相关性和因果关系：怎么在分析数据里分清

分析报表里到处是「做了 X 的人表现更好」。本文讲清相关和因果的区别，用一组示例数据说明「看视频让注册翻倍」大部分来自流量来源，并列出判断要不要行动的检查和测试方法。

一句话说清区别

相关是两件事一起变：一个上升，另一个也跟着上升（或下降）。因果是其中一个让另一个发生：改变前者，后者因为它而改变。

有因果就一定有相关，但大多数相关并不是因果。分析报表里到处是相关：「邀请过同事的用户留存高一倍」「打开过客服的访客转化更高」「带视频的页面跳出率更低」。每一条都可能是能动手改的原因，也可能只是这些用户本来就不一样。

为什么报表里满是假原因

有三种情况会产生相关、却没有因果：

• 混杂因素。 第三个因素同时推动两个数。意向强的访客既会看演示视频、也会购买，视频并没有让他们买。
• 因果倒置。 箭头方向反了。已经用得好的客户会用更多功能，不是用功能让他们用得好。
• 偶然。 看的分群够多，总有几个因为运气而不同。看 20 个分群，按 5% 的显著性水平，通常会有一个看起来「显著」，哪怕什么都没发生。

每次的陷阱都一样：做了 X 的人和没做 X 的人，在 X 发生之前就不一样。分析数据是观察数据，人自己选择做什么，这个选择本身带着他们的意向、来源和历史。

示例：演示视频真的带来注册吗？

一个 SaaS 网站的价格页上有一段两分钟的演示视频。30 天里来了 10,000 个访客，其中 2,000 人看了视频。目标报表显示：看过视频的人有 7.25% 申请了演示，其他人只有 3.0%。看起来视频让转化变成了 2.4 倍，顺手的做法是把视频放到每个页面上。

再把同一批访客按流量来源拆开。付费搜索来的访客（搜品类词来的人）更可能既看视频又转化：他们占看视频人群的 75%，却只占没看人群的 25%。在付费搜索里，看过视频的转化 9.0%，没看的 8.0%；在社交渠道里，是 2.0% 对 1.3%。

视频看起来仍然有一点帮助，但 2.4 倍的差距大部分来自谁看了视频。这种按第三个因素一拆、差距就缩小甚至反转的现象，叫辛普森悖论。拆分也证明不了剩下的差距就是因果，它只是去掉了一个你看得见的混杂因素。

判断因果前的四项检查

任何「做 X 的人表现更好」的结论，花钱之前都先过一遍这四项。下表列出要问的问题，以及用普通报表怎么查。

四项都过了，算是一个有力的假设。只有对照测试才能证明因果。

真正验证因果的做法

决策值得的话，就主动设计对比，而不是从报表上直接读：

1. A/B 测试。 随机给一半访客展示视频。随机分组会把意向、来源、历史平均分到两组，目标转化率的差异（在误差范围内）就是视频带来的。见怎么计算统计显著性。
2. 保留组。 对没法按单次访问拆分的东西（邮件序列、会员计划），随机留出 5–10% 的符合条件用户不参与，再做对比。
3. 有对照的前后对比。 改了整个页面时，用这个页面的变化，对比同期没改的相似页面的变化。单纯的前后对比会把季节和活动的影响也算进去。上线当天加一条图表标注，以后对比时一眼能找到。
4. 匹配对比。 以上都做不了时，在同一个来源、设备、套餐、注册周里，对比做了 X 和没做 X 的用户。比测试弱，但比原始差距可靠得多。

在 TapCub 里怎么拆

目标报表可以把每个目标按来源、入口页、国家、设备拆开，所以第一项检查（差距在每个来源里还在不在？）点一下就能看。「看过视频」这种按行为分的组，先发一个自定义事件，用它建一个分群，在同样的筛选条件下对比这个分群和全站的目标转化率。把结果当成要验证的假设，而不是答案。怎么选拆分维度，见客户分群分析。

常见问题

相关性能证明因果吗？

单靠相关不能。一个强、稳定、按明显的混杂因素拆开后还在、时间顺序对、机制也说得通的相关，是不错的证据；但最后还是随机测试说了算。

营销数据里的混杂变量是什么？

同时影响行为和结果的因素。常见的有流量来源、设备、套餐、客户规模、注册时间。如果在这个因素的同一个取值里对比，差距消失了，那它就是混杂因素。

什么是伪相关？

完全没有因果路径的相关，通常来自偶然，或者两个数都随时间增长。一个增长季度里，两个都在上升的指标会高度相关，不管它们有没有关系。

样本要多大，差异才可信？

取决于基础转化率和差异大小。在 3% 的转化率上差 1 个百分点，每组要几万访客；差 10 个百分点要的就少得多。测试开始前就算好，不要事后再算。