ทวีตและบล็อกโพสต์เมื่อเร็ว ๆ นี้ได้พูดถึงปัญหาเกี่ยวกับการใช้ค่าเฉลี่ยในการตลาด PPC ตัวอย่างเช่นอันนี้ที่ Julie Bacchini ให้เหตุผลว่า "ค่าเฉลี่ยเป็นตัวชี้วัดที่แย่":
แม้ว่าจะเป็นความจริงที่บางครั้งค่าเฉลี่ยอาจทำให้เข้าใจผิดได้ แต่ปัญหาของชุดข้อมูลข้างต้นคือความแปรปรวนของประชากรจำนวนมากและค่าเบี่ยงเบนมาตรฐานในตัวอย่าง
$config[code] not foundในโพสต์นี้ฉันต้องการพูดคุยเกี่ยวกับคณิตศาสตร์ที่เกี่ยวข้องที่นี่และสร้างกรณีสำหรับค่าเฉลี่ยรวมทั้งตอบสนองต่อการวิจารณ์การรายงานค่าเฉลี่ยที่ฉันเห็นในชุมชน PPC เมื่อเร็ว ๆ นี้
ความแปรปรวนส่วนเบี่ยงเบนมาตรฐานและสัมประสิทธิ์ความแปรปรวน
ความแปรปรวนตัวอย่าง เป็นการวัดการกระจายตัว - โดยค่าในชุดข้อมูลมีแนวโน้มที่จะแตกต่างจากค่าเฉลี่ยของชุดข้อมูลของคุณ คำนวณโดยใช้ค่าเฉลี่ยของกำลังสองของความแตกต่างสำหรับแต่ละจุดข้อมูลจากค่าเฉลี่ย การยกระดับความแตกต่างทำให้มั่นใจได้ว่าการเบี่ยงเบนเชิงลบและบวกจะไม่ยกเลิกซึ่งกันและกัน
ดังนั้นสำหรับลูกค้าที่ 1 เพียงแค่คำนวณความแตกต่างระหว่าง 0.5 เปอร์เซ็นต์และการเปลี่ยนแปลงเฉลี่ย 3.6 เปอร์เซ็นต์จากนั้นจึงยกกำลังสองจำนวนนั้น ทำสิ่งนี้กับลูกค้าทุกคนจากนั้นนำค่าเฉลี่ยของความแปรปรวนนั่นคือความแปรปรวนตัวอย่างของคุณ
ค่าเบี่ยงเบนมาตรฐานตัวอย่าง เป็นรากที่สองของความแปรปรวน
โดยทั่วไปแล้วโดยเฉลี่ยแล้วค่าในชุดข้อมูลนี้จะลดลง 5.029 เปอร์เซ็นต์จากค่าเฉลี่ยโดยรวม 3.6 เปอร์เซ็นต์ (นั่นคือการกระจายจำนวนมาก) ซึ่งหมายความว่าคุณไม่สามารถสรุปได้มากจากการแจกจ่ายนี้
วิธีที่ง่ายกว่าในการประมาณว่าส่วนเบี่ยงเบนมาตรฐานของคุณ“ สูงเกินไป” (สมมติว่าคุณกำลังมองหาการแจกแจงแบบปกติ) คือการคำนวณค่าสัมประสิทธิ์ความแปรปรวน (หรือค่าเบี่ยงเบนมาตรฐานสัมพัทธ์) ซึ่งเป็นค่าเบี่ยงเบนมาตรฐานหารด้วยค่าเฉลี่ย
สิ่งนี้หมายความว่าอย่างไรและทำไมเราจึงควรใส่ใจ เกี่ยวกับมูลค่าการรายงานโดยเฉลี่ย เมื่อ WordStream ทำการศึกษาโดยใช้ข้อมูลลูกค้าเราจะไม่คำนวณค่าเฉลี่ยจากชุดข้อมูลขนาดเล็กและทำการสรุปอย่างมาก - เราใส่ใจเรื่องการกระจายข้อมูล หากตัวเลขอยู่ทั่วสถานที่เราโยนพวกเขาออกไปและพยายามแบ่งกลุ่มตัวอย่างในลักษณะที่แตกต่างกัน (ตามอุตสาหกรรมใช้จ่าย ฯลฯ) เพื่อค้นหารูปแบบที่มีความหมายมากขึ้นซึ่งเราสามารถสรุปได้อย่างมั่นใจยิ่งขึ้น
แม้ค่าเฉลี่ยที่มีความหมายตามคำจำกัดความรวมถึงค่าที่สูงกว่าและต่ำกว่าค่าเฉลี่ย
การวิจารณ์อีกกลุ่มจากค่ายต่อต้านโดยเฉลี่ยคือความคิดที่ว่าค่าเฉลี่ยนั้นไม่ได้พูดสำหรับประชากรทั้งหมด นี่เป็นเรื่องจริงตามคำจำกัดความ
ใช่ค่าเฉลี่ยมีจุดข้อมูลที่อยู่ด้านบนและด้านล่างของค่าเฉลี่ย แต่นี่ไม่ใช่ข้อโต้แย้งที่ดีในการละทิ้งค่าเฉลี่ยทั้งหมด
สมมติว่ามีการแจกแจงแบบปกติคุณคาดว่าประมาณร้อยละ 68 ของจุดข้อมูลของคุณจะลดลง +/- 1 ส่วนเบี่ยงเบนมาตรฐานจากค่าเฉลี่ยของคุณ 95 เปอร์เซ็นต์ภายใน +/- 2 ส่วนเบี่ยงเบนมาตรฐานและ 99.7 เปอร์เซ็นต์ในส่วนเบี่ยงเบนมาตรฐาน +/- 3 ที่นี่
อย่างที่คุณเห็นมีค่าผิดปกติอยู่แม้ว่าคุณจะมีการแจกแจงมาตรฐานที่แน่นหนาในชุดข้อมูลของคุณพวกเขาจะไม่เหมือนกันอย่างที่คุณคิด ดังนั้นหากคุณระมัดระวังเกี่ยวกับคณิตศาสตร์ค่าเฉลี่ยยังคงเป็นข้อมูลที่มีประโยชน์มากสำหรับผู้โฆษณาส่วนใหญ่
ในการตลาด PPC, คณิตศาสตร์ชนะ
อย่าโยนค่าเฉลี่ยกับน้ำในอ่าง ท้ายที่สุดจะมีการรายงานตัวชี้วัดประสิทธิภาพทั้งหมดใน AdWords เช่น (CTR, CPC, ตำแหน่งเฉลี่ย, อัตราการแปลงและอื่น ๆ) เป็นค่าเฉลี่ย
แทนที่จะเพิกเฉยต่อค่าเฉลี่ยลองใช้พลังของคณิตศาสตร์เพื่อหาว่าค่าเฉลี่ยที่คุณดูมีความหมายหรือไม่
เผยแพร่ซ้ำโดยได้รับอนุญาต ต้นฉบับที่นี่
ภาพถ่ายโดยเฉลี่ยผ่าน Shutterstock
เพิ่มเติมใน: เนื้อหาของช่องทางผู้จัดพิมพ์
