'/%3e%3cpath%20d='M83.8172%20112C100.688%20112%20111.886%2098.2694%20112%2083.8882H44.0245C25.8409%2083.8882%2016.001%2094.3169%2016.001%20112H83.8172Z'%20fill='url(%23paint1_linear_101_577)'/%3e%3cpath%20d='M44.1725%2044.1138H16.0008C15.9465%2051.0963%2018.504%2058.2306%2024.2977%2064.0225L44.1706%2083.8881L52.8986%2075.3569L61.7636%2066.7019C63.2767%2065.2244%2063.2786%2062.7888%2061.7636%2061.3094L44.1725%2044.1138Z'%20fill='%233A5FFF'/%3e%3cpath%20d='M83.8248%2083.8862H111.996C112.051%2076.9037%20109.493%2069.7693%20103.7%2063.9774L83.8267%2044.1118L75.0986%2052.6431L66.2337%2061.2981C64.7206%2062.7756%2064.7187%2065.2112%2066.2337%2066.6906L83.8248%2083.8862Z'%20fill='%233A5FFF'/%3e%3cdefs%3e%3clinearGradient%20id='paint0_linear_101_577'%20x1='16.001'%20y1='30.055'%20x2='111.998'%20y2='30.055'%20gradientUnits='userSpaceOnUse'%3e%3cstop%20stop-color='%2370ADFE'/%3e%3cstop%20offset='0.62'%20stop-color='%233A5FFF'/%3e%3c/linearGradient%3e%3clinearGradient%20id='paint1_linear_101_577'%20x1='111.998'%20y1='97.9451'%20x2='16.001'%20y2='97.9451'%20gradientUnits='userSpaceOnUse'%3e%3cstop%20stop-color='%2370ADFE'/%3e%3cstop%20offset='0.62'%20stop-color='%233A5FFF'/%3e%3c/linearGradient%3e%3c/defs%3e%3c/svg%3e)
Корреляция и причинность
Аналитика регулярно показывает корреляции, бизнес-решения требуют причинных выводов. Между этими двумя вещами легко запутаться, и именно тут чаще всего рождаются дорогие ошибки.
Откуда берётся ложная корреляция
- Общая причина (confounder): обе переменные зависят от третьей.
- Обратная причинность: следствие путают с причиной.
- Эффект отбора: данные собраны так, что связь возникла на этапе выборки.
- Случайность: при достаточно большом числе сравнений где-то обязательно получится «значимая» связь.
Как доказать причинность
- Рандомизированные эксперименты (A/B-тесты).
- Естественные эксперименты и квазиэкспериментальные методы (difference-in-differences и др.).
- Аккуратное моделирование с учётом всех известных confounder-ов.
Когда применять и когда нет
Применять
- Перед любым выводом вида «X влияет на Y»
- При интерпретации корреляционных карт и матриц
- Когда хочется превратить аналитику в управленческое решение
Не применять
- В разведочной аналитике — там корреляции часто полезны для генерации гипотез, даже если ещё нельзя говорить о причинности
Примеры применения
Аналитик заметил: клиенты, заходившие в раздел справки в первую неделю, чаще остаются на сервисе через 3 месяца. Естественный вывод — «надо чаще водить новых пользователей в справку». При ближайшем рассмотрении оказалось, что в справку чаще ходят более вовлечённые пользователи, и именно вовлечённость объясняет и заход в справку, и удержание. Принудительные показы справки в эксперименте не дали никакого эффекта на retention.
Часто задаваемые вопросы
Это короткое напоминание: даже если две величины тесно связаны в данных, нельзя автоматически делать вывод, что одна влияет на другую. Связь может объясняться третьей переменной, отбором данных или случайностью.
Иногда да — есть наблюдательные методы вроде difference-in-differences, regression discontinuity и причинных графов. Но они требуют аккуратной работы и понятных предпосылок. Если есть возможность поставить честный эксперимент, обычно это самый надёжный способ установить причинность.