Дошло је до осипања твеетова и постова на блогу који су недавно говорили о проблемима с кориштењем просјека у ППЦ маркетингу. На пример, ова у којој Јулие Баццхини тврди да је „просек муцна метрика“:
Иако је истина да понекад просеци могу бити веома обмањујући, проблем са горе наведеним скупом података је велика варијација популације и стандардна девијација у узорку.
$config[code] not foundУ овом посту желим да говорим о математици која је овде укључена и да направим аргумент за вредност просека, као и да одговорим на неке критике о извештавању о просечним вредностима које сам у последње време видео у ППЦ заједници.
Варијанца, стандардна девијација и коефицијент варијанце
Варијација узорка је мјера дисперзије - колико ће се вриједности у скупу података вјероватно разликовати од просјечне вриједности вашег скупа података. Она се израчунава узимајући у обзир просек квадрата разлика за сваку тачку података од просека. Квадратирање разлика осигурава да се негативна и позитивна одступања не поништавају.
Дакле, за клијента 1, само израчунајте разлику између 0,5% и просечне промене од 3,6%, затим квадратирајте тај број. Учините то за сваког клијента, а затим узмите просјек варијанце: то је варијација вашег узорка.
Стандардно одступање узорка је једноставно квадратни корен варијансе.
Једноставно речено, у просеку, вредности у овом сету података обично падају за 5,029 одсто од укупног просека од 3,6 процената (тј. Бројеви су веома распршени), што значи да не можете много закључити из ове дистрибуције.
Поједностављени начин за процену да ли су ваша стандардна одступања "превисока" (под претпоставком да тражите нормалну дистрибуцију) је да израчунате коефицијент варијације (или релативну стандардну девијацију) који је једноставно стандардна девијација подељена на просек.
Шта то значи и зашто нам је стало? Ради се о вриједности извјештавања о просјецима. Када ВордСтреам уради студију користећи податке о клијенту, ми не израчунавамо само просеке из малих скупова података и правимо велике закључке - бринемо о дистрибуцији података. Ако су бројеви посвуда, ми их избацујемо и покушавамо да сегментирамо узорак на другачији начин (од стране индустрије, трошимо, итд.) Како бисмо пронашли смисленији узорак из којег можемо са сигурнијим закључцима доносити закључке.
Чак и смислени просјеци по дефиницији укључују вриједности изнад и испод просјека
Још једна критика анти-просечног кампа је идеја да просек не говори за целу популацију. То је, наравно, тачно, по дефиницији.
Да, просјеци садрже податке који падају изнад и испод просјечне вриједности. Али то није велики аргумент за потпуно одбацивање просека.
Под претпоставком нормалне дистрибуције, очекује се да ће око 68% ваших података пасти +/- 1 стандардна девијација од вашег просјека, 95% унутар +/- 2 стандардних девијација, и 99,7% унутар +/- 3 стандардне девијације, као што је илустровано овде.
Као што можете видети, оутлиери свакако постоје, иако ако имате чврсту стандардну дистрибуцију у вашем сету података, они нису тако чести као што мислите. Дакле, ако будете пазили на математику, просјеци и даље могу бити врло корисне информације за велику већину оглашивача.
Ин ППЦ Маркетинг, Матх Винс
Немојмо бацати просеке са водом за купање. Уосталом, скоро све метрике перформанси у АдВордс-у (ЦТР, ЦПЦ, просечна позиција, стопе конверзије, итд.) Су приказане као просечне вредности.
Уместо да игноришемо просеке, искористимо моћ математике да утврдимо да ли је просек који гледате има смисла или не.
Поновно је издата са дозволом. Оригинал овде.
Просечна фотографија преко Схуттерстоцка
Више у: Садржај канала издавача
