Аналитика
Аналитика
Формулы для анализа данных, метрик, выборок, распределений и отчетов.
78 формул
Таблица формул
Показаны 1-60 из 78. Остальные формулы доступны на соседних страницах подборки.
| Формула | Запись | Тема | Для чего нужна |
|---|---|---|---|
| Conversion rate (конверсия) | $\hat{p}=\frac{X}{n}$ | A/B-тесты | Conversion rate (конверсия): формула \hat{p}=\frac{X}{n} помогает посчитать метрику или статистическую проверку по данным эксперимента. В тексте есть условия, пример, ошибки и проверка результата. |
| Относительный uplift (относительный прирост) | $\text{uplift}_{\%}=\frac{\hat p_B-\hat p_A}{\hat p_A}\cdot 100\%$ | A/B-тесты | Относительный uplift (относительный прирост): формула \text{uplift}_{\%}=\frac{\hat p_B-\hat p_A}{\hat p_A}\cdot 100\% помогает требуется требуется требуется требуется требуется требуется требуется посчитать метрику или статистическую проверку по данным эксперимента. В тексте есть условия, пример, ошибки и проверк... |
| Абсолютный uplift (разница конверсий) | $\Delta = \hat p_B-\hat p_A$ | A/B-тесты | Абсолютный uplift (разница конверсий): формула \Delta = \hat p_B-\hat p_A помогает посчитать метрику или статистическую проверку по данным эксперимента. В тексте есть условия, пример, ошибки и проверка результата. |
| Стандартная ошибка доли | $SE(\hat p)=\sqrt{\frac{\hat p(1-\hat p)}{n}}$ | A/B-тесты | Стандартная ошибка доли: формула SE(\hat p)=\sqrt{\frac{\hat p(1-\hat p)}{n}} помогает требуется требуется требуется требуется требуется требуется требуется посчитать метрику или статистическую проверку по данным эксперимента. В тексте есть условия, пример, ошибки и проверка результата. |
| Z-статистика для двух долей | $z = \frac{\hat p_B-\hat p_A}{SE_{\Delta}}$ | A/B-тесты | Z-статистика для двух долей: формула z = \frac{\hat p_B-\hat p_A}{SE_{\Delta}} помогает посчитать метрику или статистическую проверку по данным эксперимента. В тексте есть условия, пример, ошибки и проверка результата. |
| p-value без калькулятора: ориентиры по z | $p \approx 2\,(1-\Phi(|z|)),\; \text{а без калькулятора: }|z|\approx1{,}64\Rightarrow p\approx0{,}10,\;1{,}96\Rightarrow0{,}05,\;2{,}58\Rightarrow0{,}01$ | A/B-тесты | p-value без калькулятора: ориентиры по z: формула p \approx 2\,(1-\Phi(|z|)),\; \text{а без калькулятора: }|z|\approx1{,}64\Rightarrow p\approx0{,}10,\;1{,}96\Rightarrow0{,}05,\;2{,}58\Rightarrow0{,}01 помогает посчитать метрику или статистическую проверку по данным эксперимента. В тексте есть условия, пример, оши... |
| Доверительный интервал разницы конверсий | $(\hat p_B-\hat p_A)\pm z_{1-\alpha/2}\cdot SE_{\Delta}$ | A/B-тесты | Доверительный интервал разницы конверсий: формула (\hat p_B-\hat p_A)\pm z_{1-\alpha/2}\cdot SE_{\Delta} помогает посчитать метрику или статистическую проверку по данным эксперимента. В тексте есть условия, пример, ошибки и проверка результата. |
| Минимальный размер выборки для двух долей (базовый) | $n \approx \frac{(z_{1-\alpha/2}+z_{1-\beta})^2\left[p_A(1-p_A)+p_B(1-p_B)\right]}{MDE^2},\; n_A=n_B=n$ | A/B-тесты | Минимальный размер выборки для двух долей (базовый): формула n \approx \frac{(z_{1-\alpha/2}+z_{1-\beta})^2\left[p_A(1-p_A)+p_B(1-p_B)\right]}{MDE^2},\; n_A=n_B=n помогает посчитать метрику или статистическую проверку по данным эксперимента. В тексте есть условия, пример, ошибки и проверка результата. |
| MDE в статистике и A/B-тестах | $MDE = (z_{1-\alpha/2}+z_{1-\beta})\sqrt{\frac{\hat p_A(1-\hat p_A)}{n_A}+\frac{\hat p_B(1-\hat p_B)}{n_B}}$ | A/B-тесты | MDE в статистике и A/B-тестах: формула MDE = (z_{1-\alpha/2}+z_{1-\beta})\sqrt{\frac{\hat p_A(1-\hat p_A)}{n_A}+\frac{\hat p_B(1-\hat p_B)}{n_B}} помогает требуется требуется требуется требуется требуется требуется требуется посчитать метрику или статистическую проверку по данным эксперимента. В тексте есть услови... |
| Мощность теста (power) для разности долей — концепт | $\text{Power} \approx 1-\Phi\left(z_{1-\alpha/2}-\frac{|\Delta|}{SE_{\Delta}}\right),\;\beta\approx\Phi\left(z_{1-\alpha/2}-\frac{|\Delta|}{SE_{\Delta}}\right)$ | A/B-тесты | Мощность теста (power) для разности долей — концепт: формула \text{Power} \approx 1-\Phi\left(z_{1-\alpha/2}-\frac{|\Delta|}{SE_{\Delta}}\right),\;\beta\approx\Phi\left(z_{1-\alpha/2}-\frac{|\Delta|}{SE_{\Delta}}\right) помогает посчитать метрику или статистическую проверку по данным эксперимента. В тексте есть ус... |
| Среднее арифметическое | $\bar{x}=\frac{x_1+x_2+\dots+x_n}{n}$ | Описательная статистика | Среднее арифметическое показывает типичный уровень числового показателя как сумму всех значений, деленную на количество наблюдений. |
| Медиана | $Me=x_{(\frac{n+1}{2})}\quad\text{для нечетного }n$ | Описательная статистика | Медиана делит упорядоченный набор данных пополам: половина значений не больше медианы, а половина не меньше ее. Это устойчивая мера типичного значения. |
| Мода | $Mo=\text{значение с максимальной частотой}$ | Описательная статистика | Мода — это значение, которое встречается в наборе данных чаще всего. Она полезна для категорий, популярных вариантов и повторяющихся числовых значений. |
| Размах вариации | $R=x_{max}-x_{min}$ | Описательная статистика | Размах вариации показывает расстояние между максимальным и минимальным значением набора данных. Это самый простой показатель разброса. |
| Выборочная дисперсия | $s^2=\frac{\sum_{i=1}^{n}(x_i-\bar{x})^2}{n-1}$ | Описательная статистика | Выборочная дисперсия с делением на n−1 оценивает дисперсию генеральной совокупности по выборке и измеряет средний квадрат отклонений от выборочного среднего. |
| Выборочное стандартное отклонение | $s=\sqrt{\frac{\sum_{i=1}^{n}(x_i-\bar{x})^2}{n-1}}$ | Описательная статистика | Выборочное стандартное отклонение показывает типичный масштаб отклонения значений от среднего в исходных единицах показателя. |
| Квартили и межквартильный размах | $IQR=Q_3-Q_1$ | Описательная статистика | Межквартильный размах, или IQR, показывает ширину средней половины данных: это разница между третьим и первым квартилем. Формула: IQR = Q3 - Q1. |
| Правило выбросов по IQR | $x<Q_1-1.5\cdot IQR\quad\text{или}\quad x>Q_3+1.5\cdot IQR$ | Описательная статистика | Правило 1,5 IQR помечает возможные выбросы: значение считают необычным, если оно меньше Q1 - 1,5*IQR или больше Q3 + 1,5*IQR. Это правило для первичной проверки, а не автоматического удаления строк. |
| Коэффициент вариации | $CV=\frac{s}{\bar{x}}\cdot100\%$ | Описательная статистика | Коэффициент вариации показывает относительный разброс: стандартное отклонение делят на среднее и выражают результат в процентах. |
| Z-оценка | $z=\frac{x-\bar{x}}{s}$ | Описательная статистика | Z-оценка показывает, на сколько стандартных отклонений наблюдение находится выше или ниже среднего значения, и помогает сравнивать разные шкалы. |
| Отношение DAU к MAU | $\text{DAU/MAU} = \frac{\text{DAU}}{\text{MAU}}\cdot 100\%$ | Продуктовые метрики | Отношение DAU к MAU: формула \text{DAU/MAU} = \frac{\text{DAU}}{\text{MAU}}\cdot 100\% помогает посчитать продуктовую метрику на согласованной базе событий. В тексте есть условия, пример, ошибки и проверка результата. |
| Когортное удержание клиентов | $\text{Retention} = \frac{N_{\text{active at end}}}{N_{\text{cohort start}}}\cdot 100\%$ | Продуктовые метрики | Когортное удержание клиентов: формула \text{Retention} = \frac{N_{\text{active at end}}}{N_{\text{cohort start}}}\cdot 100\% помогает требуется требуется требуется требуется требуется требуется важно перевести сырые счетчики продукта в процент, который можно сравнивать по периодам, когортам или каналам. В тексте е... |
| Churn rate: отток клиентов | $\text{Churn} = \frac{N_{\text{churned}}}{N_{\text{period start}}}\cdot 100\%$ | Продуктовые метрики | Churn rate: отток клиентов: формула \text{Churn} = \frac{N_{\text{churned}}}{N_{\text{period start}}}\cdot 100\% помогает посчитать продуктовую метрику на согласованной базе событий. В тексте есть условия, пример, ошибки и проверка результата. |
| ARPU: средняя выручка на клиента | $\text{ARPU} = \frac{R}{\text{MAU}}$ | Продуктовые метрики | ARPU: средняя выручка на клиента: формула \text{ARPU} = \frac{R}{\text{MAU}} помогает посчитать продуктовую метрику на согласованной базе событий. В тексте есть условия, пример, ошибки и проверка результата. |
| ARPPU: выручка на платящего клиента | $\text{ARPPU} = \frac{R}{N_{\text{paying}}}$ | Продуктовые метрики | ARPPU: выручка на платящего клиента: формула \text{ARPPU} = \frac{R}{N_{\text{paying}}} помогает посчитать продуктовую метрику на согласованной базе событий. В тексте есть условия, пример, ошибки и проверка результата. |
| Базовый LTV клиента | $\text{LTV} \approx \text{ARPU} \cdot \text{Gross Margin} \cdot L$ | Продуктовые метрики | Базовый LTV клиента: формула \text{LTV} \approx \text{ARPU} \cdot \text{Gross Margin} \cdot L помогает требуется требуется требуется требуется требуется требуется важно перевести сырые счетчики продукта в процент, который можно сравнивать по периодам, когортам или каналам. В тексте есть условия, пример, ошибки и п... |
| CAC: стоимость привлечения клиента | $\text{CAC} = \frac{C_{\text{marketing}} + C_{\text{sales}}}{N_{\text{new customers}}}$ | Продуктовые метрики | CAC: стоимость привлечения клиента: формула \text{CAC} = \frac{C_{\text{маркетинговой аналитики}} + C_{\text{sales}}}{N_{\text{new customers}}} помогает посчитать продуктовую метрику на согласованной базе событий. В тексте есть условия, пример, ошибки и проверка результата. |
| Конверсия шага воронки | $\text{CR}_{i\to i+1}=\frac{U_{i+1}}{U_i}\cdot100\%$ | Продуктовые метрики | Конверсия шага воронки: формула \text{CR}_{i\to i+1}=\frac{U_{i+1}}{U_i}\cdot100\% помогает требуется требуется требуется требуется требуется требуется важно перевести сырые счетчики продукта в процент, который можно сравнивать по периодам, когортам или каналам. В тексте есть условия, пример, ошибки и проверка рез... |
| Activation rate: доля активированных клиентов | $\text{Activation Rate} = \frac{N_{\text{activated}}}{N_{\text{registered}}}\cdot100\%$ | Продуктовые метрики | Activation rate: доля активированных клиентов: формула \text{Activation Rate} = \frac{N_{\text{activated}}}{N_{\text{registered}}}\cdot100\% помогает посчитать продуктовую метрику на согласованной базе событий. В тексте есть условия, пример, ошибки и проверка результата. |
| Базовая формула процентного изменения | $\frac{X_2 - X_1}{X_1} \times 100\%$ | Эластичность | Базовая формула процентного изменения: формула \frac{X_2 - X_1}{X_1} \times 100\% помогает оценить реакцию спроса или показателя на изменение фактора. В тексте есть условия, пример, ошибки и проверка результата. |
| Ценовая эластичность спроса | $E_d = \left|\frac{\%\Delta Q_d}{\%\Delta P}\right|$ | Эластичность | Ценовая эластичность спроса: формула E_d = \left|\frac{\%\Delta Q_d}{\%\Delta P}\right| помогает требуется требуется требуется требуется требуется требуется требуется оценить реакцию спроса или показателя на изменение фактора. В тексте есть условия, пример, ошибки и проверка результата. |
| Ценовая эластичность предложения | $E_s = \frac{\%\Delta Q_s}{\%\Delta P}$ | Эластичность | Ценовая эластичность предложения: формула E_s = \frac{\%\Delta Q_s}{\%\Delta P} помогает оценить реакцию спроса или показателя на изменение фактора. В тексте есть условия, пример, ошибки и проверка результата. |
| Дуговая эластичность | $E_{arc} = \frac{\frac{Q_2 - Q_1}{(Q_2 + Q_1)/2}}{\frac{P_2 - P_1}{(P_2 + P_1)/2}}$ | Эластичность | Дуговая эластичность: формула E_{arc} = \frac{\frac{Q_2 - Q_1}{(Q_2 + Q_1)/2}}{\frac{P_2 - P_1}{(P_2 + P_1)/2}} помогает оценить реакцию спроса или показателя на изменение фактора. В тексте есть условия, пример, ошибки и проверка результата. |
| Точечная эластичность | $E = \frac{dQ}{dP} \cdot \frac{P}{Q}$ | Эластичность | Точечная эластичность: формула E = \frac{dQ}{dP} \cdot \frac{P}{Q} помогает требуется требуется требуется требуется требуется требуется требуется оценить реакцию спроса или показателя на изменение фактора. В тексте есть условия, пример, ошибки и проверка результата. |
| Перекрестная эластичность спроса | $E_{xy} = \frac{\%\Delta Q_x}{\%\Delta P_y}$ | Эластичность | Перекрестная эластичность спроса: формула E_{xy} = \frac{\%\Delta Q_x}{\%\Delta P_y} помогает оценить реакцию спроса или показателя на изменение фактора. В тексте есть условия, пример, ошибки и проверка результата. |
| Эластичность спроса по доходу | $E_Y = \frac{\%\Delta Q_d}{\%\Delta Y}$ | Эластичность | Эластичность спроса по доходу: формула E_Y = \frac{\%\Delta Q_d}{\%\Delta Y} помогает требуется требуется требуется требуется требуется требуется требуется оценить реакцию спроса или показателя на изменение фактора. В тексте есть условия, пример, ошибки и проверка результата. |
| Выручка и эластичность | $TR = P \cdot Q$ | Эластичность | Выручка и эластичность: формула TR = P \cdot Q помогает требуется требуется требуется требуется требуется выгоднее поднять цену. В тексте есть условия, пример, ошибки и проверка результата. |
| Интерпретация |E| > 1, |E| < 1 и |E| = 1 | $\left|E\right| = \left|\frac{\%\Delta Q}{\%\Delta X}\right|$ | Эластичность | Интерпретация |E| > 1, |E| < 1 и |E| = 1: формула \left|E\right| = \left|\frac{\%\Delta Q}{\%\Delta X}\right| помогает важна сила реакции, а не знак направления. В тексте есть условия, пример, ошибки и проверка результата. |
| Средняя абсолютная ошибка MAE | $\mathrm{MAE}=\frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y}_i|$ | Прогнозирование | MAE усредняет модули отклонений факта от прогноза и показывает типичный промах в исходных единицах. Метрика удобна для понятного сравнения моделей на одном горизонте, но не усиливает крупные ошибки. |
| Средняя квадратичная ошибка MSE | $\mathrm{MSE}=\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2$ | Прогнозирование | MSE усредняет квадраты ошибок прогноза, поэтому крупные промахи влияют на итог сильнее мелких. Результат измеряется в квадрате исходных единиц и подходит для сравнения моделей на одной проверочной выборке. |
| Корень из среднеквадратичной ошибки RMSE | $\mathrm{RMSE}=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}$ | Прогнозирование | RMSE - корень из MSE: он сохраняет штраф за крупные ошибки, но возвращает результат в исходные единицы. Метрика показывает типичный размер промаха модели на фиксированном горизонте и наборе фактов. |
| Средняя абсолютная процентная ошибка MAPE | $\mathrm{MAPE}=\frac{100\%}{n}\sum_{i=1}^{n}\left|\frac{y_i-\hat{y}_i}{y_i}\right|$ | Прогнозирование | MAPE показывает среднюю абсолютную ошибку прогноза в процентах от фактических значений. Метрика удобна для рядов разного масштаба, но требует аккуратности при нулевых и очень малых фактах. |
| Взвешенная абсолютная процентная ошибка WAPE | $\mathrm{WAPE}=\frac{\sum_{i=1}^{n}|y_i-\hat{y}_i|}{\sum_{i=1}^{n}|y_i|}\cdot100\%$ | Прогнозирование | WAPE делит суммарную абсолютную ошибку на общий фактический объем. Метрика показывает долю промаха в процентах от всего спроса или оборота и сильнее отражает строки с большим весом. |
| Простое скользящее среднее | $\mathrm{SMA}_t=\frac{x_{t-k+1}+x_{t-k+2}+\ldots+x_t}{k}$ | Прогнозирование | SMA заменяет текущее значение средним по последним k наблюдениям. Это простая база для сглаживания шума и краткосрочного прогноза, но она запаздывает на трендах и резких разворотах. |
| Экспоненциальное сглаживание прогноза | $\hat{y}_{t+1}=\alpha y_t+(1-\alpha)\hat{y}_t$ | Прогнозирование | Экспоненциальное сглаживание обновляет прогноз как смесь последнего факта и прошлого сглаженного уровня. Коэффициент α задает, насколько быстро модель реагирует на свежие изменения ряда. |
| Линейная регрессия по методу наименьших квадратов | $\hat{\beta}_1=\frac{\sum (x_i-\bar{x})(y_i-\bar{y})}{\sum (x_i-\bar{x})^2},\quad \hat{\beta}_0=\bar{y}-\hat{\beta}_1\bar{x}$ | Линейная регрессия, коэффициенты | OLS подбирает коэффициенты линейной регрессии так, чтобы сумма квадратов остатков была минимальной. Формула нужна, чтобы оценить связь факторов с числовой целью и получить воспроизводимый линейный прогноз. |
| Коэффициент детерминации R-squared | $R^2=1-\frac{SS_{res}}{SS_{tot}}$ | Линейная регрессия, коэффициенты | R² показывает, какая доля разброса целевой переменной объяснена регрессионной моделью по сравнению с ее средним уровнем. Метрика полезна для одной выборки и спецификации, но сама по себе не доказывает причинность. |
| Стандартная ошибка регрессии | $s=\sqrt{\frac{SS_{res}}{n-p}}$ | Линейная регрессия, коэффициенты | Стандартная ошибка регрессии оценивает типичный разброс остатков вокруг линии модели в единицах целевой переменной. Ее используют рядом с R², чтобы видеть не только долю объясненной вариации, но и размер промаха. |
| t-статистика коэффициента регрессии | $t=\frac{\hat{\beta}_j-\beta_{j,0}}{SE(\hat{\beta}_j)}$ | Линейная регрессия, коэффициенты | t-статистика делит коэффициент регрессии на его стандартную ошибку и показывает, насколько оценка далека от нуля в масштабе неопределенности. Ее читают с учетом степеней свободы, p-value и спецификации модели. |
| Логистическая функция вероятности | $p=\frac{1}{1+e^{-z}},\quad z=\beta_0+\beta_1x_1+\ldots+\beta_kx_k}$ | Линейная регрессия, коэффициенты | Логистическая функция переводит линейный скор в вероятность от 0 до 1 по S-образной кривой. В аналитике бинарных событий она связывает факторы с шансом наступления класса и помогает выбрать порог решения. |
| Accuracy как доля правильных классификаций | $\mathrm{Accuracy}=\frac{TP+TN}{TP+TN+FP+FN}$ | Precision, recall | Accuracy - доля верных ответов среди всех объектов. Метрика быстро показывает общий уровень классификации, но хорошо читается только при сопоставимых классах и близкой цене ложных тревог и пропусков. |
| Precision для положительного класса | $\mathrm{Precision}=\frac{TP}{TP+FP}$ | Precision, recall | Precision показывает, какая часть объектов, помеченных моделью как положительные, действительно положительна. Метрика важна, когда ложные срабатывания дороги: модерация, лиды, диагностика, ручная проверка. |
| Recall для положительного класса | $\mathrm{Recall}=\frac{TP}{TP+FN}$ | Precision, recall | Recall показывает, какую долю настоящих положительных объектов модель нашла. Метрика важна, когда опаснее пропустить нужный случай, чем получить лишнее срабатывание: риск, дефекты, заявки. |
| F1-мера классификации для баланса precision и recall | $F_1=\frac{2\cdot Precision\cdot Recall}{Precision+Recall}$ | Precision, recall | F1 объединяет precision и recall через гармоническое среднее. Метрика полезна, когда нужно одним числом балансировать ложные срабатывания и пропуски, но true negative в расчет не входит. |
| Specificity классификатора | $\mathrm{Specificity}=\frac{TN}{TN+FP}$ | Precision, recall | Specificity показывает, какую долю настоящих отрицательных объектов модель оставила отрицательными. Метрика дополняет recall и важна там, где надо ограничить ложные тревоги при фиксированном положительном классе. |
| ROC AUC через пары объектов | $\mathrm{AUC}=\frac{N_{concordant}+0.5N_{tied}}{N_{positive}N_{negative}}$ | Precision, recall | ROC AUC оценивает ранжирование: насколько часто положительный объект получает скор выше отрицательного. Метрика не зависит от одного порога, но требует корректных скорингов и выбранного положительного класса. |
| Lift модели классификации | $\mathrm{Lift}=\frac{\text{response rate in selected group}}{\text{overall response rate}}$ | Precision, recall | Lift показывает, во сколько раз выбранный моделью сегмент богаче целевыми объектами, чем вся база. Метрика полезна для CRM, маркетинга и скоринга, где важен верхний процент списка, а не общий порог. |
| Матрица ошибок бинарной классификации | $N=TP+TN+FP+FN$ | Precision, recall | Матрица ошибок раскладывает бинарные решения на TP, TN, FP и FN. Это исходная таблица для accuracy, precision, recall, specificity и F1, поэтому сначала проверяют класс, порог и сумму ячеек. |
| Размер выборки для одной доли | $n=\frac{z^2p(1-p)}{E^2}$ | Описательная статистика | Размер выборки для одной доли: формула n=\frac{z^2p(1-p)}{E^2} помогает величины n, z, p, E заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата. |
| Размер выборки для MDE двух долей | $n=\frac{2(z_\alpha+z_\beta)^2p(1-p)}{\Delta^2}$ | A/B-тесты | Размер выборки для MDE двух долей: формула n=\frac{2(z_\alpha+z_\beta)^2p(1-p)}{\Delta^2} помогает требуется требуется требуется требуется требуется требуется понять, хватит ли трафика для обнаружения минимального эффекта. В тексте есть условия, пример, ошибки и проверка результата. |