Tam boli vyrážka tweets a blog posty nedávno hovorí o problémoch s použitím priemerov v PPC marketing. Napríklad v tom, kde Julie Bacchini tvrdí, že "priemery sú suky metrické":
Hoci je pravda, že niekedy priemery môžu byť veľmi zavádzajúce, problémom s uvedeným súborom údajov je obrovská rozptyl populácie a štandardná odchýlka vo vzorke.
$config[code] not foundV tomto príspevku chcem hovoriť o matematike, ktorý sa tu venuje, a uvažovať o hodnote priemerných hodnôt, ako aj reagovať na niektoré kritiky oznamovania priemerných hodnôt, ktoré som v poslednej dobe videl v komunite PPC.
Odchýlka, štandardná odchýlka a koeficient odchýlky
Vzorka odchýlky je miera rozptylu - do akej miery sa hodnoty v súbore údajov pravdepodobne líšia od priemernej hodnoty vášho súboru údajov. Je vypočítaný tak, že priemer štvorcov rozdielov pre každý údajový bod je priemerný. Zníženie rozdielov zabezpečuje, že negatívne a pozitívne odchýlky sa navzájom nevyrušia.
Takže pre klienta 1 len vypočítajte rozdiel medzi 0,5 percentami a priemernou zmenou o 3,6 percenta. Robte to pre každého klienta, potom vezmite priemer odchýlok: to je vaša vzorka rozptylu.
Vzorová štandardná odchýlka je jednoducho druhá odmocnina rozptylu.
Jednoducho povedané, hodnoty v tejto súprave zvyčajne klesnú o 5,029% z celkového priemeru 3,6 percenta (t. J. Čísla sú veľmi rozptýlené), čo znamená, že z tejto distribúcie nemôžete vyvodzovať veľa.
Zjednodušený spôsob, ako odhadnúť, či sú vaše štandardné odchýlky "príliš vysoké" (za predpokladu, že hľadáte normálne rozdelenie), je vypočítať koeficient rozptylu (alebo relatívnu štandardnú odchýlku), ktorý je jednoducho štandardná odchýlka vydelená priemerom.
Čo to znamená a prečo by sme sa mali zaujímať? Ide o hodnotu vykazovania priemerných hodnôt. Keď WordStream vykoná štúdiu s použitím údajov klienta, nepoužívame len výpočet priemerov z malých množín údajov a urobíme veľké závery - záleží nám na distribúcii údajov. Ak sú čísla celé, vymažeme ich a pokúsime sa segmentovať vzorku iným spôsobom (podľa odvetvia, výdavky atď.), Aby sme našli zmysluplnejší vzor, z ktorého môžeme dôvernejšie vyvodiť závery.
Aj zmysluplné priemery podľa definície zahŕňajú hodnoty nad a pod priemer
Ďalšou kritikou kritickej kampane je, že priemer nehovorí o celej populácii. Toto je samozrejme pravda, podľa definície.
Áno, priemery obsahujú dátové body, ktoré sa nachádzajú nad a pod priemernou hodnotou. Ale to nie je veľký argument pre úplné vyradenie priemerov.
Za predpokladu normálnej distribúcie by ste očakávali, že približne 68% vašich dátových bodov klesne +/- 1 štandardná odchýlka od vášho priemeru, 95% v rámci +/- 2 štandardných odchýlok a 99,7% v rámci +/- 3 štandardných odchýlok, ako je ilustrované tu.
Ako vidíte, existujú mimoriadne udalosti, ale ak máte vo svojej množine údajov tesnú štandardnú distribúciu, nie sú tak časté, ako si myslíte. Takže ak ste opatrní matematikou, priemerné hodnoty môžu byť pre väčšinu inzerentov stále veľmi užitočnými informáciami.
V marketingu PPC, matematické víťazstvo
Nehromáždime priemery von s vodou v kúpeli. Veď všetky metriky výkonnosti v službe AdWords (CTR, CZK, priemerná pozícia, miery konverzie atď.) Sú nakoniec uvedené ako priemerné hodnoty.
Namiesto ignorovania priemerov použite silu matematiky, aby ste zistili, či je priemer, na ktorý sa pozeráte, zmysluplný alebo nie.
Opätovne zamietnuté. Originál tu.
Priemerná fotografia pomocou programu Shutterstock
Viac v: Obsah kanála vydavateľa
