Ci sono stati un'eruzione di tweet e post sul blog di recente che parlava dei problemi con l'utilizzo delle medie nel marketing PPC. Ad esempio, questo in cui Julie Bacchini sostiene che "le medie sono una metrica sucky":
Mentre è vero che a volte le medie possono essere molto fuorvianti, il problema con il set di dati sopra riportato è l'enorme varianza della popolazione e la deviazione standard nel campione.
$config[code] not foundIn questo post voglio parlare della matematica qui coinvolta e fare un caso per il valore delle medie, così come rispondere ad alcune delle critiche del rapporto sulle medie che ho visto nella comunità PPC ultimamente.
Varianza, deviazione standard e coefficiente di varianza
Varianza di campionamento è una misura della dispersione: di quanto i valori nel set di dati possono differire dal valore medio del set di dati. Viene calcolato prendendo la media dei quadrati delle differenze per ciascun punto di dati rispetto alla media. La quadratura delle differenze assicura che le deviazioni negative e positive non si annullino a vicenda.
Quindi per il client 1, basta calcolare la differenza tra lo 0,5 percento e il cambiamento medio del 3,6 percento, quindi quadrare quel numero. Fai questo per ogni cliente, quindi prendi la media delle varianze: questa è la tua varianza campionaria.
Deviazione standard del campione è semplicemente la radice quadrata della varianza.
In termini semplici, in media, i valori in questo set di dati in genere scendono del 5,029 percento rispetto alla media complessiva del 3,6 percento (ovvero i numeri sono molto dispersi), il che significa che non si può concludere molto da questa distribuzione.
Un modo semplificato per stimare se le deviazioni standard sono "troppo alte" (supponendo che si stia cercando una distribuzione normale) consiste nel calcolare un coefficiente di varianza (o deviazione standard relativa) che è semplicemente la deviazione standard divisa per la media.
Cosa significa questo e perché dovremmo preoccuparci? Riguarda il valore del rapporto sulle medie. Quando WordStream fa uno studio utilizzando i dati del cliente, non calcoliamo solo medie da piccoli set di dati e facciamo grandi conclusioni: ci preoccupiamo della distribuzione dei dati. Se i numeri sono dappertutto, li buttiamo fuori e proviamo a segmentare il campione in un modo diverso (per industria, spesa, ecc.) Per trovare uno schema più significativo da cui trarre conclusioni più attendibili.
Anche le medie significative per definizione includono valori al di sopra e al di sotto della media
Un'altra linea di critica da parte del campo anti-medio è l'idea che una media non parli per l'intera popolazione. Questo è ovviamente vero, per definizione.
Sì, le medie contengono punti dati che cadono sopra e sotto il valore medio. Ma questo non è un grande argomento per buttare via le medie.
Supponendo una distribuzione normale, ti aspetteresti che circa il 68 percento dei tuoi punti dati diminuisca di +/- 1 deviazione standard dalla media, 95 percento entro +/- 2 deviazioni standard e 99,7 percento entro +/- 3 deviazioni standard, come illustrato Qui.
Come puoi vedere, i valori anomali esistono sicuramente, anche se hai una distribuzione standard limitata nel tuo set di dati, non sono così comuni come potresti pensare. Quindi, se fai attenzione alla matematica, le medie possono comunque essere informazioni molto utili per la stragrande maggioranza degli inserzionisti.
Nel marketing PPC, Math Wins
Non buttiamo le medie con l'acqua sporca. Dopotutto, quasi tutte le metriche sul rendimento in AdWords (CTR, CPC, Posizione media, Tassi di conversione, ecc.) Sono riportate come valori medi.
Invece di ignorare le medie, usiamo il potere della matematica per capire se la media che stai guardando è significativa o meno.
Ripubblicato con il permesso. Originale qui.
Foto media via Shutterstock
Altro in: contenuto del canale editore
