Korelace a příčinné souvislosti – GoPractice

Při práci na produktu můžete od produktového manažera nebo produktového analytika často slyšet následující argumenty: „Analyzoval jsem data a zjistil jsem, že uživatelé, kteří vytvářejí Х, je pravděpodobnější, že si koupí prémiovou verzi nebo budou úspěšní.“ Na základě těchto poznatků se rozhodnou investovat čas a úsilí do toho, aby to udělal větší podíl uživatelů X.

Problém je v tom, že v tomto případě je korelace vydávána za příčinnou souvislost. Možná existuje závislost mezi proměnnými, nebo možná jde o speciální případ korelace, kdy je růst jedné metriky doprovázen růstem jiné.

V tomto článku se podíváme na to, proč je snadné přehlédnout rozdíl mezi korelací a kauzalitou, jak dokázat kauzalitu a proč je to důležité při práci na produktu.

Chcete-li hlouběji porozumět tomu, jak jsou produkty vytvářeny, vyvíjeny a škálovány, absolvujte školení na GoPractice.

→ Program „Profese: Product Manager“ vám pomůže přejít na produktový management ze související role nebo odvětví.

→ V Data-Driven Product Management Simulatoru se naučíte, jak se při vytváření produktu rozhodovat pomocí dat a výzkumu.

→ V simulátoru řízení růstu produktu najdete způsoby, jak řídit růst a škálování vašeho produktu.

→ V „SQL Simulator for Product Analytics“ pochopíte, jak použít SQL k řešení problémů s produkty a marketingem.

→ V minisimulátoru „Generativní umělá inteligence pro produktové manažery“ se naučíte, jak využít generativní umělou inteligenci k vytváření produktů řešením praktického obchodního případu.

→ V Simulátoru řízení projektů ML/AI se naučte, jak využít technologie strojového učení ve prospěch vašeho podnikání.

→ Nevíte, kde začít? Udělejte si bezplatný test, abyste ohodnotili své dovednosti v oblasti správy produktů. Identifikujete své silné stránky a slepá místa a získáte plán profesního rozvoje.

→ Ještě cennější materiály a postřehy jsou v kanálu GoPractice Telegram.

Na první pohled výraz „korelace neznamená kauzalitu“ nevyžaduje další vysvětlení: zní to jako otřepaná pravda. Ale znovu a znovu lidé s různou úrovní zkušeností tyto pojmy ztotožňují. Někdy úmyslně, někdy z nepozornosti.

<strong>Korelace a kauzalita</strong>

Korelace — je vztah mezi dvěma proměnnými, ve kterém je změna jedné z nich doprovázena změnou druhé. Zde je důležité slovo zdůraznit „v doprovodu“, protože s korelací mohou tyto změny nastat bez přímého vlivu jedné proměnné na druhou.

V situaci, kdy je takový přímý vliv prokázán, můžeme mluvit o příčinná souvislost.

Příklad korelace může znít takto:

Nárůst spotřeby zmrzliny byl doprovázen nárůstem počtu lesních požárů.

Pokles spotřeby margarínu je doprovázen poklesem počtu rozvodů.

Rozdíl mezi korelací a kauzalitou

Důvodů pro korelaci může být několik. Například dvě proměnné jsou ovlivněny určitým třetí faktorem, jako v případě rostoucího prodeje zmrzliny a lesních požárů. Tímto faktorem je teplé roční období a vysoká intenzita slunečního záření.

V případě korelace není vždy možné identifikovat další faktory ovlivňující obě proměnné a někdy nemusí být vůbec žádné. V tomto případě je na místě mluvit o náhodě. Současný pokles rozvodovosti a spotřeby margarínu je příkladem takové falešné korelace.

Jaký je rozdíl mezi korelací a <strong>příčinná souvislost</strong>?

Příčina a následek vždy implikuje korelaci. Korelace nemusí nutně znamenat kauzalitu. Korelace může být náhodná, ale příčinná souvislost podle definice nemůže být náhodná.

Pokud existuje korelace, pak pro prokázání příčinné souvislosti musí být splněny další dvě podmínky:

• Absence vnějších faktorů, které ovlivňují obě proměnné;
• Přímý časаJsem posloupnost mezi změnou prvního a druhého indikátoru, mezi událostí A a událostí B.

Ačkoli se rozdíl mezi korelací a kauzalitou zdá zřejmý, v praxi je velmi snadné zaměnit jedno za druhé.

<strong>Příklady korelací, které jsou mylně považovány za kauzalitu</strong>

Uvažujme typické situace ze života, kdy přítomnost korelace vede k mylnému závěru o přítomnosti vztahu příčina-následek v každodenních situacích.

Daniel Kahneman ve své knize Thinking, Fast and Slow popisuje incident během přednášky pro izraelské piloty. Jeden instruktor trval na tom, že studenti měli lepší výkon poté, co je tvrdě kritizoval za jejich chyby. Kahneman navrhl experiment, ve kterém tito studenti museli dvakrát hodit mincí na cíl nakreslený na podlaze, aniž by se podívali. Zkušenosti ukázaly, že ti, jejichž první hod byl blíže k cíli, neházeli podruhé tak přesně. A naopak.

Tímto experimentem Kahneman tento fenomén demonstroval regrese k průměru. Když pilot provedl cvik velmi špatně nebo velmi dobře, byla to pro něj často odchylka od průměru. Je tedy velká pravděpodobnost, že jeho další výkon bude blíže průměru, tedy lepší nebo horší než ten předchozí.

Ukazuje se, že k lepším výsledkům kadetů po neúspěšné zkušenosti nepomohla kritika, ale návrat k průměru. Instruktor mylně vzal korelaci mezi kritikou a zlepšením výkonu studentů po ní jako vztah příčiny a následku.

Některé široce rozšířené názory jsou také korelace vydávající se za příčinnou souvislost.

Například myšlenka, že hodiny hudební výchovy v předškolním věku zlepšují kognitivní schopnosti, paměť a pozornost dítěte. Ačkoli mezi těmito faktory skutečně může existovat korelace, nelze hovořit o přímém vztahu příčiny a následku, protože výsledek může ovlivnit mnoho faktorů.

Možná, že hudební lekce pro dítě vyžadují další finanční prostředky od rodiny. To znamená, že pokud rodina může utrácet peníze nejen na základní potřeby, ale i na další vzdělání, je vysoká pravděpodobnost, že dítě bude mít přístup k lepší výživě, lepšímu základnímu vzdělání a dalším výhodám, které mohou mít pozitivní dopad na inteligenci dítěte.

Ještě jeden příklad.

Jeden článek Washington Post dospěl k závěru, že zvýšené policejní výdaje ve Spojených státech nevedly ke snížení kriminality. Autor se zjevnou neexistencí přímé korelace snaží vyvrátit vztah příčiny a následku mezi událostmi: navýšení rozpočtu policie nevede k úměrnému snížení kriminality.

Nedá se ale říci, že zde nutně musí existovat vztah příčiny a následku. Například růst kriminality může být hnacím motorem policejních výdajů, a ne naopak. Bez pečlivého výzkumu nemůžeme říci jedno nebo druhé.

<strong>Korelace v podnikání</strong>

V roce 2013 utratil eBay desítky milionů dolarů za inzerci ve vyhledávání na značkové dotazy pro „eBay“. Společnost byla přesvědčena, že růst tržeb byl způsoben nákupní návštěvností. Studie však zjistila, že reklamy byly zaměřeny přesně na publikum, které by stejně nakoupilo na eBay.

V tomto případě to byl záměr uživatelů provést nákup, který vedl k zobrazení reklamy a prodeji na webu. Na eBay si mysleli, že reklama je příčinou a prodeje jsou výsledkem.

→ Případ eBay ilustruje problém inkrementality – tedy situaci, kdy jsou reklamní kampani v jednom kanálu přiřazeny cílené akce, které by se bez ní odehrály.

↓ Podrobně jsme se zabývali dopadem atribučních a inkrementálních modelů na výpočet ROI v marketingu a jak vytvořit vztah příčiny a následku mezi kanálem a cílovými akcemi v produktu v sérii materiálů.

Korelace je často mylně považována za kauzalitu při analýze úspěchu produktů jiných lidí zvenčí. „Produkt A se ujal a našel vhodný produkt/trh díky funkci X. Úspěch můžeme zopakovat přidáním stejné funkce do našeho produktu a našeho místního trhu.“

Řekněme, že produkt A se skutečně stal úspěšným poté, co implementoval určitou funkci. Ale skutečnost, že tato funkce byla přidána, nelze nazvat důvodem. Důvod je často složitější a závisí na řadě faktorů. Ale hlavní je, že pro určitý segment uživatelů produkt řeší určitý problém účinnější než všechny dostupné alternativy.

Například WeChat Pay získal popularitu jako platební nástroj v Číně ne proto, že kombinuje messenger a platební nástroj. Jde o to, že tento nástroj se stal mnohem efektivnější alternativou hotovosti, proto byla jeho přidaná hodnota tak vysoká a produkt byl tak úspěšný.

Na tomto pozadí je jasné, proč měl Facebook Messenger tak těžké období se spuštěním své platební služby. Pouhé přidání funkčnosti do messengeru nestačí, protože americký trh má mnohem rozvinutější platební nástroje, což znamená, že přidaná hodnota řešení Facebooku pro klienta je méně znatelná nebo vůbec neviditelná.

<strong>Korelace v práci s produktem</strong>

Práce na produktu znamená neustále se ptát na důvody určitých změn metrik. A často existuje velké pokušení vysvětlit je prostřednictvím něčeho, co jsme dělali vědomě a nedávno. Je však důležité si uvědomit, že produkt a uživatelé neexistují ve vakuu.

Příklad přílivu uživatelů do produktu

Za poslední týden jste zaznamenali příliv uživatelů a předtím jste do produktu přidali novou velkou funkci. Zdá se, že změna produktu vedla k růstu.

Později se ale ukáže, že příliv uživatelů do vašeho produktu byl důsledkem toho, že váš přímý konkurent prudce omezil možnosti základního tarifu. Vaše marketingové oddělení si toho všimlo a začalo tento argument aktivně využívat v různých komunikačních kanálech. Proto příliv nových uživatelů.

Mezi přidáním nové funkce a rozšiřováním uživatelské základny skutečně existovala korelace. Jak jsme ale zjistili, důvod tohoto růstu byl skryt jinde.

Příklad zpeněžení mobilních her

Při práci na mobilní hře jste si všimli, že uživatelé, kteří se připojují na sociální sítě, více nakupují. V tuto chvíli může být lákavé předpokládat kauzální vztah mezi událostmi a rozhodnout se, že zvýšení konverze hráčů na připojení k sociálním sítím úměrně zvýší příjmy od takových uživatelů. Pokud je to pravda, pak máte mnoho hypotéz, jak tento parametr ovlivnit.

Ve skutečnosti však v takové situaci může dobře existovat jeden nebo více dalších faktorů, které stejně ovlivňují jak první, tak druhý jev. Skrytým faktorem může být to, že uživatelé, kteří se aktivně zapojují do sociálních sítí a častěji nakupují, jsou jednoduše více motivovaní a zajímají se o hru pro začátek. Tedy že na jejich chování nemá vliv napojení na sociální sítě, ale prvotní predispozice ke hře.

Pokud je to pravda, pak v praxi aktivní nucení uživatelů k připojení k sociální síti ve skutečnosti nepřinese žádné výsledky. Na druhou stranu také nelze okamžitě rozhodnout, že takové uložení nevyvolá žádné změny. Abychom to zjistili, musíme provést experiment.

<strong>Jak experimenty pomáhají prokázat příčinu a následek</strong>

Pověry, pseudovědecké disciplíny a archaické metody léčby vznikly z velké části kvůli záměně mezi korelací a kauzalitou. Tak se objevily rituály, které volají po dešti a obětech, které zaručují úspěšný lov a bohatou úrodu.

Zhruba stejný přístup lze vysledovat ve starověké a středověké medicíně. Například krveprolití bylo považováno za účinný způsob, jak zlepšit zdraví pacienta. Pokud pacient tento zákrok přežije, pak se mu připisuje úspěch. Pokud ne, pak byla nemoc příliš silná.

To znamená, že v tomto případě není korelace mezi postupem a obnovou pouze nepravdivá, ale také selektivní.

Ne náhodou jsme zmínili archaické metody léčby, protože právě rozvoj medicíny ustoupil vzniku účinných metod dokazování vztahu příčiny a následku.

Jednou z nejdůležitějších etap ve vývoji medicíny založené na důkazech bylo provedení první randomizované kontrolované studie v polovině 20. století. Cílem je vzít dvě skupiny lidí – testovací skupinu a kontrolní skupinu – a dát jedné drogu a druhé placebo. Absence rozdílů v ostatních proměnných nám umožňuje dojít k závěru, že vliv má pouze jeden konkrétní faktor.

Na internetu se praktikování takových testů nazývá A/B testování.

<strong>A/B testování pro kontrolu kauzality</strong>

Vidíte korelaci mezi událostmi X a Y. Ale abyste se mohli rozhodnout, musíte pochopit, zda mezi nimi existuje vztah příčiny a následku.

Abychom na tuto otázku odpověděli, musíme provést experiment.

Například když jedna skupina uživatelů nějakou funkci získá a jiná ne. Všechny ostatní podmínky jsou pro ně stejné. Na základě výsledků testů se shromažďují a analyzují data. Na základě toho můžete pochopit, zda funkce měla dopad na metriku, která nás zajímá.

I když tento proces zní jednoduše, spuštění A/B testů vyžaduje hodně pozornosti k detailům a disciplíně. Zejména musíte být velmi opatrní, abyste nezaměnili náhodnou změnu hodnoty cílové metriky s dopadem testované změny. K tomuto účelu se používá pojem statistické významnosti – více o tom čtěte zde.

<strong>Pochopení korelace a vztahů příčina-následek zabraňuje chybám a pomáhá vidět produkt hlouběji</strong>

Při vývoji produktu je snadné zaměnit korelaci za příčinnou souvislost. K této chybě dochází v různých případech: buď člověk o tomto rozdílu neví, nebo – což je častější – ví teoreticky, ale v praxi si to ne vždy všimne, nebo chce záměrně jedno vydávat za druhé, aby dosáhl toho, co chce.

Záměna mezi korelací a kauzalitou je usnadněna různými kognitivními zkresleními, jako je konfirmační zkreslení nebo iluze kontroly. Konfirmační zkreslení nás nutí odmítnout ty faktory, které nezapadají do požadovaného obrazu toho, co se děje. Iluze kontroly vytváří dojem, že o produktu víme vše a rozumíme tomu, co na čem přímo závisí.

Pochopení rozdílu mezi korelací a kauzalitou je důležité, abyste se vyhnuli chybným rozhodnutím nebo plýtvání časem a zdroji bez jakýchkoli výsledků.

Testování hypotéz pomocí experimentů, pečlivé objasňování důvodů určitých pozorovaných změn nejen pomáhá zodpovědět jednu konkrétní otázku (například proč klesá konverze na nákup), ale umožňuje také hlubší pochopení produktu. Toto porozumění pomáhá najít nové poznatky a zvýšit hodnotu produktu pro uživatele.

Přejděte na produkt za ≤ 11 měsíců

Zaregistrujte se do programu „Kariéra: Produktový manažer“, abyste úspěšně přešli do produktové role

Přechodový program „Profese: Produktový manažer“

Prozkoumejte bezplatné zdroje pro začátečníky, abyste urychlili svůj profesní rozvoj

Volné zdroje pro vývoj nových produktových manažerů

Posilte své znalosti a dovednosti produktového manažera

Bezplatný test, který vám umožní zhodnotit vaše dovednosti

Simulátor správy produktů řízený daty

Simulátor řízení růstu a škálování

Rámec pro zlepšení aktivace v produktu

Prohloubte své technologické znalosti

AI/ML simulátor pro produktové manažery

Generativní AI pro produktové manažery: Mini simulátor

Posilte své datové dovednosti pomocí SQL Simulatoru pro analýzu produktů

SQL Simulator pro analýzu produktů

Ostatní
články ze sbírky

• Kohortová analýza. Metriky produktu vs. metriky růstu
• Zlepšení metrik produktů. „Proč uživatelé odcházejí“ vs „Proč uživatelé zůstávají“
• Přizpůsobení produktu/trhu. co to je? Jak to měřit pomocí metrik?
• Budování publika a prognóz tržeb pomocí kohortové analýzy v Excelu/Tabulkách Google
• Kdy ignorovat negativní zpětnou vazbu od uživatelů
• Kauzalita a korelace: Jaký je rozdíl a proč je důležité tomu rozumět při vývoji produktu
• Co je dobrý převod na aktivaci? Benchmarky a tipy založené na více než 500 produktech
• Jak připravit a vést hloubkový pohovor. Průvodce a šablony pro výzkum JTBD
• Jak zjistit počet stažení, příjmy, publikum a zdroje návštěvnosti konkurenční aplikace?
• „Metoda Persona“ a Úkoly, které je třeba udělat. Co je lepší pro práci s cílovým publikem
• Aritmetický průměr a medián v produktovém managementu
• Procenta, procentní body a percentily v práci s produktovým managementem
• Složený úrok a exponenciální růst v produktovém managementu
• Co dělat, když produkt přestal růst?
• Co je to Jobs to Be Done a jak to používat: příručka od spoluautora rámce Boba Moesty
• Kvalitativní výzkum ve vývoji produktů: Průvodce k použití
• Jak využít výsledky rozhovorů, aby byly užitečné
• Průvodce vytvářením řídicích panelů marketingové analýzy pro celý tým
• Jaká je pravděpodobnost úspěchu nové mobilní aplikace v roce 2024? Výzkum GoPractice

Home / Data & Analytics / Kauzalita vs. korelace: Jaký je rozdíl a proč je důležité tomu rozumět při vývoji produktů

• Test hodnocení dovedností produktového managementu
• Simulátor správy produktů řízený daty
• Simulátor řízení růstu produktu
• SQL Simulator pro analýzu produktů
• AI/ML simulátor pro produktové manažery
• Generativní AI pro produktové manažery: Mini simulátor
• Rámec pro zlepšení aktivace uživatele v produktu
• Profese produktový manažer