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.