pubblicitarie più avanzate.

(112)

PubblicitàPubblicità