Nagkaroon ng isang pantal ng mga tweet at mga post sa blog kamakailan-lamang na pakikipag-usap tungkol sa mga problema sa paggamit ng mga average sa PPC marketing. Halimbawa, ang isang ito kung saan sinabi ni Julie Bacchini na ang "katamtaman ay isang sucky metric":
Habang totoo na kung minsan ang mga average ay maaaring maging lubhang nakaliligaw, ang problema sa hanay ng data sa itaas ay ang malaking pagkakaiba ng populasyon at karaniwang paglihis sa sample.
$config[code] not foundSa post na ito gusto kong pag-usapan ang matematika na kasangkot dito at gumawa ng isang kaso para sa halaga ng mga average, pati na rin ang tumugon sa ilan sa mga kritika ng pag-uulat sa mga average na ko na nakita sa komunidad PPC kamakailan lamang.
Pagkakaiba, Standard Deviation at Coefficient of Variance
Halimbawa ng pagkakaiba ay isang sukatan ng pagpapakalat - sa pamamagitan ng kung gaano kalaki ang mga halaga sa hanay ng data ay malamang na naiiba mula sa average na halaga ng iyong data set. Ito ay kinakalkula sa pamamagitan ng pagkuha ng average ng mga parisukat ng mga pagkakaiba para sa bawat punto ng data mula sa average. Tinitiyak ang mga pagkakaiba na ang mga negatibo at positibong paglihis ay hindi kanselahin ang bawat isa.
Kaya para sa client 1, kalkulahin lamang ang pagkakaiba sa pagitan ng 0.5 porsiyento at ang average na pagbabago ng 3.6 porsiyento, pagkatapos ay parisukat ang bilang na iyon. Gawin ito para sa bawat kliyente, pagkatapos ay gawin ang average ng mga variance: iyon ang iyong sample na pagkakaiba.
Sample Standard Deviation ay lamang ang square root ng pagkakaiba.
Sa simpleng mga termino, sa karaniwan, ang mga halaga sa hanay na ito ng data ay kadalasang bumagsak ng 5.029 porsiyento ang layo mula sa pangkalahatang average ng 3.6 na porsyento (ibig sabihin ang mga numero ay napaka dispersed), na nangangahulugan na hindi ka maaaring magwakas mula sa pamamahagi na ito.
Ang isang pinasimple na paraan upang matantya kung ang iyong karaniwang mga deviation ay "masyadong mataas" (ipagpapalagay na naghahanap ka ng isang normal na pamamahagi) ay upang makalkula ang isang koepisyent ng pagkakaiba (o kamag-anak standard na paglihis) na kung saan ay simpleng standard na paglihis na hinati ng average.
Ano ang ibig sabihin nito at bakit dapat nating alagaan? Ito ay tungkol sa halaga ng pag-uulat sa mga katamtaman. Kapag ang WordStream ay isang pag-aaral na gumagamit ng data ng kliyente, hindi lamang namin tinutukoy ang mga katamtaman mula sa mga maliliit na hanay ng data at gumawa ng mga malaking konklusyon - nagmamalasakit kami tungkol sa pamamahagi ng data. Kung ang mga numero ay nasa buong lugar, itatapon namin ang mga ito at subukan na i-segment ang sample sa isang iba't ibang mga paraan (sa pamamagitan ng industriya, paggastos, atbp.) Upang makahanap ng isang mas makabuluhang pattern mula sa kung saan maaari naming mas kumpyansa gumuhit ng mga konklusyon.
Kahit na Makabuluhang Mga Katamtaman sa Pamamagitan ng Kahulugan Isama ang Mga Halaga sa Itaas at Nasa ibaba ang Average
Ang isa pang linya ng pamimintas mula sa anti-average na kampo ay ang paniwala na ang isang average ay hindi nagsasalita para sa buong populasyon. Totoo nga ito, sa pamamagitan ng kahulugan.
Oo, ang mga katamtaman ay naglalaman ng mga puntos ng data na nahulog sa itaas at mas mababa sa karaniwang halaga. Ngunit ito ay hindi isang mahusay na argumento para sa pagkahagis ng average ng kabuuan.
Sa pagpapalagay ng isang normal na pamamahagi, inaasahan mong humigit-kumulang sa 68 porsiyento ng iyong mga punto ng data na mahulog +/- 1 standard na paglihis mula sa iyong average, 95 porsiyento sa loob ng +/- 2 standard na deviations, at 99.7 porsiyento sa loob ng +/- 3 standard na deviations, tulad ng isinalarawan dito.
Tulad ng makikita mo, tiyak na umiiral ang mga outlier, bagaman kung mayroon kang isang masikip pamantayan sa pamamahagi sa iyong dataset, hindi karaniwan ang mga ito kung maaari mong isipin. Kaya kung mag-ingat ka tungkol sa matematika, ang mga katamtaman ay maaari pa ring maging kapaki-pakinabang na impormasyon para sa karamihan ng mga advertiser.
Sa PPC Marketing, Win ng Math
Huwag itapon ang mga katamtaman sa tubig paliguan. Pagkatapos ng lahat, halos lahat ng sukatan ng pagganap sa AdWords (CTR, CPC, Average na Posisyon, Mga Rate ng Conversion, atbp.) Ay iniulat bilang mga karaniwang halaga.
Sa halip na balewalain ang mga katamtaman, gamitin natin ang lakas ng matematika upang malaman kung ang average na iyong hinahanap ay makabuluhan o hindi.
Nai-publish sa pamamagitan ng pahintulot. Orihinal na dito.
Average na Larawan sa pamamagitan ng Shutterstock
Higit pa sa: Nilalaman ng Channel ng Publisher
