Er zijn een overvloed aan tweets en blogposts geweest die onlangs hebben gesproken over de problemen met het gebruik van gemiddelden in PPC-marketing. Bijvoorbeeld, deze waarin Julie Bacchini beweert dat "gemiddelden een sucky metriek zijn":
Hoewel het waar is dat soms gemiddelden erg misleidend kunnen zijn, is het probleem met de bovenstaande dataset de enorme populatievariantie en standaarddeviatie in de steekproef.
$config[code] not foundIn dit bericht wil ik het hebben over de wiskunde die hier is betrokken en een pleidooi houden voor de waarde van gemiddelden, evenals reageren op een deel van de kritiek op het rapporteren over gemiddelden die ik de laatste tijd in de PPC-gemeenschap heb gezien.
Variantie, standaarddeviatie en variatiecoëfficiënt
Steekproefvariantie is een maat voor spreiding - door hoeveel de waarden in de gegevensset waarschijnlijk verschillen van de gemiddelde waarde van uw gegevensset. Het wordt berekend door het gemiddelde van de vierkanten van de verschillen voor elk gegevenspunt van het gemiddelde te nemen. Het kwadrateren van de verschillen zorgt ervoor dat negatieve en positieve afwijkingen elkaar niet opheffen.
Dus voor klant 1 berekent u gewoon het verschil tussen 0,5 procent en de gemiddelde verandering van 3,6 procent en vervolgens viert u dat aantal. Doe dit voor elke klant en neem vervolgens het gemiddelde van de varianties: dat is uw steekproefvariantie.
Voorbeeld standaardafwijking is gewoon de vierkantswortel van de variantie.
In eenvoudige termen vallen de waarden in deze dataset gemiddeld 5,029 procent weg van het algemene gemiddelde van 3,6 procent (d.w.z. de getallen zijn erg verspreid), wat betekent dat je niet veel kunt concluderen uit deze verdeling.
Een vereenvoudigde manier om te schatten of uw standaardafwijkingen "te hoog" zijn (ervan uitgaande dat u op zoek bent naar een normale verdeling) is het berekenen van een variatiecoëfficiënt (of relatieve standaarddeviatie), wat eenvoudigweg de standaardafwijking is, gedeeld door het gemiddelde.
Wat betekent dit en waarom zouden we erom geven? Het gaat over de waarde van rapportage over gemiddelden. Wanneer WordStream een studie uitvoert met clientgegevens, berekenen we niet alleen gemiddelden uit kleine gegevenssets en maken we grote conclusies - we geven om de distributie van de gegevens. Als cijfers overal zijn, gooien we ze weg en proberen we de steekproef op een andere manier te segmenteren (door de industrie, uitgaven, enz.) Om een zinvoller patroon te vinden waaruit we met meer zelfvertrouwen conclusies kunnen trekken.
Zelfs betekenisvolle gemiddelden per definitie bevatten waarden boven en onder het gemiddelde
Een andere lijn van kritiek van het anti-gemiddelde kamp is het idee dat een gemiddelde niet spreekt voor de hele bevolking. Dit is natuurlijk per definitie waar.
Ja, gemiddelden bevatten gegevenspunten die boven en onder de gemiddelde waarde liggen. Maar dit is geen geweldig argument om gemiddelden helemaal weg te gooien.
Uitgaande van een normale verdeling, zou u verwachten dat ongeveer 68 procent van uw datapunten +/- 1 standaardafwijking van uw gemiddelde, 95 procent binnen +/- 2 standaarddeviaties en 99,7 procent binnen +/- 3 standaarddeviaties daalt, zoals geïllustreerd hier.
Zoals je ziet, bestaan er zeker uitbijters, maar als je een strakke standaarddistributie hebt in je dataset, zijn ze niet zo gebruikelijk als je zou denken. Dus als u voorzichtig bent met de wiskunde, kunnen gemiddelden nog steeds zeer nuttige informatie zijn voor de overgrote meerderheid van adverteerders.
In PPC Marketing wint Math
Laten we geen gemiddelden gooien met het badwater. Tenslotte worden vrijwel alle prestatiestatistieken in AdWords zoals (CTR, CPC, Gemiddelde positie, Conversieratio's, etc.) gerapporteerd als gemiddelde waarden.
In plaats van gemiddelden te negeren, laten we de kracht van wiskunde gebruiken om erachter te komen of het gemiddelde waar u naar kijkt zinvol is of niet.
Opnieuw gepubliceerd met toestemming. Origineel hier.
Gemiddelde foto via Shutterstock
Meer informatie over: kanaalinhoud van uitgever
