Uporaba povprečij v PPC Marketing še vedno pomembna

Prišlo je do izpuščaja tweets in blog delovnih mest v zadnjem času govorimo o težavah z uporabo povprečij v PPC marketing. Na primer, ta, kjer Julie Bacchini trdi, da so »povprečja suhih metric«:

Čeprav je res, da so včasih povprečja lahko zelo zavajajoča, je težava z zgornjim nizom podatkov velika sprememba populacije in standardno odstopanje v vzorcu.

$config[code] not found

V tem prispevku želim govoriti o matematiki, ki je vključena tukaj, in predstaviti vrednost povprečij ter se odzvati na nekatere kritike poročanja o povprečjih, ki sem jih v zadnjem času opazil v skupnosti PPC.

Varianca, standardno odstopanje in koeficient variance

Varianca vzorca je merilo disperzije - glede na to, koliko se bodo vrednosti v nizu podatkov verjetno razlikovale od povprečne vrednosti vašega nabora podatkov. Izračuna se z upoštevanjem povprečja kvadratov razlik za vsako podatkovno točko od povprečja. Kvadriranje razlik zagotavlja, da se negativna in pozitivna odstopanja ne izničita.

Torej za odjemalca 1 samo izračunajte razliko med 0,5 odstotka in povprečno spremembo 3,6 odstotka in nato kvadratno številko. Naredite to za vsako stranko, nato vzemite povprečje varianc: to je vaša vzorčna varianca.

Vzorec standardnega odstopanja je preprosto kvadratni koren variance.

Poenostavljeno, v povprečju vrednosti v tem podatkovnem nizu običajno padejo za 5,029 odstotka od celotnega povprečja 3,6 odstotka (tj. Številke so zelo razpršene), kar pomeni, da iz te distribucije ne morete veliko sklepati.

Poenostavljen način za oceno, ali so vaša standardna odstopanja »previsoka« (ob predpostavki, da iščete normalno porazdelitev), je izračunati koeficient variance (ali relativni standardni odmik), ki je preprosto standardno odstopanje, deljeno s povprečjem.

Kaj to pomeni in zakaj nam je mar? Gre za vrednost poročanja o povprečjih. Ko WordStream izvede študijo z uporabo podatkov o strankah, ne izračunamo le povprečij iz majhnih podatkovnih nizov in naredimo velike sklepe - skrbimo za distribucijo podatkov. Če so številke povsod, jih odvržemo in poskusimo segmentirati vzorec drugače (po industriji, porabi itd.), Da bi našli bolj smiseln vzorec, iz katerega lahko bolj samozavestno sklepamo.

Tudi smiselna povprečja po definiciji vključujejo vrednosti zgoraj in pod povprečjem

Še ena kritika anti-povprečnega tabora je zamisel, da povprečje ne govori za celotno prebivalstvo. To je seveda res, po definiciji.

Da, povprečja vsebujejo podatkovne točke, ki padejo nad in pod povprečno vrednostjo. Toda to ni dober argument za povrnitev povprečij.

Če predpostavimo normalno porazdelitev, bi pričakovali, da bo približno 68 odstotkov vaših podatkovnih točk padlo za +/- 1 standardno odstopanje od povprečja, 95 odstotkov znotraj +/- 2 standardnih odstopanj in 99,7 odstotka znotraj +/- 3 standardnih odstopanj, kot je prikazano. tukaj.

Kot lahko vidite, outliers zagotovo obstajajo, čeprav imate nizko standardno distribucijo v vašem nizu podatkov, niso tako pogosti, kot si morda mislite. Torej, če ste previdni glede matematike, so lahko povprečne številke še vedno zelo koristne informacije za veliko večino oglaševalcev.

V PPC Marketing, Math Wins

Ne izpihuvajmo povprečij z vodo za kopanje. Navsezadnje so vse meritve uspešnosti v programu AdWords, kot so (RPK, CNK, povprečni položaj, razmerje preusmeritev itd.) Prikazane kot povprečne vrednosti.

Namesto da ne upoštevamo povprečij, uporabimo moč matematike, da ugotovimo, ali je povprečje, ki ga gledate, smiselno ali ne.

Ponovno izdano z dovoljenjem. Original tukaj.

Povprečna fotografija prek Shutterstocka

Več v: Vsebina kanala izdajatelja