Ha habido una serie de tweets y publicaciones de blog recientemente que hablan sobre los problemas con el uso de promedios en el marketing de PPC. Por ejemplo, en este caso, Julie Bacchini argumenta que "los promedios son una métrica desagradable":
Si bien es cierto que a veces los promedios pueden ser muy engañosos, el problema con el conjunto de datos anterior es la gran variación poblacional y la desviación estándar en la muestra.
$config[code] not foundEn este post quiero hablar sobre las matemáticas involucradas aquí y hacer un caso para el valor de los promedios, así como responder a algunas de las críticas de informar sobre promedios que he visto en la comunidad de PPC últimamente.
Variación, desviación estándar y coeficiente de variación
Varianza de la muestra es una medida de dispersión, según la probabilidad de que los valores en el conjunto de datos difieran del valor promedio de su conjunto de datos. Se calcula tomando el promedio de los cuadrados de las diferencias para cada punto de datos del promedio. La cuadratura de las diferencias garantiza que las desviaciones negativas y positivas no se cancelen entre sí.
Entonces, para el cliente 1, solo calcule la diferencia entre 0.5 por ciento y el cambio promedio de 3.6 por ciento, luego cuadrar ese número. Haga esto para cada cliente, luego tome el promedio de las variaciones: esa es su varianza de muestra.
Muestra de desviación estándar Es simplemente la raíz cuadrada de la varianza.
En términos simples, en promedio, los valores en este conjunto de datos generalmente se alejan 5.029 por ciento del promedio general de 3.6 por ciento (es decir, los números están muy dispersos), lo que significa que no puede concluir mucho de esta distribución.
Una forma simplificada de estimar si sus desviaciones estándar son "demasiado altas" (suponiendo que está buscando una distribución normal) es calcular un coeficiente de varianza (o desviación estándar relativa) que es simplemente la desviación estándar dividida por el promedio.
¿Qué significa esto y por qué nos debe importar? Se trata del valor de informar sobre promedios. Cuando WordStream realiza un estudio utilizando datos de clientes, no solo calculamos promedios a partir de pequeños conjuntos de datos y sacamos grandes conclusiones: nos preocupa la distribución de los datos. Si los números están por todas partes, los descartamos e intentamos segmentar la muestra de una manera diferente (por industria, gasto, etc.) para encontrar un patrón más significativo del cual podamos sacar conclusiones con más confianza.
Incluso los promedios significativos por definición incluyen valores por encima y por debajo del promedio
Otra línea de crítica del campo anti-promedio es la idea de que un promedio no habla por toda la población. Esto es, por supuesto, cierto, por definición.
Sí, los promedios contienen puntos de datos que están por encima y por debajo del valor promedio. Pero este no es un gran argumento para descartar promedios por completo.
Suponiendo una distribución normal, esperaría que aproximadamente el 68 por ciento de sus puntos de datos caigan +/- 1 desviación estándar de su promedio, el 95 por ciento dentro de +/- 2 desviaciones estándar y el 99.7 por ciento dentro de +/- 3 desviaciones estándar, como se ilustra aquí.
Como puede ver, ciertamente existen valores atípicos, aunque si tiene una distribución estándar ajustada en su conjunto de datos, no son tan comunes como podría pensar. Por lo tanto, si tiene cuidado con los cálculos, los promedios pueden ser una información muy útil para la gran mayoría de los anunciantes.
En PPC Marketing, Matemáticas gana
No tiremos medias con el agua del baño. Después de todo, casi todas las métricas de rendimiento en AdWords como (CTR, CPC, Posición promedio, Tasas de conversión, etc.) se informan como valores promedio.
En lugar de ignorar los promedios, utilicemos el poder de las matemáticas para averiguar si el promedio que está viendo es significativo o no.
Publicado nuevamente con permiso. Original aquí.
Foto media a través de Shutterstock
Más en: Contenido del canal del editor
