增长百科｜差之毫厘的相关性与因果性
相关性与因果性，是经常放在一起使用和讨论的一组概念，但是很多时候大家并不纠结两者的分别。但是在互联网领域，尤其是推崇数据驱动、实验迭代的用户运营增长领域，对相关性与因果性理解和应用上的偏差，却有可能导致比较严重的工作问题和结果。
这次，我们一起咬文嚼字，看懂“相关性”和“因果性”，用好“相关性”和“因果性”。
看懂相关性与因果性
相关性是指Ａ事件的发生往往伴随着Ｂ事件的发生，Ａ和Ｂ规律性的同时存在，两者不一定有直接联系。
夏季游泳溺亡人数多，同时雪糕的销量多，“溺亡人数多”和“雪糕销量高”同时存在，具有一定规律性，但是我们不能说溺亡人数增多导致了雪糕销量高，也不能说雪糕销量高导致了溺亡人数多。这两者就是高度相关但是并不存在直接联系的相关性。
因果性是指Ａ事件导致了Ｂ事件的发生，Ａ事件是Ｂ事件的原因，两者具有直接联系。
夏天天气炎热，导致能够解暑降温的雪糕销量高，同时导致游泳人数变多、溺亡人数变多。“夏天天气炎热”才是导致雪糕销量增高、溺亡人数增多的原因，“天气炎热”与“雪糕销量”“溺亡人数”存在直接联系的因果性。
因果性中的原因和结果相继发生、同时存在，所以可以说存在因果性一定存在相关性，但是，存在相关性则不一定存在因果性，一图总结。
用好相关性和因果性
在用户增长中，相关性代表着不确定性，而因果性代表着确定性，确定的因果性能够帮助我们针对性地干预原因，从而产生期望的结果。用户增长本质就是在众多不确定的相关性中寻找验证确定的因果性，通过因果性驱动用户规模和价值增长。
增长实验是用户增长中的最核心最有效的方法，加强对增长实验中对相关性和因果性的认知，能够帮助我们更高效进行增长实验。进行增长实验主要步骤内容如下：
数据分析拆解，明确实验目标
形成实验假设，提升假设质量
全面设计实验，快速开发上线
监控实验过程，分析实验结果
虽然增长实验有明确实验目标→形成实验假设→设计开发实验→分析实验结果四个步骤，但是我们可以换成相关性和因果性的角度，就可以简化为寻找相关性→验证因果性，具体来看。
明确实验目标，形成实验假设：发现相关性
在增长实验的第一步中，通过对公司业务目标的拆解形成增长模型公式，并通过用户属性分析、用户行为分析、路径漏斗分析等方式，去发现用户在产品中存在的不利于实现增长目标的问题。
部分情况下，我们能够通过数据分析、用户调研、逻辑推论等方式找到增长中存在的因果性，进而针对性地解决问题。但是，更多情况下，尤其是随着增长工作不断深入时，我们很难直接通过上述方式明确因果性。
这个时候通过相关性的分析，我们能够发现与增长目标具有相关性的产品和用户问题。相关性提供了解决问题、实现增长的可能方向，但是我们无法确定地说相关性一定能直接影响增长。
以K12在线教育产品为例，通过数据监控分析，发现学生上课期间邀请好友购课活动效果反而变差，“学生上课”与“活动效果”存在有规律的相关性，但是直接说学生上课所以活动效果差却比较牵强，两者不一定有因果性，也无法有效指导后续工作。
在找到一些与增长目标具有相关性的问题后，不能着急于实验验证，需要进一步的分析和论证，让其更接近因果性，从而形成可靠性更高的假设，提升后续增长实验成功的可能性。
进一步数据分析和用户调研发现，“学生上课”期间会导致活跃学生用户数大增，但是活跃家长用户数却降低，调研表明参与邀请购课活动的用户大多是家长用户，这个时候我们就发现了新的相关性：学生上课时家长用户不使用产品，从而活动效果差。
这样我们就可以形成一个实验的假设：上课期间以检查孩子作业为理由，引导家长用户关注孩子学习、访问使用产品，是否能够提升上课期间的活动效果？
设计上线实验，分析实验结果：验证因果性
在有了比较可靠的实验假设后，我们通过上线增长实验，去验证我们的假设，将不确定的相关性验证为确定的因果性，当然结果也可能是没有因果性。
验证因果性中最重要的就是对增长实验结果数据的分析，通过对实验数据的科学分析能够准确量化实验的效果，判断实验假设正确与否。
而在增长实验结果数据分析中，有两个比较常见的错误：
根据结论推论原因
错误相关当做因果
根据结论推论原因，强行编造因果性，是因为我们对实验假设有了默认的因果性，认为前期的分析论证已经可靠说明了假设中的因果性，忽视了增长实验的作用是验证因果性而不是落地利用因果性。实验设计的分组测试、数据分析的全面多维度，以及团队成员的讨论，都能够减少此类问题。
错误把相关当成因果，没有准确区分相关性和因果性的差别。出现这种问题也是因为增长实验假设存在的不确定性，我们得出的实验数据仍然可能存在相关性的空间，对数据进一步的拆分探索，以及实验快速迭代，可以我们减少这类错误。
相关性和因果性对用户增长工作有着失之毫厘差之千里的影响，期望各位看懂相关性和因果性，在众多相关性中找准相关性，还能用好相关性和因果性，利用因果性的杠杆实现用户增长。
-END-
