तुमच्या डेटामध्ये ठळक नमुना दिसला तरी त्यातून कारण सिद्ध का होत नाही?
ठळक नमुना दिसला म्हणजे कारण सिद्ध होत नाही. तिसरा घटक दोन्ही आकड्यांवर परिणाम करत असेल, कारणाची दिशा उलटी असेल किंवा जुळणी निव्वळ योगायोग असेल, तरीही तोच नमुना दिसू शकतो. सहसंबंधातून दोन गोष्टी किती प्रमाणात एकत्र बदलतात हे मोजता येते; त्या का बदलतात हे समजत नाही.
लार्कफील्ड होम हा घरगुती वस्तू विकणारा 30 दुकानांचा काल्पनिक किरकोळ विक्रेता विचारात घ्या. विक्री व्यवस्थापक प्रिया गेल्या तिमाहीचा आढावा घेत आहे. आठ दुकानांनी शनिवार-रविवारी स्वयंपाकाच्या भांड्यांची प्रात्यक्षिके घेतली आणि 22 दुकानांनी घेतली नाहीत. तिने निर्यात केलेला डेटा असा आहे: 'प्रात्यक्षिके घेतलेली दुकाने: सरासरी साप्ताहिक विक्री 41,200. प्रात्यक्षिके न घेतलेली दुकाने: 34,900. फरक: +18%. टीप: प्रात्यक्षिकांची निवड विभागीय व्यवस्थापकांनी केली. प्रात्यक्षिके मुख्यतः नोव्हेंबर ते डिसेंबरमध्ये झाली. प्रात्यक्षिके घेतलेल्या दुकानांत आमच्या 6 सर्वात मोठ्या दुकानांपैकी 5 दुकाने आहेत.' पत्रकाचा सारांश देणाऱ्या AI सहाय्यकाने लिहिले: 'स्वयंपाकाच्या भांड्यांच्या प्रात्यक्षिकांमुळे साप्ताहिक विक्रीत 18% वाढ होते. सर्व दुकानांत ती सुरू केल्यास महसूल वाढायला हवा.' संचालक मंडळाला सोमवारी हा उपक्रम सर्व दुकानांत सुरू करण्यास मंजुरी द्यायची आहे.
| दुकानांचा गट | दुकाने | सरासरी साप्ताहिक विक्री | सर्वात मोठ्या संकेतस्थळांचा समावेश | प्रात्यक्षिके चाललेले महिने |
|---|---|---|---|---|
| प्रात्यक्षिकासाठीची दुकाने | 8 | 41,200 | 6 पैकी 5 | मुख्यतः नोव्हेंबर आणि डिसेंबर |
| प्रात्यक्षिकासाठी नसलेली दुकाने | 22 | 34,900 | 6 पैकी 1 | काहीही नाही |
एखादा सहसंबंध हा कारण-परिणाम संबंध आहे की नाही हे कसे तपासावे?
तीन पर्यायी स्पष्टीकरणे एकामागून एक बाद करून सहसंबंधाची चाचणी करा. त्यानंतर, शक्य असेल तेथे फक्त संशयित कारण वेगळे ठेवून निष्पक्ष तुलना करा. खालील प्रत्येक पायरी म्हणजे कोणीही पैसे खर्च करण्यापूर्वी डेटाला विचारायचा एक प्रश्न आहे.
1. निष्कर्षावर परिणाम करणारा तिसरा घटक शोधा
तुम्ही तुलना करत असलेल्या दोन्ही गोष्टींवर परिणाम करणारा तिसरा घटक म्हणजे गोंधळ निर्माण करणारा घटक. लार्कफिल्डमध्ये दुकानाचा आकार आणि हंगाम हे असे घटक असू शकतात: मोठ्या दुकानांमध्ये मुळातच जास्त विक्री होते आणि नोव्हेंबर व डिसेंबरमध्ये स्वयंपाकाच्या भांड्यांची खरेदी जास्त होते. या दोन गटांत आणखी काय फरक आहे, हे विचारा.
2. दिशा तपासा
उलटा कार्यकारणभाव म्हणजे ज्याला परिणाम मानले आहे, तोच प्रत्यक्षात गृहीत धरलेल्या कारणाला जन्म देत असतो. आधीपासूनच चांगला व्यवसाय करणाऱ्या दुकानांना विभागीय व्यवस्थापकांनी प्रात्यक्षिके दिली असतील, तर वाढत्या विक्रीमुळे प्रात्यक्षिके झाली, प्रात्यक्षिकांमुळे विक्री वाढली असे नाही. गट कसे निवडले होते ते विचारा.
3. योगायोगाची शक्यता विचारात घ्या
आठ दुकाने आणि एक तिमाही एवढाच डेटा असेल, तर योगायोगानेही तफावत दिसू शकते. विशेषतः एखाद्याने विक्री वाढवण्याच्या अनेक योजना तपासून त्यांपैकी ठळक दिसलेली एकच नोंदवली असेल तर असे होऊ शकते. किती तुलना केल्या होत्या आणि दुसऱ्या कालावधीतही तोच नमुना दिसतो का, हे विचारा.
4. समतुल्य गोष्टींची तुलना करा
प्रात्यक्षिके होणाऱ्या दुकानांची त्याच आठवड्यांतील तशाच प्रकारच्या, पण प्रात्यक्षिके न होणाऱ्या दुकानांशी तुलना करा: मोठ्यांची मोठ्यांशी, लहानांची लहानांशी. फरकाचा बहुतांश भाग नाहीसा झाला, तर तो फरक इतर गोंधळ निर्माण करणाऱ्या घटकांमुळे होता.
5. प्रयोग करा
सर्वात ठोस चाचणी म्हणजे नियंत्रित प्रयोग: तुलना करता येतील अशी दुकाने निवडा, त्यांपैकी निम्म्या दुकानांत त्याच आठवड्यांत प्रात्यक्षिके ठेवण्यासाठी यादृच्छिक निवड करा आणि तुलना करा. यादृच्छिक वाटपामुळे आकार, ठिकाण आणि व्यवसायाचा पूर्वेतिहास हे घटक दोन्ही गटांत साधारण समान पसरतात. त्यामुळे उरलेला फरक प्रात्यक्षिकांमुळे असण्याची शक्यता खूप जास्त असते.
Larkfield च्या डेटाचे कमकुवत आणि सुधारित विश्लेषण कसे असते?
कमकुवत विश्लेषणात AI चा सारांश जसाच्या तसा मान्य केला जातो: 'प्रात्यक्षिकांमुळे विक्री 18% वाढते, म्हणून ती सर्वत्र घ्या.' आकार, हंगाम आणि निवडीच्या बाबतीत वेगळ्या असलेल्या दोन गटांमधील दिसून आलेल्या फरकाला ते इतर 22 दुकानांत काय होईल याच्या आश्वासनात बदलते.
सुधारित विश्लेषण असे सांगते: 'प्रात्यक्षिके असलेल्या दुकानांची साप्ताहिक विक्री 18% जास्त होती, पण ती प्रामुख्याने आमची सर्वात मोठी दुकाने होती, प्रात्यक्षिके सर्वाधिक गर्दीच्या दोन महिन्यांत झाली आणि क्षेत्र व्यवस्थापकांनी त्या दुकानांची निवड केली होती. प्रात्यक्षिके असलेल्या पाच मोठ्या दुकानांची तुलना त्याच आठवड्यांतील प्रात्यक्षिके नसलेल्या मोठ्या दुकानांशी केल्यास फरक सुमारे 4% आहे, जो आठवड्यागणिक होणाऱ्या सामान्य चढउतारांच्या मर्यादेत आहे. प्रात्यक्षिकांचा फायदा होतो का, हे अजून सांगता येत नाही. प्रस्ताव: 12 तुलनीय मध्यम आकाराच्या दुकानांत सहा आठवड्यांची चाचणी घ्यावी, त्यांपैकी सहा दुकाने यादृच्छिकपणे प्रात्यक्षिकांसाठी निवडावीत आणि स्वयंपाकाच्या भांड्यांची विक्री व कर्मचाऱ्यांचे कामाचे तास मोजावेत.' या आवृत्तीमुळे संचालक मंडळाला काय माहीत आहे, काय माहीत नाही आणि ते कसे शोधायचे हे समजते; त्यासाठी एका महिन्याचा विलंब स्वीकारावा लागतो.
AI ने तयार केलेले सारांश सहसंबंधांच्या आधारे तुमची दिशाभूल कशी करू शकतात?
AI सारांश अनेकदा सहसंबंधाचे वर्णन 'चालना देते', 'कारणीभूत ठरते', 'वाढवते' किंवा 'यामुळे' अशा कार्यकारणभाव दर्शवणाऱ्या शब्दांत करून दिशाभूल करतात. त्यामुळे एखादा कल म्हणजे सिद्ध झालेला परिणाम असल्यासारखे वाटते. भाषा मॉडेल आकड्यांची ओघवती स्पष्टीकरणे लिहिते; पण तुम्ही सांगितल्याशिवाय दुकानांची निवड कशी झाली हे त्याला माहीत नसते. कारण आणि योगायोग यांत फरक करता येत नाही, हेही ते क्वचितच स्वतःहून सांगते.
सहाय्यकाकडे नसलेला संदर्भ देऊन हे कमी करता येते: गट कसे निवडले, तारखा कोणत्या आणि नमुन्याचा आकार किती. माहिती काय दाखवते आणि त्यावरून कोणते संभाव्य स्पष्टीकरण देता येते हे वेगळे मांडायला सांगा. मग उत्तरातील कारणसंबंध दर्शवणारी क्रियापदे तपासा आणि प्रत्येकाच्या जागी प्रत्यक्षात काय आढळले ते लिहा. उदाहरणार्थ, 'प्रात्यक्षिके घेतलेल्या दुकानांमध्ये विक्रीही जास्त होती'.
कारणसंबंधाच्या दाव्यावर कृती करण्यापूर्वी तो कसा तपासावा?
कारण-परिणामाचा दावा तपासताना हे प्रश्न विचारा: गटांची निवड कशी केली होती, दोन्ही गटांत परिणामाच्या आधी कारण घडले होते का, दुसऱ्या कालावधीत किंवा मोठ्या नमुन्यातही हा फरक टिकतो का आणि पुरावा केवळ सहसंबंध दाखवत असेल तर सारांशात 'संबंधित आहे' असे म्हटले आहे का. कोणीही खर्चाला मंजुरी देण्यापूर्वी दाव्याशेजारी ही उत्तरे लिहा.
सहसंबंध आणि कारणसंबंध समजून घेताना होणाऱ्या सामान्य चुका कोणत्या?
सर्वात सामान्य चूक म्हणजे गट कसे तयार केले होते हे न विचारता, दर्शकफलकावर फरक दिसला म्हणून बदल लागू करणे. इतर चुका: उच्च सहसंबंध गुणांकाला पुरावा समजणे, वीस विक्रीप्रचारांपैकी चांगला दिसलेला एकच नोंदवणे, हंगामी बदल विसरणे आणि सहसंबंध नाही म्हणजे परिणामही नाही असे मानणे. याउलट चूकही खर्चिक ठरते: पूर्ण खात्री होईपर्यंत कृती करण्यास नकार देणे, जरी छोटी यादृच्छिक चाचणी सहसा कमी खर्चात करता येत असली तरी.
Tosheo.ai मध्ये हा धडा कुठे येतो?
हा धडा डेटा विज्ञान आणि विश्लेषण विभागाचा भाग आहे आणि डेटा विज्ञान अभ्यासक्रमाच्या सुरुवातीलाच येतो, कारण पुढील प्रत्येक विषयात—माहितीफलकांपासून मशीन लर्निंगपर्यंत—दिसणारा नमुना म्हणजेच कारण असे न मानणे महत्त्वाचे असते. Tosheo.ai मधील प्रत्यक्ष कृतीच्या कामात तुम्हाला काल्पनिक डेटासंच आणि AI ने लिहिलेला सारांश दिला जातो. गुणांकन मार्गदर्शकावर आधारित अभिप्रायात डेटातून पुष्टी होत नसलेला प्रत्येक कारणसंबंधाचा दावा दाखवला जातो. हा व्यावसायिक पाया आहे, सांख्यिकीची पदवी नाही.
स्रोत आणि व्याप्ती
ऑस्ट्रेलियन सांख्यिकी विभाग: सहसंबंध आणि कार्यकारणभाव (19 ऑक्टोबर 2026 रोजी तपासले) ↗