Hi ha hagut una ràfega de tweets i publicacions de bloc parlant recentment dels problemes amb l'ús de mitjanes en el màrqueting de PPC. Per exemple, aquell on Julie Bacchini argumenta que "les mitjanes són una mètrica sucky":
Si bé és cert que, de vegades, les mitjanes poden ser molt enganyoses, el problema amb el conjunt de dades anterior és la gran variància de població i la desviació estàndard a la mostra.
$config[code] not foundEn aquest post vull parlar sobre les matemàtiques implicades aquí i fer un cas pel valor de les mitjanes, així com respondre a algunes de les crítiques a informar sobre les mitjanes que he vist en la comunitat de PPC últimament.
Variació, desviació estàndard i coeficient de variància
Variació de mostra és una mesura de dispersió, pel que els valors del conjunt de dades poden diferir del valor mitjà del conjunt de dades. Es calcula prenent la mitjana dels quadrats de les diferències per a cada punt de dades de la mitjana. El quadrat de les diferències garanteix que les desviacions negatives i positives no es canvien.
Per tant, per al client 1, només calculeu la diferència entre el 0,5 per cent i el canvi mitjà del 3,6 per cent, llavors quadreu aquest número. Feu això per a cada client i, a continuació, tome la mitjana de les variàncies: aquesta és la vostra variància d'exemple.
Desviació estàndard de mostra és simplement l'arrel quadrada de la variància.
En termes simples, de mitjana, els valors d'aquest conjunt de dades solen caure 5,029 per cent de la mitjana global del 3,6 per cent (és a dir, els números estan molt dispersos), el que significa que no es pot concloure molt d'aquesta distribució.
Una manera simplificada d'estimar si les vostres desviacions estàndard són "massa altes" (suposant que esteu buscant una distribució normal) és calcular un coeficient de variància (o desviació estàndard relativa) que és simplement la desviació estàndard dividida per la mitjana.
Què significa això i per què ens importa? Es tracta del valor d'informar sobre les mitjanes. Quan WordStream realitza un estudi amb dades del client, no només calcular les mitjanes de petits conjunts de dades i fer grans conclusions: ens importa la distribució de les dades. Si els números són a tot arreu, els tirarem i tractarem de segmentar la mostra d'una manera diferent (per la indústria, la despesa, etc.) per trobar un patró més significatiu del que podrem treure conclusions amb més seguretat.
Fins i tot mitjanes significatives per definició inclouen valors per sobre i per sota de la mitjana
Una altra línia de crítica del camp anti-mitjà és la noció que una mitjana no parla per a tota la població. Això és cert, per definició.
Sí, les mitjanes contenen punts de dades que cauen per sobre i per sota del valor mitjà. Però aquest no és un gran argument per llançar mitjanes completament.
Suposant una distribució normal, s'espera que aproximadament el 68 per cent dels seus punts de dades caiguin +/- 1 desviació estàndard des de la mitjana, 95 per cent dins de +/- 2 desviacions estàndard, i 99.7 per cent dins de +/- 3 desviacions estàndard, tal com es mostra aquí.
Com podeu veure, existeixen sinopsis, tot i que si teniu una distribució estàndard estricta al vostre conjunt de dades, no són tan comuns com penseu. Així, si teniu cura amb les matemàtiques, les mitjanes encara poden ser informació molt útil per a la gran majoria d'anunciants.
En màrqueting de PPC, Math Wins
No tirem les mitjanes amb l'aigua del bany. Després de tot, gairebé totes les mètriques de rendiment com ara AdWords (CTR, CPC, posició mitjana, tarifes de conversió, etc.) es registren com a valors mitjans.
En lloc d'ignorar les mitjanes, utilitzem el poder de les matemàtiques per esbrinar si la mitjana que estàs mirant és significativa o no.
Republicat amb permís. Original aquí.
Foto mitjana a través de Shutterstock
Més informació a: Contingut del canal editorial