最近有一连串的推文和博客文章讨论了在PPC营销中使用平均值的问题。例如，Julie Bacchini认为“平均值是一个很糟糕的指标”的这个：
虽然有时平均值可能会产生误导，但上述数据集的问题在于样本中的大量人口差异和标准差。
$config[code] not found在这篇文章中，我想谈谈这里涉及的数学，并对平均值的价值进行说明，并回应一些对我最近在PPC社区中看到的平均报道的批评。
方差，标准差和方差系数
样本差异 是一种分散度量 - 数据集中的值可能与数据集的平均值有多大差异。它是通过从平均值中取每个数据点的差异平方的平均值来计算的。平衡差异可确保负偏差和正偏差不会相互抵消。
因此对于客户端1，只需计算0.5％与3.6％的平均变化之间的差异，然后将该数字平方。为每个客户执行此操作，然后获取方差的平均值：这是您的样本方差。
样本标准偏差 只是方差的平方根。
简单来说，平均而言，该数据集中的值通常比3.6％的总体平均值下降5.029％（即数字非常分散），这意味着您无法从此分布中得出很多结论。
估算标准偏差是否“过高”（假设您正在寻找正态分布）的简化方法是计算方差系数（或相对标准偏差），这只是标准偏差除以平均值。
这意味着什么，我们为什么要关心？这是关于平均报告的价值。当WordStream使用客户端数据进行研究时，我们不只是从小数据集中计算平均值并得出大的结论 - 我们关心数据的分布。如果数字到处都是，我们将它们抛弃并尝试以不同的方式（通过行业，支出等）对样本进行分段，以找到更有意义的模式，从中我们可以更自信地得出结论。
即使有意义的平均值也包括平均值以上和以下的值
反平均阵营的另一个批评是平均值并不代表整个人口。根据定义，这当然是正确的。
是的，平均值包含的数据点高于和低于平均值。但这并不是一个完全抛弃平均数的好理由。
假设正态分布，您可以预期大约68％的数据点与平均值相差+/- 1标准差，95％在+/- 2标准差内，99.7％在+/- 3标准差内，如图所示这里。
正如您所看到的，异常值确实存在，但如果您的数据集中的标准分布很紧密，那么它们就不像您想象的那么普遍。因此，如果您对数学非常谨慎，那么对于绝大多数广告客户而言，平均值仍然是非常有用的信息。
在PPC营销中，数学获胜
我们不要把洗澡水扔掉。毕竟，AdWords中几乎所有的效果指标（点击率，每次点击费用，平均排名，转换率等）都会报告为平均值。
让我们用数学的力量来判断你所看到的平均值是否有意义，而不是忽略平均值。
经许可重新发布。原来这里。
通过Shutterstock平均照片
更多内容：发布商渠道内容
