O que é Correlação vs Causalidade?
Correlação vs causalidade, também tratado como correlação e causalidade, é a distinção entre dois fenômenos que andam juntos e um fenômeno que causa o outro. Correlação significa que duas variáveis variam de forma associada: quando uma sobe, a outra tende a subir ou descer. Causalidade significa que mudar uma variável provoca mudança na outra.
Essa distinção é um dos conceitos mais importantes da análise de dados em marketing. Dashboards mostram correlações o tempo todo: vendas sobem junto com investimento em mídia, tráfego cresce junto com publicações no blog. A tentação é concluir que uma coisa causou a outra, mas a correlação sozinha admite outras explicações: coincidência, sazonalidade ou uma terceira variável influenciando as duas.
O exemplo clássico do varejo brasileiro: vendas de sorvete e de protetor solar sobem juntas todo verão. Nenhuma causa a outra. O calor causa as duas.
Como funciona na prática?
Para sair da correlação e se aproximar da causalidade, o caminho é criar comparações controladas:
- Desconfie do padrão. Ao ver duas métricas subindo juntas, liste explicações alternativas: sazonalidade, promoção simultânea, mudança de preço, notícia externa.
- Procure o contrafactual. A pergunta causal é: o que teria acontecido sem a ação? Testes de incrementalidade respondem isso comparando grupos expostos e não expostos.
- Use experimentos quando possível. Testes A/B, testes geográficos (campanha ligada em algumas cidades e desligada em outras) e grupos de controle isolam o efeito da ação.
- Use modelos quando o experimento não cabe. O MMM estima o efeito causal dos canais a partir de dados históricos, controlando fatores como sazonalidade e preço.
Modelos de atribuição baseados em cliques medem participação na jornada, o que ainda é correlação. Por isso equipes maduras combinam atribuição com experimentos.
Exemplos de uso
- Mídia paga: as vendas de um e-commerce sobem 30% no mês em que o remarketing recebeu mais verba. Antes de concluir causalidade, o time roda um teste desligando o remarketing em parte do público e descobre quanto das conversões aconteceria de qualquer forma.
- Conteúdo: um blog nota que leitores de determinado artigo compram mais. A leitura pode causar a compra, ou pessoas já decididas a comprar podem procurar aquele artigo. Um teste de destaque do conteúdo para público frio ajuda a separar as hipóteses.
- Branding: buscas pela marca crescem junto com uma campanha de vídeo. Um teste geográfico, com a campanha ativa só em algumas regiões, permite comparar o crescimento entre áreas expostas e não expostas.
Erros comuns
- Realocar orçamento com base em métricas que apenas acompanham o resultado, sem testar o efeito real.
- Ignorar sazonalidade e atribuir à campanha um crescimento que aconteceria de qualquer forma.
- Esquecer a variável oculta: uma terceira causa pode explicar as duas métricas.
- Assumir a direção errada: A pode causar B, mas B também pode causar A.
- Celebrar correlações com métricas de vaidade que não se conectam a receita.
Perguntas frequentes sobre Correlação vs Causalidade
Como provar causalidade em marketing?
O padrão mais forte é o experimento controlado: divida o público ou as regiões em grupo exposto e grupo de controle, mantenha todo o resto igual e compare os resultados. Quando o experimento é inviável, modelos econométricos como o MMM e estudos de incrementalidade oferecem estimativas causais razoáveis a partir de dados históricos.
Correlação serve para alguma coisa?
Serve, e muito. A correlação é um excelente gerador de hipóteses: ela aponta onde pode existir uma relação que vale a pena investigar. O problema aparece quando a análise para na correlação e a decisão de orçamento é tomada sem validação. Use a correlação para perguntar e o experimento para responder.
A atribuição do meu analytics mostra causalidade?
Não. Relatórios de atribuição distribuem crédito entre pontos de contato observados na jornada, o que descreve associação entre canal e conversão. Uma pessoa que clicou no anúncio talvez comprasse de qualquer forma. Para medir o efeito causal de um canal, combine a atribuição com testes de incrementalidade ou experimentos geográficos.