某大型连锁零售集团（以下简称“集团”）计划在2026年第二季度全面升级其会员管理体系，重点在于通过数据驱动实现“千人千面”的精准营销。集团数据分析师小王负责基于2025全年的会员交易数据进行探索性数据分析（EDA）与可视化报告撰写，以支持管理层制定新的积分兑换策略和商品推荐逻辑。 在分析过程中，小王遇到了以下关键场景与挑战： 1. 变量类型复杂：数据集包含会员的基础属性（如性别、会员等级、偏好品类）、行为数据（如最近一次消费时间、消费频率）以及财务数据（如客单价、年度总消费额、单次购物篮商品数量）。 2. 分布形态异常：初步统计发现，“年度总消费额”和“单次购物篮商品数量”呈现明显的右偏分布（长尾），大部分用户消费较低，但少数高净值用户拉高了均值；而“会员满意度指数”（连续型变量）则呈现双峰分布。 3. 多维关系探索：业务部门希望了解不同“会员等级”下的“平均客单价”差异，以及“年龄”与“年度总消费额”之间是否存在线性相关关系。 4. 制图规范需求：最终报告需要向非技术背景的高管展示，要求图表既能准确反映统计特征（如离散程度、偏态），又要直观易懂，避免误导。 作为该项目的数据分析师，你需要依据数据可视化与统计分析的相关原理，解决以下关键问题。 （2）在分析“年度总消费额”这一连续型变量时，小王发现数据严重右偏（Positively Skewed），即存在少量极高消费的用户。为了在可视化报告中准确描述该变量的“集中趋势”，避免极端值对结果的过度影响，最合适的统计指标是？