Ir bijuši izsitumi no tweets un blog posts nesen runā par problēmām, izmantojot vidējo PPC tirdzniecību. Piemēram, tas, kurā Džūlija Bacčīni apgalvo, ka “vidējie rādītāji ir sucky metric”:
Lai gan ir taisnība, ka dažreiz vidējie rādītāji var būt ļoti maldinoši, problēma ar iepriekš minēto datu kopu ir milzīgā populācijas dispersija un standarta novirze paraugā.
$config[code] not foundŠajā amatā es vēlos runāt par šeit iesaistīto matemātiku un izteikt savu viedokli par vidējo vērtību vērtību, kā arī atbildēt uz dažiem kritikas ziņojumiem par vidējiem rādītājiem, ko pēdējā laikā esmu redzējis PPC kopienā.
Variants, standarta novirze un dispersijas koeficients
Parauga dispersija ir izkliedes mērs - cik lielā mērā datu kopas vērtības atšķirsies no jūsu datu kopas vidējās vērtības. To aprēķina, ņemot vērā katras datu punkta atšķirību kvadrātu vidējo vērtību no vidējā. Atšķirību nodrošināšana nodrošina, ka negatīvās un pozitīvās novirzes viena otru neatceļ.
Tātad 1. klientam tikai aprēķiniet starpību starp 0,5 procentiem un vidējo 3,6 procentu izmaiņu, pēc tam kvadrāti šo skaitli. Dariet to katram klientam, tad ņemiet vidējo rādītāju starpību: tas ir jūsu parauga dispersija.
Standarta novirzes paraugs ir vienkārši dispersijas kvadrātsakne.
Vienkārši izsakoties, vidēji šīs datu kopas vērtības parasti samazinās par 5,029 procentiem no kopējā vidējā 3,6 procenti (t.i., skaitļi ir ļoti izkliedēti), kas nozīmē, ka jūs nevarat izdarīt daudz no šīs izplatīšanas.
Vienkāršots veids, kā novērtēt, vai jūsu standarta novirzes ir „pārāk augstas” (pieņemot, ka jūs meklējat normālu sadalījumu), ir aprēķināt dispersijas koeficientu (vai relatīvo standarta novirzi), kas ir vienkārši standarta novirze, kas dalīta ar vidējo.
Ko tas nozīmē un kāpēc mums vajadzētu rūpēties? Tas ir par vidējo vērtību ziņošanas vērtību. Kad WordStream veic pētījumu, izmantojot klienta datus, mēs ne tikai aprēķinām vidējos rādītājus no maziem datu kopumiem, bet arī izdarām lielus secinājumus - mēs rūpējamies par datu izplatīšanu. Ja numuri ir visur, mēs tos izmetam un mēģinām segmentēt paraugu citādi (pēc nozares, tēriņu utt.), Lai atrastu jēgpilnāku modeli, no kura mēs varam pārliecinātāk izdarīt secinājumus.
Pat nozīmīgi vidējie rādītāji pēc definīcijas Iekļaut vērtības virs un zem vidējā līmeņa
Vēl viena pretvidus nometnes kritikas līnija ir priekšstats, ka vidējais skaits nerunā par visu iedzīvotāju. Tas, protams, ir patiess, pēc definīcijas.
Jā, vidējie rādītāji satur datu punktus, kas pārsniedz vidējo vērtību. Bet tas nav lielisks arguments, lai pilnībā izvilktu vidējos rādītājus.
Pieņemot, ka tas ir normāls sadalījums, jūs sagaidāt, ka aptuveni 68 procenti no jūsu datu punktiem samazināsies par +/- 1 standarta novirzi no jūsu vidējā, 95 procenti no +/- 2 standarta novirzēm, un 99,7 procenti no +/- 3 standarta novirzēm, kā parādīts šeit.
Kā redzat, noteikti pastāv izņēmumi, lai gan, ja jūsu datu kopā ir stingra standarta izplatīšana, tie nav tik izplatīti kā jūs domājat. Tātad, ja jūs rūpējāt par matemātiku, vidējie rādītāji joprojām var būt ļoti noderīga informācija lielākajai daļai reklāmdevēju.
PPC mārketingā iegūst Math
Neaizmirsīsim vidējos rādītājus ar vannu ūdeni. Galu galā gandrīz visas AdWords veiktspējas rādītāji, piemēram, (VKS, MPK, vidējā pozīcija, reklāmguvumu līmenis utt.) Tiek ziņots kā vidējās vērtības.
Tā vietā, lai ignorētu vidējos rādītājus, izmantosim matemātikas spēku, lai noskaidrotu, vai vidējais rādītājs ir nozīmīgs vai nē.
Pārpublicēts ar atļauju. Oriģināls šeit.
Vidējā fotogrāfija, izmantojot Shutterstock
Plašāk: izdevēja kanāla saturs
