Neseniai kalbama apie „tweets“ ir „blog“ pranešimų išbėrimą apie problemas, susijusias su vidurkių naudojimu PPC rinkodaroje. Pavyzdžiui, tai, kur Julie Bacchini teigia, kad „vidurkiai yra sucky metric“:
Nors tiesa, kad kartais vidurkiai gali būti labai klaidinantys, problema, susijusi su aukščiau pateiktu duomenų rinkiniu, yra didžiulis gyventojų dispersija ir standartinis nuokrypis mėginyje.
$config[code] not foundŠiame pranešime norėčiau pakalbėti apie čia dalyvaujamą matematiką ir pasakyti apie vidurkių vertę, taip pat atsakyti į kai kuriuos kritikos pranešimus apie vidurkius, kuriuos pastaruoju metu matiau PPC bendruomenėje.
Variancija, standartinis nuokrypis ir variacijos koeficientas
Mėginio dispersija yra dispersijos matas - kiek duomenų rinkinyje esančių verčių gali skirtis nuo vidutinės duomenų rinkinio vertės. Jis apskaičiuojamas atsižvelgiant į kiekvieno duomenų taško skirtumų kvadratų vidurkį nuo vidurkio. Skirtumų skirtumai užtikrina, kad neigiami ir teigiami nukrypimai nepanaikina vienas kito.
Taigi, klientui 1, tiesiog apskaičiuokite skirtumą tarp 0,5 proc. Ir vidutinį 3,6 proc. Pokytį, tada padalinkite tą skaičių. Padarykite tai kiekvienam klientui, tada nustatykite skirtumų vidurkį: tai yra jūsų mėginio dispersija.
Standartinis standartinis nuokrypis yra tiesiog dispersijos kvadratinė šaknis.
Paprastai kalbant, vidutiniškai šios duomenų grupės vertės paprastai sumažėja 5,029 proc. Nuo bendro vidutinio 3,6 proc. Vidurkio (t. Y. Skaičiai yra labai išsklaidyti), o tai reiškia, kad iš šio paskirstymo negalite daug padaryti.
Supaprastintas būdas įvertinti, ar jūsų standartiniai nuokrypiai yra „per dideli“ (darant prielaidą, kad ieškote normalaus paskirstymo) yra apskaičiuoti dispersijos koeficientą (arba santykinį standartinį nuokrypį), kuris yra tiesiog standartinis nuokrypis, padalytas iš vidurkio.
Ką tai reiškia ir kodėl turėtume rūpintis? Tai apie ataskaitų apie vidurkius vertę. Kai „WordStream“ atlieka tyrimą naudodama kliento duomenis, mes ne tik apskaičiuojame vidurkius iš mažų duomenų rinkinių ir darome dideles išvadas - mes rūpinamės duomenų platinimu. Jei skaičiai yra visur, mes juos išmesti ir bandome suskirstyti pavyzdį kitaip (pagal pramonės, išlaidų ir kt.), Kad rastume prasmingesnį modelį, nuo kurio galime labiau pasitikėti.
Net reikšmingi vidurkiai pagal apibrėžimą Įtraukti virš ir žemiau vidutinių verčių
Kita kritikos kryptis, kurią sukėlė priešiškumas stovykloje, yra tai, kad vidurkis nekalba visam gyventojui. Žinoma, tai yra tiesa.
Taip, vidurkiai apima duomenų taškus, kurie nukrenta virš ir žemiau vidutinės vertės. Tačiau tai nėra puikus argumentas, kad iš viso būtų išmetami vidurkiai.
Darant prielaidą, kad yra normalus pasiskirstymas, tikimasi, kad apie 68 procentus jūsų duomenų taškų sumažės +/- 1 standartinio nuokrypio nuo jūsų vidurkio, 95 proc. Per +/- 2 standartinius nuokrypius, ir 99,7 proc. čia.
Kaip matote, iš tikrųjų egzistuoja išskirtiniai rodikliai, nors jei jūsų duomenų rinkinyje yra griežtas standartinis paskirstymas, jie nėra tokie dažni, kokie manote. Taigi, jei esate atsargūs matematikos atžvilgiu, vidurkiai vis dar gali būti labai naudinga informacija daugeliui reklamuotojų.
PPC rinkodaros programoje „Math“ laimi
Neimkime vidurkių su vonios vandeniu. Galų gale, daugelis „AdWords“ našumo rodiklių (CTR, MUP, Vidutinė pozicija, konversijų kursai ir kt.) Pateikiamos kaip vidutinės vertės.
Užuot ignoravę vidurkius, naudokime matematikos galią, kad išsiaiškintume, ar vidutinis, kurį žiūrite, yra prasmingas.
Pakartotinai paskelbtas leidimu. Originalus čia.
Vidutinė nuotrauka per „Shutterstock“
Daugiau: Leidėjo kanalo turinys
