Correlação Não É Causalidade — O Erro que Custa Milhões A história é real. Um gestor viu que as vendas de sorvete subiam quando o faturamento subia. Pensou: "Se vendo mais sorvete, faturamento sobe. Vou aumentar o budget de sorvete e cortar marketing." Resultado: faturamento caiu 40% em 2 meses. O motivo? A temperatura sobe no verão. Temperatura alta causa duas coisas: 1. Mais vendas de sorvete 2. Mais pessoas têm dinheiro para gastar (período de férias) Sorvete não causava faturamento. Ambos eram causados por uma terceira variável: temperatura (ou sazonalidade). Esse erro é tão comum que aparece em toda empresa que usa dados sem estatística básica. Capítulo 1: Por Que Nossa Mente Vê Correlação Como Causalidade Quando você vê dois eventos acontecendo juntos, seu cérebro automaticamente pensa: "Um causou o outro." É um atalho mental que evoluiu conosco. Funciona no mundo físico ("vi fogo e senti queimadura, então fogo causa queimadura"). Mas em dados? Essa lógica quebra. Exemplo Real: Ataques de Tubarão e Vendas de Picolé Em um verão, ataques de tubarão subiram 300%. Vendas de picolé também. Correlação: 0.89 (forte) Causalidade: zero. Ambas crescem porque mais pessoas vão à praia no verão. Não há relação direta entre picolé e tubarão (felizmente). Capítulo 2: Os Três Testes Que Separam Correlação de Causalidade Antes de afirmar que "A causa B", faça essas 3 perguntas: 1. Existe uma Variável de Confusão? Variável de confusão é um terceiro fator que influencia ambos. Exemplo falso: "Escolaridade correlaciona com renda." Falso porque ambas são causadas pela mesma coisa: classe social, acesso a educação. Teste: Remove a variável de confusão (filtra por mesma classe social) e a correlação desaparece? Se sim, não havia causalidade. 2. A Ordem Temporal Faz Sentido? Para A causar B, A precisa acontecer antes de B. Exemplo: "Chuva causa trânsito." Verdade. Chuva (evento 1) → trânsito (evento 2). Contra-exemplo: "Dia da semana causa vendas." Só se você entender: é o comportamento em certos dias que causa vendas, não o dia em si. Teste: A mudança em A está precedendo a mudança em B por um período lógico? 3. O Mecanismo Causal É Plausível? Existe uma explicação lógica e testável para por que A causa B? Exemplo: "Anúncio causa conversão." Mecanismo: pessoa vê anúncio → reconhece problema → clica → compra. Plausível. Contra-exemplo: "Cor da roupa do gestor causa vendas da empresa." Sem mecanismo plausível. Capítulo 3: Exemplos Que Parecem Óbvios Mas Não São Marketing × Vendas Falso: "Aumentei o budget de marketing e as vendas subiram. Logo, marketing causa vendas." Verdade: Marketing é um touchpoint, não o único fator. Sazonalidade, economia geral, lançamento de produto, ação de concorrente—tudo influencia. Como testar: Faz um teste A/B. Dobrá o budget em METADE da base geográfica. Compara com a outra metade em período igual. Aí você tem causalidade. Horas de Treinamento × Performance Falso: "Quanto mais treino, melhor a performance." Verdade: Pode ser que pessoas com mais talento natural natural façam tanto mais treinamento quanto performam melhor. Talento é a variável de confusão. Como testar: Seleciona pessoas com talento similar, treina umas e outras não. Mede a diferença. Investimento em IA × Lucro Falso: "Empresas que usam IA lucram mais." Verdade: Empresas lucrativas têm dinheiro para investir em IA. Não é IA que causa lucro—é lucro que permite investir em IA. Capítulo 4: As Armadilhas Mais Caras 1. P-value Baixo ≠ Causalidade Um p-value de 0.01 significa: "há 1% de chance dessa correlação ser por acaso." Não significa causalidade. Significa apenas que não é acaso. 2. Correlação Múltipla Se você testar 100 correlações, estatisticamente 3 a 5 vão sair significativas por acaso puro. Se testar 1.000, vai achar 30-50 "correlações mágicas" que não significam nada. 3. Lag e Efeito Acumulado Às vezes A causa B, mas com atraso. Exemplo: investimento em marketing causa vendas 3 meses depois (ciclo de vendas longo). Se você olhar apenas 1 mês depois, a correlação vai parecer fraca ou inexistente. Capítulo 5: Como Analistas Sêniores Pensam Diferente Quando um analista júnior vê: "A e B estão correlacionadas" Pensa: "A causa B, vou aumentar A" Quando um analista sênior vê a mesma coisa: Pensa: "Qual variável de confusão está aqui? O que preciso controlar? Qual é o mecanismo? Preciso de um teste?" A diferença é estrutura de pensamento, não inteligência. Aplique Agora Próxima vez que disser "X causa Y": 1. ✓ Existe variável de confusão escondida? 2. ✓ A ordem temporal faz sentido? 3. ✓ Consigo explicar o mecanismo causal? Se respondeu "não" em qualquer uma, você não tem causalidade. Tem coincidência. Estatística avançada não é sobre fórmulas complexas. É sobre não enganar a si mesmo com seus próprios dados. Quer aprender Estatística Aplicada com casos reais de análise de dados? A Elite Data Academy tem uma trilha completa de Estatística para Analistas com testes A/B