Аналитика: темы
Продуктовые метрики
Retention, churn, LTV, CAC, ARPU, ARPPU и воронки.
21 формула
Таблица формул
| Формула | Запись | Тема | Для чего нужна |
|---|---|---|---|
| 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. |
| 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. |
| Precision, recall и F1 для классификации | $F_1=\frac{2PR}{P+R}$ | Продуктовые метрики | Precision, recall и F1 для классификации: формула F_1=\frac{2PR}{P+R} помогает требуется требуется требуется требуется требуется важны и точность, и полнота. В тексте есть условия, пример, ошибки и проверка результата. |
| ROC AUC методом трапеций по точкам | $AUC=\sum\frac{TPR_i+TPR_{i-1}}{2}(FPR_i-FPR_{i-1})$ | Продуктовые метрики | ROC AUC методом трапеций по точкам: формула AUC=\sum\frac{TPR_i+TPR_{i-1}}{2}(FPR_i-FPR_{i-1}) помогает величины AUC, TPR, FPR заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата. |
| Binary log loss для вероятностной классификации | $L=-\frac1n\sum(y\log p+(1-y)\log(1-p))$ | Продуктовые метрики | Binary log loss для вероятностной классификации: формула L=-\frac1n\sum(y\log p+(1-y)\log(1-p)) помогает величины L, n, y, p заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата. |
| Brier score для вероятностного прогноза | $BS=\frac1n\sum(p_i-y_i)^2$ | Продуктовые метрики | Brier score для вероятностного прогноза: формула BS=\frac1n\sum(p_i-y_i)^2 помогает величины BS, p_i, y_i, n заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата. |