平均數為什麼會誤導？行銷分析中的分布與異常值

先說結論：平均上升，只能證明總和除以筆數變大

客單價、停留時間或每位使用者事件數的平均值上升時，不能直接推論多數顧客都買得更多、看得更久或互動得更深。平均數會納入每一筆值；少數大額訂單、極長工作階段、機器流量、重複事件，甚至分群比例改變，都可能把平均值拉高。

實際判讀時，至少把平均數和以下證據放在一起：

• 中位數：排序後位在正中央的值，較接近「一半高於它、一半低於它」。
• 百分位與四分位距：看中間大多數資料落在哪裡，以及尾端拉得多長。
• 分布圖：看資料是集中、偏斜、雙峰，還是只有少數孤立值。
• 筆數、總量與分群：確認變化來自普遍移動、客群組成，或單一特殊事件。
• 原始紀錄：查明極端值是真實商業訊號，還是追蹤與資料品質問題。

澳洲統計局對集中趨勢的說明指出，平均數是所有觀察值加總後除以筆數，因此會受離群值與偏斜分布影響；中位數受這兩者的影響較小。兩者不是誰永遠比較正確，而是在回答不同問題。

平均數回答「每筆分攤多少」，不一定代表典型顧客

算術平均數的公式沒有問題：

如果目的是預估每張訂單平均帶來多少收入，平均客單價很有用，因為「訂單數 × 平均客單價」可以回到總收入。但若問題是「多數顧客通常花多少」，中位數與分布往往更貼近讀者真正想知道的典型情況。

同一個「平均」還可能因分析單位不同而得到不同答案。例如 Google Analytics 將每位活躍使用者平均收入定義為期間總收入除以活躍使用者；其營利總覽說明也特別示範，整段期間的每位使用者平均收入，可能和圖上逐日平均值不同。先確認報表是「整段期間重新計算」，還是「每天平均後再平均」，才不會把粒度差異誤判為工具算錯。

完整案例：平均客單價增加 45.6%，多數訂單卻沒有變大

以下是虛構教學案例，只用來示範計算，不是任何企業或 MKT Notes 的實際成效。

一家線上課程商店比較甲、乙兩個月，各有 20 筆已付款且未退款的訂單。兩個月使用相同幣別、時區、訂單成功定義與去重方式。

訂單金額	甲月筆數	乙月筆數
600	1	1
700	1	1
800	2	2
900	3	4
1,000	4	4
1,100	3	2
1,200	2	2
1,300	1	1
1,400	1	1
1,500	1	1
2,000	1	0
12,000	0	1

把每一筆訂單都納入後：

指標	甲月	乙月	表面變化
訂單數	20	20	0%
營收	21,500	31,300	+45.6%
平均客單價	1,075	1,565	+45.6%
中位數	1,000	1,000	0%

乙月平均客單價的確從 1,075 元上升到 1,565 元，計算完全正確。但乙月那筆 12,000 元訂單占整月營收約 38.3%；第 10 與第 11 筆訂單仍都是 1,000 元，所以中位數不變。

若先把 12,000 元特殊訂單獨立查看，其餘 19 筆合計 19,300 元，平均約 1,016 元，反而比甲月整體平均低約 5.5%。這不代表應該刪除大單，而是應先問：

• 這是同一位顧客大量購買、企業團購，還是追蹤重複？
• 團隊想衡量的是整體營收效率，還是一般消費者的購買行為？
• 企業訂單是否應成為獨立客群，使用不同價格、銷售與服務流程？

因此合理結論不是「多數顧客花更多」，也不是「平均數沒有用」，而是：總收入因一筆可驗證的大額訂單明顯成長，一般訂單的中心位置大致不變；後續要分開追蹤企業大單與一般訂單。

同一個平均數，也能藏著完全不同的分布

平均數不只會被極端值拉動，也會壓平資料形狀。兩組資料即使平均相同，可能一組緊密集中，另一組分成低價與高價兩群；若只在儀表板上顯示一個中心值，兩種商業情境看起來會一樣。

NIST 對右偏分布的說明指出，在對稱分布中，平均數、中位數與眾數會接近；在偏斜分布中，三者可能明顯分開。因此看到平均與中位數差距擴大時，可以把它當成「分布形狀可能改變」的警訊，但不能只憑差距就斷定原因。

行銷資料常見的形狀包括：

分布形狀	可能情境	不能只看平均的原因
右側長尾	少數大額訂單、少數超長工作階段	大值會把平均往右拉
兩個高峰	新舊客、零售與企業客、不同方案混在一起	平均可能落在幾乎沒有人出現的位置
大量零值	多數人未購買，少數人有收入	每位使用者平均收入同時混合轉換率與購買金額
突然出現孤立值	真實大單、機器流量、重複事件、單位錯誤	必須查原始紀錄，不能自動刪除

用中位數、百分位與四分位距補回資料形狀

只把平均換成中位數仍不夠。中位數能描述排序中央，卻不會告訴你兩側有多分散。較實用的摘要組合是：

• 中位數：第 50 百分位，回答一半觀察值落在它以下、一半落在它以上。
• 第 25 與第 75 百分位：框出中間 50% 的資料。
• 四分位距：第 75 百分位減去第 25 百分位，描述中間一半資料的跨度。
• 較高百分位：例如第 90 或第 95 百分位，觀察長尾是否拉長。

澳洲統計局的離散程度指南強調，只用一個中心值只呈現資料的一部分；四分位距比全距更不容易受離群值影響。NIST 的箱形圖說明則以中位數、上下四分位數與極端點，同時呈現位置、分散程度與可能的離群值。若資料存在資料倉儲，BigQuery 的百分位函數也可直接計算連續百分位與中位數。

不同工具可能採用不同的百分位插值方法，小樣本時結果尤其容易有差異。跨報表比較前，應保留計算工具、函數、分群、空值處理與期間，不要假設所有「第 75 百分位」都用完全相同演算法。

離群值是調查候選，不是垃圾桶標籤

常見箱形圖會把小於「第 25 百分位減 1.5 倍四分位距」或大於「第 75 百分位加 1.5 倍四分位距」的值標成離群候選。這個規則適合協助找到值得檢查的紀錄，不代表超過界線的資料必然錯誤。

NIST 的離群值指南提醒，離群值可能來自錯誤，也可能包含重要的流程或資料蒐集訊息；在刪除前，應先理解它為何出現，以及類似值是否還會再發生。對行銷資料而言，可以依下列順序分類：

類別	例子	建議處理
真實且屬於目標母體	大額訂單、忠誠顧客大量購買	保留，另報分群與集中風險
真實但屬於不同情境	企業團購混入一般零售	保留原始資料，分群報告
技術或定義錯誤	重複購買事件、毫秒誤當秒、測試訂單	修正資料並留下處理紀錄
暫時無法判定	缺少訂單來源或事件識別碼	標記待查，不急著刪除或下結論

若懷疑大額訂單重複或金額欄位錯誤，可以沿用網站分析與後端訂單對帳的方法，以交易識別碼、金額、幣別、時間與狀態逐筆核對。沒有原始證據時，「去掉最高 1%」只是改變答案，不是完成資料清理。

七步判斷平均上升到底發生什麼

1. 固定一筆資料的單位

先寫清楚是一張訂單、一位使用者、一次工作階段、一天或一個廣告活動。不要把每次購買金額和每位顧客終身累積金額放在同一組平均。

2. 同時重算總和、筆數、平均與中位數

平均上升可能來自分子增加、分母減少，或兩者同時改變。若總營收不變但訂單數下降，平均客單價也會上升；這和相同訂單數下營收成長是不同故事。

3. 畫分布並列出百分位

用直方圖、箱形圖或累積分布查看偏態、空洞、雙峰與長尾。至少列出第 25、50、75 與較高百分位，不要只在一張時間序列圖上畫平均。

4. 定位對變化貢獻最大的紀錄

把當期和前期排序，檢查最高值、最低值、新出現的大群組，以及前幾筆占總量的比例。若一筆訂單貢獻近四成營收，報告中就應直接說明集中度。

5. 回查來源與資料品質

確認極端值是否存在於後端、付款或顧客系統，並檢查重複、單位、幣別、測試流量與事件版本。若平均變化和追蹤改版同日發生，先排除量測漂移。

6. 依決策切分，而不是無限切細

可比較新舊客、零售與企業、渠道、方案、裝置或地區，但每一組都要有足夠筆數與清楚用途。分群若只剩一兩筆，只能當個案線索，不能假裝成穩定趨勢。

7. 把結論寫成可驗證句

不要寫「客單價表現變好」。改寫成：「乙月平均客單價增加 45.6%，中位數不變；變化主要由一筆已核對的企業大單造成，一般訂單中心未上移。」下一期再觀察企業訂單是否持續，以及一般訂單分布是否改變。

若這些指標要進入固定報表，可參考從決策反推行銷儀表板：主卡保留總量與平均，旁邊加中位數、關鍵百分位、筆數與資料品質狀態；異常時能直接下鑽到分布與原始紀錄。

什麼時候平均數仍然是正確主角

平均數不是錯誤指標。當問題和總量或資源配置直接相關時，它通常不可取代：

• 用訂單數與平均客單價推估營收。
• 用總媒體成本除以轉換數，觀察每次結果平均需要多少成本。
• 用期間總工作量除以人數，估算每人平均負荷。
• 比較已固定母體、口徑與分布相近的實驗組。

真正的原則是：平均用來回答總量如何分攤；中位數與百分位用來回答典型位置和分布；原始紀錄與分群用來回答原因。 如果是 A/B 測試，也不要因少數高價值轉換拉高平均就直接宣布勝出；仍要依實驗結果的決策方法檢查指標定義、變異、不確定性、實務幅度與護欄指標。

最後帶走：看到平均變動，先問五個問題

1. 平均的分子、分母與一筆資料分別是什麼？
2. 中位數與關鍵百分位是否同方向移動？
3. 分布是整體平移、尾端拉長，還是混入不同客群？
4. 極端值是真實需求、不同情境，還是追蹤錯誤？
5. 移除、保留或分群後，會支持哪一個不同決策？

平均數可以快速把大量資料壓成一個可追蹤的數字，但壓縮必然會遺失形狀。讓平均、中位數、百分位、筆數、總量與分布一起出現，團隊才分得出「多數顧客真的改善」、「少數高價值事件值得另設策略」，以及「資料先壞了，現在不該做商業解讀」。