আপনার তথ্যে কোনো জোরালো ধারা দেখা গেলেই কেন তা কার্যকারণ প্রমাণ করে না?
দৃঢ় কোনো ধরন দেখা গেলেই তা কার্যকারণ প্রমাণ করে না। কারণ তৃতীয় কোনো বিষয় দুটি সংখ্যাকেই প্রভাবিত করলে, কার্যকারণের দিক উল্টো হলে বা নিছক কাকতালীয় মিল থাকলেও একই ধরন দেখা যেতে পারে। সহসম্পর্ক মাপে দুটি বিষয় কতটা ঘনিষ্ঠভাবে একসঙ্গে বদলায়; কেন বদলায়, সে সম্পর্কে তা কিছুই বলে না।
লার্কফিল্ড হোম নামে গৃহস্থালি সামগ্রীর একটি কাল্পনিক খুচরা বিক্রেতার কথা ধরুন, যার 30-টি দোকান আছে। বিক্রয় ব্যবস্থাপক প্রিয়া গত ত্রৈমাসিকের ফলাফল পর্যালোচনা করছেন। আটটি দোকানে সাপ্তাহিক ছুটির দিনে রান্নার পাত্রের ব্যবহার দেখানো হয়েছিল, আর 22-টিতে হয়নি। তাঁর রপ্তানি করা ডেটা এমন: 'প্রদর্শনী হওয়া দোকান: গড় সাপ্তাহিক বিক্রি 41,200। প্রদর্শনী না হওয়া দোকান: 34,900। পার্থক্য: +18%। নোট: এলাকার ব্যবস্থাপকেরা প্রদর্শনীর দোকান বেছে নিয়েছেন। প্রদর্শনী মূলত নভেম্বর থেকে ডিসেম্বর। প্রদর্শনী হওয়া দোকানগুলোর মধ্যে আমাদের সবচেয়ে বড় 6-টি দোকানের 5-টি রয়েছে।' শিটের সারসংক্ষেপ করতে গিয়ে একটি AI সহকারী লিখেছে: 'রান্নার পাত্রের প্রদর্শনী সাপ্তাহিক বিক্রি 18% বাড়ায়। সব দোকানে এটি চালু করলে আয় বাড়ার কথা।' পরিচালনা পর্ষদ সোমবার সব দোকানে এটি চালুর অনুমোদন দিতে চায়।
| দোকানের গোষ্ঠী | দোকানগুলো | সাপ্তাহিক গড় বিক্রি | সবচেয়ে বড় সাইটগুলো অন্তর্ভুক্ত | যেসব মাসে প্রদর্শনী চলেছে |
|---|---|---|---|---|
| নমুনা দোকান | 8 | 41,200 | 6টির মধ্যে 5 | মূলত নভেম্বর ও ডিসেম্বর |
| ডেমোর জন্য নয় এমন স্টোর | 22 | 34,900 | 6টির মধ্যে 1 | কোনোটিই নয় |
কোনো পারস্পরিক সম্পর্ক কার্যকারণ সম্পর্ক কি না, কীভাবে পরীক্ষা করবেন?
তিনটি বিকল্প ব্যাখ্যা একে একে বাদ দিয়ে পারস্পরিক সম্পর্কটি পরীক্ষা করুন। তারপর সম্ভব হলে এমন একটি ন্যায্য তুলনা করুন, যেখানে শুধু সন্দেহ করা কারণটিই আলাদা। কেউ অর্থ খরচ করার আগে নিচের প্রতিটি ধাপে ডেটাকে একটি করে প্রশ্ন করা হয়।
1. ফলাফলকে প্রভাবিত করে এমন তৃতীয় কোনো কারণ খুঁজুন
বিভ্রান্তিকারী উপাদান হলো তৃতীয় কোনো উপাদান, যা আপনি যে দুটি বিষয় তুলনা করছেন, দুটিকেই প্রভাবিত করে। লার্কফিল্ডের ক্ষেত্রে দোকানের আকার ও মৌসুম এমন উপাদান হতে পারে: বড় দোকানে এমনিতেই বিক্রি বেশি হয়, আর রান্নার সরঞ্জাম বিক্রির ব্যস্ত সময় হলো নভেম্বর ও ডিসেম্বর। দুই গোষ্ঠীর মধ্যে আর কী কী পার্থক্য আছে, তা জানতে চান।
2. দিক যাচাই করুন
বিপরীত কার্যকারণ মানে, যেটিকে ফল বলে মনে করা হচ্ছে, সেটিই আসলে কথিত কারণটি ঘটাচ্ছে। এলাকার ব্যবস্থাপকেরা যদি আগে থেকেই ভালো ব্যবসা করা দোকানগুলিকে পণ্যের প্রদর্শনী দিয়ে থাকেন, তাহলে বিক্রি বাড়ার কারণে প্রদর্শনী হয়েছে, উল্টোটা নয়। দলগুলি কীভাবে বেছে নেওয়া হয়েছিল, তা জিজ্ঞাসা করুন।
3. দৈব প্রভাব বিবেচনা করুন
আটটি দোকান ও এক ত্রৈমাসিকের তথ্য নিয়ে কাজ করলে নিছক কাকতালীয়ভাবেও ফারাক দেখা যেতে পারে, বিশেষ করে কেউ যদি অনেক প্রচারের ফল দেখে শুধু চোখে পড়ার মতো একটির কথা জানান। কতগুলো তুলনা করা হয়েছে এবং অন্য সময়কালেও একই ধারা দেখা যায় কি না, তা জিজ্ঞেস করুন।
4. একই ধরনের বিষয়ের মধ্যে তুলনা করুন
একই সপ্তাহে ডেমো দেওয়া দোকানগুলোর সঙ্গে একই ধরনের ডেমো না-দেওয়া দোকানগুলোর তুলনা করুন: বড়র সঙ্গে বড়, ছোটর সঙ্গে ছোট। ব্যবধানের বেশিরভাগই মিলিয়ে গেলে বুঝবেন, অন্য প্রভাবকগুলোই পার্থক্য তৈরি করছিল।
5. একটি পরীক্ষা চালান
সবচেয়ে নির্ভরযোগ্য পরীক্ষা হলো নিয়ন্ত্রিত পরীক্ষা: তুলনাযোগ্য দোকান বেছে নিন, একই সপ্তাহগুলোতে দৈবভাবে অর্ধেক দোকানে প্রদর্শনীর ব্যবস্থা করুন এবং ফল তুলনা করুন। দৈব বণ্টনের ফলে আকার, অবস্থান ও ব্যবসার পূর্ববর্তী ফলাফলের পার্থক্য দুই দলে সমানভাবে ছড়িয়ে যায়। তাই এরপরও কোনো পার্থক্য থাকলে, তার কারণ প্রদর্শনী হওয়ার সম্ভাবনা অনেক বেশি।
লার্কফিল্ডের তথ্যের দুর্বল ও উন্নত বিশ্লেষণ কেমন হয়?
দুর্বল ব্যাখ্যায় AI-এর সারসংক্ষেপ যাচাই না করেই মেনে নেওয়া হয়: 'প্রদর্শনী বিক্রি 18% বাড়ায়, তাই সব দোকানে চালু করুন।' আকার, মৌসুম ও বাছাইয়ের দিক থেকে আলাদা দুই দলের মধ্যে দেখা পার্থক্যকে এতে অন্য 22টি দোকানে কী ঘটবে, তার নিশ্চয়তা হিসেবে তুলে ধরা হয়।
উন্নত বিশ্লেষণটি বলছে: 'ডেমো চালানো দোকানগুলোতে প্রতি সপ্তাহে 18% বেশি বিক্রি হয়েছে, তবে সেগুলোর বেশির ভাগই ছিল আমাদের সবচেয়ে বড় দোকান, ডেমো চালানো হয়েছিল আমাদের সবচেয়ে ব্যস্ত দুই মাসে, এবং এলাকার ব্যবস্থাপকেরা দোকানগুলো বেছে নিয়েছিলেন। একই সপ্তাহগুলোতে ডেমো চালানো পাঁচটি বড় দোকানের সঙ্গে ডেমো না চালানো বড় দোকানগুলোর তুলনা করলে ব্যবধান প্রায় 4%, যা সপ্তাহে সপ্তাহে স্বাভাবিক ওঠানামার মধ্যেই পড়ে। ডেমো কাজে আসে কি না, তা এখনই বলা যাচ্ছে না। প্রস্তাব: তুলনাযোগ্য 12টি মাঝারি দোকানে ছয় সপ্তাহের পরীক্ষা চালানো হবে, যার মধ্যে ছয়টি দৈবভাবে বেছে নিয়ে ডেমো চালানো হবে, এবং রান্নার সরঞ্জামের বিক্রি ও কর্মীদের কাজের ঘণ্টা মাপা হবে।' এই সংস্করণ বোর্ডকে জানায় কী জানা আছে, কী জানা নেই এবং কীভাবে জানা যাবে—এর জন্য এক মাস অপেক্ষা করতে হবে।
AI-এর তৈরি সারসংক্ষেপ কীভাবে পারস্পরিক সম্পর্ক দেখিয়ে আপনাকে বিভ্রান্ত করতে পারে?
AI সারসংক্ষেপে সবচেয়ে বেশি বিভ্রান্তি তৈরি হয় যখন পারস্পরিক সম্পর্ককে 'চালিত করে', 'ঘটায়', 'বাড়ায়' বা 'এর কারণে'-এর মতো কার্যকারণ বোঝানো শব্দে বর্ণনা করা হয়। এতে কোনো প্রবণতাকে প্রমাণিত প্রভাব বলে মনে হয়। ভাষা মডেল সংখ্যার সাবলীল ব্যাখ্যা লেখে; আপনি না বললে দোকানগুলো কীভাবে বেছে নেওয়া হয়েছিল, তা সেটি জানে না। আর কারণ ও কাকতালীয় ঘটনার মধ্যে পার্থক্য করতে পারছে না—এ কথা সেটি নিজে থেকে খুব কমই জানায়।
সহকারীকে তার কাছে না থাকা প্রাসঙ্গিক তথ্য দিয়ে—যেমন দলগুলো কীভাবে বেছে নেওয়া হয়েছে, তারিখগুলো ও নমুনার আকার—এবং তথ্য থেকে কী দেখা যায় ও তার সম্ভাব্য ব্যাখ্যা কী, তা আলাদা করতে বলে এই সমস্যা কমাতে পারেন। তারপর ফলাফলে কার্যকারণ বোঝায় এমন ক্রিয়াপদ খুঁজুন এবং প্রতিটির বদলে আসলে যা পর্যবেক্ষণ করা হয়েছে তা লিখুন, যেমন 'যেসব দোকানে প্রদর্শনী চালানো হয়েছিল, সেগুলোতে বিক্রিও বেশি ছিল'।
কার্যকারণ সম্পর্কের কোনো দাবির ভিত্তিতে পদক্ষেপ নেওয়ার আগে সেটি কীভাবে যাচাই করবেন?
কারণ-ফল সম্পর্কের দাবি যাচাই করতে প্রশ্ন করুন: দলগুলো কীভাবে বাছাই করা হয়েছিল, দুই দলেই ফলের আগে কারণটি ঘটেছিল কি না, অন্য সময়কাল বা বড় নমুনাতেও পার্থক্যটি থাকে কি না, এবং প্রমাণ শুধু পারস্পরিক সম্পর্ক দেখালে সারাংশে 'এর সঙ্গে সম্পর্কিত' বলা হয়েছে কি না। কেউ ব্যয় অনুমোদন করার আগে দাবিটির পাশে উত্তরগুলো লিখুন।
পারস্পরিক সম্পর্ক ও কার্যকারণ নিয়ে সাধারণ ভুলগুলো কী?
সবচেয়ে সাধারণ ভুল হলো ড্যাশবোর্ডে পার্থক্য দেখা গেছে বলে দলগুলো কীভাবে গঠিত হয়েছিল তা না জেনেই পরিবর্তন চালু করা। অন্য ভুলগুলো হলো: উচ্চ সহসম্পর্ক সহগকে প্রমাণ মনে করা, বিশটি প্রচারের মধ্যে শুধু ভালো ফল দেখানো একটির কথা জানানো, ঋতুভিত্তিক প্রভাব ভুলে যাওয়া এবং সহসম্পর্ক নেই মানেই প্রভাব নেই ধরে নেওয়া। বিপরীত ভুলটিও খরচ বাড়ায়: পুরোপুরি নিশ্চিত না হওয়া পর্যন্ত কোনো পদক্ষেপ নিতে অস্বীকার করা, যদিও ছোট আকারের দৈবচয়নভিত্তিক পরীক্ষা সাধারণত কম খরচে করা যায়।
Tosheo.ai-এ এই পাঠটি কোথায় রয়েছে?
এই পাঠটি ডেটা বিজ্ঞান ও বিশ্লেষণ বিভাগের অন্তর্ভুক্ত এবং ডেটা বিজ্ঞান কোর্সের শুরুর দিকে রয়েছে। কারণ, ড্যাশবোর্ড থেকে মেশিন লার্নিং পর্যন্ত পরের প্রতিটি বিষয়ই নির্ভর করে কোনো ধরন বা সম্পর্ককে কারণ ভেবে ভুল না করার ওপর। Tosheo.ai-এর হাতে-কলমে কাজে আপনাকে একটি কাল্পনিক ডেটাসেট এবং AI-এর লেখা সারসংক্ষেপ দেওয়া হয়। মানদণ্ডভিত্তিক মূল্যায়নের প্রতিক্রিয়ায় ডেটা দিয়ে সমর্থন করা যায় না, এমন প্রতিটি কার্যকারণের দাবি চিহ্নিত করা হয়। এটি পেশাগত ভিত্তি তৈরি করে, পরিসংখ্যানের ডিগ্রি নয়।