Correlação Não É Causalidade — O Erro que Custa Centenas de Mil Reais "Nosso faturamento sobe quando vendemos mais sorvete." Parece óbvio: aumenta venda de sorvete = aumenta faturamento total. Certo? Errado. O gestor viu uma correlação, assumiu causalidade e cortou o orçamento de marketing. Resultado: perda de R$ 200K+ em receita. Por quê? Porque a variável verdadeira era a temperatura. No verão: Vende mais sorvete (porque é quente) E a campanha de marketing gera mais leads (porque está mais quente) Aumentar a venda de sorvete não causa mais faturamento. O calor causa ambos. Confundiu variáveis = decisão errada = prejuízo garantido. Esse é o erro mais caro do dia a dia em análise de dados. O Problema: Olhar Correlação e Pular para Ação Analistas veem um padrão (A e B aumentam juntos) e assumem "A causa B". Planeiam ação. Implantam. Descobre-se tarde que não funcionou assim. Exemplos reais que aparecem toda semana: "Aumentamos anúncios e subiu o tráfego" ← certo? "Saiu a concorrência do mercado e nossas vendas cresceram" ← relacionado? "Meu cliente ficou satisfeito e comprou novamente" ← ele comprou porque ficou satisfeito? Cada um desses pode ter uma variável de confusão escondida. As 3 Perguntas Que Separam o Sênior do Amador Antes de afirmar "A causa B", faça essas 3 perguntas: 1. Existe Variável de Confusão? Uma variável de confusão é algo que influencia AMBAS as variáveis que você está observando. Exemplo: "Professores mais bem pagos têm alunos com notas mais altas" Correlação aparente: sim Variável de confusão: experiência Explicação real: professores mais experientes (ganham mais) ensinam melhor (alunos notas melhores) A causa não é o dinheiro em si. No seu negócio: "Campanhas de verão geram mais receita" — a variável de confusão é a sazonalidade da demanda, não a campanha. 2. A Ordem Temporal Faz Sentido? Causalidade exige ordem temporal: A deve acontecer ANTES de B. Se você vê: Seus alunos ficam felizes (B) → depois compram novo curso (A) Isso é causalidade. A felicidade CAUSOU a compra (B → A). Se você vê: Alunos compram novo curso (A) → depois ficam felizes (B) A causalidade não é automática. Talvez eles tenham ficado felizes porque receberam a fatura 🙃. No seu pipelines: "Aumentei budget na segunda" → "Vendas subiram na segunda" — é causalidade se e somente se as vendas são resultado direto do que você fez. Não "vendi mais porque a demanda era maior naquele dia". 3. O Mecanismo Causal É Plausível? Mesmo que A preceda B no tempo, o mecanismo de COMO A causa B precisa fazer sentido. Exemplo: "As pessoas que comem salada vivem mais tempo" Correlação: sim Ordem temporal: sim (salada antes, vida depois) Mecanismo plausível? Talvez sim (nutrição → saúde → vida mais longa) Talvez não (pessoas que comem salada são ricas e podem pagar bom médico) Precisa TESTAR qual é o verdadeiro mecanismo. No seu negócio: "Respondemos comentários rápido e crescemos" — plausível? Sim: resposta rápida = engajamento = algoritmo distribui mais Mas também: talvez foi o conteúdo que viralizou, e fomos obrigados a responder rápido por volume Precisa separar. Como Evitar o Erro 1. Identifique variáveis de confusão em potencial — liste tudo que pode influenciar AMBAS as variáveis 2. Verifique ordem temporal — A realmente vem antes de B? 3. Teste o mecanismo — se possível, rode um teste isolado 4. Quando impossível testar: comunique a incerteza ao tomar decisão O Analista Que Todo CEO Quer Contratar Não é o que sabe mais ferramentas. É o que não engana a si mesmo com dados. Quando traz um insight, diz: "Vi essa correlação" "A possível variável de confusão é X" "O mecanismo é Y, mas precisa de teste" "Recomendo ação Z com essa ressalva" Não diz: "Isso é causalidade" (sem validar) "Faz isso que funciona" (sem contexto) A diferença entre aquele analista que economiza R$ 200K e aquele que custa R$ 200K é exatamente essa: pensar em variáveis de confusão antes de agir. Aprenda estatística aplicada com dados reais na Elite Data Academy. Cursos de Estatística, SQL, Python para Dados e mais. Planos a partir de R$ 35/mês.