Por qué mostramos la mediana y no el promedio

Un promedio de avisos scrapeados salió diez veces equivocado y se publicó igual. La mediana no se mueve por un aviso mal cargado. El promedio sí.

En cada página de CarRadar donde dice «precio típico», el número es una mediana: el valor del medio, con la mitad de los avisos arriba y la mitad abajo. Nunca un promedio. No es una preferencia estética, es una cicatriz.

El promedio que se publicó diez veces equivocado

Antes de CarRadar, el mismo autor hizo un radar de arriendos con esta misma arquitectura. Ahí las estadísticas por comuna salían de un AVG() en SQL sobre el catálogo crudo.

Un solo aviso mal cargado, una venta publicada como arriendo a $510.506.019, hizo que el «arriendo promedio» de esa comuna saliera $2.524.516. Y eso se estaba publicando en páginas que Google indexa.

Y ese no fue el único. En otro caso medido del mismo proyecto, el promedio crudo daba 223.205 contra una mediana real de 23.375: casi diez veces de error. Ahí lo peor no era el número. El texto de la página decía «88% bajo el promedio» para una propiedad que estaba por encima del arriendo típico: el dato malo se convirtió en un consejo malo.

En autos el dato sucio es peor

Un catálogo armado con avisos de portales ajenos junta datos malos, y por eso lo primero que se escribió fue un filtro de calidad. Los tres modos de falla que dejamos previstos en el código son precios de $1 que en realidad quieren decir «consultar», precios de $999.999.999, y kilometrajes cargados en millas en vez de kilómetros. Están ahí como lo que esperamos encontrar, no como un recuento de lo que encontramos.

La mediana es indiferente a todo eso. Un aviso de $999.999.999 en una muestra de cuarenta corre la mediana un lugar. Al promedio lo arrastra a la estratósfera.

Los dos pisos que hacen que un número no se publique

La mediana sola no alcanza. Con una muestra de dos avisos la «mediana» es el promedio de los dos valores, con el mismo defecto de siempre. Con [16.490.000, 499.000.000] se publicaría un elegante «precio típico: $257.745.000».

Por eso hay dos compuertas antes de que veas un número:

• Menos de 3 avisos con precio en un segmento: no se publica precio. Se dice cuántos avisos hay, y nada más.
• Menos de 8 avisos: la página de ese segmento no existe. Una página con tres avisos no responde la pregunta que te trajo desde el buscador.

Y hay una tercera compuerta, en el código: la consulta que calcula las estadísticas no calcula ningún promedio. Ni uno. El campo existe en la respuesta de nuestra API, pero viene siempre vacío, y está ahí solo para que un programa que espere encontrarlo no se caiga. Si el promedio no se calcula, nadie lo publica por error, y el generador de las páginas avisa en el log del build si algún día apareciera uno con valor.

De ahí sale cada número que ves publicado: hoy el catálogo tiene 22.256 avisos, y cada precio típico se recalcula con los que tienen precio en ese segmento.

Qué no es la mediana que ves

Es la mitad de lo que los vendedores están pidiendo, en los avisos que alcanzamos a ver. No es una tasación, no es lo que alguien pagó, y no es todo el mercado. Sirve para saber si un aviso está caro o barato respecto de sus pares publicados, que es la pregunta que uno tiene abierta la pestaña para responder.

Si quieres el detalle por año de un modelo, cada página de modelo lo muestra en un gráfico con la tabla al lado: mira el índice de marcas.