Coinmarketcap ввел изменения и новые метрики для повышения доверия

Введение: как CoinMarketCap манипулирует рынком, предоставляя сообществу заведомо ложную информацию

Как нам стало известно, CoinMarketCap.com, вебсайт номер один в мире криптовалют, умышленно предоставляет пользователям ложную и мошенническую информацию.

Поскольку этот сайт часто используется многими новостными и информационными порталами, трейдинговыми ресурсами, компаниями и простыми пользователями в качестве источника справочной информации, мы посчитали, что сообществу будет интересно узнать, что же на самом деле происходит за кулисами этого «надёжного ресурса».

Стоит отметить, что наши многочисленные попытки исправить приведённую на CoinMarketCap.com информацию о многих токенах путём обращения в техподдержку этого ресурса и через аккаунты в социальных сетях (включая форумы на BitcoinTalk.org и reddit.com) остались без ответа или были умышленно проигнорированы.

Под «умышленно проигнорированы» мы имеем в виду то, что после передачи техподдержке сайта актуальной и очевидно достоверной информации они отказались обновлять данные. Эта проблема затрагивает – негативно либо позитивно – сотни токенов, представленных на CoinMarketCap.com (далее – CMC).

Создатели многих из них уже оставили тщетные попытки заставить CMC разместить на сайте верную информацию – многочисленные доказательства этому можно найти на тематических форумах.

Есть также основания полагать, что сотрудники, владельцы и иные связанные с CMC лица вовлечены в инсайдерскую торговлю, и объём её очень значителен.

Наше исследование показало, что в промежуток времени между обращением создателей криптовалют к CMC с просьбой разместить на сайте свой токен и непосредственно размещением происходили необъяснимые всплески объёмов ордеров на покупку этих криптовалют.

Это может означать, что инсайдеры из CMC знают о будущем росте определённых монет и начинают скупать их ещё до официальной публикации информации по данным токенам на сайте. Анализируя статистику многих размещённых на CMC токенов, можно найти множество подобных примеров.

Пампы и дампы также активно режиссируются командой CMC без уведомления создателей криптовалют и связанных с ними сообществ. Это делается посредством манипулирования количеством монет в обращении (конечно, не настоящим, а указанным на сайте).

В определённые периоды CMC завышает объём предложения токенов (виртуально повышая их рыночную капитализацию), затем его занижает (снижая рыночную капитализацию). Эти действия перемещают криптовалюты выше и ниже в их официальном топ-листе, вызывая их массовую скупку или продажу – по желанию CMC.

К счастью, подобные аферы нельзя осуществить чаще, чем несколько раз с одной криптовалютой, поскольку волна протестов со стороны сообщества обычно ставит CMC на место.

Мы располагаем и доказательствами того, что CMC фактически «убивает» некоторые токены по своему усмотрению. Как оно это делает? Всё просто: выставляя на продолжительный период «?» (или какую-нибудь небольшую цифру) вместо значения количества монет в обращении.

В результате токен опускается в рейтингах всё ниже и ниже, пока объёмы дневных торгов не доходят до нуля (хотя команда его разработчиков продолжает работать и развивать его экосистему). Это может приводить и к делистингу токена с бирж, и, как следствие, отмиранию части его экосистемы.

Интернет полон свидетельств того, как создатели токенов и целые сообщества умоляли CMC обновить информацию на сайте – как вы понимаете, безрезультатно. CMC фактически решает, каким токенам жить, а каким – нет.

В защиту CMC можно сказать, что некоторые токены действительно теряют свои объёмы по причине различных ошибок их создателей, но гораздо чаще это происходило вопреки возражениям и протестам разработчиков и стоящих за ними сообществ.

Беспокойство вызывает также возможное взяточничество и бесчестное поведение официальных представителей CMC, действия которых позволяют сделать и такие предположения.

Что будет, если создатели какого-либо токена заплатят CMC круглую сумму, чтобы занизить данные о рыночной капитализации их «конкурента»? Как вообще можно занизить рыночную капитализацию токена? Легко, достаточно отказаться обновлять объём монет в обращения и разместить вместо реальных цифр любое значение на своё усмотрение.

Подобное можно увидеть у множества токенов, размещённых на CMC. Имеется множество свидетельств жалоб со стороны разработчиков токенов, после которых CMC продолжало использовать собственные данные без каких-либо объяснений.

Ещё один повод для беспокойства – устаревшая либо неверная информация о многих токенах, размещённых на CMC.

Ссылки на официальные вебсайты не открываются, дневные объёмы торгов не обновляются днями и даже неделями, значения объёмов токенов в обращении серьёзно расходится с информацией непосредственно из блокчейнов этих токенов — всё это лишь малая часть проблем, заставляющих нас бить тревогу.

Учитывая вышеизложенное (а также множество других причин, включая анонимность создателей сайта и его сотрудников), мы полагаем, что в интересах всего криптовалютного сообщества будет поднять большой шум и заставить CMC актуализировать всю информацию на сайте либо создать альтернативную платформу, лишённую недостатков, свойственных CMC. Сейчас CoinMarketCap – сайт номер один, но он быстро может потерять всё, если сообщество сплотится и покажет своё отношение к нему.

Кто-то скажет, что описанные выше проблемы могут быть вызваны некомпетентностью команды CMC или её ограниченными ресурсами.

Мы уделили особое внимание изучению денежного потока и дохода CMC и вывод может вас удивить: CMC является одним из наиболее прибыльных бизнесов в отрасли. Его продукт – пользователи, а деньги зарабатываются на рекламе.

Кроме того, за кулисами платформы происходит много такого, о чём пользователи и не догадываются.

Большинство людей полагает, что главная угроза отрасли криптовалют исходит от централизованных картелей майнеров, производителей «железа», банков, правительств, регуляторов, в конце концов, сговоров разработчиков. Мы же уверены, что все они и близко не стоят с очевидным мошенничеством, которое происходило на CoinMarketCap многие годы.

Объём сделок с использованием информации от CMC настолько велик, что заставляет померкнуть все прочие махинации. Если трейдеры принимают решения о покупке и продаже на основе сфальсифицированной информации от CMC – это означает, что ими манипулируют в ходе крупнейшей в истории криптовалют аферы.

Мы были шокированы не только уровнем некомпетентности, халатности, жульничества и наплевательского отношения к сообществу со стороны CMC, но и отсутствием какой-либо информации об этой проблеме в интернете.

Сообществу, которое гордится своим саморегулированием на основе полной открытости и прозрачности, должно быть стыдно, что такое очевидное и крупное мошенничество не было раскрыто ранее.

Мы обещаем всему сообществу, что сделаем всё возможное, чтобы информационные ресурсы (особенно сайт номер один в отрасли) больше не имели возможности свободно осуществлять аферы такого масштаба.

Из-за чрезвычайной важности этой темы мы не ограничимся голословными обвинениями, а предоставим свои доказательства. Всё это будет опубликовано в наших следующих статьях. Мы потратили немало усилий, собирая и анализируя данные, и предоставим неопровержимые доказательства по крайней мере некоторых мошеннических действий со стороны CoinMarketCap.

Спасибо за то, что остаётесь с нами и следите за обновлениями. Мы надеемся, что эта серия статей привлечёт к себе внимание общественности. Только тогда CMC расплатится за свои действия и исправится. Мы надеемся.

Источник: Medium.com

Рубрики:Анализ, Мнение, Сообщество, биржи

Источник: https://ethclassic.ru/2018/03/30/vvedenie-kak-coinmarketcap-manipuliruet-rynkom/

3 метрики для измерения риска на рынке

Акции — рисковый актив и для его роста необходим аппетит к риску. Как понять, есть ли на рынке такой аппетит, я уже подробно писала, а в этом обзоре я покажу, как это сделать быстро. Для этого нам потребуется всего 3 метрики: 1) IWM:SPY. 2) SPY:TLT. 3) DBB:DBP. Что это за метрики?

Это коэффициенты относительной силы. Звучит сложно, но на деле все просто. Коэффициент относительной силы — это всего лишь отношение одного актива к другому (например, IWM к SPY), то есть результат деления цены одного актива на другой (цена IWM : цена SPY).

Для чего нужно мерить относительную силу?

Для того чтобы понять, что происходит с активом. Как он ведет себя относительно: сектора, рынка или другого актива? Опережает его или от него отстает? Детали вы можете изучить здесь, а мы продолжаем и переходим к самим метрикам. Вот из чего они состоят.

  1. IWM:SPY — это отношение акций компаний малой капитализации к индексу широкого рынка S&P 500, оцениваемое через соответствующие ETF Russell 2000 iShares (IWM) и S&P 500 SPDR (SPY).
  2. SPY:TLT — это отношение рынка акций к рынку 20-летних гособлигаций США, оцениваемое через соответствующие ETF S&P 500 SPDR (SPY) и 20+ YR T-Bond ETF (TLT).
  3. DBB:DBP — это отношение промышленных металлов к драгоценным, оцениваемое через соответствующие ETF Base Metals ETF (DBB) и Precious Metals ETF (DBP).

Почему мы смотрим данные метрики?

Потому что они красноречивые индикаторы риска. Акции компаний малой капитализации (IWM) более чувствительны к риску и первыми реагируют на изменения на рынке. В связи с чем соотношение IWM:SPY можно использовать как опережающий индикатор возможного роста на рынке акций.

В отличие от акций долгосрочные государственные облигации США сопряжены с минимальным риском. Поэтому по соотношению SPY:TLT можно судить о готовности участников рынка принимать на себя лишний риск и инвестировать в акции ради большей доходности.

Относительная сила в промышленных металлах указывает на улучшение дел в экономике. С учетом того, что рынок акций выигрывает от роста экономики, отношение промышленных металлов к драгоценным можно использовать для выявления настроения на рынке акций.

Как трактовать данные метрики?

Трактовать данные метрики мы можем так. На рынке есть аппетит к риску, когда:

  1. Акции компаний малой капитализации превосходят акции крупных эмитентов и IWM:SPY растет.
  2. Акции превосходят в динамике казначейские облигации и SPY:TLT растет.
  3. Промышленные металлы опережают драгоценные и DBB:DBP растет.

Как проверить данные метрики?

Для того чтобы проверить данные метрики, нам нужны графики. С ними нам поможет сайт Stockcharts.com. На нем мы будем последовательно вводить в поиск наши тикеры, например, IWM:SPY (да, это один тикер, несмотря на то, что он состоит из двух активов) и проверять их динамику на графике. Либо мы можем поступить хитрее и нанести все три тикера на один график. Готовый график я привела ниже.

График динамики IWM:SPY; SPY:TLT; DBB:DBP для проверки наличия на рынке аппетита к риску.

Живая версия графика здесь. Вы можете сохранить этот график себе в шаблоны или построить его самостоятельно. Как это сделать, читайте здесь.

Анализ графика

На графике видно, что в ноябре на рынке акций произошел резкий скачок аппетита к риску. На это указывает резкий подъем линий относительной силы IWM:SPY, SPY:TLT, DBB:DBP. Такой всплеск был связан с тем, что в США прошли выборы и на рынок пришла определенность.

Готовность к риску стала триггером для ралли на рынке. Это ралли продолжается по сегодняшний день (23.02.17), но с одним отличием (взгляните на график и попробуйте его найти). Вы правы: с начала 2017 года на графике появилось расхождение IWM:SPY с динамикой рынка (SPY). А любое расхождение для нас — это сигнал, чтобы быть осторожней.

Данная дивергенция говорит о том, что текущий рост рынка не поддерживается «малышами»: деньги текут в основном в «крупняк» (акции из S&P 500), а не в малые компании. А это значит: на рынке растут защитные настроения. Оно и понятно: уже так давно растем, что в любой момент может случиться коррекция, и инвесторы предпочитают встретить ее в менее волатильных «голубых фишках».

При этом рост коэффициентов относительной силы SPY:TLT, DBB:DBP указывает на наличие ожиданий повышения инфляции и улучшения в экономике. А в таких условиях рынок акций остается наиболее выгодной альтернативой (и если вы еще не там, то мои Азбука инвестора и Практикумы вам в помощь).

Еще один способ

Еще один способ узнать состояние рынка — зайти на сайт Trades.Mindspace.ru (авторизация не требуется). На нем в конце каждой недели я публикую значение статуса рынка и индикаторов настроения рынка. Как их оценивать, я пишу здесь.

И по традиции вопрос к вам: А как вы анализируете рынок? Какие метрики используете? На какие индикаторы смотрите? Напишите в комментариях ниже.

Источник: https://mindspace.ru/32328-3-metriki-dlya-izmereniya-riska-na-rynke/

Метрики eCommerce, которые вы должны уметь считать

Большинство успешных предпринимателей легко ответят на вопрос о делах в их компании. Более того, они могут подкрепить свой ответ конкретными цифрами. В конце концов, только опираясь на данные, вы можете понять, где сегодня находится ваш интернет-магазин и что надо сделать завтра, чтобы добиться еще лучших результатов.

Вопрос в том, как получить эти цифры: что необходимо измерять и как правильно производить расчёты? Именно об этом мы поговорим дальше.

Аналогичную статью мы писали для SaaS-сервисов. Так что если у вас SaaS, смело переходите по этой ссылке, читайте и начинайте считать.

В чём разница между метриками и kpi?

KPI (Key Performance Indicator, Ключевой показатель Эффективности) — это метрика (одна или несколько), которая полностью зависит от целей компании и показывает, двигается бизнес к этим целям или нет.

Не все метрики KPI, но все KPI — метрики.

Метрик достаточно много, и главный секрет в том, чтобы разобраться, какие из них имеют значение и для чего.

Все клиенты интернет-магазинов обычно проходят по одной и той же схеме, которая выглядит приблизительно так:

Давайте рассмотрим метрики, которые помогут лучше понять, что делают клиенты на каждом из этих шагов.

Привлечение

1. Стоимость привлечения (Cost per Acquisition, CPA)

Это та сумма, которую вы тратите на привлечение каждого нового пользователя с помощью конкретной рекламной кампании.

Посчитать CPA легко. Разделите стоимость кампании на количество новых заказов.

CPA особо важен, когда у вас есть информация о жизненном цикле пользователя (о нём мы скажем позже). Даже если рекламная кампания с первого взгляда кажется неудачной, но вы знаете, что покупатели потратят больше денег при втором и последующем заказах, вы можете позволить себе такую рекламу и получить выгоду в будущем.

2. Цена за клик (Cost Per Click, CPC)

Это те деньги, которые вы платите за один клик на любой рекламной платформе в интернете. Чтобы его посчитать, разделите стоимость рекламной кампании на число кликов.

Если вы уже посчитали степень конверсии (CR) и среднюю стоимость заказа (AOV), то CPC может дать представление о целесообразности вложения денег в тот или иной рекламный канал.

3. Цена за показ (Cost Per Impressions, CPM)

В основном считается цена за тысячу показов. Также широко применяется в рекламных платформах. В некоторых случаях вы можете предпочесть выбрать модель CPM вместо CPC, если платить за тысячу показов будет выгоднее, чем за каждый клик.

4. Выручка за клик (Revenue Per Click, RPC)

RPC показывает сумму, которую вы получаете с одного клика по вашей рекламе. Он выражается как отношение всей выручки от кампании на общее число кликов в кампании.

Сам по себе этот показатель не слишком важен. Но сравнивая его с CPC, вы можете понять, как соотносятся затраты и выручка с одного клика.

Например, если с виду кампания прошла удачно, но RPC совсем немного превышает CPC, стоит задуматься: похоже, эта кампания приносит вам не так уж много денег и может быть улучшена.

Лидогенерация: вовлечение и удержание

5. Степень конверсии (Conversion Rate, CR)

Как только на вашем сайте появится трафик, вы должны посмотреть, сколько посетителей покупают. Именно это показывает конверсия.

До момента покупки пользователь проходит определённые шаги (так называемую воронку продаж). Самый простой путь выглядит так:

  • Зайти на сайт;
  • Посмотреть товар;
  • Добавить товар в корзину;
  • Завершить покупку.

Люди покидают сайт на разных ступенях этой воронки. Процент пользователей, который переходит от одного шага к другому, и будет показателем конверсии. Для интернет-магазинов может быть интереснее конверсия в обобщённом виде, т.е.

процент посетителей сайта, которые завершили покупку. Если 2 из 100 посетителей вашего сайта совершили покупку, то ваша конверсия составляет 2%.

Рассмотрение конверсии отдельных шагов помогает найти узкие места на сайте и понять, почему пользователи уходят.

Естественно, чем выше этот показатель, тем лучше. Средняя конверсия интернет-магазина в покупку 3%. Все маркетологи стремятся увеличить конверсию, чтобы извлекать максимум пользы из входящего трафика и не сливать рекламный бюджет.

Как повысить этот показатель:

  • Сделайте так, чтобы ваши клиенты могли легко найти на сайте то, что они ищут.
  • Постарайтесь, чтобы ваши продукты выглядели привлекательно. Используйте эмоциональные тексты и качественные фотографии.
  • Упростите процесс регистрации на сайте и покупки.
  • Используйте подсказки в чате или в виде всплывающих окон, чтобы направить клиента к необходимому действию.

6. Брошенные корзины (Shopping Cart Abandonment)

Когда ваша конверсия невысокая, необходимо понимать, сколько пользователей было готово купить. Чтобы это определить, посмотрите на количество брошенных корзин.

Эта метрика показывает процент посетителей, которые добавили товары в корзину, но не завершили процесс покупки. Чем ниже процент брошенных корзин, тем лучше.

Чаще всего, если пользователь что-то добавил в корзину, он собирался это купить. Если он ушёл без покупки то вы потеряли потенциального покупателя. Особенно плохо, если вы потратили много денег на привлечение этих пользователей.

У нас в Carrot Quest есть разработанные методики по “борьбе” с брошенными корзинами. Например, вот кейс от 21Shop, где с помощью писем о брошенной корзине мы заработали 44 000 рублей, а поп-ап при уходе с сайта принёс еще 405 000 рублей. Всего два сообщения, а какой результат.

Как понизить этот показатель:

  • Упростите процесс покупки: не прячьте кнопку “купить” и не создавайте трудности в виде ненужных шагов.
  • Напомните пользователям о товарах, лежащих в их корзинах с помощью поп-апов или писем на почту.
  • Предложите скидку, если пользователь долго не покупает.

Покупка

7. Средняя стоимость заказа (Average Order Value, AOV)

Отслеживайте, сколько денег приносит каждый заказ, чтобы понять, сколько выручки вы получили. По сути, это средний чек.

Тут всё просто: AOV равен 100 тысячам рублей, если вы выручили 400 тысяч с 4 заказов.

Измеряя этот показатель, вы можете оценить, сколько можете выручить из вашего трафика с учётом конверсии. Способность предсказывать выручку — большое дело для любого бизнеса.

Если большинство ваших заказов очень маленькие, это значит, что вам нужно привлекать намного больше покупателей, чтобы достичь своей цели.

Лучше иметь хотя бы немного заказов с высокой стоимостью, чтобы ваша средняя выручка была побольше.

Как повысить этот показатель:

  • Изучите поведение пользователей на вашем сайте и предложите им подходящие товары. Самый простой способ — показать товары из той же категории или из раздела “с этим товаром обычно покупают”.
  • Предложите рассрочку платежа или просто разные варианты оплаты. Так покупатель почувствует себя свободнее, и сможет добавить дополнительных товаров в корзину.

8. Цена продажи (Cost Of Sale, COS)

Это отношение между тем, сколько вы тратите и сколько получаете.

Чтобы посчитать COS, разделите стоимость рекламной кампании на общую выручку. Например, если вы потратили 500 рублей на рекламу, а выручили 1000, то ваш COS 50%.

В каждой отрасли будет своя величина COS, в основном зависящая от LTV индустрии.

Возвращение

9. Customer Lifetime Value (LTV)

LTV показывает общий объём денег, которые тратит покупатель в интернет-магазине за всё время.

Почему этот показатель имеет значение? В основном, потому что вы должны зарабатывать на своих клиентах больше, чем тратите на их привлечение. Другими словами, если привлечь пользователя стоило вам 100 рублей, то вам необходимо вернуть хотя бы эти 100 рублей.

Есть разные методы подсчёта жизненного цикла клиента. Мы приведём самый основной. Чтобы вычислить LTV, необходимо перемножить среднюю стоимость заказа (AOV), количество повторных продаж и среднее время, в течение которого пользователь возвращается на сайт.

В качестве примера представим, что каждый ваш пользователь в среднем тратит 555 рублей и возвращается в среднем 3 раза в году. Вы планируете удерживать этих клиентов в течение двух лет. Тогда ваш LTV=555*3*2=3330 рублей.

Как повысить этот показатель:

  • Попробуйте увеличить AOV (среднюю стоимость заказа).
  • Введите систему лояльности: предложите скидку тем, кто покупал у вас несколько раз.
  • Подталкивайте пользователей возвращаться и покупать повторно. В этом вам так же помогут письма с напоминаниями, системы лояльности и промо-акции.
  • Помните, что стоимость привлечения клиента не должна быть выше прибыли, которую он вам принесёт.

10. Отток (Churn)

Если ваш LTV низкий, может получиться так, что большинство ваших пользователей покупают один раз и больше никогда не возвращаются. Это называется отток.

Отток — это процент пользователей, которые не возвращаются на сайт. Чем он ниже, тем лучше.

Мы уже подробно писали про отток и отрицательный отток в нашем блоге. Почитайте, там интересно.

Как понизить этот показатель:

  • Делайте ваших клиентов счастливыми, чтобы они хотели возвращаться.
  • Оказывайте качественную поддержку.
  • Анализируйте своих клиентов. Чем лучше вы их поймёте, тем качественнее будут ваши предложения.

Как мы видели, чтобы обеспечить высокий доход, очень важно влиять на пользователей и заставлять их возвращаться и покупать снова. Хорошо известно, что повторные продажи всегда дешевле для магазина, чем привлечение новых покупателей.

Идеальный покупатель — это тот, затраты на привлечение которого (CAC) низкие, а он снова и снова возвращается, чтобы покупать у вас.

Мы готовим материал о 10 лучших сценариях для интернет-магазинов. Там мы подробно разберём, как работать с брошенными корзинами, как повышать конверсию в каждый шаг и как удержать и вернуть клиентов на сайт. Сделайте домашнее задание: посчитайте метрики, чтобы понять, над чем стоит работать в первую очередь, а к тому времени материал уже будет готов. Следите за нашими новостями;)

С удовольствием, Carrot quest.

Источник: https://www.carrotquest.io/blog/metriki-ecommerce/

Метрики в задачах машинного обучения

Привет, Хабр!

В задачах машинного обучения для оценки качества моделей и сравнения различных алгоритмов используются метрики, а их выбор и анализ — непременная часть работы датасатаниста.

В этой статье мы рассмотрим некоторые критерии качества в задачах классификации, обсудим, что является важным при выборе метрики и что может пойти не так.

Для демонстрации полезных функций sklearn и наглядного представления метрик мы будем использовать датасет по оттоку клиентов телеком-оператора.

Загрузим необходимые библиотеки и посмотрим на данныеimport pandas as pd
import matplotlib.pyplot as plt
from matplotlib.pylab import rc, plot
import seaborn as sns
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.metrics import precision_recall_curve, classification_report
from sklearn.model_selection import train_test_split df = pd.read_csv('../../data/telecom_churn.csv')

df.head(5)

Предобработка данных# Сделаем маппинг бинарных колонок # и закодируем dummy-кодированием штат (для простоты, лучше не делать так для деревянных моделей) d = {'Yes' : 1, 'No' : 0} df['International plan'] = df['International plan'].map(d)
df['Voice mail plan'] = df['Voice mail plan'].map(d)
df['Churn'] = df['Churn'].astype('int64') le = LabelEncoder()
df['State'] = le.fit_transform(df['State']) ohe = OneHotEncoder(sparse=False) encoded_state = ohe.fit_transform(df['State'].values.reshape(-1, 1))
tmp = pd.DataFrame(encoded_state, columns=['state ' + str(i) for i in range(encoded_state.shape[1])])
df = pd.concat([df, tmp], axis=1)

Accuracy, precision и recall

Перед переходом к самим метрикам необходимо ввести важную концепцию для описания этих метрик в терминах ошибок классификации — confusion matrix (матрица ошибок).
Допустим, что у нас есть два класса и алгоритм, предсказывающий принадлежность каждого объекта одному из классов, тогда матрица ошибок классификации будет выглядеть следующим образом:

True Positive (TP) False Positive (FP)
False Negative (FN) True Negative (TN)

Здесь — это ответ алгоритма на объекте, а — истинная метка класса на этом объекте.
Таким образом, ошибки классификации бывают двух видов: False Negative (FN) и False Positive (FP).

Обучение алгоритма и построение матрицы ошибокX = df.drop('Churn', axis=1)
y = df['Churn'] # Делим выборку на train и test, все метрики будем оценивать на тестовом датасете X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, test_size=0.33, random_state=42) # Обучаем ставшую родной логистическую регрессию lr = LogisticRegression(random_state=42)
lr.fit(X_train, y_train) # Воспользуемся функцией построения матрицы ошибок из документации sklearn def plot_confusion_matrix(cm, classes, normalize=False, title='Confusion matrix', cmap=plt.cm.Blues): «»» This function prints and plots the confusion matrix. Normalization can be applied by setting `normalize=True`. «»» plt.imshow(cm, interpolation='nearest', cmap=cmap) plt.title(title) plt.colorbar() tick_marks = np.arange(len(classes)) plt.xticks(tick_marks, classes, rotation=45) plt.yticks(tick_marks, classes) if normalize: cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis] print(«Normalized confusion matrix») else: print('Confusion matrix, without normalization') print(cm) thresh = cm.max() / 2. for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])): plt.text(j, i, cm[i, j], horizontalalignment=»center», color=»white» if cm[i, j] > thresh else «black») plt.tight_layout() plt.ylabel('True label') plt.xlabel('Predicted label') font = {'size' : 15} plt.rc('font', **font) cnf_matrix = confusion_matrix(y_test, lr.predict(X_test))
plt.figure(figsize=(10, 8))
plot_confusion_matrix(cnf_matrix, classes=['Non-churned', 'Churned'], title='Confusion matrix')
plt.savefig(«conf_matrix.png»)
plt.show()

Accuracy

Интуитивно понятной, очевидной и почти неиспользуемой метрикой является accuracy — доля правильных ответов алгоритма:

Эта метрика бесполезна в задачах с неравными классами, и это легко показать на примере.

Допустим, мы хотим оценить работу спам-фильтра почты. У нас есть 100 не-спам писем, 90 из которых наш классификатор определил верно (True Negative = 90, False Positive = 10), и 10 спам-писем, 5 из которых классификатор также определил верно (True Positive = 5, False Negative = 5).
Тогда accuracy:

Однако если мы просто будем предсказывать все письма как не-спам, то получим более высокую accuracy:

При этом, наша модель совершенно не обладает никакой предсказательной силой, так как изначально мы хотели определять письма со спамом. Преодолеть это нам поможет переход с общей для всех классов метрики к отдельным показателям качества классов.

Precision, recall и F-мера

Для оценки качества работы алгоритма на каждом из классов по отдельности введем метрики precision (точность) и recall (полнота).

Precision можно интерпретировать как долю объектов, названных классификатором положительными и при этом действительно являющимися положительными, а recall показывает, какую долю объектов положительного класса из всех объектов положительного класса нашел алгоритм.

Именно введение precision не позволяет нам записывать все объекты в один класс, так как в этом случае мы получаем рост уровня False Positive. Recall демонстрирует способность алгоритма обнаруживать данный класс вообще, а precision — способность отличать этот класс от других классов.

Как мы отмечали ранее, ошибки классификации бывают двух видов: False Positive и False Negative. В статистике первый вид ошибок называют ошибкой I-го рода, а второй — ошибкой II-го рода.

В нашей задаче по определению оттока абонентов, ошибкой первого рода будет принятие лояльного абонента за уходящего, так как наша нулевая гипотеза состоит в том, что никто из абонентов не уходит, а мы эту гипотезу отвергаем.

Соответственно, ошибкой второго рода будет являться «пропуск» уходящего абонента и ошибочное принятие нулевой гипотезы.

Precision и recall не зависят, в отличие от accuracy, от соотношения классов и потому применимы в условиях несбалансированных выборок. Часто в реальной практике стоит задача найти оптимальный (для заказчика) баланс между этими двумя метриками. Классическим примером является задача определения оттока клиентов.

Очевидно, что мы не можем находить всех уходящих в отток клиентов и только их. Но, определив стратегию и ресурс для удержания клиентов, мы можем подобрать нужные пороги по precision и recall. Например, можно сосредоточиться на удержании только высокодоходных клиентов или тех, кто уйдет с большей вероятностью, так как мы ограничены в ресурсах колл-центра.

Обычно при оптимизации гиперпараметров алгоритма (например, в случае перебора по сетке GridSearchCV ) используется одна метрика, улучшение которой мы и ожидаем увидеть на тестовой выборке.
Существует несколько различных способов объединить precision и recall в агрегированный критерий качества. F-мера (в общем случае ) — среднее гармоническое precision и recall :

в данном случае определяет вес точности в метрике, и при это среднее гармоническое (с множителем 2, чтобы в случае precision = 1 и recall = 1 иметь ) F-мера достигает максимума при полноте и точности, равными единице, и близка к нулю, если один из аргументов близок к нулю.

В sklearn есть удобная функция _metrics.classificationreport, возвращающая recall, precision и F-меру для каждого из классов, а также количество экземпляров каждого класса.

report = classification_report(y_test, lr.predict(X_test), target_names=['Non-churned', 'Churned'])
print(report)

classprecisionrecallf1-scoresupport
Non-churned 0.88 0.97 0.93 941
Churned 0.60 0.25 0.35 159
avg / total 0.84 0.87 0.84 1100

Здесь необходимо отметить, что в случае задач с несбалансированными классами, которые превалируют в реальной практике, часто приходится прибегать к техникам искусственной модификации датасета для выравнивания соотношения классов. Их существует много, и мы не будем их касаться, здесь можно посмотреть некоторые методы и выбрать подходящий для вашей задачи.

AUC-ROC и AUC-PR

При конвертации вещественного ответа алгоритма (как правило, вероятности принадлежности к классу, отдельно см. SVM) в бинарную метку, мы должны выбрать какой-либо порог, при котором 0 становится 1. Естественным и близким кажется порог, равный 0.5, но он не всегда оказывается оптимальным, например, при вышеупомянутом отсутствии баланса классов.

Одним из способов оценить модель в целом, не привязываясь к конкретному порогу, является AUC-ROC (или ROC AUC) — площадь (Area Under Curve) под кривой ошибок (Receiver Operating Characteristic curve ). Данная кривая представляет из себя линию от (0,0) до (1,1) в координатах True Positive Rate (TPR) и False Positive Rate (FPR):

TPR нам уже известна, это полнота, а FPR показывает, какую долю из объектов negative класса алгоритм предсказал неверно. В идеальном случае, когда классификатор не делает ошибок (FPR = 0, TPR = 1) мы получим площадь под кривой, равную единице; в противном случае, когда классификатор случайно выдает вероятности классов, AUC-ROC будет стремиться к 0.

5, так как классификатор будет выдавать одинаковое количество TP и FP.
Каждая точка на графике соответствует выбору некоторого порога.

Площадь под кривой в данном случае показывает качество алгоритма (больше — лучше), кроме этого, важной является крутизна самой кривой — мы хотим максимизировать TPR, минимизируя FPR, а значит, наша кривая в идеале должна стремиться к точке (0,1).

Код отрисовки ROC-кривойsns.set(font_scale=1.5)
sns.set_color_codes(«muted») plt.figure(figsize=(10, 8))
fpr, tpr, thresholds = roc_curve(y_test, lr.predict_proba(X_test)[:,1], pos_label=1)
lw = 2
plt.plot(fpr, tpr, lw=lw, label='ROC curve ')
plt.plot([0, 1], [0, 1])
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC curve')
plt.savefig(«ROC.png»)
plt.show()

Критерий AUC-ROC устойчив к несбалансированным классам (спойлер: увы, не всё так однозначно) и может быть интерпретирован как вероятность того, что случайно выбранный positive объект будет проранжирован классификатором выше (будет иметь более высокую вероятность быть positive), чем случайно выбранный negative объект.

Рассмотрим следующую задачу: нам необходимо выбрать 100 релевантных документов из 1 миллиона документов. Мы намашинлернили два алгоритма:

  • Алгоритм 1 возвращает 100 документов, 90 из которых релевантны. Таким образом,

  • Алгоритм 2 возвращает 2000 документов, 90 из которых релевантны. Таким образом,

Скорее всего, мы бы выбрали первый алгоритм, который выдает очень мало False Positive на фоне своего конкурента. Но разница в False Positive Rate между этими двумя алгоритмами крайне мала — всего 0.0019.

Это является следствием того, что AUC-ROC измеряет долю False Positive относительно True Negative и в задачах, где нам не так важен второй (больший) класс, может давать не совсем адекватную картину при сравнении алгоритмов.

Для того чтобы поправить положение, вернемся к полноте и точности :

Здесь уже заметна существенная разница между двумя алгоритмами — 0.855 в точности!

Precision и recall также используют для построения кривой и, аналогично AUC-ROC, находят площадь под ней.

Здесь можно отметить, что на маленьких датасетах площадь под PR-кривой может быть чересчур оптимистична, потому как вычисляется по методу трапеций, но обычно в таких задачах данных достаточно. За подробностями о взаимоотношениях AUC-ROC и AUC-PR можно обратиться сюда.

Logistic Loss

Особняком стоит логистическая функция потерь, определяемая как:

здесь — это ответ алгоритма на -ом объекте, — истинная метка класса на -ом объекте, а размер выборки.

Подробно про математическую интерпретацию логистической функции потерь уже написано в рамках поста про линейные модели.
Данная метрика нечасто выступает в бизнес-требованиях, но часто — в задачах на kaggle.

Интуитивно можно представить минимизацию logloss как задачу максимизации accuracy путем штрафа за неверные предсказания.

Однако необходимо отметить, что logloss крайне сильно штрафует за уверенность классификатора в неверном ответе.

Рассмотрим пример:

def logloss_crutch(y_true, y_pred, eps=1e-15): return — (y_true * np.log(y_pred) + (1 — y_true) * np.log(1 — y_pred)) print('Logloss при неуверенной классификации %f' % logloss_crutch(1, 0.5))
>> Logloss при неуверенной классификации 0.693147 print('Logloss при уверенной классификации и верном ответе %f' % logloss_crutch(1, 0.9))
>> Logloss при уверенной классификации и верном ответе 0.105361 print('Logloss при уверенной классификации и НЕверном ответе %f' % logloss_crutch(1, 0.1))
>> Logloss при уверенной классификации и НЕверном ответе 2.302585

Отметим, как драматически выросла logloss при неверном ответе и уверенной классификации! Следовательно, ошибка на одном объекте может дать существенное ухудшение общей ошибки на выборке. Такие объекты часто бывают выбросами, которые нужно не забывать фильтровать или рассматривать отдельно.

Всё становится на свои места, если нарисовать график logloss:

Видно, что чем ближе к нулю ответ алгоритма при ground truth = 1, тем выше значение ошибки и круче растёт кривая.

Подытожим:

  • В случае многоклассовой классификации нужно внимательно следить за метриками каждого из классов и следовать логике решения задачи, а не оптимизации метрики
  • В случае неравных классов нужно подбирать баланс классов для обучения и метрику, которая будет корректно отражать качество классификации
  • Выбор метрики нужно делать с фокусом на предметную область, предварительно обрабатывая данные и, возможно, сегментируя (как в случае с делением на богатых и бедных клиентов)

Полезные ссылки

  1. Курс Евгения Соколова: Семинар по выбору моделей (там есть информация по метрикам задач регрессии)
  2. Задачки на AUC-ROC от А.Г.

    Дьяконова

  3. Дополнительно о других метриках можно почитать на kaggle.

    К описанию каждой метрики добавлена ссылка на соревнования, где она использовалась

  4. Презентация Богдана Мельника aka ld86 про обучение на несбалансированных выборках

Благодарности

Спасибо mephistopheies и madrugado за помощь в подготовке статьи.

Источник: https://habr.com/company/ods/blog/328372/

CoinMarketCap — официальный сайт рейтинга криптовалют КоинМаркетКап (Cryptocurrency Market Capitalizations)

Здравствуйте, уважаемые читатели блога KtoNaNovenkogo.ru. Сейчас многие стараются не отстать от поезда и успеть сорвать куш на трейдинге криптовалют. Очень трудно удержаться от соблазнов, когда видишь как бешено растет курс некоторых альткоинов, а вы при этом остались не у дел.

Другое дело, что рынок этот очень переменчивый и число криптовалют (что это?) участвующих в нем измеряется уже тысячами. Как не потеряться во всем этом многоообразии? Как выбрать ту самую монету, которая сделает вас богатым? Как понять, когда стоит в нее вложиться? Так сразу и не ответишь.

Но зато на просторах сети есть такой замечательный сайт, который в рунете называют КоинМаркетКап (от английского Cryptocurrency Market Capitalizations, хотя сейчас сервис уже полностью переведен на русский), который собирает информацию со всех криптобирж и выдает ее в очень удобном для анализа виде.

Причем этот сервис заточен именно под новичков, так что разобраться с ним не составит труда, а я со своей стороны по мере сил постараюсь вам в этом посодействовать.

Рейтинг криптовалют от КоинМаркетКап (на русском)

На сервисе CoinMarketCap представлены практически все существующие в мире криптовалюты (построенные на принципе блокчейна и имеющие открытый исходный код), которые торгуются хотя бы на одной из криптовалютных бирж.

По сути, это рейтинг, в котором криптовалюты выстроены в порядке убывания их общей капитализации (она отображается в столбце 'Market Cap'.

Ой, что это я? Ведь официальный сайт КоинМаркетКап уже давно переведен на русский язык, который можно выбрать в правом верхнем углу.

Там же можно задать и валюту, в которой вам предпочтительнее смотреть капитализацию, курсы и все прочие цифры в этом рейтинге.

Ну, и раз уж смотрите вверх, то не примените оценить суммарную капитализацию всех криптовалют входящих в рейтинг, объемы торгов за последние сутки (на всех биржах) и долю капитализации биткоина по отношению к капитализации всех остальных альткоинов (всех остальных криптовалют). Помню время, когда доля биткоинов была более 90%, а сейчас только треть.

Давайте быстро пробежимся по столбцам таблицы Cryptocurrency Market Capitalizations (Капитализации Криптовалютного Рынка):

  1. Первые два столбца — название и символ криптовалюты понятны и без пояснений.
  2. Далее идет капитализация. Как она высчитывается? Очень просто. Берется число уже выпущенных монет (или токенов) и умножается на текущую стоимость одной монеты. Таким образом капитализация растет с ростом курса и с ростом числа выпущенных момент.
  3. Цена и объем — соответственно, стоимость одной монеты и объемы торгов проводимых с этим альткоином на всех криптовалютных биржах. Если кликнуть по интересной вам строке, то можно будет детально посмотреть на каких именно биржах торгуется эта криптовалюта (в порядке убывания объемов). Это, кстати, очень может помочь понять, когда будут наибольшие движения по курсу этого альткоина, чтобы не упустить момент для торговли. Подробнее об этом смотрите в видео внизу статьи.
  4. Предложения — число уже выпущенных (добытых) монет. Если рядом с цифрой стоит звездочка, то значит, что эта криптовалюта не требует майнинга (недобываемая).
  5. Ну, и конце таблицы на сайте CoinMarketCap вы увидите процентное изменение курса за последние сутки (зеленый — рост, красный — падение) и график, схематично отображающий динамику курса на последнюю неделю. Подробный график можно посмотреть, кликнув по этому мини-графику или по названию интересующей вас криптовалюты.

Все криптовалюты в CoinMarketCap одним списком — что это дает?

Если из выпадающего меню над таблицей нажать на кнопку 'Все' и выбрать пункт 'Полный список', то вы увидите такую вот картину:

Что тут примечательного:

  1. Во-первых, можно узнать общее количество альткоинов, включенных в список Cryptocurrency Market Capitalizations (сейчас их чуть более полутора тысяч).
  2. Во-вторых, изменится правая часть таблицы — вместо графика изменения курса появятся три строки с отображением движения курса данной криптовалюты за неделю, сутки и последний час. Некоторые опытные трейдеры, просто глядя на эти цифры, могут принять решение о том, проявлять ли к этому альткоину интерес или нет. Подробнее про это смотрите в ролике приведенном внизу этой публикации.
  3. С помощью верхних трех фильтров можно будет сделать выборку из всего списка по нужному вам диапазону капитализации, цены за монету и объема торгов.
  4. Плюс к этому, можно разделить весь список на монеты (коины) и токены (что это такое?) (они в отличии от обычных криптовалют появляются в результате проведения ICO). Соответствующие кнопки так же находятся над таблицей правее кнопки 'Все'. Монеты, как вы знаете, работают на той или иной вариации технологии блокчейн (что это такое?) и в большинстве случаев требуют майнинга, т.е добычи новых единиц. Токены же выпускаются сразу определенным тиражом и не требуют майнинга, но они не имеют своей платформы и базируются обычно на системы какой-то криптовалюты (чаще всего эфириума).

Инструменты на официальном сайте coinmarketcap.com

Чуть ниже мы посмотрим, какую информацию выдает этот замечательный сервис при анализе каждого отдельного альткоина (при клике по его названию в общем рейтинге или еще где-либо), но прежде хочу пробежаться по другим возможностям КоинМаркетКап, которые могут оказаться вам весьма полезны.

Растущие, падающие и новые криптовалюты в рейтинге CoinMarketCap

Тенденции — эта вкладка из верхнего меню КоинМаркетКап позволяет посмотреть на рейтинг самых успешных (показавших наибольший рост курса) и самых неудачных (максимально упавших в цене) криптовалют.

Чтобы увидеть список лузеров, просто прокрутите страницу чутка вниз. Можно сформировать такой рейтинг как за сутки, так и за последнюю неделю. Ну, и так же тут можно увидеть список новых альткоинов, только появившихся на крипторынке.

Глобальные графики

Находится пункт 'Глобальные графики' внутри пункта 'Инструменты' из верхнего меню. Тут приведена динамика изменения общей капитализации криптовалютного рынка (с и без биткоина).

Но самый интересный, на мой взгляд, это самый нижний график под названием 'Процент от Общей Рыночной Капитализации (Преобладание)':

На нижней полоске можно с помощью ползунков выбрать нужный вам временной диапазон и вы увидите, как относительно друг друга менялась капитализация самых популярных на данный момент криптовалют.

Ту наглядно можно увидеть, когда пользователи уходили из Биткоина в Топовые альткоины, а когда возвращались опять в биткоин.

Ненужные для сравнения альткоины можно отключать простым кликом по их названию под этим графиком.

Улавливая эти тенденции можно идти в ногу с рынком, но об этом уже смотрите в размещенном ниже видеоролике.

Виджеты от КоинМаркетКап для вашего сайта

Если аудитория вашего сайта, форума или блога состоит по большей части из тех, кого интересует тематика криптовалют, то будет уместно настроить и установить сквозные виджеты от CoinMarketCap (живут внутри вкладки 'Инструменты' из верхнего меню) с курсами и другими важными параметрами, которые будут отображать текущую ситуацию на рынке.

Они довольно гибко настраиваются и могут быть легко вписаны в любой дизайн сайта. Выглядеть все это безобразие может примерно так (я разрешил виджетам растечься по всей ширине страницы).

Объемы торгов по биржам и валютам на КоинМаркетКап

Вкладка верхнего меню 'Объемы торгов' позволяет посмотреть:

Информация о каждой криптовалюте в Coinmarketcap.com

Если вы кликните по названию любой криптовалюты (биткоину, альткоину или токену) на любой странице этого рейтинга, то сможете лицезреть сводную информацию по этому коину или токену. Кое-что тут повторяется из таблицы сводного рейтинга, но есть и масса полезных и интересных вещей, которые можно использовать при знакомстве с этой валютой и при изучении ее инвестиционного потенциала.

В верхней части вы сможете найти ссылку на официальный сайт этой криптовалюты, а так же на те ресурсы (их обзывают словом 'проводник'), где можно будет проверить прохождение платежей (транзакций) и узнать массу другой полезной информации.

Например, для Биткоина там будет указан сайт Блокчейн.инфо, где можно будет почерпнуть массу полезной информации и в том числе завести криптокошелек. Тут же можно будет посмотреть, сколько уже монет было добыто и сколько вообще планируется добыть.

Чуть ниже вы найдете график с динамикой изменения курса этой криптовалюты.

Под основным графиком так же отображается вспомогательный график с объемами торгов за последние сутки и довольно удобный инструмент для задания промежутка времени, который вас интересует.

Не сказать, чтобы этот график был мечтой трейдера, но кое-что все же тут отследить можно (хотя бы в первом приближении).

Как узнать с помощью CoinMarketCap, когда лучше торговать данной криптовалютой

Очень интересной, на мой взгляд, является вкладка 'Рынки', ибо она позволяет понять в каком именно регионе земли больше всего торгуется эта монета (по принадлежности бирж стоящих вверху списка) и скоректировать время своей активности со временем активности этой (основной) аудитории.

Ну, и на вкладке 'Инструменты' вы можете получить виджер с основными показатели по данному коину или токену, который затем сможете вставить у себя на сайте для оперативного информирования своих посетителей.

3 лайфхака использования КоинМаркетКап для трединга

Если подытоживать, то можно назвать сервис CoinMarketCap весьма полезным, но довольно общим. Например, для выбора криптовалюты для инвестиций лучше, на мой взгляд, подойдет CoinGecko. Но и у нашего сегодняшнего героя есть масса полезных инструментов, позволяющих сориентироваться в таком быстро меняющемся мире криптовалют.

Например, в этом ролике говорится как раз о таких фишках, которые вполне можно использовать для увеличения своего благосостояния:

Удачи вам! До скорых встреч на страницах блога KtoNaNovenkogo.ru

* Нажимая на кнопку «Подписаться» Вы соглашаетесь с политикой конфиденциальности.

Подборки по теме

Использую для заработка

Источник: https://KtoNaNovenkogo.ru/web-obzory/coinmarketcap-cryptocurrency-market-capitalizations-oficialnyj-sajt-rejtinga-kriptovalyut-koinmarketkap.html

Продвинутые метрики для анализа контекстной рекламы: производные от прогноза конверсии

В мы рассказали про нестандартные метрики для оценки эффективности рекламных кампаний в системах контекстной рекламы. Эта часть про метрики на основе прогноза конверсии и выявления проблем со ставками.

Прогноз коэффициента конверсии

Общее правило эффективной контекстной рекламы — ставки должны быть пропорциональны конверсии. Мало ключевых слов имеют достаточное количество кликов для достоверной статистики.

Для низкочастотных запросов расчет конверсии в лоб будет чреват проблемами. Для большинства фраз в статистике по одному-двум кликам и коэффициент конверсии равен нулю.

А если один клик и одна транзакция, равен 100%.

Для низкочастотных фраз нужно прогнозировать конверсию. Инструменты для прогнозирования:

— сторонние оптимизаторы конверсии. На основе собственных алгоритмов они прогнозируют конверсию и управляют ставками.

— машинное обучение. На , в бонусных уроках, мы рассказываем, как можно прогнозировать конверсию, используя дерево решений bigml.com.

— метод статистического пуллинга, описанный Андреем Белоусовым. Подробнее в статье на .

Герой прошлой статьи Петя использует метод Андрея Белоусова и прогнозирует конверсию в Excel. Рассмотрим метрики, которые ему помогут.

CR_прогноз

Прогноз коэффициента конверсии (CR_прогноз) — прогнозируемая конверсия для сущностей, по которым нет достаточной статистики: кампании с малым количеством кликов, группы объявлений, фразы.

Как рассчитать

Метод статистического пуллинга, описанный Андреем Белоусовым

CR_прогноз = (Конверсии + A) / (Клики + A/M )

где M — показатель конверсии группы, A — число, которое отражает степень сходства ключевых слов в группе.

Для демонстрации и упрощения используем метод «мягкого пуллинга» — приравняем А к 1. Получаем:

CR_прогноз = (Конверсии + 1)/(Клики + 1/M )

Петя рассчитал прогноз конверсии для своих ключевых фраз, и наше ожидание конверсии стало гораздо более адекватным:

Расхождение фактического и прогнозного коэффициента конверсий для запросов с малым количеством кликов

Прогнозная стоимость заказа

Прогнозная стоимость заказа (СРО_прогноз) — прогнозируемая стоимость заказа для сущностей, по которым нет достаточной статистики.

Как рассчитать

CPC фактический (по конкретному ключевому слову) / CR_прогнозный (по конкретному ключевому слову)

Пример использования

Петя спрогнозировал CPO по своим кампаниям и удивился. Он отфильтровал ключевые слова по колонке CPO_прогноз. Оказалось, по многим ключевым словам получился сильно завышенный CPO. По этим фразам нужно снижать ставки, скорее всего, они принесут дорогие заказы.

CPO_прогноз помогает найти фразы, которые работают в убыток

Еще Петя обнаружил, что часть фраз работает очень эффективно. По ним нужно повысить ставки, чтобы получать больше кликов и заказов.

CPO_прогноз помогает найти эффективные фразы, по которым нужно увеличить ставку

Прогнозная стоимость заказа помогает выявить фразы, которые потенциально работают в убыток из-за завышенной стоимости клика в исследуемом периоде. Если мы давно не меняли ставки и выявили большие отклонения метрики CPO_прогнозный, значит нам надо изменять ставки.

Предельный CPO

Предельная стоимость заказа (СРО_предельный) — максимальный CPO, который получится, если будет списываться выставленная в Директе ставка, без снижения (амнистии – про это далее) и конверсия будет соответствовать CR_прогноз.

Как рассчитать

Ставка по ключевому слову / CR_прогноз (по конкретному ключевому слову)

Пример использования

СРО_предельный дополняет метрику СРО_прогноз. Петя отсортировал список от максимального CPO_предельный к минимальному. Он нашел ключевые слова, по которым завышена ставка. Если у фразы высокий CPO_предельный и СРО_прогнозный, нужно понизить ставку или выключить фразу.

Если CPO_предельный ниже CPO_прогнозный, это значит, что ставки уже были понижены от исторического периода.

По фразам, у которых высокий CPO_прогноз и CPO_предельный, нужно снижать ставки. По фразам, скорее всего, будут дорогие конверсии

Целевой CPC

Прогнозная стоимость клика (СРС_целевой) — целевая стоимость клика по ключевому слову, когда мы спрогнозировали для него конверсию, и знаем CPO_целевой.

Как рассчитать

СРО_целевой / CR_прогнозный (по конкретному ключевому слову)

Пример использования

Петя рассчитал CPC_целевой для фраз, по которым нужно снижать ставки. На некоторые фразы ставку нужно снижать в 20 раз или отключать. Эти фразы работают в убыток.

CPO_целевой помогает выставить ставки, чтобы реклама давала прибыль

Коэффициент амнистии

Метрика, подслушанная Максом в Яндексе

Коэффициент амнистии — коэффициент, который показывает, насколько ставка отличается от стоимости клика. Точно рассчитывать метрику можно, зная в какое время какая ставка была установлена.

Еще важно помнить про модификаторы ставок по времени суток. Но исторически установленные ставки в рекламных системах посмотреть, к сожалению, нет возможности.

Поэтому часто приходится пользоваться допущениями, что в конкретный промежуток времени стояла определенная ставка.

Как рассчитать

Ставка / CPC

Петя рассчитал коэффициент амнистии

Как использовать

Коэффициент амнистии помогает рассчитать ставку, чтобы добиться прогнозной стоимости клика.

Средневзвешенный коэффициент амнистии

Средневзвешенный коэффициент амнистии — коэффициент, который показывает, насколько ставка отличается от стоимости клика по всему аккаунту.

Как рассчитать

Коэффициент амнистии по каждому слову * Число кликов по слову / Общее число кликов

Как использовать

Средневзвешенный коэффициент амнистии похож на число Пи. Эта величина показывает, насколько ставка выше, чем фактическая стоимость клика. Пример: Пете нужно получить целевую стоимость клика в 15 рублей. Он рассчитал средневзвешенный коэффициент амнистии по аккаунту — 2,2. Петя может поставить ставку в 2,2 раза больше, чтобы достичь стоимости клика в 15 рублей.

Шаг конверсии по минимальному шагу торгов

Метрика для исследования роста конверсии

Шаг конверсии по минимальному шагу торгов — метрика говорит о том, как у нас должна измениться конверсия, чтобы мы поднялись на один шаг торгов в нашем текущем аукционе.

Как рассчитать

У нас есть целевой CPO, минимальная стоимость клика, минимально рентабельная конверсия из . Увеличим минимальную стоимость клика на 1 рубль и пересчитаем показатели.

При увеличении стоимости клика на 1 рубль минимальная конверсия должна вырасти минимум на 0,2%, иначе реклама будет убыточна

Как использовать

Петя посчитал, насколько должна измениться конверсия, чтобы он увеличил ставку на 1 рубль. Чтобы при этом реклама работала в плюс, прогнозируемая конверсия по ключевому слову должна увеличится на 0,2%.

Далее он смотрит на аккаунт и находит ключевые слова, по которым разница в ставках составляет 5 рублей, но при этом прогнозируемая конверсия различается всего на 0,3%.

Петя сразу понимает, что ставки расставлены некорректно.

Для точного управления ставками по ключевым словам

  1. Прогнозируйте конверсию, например, с помощью оптимизаторов конверсий или метода статистического пуллинга, описанного Андреем Белоусовым.
  2. Рассчитайте прогнозную стоимость заказа. Она поможет выявить фразы, которые работают в убыток, и снизить по ним ставки.
  3. Рассчитайте и примените целевой CPC.
  4. Используйте при назначении ставок коэффициент амнистии, который показывает, насколько ставка отличается от фактической стоимости клика.

Источник: https://www.seonews.ru/analytics/prodvinutye-metriki-dlya-analiza-kontekstnoy-reklamy-proizvodnye-ot-prognoza-konversii/

Ссылка на основную публикацию