В последнее время появилось множество твитов и постов в блогах, рассказывающих о проблемах использования средних значений в PPC-маркетинге. Например, это тот случай, когда Джули Баккини утверждает, что «средние показатели - плохая метрика»:
Хотя иногда средние значения могут вводить в заблуждение, проблема с указанным набором данных заключается в огромной дисперсии населения и стандартном отклонении в выборке.
$config[code] not foundВ этом посте я хочу поговорить о математике, о которой идет речь, и привести аргумент в пользу значения средних значений, а также ответить на некоторую критику отчетности по средним значениям, которую я видел в последнее время в сообществе PPC.
Дисперсия, стандартное отклонение и коэффициент дисперсии
Выборочная дисперсия является показателем дисперсии - насколько значения в наборе данных могут отличаться от среднего значения вашего набора данных. Он рассчитывается путем взятия среднего квадрата разностей для каждой точки данных из среднего значения. Возведение в квадрат различий гарантирует, что отрицательные и положительные отклонения не устраняют друг друга.
Поэтому для клиента 1 просто рассчитайте разницу между 0,5% и средним изменением 3,6%, а затем возведите в квадрат это число. Сделайте это для каждого клиента, затем возьмите среднее значение отклонений: это ваша выборочная дисперсия.
Образец стандартного отклонения это просто квадратный корень из дисперсии.
Проще говоря, в среднем значения в этом наборе данных обычно падают на 5,029 процента по сравнению с общим средним показателем в 3,6 процента (т. Е. Цифры очень разбросаны), что означает, что из этого распределения вы многого не можете сделать.
Упрощенный способ оценки того, являются ли ваши стандартные отклонения «слишком высокими» (при условии, что вы ищете нормальное распределение), состоит в том, чтобы рассчитать коэффициент дисперсии (или относительное стандартное отклонение), который представляет собой просто стандартное отклонение, деленное на среднее значение.
Что это значит и почему нас это должно волновать? Речь идет о значении отчетности по средним. Когда WordStream проводит исследование с использованием данных клиента, мы не просто вычисляем средние значения из небольших наборов данных и делаем большие выводы - мы заботимся о распределении данных. Если цифры повсюду, мы отбрасываем их и пытаемся сегментировать выборку другим способом (по отраслям, расходам и т. Д.), Чтобы найти более значимую модель, из которой мы можем более уверенно делать выводы.
Даже значимые средние по определению включают значения выше и ниже среднего
Еще одна критика анти-среднего лагеря - это то, что средний не говорит за все население. Это конечно верно по определению.
Да, средние значения содержат точки данных, которые падают выше и ниже среднего значения. Но это не хороший аргумент для того, чтобы выкидывать средние значения вообще.
Предполагая нормальное распределение, вы ожидаете, что примерно 68 процентов ваших точек данных упадут +/- 1 стандартное отклонение от вашего среднего значения, 95 процентов в пределах +/- 2 стандартных отклонения и 99,7 процента в пределах +/- 3 стандартных отклонения, как показано Вот.
Как видите, выбросы, безусловно, существуют, хотя, если у вас есть строгий стандартный дистрибутив в вашем наборе данных, они не так распространены, как вы думаете. Поэтому, если вы внимательно относитесь к математике, средние значения все еще могут быть очень полезной информацией для подавляющего большинства рекламодателей.
В маркетинге PPC, математика выигрывает
Давайте не выбрасывать средние с водой из ванны. В конце концов, почти все показатели эффективности в AdWords, такие как (CTR, CPC, средняя позиция, коэффициенты конверсии и т. Д.), Представлены в виде средних значений.
Вместо того, чтобы игнорировать средние значения, давайте использовать силу математики, чтобы выяснить, является ли среднее значение, на которое вы смотрите, значимым или нет.
Перепечатано с разрешения. Оригинал здесь.
Среднее фото через Shutterstock
Подробнее в: Содержание канала издателя
