आपके डेटा में कोई मज़बूत पैटर्न दिखना किसी कारण को साबित क्यों नहीं करता?
कोई मज़बूत पैटर्न कारण साबित नहीं करता, क्योंकि वही पैटर्न तब भी दिख सकता है जब कोई तीसरा कारक दोनों आँकड़ों को प्रभावित कर रहा हो, जब कारण और प्रभाव की दिशा उलटी हो, या जब मेल केवल संयोग हो। सहसंबंध यह मापता है कि दो चीज़ें कितनी निकटता से साथ बदलती हैं; यह नहीं बताता कि ऐसा क्यों होता है।
घर में इस्तेमाल होने वाले सामान के 30 स्टोर वाले एक काल्पनिक खुदरा विक्रेता, लार्कफ़ील्ड होम, का उदाहरण लें। व्यापार प्रबंधक प्रिया पिछली तिमाही की समीक्षा कर रही है। आठ स्टोर ने सप्ताहांत पर खाना पकाने के बर्तनों का प्रदर्शन किया और 22 ने नहीं किया। उसके निर्यात किए गए डेटा में लिखा है: 'प्रदर्शन वाले स्टोर: औसत साप्ताहिक बिक्री 41,200। बिना प्रदर्शन वाले स्टोर: 34,900। अंतर: +18%। ध्यान दें: प्रदर्शन के लिए स्टोर क्षेत्रीय प्रबंधकों ने चुने थे। प्रदर्शन ज़्यादातर नवंबर से दिसंबर के बीच हुए। प्रदर्शन वाले स्टोर में हमारे 6 सबसे बड़े स्टोर में से 5 शामिल हैं।' शीट का सारांश बनाते हुए एक AI सहायक ने लिखा: 'खाना पकाने के बर्तनों के प्रदर्शन से साप्ताहिक बिक्री में 18% की बढ़ोतरी होती है। सभी स्टोर में इन्हें शुरू करने से राजस्व बढ़ना चाहिए।' निदेशक मंडल सोमवार को इसे सभी स्टोर में शुरू करने की मंज़ूरी देना चाहता है।
| स्टोर समूह | स्टोर | औसत साप्ताहिक बिक्री | शामिल सबसे बड़ी साइटें | वे महीने जिनमें प्रदर्शन हुए |
|---|---|---|---|---|
| डेमो स्टोर | 8 | 41,200 | 6 में से 5 | ज़्यादातर नवंबर और दिसंबर |
| डेमो के लिए नहीं बनाए गए स्टोर | 22 | 34,900 | 6 में से 1 | कोई नहीं |
आप कैसे जाँचें कि किसी सहसंबंध में कारण और प्रभाव का संबंध है या नहीं?
तीन वैकल्पिक व्याख्याओं को एक-एक करके खारिज करते हुए सहसंबंध की जाँच करें। फिर, जहाँ संभव हो, ऐसी निष्पक्ष तुलना करें जिसमें केवल संभावित कारण अलग हो। नीचे दिया गया हर चरण एक सवाल है जो आप किसी के पैसा खर्च करने से पहले डेटा से पूछते हैं।
1. नतीजे को प्रभावित करने वाले किसी अन्य कारक को खोजें
भ्रमकारी कारक वह तीसरा कारक है जो तुलना की जा रही दोनों चीज़ों को प्रभावित करता है। लार्कफ़ील्ड में दुकान का आकार और मौसम ऐसे संभावित कारक हैं: बड़ी दुकानों में वैसे भी अधिक बिक्री होती है, और नवंबर व दिसंबर में खाना पकाने के बर्तनों की माँग अधिक रहती है। पूछें कि दोनों समूहों में और क्या अलग है।
2. दिशा जाँचें
उलटे कारण-संबंध का मतलब है कि जिसे परिणाम समझा जा रहा है, वही असल में कथित कारण को जन्म दे रहा है। यदि क्षेत्रीय प्रबंधकों ने उन दुकानों को प्रदर्शन दिखाए जिनकी बिक्री पहले से अच्छी थी, तो बढ़ती बिक्री के कारण प्रदर्शन हुए, न कि प्रदर्शनों के कारण बिक्री बढ़ी। पूछें कि समूह कैसे चुने गए थे।
3. संयोग की संभावना पर विचार करें
आठ स्टोर और एक तिमाही के डेटा में संयोग से भी अंतर दिख सकता है, खासकर अगर किसी ने कई प्रचार अभियानों को जाँचा हो और केवल सबसे अलग दिखने वाले की रिपोर्ट दी हो। पूछें कि कितनी तुलनाएँ की गई थीं और क्या दूसरी अवधि में भी वही पैटर्न दिखता है।
4. समान चीज़ों की तुलना करें
एक ही हफ़्तों में डेमो वाली दुकानों की तुलना डेमो के बिना चलने वाली समान दुकानों से करें: बड़ी की बड़ी से, छोटी की छोटी से। अगर अधिकांश अंतर मिट जाता है, तो असर भ्रम पैदा करने वाले अन्य कारकों का था।
5. एक प्रयोग करें
सबसे मज़बूत जाँच एक नियंत्रित परीक्षण है: एक-दूसरे से तुलना किए जा सकने वाले स्टोर चुनें, उनमें से आधे को यादृच्छिक तरीके से चुनकर एक ही अवधि के हफ़्तों में डेमो कराएँ और फिर तुलना करें। यादृच्छिक चयन से आकार, स्थान और पिछले कारोबार का असर दोनों समूहों में समान रूप से बँट जाता है, इसलिए बचा हुआ अंतर डेमो की वजह से होने की संभावना कहीं अधिक होती है।
Larkfield के डेटा की कमजोर और बेहतर व्याख्या कैसी होती है?
कमज़ोर व्याख्या AI के सारांश को बिना जाँचे सही मान लेती है: 'डेमो से बिक्री 18% बढ़ती है, इसलिए इन्हें हर जगह चलाएँ।' आकार, मौसम और चयन में अलग दो समूहों के बीच दिखे अंतर को यह इस वादे में बदल देती है कि 22 अन्य स्टोर में भी ऐसा ही होगा।
बेहतर विश्लेषण कहता है: 'डेमो वाले स्टोरों में हर सप्ताह 18% अधिक बिक्री हुई, लेकिन उनमें से ज़्यादातर हमारे सबसे बड़े स्टोर थे, डेमो हमारे दो सबसे व्यस्त महीनों में हुए थे, और क्षेत्रीय प्रबंधकों ने इन स्टोरों को चुना था। उन्हीं सप्ताहों में पाँच बड़े डेमो स्टोरों की तुलना बिना डेमो वाले बड़े स्टोरों से करने पर अंतर लगभग 4% है, जो सप्ताह-दर-सप्ताह होने वाले सामान्य उतार-चढ़ाव के भीतर है। हम अभी नहीं कह सकते कि डेमो से मदद मिलती है या नहीं। प्रस्ताव: समान स्थितियों वाले 12 मध्यम आकार के स्टोरों में छह सप्ताह का परीक्षण हो, जिनमें से छह को यादृच्छिक रूप से डेमो के लिए चुना जाए, और खाना पकाने के बर्तनों की बिक्री व कर्मचारियों के काम के घंटों को मापा जाए।' एक महीने की देरी के बदले यह संस्करण निदेशक मंडल को बताता है कि क्या पता है, क्या नहीं और उसका पता कैसे लगाया जाए।
AI के सारांश सहसंबंधों के आधार पर आपको कैसे गुमराह कर सकते हैं?
AI के सारांश सबसे अधिक तब गुमराह करते हैं जब वे सहसंबंध को 'बढ़ाता है', 'इसका नतीजा होता है', 'बढ़ावा देता है' या 'के कारण' जैसे कारण बताने वाले शब्दों में बयान करते हैं। इससे कोई रुझान साबित हो चुके प्रभाव जैसा लगता है। भाषा मॉडल आँकड़ों की सहज व्याख्या लिखता है; जब तक आप न बताएँ, उसे नहीं पता होता कि स्टोर कैसे चुने गए थे, और वह खुद से शायद ही कभी बताता है कि वह कारण और संयोग में अंतर नहीं कर सकता।
इसे कम करने के लिए सहायक को वह संदर्भ दें जो उसके पास नहीं है, जैसे समूह कैसे चुने गए, तारीखें और नमूने का आकार। उससे कहें कि डेटा क्या दिखाता है और उसकी संभावित व्याख्या क्या हो सकती है, इन्हें अलग रखे। फिर आउटपुट में ऐसे क्रिया-शब्द तलाशें जो किसी चीज़ को कारण बताते हों, और उनकी जगह वही लिखें जो वास्तव में देखा गया था। उदाहरण के लिए, 'जिन दुकानों में डेमो हुए, वहाँ बिक्री भी ज़्यादा थी'।
किसी कारण-संबंधी दावे के आधार पर कार्रवाई करने से पहले आप उसकी जाँच कैसे करते हैं?
किसी कारण-संबंधी दावे की जाँच के लिए पूछें कि समूह कैसे चुने गए, क्या दोनों समूहों में कारण प्रभाव से पहले आया, क्या दूसरे समय-अंतराल या बड़े नमूने में भी अंतर बना रहता है, और क्या जहाँ साक्ष्य केवल सहसंबंध दिखाते हैं वहाँ सारांश में 'से जुड़ा है' लिखा गया है। किसी के खर्च को मंज़ूरी देने से पहले दावे के पास इन सवालों के जवाब लिखें।
सहसंबंध और कारण-परिणाम संबंध को समझने में आम तौर पर कौन-सी गलतियाँ होती हैं?
सबसे आम गलती डैशबोर्ड पर अंतर दिखने के कारण कोई बदलाव लागू कर देना है, बिना यह पूछे कि समूह कैसे बनाए गए थे। अन्य गलतियाँ हैं: उच्च सहसंबंध गुणांक को प्रमाण मानना, बीस प्रचार अभियानों में से केवल उस एक की रिपोर्ट देना जो अच्छा दिखा, मौसमी प्रभाव भूल जाना, और यह मान लेना कि सहसंबंध नहीं है तो प्रभाव भी नहीं है। उलटी गलती भी पैसे का नुकसान करती है: पूरी निश्चितता मिलने तक कार्रवाई से इनकार करना, जबकि छोटा यादृच्छिक परीक्षण आम तौर पर कम खर्च में हो जाता है।
Tosheo.ai में इस पाठ की क्या जगह है?
यह पाठ डेटा विज्ञान और विश्लेषण श्रेणी का हिस्सा है और डेटा विज्ञान पाठ्यक्रम में शुरुआत में आता है, क्योंकि आगे का हर विषय—डैशबोर्ड से लेकर मशीन लर्निंग तक—इस बात पर निर्भर करता है कि आप किसी पैटर्न को कारण न मान बैठें। Tosheo.ai में व्यावहारिक कार्य आपको एक काल्पनिक डेटासेट और AI से लिखा गया सारांश देता है। मूल्यांकन मानदंडों पर आधारित प्रतिक्रिया कारण संबंधी हर उस दावे की ओर ध्यान दिलाती है जिसका समर्थन डेटा नहीं कर सकता। यह पेशेवर बुनियाद है, सांख्यिकी की डिग्री नहीं।
स्रोत और दायरा
ऑस्ट्रेलियाई सांख्यिकी ब्यूरो: सहसंबंध और कारण-कार्य संबंध (जाँच की तारीख: 19 October 2026) ↗