No verão vendem-se mais gelados e há mais afogamentos. Os dois números sobem juntos — mas ninguém dirá que os gelados causam afogamentos. Este exemplo simples esconde um dos erros mais caros na análise de dados: confundir correlação com causalidade.
O que é correlação
Correlação significa que duas variáveis se movem juntas: quando uma sobe, a outra tende a subir (ou a descer). É um padrão estatístico, útil para detetar relações — mas não diz porquê se movem juntas nem se uma provoca a outra.
O que é causalidade
Causalidade é mais forte: A provoca B. Mudar A muda B. É isto que realmente queremos saber para agir — se baixar o preço aumenta as vendas, se a formação reduz os erros. Mas provar causalidade é bem mais difícil do que observar correlação.
O terceiro fator escondido
No caso dos gelados, a causa comum é o calor: o verão faz subir os dois. Chama-se a isto uma variável de confusão — algo por trás que move ambos e cria a ilusão de ligação direta. Grande parte das correlações enganosas escondem um terceiro fator destes.
Porque isto custa dinheiro
- Decisões erradas: investir num fator que só estava correlacionado, não a causar o resultado.
- Falsas conclusões: "o canal X traz os melhores clientes" — quando talvez sejam os melhores clientes a procurar o canal X.
- Confiança a mais: um gráfico bonito com duas linhas a subir juntas parece prova, mas não é.
Como não cair na armadilha
Desconfia de correlações convenientes, procura o terceiro fator, e quando precisas mesmo de saber se A causa B, faz uma experiência controlada (um teste A/B). Testar é a forma mais segura de passar de "andam juntos" para "um causa o outro".
Na prática
Da próxima vez que vires dois números a mexer juntos, resiste à conclusão fácil. Pergunta: será que um causa o outro, ou há algo por trás dos dois? Essa pausa evita decisões caras baseadas em ilusões estatísticas. Quantas das "causas" que assumes são, afinal, só correlações?
