Analityka kolekcji OpenSea: czytaj definicje

Analityka kolekcji OpenSea zaczyna się od definicji

Definicje wskaźników analitycznych OpenSea należy zapisywać prostym językiem przed użyciem liczb. Wolumen mierzy kwotę transakcji według reguł włączania źródła. Liczba sprzedaży mierzy zdarzenia spełniające definicję. Minimum mierzy najniższą cenę wystawioną we właściwym widoku. Liczba posiadaczy zwykle dotyczy adresów lub kont, nie zweryfikowanych osób.

Poradnik analityki kolekcji OpenSea wyjaśnia dostępne widoki i uwzględnienie mintowania w wolumenie. Ma to znaczenie przy interpretacji aktywności jako dowodu możliwości odsprzedaży przez obecnych posiadaczy. Popyt pierwotny i wtórny mogą być powiązane, lecz nie są tą samą kategorią zdarzeń.

Zachowuj definicję źródła obok danych zamiast polegać na etykiecie zapamiętanej z innej platformy lub starszego interfejsu. Pole o nazwie wolumen może mieć inne reguły włączania w różnych widokach. Zadaniem analityka jest ich ustalenie przed traktowaniem zmiany jako dowodu zakupu, sprzedaży lub szerszego porównania kolekcji.

Oddzielaj stan od przepływu

Stan opisuje ilość w chwili, taką jak liczba obecnie wystawionych przedmiotów. Przepływ opisuje zdarzenia w przedziale, takie jak sprzedaże tygodnia. Porównanie stanu z przepływem może być przydatne, lecz tylko przy podanej relacji. Obecna liczba ofert nie mówi o liczbie ofert istniejących przez cały przedział sprzedaży.

Załóż 245 ważnych wystawionych przedmiotów w chwili obserwacji i 100 zdarzeń sprzedaży w poprzednim tygodniu. Dzielenie jednego przez drugie mogłoby dać przybliżony wskaźnik opisowy, lecz nie jest automatyczną prognozą czasu sprzedaży wystawionych zapasów. Mogą pojawiać się nowe oferty, niektóre przedmioty sprzedawać wielokrotnie, a skład ofert różnić się od przedmiotów wybranych przez kupujących.

Używaj miar stanu do opisu obecnej dostępności, a przepływu do obserwowanej aktywności. Przy badaniu rotacji zapasów śledź tę samą populację w czasie i określ zdarzenia wejścia i wyjścia. Jeden obraz pulpitu zwykle sam nie odtworzy wszystkich zmian.

Sprawdzaj mianownik podaży

Kontrola mianownika kolekcji NFT zaczyna się od populacji właściwej pytaniu. W fikcyjnej kolekcji zmintowano 5000 unikalnych tokenów, a później spalono 100, pozostawiając 4900 istniejących. Przy 245 obecnie wystawionych udział ofert w istniejącej podaży wynosi 5%.

Użycie pierwotnych 5000 zmintowanych zamiast tego dałoby 4,9%. Żaden wynik nie jest tajemniczy; zmienił się mianownik. Właściwy wybór zależy od pytania o pierwotną emisję lub obecnie istniejące aktywa. Podawaj mierzony zbiór zamiast cicho przechodzić między nimi.

Dla edycji i innych reprezentacji odróżniaj też identyfikatory tokenów od kopii. Liczba unikalnych identyfikatorów może znacznie różnić się od liczby dostępnych jednostek. Przykład zakłada unikalne przedmioty dla jasnego mianownika. Zastosowanie wzoru do kolekcji edycji wymaga najpierw decyzji, czy analiza dotyczy identyfikatorów, kopii, właścicieli czy zleceń.

Zachowuj filtrowane podzbiory we własnej populacji

Załóż konkretną cechę 400 z 4900 istniejących przedmiotów i 40 wystawionych z tej grupy. Udział wystawionych w zbiorze cechy wynosi 10%. Dzielenie tych samych 40 ofert przez całą kolekcję 4900 przedmiotów daje około 0,82%, odpowiadając na inne pytanie: wystawione przedmioty cechy jako udział całej kolekcji.

Różnica może wyjaśniać wygląd filtrowanego widoku jako mającego znacznie większy udział ofert niż przegląd kolekcji. Filtrowany mianownik jest mniejszy i właściwy wybranej grupie. Wyższy procent nie oznacza automatycznie niedokładnego wyświetlania całej kolekcji.

Zachowuj wszystkie aktywne filtry w zapisie badania, w tym cechy, waluty, łańcuchy, rodzaje sprzedaży i obsługiwane zakresy czasu. Przy dwóch zrzutach o innych filtrach porównuj populacje przed procentami. Sensowna analiza cechy powinna też uwzględniać, czy kupujący i korzyści podzbioru różnią się od zwykłych przedmiotów kolekcji.

Odróżniaj zdarzenia sprzedaży od unikalnych sprzedanych przedmiotów

Token może sprzedać się więcej niż raz w okresie. Załóż tydzień ze 100 kwalifikującymi się zdarzeniami wtórnej sprzedaży, lecz tylko 70 odrębnymi sprzedanymi przedmiotami. Liczba zdarzeń podzielona przez 4900 istniejących przedmiotów wynosi około 2,04%. Liczba odrębnych przedmiotów podzielona przez tę samą podaż to około 1,43%.

Pierwszy stosunek mierzy intensywność zapisanych sprzedaży względem podaży. Drugi mierzy udział podaży uczestniczący w co najmniej jednej kwalifikującej się sprzedaży. Żaden nie ustala podobnego prawdopodobieństwa sprzedaży każdego przedmiotu w następnym tygodniu. Powtarzany handel małym podzbiorem może nadawać skoncentrowanej aktywności szeroki wygląd.

Wybieraj wskaźnik zgodny z pytaniem badawczym. Badanie aktywności transakcji może potrzebować liczby zdarzeń. Badanie zasięgu popytu w kolekcji może potrzebować unikalnych aktywów. Badanie niezależnego uczestnictwa może potrzebować analizy adresów z dodatkowymi zastrzeżeniami o ujawnianych i nieujawnianych przez nie informacjach o ludziach.

Interpretuj liczbę posiadaczy jako dowody adresów

Adres posiadacza nie musi być jedną osobą. Osoba może kontrolować kilka adresów, a jeden adres reprezentować kontrakt, usługę przechowywania lub wspólne konto. Publiczne dane mogą wspierać liczbę obserwowanych adresów posiadaczy bez dowodzenia liczby niezależnych właścicieli ekonomicznych.

Przykładowo jeden adres posiadający 490 z 4900 istniejących przedmiotów kontroluje 10% określonej podaży w obserwowanym stanie. Kolejne pytanie dotyczy rodzaju adresu. Kontrakt depozytowy i indywidualny kolekcjoner mają inne interpretacje, mimo obecności obu w surowym obliczeniu koncentracji.

Nie usuwaj aktywów kontraktów bez wyjaśnienia skutku dla mianownika. Miara koncentracji wykluczająca znane kontrakty może być przydatna do konkretnego pytania, lecz już nie jest tą samą miarą koncentracji wszystkich istniejących tokenów. Zachowuj regułę wykluczenia i niepewność klasyfikacji adresów.

Oddzielaj wolumen mintów od wtórnego

Wyobraź sobie tydzień o łącznym wolumenie 12 ETH, w tym 4 ETH pierwotnych mintów i 8 ETH wtórnych zakupów. Następny tydzień ma łącznie 18 ETH, w tym 12 ETH mintów i 6 ETH wtórnych zakupów. Całkowity wolumen wzrósł o 50%, a wtórny zmalał o 25%.

Oba stwierdzenia są poprawne według fikcyjnych definicji. Opis drugiego tygodnia tylko jako silnego wzrostu popytu odsprzedaży byłby niepoparty. Większość całkowitego wzrostu pochodziła z pierwotnego mintowania, a zapisana kwota wtórna spadła. Rozróżnienie jest szczególnie ważne przy ocenie możliwości szybkiego znalezienia kolejnego kupującego na nabyty przedmiot.

Poradnik stron statystyk OpenSea daje dodatkowy kontekst rankingów kolekcji i widoków aktywności. Rankingi mogą wskazywać kolekcje do badania, lecz pozycja nie powinna zastępować klasyfikacji bazowych zdarzeń. Powód aktywności kolekcji ma takie samo znaczenie jak jej obecność blisko szczytu.

Odczytuj pola walut osobno

Nie zakładaj tej samej waluty wszystkich wspólnie zwróconych wskaźników. Dokumentacja statystyk kolekcji OpenSea wyraźnie wskazuje możliwą różnicę symboli wolumenu i ceny minimalnej. Waluta pola kwoty jest więc częścią definicji, nie opcjonalną ozdobą prezentacji.

Jeśli wolumen jest w jednym tokenie, a minimum w innym, dzielenie bez konwersji daje bezsensowny stosunek. Przy przydatnej konwersji zachowuj pierwotne kwoty, wybrany kurs i czas obserwacji. Przeliczonej wartości analitycznej nie należy błędnie oznaczać jako natywnej kwoty transakcji.

Odróżniaj też aktywa natywne i opakowane oraz ich sieci w bazowych zapisach. Ogólny interfejs może przedstawiać do porównania wartości wyglądające na równoważne, lecz finansowanie transakcji nadal zależy od rzeczywistych sald i kontraktów. Analityka później wspierająca zakup musi przenosić dość tożsamości, by konwencja prezentacji nie stała się błędnym założeniem płatności.

Porównuj mediany i średnie dla różnych celów

Załóż pięć kwalifikujących się sprzedaży po 0,050, 0,060, 0,070, 0,080 i 0,740 ETH. Łączny wolumen wynosi 1,000 ETH, a średnia cena sprzedaży 0,200 ETH. Mediana wynosi 0,070 ETH. Jedna droga sprzedaż silnie wpływa na średnią, a mediana opisuje środkową obserwację.

Nie wybieraj żadnej statystyki tylko dla wsparcia preferowanego wniosku. Średnia może być przydatna do uzgadniania całkowitego wolumenu z liczbą zdarzeń. Mediana może pomagać opisywać typową obserwację tej małej uporządkowanej próby. Obie nadal zależą od porównywalności przedmiotów i właściwej klasyfikacji zdarzeń.

Badaj obserwację odstającą zamiast automatycznie ją usuwać. Może być rzeczywiście wyjątkowym przedmiotem, pakietem lub transakcją o nierozstrzygniętym kontekście. Raportuj zmianę podsumowania po udokumentowanym wykluczeniu, jeśli pomaga pytaniu. Niewyjaśniona przycięta próba może mylić równie mocno jak niezbadana średnia.

Traktuj minimum jako statystykę zleceń

Minimum kolekcji może rosnąć po kupnie, anulowaniu, wygaśnięciu lub innym usunięciu najtańszej ważnej oferty z właściwego widoku. Przyczyny mają różne skutki. Tylko jedna koniecznie obejmuje ukończony zakup, a nawet ten zakup nie gwarantuje popytu na każdy pozostały przedmiot po nowym minimum.

Przy zmianie najniższej oferty z 0,100 do 0,120 ETH wyświetlany wzrost wynosi 20%. Przed nazwaniem go zyskiem wartości przedmiotu 20% sprawdź los starego zlecenia i pozostałą dostępność. Zniknięcie jednej niskiej oferty może dać zmianę bez zapłaty nowej ceny przez kupującego.

Bot ceny minimalnej NFT powinien więc zachowywać kontekst zdarzenia i ważności raportowanej zmiany minimum. Powiadomienie z samym procentem może być przydatne dla uwagi, lecz jest niepełnym dowodem transakcji. Kolejnym krokiem badania jest ustalenie, czy ruch wyjaśniają popyt, podaż czy świeżość danych.

Sprawdzaj głębokość ofert przed mnożeniem minimum

Załóż pierwsze pięć ważnych ofert po 0,080, 0,085, 0,090, 0,100 i 0,145 ETH. Kupno wszystkich za podane kwoty kosztowałoby 0,500 ETH przed wydatkami transakcji, średnio 0,100 ETH za przedmiot. Pomnożenie minimum 0,080 ETH przez pięć oszacowałoby tylko 0,400 ETH, zaniżając surowy koszt grupy o 0,100 ETH.

Rozkład ofert ma znaczenie, ponieważ kolejne zakupy mogą przechodzić przez różne ceny. Płytki pierwszy poziom nie opisuje kosztu nabycia większej grupy. Usunięcie tych ofert nie ustala też realizowalności nowego wyświetlanego minimum dla każdego właśnie kupionego przedmiotu.

Analiza bota zbiorczego kupowania NFT powinna używać wybranych przedmiotów i obecnych warunków zleceń zamiast minimum pomnożonego przez ilość. Głębokość ofert nadal jest dostępnością strony sprzedaży. Należy porównywać ją z osobnymi dowodami ofert kupna i kupujących gotowych odkupić zapasy, lecz nigdy ich nią nie zastępować.

Zachowuj osobną zdolność strony kupna

Wysoka oferta kupna może dotyczyć jednego przedmiotu, jednego pasującego nabycia lub ograniczonego zbioru aktywów. Nie należy mnożyć jej przez cały portfel bez sprawdzenia zakresu, ilości, finansowania i nakładania. Dwie oferty z innych widoków też mogą polegać na powiązanych instrukcjach lub tych samych ograniczonych środkach kupna.

Załóż jedną niezależnie użyteczną ofertę po 0,065 ETH i drugą po 0,060 ETH, każdą przyjmującą jeden pasujący przedmiot. Łączna zdolność brutto wynosi 0,125 ETH dla tych dwóch nabytków na podanych warunkach. Przykład nie daje ceny trzeciego przedmiotu ani gwarancji wspólnej dalszej dostępności ofert.

Rozróżnienie ma znaczenie dla analizy bota arbitrażu NFT. Różnica cen jest tylko początkiem porównania. Dokładne aktywo, koszty, jednoczesna dostępność i ścieżka rozliczenia określają możliwość wykorzystania widocznej różnicy. Podsumowania kolekcji nie ustalą wszystkich warunków.

Zapisuj czas obrazu danych i świeżość

Czas obrazu kolekcji OpenSea powinien odróżniać mierzony okres od czasu pobrania danych. Ruchomy wolumen dwudziestoczterogodzinny i minimum pobrane pięć minut później nie opisują jednego doskonale zsynchronizowanego stanu rynku. Może to być akceptowalne do badania, lecz różnica powinna być widoczna.

Przechowuj znacznik czasu każdej obserwacji i definicję okna źródła. Jeśli pulpit aktualizuje składniki niezależnie, unikaj przedstawiania ich jako atomowego obrazu bez udokumentowanego takiego zachowania. Niedopasowanie może wyjaśniać widoczną anomalię ceny znikającą po odświeżeniu wszystkich właściwych danych.

Automatyczny tracker kolekcji NFT powinien ujawniać brakujące przedziały i stare pola. Dokumentacja Stream API OpenSea opisuje dostarczanie bez gwarancji oraz możliwe brakujące zdarzenia lub niewłaściwą kolejność. Bieżący strumień może wspierać monitorowanie, lecz sam nie dowodzi pełnej historii lub całkowicie aktualnego wykonalnego arkusza zleceń.

Audytuj braki danych bez traktowania ich jako zera

Przy nieudanym żądaniu lub nieobecnym polu zachowuj ten stan. Zero sprzedaży oznacza brak kwalifikujących się sprzedaży w okresie zaraportowany przez określone źródło. Brak danych sprzedaży oznacza nieznaną liczbę z tej obserwacji. Podstawienie zera może tworzyć fałszywe załamanie aktywności lub sztuczne odbicie po udanym kolejnym żądaniu.

Porównuj pokrycie z niezależnym odniesieniem, gdy praktyczne. W fikcyjnym przeglądzie dziewięćdziesięciu zdarzeń odniesienia kolektor obserwuje osiemdziesiąt jeden unikalnych pasujących zdarzeń. Zmierzone pokrycie wynosi 90% tej próby. Nie dowodzi stałego dostarczania 90%, a powtarzanych wiadomości nie należy liczyć jako dodatkowych unikalnych obserwacji.

Dokumentuj możliwe skutki brakującej części. Pominięta droga sprzedaż może zmieniać wolumen bardziej niż minimum. Pominięte anulowanie może zmieniać widoczną dostępność oferty. Jakość danych wiąże się więc ze wspieraną decyzją, nie samym ogólnym procentem dostępności usługi.

Sprawdzaj, czy porównywana populacja się zmieniła

Zmiana średniej ceny sprzedaży może wynikać ze zmiany sprzedanych przedmiotów zamiast ceny porównywalnych aktywów. Jeden tydzień może obejmować głównie zwykłe przedmioty, a kolejny kilka rzadkich kombinacji. Same średnie całej kolekcji nie rozróżnią silniejszego rynku od innego składu sprzedaży.

Używaj spójnej kohorty przy pytaniu o porównywalny wynik. Określ grupę cechy, typ edycji, stan korzyści lub inne właściwe właściwości przed porównaniem okresów. Następnie raportuj udział kohorty w całej aktywności. Wąska grupa może poprawiać porównywalność, pozostawiając dużą część kolekcji poza wnioskiem.

Uwzględniaj też nową emisję. Przy dodatkowych przedmiotach kolekcji liczba posiadaczy lub ofert może rosnąć mimo niezmienionego zachowania wcześniej istniejących przedmiotów. Porównanie starej populacji z rozszerzoną odpowiada na pytanie wzrostu. Porównanie tych samych wcześniejszych aktywów w obu datach odpowiada na pytanie zachowania. Oba są przydatne przy oznaczeniu.

Zachowuj definicję kohorty nawet przy mniej dramatycznym wyniku. Celem nie jest filtr największego ruchu. Jest nim wyodrębnienie dowodów właściwych pierwotnemu pytaniu. Jeśli dane nie wspierają stabilnej kohorty, opisuj wynik jako mieszankę całej kolekcji i unikaj dokładniejszej interpretacji, niż uzasadniają obserwacje.

Analityka kolekcji OpenSea powinna odpowiadać na jedno pytanie

Wybierz pytanie badawcze przed dodawaniem wskaźników. Do oceny obecnego kosztu nabycia skupiaj się na ważnych wybranych ofertach i ścieżce transakcji. Do oceny bliskiej odsprzedaży badaj pasujące oferty kupna i właściwe ukończone sprzedaże. Do oceny koncentracji określ populację posiadanych aktywów i klasyfikacje adresów. Duży pulpit może zawierać wszystko bez automatycznego ustalenia któregokolwiek wniosku.

Zapisuj wniosek z ograniczeniami. Przykładowo wtórny wolumen spadł w wybranym oknie tygodniowym, a całkowity wzrósł przez więcej mintowania. Takie stwierdzenie jest przydatniejsze niż mówienie, że kolekcja stała się silniejsza lub słabsza, bez określenia miary. Może kierować konkretnym dalszym pytaniem o zdolność obecnych posiadaczy do odsprzedaży.

Dyscyplina polega na związku każdej liczby z tym, co liczy. Określ populację, zachowuj jednostki, dopasowuj okna tam, gdzie potrzeba, sprawdzaj świeżość i oddzielaj zlecenia od ukończonych transakcji. Analityka staje się wtedy sposobem testowania tezy kolekcji zamiast zbiorem imponujących liczb o znaczeniu zmieniającym się między porównaniami.