તમારા ડેટામાં દેખાતી સ્પષ્ટ ભાત કોઈ કારણ સાબિત કેમ નથી કરતી?
મજબૂત વલણ દેખાવાથી કારણ સાબિત થતું નથી, કારણ કે કોઈ ત્રીજું પરિબળ બંને આંકડાઓને અસર કરતું હોય, કારણની દિશા ઊલટી હોય અથવા મેળ માત્ર યોગાનુયોગ હોય ત્યારે પણ એ જ વલણ દેખાઈ શકે છે. સહસંબંધ એ માપે છે કે બે બાબતોમાં ફેરફાર કેટલી નજીકથી સાથે થાય છે; તે શા માટે થાય છે તે વિશે કંઈ જણાવતો નથી.
લાર્કફિલ્ડ હોમ નામના ઘરવપરાશની વસ્તુઓ વેચતા કાલ્પનિક છૂટક વેપારીનાં 30 સ્ટોર લો. વેચાણ સંચાલક પ્રિયા ગયા ત્રિમાસિકની સમીક્ષા કરી રહી છે. આઠ સ્ટોરમાં સપ્તાહાંત દરમિયાન રસોઈનાં વાસણોનાં પ્રદર્શન યોજાયાં અને 22માં નહોતાં યોજાયાં. તેણે નિકાસ કરેલો ડેટા આવો છે: 'પ્રદર્શન કરનારા સ્ટોર: સરેરાશ સાપ્તાહિક વેચાણ 41,200. પ્રદર્શન ન કરનારા સ્ટોર: 34,900. તફાવત: +18%. નોંધ: વિસ્તાર સંચાલકોએ પ્રદર્શન માટે સ્ટોર પસંદ કર્યા હતા. પ્રદર્શન મોટેભાગે નવેમ્બરથી ડિસેમ્બર દરમિયાન થયાં. પ્રદર્શન કરનારા સ્ટોરમાં અમારા 6 સૌથી મોટા સ્ટોરમાંથી 5નો સમાવેશ થાય છે.' શીટનો સારાંશ આપતા AI સહાયકે લખ્યું: 'રસોઈનાં વાસણોનાં પ્રદર્શનથી સાપ્તાહિક વેચાણમાં 18%નો વધારો થાય છે. બધાં સ્ટોરમાં તે શરૂ કરવાથી આવક વધવી જોઈએ.' સંચાલક મંડળ સોમવારે બધાં સ્ટોરમાં આ શરૂ કરવાની મંજૂરી આપવા માગે છે.
| સ્ટોર સમૂહ | સ્ટોર્સ | સરેરાશ સાપ્તાહિક વેચાણ | સૌથી મોટી સાઇટ્સનો સમાવેશ થાય છે | જે મહિનાઓમાં પ્રદર્શનો યોજાયાં |
|---|---|---|---|---|
| પ્રદર્શન માટેનાં સ્ટોર | 8 | 41,200 | 6માંથી 5 | મોટે ભાગે નવેમ્બર અને ડિસેમ્બર |
| ડેમો માટે ન હોય તેવા સ્ટોર | 22 | 34,900 | 6 માંથી 1 | કોઈ નહીં |
સહસંબંધ પાછળ કારણ-પરિણામનો સંબંધ છે કે નહીં તે કેવી રીતે ચકાસવું?
ત્રણ વૈકલ્પિક સમજૂતીઓને એક પછી એક નકારી કાઢીને સહસંબંધની કસોટી કરો. પછી જ્યાં શક્ય હોય ત્યાં એવી નિષ્પક્ષ સરખામણી કરો જેમાં માત્ર ધારેલું કારણ જ અલગ હોય. નીચેનું દરેક પગલું એવો પ્રશ્ન છે જે કોઈ પૈસા ખર્ચે તે પહેલાં તમે ડેટાને પૂછો છો.
1. પરિણામને અસર કરતું અન્ય પરિબળ શોધો
ગૂંચવણ ઊભું કરનાર પરિબળ એ ત્રીજું પરિબળ છે, જે તમે સરખાવતા હો એવી બંને બાબતોને અસર કરે છે. લાર્કફીલ્ડમાં દુકાનનું કદ અને મોસમ આવાં સંભવિત પરિબળો છે: મોટી દુકાનોમાં આમ પણ વધુ વેચાણ થાય છે, અને નવેમ્બર તથા ડિસેમ્બર રસોઈનાં વાસણોના વેચાણ માટે વ્યસ્ત મહિના છે. પૂછો કે બંને જૂથો વચ્ચે બીજું શું અલગ છે.
2. દિશા તપાસો
વિપરીત કારણસંબંધનો અર્થ એ છે કે જેને પરિણામ માનવામાં આવે છે તે જ ખરેખર માનવામાં આવેલા કારણને જન્મ આપે છે. જો વિસ્તારના સંચાલકોએ પહેલેથી સારો વેપાર કરતા સ્ટોરને પ્રદર્શન આપ્યાં હોય, તો વધતા વેચાણને કારણે પ્રદર્શન થયાં હતાં, પ્રદર્શનને કારણે વેચાણ વધ્યું નહોતું. જૂથો કેવી રીતે પસંદ કરવામાં આવ્યાં હતાં તે પૂછો.
3. સંયોગની શક્યતા ધ્યાનમાં લો
આઠ દુકાનો અને એક ત્રિમાસિકના ડેટામાં તફાવત સંયોગથી દેખાઈ શકે છે, ખાસ કરીને જો કોઈએ ઘણી વેચાણ યોજનાઓ તપાસીને માત્ર સૌથી અલગ દેખાતી યોજનાની જાણ કરી હોય. કેટલી તુલનાઓ કરવામાં આવી હતી અને બીજા સમયગાળામાં પણ એ જ ભાત જોવા મળે છે કે નહીં તે પૂછો.
4. સમાન પ્રકારની વસ્તુઓની સરખામણી કરો
જે દુકાનોમાં નિદર્શન થયું હોય તેમની સરખામણી એ જ અઠવાડિયાં દરમિયાન એવી જ નિદર્શન ન થયું હોય તેવી દુકાનો સાથે કરો: મોટી સાથે મોટી, નાની સાથે નાની. જો મોટાભાગનો તફાવત ગાયબ થઈ જાય, તો પરિણામ પાછળ ગૂંચવણ ઊભી કરનારાં પરિબળો જવાબદાર હતાં.
5. પ્રયોગ કરો
સૌથી મજબૂત પરીક્ષણ નિયંત્રિત પ્રયોગ છે: એકબીજા સાથે સરખાવી શકાય તેવી દુકાનો પસંદ કરો, તેમાંથી અડધી દુકાનોમાં એકસરખાં અઠવાડિયાં દરમિયાન પ્રદર્શન કરવાનું રેન્ડમ રીતે નક્કી કરો અને સરખામણી કરો. રેન્ડમ ફાળવણીથી કદ, સ્થળ અને અગાઉના વેપારનો ઇતિહાસ બંને જૂથોમાં સમાન રીતે વહેંચાય છે, તેથી બાકી રહેલો તફાવત પ્રદર્શનને કારણે હોવાની શક્યતા ઘણી વધારે હોય છે.
Larkfieldના ડેટાનું નબળું અને સુધારેલું અર્થઘટન કેવું હોય છે?
નબળા અર્થઘટનમાં AIના સારાંશને ચકાસ્યા વિના સાચો માની લેવામાં આવે છે: 'પ્રદર્શનથી વેચાણમાં 18% વધારો થાય છે, એટલે તે બધી જગ્યાએ કરો.' કદ, ઋતુ અને પસંદગીમાં જુદાં પડતાં બે જૂથો વચ્ચે જોવા મળેલા તફાવતને તે અન્ય 22 દુકાનોમાં શું થશે તેની ખાતરીમાં ફેરવી દે છે.
સુધારેલું અર્થઘટન કહે છે: 'પ્રદર્શન યોજનાર દુકાનોમાં દર અઠવાડિયે 18% વધુ વેચાણ થયું, પરંતુ તે મોટેભાગે અમારી સૌથી મોટી દુકાનો હતી, પ્રદર્શનો અમારા બે સૌથી વ્યસ્ત મહિનાઓમાં યોજાયાં હતાં અને વિસ્તારના મેનેજરોએ તે દુકાનો પસંદ કરી હતી. પ્રદર્શન યોજનાર પાંચ મોટી દુકાનોની સરખામણી એ જ અઠવાડિયાંમાં પ્રદર્શન ન યોજનાર મોટી દુકાનો સાથે કરતાં, તફાવત લગભગ 4% છે, જે અઠવાડિયાથી અઠવાડિયે થતા સામાન્ય ફેરફારની અંદર છે. પ્રદર્શનો મદદરૂપ થાય છે કે નહીં તે હજી કહી શકાતું નથી. પ્રસ્તાવ: સરખાવી શકાય તેવી 12 મધ્યમ કદની દુકાનોમાં છ અઠવાડિયાંનો પ્રયોગ, જેમાં પ્રદર્શન યોજવા માટે છ દુકાનો યાદચ્છિક રીતે પસંદ કરવામાં આવે અને રસોઈનાં વાસણોનું વેચાણ તથા કર્મચારીઓના કામના કલાકો માપવામાં આવે.' આ સંસ્કરણ એક મહિનાના વિલંબના ભોગે બોર્ડને જણાવે છે કે શું જાણીતું છે, શું અજાણ્યું છે અને તે કેવી રીતે જાણી શકાય.
AIના સારાંશો સહસંબંધોના આધારે તમને કેવી રીતે ગેરમાર્ગે દોરી શકે?
AIના સારાંશો મોટેભાગે ત્યારે ગેરમાર્ગે દોરે છે જ્યારે તે સહસંબંધને 'કારણ બને છે', 'તરફ દોરી જાય છે', 'વધારો કરે છે' અથવા 'ના કારણે' જેવા કારણ દર્શાવતા શબ્દોમાં વર્ણવે છે. તેનાથી કોઈ વલણ સાબિત થયેલી અસર જેવું લાગે છે. ભાષા મોડેલ આંકડાઓના અસ્ખલિત ખુલાસા લખે છે; તમે જણાવો નહીં ત્યાં સુધી તેને ખબર નથી હોતી કે દુકાનો કેવી રીતે પસંદ કરવામાં આવી હતી, અને તે કારણ તથા સંયોગ વચ્ચે ભેદ પાડી શકતું નથી એ વાત ભાગ્યે જ જાતે જણાવે છે.
સહાયક પાસે ન હોય તેવો સંદર્ભ આપીને તમે આ ઘટાડી શકો છો, જેમ કે જૂથો કેવી રીતે પસંદ કરાયાં, તારીખો અને નમૂનાનું કદ. તેને ડેટા શું દર્શાવે છે અને તે શેનું સંભવિત સ્પષ્ટીકરણ આપી શકે છે તે અલગ કરવા કહો. પછી આઉટપુટમાં કારણ-પરિણામ સૂચવતી ક્રિયાઓ શોધો અને દરેકને ખરેખર જે અવલોકન થયું હોય તેનાથી બદલો, ઉદાહરણ તરીકે 'જે સ્ટોરોએ પ્રદર્શન યોજ્યાં હતાં તેમનું વેચાણ પણ વધારે હતું'.
કોઈ બાબત બીજી બાબતનું કારણ છે એવા દાવાના આધારે પગલું લેતાં પહેલાં તે દાવો કેવી રીતે ચકાસવો?
કારણસંબંધનો દાવો તપાસવા માટે પૂછો કે જૂથો કેવી રીતે પસંદ કરાયાં, બંને જૂથોમાં કારણ અસર પહેલાં આવ્યું હતું કે નહીં, બીજા સમયગાળામાં અથવા વધુ મોટા નમૂનામાં પણ તફાવત ટકી રહે છે કે નહીં, અને પુરાવો માત્ર સહસંબંધ દર્શાવતો હોય ત્યારે સારાંશમાં 'સાથે સંકળાયેલું છે' એવું લખ્યું છે કે નહીં. કોઈ ખર્ચને મંજૂરી આપે તે પહેલાં દાવાની બાજુમાં જવાબો લખો.
સહસંબંધ અને કાર્યકારણ સંબંધ સમજવામાં થતી સામાન્ય ભૂલો કઈ છે?
સૌથી સામાન્ય ભૂલ એ છે કે જૂથો કેવી રીતે બનાવાયાં તે પૂછ્યા વિના, ડેશબોર્ડમાં તફાવત દેખાયો એટલે ફેરફાર અમલમાં મૂકવો. અન્ય ભૂલો: ઊંચા સહસંબંધ ગુણાંકને પુરાવો માનવો, વીસમાંથી સારું દેખાયેલું એક જ પ્રચાર અભિયાન રજૂ કરવું, મોસમી અસર ભૂલી જવી, અને સહસંબંધ નથી એટલે અસર નથી એમ માની લેવું. ઊલટી ભૂલ પણ ખર્ચાળ છે: નાનું યાદૃચ્છિક પરીક્ષણ સામાન્ય રીતે સસ્તું હોય ત્યારે પણ સંપૂર્ણ ખાતરી ન થાય ત્યાં સુધી પગલાં લેવાનો ઇનકાર કરવો.
Tosheo.aiમાં આ પાઠ ક્યાં આવે છે?
આ પાઠ ડેટા વિજ્ઞાન અને વિશ્લેષણ શ્રેણીનો ભાગ છે અને ડેટા વિજ્ઞાન અભ્યાસક્રમની શરૂઆતમાં આવે છે, કારણ કે ડૅશબોર્ડથી લઈને મશીન લર્નિંગ સુધીના દરેક આગળના વિષયમાં કોઈ પેટર્નને ભૂલથી કારણ ન માની લેવું જરૂરી છે. Tosheo.aiમાં પ્રાયોગિક કાર્ય તમને એક કાલ્પનિક ડેટાસેટ અને AIએ લખેલો સારાંશ આપે છે, અને ગુણાંકન માર્ગદર્શિકા મુજબનો પ્રતિસાદ કારણ અંગેનો એવો દરેક દાવો દર્શાવે છે જેને ડેટા સમર્થન આપતો નથી. આ વ્યાવસાયિક પાયો છે, આંકડાશાસ્ત્રની ડિગ્રી નથી.
સ્રોતો અને વ્યાપ
ઑસ્ટ્રેલિયન આંકડાશાસ્ત્ર બ્યુરો: સહસંબંધ અને કાર્યકારણ સંબંધ (ચકાસ્યું 19 October 2026) ↗