Análisis de colecciones de OpenSea: interpreta las definiciones

El análisis de colecciones de OpenSea empieza por las definiciones

Las definiciones de las métricas de análisis de OpenSea deben escribirse en lenguaje sencillo antes de utilizar las cifras. El volumen mide un importe negociado conforme a las reglas de inclusión de la fuente. Un recuento de ventas mide eventos que cumplen una definición. Un precio mínimo mide el menor precio anunciado en la vista pertinente. Un recuento de titulares suele referirse a direcciones o cuentas, no a personas verificadas.

La guía de análisis de colecciones de OpenSea explica las vistas disponibles y señala que el volumen incluye la acuñación. Esto importa siempre que un lector interprete la actividad como prueba de que los titulares existentes pueden revender. La demanda primaria y la secundaria pueden estar relacionadas, pero no son la misma categoría de eventos.

Conserva la definición de la fuente junto con los datos, en lugar de confiar en una etiqueta recordada de otra plataforma o de una interfaz anterior. Un campo llamado volumen puede tener reglas de inclusión diferentes entre vistas. El trabajo de quien analiza consiste en identificar esas reglas antes de tratar un cambio como prueba para una compra, una venta o una comparación más amplia entre colecciones.

Separa una existencia de un flujo

Una existencia describe una cantidad en un momento, como el número de artículos actualmente anunciados. Un flujo describe eventos durante un intervalo, como las ventas de una semana. Comparar una existencia con un flujo puede ser útil, pero solo cuando se indica la relación. Un recuento actual de anuncios no dice cuántos existieron durante todo el intervalo de ventas.

Supongamos que hay 245 artículos con anuncios válidos en el momento de observación y 100 eventos de venta durante la semana anterior. Dividir uno por otro podría utilizarse como una proporción descriptiva aproximada, pero no es automáticamente una predicción del tiempo necesario para vender el inventario anunciado. Pueden llegar nuevos anuncios, algunos artículos pueden venderse repetidamente y la mezcla de artículos anunciados puede diferir de los que eligieron los compradores.

Utiliza las medidas de existencias para describir la disponibilidad actual y las de flujo para describir la actividad observada. Si el propósito es estudiar la rotación del inventario, sigue la misma población a lo largo del tiempo y define los eventos de entrada y salida. Una sola instantánea del panel generalmente no puede reconstruir todos esos cambios por sí sola.

Comprueba el denominador de la oferta

Las comprobaciones de denominadores de una colección de NFT comienzan por la población pertinente para la pregunta. En una colección ficticia se acuñaron 5.000 tokens únicos y se quemaron posteriormente 100, lo que deja 4.900 tokens existentes. Si actualmente están anunciados 245 de ellos, la proporción anunciada de la oferta existente es del 5%.

Utilizar en su lugar el recuento original de 5.000 acuñados produciría un 4,9%. Ningún resultado aritmético es misterioso; cambió el denominador. La elección adecuada depende de si la pregunta se refiere a la emisión original o a los activos que existen actualmente. Indica qué se está midiendo en lugar de pasar de uno a otro sin señalarlo.

Para ediciones y otras representaciones, distingue también los identificadores de tokens de las copias. Un recuento de identificadores únicos puede diferir mucho del número de unidades disponibles. El ejemplo supone artículos únicos para mantener claro el denominador. Aplicar su fórmula a una colección de ediciones exige decidir primero si el análisis se refiere a identificadores, copias, propietarios u órdenes.

Mantén los subconjuntos filtrados dentro de su propia población

Supongamos que 400 de los 4.900 artículos existentes tienen un rasgo concreto y que 40 de ellos están anunciados. La proporción anunciada dentro de ese conjunto de rasgos es del 10%. Dividir los mismos 40 anuncios entre toda la colección de 4.900 artículos da aproximadamente un 0,82%, lo que responde a otra pregunta: los artículos anunciados de ese rasgo como proporción de toda la colección.

Esta diferencia puede explicar por qué una vista filtrada parece tener una tasa de anuncios mucho mayor que la vista general de la colección. El denominador filtrado es menor y específicamente pertinente para el grupo seleccionado. El porcentaje mayor no significa automáticamente que el indicador de toda la colección sea inexacto.

Conserva todos los filtros activos en el registro de investigación, incluidos rasgos, monedas, cadenas, tipos de venta e intervalos de tiempo cuando estén disponibles. Si dos capturas utilizan filtros diferentes, compara sus poblaciones antes de comparar sus porcentajes. Un análisis significativo de rasgos también debe considerar si los compradores y beneficios del subconjunto difieren de los de los artículos corrientes de la colección.

Distingue los eventos de venta de los artículos únicos vendidos

Un token puede venderse más de una vez durante un periodo. Supongamos que una semana contiene 100 eventos de venta secundaria que cumplen los criterios, pero solo 70 artículos distintos vendidos. El recuento de eventos dividido entre 4.900 artículos existentes es de aproximadamente un 2,04%. El recuento de artículos distintos dividido entre la misma oferta es de aproximadamente un 1,43%.

La primera proporción mide la intensidad de eventos de venta registrados respecto a la oferta. La segunda mide la parte de la oferta que participó en al menos una venta que cumplía los criterios. Ninguna establece que todos los artículos tengan una probabilidad similar de venderse la semana siguiente. La negociación repetida de un subconjunto pequeño puede hacer que la actividad parezca amplia cuando está concentrada.

Elige la métrica que corresponda a la pregunta de investigación. Un estudio de actividad de transacciones puede necesitar recuentos de eventos. Un estudio de hasta dónde llega la demanda en la colección puede necesitar activos únicos. Un estudio de participación independiente puede necesitar análisis de direcciones, con cautelas adicionales sobre lo que las direcciones revelan y no revelan de las personas.

Interpreta los recuentos de titulares como pruebas de direcciones

Una dirección titular no es necesariamente una persona. Una persona puede controlar varias direcciones y una dirección puede representar un contrato, un acuerdo de custodia o una cuenta compartida. Los datos públicos pueden respaldar un recuento de direcciones titulares observadas sin demostrar el número de propietarios económicos independientes.

Por ejemplo, si una dirección posee 490 de los 4.900 artículos existentes, controla el 10% de esa oferta definida en el estado observado. La siguiente pregunta es qué tipo de dirección es. Un contrato de depósito y un coleccionista individual tienen interpretaciones diferentes, aunque ambos puedan aparecer en un cálculo bruto de concentración.

No elimines los activos en contratos sin explicar el efecto sobre el denominador. Una medida de concentración que excluya contratos conocidos puede ser útil para una pregunta específica, pero deja de ser la misma medida que la concentración sobre todos los tokens existentes. Conserva tanto la regla de exclusión como la incertidumbre de cualquier clasificación de direcciones.

Separa el volumen de acuñación del volumen secundario

Imagina que una semana tiene 12 ETH de volumen combinado, formado por 4 ETH de acuñaciones primarias y 8 ETH de compras secundarias. La semana siguiente tiene 18 ETH combinados, formados por 12 ETH de acuñaciones y 6 ETH de compras secundarias. El volumen total aumentó un 50%, mientras el secundario disminuyó un 25%.

Ambas afirmaciones son correctas bajo las definiciones ficticias. Describir la segunda semana únicamente como un fuerte aumento de la demanda de reventa carecería de respaldo. La mayor parte del incremento total vino de la acuñación primaria, mientras el importe secundario registrado disminuyó. La distinción es especialmente importante al evaluar si un artículo adquirido podría encontrar pronto otro comprador.

La guía de la página Stats de OpenSea ofrece contexto adicional sobre clasificaciones de colecciones y vistas de actividad. Las clasificaciones pueden identificar colecciones para investigar, pero un puesto no debe sustituir a la clasificación de eventos subyacente. El motivo por el que una colección está activa importa tanto como que aparezca cerca de los primeros puestos.

Lee los campos de moneda individualmente

No supongas que todas las métricas devueltas juntas utilizan la misma moneda. La referencia de estadísticas de colecciones de OpenSea señala específicamente que los símbolos de moneda del volumen y del precio mínimo pueden diferir. Por tanto, la moneda de cada campo de importe forma parte de su definición, no es una decoración opcional de presentación.

Si un importe de volumen está denominado en un token y el precio mínimo en otro, dividirlos sin conversión produce una proporción sin sentido. Si la conversión es útil, conserva los importes originales, el tipo de cambio elegido y su hora de observación. Un valor analítico convertido no debe etiquetarse erróneamente como el importe nativo de la transacción.

Distingue también los activos nativos y envueltos y sus redes en los registros subyacentes. Una interfaz de alto nivel puede presentar valores de apariencia equivalente para compararlos, pero la financiación de las transacciones sigue dependiendo de saldos y contratos reales. Un análisis que después informe una compra debe llevar suficiente información de identidad para evitar convertir una convención visual en un supuesto de pago incorrecto.

Compara medianas y medias para fines diferentes

Supongamos que cinco ventas que cumplen los criterios ocurrieron a 0,050, 0,060, 0,070, 0,080 y 0,740 ETH. El volumen total es de 1,000 ETH y el precio medio de venta es de 0,200 ETH. La mediana es de 0,070 ETH. Una venta de precio elevado tiene un gran efecto sobre la media, mientras la mediana describe la observación central.

No debe elegirse ninguna estadística solo porque respalde una conclusión preferida. La media puede ser útil para conciliar el volumen total con el recuento de eventos. La mediana puede ayudar a describir una observación típica en esta pequeña muestra ordenada. Ambas siguen dependiendo de si los artículos son comparables y de si la clasificación de eventos es adecuada.

Investiga el valor atípico en lugar de eliminarlo automáticamente. Podría ser un artículo excepcional de verdad, un lote o una transacción cuyo contexto no se ha resuelto. Informa de cómo cambia el resumen con una exclusión documentada si eso ayuda a la pregunta. Una muestra recortada sin explicación puede ser tan engañosa como una media sin examinar.

Trata el precio mínimo como un estadístico de orden

El precio mínimo de una colección puede subir porque el anuncio válido más barato se compra, se cancela, caduca o se retira de otra forma de la vista pertinente. Esas causas tienen implicaciones diferentes. Solo una implica necesariamente una compra completada, e incluso esa compra no garantiza demanda para todos los artículos restantes al nuevo mínimo.

Si el anuncio más bajo cambia de 0,100 a 0,120 ETH, el incremento mostrado es del 20%. Antes de llamarlo una ganancia del 20% en el valor del artículo, examina qué ocurrió con la orden anterior y qué sigue disponible. La desaparición de un único anuncio bajo puede producir el cambio sin que ningún comprador pague el nuevo precio.

Por tanto, un bot de precio mínimo de NFT debe conservar el contexto de eventos y validez detrás de un cambio comunicado del mínimo. Una notificación que contenga solo el porcentaje puede ser útil para llamar la atención, pero es una prueba incompleta para una operación. El siguiente paso de investigación es determinar si el movimiento lo explican la demanda, la oferta o la actualidad de los datos.

Examina la profundidad de anuncios antes de multiplicar un precio mínimo

Supongamos que los cinco primeros precios solicitados válidos son de 0,080, 0,085, 0,090, 0,100 y 0,145 ETH. Comprar los cinco por esos importes indicados costaría 0,500 ETH antes de gastos de transacción, con una media de 0,100 ETH por artículo. Multiplicar el precio mínimo de 0,080 ETH por cinco estimaría solo 0,400 ETH y subestimaría el coste bruto del grupo en 0,100 ETH.

La distribución de anuncios importa porque las compras sucesivas pueden recorrer precios diferentes. Un primer nivel con poca oferta no describe el coste de adquirir un grupo mayor. Tampoco retirar esos anuncios establece que el nuevo precio mínimo mostrado se pueda realizar para todos los artículos recién comprados.

El análisis de un bot de barrido de NFT debe utilizar los artículos seleccionados y las condiciones actuales de las órdenes, en lugar de un precio mínimo multiplicado por una cantidad. La profundidad de anuncios sigue siendo disponibilidad del lado vendedor. Debe compararse con las pruebas separadas de ofertas y compradores dispuestos a recibir de nuevo el inventario, pero nunca sustituirlas.

Mantén separada la capacidad compradora

Una oferta alta puede aplicarse a un artículo, una adquisición elegible o un conjunto limitado de activos. No debe multiplicarse por toda una cartera sin comprobar el alcance, la cantidad, los fondos y el solapamiento. Dos ofertas mostradas en vistas diferentes también pueden depender de instrucciones relacionadas o de los mismos recursos limitados de compra.

Supongamos que una oferta utilizable de forma independiente es de 0,065 ETH y otra de 0,060 ETH, y cada una acepta un artículo elegible. Su capacidad bruta combinada es de 0,125 ETH para esas dos adquisiciones bajo las condiciones indicadas. El ejemplo no proporciona un precio para un tercer artículo ni garantiza que las ofertas sigan disponibles juntas.

Esta distinción importa para el análisis de un bot de arbitraje de NFT. Una diferencia de precios es solo el comienzo de una comparación. El activo exacto, los costes, la disponibilidad simultánea y la ruta de liquidación determinan si puede aprovecharse la diferencia aparente. Las cifras de resumen de la colección no pueden establecer todas esas condiciones.

Registra el momento y la actualidad de las instantáneas

La cronología de instantáneas de colecciones de OpenSea debe distinguir el periodo medido de la hora de recuperación de los datos. Un volumen móvil de veinticuatro horas y un precio mínimo recuperado cinco minutos después no describen un estado de mercado perfectamente sincronizado. Eso puede ser aceptable para investigar, pero la diferencia debe ser visible.

Almacena una marca de tiempo para cada observación y la definición del periodo de la fuente. Si un panel actualiza componentes diferentes de forma independiente, evita presentarlos como una instantánea atómica salvo que ese comportamiento esté documentado. Una discrepancia puede explicar una anomalía aparente de precios que desaparece cuando se actualizan todos los datos pertinentes.

Un rastreador automatizado de colecciones de NFT debe mostrar los intervalos ausentes y los campos desactualizados. La documentación de la Stream API de OpenSea describe entrega sin garantía absoluta y posibles eventos ausentes o fuera de orden. Una fuente de eventos en vivo puede apoyar la supervisión, pero no demuestra por sí sola un registro histórico completo ni un libro de órdenes ejecutable totalmente actualizado.

Audita los datos ausentes sin tratarlos como cero

Si falla una solicitud o falta un campo, conserva ese estado. Cero ventas significa que una fuente definida informó de que no hubo ventas que cumplieran los criterios durante el periodo. Datos de ventas ausentes significa que el recuento se desconoce a partir de esa observación. Sustituirlo por cero puede crear un falso desplome de actividad o una recuperación artificial cuando la siguiente solicitud tenga éxito.

Compara la cobertura con una referencia independiente cuando sea práctico. En una revisión ficticia de noventa eventos de referencia, un recopilador observa ochenta y un eventos únicos coincidentes. La cobertura medida es del 90% para esa muestra. No demuestra que el sistema vaya a ofrecer siempre un 90%, y los mensajes repetidos no deben contarse como observaciones únicas adicionales.

Documenta a qué podría afectar la parte ausente. Una venta de precio elevado no detectada puede alterar el volumen más que el precio mínimo. Una cancelación no detectada puede alterar la disponibilidad aparente de un anuncio. Por tanto, la calidad de los datos está relacionada con la decisión que se respalda, no solo con un porcentaje genérico de tiempo de actividad.

Comprueba si cambió la población comparada

Un cambio en el precio medio de venta puede proceder de un cambio en los artículos vendidos y no de un cambio de precio en activos comparables. Una semana puede contener sobre todo artículos corrientes y la siguiente varias combinaciones raras. Comparar únicamente las medias de toda la colección no permite distinguir un mercado más fuerte de una mezcla de ventas diferente.

Utiliza un grupo consistente cuando la pregunta se refiera a un rendimiento comparable. Define el grupo de rasgos, el tipo de edición, el estado de beneficios u otras características pertinentes antes de comparar periodos. Después informa de qué parte de la actividad total representa ese grupo. Un grupo acotado puede mejorar la comparabilidad y dejar gran parte de la colección fuera de la conclusión.

Ten en cuenta también las nuevas emisiones. Si entran artículos adicionales en la colección, un recuento de titulares o de anuncios puede subir aunque el comportamiento de los artículos previamente existentes no cambie. Comparar la población anterior con la ampliada responde a una pregunta de crecimiento. Comparar los mismos activos preexistentes en ambas fechas responde a una pregunta de comportamiento. Ambas son útiles cuando se etiquetan.

Conserva la definición del grupo aunque el resultado se vuelva menos espectacular. El propósito no es encontrar el filtro que produzca el mayor movimiento. Es aislar la parte de las pruebas pertinente para la pregunta original. Si los datos disponibles no permiten mantener un grupo estable, describe el resultado como una mezcla de toda la colección y evita una interpretación más precisa de lo que justifican las observaciones.

El análisis de colecciones de OpenSea debe responder a una pregunta

Elige una pregunta de investigación antes de añadir más métricas. Para evaluar el coste actual de adquisición, céntrate en los anuncios válidos seleccionados y la ruta de transacción. Para evaluar las pruebas de reventa a corto plazo, examina las ofertas elegibles y las ventas completadas pertinentes. Para evaluar la concentración, define la población de tenencias y las clasificaciones de direcciones. Un panel grande puede contener todo esto sin hacer automática ninguna conclusión.

Escribe la conclusión con sus límites. Por ejemplo, el volumen secundario disminuyó en el periodo semanal seleccionado mientras el total subió porque aumentó la acuñación. Esa afirmación es más útil que decir que la colección se fortaleció o debilitó sin identificar la medida. Después puede orientar un seguimiento específico sobre la capacidad de reventa de los titulares existentes.

La disciplina consiste en mantener cada número conectado con lo que cuenta. Define la población, conserva las unidades, alinea los periodos cuando haga falta, examina la actualidad de los datos y separa las órdenes de las transacciones completadas. Así, el análisis se convierte en una forma de poner a prueba una tesis de colección, en lugar de una colección de cifras impresionantes cuyos significados cambian de una comparación a otra.