Analyse des collections OpenSea : lire les définitions

L’analyse des collections OpenSea commence par les définitions

Les définitions des indicateurs d’analyse OpenSea doivent être rédigées en langage clair avant d’utiliser les chiffres. Le volume mesure un montant échangé selon les règles d’inclusion de la source. Un nombre de ventes dénombre les événements répondant à une définition. Un prix plancher mesure le prix de mise en vente le plus bas dans la vue concernée. Un nombre de détenteurs concerne généralement des adresses ou des comptes, plutôt que des personnes dont l’identité a été vérifiée.

Le guide d’analyse des collections d’OpenSea explique les vues disponibles et précise que le volume inclut la création de jetons. Ce point compte chaque fois qu’un lecteur interprète l’activité comme une preuve que les détenteurs actuels peuvent revendre. La demande sur le marché primaire et celle sur le marché secondaire peuvent être liées, mais elles ne relèvent pas de la même catégorie d’événements.

Conservez la définition de la source avec les données au lieu de vous fier à un libellé dont vous vous souvenez depuis une autre plateforme ou une ancienne interface. Un champ appelé volume peut suivre des règles d’inclusion différentes selon les vues. Le travail de l’analyste consiste à identifier ces règles avant de traiter une variation comme un élément justifiant un achat, une vente ou une comparaison plus large entre collections.

Distinguer un stock d’un flux

Un stock décrit une quantité à un instant donné, comme le nombre d’objets actuellement mis en vente. Un flux décrit des événements sur un intervalle, comme les ventes d’une semaine. Comparer un stock à un flux peut être utile, mais seulement si la relation est explicitée. Le nombre actuel de mises en vente ne dit pas combien existaient tout au long de l’intervalle des ventes.

Supposons qu’il y ait 245 objets valablement mis en vente au moment de l’observation et 100 événements de vente durant la semaine précédente. Diviser l’un par l’autre peut servir de ratio descriptif approximatif, mais ne constitue pas automatiquement une prévision du temps nécessaire pour vendre le stock proposé. De nouvelles mises en vente peuvent apparaître, certains objets peuvent être vendus plusieurs fois et la composition des objets proposés peut différer de celle des objets choisis par les acheteurs.

Utilisez les mesures de stock pour décrire la disponibilité actuelle et les mesures de flux pour décrire l’activité observée. Si l’objectif est d’étudier la rotation du stock, suivez la même population dans le temps et définissez les événements d’entrée et de sortie. Une seule capture du tableau de bord ne permet généralement pas de reconstituer à elle seule tous ces changements.

Vérifier le dénominateur de l’offre

Pour vérifier les dénominateurs d’une collection de NFT, commencez par la population pertinente pour la question posée. Dans une collection fictive, 5 000 jetons uniques ont été créés, puis 100 ont été détruits, ce qui laisse 4 900 jetons existants. Si 245 d’entre eux sont actuellement mis en vente, la part de l’offre existante proposée à la vente est de 5 %.

Utiliser à la place le nombre initial de 5 000 jetons créés donnerait 4,9 %. Aucun de ces résultats arithmétiques n’a rien de mystérieux : le dénominateur a changé. Le choix approprié dépend du fait que la question porte sur l’émission initiale ou sur les actifs qui existent actuellement. Précisez ce que vous mesurez au lieu de passer discrètement de l’un à l’autre.

Pour les éditions et les autres formes de représentation, distinguez également les identifiants de jetons des exemplaires. Un décompte d’identifiants uniques peut être très différent du nombre d’unités disponibles. L’exemple présenté ici suppose des objets uniques afin de garder un dénominateur clair. Pour appliquer sa formule à une collection en édition, il faut d’abord décider si l’analyse porte sur les identifiants, les exemplaires, les propriétaires ou les ordres.

Conserver la population propre à chaque sous-ensemble filtré

Supposons que 400 des 4 900 objets existants possèdent une caractéristique particulière et que 40 d’entre eux soient mis en vente. La part mise en vente au sein de cet ensemble est de 10 %. Diviser ces mêmes 40 mises en vente par l’ensemble de la collection de 4 900 objets donne environ 0,82 %, ce qui répond à une autre question : quelle part de toute la collection représentent les objets mis en vente possédant cette caractéristique ?

Cette différence peut expliquer pourquoi une vue filtrée semble présenter un taux de mise en vente bien supérieur à celui de la vue d’ensemble de la collection. Le dénominateur filtré est plus petit et correspond précisément au groupe sélectionné. Le pourcentage plus élevé ne signifie pas automatiquement que l’affichage portant sur toute la collection est inexact.

Conservez tous les filtres actifs dans le dossier de recherche, notamment les caractéristiques, les devises, les blockchains, les types de vente et les plages temporelles lorsque ces filtres sont disponibles. Si deux captures d’écran utilisent des filtres différents, comparez leurs populations avant de comparer leurs pourcentages. Une analyse pertinente d’une caractéristique doit aussi examiner si les acheteurs et les avantages du sous-ensemble diffèrent de ceux des objets ordinaires de la collection.

Distinguer les événements de vente des objets uniques vendus

Un jeton peut être vendu plus d’une fois au cours d’une période. Supposons qu’une semaine compte 100 événements de vente secondaire répondant aux critères, mais seulement 70 objets distincts vendus. Le nombre d’événements divisé par les 4 900 objets existants est d’environ 2,04 %. Le nombre d’objets distincts divisé par cette même offre est d’environ 1,43 %.

Le premier ratio mesure l’intensité des événements de vente enregistrés par rapport à l’offre. Le second mesure la part de l’offre ayant fait l’objet d’au moins une vente répondant aux critères. Aucun ne démontre que chaque objet a une probabilité similaire d’être vendu la semaine suivante. Des échanges répétés sur un petit sous-ensemble peuvent donner l’impression d’une activité étendue alors qu’elle est concentrée.

Choisissez l’indicateur qui correspond à la question de recherche. Une étude de l’activité transactionnelle peut nécessiter un décompte des événements. Une étude de l’étendue de la demande au sein de la collection peut nécessiter un décompte des actifs uniques. Une étude de la participation indépendante peut nécessiter une analyse des adresses, avec des précautions supplémentaires concernant ce que les adresses révèlent ou non sur les personnes.

Interpréter les nombres de détenteurs comme des observations sur les adresses

Une adresse détentrice ne correspond pas nécessairement à une personne. Une personne peut contrôler plusieurs adresses et une adresse peut représenter un contrat, un dispositif de conservation ou un compte partagé. Les données publiques peuvent étayer un décompte des adresses détentrices observées sans prouver le nombre de propriétaires économiques indépendants.

Par exemple, si une adresse détient 490 des 4 900 objets existants, elle contrôle 10 % de cette offre définie dans l’état observé. La question suivante est celle de la nature de cette adresse. Un contrat de séquestre et un collectionneur individuel appellent des interprétations différentes, même si tous deux peuvent apparaître dans un calcul brut de concentration.

Ne retirez pas les actifs détenus par des contrats sans expliquer l’effet sur le dénominateur. Une mesure de concentration excluant les contrats connus peut être utile pour une question précise, mais elle ne mesure plus la même chose que la concentration sur l’ensemble des jetons existants. Conservez à la fois la règle d’exclusion et l’incertitude associée à toute classification des adresses.

Séparer le volume de création de jetons du volume secondaire

Imaginons qu’une semaine présente un volume combiné de 12 ETH, composé de 4 ETH provenant de créations de jetons sur le marché primaire et de 8 ETH d’achats secondaires. La semaine suivante présente un total de 18 ETH, composé de 12 ETH provenant de créations de jetons et de 6 ETH d’achats secondaires. Le volume total a augmenté de 50 %, tandis que le volume secondaire a diminué de 25 %.

Les deux affirmations sont correctes selon ces définitions fictives. Décrire la deuxième semaine uniquement comme une forte hausse de la demande à la revente serait sans fondement. L’essentiel de la hausse totale provenait de la création de jetons sur le marché primaire, tandis que le montant secondaire enregistré diminuait. Cette distinction est particulièrement importante lorsqu’on évalue si un objet acquis pourrait rapidement trouver un autre acheteur.

Le guide des pages de statistiques d’OpenSea fournit un contexte supplémentaire sur les classements de collections et les vues d’activité. Les classements peuvent aider à repérer des collections à étudier, mais une position dans un classement ne doit pas remplacer la classification des événements sous-jacents. La raison pour laquelle une collection est active compte autant que le fait qu’elle figure près du sommet du classement.

Lire chaque champ de devise séparément

Ne supposez pas que tous les indicateurs renvoyés ensemble utilisent la même devise. La référence sur les statistiques des collections d’OpenSea précise expressément que les symboles du volume et du prix plancher peuvent différer. La devise associée au champ d’un montant fait donc partie de sa définition ; ce n’est pas un simple ornement d’affichage facultatif.

Si un volume est libellé dans un jeton et un prix plancher dans un autre, les diviser sans conversion produit un ratio dénué de sens. Si une conversion est utile, conservez les montants d’origine, le taux de change choisi et le moment de son observation. Une valeur convertie à des fins d’analyse ne doit pas être présentée à tort comme le montant de la transaction dans sa devise d’origine.

Distinguez aussi les actifs natifs et leurs versions enveloppées, ainsi que leurs réseaux, dans les enregistrements sous-jacents. Une interface synthétique peut présenter des valeurs qui semblent équivalentes pour faciliter la comparaison, mais le financement des transactions dépend toujours des soldes et des contrats réels. Une analyse qui éclaire ensuite un achat doit conserver suffisamment d’informations d’identité pour éviter de transformer une convention d’affichage en une hypothèse de paiement erronée.

Comparer les médianes et les moyennes selon l’objectif

Supposons que cinq ventes répondant aux critères aient eu lieu à 0,050, 0,060, 0,070, 0,080 et 0,740 ETH. Le volume total est de 1,000 ETH et le prix de vente moyen de 0,200 ETH. La médiane est de 0,070 ETH. Une vente à prix élevé a un effet important sur la moyenne, tandis que la médiane décrit l’observation centrale.

Aucune de ces statistiques ne doit être choisie simplement parce qu’elle appuie une conclusion souhaitée. La moyenne peut être utile pour rapprocher le volume total du nombre d’événements. La médiane peut aider à décrire une observation typique dans ce petit échantillon ordonné. Toutes deux dépendent toujours de la comparabilité des objets et du caractère approprié de la classification des événements.

Examinez la valeur atypique au lieu de la supprimer automatiquement. Il peut s’agir d’un objet véritablement exceptionnel, d’un lot ou d’une transaction dont le contexte reste indéterminé. Indiquez comment la synthèse change après une exclusion documentée si cela aide à répondre à la question. Un échantillon tronqué sans explication peut être aussi trompeur qu’une moyenne non examinée.

Traiter le prix plancher comme une statistique d’ordre

Le prix plancher d’une collection peut augmenter parce que la mise en vente valide la moins chère a été achetée, annulée, a expiré ou a été retirée autrement de la vue concernée. Ces causes ont des implications différentes. Une seule implique nécessairement un achat achevé, et même cet achat ne garantit pas une demande pour chacun des objets restants au nouveau prix plancher.

Si le prix de mise en vente le plus bas passe de 0,100 à 0,120 ETH, la hausse affichée est de 20 %. Avant de parler d’un gain de 20 % de la valeur des objets, examinez ce qui est arrivé à l’ancien ordre et ce qui reste disponible. La disparition d’une seule mise en vente à bas prix peut provoquer ce changement sans qu’aucun acheteur paie le nouveau prix.

Un bot de suivi du prix plancher des NFT doit donc conserver le contexte des événements et de la validité des ordres qui explique une variation signalée du prix plancher. Une notification ne contenant que le pourcentage peut être utile pour attirer l’attention, mais elle constitue un élément de preuve incomplet pour une opération. L’étape de recherche suivante consiste à déterminer si le mouvement s’explique par la demande, l’offre ou la fraîcheur des données.

Examiner la profondeur des mises en vente avant de multiplier un prix plancher

Supposons que les cinq premiers prix vendeurs valides soient de 0,080, 0,085, 0,090, 0,100 et 0,145 ETH. Acheter les cinq objets à ces montants coûterait 0,500 ETH avant les frais de transaction, soit une moyenne de 0,100 ETH par objet. Multiplier le prix plancher de 0,080 ETH par cinq donnerait une estimation de seulement 0,400 ETH, sous-estimant de 0,100 ETH le coût brut du groupe.

La répartition des mises en vente compte, car des achats successifs peuvent se faire à des prix différents. Un premier niveau peu fourni ne décrit pas le coût d’acquisition d’un groupe plus important. Le retrait de ces mises en vente ne démontre pas non plus que le nouveau prix plancher affiché pourra être obtenu pour chaque objet qui vient d’être acheté.

L’analyse qui sous-tend un bot d’achat groupé de NFT doit utiliser les objets sélectionnés et les conditions actuelles des ordres plutôt qu’un prix plancher multiplié par une quantité. La profondeur des mises en vente reste une mesure de la disponibilité du côté vendeur. Il faut la comparer aux éléments distincts attestant l’existence d’offres et d’acheteurs prêts à reprendre le stock, sans jamais la substituer à ces éléments.

Garder la capacité d’achat distincte

Une offre élevée peut s’appliquer à un objet, à une acquisition admissible ou à un ensemble limité d’actifs. Elle ne doit pas être multipliée à l’échelle de tout un portefeuille sans vérifier son périmètre, sa quantité, son financement et les chevauchements. Deux offres affichées dans des vues différentes peuvent aussi reposer sur des instructions liées ou sur les mêmes ressources d’achat limitées.

Supposons qu’une offre utilisable indépendamment soit de 0,065 ETH et qu’une autre soit de 0,060 ETH, chacune acceptant un objet admissible. Leur capacité brute combinée est de 0,125 ETH pour ces deux acquisitions dans les conditions indiquées. L’exemple ne fournit aucun prix pour un troisième objet et aucune garantie que les offres resteront disponibles simultanément.

Cette distinction compte pour l’analyse d’un bot d’arbitrage de NFT. Un écart de prix n’est que le début d’une comparaison. L’actif exact, les coûts, la disponibilité simultanée et le circuit de règlement déterminent si l’écart apparent peut être exploité. Les chiffres synthétiques à l’échelle d’une collection ne permettent pas d’établir toutes ces conditions.

Enregistrer la chronologie et la fraîcheur des captures

La chronologie d’une capture de collection OpenSea doit distinguer la période mesurée du moment où les données ont été récupérées. Un volume sur une fenêtre glissante de vingt-quatre heures et un prix plancher récupéré cinq minutes plus tard ne décrivent pas un état de marché parfaitement synchronisé. Cela peut être acceptable pour une recherche, mais la différence doit être visible.

Enregistrez un horodatage pour chaque observation ainsi que la définition de la fenêtre donnée par la source. Si un tableau de bord met à jour ses différents composants indépendamment, évitez de les présenter comme une capture atomique, sauf si ce comportement est documenté. Un décalage peut expliquer une anomalie de prix apparente qui disparaît lorsque toutes les données pertinentes sont actualisées.

Un outil automatisé de suivi des collections de NFT doit rendre visibles les intervalles manquants et les champs obsolètes. La documentation de l’API Stream d’OpenSea décrit une livraison au mieux des possibilités, avec d’éventuels événements manquants ou reçus dans le désordre. Un flux d’événements en direct peut servir à la surveillance, mais ne prouve pas à lui seul l’exhaustivité de l’historique ni l’existence d’un carnet d’ordres exécutable entièrement à jour.

Auditer les données manquantes sans les assimiler à zéro

Si une requête échoue ou qu’un champ est absent, conservez cet état. Zéro vente signifie qu’une source définie n’a signalé aucune vente répondant aux critères pour la période. Des données de ventes manquantes signifient que cette observation ne permet pas de connaître le nombre. Remplacer cette absence par zéro peut créer un faux effondrement de l’activité ou une reprise artificielle lorsque la requête suivante réussit.

Comparez la couverture à une référence indépendante lorsque c’est réalisable. Dans un examen fictif de quatre-vingt-dix événements de référence, un collecteur de données observe quatre-vingt-un événements correspondants uniques. La couverture mesurée est de 90 % pour cet échantillon. Cela ne prouve pas que le système fournira toujours 90 %, et les messages répétés ne doivent pas être comptés comme des observations uniques supplémentaires.

Documentez ce que la partie manquante pourrait affecter. Une vente à prix élevé non captée peut modifier le volume davantage que le prix plancher. Une annulation non captée peut modifier la disponibilité apparente d’une mise en vente. La qualité des données dépend donc de la décision qu’elles doivent éclairer, et pas simplement d’un pourcentage générique de disponibilité du service.

Vérifier si la population comparée a changé

Une variation du prix de vente moyen peut provenir d’un changement des objets vendus plutôt que d’une variation du prix d’actifs comparables. Une semaine peut comprendre surtout des objets ordinaires, tandis que la suivante inclut plusieurs combinaisons rares. Comparer uniquement les moyennes de toute la collection ne permet pas de distinguer un marché plus vigoureux d’une composition différente des ventes.

Utilisez une cohorte constante lorsque la question porte sur des performances comparables. Définissez le groupe de caractéristiques, le type d’édition, le statut des avantages ou les autres caractéristiques pertinentes avant de comparer les périodes. Indiquez ensuite quelle part de l’activité totale la cohorte représente. Un groupe restreint peut améliorer la comparabilité tout en laissant une grande partie de la collection hors du champ de la conclusion.

Tenez aussi compte des nouvelles émissions. Si des objets supplémentaires entrent dans la collection, le nombre de détenteurs ou de mises en vente peut augmenter même si le comportement concernant les objets qui existaient déjà reste inchangé. Comparer l’ancienne population à la population élargie répond à une question de croissance. Comparer les mêmes actifs préexistants aux deux dates répond à une question de comportement. Les deux approches sont utiles lorsqu’elles sont clairement désignées.

Conservez la définition de la cohorte même si le résultat devient moins spectaculaire. L’objectif n’est pas de trouver le filtre qui produit le mouvement le plus important. Il consiste à isoler la partie des observations pertinente pour la question initiale. Si les données disponibles ne permettent pas de constituer une cohorte stable, décrivez le résultat comme un mélange à l’échelle de la collection et évitez une interprétation plus précise que ne le justifient les observations.

L’analyse des collections OpenSea doit répondre à une question

Choisissez une question de recherche avant d’ajouter des indicateurs. Pour évaluer le coût d’acquisition actuel, concentrez-vous sur les mises en vente valides sélectionnées et sur le circuit de transaction. Pour évaluer les éléments attestant des possibilités de revente à court terme, examinez les offres admissibles et les ventes achevées pertinentes. Pour évaluer la concentration, définissez la population détentrice et les classifications des adresses. Un grand tableau de bord peut contenir tous ces éléments sans rendre la moindre conclusion automatique.

Formulez la conclusion avec ses limites. Par exemple, le volume secondaire a diminué sur la fenêtre hebdomadaire sélectionnée, tandis que le volume total a augmenté en raison de la hausse des créations de jetons. Cette affirmation est plus utile que de dire que la collection s’est renforcée ou affaiblie sans identifier la mesure. Elle peut ensuite orienter un approfondissement précis sur la capacité des détenteurs actuels à revendre.

La discipline consiste à garder chaque chiffre lié à ce qu’il dénombre. Définissez la population, conservez les unités, alignez les fenêtres si nécessaire, examinez la fraîcheur des données et distinguez les ordres des transactions achevées. L’analyse devient alors un moyen de mettre à l’épreuve une thèse sur une collection, plutôt qu’un ensemble de chiffres impressionnants dont le sens change d’une comparaison à l’autre.