Содержание
Есть историческая справка, страница 3
Страницы, где объясняется происхождение формулы или идеи.
1833 формулы
Таблица формул
Показаны 121-180 из 1833. Остальные формулы доступны на соседних страницах подборки.
| Формула | Запись | Тема | Для чего нужна |
|---|---|---|---|
| Дефекты на миллион возможностей DPMO | $DPMO=\frac{Defects}{Units\cdot Opportunities}\cdot1{,}000{,}000$ | Качество и процессы | DPMO показывает число дефектов на миллион возможностей возникновения дефекта. Такой показатель помогает читать бизнес-модель через проверяемые величины, а не через общие впечатления. |
| Уровень исправлений после контроля | $Rework\ Rate=\frac{Reworked\ Units}{Total\ Units}\cdot100\%$ | Качество и процессы | Уровень исправлений показывает долю единиц, которые пришлось переделывать после контроля. Такой показатель помогает читать бизнес-модель через проверяемые величины, а не через общие впечатления. |
| Win rate продаж | $Win\ Rate=\frac{Won\ Deals}{Closed\ Deals}\cdot100\%$ | Продажи и воронка | Win rate показывает долю закрытых сделок, которые закончились победой. Такой показатель помогает читать бизнес-модель через проверяемые величины, а не через общие впечатления. |
| Взвешенный pipeline продаж | $Pipeline_w=\sum Deal_i\cdot p_i$ | Продажи и воронка | Взвешенный pipeline оценивает ожидаемую выручку по сделкам с учетом вероятности закрытия. Такой показатель помогает читать бизнес-модель через проверяемые величины, а не через общие впечатления. |
| Sales velocity | $SV=\frac{Opportunities\cdot Win\ Rate\cdot Deal\ Size}{Sales\ Cycle}$ | Продажи и воронка | Sales velocity показывает скорость создания выручки в продажной воронке. Такой показатель помогает читать бизнес-модель через проверяемые величины, а не через общие впечатления. |
| Средний размер сделки | $ADS=\frac{Revenue}{Won\ Deals}$ | Продажи и воронка | Средний размер сделки показывает среднюю выручку одной выигранной сделки. Такой показатель помогает читать бизнес-модель через проверяемые величины, а не через общие впечатления. |
| Выполнение плана продаж | $Attainment=\frac{Actual\ Sales}{Quota}\cdot100\%$ | Продажи и воронка | Выполнение плана показывает, какую долю установленной квоты продаж удалось закрыть. Такой показатель помогает читать бизнес-модель через проверяемые величины, а не через общие впечатления. |
| Конверсия лида в возможность | $Rate=\frac{Opportunities}{Leads}\cdot100\%$ | Продажи и воронка | Конверсия лида в возможность показывает, какая доля лидов прошла квалификацию и стала продажной возможностью. Такой показатель помогает читать бизнес-модель через проверяемые величины, а не через общие впечатления. |
| Длина цикла сделки | $Cycle=\frac{\sum Days_i}{Won\ Deals}$ | Продажи и воронка | Средняя длина цикла сделки показывает, сколько дней проходит от создания возможности до выигрыша. Такой показатель помогает читать бизнес-модель через проверяемые величины, а не через общие впечатления. |
| Покрытие прогноза pipeline | $Coverage=\frac{Pipeline}{Quota}$ | Продажи и воронка | Pipeline coverage показывает, во сколько раз текущий pipeline покрывает план продаж. Такой показатель помогает читать бизнес-модель через проверяемые величины, а не через общие впечатления. |
| Рост MRR | $MRR\ Growth=\frac{MRR_{end}-MRR_{start}}{MRR_{start}}\cdot100\%$ | Продажи и воронка | Рост MRR показывает относительное изменение ежемесячной регулярной выручки. Такой показатель помогает читать бизнес-модель через проверяемые величины, а не через общие впечатления. |
| Доля просроченного pipeline | $Stale\ Share=\frac{Stale\ Pipeline}{Total\ Pipeline}\cdot100\%$ | Продажи и воронка | Доля просроченного pipeline показывает, какая часть потенциальной выручки застряла без движения. Такой показатель помогает читать бизнес-модель через проверяемые величины, а не через общие впечатления. |
| Доля рынка по выручке | $Market\ Share=\frac{Company\ Revenue}{Market\ Revenue}\cdot100\%$ | Стратегия и рынок | Доля рынка по выручке: формула Market\ Share=\frac{Company\ Revenue}{Market\ Revenue}\cdot100\% помогает оценить размер рынка или долю сценария без смешения уровней. В тексте есть условия, пример, ошибки и проверка результата. |
| Относительная доля рынка | $RMS=\frac{Company\ Market\ Share}{Largest\ Competitor\ Share}$ | Стратегия и рынок | Относительная доля рынка: формула RMS=\frac{Company\ Market\ Share}{Largest\ Competitor\ Share} помогает оценить размер рынка или долю сценария без смешения уровней. В тексте есть условия, пример, ошибки и проверка результата. |
| Темп роста рынка | $Growth=\frac{Market_t-Market_{t-1}}{Market_{t-1}}\cdot100\%$ | Стратегия и рынок | Темп роста рынка: формула Growth=\frac{Market_t-Market_{t-1}}{Market_{t-1}}\cdot100\% помогает оценить размер рынка или долю сценария без смешения уровней. В тексте есть условия, пример, ошибки и проверка результата. |
| CAGR бизнеса | $CAGR=\left(\frac{V_{end}}{V_{start}}\right)^{1/n}-1$ | Стратегия и рынок | CAGR бизнеса: формула CAGR=\left(\frac{V_{end}}{V_{start}}\right)^{1/n}-1 помогает оценить размер рынка или долю сценария без смешения уровней. В тексте есть условия, пример, ошибки и проверка результата. |
| TAM SAM SOM | $SOM\ Share=\frac{SOM}{TAM}\cdot100\%$ | Стратегия и рынок | TAM SAM SOM: формула SOM\ Share=\frac{SOM}{TAM}\cdot100\% помогает требуется требуется оценить размер рынка или долю сценария без смешения уровней. В тексте есть условия, пример, ошибки и проверка результата. |
| Проникновение на рынок | $Penetration=\frac{Customers}{Target\ Market}\cdot100\%$ | Стратегия и рынок | Проникновение на рынок: формула Penetration=\frac{Customers}{Target\ Market}\cdot100\% помогает оценить размер рынка или долю сценария без смешения уровней. В тексте есть условия, пример, ошибки и проверка результата. |
| Share of wallet | $SOW=\frac{Customer\ Spend\ With\ Company}{Customer\ Total\ Category\ Spend}\cdot100\%$ | Стратегия и рынок | Share of wallet: формула SOW=\frac{Customer\ Spend\ With\ Company}{Customer\ Total\ Category\ Spend}\cdot100\% помогает оценить размер рынка или долю сценария без смешения уровней. В тексте есть условия, пример, ошибки и проверка результата. |
| Опытная кривая снижения затрат | $C_n=C_1\cdot n^b$ | Стратегия и рынок | Опытная кривая снижения затрат: формула C_n=C_1\cdot n^b помогает требуется требуется оценить размер рынка или долю сценария без смешения уровней. В тексте есть условия, пример, ошибки и проверка результата. |
| Adoption rate продукта | $Adoption=\frac{New\ Adopters}{Target\ Population}\cdot100\%$ | Стратегия и рынок | Adoption rate продукта: формула Adoption=\frac{New\ Adopters}{Target\ Population}\cdot100\% помогает оценить размер рынка или долю сценария без смешения уровней. В тексте есть условия, пример, ошибки и проверка результата. |
| Новые adopters по модели Басса | $S_t=\left(p+q\frac{N_{t-1}}{M}\right)(M-N_{t-1})$ | Стратегия и рынок | Новые adopters по модели Басса: формула S_t=\left(p+q\frac{N_{t-1}}{M}\right)(M-N_{t-1}) помогает оценить размер рынка или долю сценария без смешения уровней. В тексте есть условия, пример, ошибки и проверка результата. |
| Смешанный CAC | $CAC=\frac{Sales+Marketing\ Cost}{New\ Customers}$ | Юнит-экономика | Смешанный CAC: формула CAC=\frac{Sales+Marketing\ Cost}{New\ Customers} помогает связать выручку, маржу, привлечение и окупаемость клиента. В тексте есть условия, пример, ошибки и проверка результата. |
| Платный CAC | $CAC_{paid}=\frac{Paid\ Acquisition\ Cost}{New\ Paid\ Customers}$ | Юнит-экономика | Платный CAC: формула CAC_{paid}=\frac{Paid\ Acquisition\ Cost}{New\ Paid\ Customers} помогает связать выручку, маржу, привлечение и окупаемость клиента. В тексте есть условия, пример, ошибки и проверка результата. |
| LTV по валовой марже | $LTV=ARPU\cdot GM\cdot Lifetime$ | Юнит-экономика | LTV по валовой марже: формула LTV=ARPU\cdot GM\cdot Lifetime помогает требуется требуется связать выручку, маржу, привлечение и окупаемость клиента. В тексте есть условия, пример, ошибки и проверка результата. |
| Отношение LTV к CAC | $Ratio=\frac{LTV}{CAC}$ | Юнит-экономика | Отношение LTV к CAC: формула Ratio=\frac{LTV}{CAC} помогает связать выручку, маржу, привлечение и окупаемость клиента. В тексте есть условия, пример, ошибки и проверка результата. |
| Срок окупаемости CAC | $Payback=\frac{CAC}{ARPU\cdot GM}$ | Юнит-экономика | Срок окупаемости CAC: формула Payback=\frac{CAC}{ARPU\cdot GM} помогает связать выручку, маржу, привлечение и окупаемость клиента. В тексте есть условия, пример, ошибки и проверка результата. |
| Маржинальный доход на единицу | $CM=P-VC$ | Юнит-экономика | Маржинальный доход на единицу: формула CM=P-VC помогает требуется требуется связать выручку, маржу, привлечение и окупаемость клиента. В тексте есть условия, пример, ошибки и проверка результата. |
| Коэффициент маржинального дохода | $CMR=\frac{P-VC}{P}$ | Юнит-экономика | Коэффициент маржинального дохода: формула CMR=\frac{P-VC}{P} помогает связать выручку, маржу, привлечение и окупаемость клиента. В тексте есть условия, пример, ошибки и проверка результата. |
| Точка безубыточности в штуках | $Q_{BE}=\frac{FC}{P-VC}$ | Юнит-экономика | Точка безубыточности в штуках: формула Q_{BE}=\frac{FC}{P-VC} помогает требуется требуется связать выручку, маржу, привлечение и окупаемость клиента. В тексте есть условия, пример, ошибки и проверка результата. |
| Точка безубыточности в выручке | $R_{BE}=\frac{FC}{CMR}$ | Юнит-экономика | Точка безубыточности в выручке: формула R_{BE}=\frac{FC}{CMR} помогает связать выручку, маржу, привлечение и окупаемость клиента. В тексте есть условия, пример, ошибки и проверка результата. |
| Удержание клиентов | $Retention=\frac{Customers_{end}-New\ Customers}{Customers_{start}}\cdot100\%$ | Юнит-экономика | Удержание клиентов: формула Retention=\frac{Customers_{end}-New\ Customers}{Customers_{start}}\cdot100\% помогает связать выручку, маржу, привлечение и окупаемость клиента. В тексте есть условия, пример, ошибки и проверка результата. |
| Отток клиентов churn | $Churn=\frac{Lost\ Customers}{Customers_{start}}\cdot100\%$ | Юнит-экономика | Отток клиентов churn: формула Churn=\frac{Lost\ Customers}{Customers_{start}}\cdot100\% помогает связать выручку, маржу, привлечение и окупаемость клиента. В тексте есть условия, пример, ошибки и проверка результата. |
| Квадратура Гаусса—Лагерра: интеграл с весом exp(−x) | $\int_0^\infty e^{-x}f(x)\,dx\approx\frac{2+\sqrt2}{4}f(2-\sqrt2)+\frac{2-\sqrt2}{4}f(2+\sqrt2)$ | Численное интегрирование | Двухузловая квадратура Гаусса—Лагерра приближает интеграл на положительной полуоси с весом e^(−x). Она точно интегрирует полиномы f степени не выше трёх. |
| Квадратура Гаусса—Эрмита: интеграл с гауссовым весом | $\int_{-\infty}^{\infty}e^{-x^2}f(x)\,dx\approx\frac{\sqrt\pi}{2}\left[f(-1/\sqrt2)+f(1/\sqrt2)\right]$ | Численное интегрирование | Двухузловая квадратура Гаусса—Эрмита вычисляет интегралы с весом e^(−x²) на всей прямой. Для полинома f степени до трёх результат точен. |
| Квадратура Кленшоу—Кёртиса по пяти косинусным узлам | $\int_{-1}^{1}f(x)\,dx\approx\frac{f(-1)+f(1)}{15}+\frac8{15}\left[f(-1/\sqrt2)+f(1/\sqrt2)\right]+\frac45f(0)$ | Численное интегрирование | Квадратура Кленшоу—Кёртиса интегрирует интерполяционный полином на косинусной сетке. Пятиузловая запись включает концы отрезка и точно работает для полиномов степени до пяти. |
| Поправка Эйлера—Маклорена к формуле трапеций | $I=\int_a^b f(x)\,dx\approx T_h-\frac{h^2}{12}\left[f^{\prime}(b)-f^{\prime}(a)\right],\qquad h=\frac{b-a}{n}$ | Численное интегрирование | Если известны производные на концах, поправка Эйлера—Маклорена устраняет главный член ошибки составных трапеций. Для достаточно гладкой функции порядок ошибки повышается с h² до h⁴. |
| Квадратура tanh–sinh: двойная экспоненциальная замена | $\int_{-1}^{1}f(x)\,dx\approx h\sum_{k=-N}^{N}f(\phi(kh))\phi^{\prime}(kh),\quad\phi(t)=\tanh\!\left(\frac\pi2\sinh t\right)$ | Численное интегрирование | Квадратура tanh–sinh переносит отрезок (−1,1) на всю прямую и применяет трапеции к преобразованной функции. Узлы быстро сгущаются к концам, помогая работать с интегрируемыми концевыми особенностями. |
| Произведение Кронекера: построение блочной матрицы | $A\otimes B=\begin{pmatrix}a_{11}B&\cdots&a_{1n}B\\\vdots&\ddots&\vdots\\a_{m1}B&\cdots&a_{mn}B\end{pmatrix}$ | Линейная алгебра | Произведение Кронекера заменяет каждый элемент матрицы A блоком a_ijB. Если размеры исходных матриц m×n и p×q, результат имеет размер mp×nq. |
| Векторизация AXB: тождество с произведением Кронекера | $\operatorname{vec}(AXB)=(B^{\mathsf T}\otimes A)\operatorname{vec}(X)$ | Линейная алгебра | При укладке столбцов матрицы X в один вектор двустороннее умножение AXB превращается в обычное линейное преобразование. Его матрица равна Bᵀ⊗A. |
| Неравенство Адамара: определитель и длины столбцов | $|\det A|\le\prod_{j=1}^{n}\|a_j\|_2$ | Линейная алгебра | Модуль определителя квадратной матрицы не превосходит произведения евклидовых длин её столбцов. Для ненулевых столбцов равенство достигается тогда и только тогда, когда они попарно ортогональны. |
| Формула Коши—Бине для произведения прямоугольных матриц | $\det(AB)=\sum_{S\subseteq\{1,\ldots,n\},\ |S|=m}\det A_{:,S}\det B_{S,:},\quad A\in\mathbb R^{m\times n},\ B\in\mathbb R^{n\times m}$ | Линейная алгебра | Определитель AB для прямоугольных множителей раскладывается в сумму произведений согласованных миноров. Каждое слагаемое выбирает одинаковый набор внутренних индексов в A и B. |
| Полярное разложение матрицы: поворот и растяжение | $A=QH,\qquad H=(A^{\mathsf T}A)^{1/2},\qquad Q=AH^{-1}$ | Линейная алгебра | Невырожденная вещественная матрица раскладывается в произведение ортогональной Q и симметричной положительно определённой H. Первый множитель сохраняет длины, второй описывает растяжение. |
| Ортогональная задача Прокруста: совмещение двух матриц | $\min_{Q^{\mathsf T}Q=I}\|AQ-B\|_F,\qquad A^{\mathsf T}B=U\Sigma V^{\mathsf T}\Longrightarrow Q_*=UV^{\mathsf T}$ | Линейная алгебра | Ортогональная задача Прокруста ищет преобразование Q, которое лучше всего совмещает A с B в норме Фробениуса. Решение получают через сингулярное разложение AᵀB. |
| Тождество Сильвестра: det(I+AB) через меньшую матрицу | $\det(I_m+AB)=\det(I_n+BA),\qquad A\in\mathbb R^{m\times n},\quad B\in\mathbb R^{n\times m}$ | Линейная алгебра | Тождество Сильвестра позволяет вычислить определитель I+AB по матрице I+BA другого порядка. Прямоугольные множители меняют размер задачи, сохраняя значение определителя. |
| Теорема Кэли—Гамильтона: матрица в своём многочлене | $p_A(t)=\det(tI-A)\quad\Longrightarrow\quad p_A(A)=0;\qquad A^2-(\operatorname{tr}A)A+(\det A)I=0\quad(n=2)$ | Линейная алгебра | По теореме Кэли—Гамильтона квадратная матрица обращает свой характеристический многочлен в нулевую матрицу. Это позволяет сокращать высокие степени и выражать обратную матрицу через полином. |
| Отрицательное биномиальное распределение | $P(X=k)=\binom{k-1}{r-1}p^r(1-p)^{k-r}$ | Вероятность и статистика | Отрицательное биномиальное распределение задаёт вероятность того, что r-й успех случится ровно на k-м независимом испытании. Число успехов фиксировано, а длина серии до остановки случайна. |
| Мультиномиальная вероятность | $P=\frac{n!}{x_1!\cdots x_m!}p_1^{x_1}\cdots p_m^{x_m}$ | Вероятность и статистика | Мультиномиальная формула даёт вероятность заданного вектора количеств нескольких категорий за n независимых испытаний. Комбинаторный коэффициент учитывает все порядки с одинаковыми частотами. |
| Нормальная аппроксимация биномиальной схемы | $\Pr(a\le X\le b)\approx\Phi\!\left(\frac{b+1/2-np}{\sqrt{np(1-p)}}\right)-\Phi\!\left(\frac{a-1/2-np}{\sqrt{np(1-p)}}\right)$ | Вероятность и статистика | Нормальная аппроксимация заменяет биномиальную сумму площадью под нормальной кривой с теми же средним и дисперсией. Поправка на непрерывность сдвигает целые границы на половину шага. |
| Статистика Стьюдента для среднего при неизвестной дисперсии | $t=(\bar{x}−\mu_0)/(s/\sqrt{n})$ | Статистические выводы | Одновыборочная t-статистика сравнивает среднее с проверяемым значением, когда дисперсия совокупности неизвестна. Разность средних делится на стандартную ошибку, оценённую по выборке. |
| Граница Чернова для верхнего хвоста биномиальной суммы | $\Pr(X\ge(1+\delta)\mu)\le\exp\!\left(-\frac{\mu\delta^2}{2+\delta}\right),\quad\delta>0$ | Вероятность и статистика | Граница Чернова даёт экспоненциальную верхнюю оценку вероятности большого превышения среднего у суммы независимых индикаторов. Она ограничивает хвост, а не вычисляет его точное значение. |
| Задача коллекционера купонов: среднее время полной коллекции | $\mathbb E[T]=nH_n=n\sum_{j=1}^{n}\frac1j$ | Вероятность и статистика | Если каждый из n типов купонов появляется независимо и равновероятно, среднее число покупок для полной коллекции равно nH_n. Последние недостающие типы дают основную задержку. |
| Циклический избыточный код CRC и остаток полинома | $R(x)=M(x)x^r\bmod G(x),\qquad C(x)=M(x)x^r+R(x)\quad\text{в }\mathrm{GF}(2)$ | Кодирование информации | CRC дописывает к сообщению остаток полиномиального деления над GF(2). Сложение и вычитание выполняются XOR, поэтому проверочное слово делится на выбранный порождающий полином без остатка. |
| Фильтр Блума: вероятность ложного срабатывания | $p_{\mathrm{FP}}\approx\left(1-e^{-kn/m}\right)^k$ | Алгоритмы и анализ данных | Фильтр Блума допускает ложноположительный ответ о наличии элемента. В стандартной вероятностной модели его частоту оценивают через число битов m, хеш-функций k и вставленных элементов n. |
| Граница Буля—Бонферрони для объединения событий | $\Pr\!\left(\bigcup_{i=1}^{m}A_i\right)\le\min\!\left(1,\sum_{i=1}^{m}\Pr(A_i)\right)$ | Вероятность и статистика | Вероятность хотя бы одного из нескольких событий не превосходит суммы их вероятностей. Граница работает без независимости и позволяет контролировать общую ошибку по отдельным рискам. |
| Неравенство DKW: полоса для эмпирической функции распределения | $\Pr\!\left(\sup_x|F_n(x)-F(x)|>\varepsilon\right)\le2e^{-2n\varepsilon^2}$ | Статистические выводы | Неравенство Дворецкого—Кифера—Вольфовица ограничивает максимальную ошибку эмпирической функции распределения сразу по всем x. Правая часть зависит только от размера независимой выборки и ширины полосы. |
| Интервал Вильсона для биномиальной доли | $\frac{\hat p+z^2/(2n)\pm z\sqrt{\hat p(1-\hat p)/n+z^2/(4n^2)}}{1+z^2/n}$ | Статистические выводы | Интервал Вильсона оценивает неизвестную вероятность успеха по числу успехов в независимых испытаниях. Его границы получают обращением score-теста, и они остаются в допустимом диапазоне вероятностей. |
| Отрицательное гипергеометрическое распределение: момент успеха | $\Pr(T=t)=\frac{\binom{t-1}{r-1}\binom{N-t}{K-r}}{\binom NK},\qquad r\le t\le N-K+r$ | Вероятность и статистика | При выборке без возвращения отрицательное гипергеометрическое распределение описывает номер извлечения заданного r-го успеха. В отличие от обычной гипергеометрической схемы размер выборки заранее не фиксирован. |
| Бингамовская жидкость: напряжение и скорость сдвига | $\tau=\tau_y+\mu_p\dot\gamma,\qquad\dot\gamma>0;\quad |\tau|\le\tau_y\Rightarrow \dot\gamma=0$ | Механика сплошных сред | Идеальная бингамовская модель сочетает предел текучести и линейное течение после его превышения. Ниже порога материал не сдвигается, а после запуска наклон кривой задаёт пластическая вязкость. |
| Модель Гершеля—Балкли для нелинейного течения | $\tau=\tau_y+K\dot\gamma^{\,n},\qquad\dot\gamma>0$ | Механика сплошных сред | Модель Гершеля—Балкли добавляет предел текучести к степенному закону сдвига. Индекс n описывает нелинейный рост напряжения, а коэффициент K имеет размерность, зависящую от n. |