«Солнечные дни повышают продажи мороженого», «чем больше рекламы, тем выше выручка», «высокая зарплата коррелирует с низкой текучестью».

Мы постоянно ищем связи. Но как понять, где связь реальная, а где - просто совпадение? Для этого и существует корреляционный анализ.

Что это такое: Это статистический метод, который измеряет степень и направление связи между двумя переменными. Он отвечает на вопрос: «Если меняется X, меняется ли Y, и насколько предсказуемо?»

Главный инструмент - коэффициент корреляции (r). Он всегда находится в диапазоне от -1 до +1.

Как читать коэффициент:

1. r = +1 (Прямая связь): Идеальная связь. Чем больше X, тем больше Y. (Пример: чем больше часов работы, тем больше деталей сделано). 2. r = 0 (Связи нет): Переменные никак не связаны. (Пример: размер обуви клиента и его любимый цвет). 3. r = -1 (Обратная связь): Идеальная обратная связь. Чем больше X, тем меньше Y. (Пример: чем выше скорость автомобиля, тем меньше времени в пути).

В реальности идеальных единиц не бывает. Обычно ориентируются так: - 0,7 до 0,9 - сильная связь. - 0,3 до 0,7 - умеренная. - 0,1 до 0,3 - слабая.

Пример: Маркетолог решил проверить, влияет ли количество постов в соцсетях на трафик на сайт. Он собрал данные за 10 дней:

День Посты (X) Переходы на сайт (Y) 1 1 100 2 2 150 3 3 280 4 4 400 5 5 450 и т.д.

Считаем коэффициент корреляции. Получаем, например, r = 0,85.

Вывод: Связь сильная и прямая. Чем больше постов, тем больше переходов. (В данном примере это звучит логично).

А теперь главный подвох

Самый важный пост-скриптум любого корреляционного анализа: Корреляция не равна причинно-следственной связи (Causation).

То, что две вещи меняются одновременно, не значит, что одна вызывает другую.

Классический пример: В деревне растет число аистов, и одновременно растет рождаемость. Корреляция сильная? Да. Значит ли это, что аисты приносят детей? Нет. Есть скрытая переменная (например, экология или улучшение условий жизни), которая влияет на оба фактора.

В аналитике это встречается постоянно. Продажи упали, а лендинг переделали. Корреляция есть. Но причина может быть в том, что конкурент снизил цены, просто это совпало по времени.

Ошибки при анализе

1. Слепая вера в цифры. Коэффициент может показать сильную связь, но если это «ложная корреляция», решение будет ошибочным. 2. Игнорирование выбросов. Один аномальный клиент (купил сразу на миллион) может сильно исказить общую картину. 3. Линейность. Корреляция Пирсона ищет только линейную связь. Но иногда зависимость есть, просто она нелинейная (например, сначала с ростом цены выручка растет, а потом начинает падать). Тут нужны другие методы.

Зачем это нужно

Корреляционный анализ - это первый шаг к факторному анализу и прогнозированию. Он помогает отсеять «мусорные» гипотезы, найти неочевидные связи (например, как погода влияет на покупку определенных товаров) и понять, за какими метриками стоит следить.

Главная мысль

Корреляция - это компас. Она показывает направление, где может лежать причина. Но идти в эту сторону и искать саму причину (или п роводить A/B-тест) придется вам самим.