Det har varit ett utslag av tweets och blogginlägg som nyligen pratade om problemen med att använda medelvärden i PPC-marknadsföring. Till exempel, den här där Julie Bacchini hävdar att "medelvärden är en sucky metric":
Medan det är sant att ibland medelvärden kan vara mycket vilseledande, är problemet med ovanstående dataset den stora befolkningsvariationen och standardavvikelsen i urvalet.
$config[code] not foundI det här inlägget vill jag prata om matematiken som är inblandad här och göra ett fall för värdet av medelvärden, såväl som att svara på en del av kritiken av att rapportera om medelvärden som jag har sett i PPC-gemenskapen på senare tid.
Varians, standardavvikelse och variationskoefficient
Provvariation är ett mått på dispersion - av hur mycket värdena i datasättningen sannolikt kommer att skilja sig från medeltalet för din dataset. Det beräknas genom att ta medeltalet av kvadraterna för skillnaderna för varje datapunkt från medeltalet. Att kvadrera skillnaderna säkerställer att negativa och positiva avvikelser inte avbryter varandra.
Så för klient 1, bara beräkna skillnaden mellan 0,5 procent och den genomsnittliga förändringen på 3,6 procent, sedan square det antalet. Gör det här för varje klient, ta sedan medeltalet av avvikelserna: det är din provvariation.
Prov Standardavvikelse är helt enkelt kvadratroten av variansen.
I enkla termer faller värdena i den här datasatsen i genomsnitt vanligen 5.029 procent bort från det genomsnittliga genomsnittet på 3,6 procent (det vill säga siffrorna är mycket dispergerade) vilket betyder att du inte kan sluta mycket från denna distribution.
Ett förenklat sätt att beräkna om din standardavvikelse är "för hög" (förutsatt att du letar efter en normal fördelning) är att beräkna en varianskoefficient (eller relativ standardavvikelse) som helt enkelt är standardavvikelsen dividerad med medelvärdet.
Vad betyder detta och varför ska vi bry oss? Det handlar om värdet av rapportering om medelvärden. När WordStream gör en studie med klientdata beräknar vi inte bara medelvärden från små dataset och gör stora slutsatser - vi bryr oss om fördelningen av data. Om siffror finns överallt slänger vi dem och försöker segmentera provet på ett annat sätt (enligt branschen, spendera etc.) för att hitta ett mer meningsfullt mönster från vilket vi med säkerhet kan dra slutsatser.
Även meningsfulla medeltal per definition Inkludera värden ovanför och under genomsnittet
En annan kritik från det genomsnittliga lägret är tanken att ett genomsnitt inte talar för hela befolkningen. Detta är givetvis sant, per definition.
Ja, medelvärden innehåller datapunkter som faller över och under medelvärdet. Men det här är inte ett bra argument för att slänga ut medelvärden helt och hållet.
Om du antar en normal fördelning, förväntar du dig att cirka 68 procent av dina datapunkter kommer att falla +/- 1 standardavvikelse från ditt medeltal, 95 procent inom +/- 2 standardavvikelser och 99,7 procent inom +/- 3 standardavvikelser, vilket illustreras här.
Som du kan se finns existerande säkert, men om du har en stram standardfördelning i datasetet, är de inte lika vanliga som du kanske tror. Så om du är försiktig med matematiken kan medelvärden fortfarande vara mycket användbar information för de allra flesta annonsörer.
I PPC Marketing, Math Wins
Låt oss inte kasta medelvärden med badvattnet. Trots allt redovisas alla prestandametri i AdWords som (CTR, CPC, Medelposition, Omräkningskurser etc.) som medelvärden.
I stället för att ignorera medelvärden, låt oss använda kraften i matematiken för att ta reda på om det genomsnitt du tittar på är meningsfullt eller inte.
Publiceras med tillstånd. Original här.
Genomsnittlig bild via Shutterstock
Mer i: Utgivare Kanalinnehåll
