Correlação vs Causalidade: como não enganar a si mesmo com dados Existe um padrão que vejo repetir em empresa após empresa, e em cada uma alguém quase perde R$ 10k, R$ 100k, ou mais por confundir correlação com causalidade. O padrão é sempre assim: 1. Alguém analisa dados 2. Encontra uma correlação forte 3. Conclui que mudando X vai mudar Y 4. A empresa investe em mudar X 5. Y não muda (ou piora) Ninguém quer dizer depois: "Desculpa, era só correlação". Vou te mostrar os 3 testes que separam padrão de causa. O Exemplo Clássico (E Por Que Funciona) Vendas aumentam quando a temperatura sobe. Correlação forte: 0.87. Significativa estatisticamente. Conclusão rápida: "Vamos fazer campanha de verão e aumentar vendas em 30%!" Investimento de R$ 20k aprovado. Campanha lançada. Resultado: +2% de vendas. Dentro da margem de erro. Por quê? Porque a temperatura não causa vendas. As férias causam. Vamos ver o que realmente acontece: Correlação observada: Temperatura sobe (verão) → Vendas sobem Realidade causal: Verão = Férias escolares Férias = Mais gente na rua Mais gente na rua = Mais compras de produto X (gelado, roupa de banho, viagem) A temperatura não é a causa. É só um marcador do fenômeno real (férias). Isso é chamado de "variável de confusão". Os 3 Testes Para Saber Se É Realmente Causal Quando você encontrar uma correlação forte, faça esses 3 testes antes de investir. Teste 1: Existe uma Variável de Confusão? Uma variável de confusão é algo que influencia AMBAS as variáveis que você está observando. Exemplo do verão: Temperatura influencia férias? Não. Mas verão = férias. Férias influencia temperatura? Não. Mas ambas são causadas por: "é verão". A variável de confusão é "estação do ano". Outro exemplo real: Você observa: "Empresas que usam dbt têm melhor qualidade de dados" Correlação: 0.72 Conclusão: "dbt melhora qualidade!" Espera. Variável de confusão: "maturidade de dados". Empresas que investem em qualidade de dados TAMBÉM investem em dbt. dbt não é a causa — é um sintoma. Como testar: Pense em 3 fatores que poderiam causar AMBAS as variáveis: 1. Tamanho da empresa 2. Budget de infraestrutura 3. Idade da empresa Qualquer um desses explica melhor a relação que você observou? Se sim, você tem variável de confusão. Teste 2: A Ordem Temporal Faz Sentido? Para haver causalidade, a causa precisa vir ANTES do efeito. É óbvio quando você pensa nela, mas analistas cometem esse erro toda semana. Exemplo errado: Observação: "Empresas com más práticas de segurança de dados têm bom customer satisfaction" Correlação: 0.45 (sim, observado) Conclusão apressada: "Relaxa no security, cliente fica feliz!" Espera. Qual é a ordem? Se o cliente tiver experiência ruim PORQUE os dados foram vazados, o satisfaction cai depois, não antes. A ordem temporal não funciona no seu cenário. Como testar: Para cada correlação que você encontrar: 1. Qual evento acontece primeiro? 2. Qual acontece depois? 3. Faz sentido causal essa ordem? Se você não conseguir colocar isso em ordem temporal clara, não é causal. Teste 3: O Mecanismo Causal é Plausível? Mesmo com ordem temporal certa e sem variável de confusão, o mecanismo ainda precisa fazer sentido. Exemplo errado (mas verdadeiro): "Pessoas que comem mais chocolate têm melhor saúde cardiovascular" Correlação: 0.32 Ordem temporal: chocolate primeiro, saúde depois ✓ Sem variável óbvia de confusão ✓ Conclusão: "Chocolate é bom pro coração!" Espera. Qual é o mecanismo? A realidade: Pessoas ricas compram mais chocolate de qualidade alta. Pessoas ricas têm melhor acesso a serviços de saúde. Logo: melhor saúde cardiovascular. A variável de confusão: renda. Como testar: Antes de investir em mudança baseada em correlação: "Se A causa B, como exatamente A muda B?" Se você não conseguir explicar o mecanismo com razoável detalhe, o dado está te enganando. O Erro #1 De Analistas Júnior Eles veem correlação, ficam empolgados, e pulam direto pra conclusão. Analistas sênior fazem o inverso: veem correlação e imediatamente desconfiam. A diferença? A pergunta: "Por quê?" Mas não "por quê" uma vez. "Por quê?" duas vezes. Primeira vez: Observação: Vendas sobem quando temperatura sobe Pergunta: Por quê? Resposta óbvia: Porque é verão Segunda vez: Pergunta: Por quê verão causa vendas? Resposta real: Porque férias escolares, mais gente na rua Agora você tem a causa real. Temperatura foi apenas o indicador. Quando Você PODE Confiar em Correlação Não estou dizendo que correlação é sempre inútil. Tem casos onde correlação forte é suficiente: 1. Predição (não causalidade) "Quando temperatura sobe, vendas de sorvete sobem" Você não precisa que seja causal pra prever Correlação é suficiente 2. Geração de hipóteses "Encontrei correlação entre X e Y" Agora vou investigar se é causal Correlação é o primeiro passo 3. Casos bem estudados "Pessoas que fumam têm mais risco de câncer" Esse já foi testado milhões de vezes A causalidade é estabelecida Confiança em