En verano se venden más helados y hay más ahogamientos. Los dos números suben juntos — pero nadie diría que los helados causan ahogamientos. Este ejemplo simple esconde uno de los errores más caros en el análisis de datos: confundir correlación con causalidad.
Qué es la correlación
Correlación significa que dos variables se mueven juntas: cuando una sube, la otra tiende a subir (o a bajar). Es un patrón estadístico, útil para detectar relaciones — pero no dice por qué se mueven juntas ni si una provoca la otra.
Qué es la causalidad
La causalidad es más fuerte: A provoca B. Cambiar A cambia B. Esto es lo que realmente queremos saber para actuar — si bajar el precio aumenta las ventas, si la formación reduce los errores. Pero probar causalidad es mucho más difícil que observar correlación.
El tercer factor escondido
En el caso de los helados, la causa común es el calor: el verano hace subir a los dos. A esto se le llama variable de confusión — algo detrás que mueve ambos y crea la ilusión de un vínculo directo. Gran parte de las correlaciones engañosas esconden un tercer factor así.
Por qué esto cuesta dinero
- Decisiones erróneas: invertir en un factor que solo estaba correlacionado, no causando el resultado.
- Falsas conclusiones: "el canal X trae los mejores clientes" — cuando quizás sean los mejores clientes quienes buscan el canal X.
- Exceso de confianza: un gráfico bonito con dos líneas subiendo juntas parece prueba, pero no lo es.
Cómo no caer en la trampa
Desconfía de correlaciones convenientes, busca el tercer factor, y cuando de verdad necesitas saber si A causa B, haz un experimento controlado (un test A/B). Probar es la forma más segura de pasar de "van juntos" a "uno causa el otro".
En la práctica
La próxima vez que veas dos números moverse juntos, resiste la conclusión fácil. Pregunta: ¿uno causa al otro, o hay algo detrás de ambos? Esa pausa evita decisiones caras basadas en ilusiones estadísticas. ¿Cuántas de las "causas" que asumes son, al final, solo correlaciones?
