Налице е обрив на туитове и блогове наскоро говори за проблемите с използването на средни стойности в маркетинга на PPC. Например, тази, в която Джули Баккини твърди, че „средните стойности са податлива метрика“:
Макар да е вярно, че понякога средните стойности могат да бъдат много подвеждащи, проблемът с горния набор от данни е огромната дисперсия на населението и стандартното отклонение в извадката.
$config[code] not foundВ тази публикация искам да говоря за математиката тук и да направя извод за стойността на средните стойности, както и да отговоря на някои от критиките за отчитане на средни стойности, които съм виждал в обществото в последно време.
Дисперсия, стандартно отклонение и коефициент на дисперсия
Дисперсия на пробата е мярка за дисперсията - според това колко вероятно стойностите в набора от данни се различават от средната стойност на набора от данни. Тя се изчислява като се вземе средната стойност на квадратите от разликите за всяка точка от данните от средната стойност. Квадратните разлики гарантират, че отрицателните и положителните отклонения не се отменят взаимно.
Така че за клиент 1, просто се изчисли разликата между 0,5% и средната промяна от 3,6%, след това квадратното число. Направете това за всеки клиент, след това вземете средната стойност на отклоненията: това е Вашата проба.
Примерно стандартно отклонение е просто квадратният корен на дисперсията.
По-просто казано, средно стойностите в този набор от данни обикновено падат с 5,029% от общата средна стойност от 3,6% (т.е. цифрите са много разпръснати), което означава, че не можете да заключите много от това разпределение.
Опростеният начин да се прецени дали стандартните отклонения са „твърде високи“ (ако приемем, че търсите нормално разпределение) е да изчислите коефициент на отклонение (или относително стандартно отклонение), който е просто стандартното отклонение, разделено на средното.
Какво означава това и защо трябва да ни е грижа? Става въпрос за стойността на отчитането на средните стойности. Когато WordStream прави проучване, използвайки клиентски данни, ние не изчисляваме само средни стойности от малки набори от данни и правим големи заключения - ние се грижим за разпространението на данните. Ако номерата са навсякъде, ние ги изхвърляме и се опитваме да разделим извадката по различен начин (от индустрията, разходите и т.н.), за да намерим по-смислен модел, от който можем по-уверено да направим изводи.
Дори смислените средни стойности по дефиниция включват стойности над и под средната стойност
Друга критика от анти-средния лагер е схващането, че средната стойност не говори за цялото население. Това, разбира се, е вярно по дефиниция.
Да, средните стойности съдържат данни, които са по-ниски от средната стойност. Но това не е голям аргумент за изхвърляне на средни стойности.
Ако приемем нормално разпределение, очаквате приблизително 68% от вашите данни да намалят +/- 1 стандартно отклонение от средното, 95% в рамките на +/- 2 стандартни отклонения и 99,7% в рамките на +/- 3 стандартни отклонения, както е показано тук.
Както можете да видите, определено съществуват извънредни стойности, макар че ако имате строго стандартно разпространение в набора от данни, те не са толкова общи, колкото бихте си помислили. Така че, ако внимавате с математиката, средните стойности все още могат да бъдат много полезна информация за по-голямата част от рекламодателите.
В ППК маркетинг, математически победи
Нека не изхвърляме средните с водата за къпане. В крайна сметка всички показатели за ефективността в AdWords като (CTR, CPC, Средна позиция, Конверсии и др.) Се отчитат като средни стойности.
Вместо да игнорираме средните стойности, нека използваме силата на математиката, за да разберем дали средната стойност, която разглеждате, е значима или не.
Преиздадена с разрешение. Оригинал тук.
Средна снимка чрез Shutterstock
Още в: Съдържание на канала за издатели
