# Кореляція і причинність у продуктовій аналітиці

> Що таке кореляція і чому вона не доводить причинність: конфаундери, зворотна причинність, зміщення вибірки і як перевірити ефект експериментом.

- Джерело: https://productovi.com/uk/blog/correlation-vs-causation
- Автор: Sergey Bruh
- Опубліковано: 2026-09-27
- Теми: Кореляція, Кореляція чи причинність, Дизайн A/B-тесту

Кореляція і причинність — одразу до суті: **кореляція означає, що дві метрики рухаються разом; причинність — що зміна однієї справді змінює іншу.** У продуктових даних безліч кореляцій, які не є причинними, бо користувачі самі обирають, якими функціями користуватися, а ті, хто обирає функцію, часто відрізняються від тих, хто її ігнорує. Перш ніж вкладатися у «фічу, яка тягне утримання», виключіть трьох звичних підозрюваних — змішувальний чинник, зворотну причинність і зміщення вибірки, — а потім перевірте ідею рандомізованим експериментом. Якщо це неможливо, шукайте природний експеримент.

## Дашборд, який обдурив усіх

Котокорм, інтернет-магазин кормів для тварин, запустив **автодоставку**: клієнт обирає корм і графік, і замовлення приїжджає раз на кілька тижнів. За три місяці на квартальному огляді з'являється слайд:

> Клієнти з автодоставкою: **60 %** досі замовляють через пів року. Без автодоставки: **27,6 %**. Автодоставка більш ніж подвоює утримання!

Пропонований наступний крок — активно просувати автодоставку: спливні вікна на чекауті, знижка за перехід. Слідом з'являються прогнози виручки.

Кореляція справжня. Але чи **спричиняє** автодоставка утримання? Розділімо тих самих клієнтів за тим, наскільки лояльними вони були **до** появи автодоставки:

| Сегмент                           | З автодоставкою   | Без автодоставки    |
| --------------------------------- | ----------------- | ------------------- |
| Лояльні (3+ попередні замовлення) | 70 % із 800       | 66 % із 400         |
| Нові (0–2 попередні замовлення)   | 20 % із 200       | 18 % із 1 600       |
| **Усі клієнти**                   | **60 % із 1 000** | **27,6 % із 2 000** |

Усередині кожного сегмента розрив майже зникає: 4 пункти серед лояльних і 2 пункти серед нових. Великий загальний розрив з'явився здебільшого тому, що **лояльні клієнти набагато частіше підключали автодоставку** (800 із 1 200 лояльних проти 200 із 1 800 нових). Спершу була лояльність, а функція просто зібрала таких клієнтів.

Це і є **змішувальний чинник (конфаундер)**: третя змінна — тут попередня лояльність, — яка впливає і на «причину», і на «наслідок».

![Попередня лояльність впливала і на підключення автодоставки, і на те, хто далі замовляв, тож розрив 60 % проти 27,6 % — це здебільшого лояльність; рандомізована пропозиція на чекауті прибирає цю стрілку й вимірює справжній ефект](/blog/correlation-vs-causation/diagram-uk.png)

## Три причини, чому кореляція — не причинність

### 1. Конфаундери: прихований третій чинник

Змішувальний чинник впливає на обидві змінні й створює кореляцію, навіть коли жодна з них не впливає на іншу. У продуктовій аналітиці найчастіші конфаундери такі:

- **Намір і залученість користувача:** залучені користувачі роблять усього більше — користуються новими функціями, відкривають розсилки й довше залишаються.
- **Сезонність:** у листопаді в Котокормі зростають і рекламні витрати, і замовлення. Частково це заслуга реклами, а частково — просто всі закуповуються перед святами.
- **Канал залучення:** користувачі з реферальної програми можуть відрізнятися від користувачів із таргетованої реклами одразу за всіма метриками.

### 2. Зворотна причинність: стрілка в інший бік

Буває, що B спричиняє A, а не A спричиняє B.

- Клієнти, які пишуть у підтримку, частіше відвалюються. Підтримка їх відштовхує чи люди звертаються туди, бо щось уже пішло не так?
- Ті, хто заходить у довідковий центр, рідше купують. Навряд чи довідка їм шкодить — просто допомогу шукають ті, хто заплутався.
- В активних користувачів більше збережених адрес. Адреси не змушують більше замовляти — це часті замовлення породжують нові адреси.

### 3. Зміщення вибірки: хто взагалі потрапляє в дані

Групи, які ви порівнюєте, сформував вибір самих користувачів або якийсь фільтр, а не випадок. Ті, хто відповідає на NPS-опитування, залученіші за тих, хто його ігнорує. Ті, хто завершив онбординг, — за визначенням ті, хто не здався. Будь-яке порівняння «зробили» і «не зробили» успадковує ці відмінності.

Окремий випадок — **ефект виживання**: якщо аналізувати лише клієнтів, активних сьогодні, виявиться, що все, що вони робили в перший місяць, «прогнозує» успіх, бо ті, хто робив те саме і пішов, у дані вже не потрапили.

## А наскільки сильна сама кореляція?

Перш ніж сперечатися про причини, правильно виміряйте зв'язок. Коефіцієнт кореляції Пірсона $r$ набуває значень від $-1$ до $+1$: близько до $\pm 1$ — тісний лінійний зв'язок, близько до 0 — лінійного зв'язку немає. Два застереження:

- $r$ ловить лише **лінійні** зв'язки. U-подібна залежність може мати $r \approx 0$.
- $r^2$ показує частку мінливості, яку зв'язок «пояснює». $r = 0{,}3$ звучить солідно, але $r^2 = 0{,}09$: 91 % мінливості пояснює щось інше.

І звісно, навіть $r = 0{,}95$ нічого не каже про те, куди спрямована стрілка і чи є вона взагалі.

## Як перевірити причинність

### Проведіть рандомізований експеримент

A/B-тест — найчистіший інструмент, бо **рандомізація знешкоджує всі конфаундери одразу**. Хто отримає зміну, вирішує випадок, а не користувач, тож лояльні й нові клієнти, активні й пасивні користувачі і будь-які приховані чинники розподіляються між групами рівномірно. Тоді різницю в результатах спричиняє саме зміна — плюс шум, який статистика вміє виміряти.

Змусити користувачів скористатися функцією часто неможливо, але можна рандомізувати **запрошення**. Для автодоставки Котокорм може показувати пропозицію на чекауті випадковій половині клієнтів і порівняти утримання через пів року між половинами — незалежно від того, хто насправді підключився. Такий дизайн іноді називають **дизайном заохочення** (encouragement design): він вимірює ефект від просування функції, а саме це й зробила б запропонована кампанія зі спливними вікнами.

### Шукайте природний експеримент, коли рандомізувати не можна

Якщо повноцінний тест неможливий, шукайте ситуації, де користувачів на групи поділило щось **поза їхнім контролем**:

- **Поетапний запуск (метод різниці різниць).** Котокорм запустив доставку в день замовлення в Києві, але не у Львові. За ті самі тижні щотижневі замовлення в Києві зросли з 1 000 до 1 150 (+15 %), а у Львові — з 800 до 880 (+10 %). Якби Київ ріс як Львів, він мав би близько 1 100 замовлень. Додаткові ~50 замовлень на тиждень, приблизно на 4,5 % більше за цей рівень, — розумна оцінка ефекту доставки в день замовлення. Ключове припущення: без запуску обидва міста рухалися б паралельно. Перевірте його, порівнявши їхні тренди за попередні місяці.
- **Пороги (регресійний розрив).** Безкоштовна доставка починається від 30 доларів. Клієнти з кошиком на 29 і на 31 долар майже однакові, крім плати за доставку, тож порівняння поведінки трохи нижче й трохи вище порога показує саме його ефект.
- **Збої та аварії.** День, коли рекомендації випадково не працювали, — це незапланований тест того, скільки вони насправді дають.
- **Географічні контрольні групи для маркетингу.** Призупиніть кампанію в кількох випадково обраних регіонах і порівняйте їх з рештою. Це один із найпрактичніших способів з'ясувати, чи реклама справді створює продажі, чи лише приписує собі ті, що сталися б і так.

### Враховуйте те, що можна виміряти, і чесно кажіть про решту

Регресія та сегментація, як-от поділ за лояльністю вище, дають змогу скоригувати результат на конфаундери, **про які ви знаєте і які виміряли**. Це набагато краще за сире порівняння, але не враховує тих чинників, про які ви не подумали. Сприймайте такі результати як сильніший доказ, а не як доведення.

## Чекліст, перш ніж заявляти «X впливає на Y»

1. Хто сам обирав, у яку групу потрапити, і чим ці люди можуть відрізнятися ще?
2. Чи є правдоподібний третій чинник (намір, сезон, канал, тариф), що стоїть за обома метриками?
3. Чи може стрілка вказувати в протилежний бік?
4. Чи не дивитеся ви лише на тих, хто «вижив» і тому потрапив у дані?
5. Чи зберігається ефект усередині сегментів, а не лише загалом?
6. Чи можна це перевірити: A/B-тестом, дизайном заохочення чи природним експериментом?

## Головне

- Кореляція — це спільний рух двох метрик; причинність — коли зміна однієї змінює іншу.
- У продуктових даних користувачі самі обирають функції, тож конфаундери і зміщення вибірки трапляються на кожному кроці.
- Пам'ятайте про зворотну причинність: по допомогу йдуть ті, в кого проблеми, а в активних користувачів просто накопичується більше всього.
- Рандомізований експеримент — золотий стандарт, бо рандомізація врівноважує всі конфаундери, зокрема й невідомі.
- Коли рандомізувати не можна, використовуйте природні експерименти (поетапні запуски, пороги, географічні контрольні групи) і чесно називайте їхні припущення.

## FAQ

### У чому різниця між кореляцією і причинністю?

Кореляція вимірює, наскільки дві змінні рухаються разом. Причинність означає, що зміна однієї змінної викликає зміну іншої. Дві метрики можуть сильно корелювати, бо обидві залежать від третього чинника, бо вплив іде у зворотний бік або просто випадково.

### Чи може кореляція свідчити про причинність?

Сама по собі — ні. Кореляція стає доказом причинності, коли виключено альтернативні пояснення: причина передує наслідку, конфаундери враховано або знешкоджено рандомізацією, а результат відтворюється. Найпряміший шлях до цього — рандомізований експеримент.

### Що таке змішувальний чинник у продуктовій аналітиці?

Це чинник, що впливає і на те, що ви вважаєте причиною, і на результат. Класичний приклад — залученість: залучені користувачі частіше пробують нові функції і краще утримуються, тож у сирих даних майже будь-яка функція виглядає так, ніби вона «тягне утримання».

### Як довести, що функція покращує утримання?

Рандомізуйте доступ до функції або пропозицію, яка запрошує нею скористатися, і порівняйте утримання між рандомізованими групами. Якщо це неможливо, запустіть функцію поетапно і порівняйте зміну в часі з групою, яка її ще не отримала.

## Спробуйте на практиці

Безкоштовний урок [Кореляція не означає причинності](/uk/courses/statistics-for-pm-and-marketers/correlation/theory) на даних Котокорму про рекламні витрати й замовлення показує, як правильно виміряти зв'язок, а потім розібрати його по кісточках. У ньому є тести й завдання з перевіркою ШІ. Коли захочете враховувати кілька чинників одночасно, переходьте до уроку [Множинна регресія](/uk/courses/statistics-for-pm-and-marketers/multiple-regression/theory). Обидва уроки — частина безкоштовного курсу «Статистика для продакт-менеджерів і маркетологів».

## Пов’язані уроки

- [Коефіцієнт кореляції: як дві метрики рухаються разом](https://productovi.com/uk/courses/statistics-for-pm-and-marketers/correlation.md)
- [Множинна лінійна регресія](https://productovi.com/uk/courses/statistics-for-pm-and-marketers/multiple-regression.md)
- [Конверсія і z-критерій для двох часток](https://productovi.com/uk/courses/statistics-for-pm-and-marketers/conversion-rate-tests.md)