Корреляция против различий в определении причинноследственной связи; Примеры CleverTap

Корреляция vs причинно-следственная связь: определение, различия и примеры.

Хочу сохранить эту статью на потом?

Как специалисты по мобильному маркетингу, мы каждый день принимаем решения на основе данных. Эти решения побуждают пользователей продолжать использовать наши приложения или удалять их. Вот почему мы должны ясно мыслить, когда сталкиваемся с данными, и остерегаться возможных проблем корреляции и причинно-следственной связи..

В последнее десятилетие организации стали отдавать предпочтение решениям, основанным на данных. Это мышление, что без доказательств нет реальной основы для решения. Это делает еще более важным использование статистики как инструмента, который дает представление о взаимосвязях между факторами в данном анализе. Статистика помогает отличить корреляции от причинно-следственных связей..

Пример корреляции и причинно-следственной связи.

Моя свекровь недавно пожаловалась мне: «Каждый раз, когда я пытаюсь отправить текстовое сообщение, мой телефон зависает». Беглый взгляд на ее смартфон подтвердил мои подозрения: у нее одновременно было открыто пять игровых приложений, плюс Facebook и YouTube. Попытка отправить текстовое сообщение не приводила к зависанию, в отличие от нехватки оперативной памяти. Но она сразу связала это с последним действием, которое она делала перед заморозкой..

Она имела в виду причинно-следственную связь, где была только корреляция..

Примеры корреляции и причинно-следственной связи в мобильном маркетинге.

Корреляции везде. Как любят говорить разоблачители теории заговора: «Если вы посмотрите достаточно долго, вы увидите закономерности».

Точно так же, если вы посмотрите достаточно долго, вы можете начать видеть причинно-следственные связи в своих данных мобильного маркетинга, где есть только корреляция. Мы пытаемся найти причину, по которой A и B встречаются одновременно.

Посмотрите, сможете ли вы определить, что есть что, в приведенных ниже примерах корреляции и причинно-следственной связи:

Реализован новый веб-дизайн >> Увеличился трафик веб-страницы. Увеличился ли трафик из-за нового дизайна (причинно-следственная связь)? Или трафик просто увеличился органически в то время, когда был выпущен новый дизайн (корреляция)? Загружены новые изображения из магазина приложений >> Загрузки увеличились в 2 раза. Увеличились ли загрузки из-за появления новых изображений в ваших магазинах приложений? Или они просто произошли одновременно? Push-уведомление отправляется каждую пятницу >> Количество удалений увеличивается каждую пятницу. Люди удаляют ваше приложение из-за ваших еженедельных push-уведомлений? Или здесь играет какой-то другой фактор? Увеличение количества ссылок на ваш сайт >> Более высокий рейтинг в результатах поисковой системы. Приводит ли увеличение количества ссылок к лучшему поисковому рейтингу? Или они просто коррелируют?

Чтобы лучше понять корреляцию и причинно-следственную связь, давайте начнем с определения терминов.

Искусство адаптации пользователей мобильных приложений.

Что такое корреляция?

Корреляция — это термин в статистике, обозначающий степень связи между двумя случайными величинами. Таким образом, корреляция между двумя наборами данных — это степень, в которой они похожи друг на друга..

Если A и B имеют тенденцию наблюдаться одновременно, вы указываете на корреляцию между A и B. Вы не подразумеваете, что A вызывает B или наоборот. Вы просто говорите, что когда A наблюдается, то B наблюдается. Они двигаются вместе или появляются одновременно.

Мы можем выделить три типа корреляций:

Положительная корреляция — это когда вы наблюдаете увеличение A и B также. Или, если A уменьшается, B соответственно уменьшается. Пример: чем больше покупок совершается в вашем приложении, тем больше времени вы проводите с ним. Отрицательная корреляция — это когда увеличение A приводит к уменьшению B или наоборот. Отсутствие корреляции — это когда две переменные совершенно не связаны между собой и изменение A не приводит к изменениям в B, или наоборот..

Просто помните: корреляция не подразумевает причинно-следственной связи. Иногда это может быть совпадение. И если вы мне не верите, есть юмористический сайт, полный таких совпадений, под названием «Ложные корреляции». 1 Вот пример:

Что такое причинно-следственная связь?

Причинно-следственная связь подразумевает, что А и В связаны друг с другом причинно-следственной связью. Вы говорите, что А вызывает Б.

Причинность также известна как причинность..

Во-первых, причинно-следственная связь означает, что два события возникают одновременно или одно за другим. А во-вторых, это означает, что эти две переменные не только появляются вместе, существование одной вызывает проявление другой..

Корреляция против причинно-следственной связи: почему разница имеет значение.

Знание разницы между корреляцией и причинно-следственной связью может иметь огромное значение, особенно когда вы принимаете решение на основании чего-то, что может быть ошибочным..

Скажем, вы задаетесь вопросом, было ли увеличение числа активных пользователей в месяц в прошлом месяце вызвано недавними усилиями по оптимизации App Store, имеет смысл проверить это, чтобы точно сказать, корреляция это или причинно-следственная связь..

Корреляция против причинно-следственной связи: как определить, является ли что-то совпадением или причинно-следственной связью.

Итак, как вы проверяете свои данные, чтобы делать неопровержимые утверждения о причинно-следственной связи? Для этого есть пять способов — технически они называются планом экспериментов. ** Мы перечисляем их от самого надежного до самого слабого:

1. Рандомизированное и экспериментальное исследование..

Допустим, вы хотите протестировать новую корзину покупок в своем приложении для электронной коммерции. Ваша гипотеза состоит в том, что до того, как пользователь действительно сможет оформить заказ и оплатить свой товар, проходит слишком много шагов, и что эта трудность является точкой трения, которая мешает им совершать покупки чаще. Итак, вы перестроили корзину покупок в своем приложении и хотите посмотреть, увеличит ли это шансы пользователей на покупку товаров..

Лучший способ доказать причинно-следственную связь — провести рандомизированный эксперимент. Здесь вы случайным образом назначаете людей для тестирования экспериментальной группы..

В плане эксперимента есть контрольная группа и экспериментальная группа, обе с одинаковыми условиями, но с одной проверяемой независимой переменной. Назначая людей для тестирования экспериментальной группы случайным образом, вы избегаете экспериментальной предвзятости, когда одни результаты предпочтительнее других..

В нашем примере вы случайным образом назначаете пользователей для тестирования новой корзины покупок, прототипа которой вы создали в своем приложении, а контрольной группе назначается использование текущей (старой) корзины покупок..

После периода тестирования просмотрите данные и посмотрите, ведет ли новая корзина к большему количеству покупок. Если это так, вы можете заявить о наличии истинной причинно-следственной связи: ваша старая корзина мешала пользователям совершить покупку. Результаты будут иметь наибольшую ценность как для внутренних заинтересованных сторон, так и для других людей за пределами вашей организации, с которыми вы решите поделиться ими, именно из-за рандомизации..

2. Квазиэкспериментальное исследование..

Но что происходит, если вы не можете рандомизировать процесс отбора пользователей для участия в исследовании? Это квазиэкспериментальный дизайн. Существует шесть типов квазиэкспериментальных схем, каждый из которых имеет различные приложения. 2.

Проблема этого метода в том, что без рандомизации статистические тесты теряют смысл. Вы не можете быть полностью уверены в том, что результаты связаны с переменной или мешающими переменными, вызванными отсутствием рандомизации..

Квазиэкспериментальные исследования обычно требуют более сложных статистических процедур для получения необходимого понимания. Исследователи также могут использовать опросы, интервью и заметки наблюдений, что усложняет процесс анализа данных..

Допустим, вы проверяете, менее запутан ли пользовательский интерфейс в вашей последней версии, чем в старой UX. И вы специально используете свою закрытую группу бета-тестеров приложений. Группа бета-тестирования была выбрана не случайно, поскольку все они подняли руку, чтобы получить доступ к новейшим функциям. Таким образом, доказать корреляцию против причинно-следственной связи — или, в этом примере, UX вызывает путаницу — не так просто, как при использовании случайного экспериментального исследования..

Хотя ученые могут избегать результатов этих исследований как ненадежных, собранные вами данные все же могут дать вам полезную информацию (подумайте о тенденциях)..

3. Корреляционное исследование.

Корреляционное исследование — это когда вы пытаетесь определить, коррелированы ли две переменные или нет. Если A увеличивается, а B соответственно увеличивается, это корреляция. Просто помните, что корреляция не подразумевает причинно-следственной связи, и все будет в порядке.

Например, вы решили проверить, имеет ли более плавный UX сильную положительную корреляцию с лучшими рейтингами в магазине приложений. И после наблюдения вы видите, что когда одно увеличивается, другое тоже. Вы не говорите, что A (плавный UX) вызывает B (более высокие оценки), вы говорите, что A прочно ассоциируется с B. И, возможно, даже может предсказать это. Это корреляция.

4. Однопредметное исследование..

Однопредметный дизайн чаще используется в психологии и образовании, поскольку он касается отдельного предмета. Вместо контрольной и экспериментальной группы субъект выступает в качестве своего собственного контроля. Исследователя беспокоят попытки изменить поведение или мышление человека..

В мобильном маркетинге исследование с одним предметом может принимать форму просьбы к одному конкретному пользователю проверить удобство использования новой функции приложения. Вы можете попросить их выполнить одно действие несколько раз в текущем приложении, а затем попросить их попробовать то же действие в новой версии приложения. Соберите данные и посмотрите, будет ли действие выполнено быстрее в старом или новом приложении..

Очевидно, что этот дизайн использует данные одного пользователя. Его или ее опыт не может быть распространен на всех ваших пользователей, независимо от того, насколько идеально подходит ваш идеальный образ клиента. Это одна из причин, почему этот тип исследования редко используется в маркетинге..

5. Истории.

К сожалению, анекдоты иногда являются единственным доказательством причинно-следственной связи. Вы можете встретить:

Персонал службы поддержки: «Клиенты считают, что новый пользовательский интерфейс сложен в использовании. Вот почему они удаляются ». Клиент X в Твиттере: «Мы пытались купить продукт в вашем приложении, и мой телефон завис из-за этого!»

Проблема здесь в том, что, хотя у них может быть действительная болевая точка и они могут сделать это убедительным (и очень эмоциональным) образом, эти истории без сомнения не доказывают, что А вызывает Б. На самом деле это просто истории на данный момент, и нести меньший вес, чем другие варианты, указанные выше.

Корреляция против причинно-следственной связи в мобильной аналитике.

Итак, что мы узнали из всех этих примеров корреляции и причинно-следственной связи? Есть способы проверить, вызывают ли две переменные друг друга или просто коррелируют друг с другом..

Если вы серьезно относитесь к установлению причинно-следственной связи, вам следует использовать метод тестирования, который дает вашим данным и результатам наибольшую достоверность. Начните со случайного экспериментального плана и двигайтесь вниз. И всегда следите за тем, как вы думаете или даже озвучиваете свои прогнозы.

Есть латинская фраза, которая гласит: «Post hoc, ergo propter hoc», что означает: «После этого, значит, из-за этого». Идея состоит в том, что, сообщая одно утверждение перед другим, вы подразумеваете, что предыдущее вызвало последнее. («Он оценил мое приложение на ноль звезд. Никто не скачал мое приложение».) На самом деле это может быть просто корреляция или чистое совпадение..

Узнайте, как ведущие бренды сегодня используют CleverTap для обеспечения долгосрочного роста и удержания клиентов..

Похожие статьи