1 정의
정의: Numerical Triggering · Diluted Impact
Kohavi (2020) Ch.20.5~20.7 의 정량 분석.
1.0.0.1 Sample Size Formula
저자 인용 (van Belle 2008, Equation 20.1):
\[n = \frac{16\sigma^2}{\Delta^2}\]
Where (95% confidence, 80% power):
σ² = metric 의 variance
Δ = minimum detectable absolute effect1.0.0.2 Diluted Impact
Triggered effect 를 overall population 으로 변환.
| Formula | 식 | 정확성 |
|---|---|---|
| Equation 20.3 | \(\Delta_\theta \cdot N_{\theta C} / (M_{\omega C} \cdot N_{\omega C})\) | 정확 |
| Equation 20.4 | \((\Delta_\theta / M_{\omega C}) \cdot \tau\) | 정확 (20.3 과 같음) |
| Equation 20.5 (잘못) | \((\Delta_\theta / M_{\theta C}) \cdot \tau\) | 부정확 |
원문 인용 (Ch.20.7): “The computation holds when the triggered population is a random sample, but if the triggered population is skewed, as is often the case, then this computation is inaccurate by a factor \(M_{\omega C} / M_{\theta C}\).”
핵심 통찰: Triggered effect 가 overall effect 와 다름. 단순 곱셈 (effect × trigger rate) 은 잘못. Triggered population 의 baseline 이 overall 과 다르면 계산이 차이를 추가로 곱해야 한다.
2 개념 및 원리
2.1 Numerical Example — Sample Size 절감
저자 명시 (Ch.20.5).
2.1.1 Sample Size Formula 의 유도
2.1.1.1 Standard formula
저자 인용 (van Belle 2008, p.31):
\[n = \frac{16\sigma^2}{\Delta^2}\]
2.1.1.2 유도
Two-sample t-test 의 power:
Power = P(reject H_0 | true effect = Δ)
= P(|Z| > z_{α/2} | μ_T - μ_C = Δ)
z-score:
Z = Δ / SE
SE = sigma × sqrt(2/n) (equal sample size)
Power = 80% requirement:
z_β = 0.84
Total z requirement:
Δ / (sigma × sqrt(2/n)) ≥ z_{α/2} + z_β
Δ / (sigma × sqrt(2/n)) ≥ 1.96 + 0.84 ≈ 2.80
Δ² / (2 × sigma² / n) ≥ 7.84
n ≥ 7.84 × 2 × sigma² / Δ²
n ≥ 15.68 × sigma² / Δ²
≈ 16 × sigma² / Δ²이 16 의 origin 이 95% × 80% × two-sided.
2.1.1.3 Variance 의 표기
Bernoulli (binary metric):
σ² = p(1-p)
Where p = baseline rate
Continuous metric:
σ² = sample variance
CLT 후 mean 의 variance: σ² / n2.1.2 Naive Approach 의 분석
저자 명시.
2.1.2.1 E-commerce 사례
Setup:
Site: e-commerce
Conversion rate: 5% (p = 0.05)
Bernoulli variance: σ² = 0.05 × 0.95 = 0.0475
MDE (relative): 5% (Δ_relative = 0.05)
MDE (absolute): Δ = 0.05 × 0.05 = 0.00252.1.2.2 Sample size 계산
n = 16 × σ² / Δ²
= 16 × 0.0475 / 0.0025²
= 16 × 0.0475 / 0.00000625
= 0.76 / 0.00000625
= 121,600 사용자
→ Per variant
→ Total: 243,200 (T + C)2.1.3 Triggered Approach 의 분석
2.1.3.1 Setup
변경: Checkout flow 의 button color
Trigger condition: 사용자 가 checkout 시작
Trigger rate: 10% (10% of users initiate checkout)
Triggered population 의 conversion:
Initiated checkout → 50% complete (전반적)
p_triggered = 0.5
Variance:
σ²_triggered = 0.5 × 0.5 = 0.25
→ 5x larger than overall (0.0475)2.1.3.2 Sample size 계산
n_triggered = 16 × 0.25 / Δ²
Δ_relative = 5% on triggered
Δ_absolute = 0.5 × 0.05 = 0.025
n_triggered = 16 × 0.25 / 0.025²
= 16 × 0.25 / 0.000625
= 6,400 사용자
→ Per variant (triggered subset 만)
Total user 수 (실험 entry):
n_total = n_triggered / trigger_rate
= 6,400 / 0.10
= 64,000 사용자 per variant2.1.4 비교
Naive: 121,600 per variant (243,200 total)
Triggered: 64,000 per variant (128,000 total)
Savings: 47%
Time savings (assuming constant rate):
Naive 가 t 일 → triggered 는 0.53 × t = 0.53t
또한 user repeat:
실제 사용자 가 multiple visit
Active user pool 도달 시간 < linear
→ 50% time savings (더 conservative)2.1.4.1 직관 — Why Triggered 가 더 효율적인가
이유:
Triggered 의 σ² 가 overall 보다 5x 큼
But Δ (absolute) 가 10x 큼 (0.5 의 5% vs 0.05 의 5%)
n ∝ σ² / Δ²
Triggered 의 n_per_variant: σ² × 5 / Δ² × 100 = σ² / Δ² × 20
→ Per-variant (triggered) 가 1/20
But trigger rate 1/10:
Total = (1/20) × 10 = 1/2 = 0.5x
→ Total user 수 절반
→ 50% savings (실험 시간)이 ratio 가 trigger rate 와 effect 의 관계의 본질.
2.1.5 일반화 — Trigger Rate 의 영향
Trigger rate τ 의 변화:
τ = 0.50 (큰 trigger):
Naive 가 거의 best (effect 거의 dilute 안 됨)
Triggered 의 ROI 작음
τ = 0.10 (보통 trigger):
Triggered 가 ~50% 절감
표준 ROI
τ = 0.05 (작은 trigger):
Triggered 가 ~75% 절감
강한 ROI
τ = 0.01 (매우 작은 trigger):
Triggered 가 ~95% 절감
Critical ROI
τ = 0.001 (extremely 작은 trigger):
Naive 분석 사실상 불가
Triggered 만 의미이 trade-off 가 trigger rate 의 결정의 입력.
직관 — Numerical 의 핵심 메시지
2.1.5.1 Sample size 의 quadratic 관계
n ∝ σ² / Δ²
Δ 가 2x 커지면:
n 이 1/4
Δ 가 10x 커지면:
n 이 1/100이 quadratic 효과가 triggered 분석의 sensitivity 폭증 의 root.
2.1.5.2 Triggered 의 이중 효과
Effect 1 — Δ 증가:
Triggered population 의 absolute effect 가 큼
(Effect dilution 회피)
Effect 2 — σ² 증가:
Triggered population 이 baseline 더 큰 variance
(50% 가 conversion → 0.25 variance vs 5% 의 0.0475)
Net effect:
Δ 증가 가 σ² 증가 보다 dominant
→ Smaller n_per_variant2.1.5.3 Trigger rate 의 cost
Trigger rate τ 가 작을수록:
- Triggered 의 effect 가 더 큼
- But triggered population 이 더 작음
- 실험 entry user 수: n_total = n_triggered / τ
Trade-off:
Smaller n_triggered (효과 큼)
Larger 1/τ (entry user 더 많음 위해)
Net: n_total 의 변화가 미묘2.1.5.4 결정 framework
대부분 case:
n_total (triggered) < n_total (naive)
→ Triggered 가 항상 (또는 거의 항상) better
예외:
Trigger rate 가 매우 큼 (> 50%):
Naive 의 dilution 가 minor
Triggered 의 ROI 작음
Trigger rate 가 매우 작음 (< 0.1%):
Triggered subset 너무 작음
Statistical power 부족
→ 실험 자체 어려움이 framework 이 trigger 결정의 표준.
2.2 Optimal vs Conservative Triggering
저자 명시 (Ch.20.6).
2.2.1 Optimal Triggering
Optimal:
Triggered = {user | Treatment 와 Control 의 결과가 다른 사용자}
최소 set
최대 sensitivity2.2.1.1 Multi-Treatment 의 optimal
저자 명시.
시나리오:
Control (C), Treatment 1 (T1), Treatment 2 (T2)
Optimal trigger sets (per pair):
C vs T1: {user | C(user) ≠ T1(user)}
C vs T2: {user | C(user) ≠ T2(user)}
T1 vs T2: {user | T1(user) ≠ T2(user)}
Implementation:
3 pair 의 별도 trigger
Counterfactual: C, T1, T2 모두 evaluation per user
Cost: 3x compute2.2.2 Conservative Triggering
저자 강조: “In practice, it is sometimes easier to do a non-optimal but conservative triggering, such as including more users than is optimal.”
2.2.2.1 Multi-Treatment 의 conservative
Conservative:
Triggered = {user | C, T1, T2 중 어느 두 variant 의 결과 다름}
More inclusive
Boolean: "이 user 의 variants 가 same?"
Implementation:
Single boolean log per user
Counterfactual: C, T1, T2 evaluation
Cost: 3x compute (still)
But trigger flag 만 single
For C vs T1 비교:
Conservative trigger 가 zero-effect user 포함
(Some users where C == T1 but C ≠ T2)
Effect dilute 약간
Sensitivity 손실 (small)2.2.2.2 Trade-off
Optimal:
+ Maximum sensitivity per pair
- Implementation 복잡 (3 pair 의 trigger)
- Logging cost (per pair)
Conservative:
+ Single trigger flag
- Slight sensitivity 손실
- Implementation 간단
대부분 case:
Conservative 의 sensitivity 손실 minimal
Implementation 의 단순성 가치
→ Conservative 가 표준2.2.3 Post-hoc Analysis
저자 명시.
2.2.3.1 시나리오 — Counterfactual Logging 실패
실험 진행 중:
Counterfactual logging 의 implementation bug
V1 의 일부 user 의 V2 inference 결과 누락
→ Optimal trigger condition 식별 불가
대안:
Coarser trigger condition 사용
예: "User-initiated checkout"
→ Optimal 의 superset
→ 일부 zero-effect user 포함
→ Sensitivity 손실 (slight)2.2.3.2 Implementation
Conservative trigger (post-hoc):
Trigger = {user | initiated checkout}
Effect:
90% non-checkout user 제외
10% checkout user 분석 (vs 5% optimal)
→ Sensitivity 5/10 = 0.5x
But still 10x naive
Vs naive:
Naive: 100% user
Conservative: 10% user
Optimal: 5% user (만약 가능)
Sensitivity:
Naive: 1x
Conservative: ~5x (effect 가 dilute 안 함)
Optimal: ~10x (small triggered set)
Conservative 의 ROI:
Implementation simple
Sensitivity 50% of optimal
Naive 보다 5x better
→ 합리적 fallback이 conservative 가 production fallback 의 표준.
2.3 Diluted Impact — Overall Treatment Effect
저자 명시 (Ch.20.7).
2.3.1 함정 — Naive Multiplication
저자 강조: “If you improved the revenue by 3% for 10% of users, did you improve your overall revenue by 10%×3% = 0.3%? NO!”
2.3.1.1 Issue
Naive computation:
Triggered effect: +3%
Trigger rate: 10%
Overall: 3% × 10% = 0.3%
But this is wrong:
Overall could be 0% to 3% (depending on triggered's contribution)2.3.1.2 Why wrong
Triggered population 의 baseline 이 overall 과 다름:
Case 1: Triggered = 100% revenue (예: checkout users)
Triggered 의 revenue contribution: 100%
Triggered effect 3% → overall effect 3%
Case 2: Triggered = 10% revenue (low-value users)
Triggered 의 revenue contribution: 10%
Triggered effect 3% → overall effect 0.3%
Case 3: Triggered = 5% revenue (very low-value)
Triggered 의 revenue contribution: 5%
Triggered effect 3% → overall effect 0.15%
따라서 trigger rate × triggered effect 가 잘못.
실제 effect = (triggered's revenue share) × triggered effect2.3.2 정확한 Formula
저자 명시 (Equation 20.3, 20.4).
2.3.2.1 Equation 20.3
\[\text{Diluted impact} = \frac{\Delta_\theta \cdot N_{\theta C}}{M_{\omega C} \cdot N_{\omega C}}\]
Where:
Δ_θ = absolute effect on triggered (in metric units)
N_{θC} = triggered Control 의 사용자 수
M_{ωC} = overall Control 의 metric value
N_{ωC} = overall Control 의 사용자 수
Numerator:
Triggered population 의 absolute effect 의 합
(Δ_θ × N_{θC})
Denominator:
Overall population 의 metric 의 합
(M_{ωC} × N_{ωC})2.3.2.2 Equation 20.4 (equivalent)
\[\text{Diluted impact} = \frac{\Delta_\theta}{M_{\omega C}} \cdot \tau\]
Where:
τ = N_{θC} / N_{ωC} = trigger rate
같은 result, different formulation
Equation 20.3 의 algebraic 변형2.3.2.3 잘못된 Equation 20.5
저자 명시 잘못 (common mistake):
\[\text{Wrong} = \frac{\Delta_\theta}{M_{\theta C}} \cdot \tau\]
Issue:
M_{θC} (triggered control 의 metric)
M_{ωC} (overall control 의 metric)
대신 나눔 → 다른 결과
Inaccuracy factor:
M_{ωC} / M_{θC}
만약 triggered = high spender:
M_{θC} > M_{ωC} (triggered 가 baseline 큼)
Wrong 가 underestimate
만약 triggered = low spender:
M_{θC} < M_{ωC}
Wrong 가 overestimate2.3.3 사례 — Sub-case
저자 명시.
2.3.3.1 Sub-case 1 — Checkout Change
변경: checkout 흐름 (10% trigger rate)
Triggered = checkout users
- 100% of revenue (revenue = checkout 만)
- Triggered's M_θC = $200
- Overall M_ωC = $20 (대부분 user 의 conversion 0)
Triggered effect: +3% revenue
Δ_θ = $200 × 0.03 = $6
Wrong formula:
(Δ_θ / M_θC) × τ
= ($6 / $200) × 0.10
= 0.03 × 0.10
= 0.003 (0.3%)
Correct formula:
(Δ_θ / M_ωC) × τ
= ($6 / $20) × 0.10
= 0.30 × 0.10
= 0.03 (3%)
차이:
Wrong: 0.3%
Correct: 3%
Factor: 10x
이 factor M_ωC/M_θC = $20/$200 = 0.10
→ Wrong 의 결과를 0.10 으로 곱하면 correct
→ 또는 Correct 가 Wrong 의 10x
진정 의미:
Triggered (checkout users) 가 100% revenue 의 source
→ Triggered effect = overall effect (no dilution)
→ 3% triggered = 3% overall2.3.3.2 Sub-case 2 — Low Spender Change
변경: 10% low-spender 의 promotion (10% trigger rate)
Triggered = low spenders
- 10% of users
- Spend 10% of average user (low-value)
- Triggered's M_θC = $2 (10% of $20)
- Overall M_ωC = $20
Triggered effect: +3% on triggered's spend
Δ_θ = $2 × 0.03 = $0.06
Wrong formula:
($0.06 / $2) × 0.10
= 0.03 × 0.10
= 0.003 (0.3%)
Correct formula:
($0.06 / $20) × 0.10
= 0.003 × 0.10
= 0.0003 (0.03%)
차이:
Wrong: 0.3%
Correct: 0.03%
Factor: 10x
이 factor M_ωC/M_θC = $20/$2 = 10
→ Wrong 의 결과를 1/10 으로 곱해야 correct
→ 또는 Wrong 이 Correct 의 10x
진정 의미:
Triggered (low spenders) 가 10% 사용자, 1% revenue 의 source
→ 3% triggered effect 가 overall 에서 0.03% 만 영향
→ Diluted dramatic이 sub-case 가 함정의 본질. 같은 3% triggered effect 가 dramatically 다른 overall effect.
2.3.4 Ratio Metric 의 Dilution
저자 명시 (Ch.20.7, Deng and Hu 2015): “To dilute ratio metrics, more refined formulas need to be used.”
2.3.4.1 Why ratio?
Ratio metric:
CTR = clicks / pageviews
Conversion rate = conversions / visits
Triggered analysis:
CTR_triggered = triggered_clicks / triggered_pageviews
Dilution to overall:
CTR_overall ≠ simple multiplication
Numerator 와 denominator 둘 다 dilute2.3.4.2 Simpson’s Paradox 의 위험
저자 강조: “ratio metrics can cause Simpson’s paradox (see Chapter 3), where the ratio in the triggered population improves, but the diluted global impact regresses.”
2.3.4.3 시나리오
Triggered:
CTR_T = 60% (triggered Treatment)
CTR_C = 50% (triggered Control)
Triggered effect: +20% relative
Non-triggered:
CTR_nontriggered_T = 5%
CTR_nontriggered_C = 5%
No effect (zero by definition)
Overall:
Need to combine triggered + non-triggered
Mix proportions:
Trigger rate: 10%
Non-trigger: 90%
Overall T:
CTR = (10% × 60% + 90% × 5%) / 1
= 6% + 4.5%
= 10.5%
Overall C:
CTR = (10% × 50% + 90% × 5%) / 1
= 5% + 4.5%
= 9.5%
Overall lift:
(10.5% - 9.5%) / 9.5% = 10.5%2.3.4.4 Paradox 의 발생
Triggered lift: +20%
Non-triggered lift: 0%
Overall lift: ~10.5%
→ Mix 의 결과가 sensible
But:
사용자 행동의 다른 segment 별 differences:
Triggered + Treatment: pageviews 변화
Non-triggered + Treatment: pageviews 변화
만약 segment 별 change 다름:
Numerator·denominator 의 weight 다름
Overall ratio 가 sub-segment 와 다른 방향
Simpson's paradox 발생:
각 segment lift +
Overall lift -
(또는 vice versa)2.3.4.5 정확한 ratio metric dilution
저자 인용 (Deng and Hu 2015): “more refined formulas need to be used.”
Ratio metric 의 정확한 dilution:
Δ_X / Y = (Δ_X × N_X) / (Y_T × Y_C)
Where Δ_X = absolute click change
여러 components 의 weighted combination
Implementation 복잡
대부분 platform 의 자동이 detail 이 modern A/B platform 의 statistical engine.
가정 — Diluted Impact 의 잘못된 보고
가정: 분석가 가 wrong formula 사용 → wrong dilution → 잘못된 launch 결정.
2.3.4.6 시나리오
실험: low-spender 10% 에 promotion
Triggered effect: +3% revenue on triggered
분석가 보고:
"Triggered effect: +3%"
"Trigger rate: 10%"
"Diluted: 0.3%" (Wrong formula 사용)
PM 결정:
"0.3% lift 면 launch 가치 있음"
Launch 결정
Production 실측:
Real impact: 0.03% (correct formula)
10x less than reported
ROI 실망2.3.4.7 결과
Decision quality 위기:
Lab: 0.3% lift expected
Production: 0.03% 실제
Reporting 잘못 → 잘못된 expectation
Why:
Triggered = low spender (low-value contribution)
Naive multiplication 이 contribution 무시
Correct decision:
0.03% lift 가 launch 의 ROI 부족
Reject 또는 redesign2.3.4.8 해결
1. Platform 의 자동 diluted impact:
- Wrong formula 의 차단
- Correct formula 자동 적용
2. Multiple metric 표시:
- Triggered effect: +3%
- Diluted (correct): 0.03%
- 둘 다 표시 → 의사결정자 의 정확한 input
3. Education:
- Diluted 의 correct formula 학습
- Common pitfall 인지이 enforcement 가 modern platform 의 표준.
2.4 Pitfall 1 의 미리 보기
저자 명시 (Ch.20.9, Pitfall 1) — F-KOH20-4 에서 상세.
2.4.0.1 Tiny Segment 의 generalization
시나리오:
Triggered = 0.1% of users
Triggered effect: +5%
Overall (diluted): 0.005% (negligible)
Decision:
단순 launch ROI 부족
But generalization 가능?
저자 사례 (MSN 의 Hotmail link):
2008: Hotmail link → 새 tab open
Triggered: hotmail click users (small segment)
Effect: +8.9% engagement
Generalization: 모든 link 의 새 tab 으로 확장
2011: 모든 search result → 새 tab
Larger segment
Engagement: +5% on 12M users
Massive ROI이 generalization 의 사례가 tiny segment 의 가치 의 예외.
3 왜 필요한가
Numerical · Optimal/Conservative · Diluted impact 부재 시.
- Sample size 결정 잘못 — 너무 길게 또는 너무 짧게 실험
- Conservative 의 trade-off 무지 — Optimal 만 추구 → Implementation 복잡
- Wrong diluted formula — 잘못된 launch 결정
활성 시.
- Trigger rate 의 정량 ROI
- Optimal vs conservative 의 합리적 결정
- Trustworthy diluted impact
이 정량 framework 이 platform 의 statistical maturity.
4 응용 사례 — 실험 platform 의 자동 dilution
Modern platform 의 자동:
Per-experiment scorecard:
- Triggered effect (Δ_θ)
- Trigger rate (τ)
- Triggered effect % (Δ_θ / M_θC)
- Diluted effect % (Δ_θ / M_ωC × τ) ← Correct formula
- Wrong dilution (intentionally absent)
Why both:
- Triggered effect: feature 자체 의 ROI
- Diluted effect: business 의 overall impact
Decision:
Launch 결정은 diluted impact 기반
Feature 의 quality 평가는 triggered effect
둘 다 필요한 input이 자동 reporting 이 mature platform 의 표준.
5 코드 예시 — Sample Size Calculator
Naive vs triggered 의 정량 비교.
import numpy as np
import pandas as pd
def sample_size_for_proportion(p, mde_relative, alpha=0.05, power=0.80):
"""
Bernoulli metric 의 required sample size per variant.
p: baseline proportion
mde_relative: minimum detectable relative effect
"""
sigma_squared = p * (1 - p)
delta_absolute = p * mde_relative
n = 16 * sigma_squared / delta_absolute**2
return int(np.ceil(n))
# 비교 매트릭스
print("=== Sample Size Comparison Matrix ===\n")
print(f"{'Trigger Rate':>12} {'Triggered p':>14} {'n_triggered':>15} {'n_total':>12} {'Naive n':>12} {'Savings':>10}")
print("-" * 90)
# Naive baseline
p_naive = 0.05
n_naive_per_variant = sample_size_for_proportion(p_naive, mde_relative=0.05)
# Triggered scenarios
scenarios = [
{"trigger_rate": 0.50, "p_triggered": 0.10}, # large trigger, low p
{"trigger_rate": 0.30, "p_triggered": 0.17},
{"trigger_rate": 0.10, "p_triggered": 0.50}, # 저자 example
{"trigger_rate": 0.05, "p_triggered": 1.00}, # all-or-nothing
{"trigger_rate": 0.01, "p_triggered": 0.50},
{"trigger_rate": 0.001, "p_triggered": 0.50}, # very rare trigger
]
for s in scenarios:
n_triggered = sample_size_for_proportion(s["p_triggered"], mde_relative=0.05)
n_total_per_variant = int(np.ceil(n_triggered / s["trigger_rate"]))
savings = (n_naive_per_variant - n_total_per_variant) / n_naive_per_variant * 100
print(f"{s['trigger_rate']:>12.3f} {s['p_triggered']:>14.2f} {n_triggered:>15,} "
f"{n_total_per_variant:>12,} {n_naive_per_variant:>12,} {savings:>9.1f}%")
# Diluted impact 계산
print("\n=== Diluted Impact Comparison ===\n")
print("Scenario: triggered effect +3%, trigger rate 10%, M_ω = $20\n")
scenarios_dilution = [
{"name": "Triggered = checkout (high value)", "M_theta": 200},
{"name": "Triggered = average users", "M_theta": 20},
{"name": "Triggered = low spenders", "M_theta": 2},
]
triggered_effect = 0.03
trigger_rate = 0.10
M_omega = 20
for s in scenarios_dilution:
delta_theta = s["M_theta"] * triggered_effect
# Wrong formula
wrong = (delta_theta / s["M_theta"]) * trigger_rate
# Correct formula
correct = (delta_theta / M_omega) * trigger_rate
# Factor
factor = M_omega / s["M_theta"]
print(f"{s['name']}:")
print(f" M_θC = ${s['M_theta']}, Δ_θ = ${delta_theta:.2f}")
print(f" Wrong: {wrong*100:.3f}%")
print(f" Correct: {correct*100:.3f}%")
print(f" Factor: {factor:.2f}")
print(f" Difference: {(correct - wrong) / max(wrong, 1e-9) * 100:+.0f}%\n")
직관 — 시뮬레이션의 메시지
5.0.0.1 Sample Size 의 dramatic 차이
Trigger rate 0.001 (매우 rare):
Naive: 121,600 users
Triggered total: 64,000 users (47% savings)
단 trigger rate 0.001 면 entry user 가 64M (현실 문제)5.0.0.2 Diluted Impact 의 critical 차이
같은 3% triggered effect:
High value (M_θC=$200): correct = 0.30%, wrong = 0.30% (일치)
Low value (M_θC=$2): correct = 0.003%, wrong = 0.30% (100x 차이)
→ Triggered = low spender 일 때 wrong formula 가 100x over-estimate5.0.0.3 산업 표준 enforcement
Modern platform:
- Wrong formula 자체 implement 안 함
- Correct formula 만 자동 적용
- Triggered + diluted 둘 다 표시
이 enforcement 가 잘못된 의사결정의 차단.6 관련 주제
선행
다음 글
관련 챕터
다른 카테고리 연결