Gần đây đã có một loạt các tweet và bài đăng trên blog nói về các vấn đề với việc sử dụng mức trung bình trong tiếp thị PPC. Ví dụ, cái này trong đó Julie Bacchini lập luận rằng trung bình của một người là một số liệu sucky
Mặc dù nó đúng là đôi khi trung bình có thể rất sai lệch, vấn đề với bộ dữ liệu trên là phương sai dân số rất lớn và độ lệch chuẩn trong mẫu.
$config[code] not foundTrong bài đăng này, tôi muốn nói về toán học liên quan ở đây và đưa ra một trường hợp về giá trị trung bình, cũng như trả lời một số lời chỉ trích về báo cáo trung bình mà tôi đã thấy trong cộng đồng PPC gần đây.
Phương sai, độ lệch chuẩn và hệ số phương sai
Phương sai mẫu là thước đo độ phân tán - bằng bao nhiêu giá trị trong tập dữ liệu có thể khác với giá trị trung bình của tập dữ liệu của bạn. Nó tính toán bằng cách lấy trung bình của bình phương của sự khác biệt cho mỗi điểm dữ liệu từ mức trung bình. Bình phương sự khác biệt đảm bảo rằng độ lệch âm và dương không triệt tiêu lẫn nhau.
Vì vậy, đối với khách hàng 1, chỉ cần tính chênh lệch giữa 0,5 phần trăm và thay đổi trung bình 3,6 phần trăm, sau đó bình phương con số đó. Làm điều này cho mọi khách hàng, sau đó lấy trung bình của phương sai: đó là phương sai mẫu của bạn.
Độ lệch chuẩn mẫu chỉ đơn giản là căn bậc hai của phương sai.
Nói một cách đơn giản, trung bình, các giá trị trong bộ dữ liệu này thường giảm 5,029% so với mức trung bình chung là 3,6% (nghĩa là các con số rất phân tán), điều đó có nghĩa là bạn có thể kết luận nhiều từ phân phối này.
Một cách đơn giản để ước tính nếu độ lệch chuẩn của bạn là quá cao (giả sử bạn đang tìm phân phối bình thường) là tính hệ số phương sai (hoặc độ lệch chuẩn tương đối) đơn giản là độ lệch chuẩn chia cho trung bình.
Điều này có nghĩa là gì và tại sao chúng ta nên quan tâm? Nó nói về giá trị của báo cáo trung bình. Khi WordStream thực hiện một nghiên cứu sử dụng dữ liệu khách hàng, chúng tôi không chỉ tính trung bình từ các tập dữ liệu nhỏ và đưa ra kết luận lớn - chúng tôi quan tâm đến việc phân phối dữ liệu. Nếu số lượng ở khắp mọi nơi, chúng tôi ném chúng ra và cố gắng phân đoạn mẫu theo một cách khác (theo ngành, chi tiêu, v.v.) để tìm ra một mô hình có ý nghĩa hơn từ đó chúng tôi có thể tự tin hơn để đưa ra kết luận.
Trung bình thậm chí có ý nghĩa theo định nghĩa bao gồm các giá trị trên và dưới mức trung bình
Một dòng chỉ trích khác từ trại chống trung bình là khái niệm rằng một người bình thường không nói gì cho toàn bộ dân chúng. Điều này là tất nhiên đúng, theo định nghĩa.
Có, trung bình chứa các điểm dữ liệu nằm trên và dưới giá trị trung bình. Nhưng đây không phải là một lý lẽ tuyệt vời để loại bỏ trung bình hoàn toàn.
Giả sử phân phối bình thường, bạn sẽ mong đợi khoảng 68% điểm dữ liệu của mình giảm +/- 1 độ lệch chuẩn so với mức trung bình của bạn, 95% trong khoảng +/- 2 độ lệch chuẩn và 99,7% trong độ lệch chuẩn +/- 3, như minh họa đây.
Như bạn có thể thấy, các ngoại lệ chắc chắn tồn tại, mặc dù nếu bạn có phân phối chuẩn chặt chẽ trong tập dữ liệu của mình, thì chúng không phổ biến như bạn nghĩ. Vì vậy, nếu bạn cẩn thận về toán học, trung bình vẫn có thể là thông tin rất hữu ích cho đại đa số các nhà quảng cáo.
Trong PPC Marketing, Toán thắng
Hãy để không ném trung bình với nước tắm. Rốt cuộc, gần như tất cả các số liệu hiệu suất trong AdWords như (TLB, CPC, Vị trí trung bình, Tỷ lệ chuyển đổi, v.v.) được báo cáo là giá trị trung bình.
Thay vì bỏ qua các mức trung bình, hãy để sử dụng sức mạnh của toán học để tìm hiểu xem mức trung bình mà bạn đang xem có ý nghĩa hay không.
Tái xuất bản theo sự cho phép. Bản gốc ở đây.
Ảnh trung bình qua Shutterstock
Thêm trong: Nội dung kênh nhà xuất bản
