మీ డేటాలో బలమైన నమూనా కనిపించినంత మాత్రాన అది కారణాన్ని ఎందుకు నిరూపించదు?
బలమైన సంబంధం కనిపించినంత మాత్రాన ఒకటి మరొకదానికి కారణమని రుజువు కాదు. ఒక మూడో అంశం రెండు సంఖ్యలనూ ప్రభావితం చేసినప్పుడు, కారణం అనుకున్న దిశకు విరుద్ధంగా పనిచేసినప్పుడు లేదా కేవలం యాదృచ్ఛికంగా సరిపోలినప్పుడు కూడా అదే ధోరణి కనిపించవచ్చు. రెండు అంశాలు ఎంత దగ్గరగా కలిసి మారుతున్నాయో సహసంబంధం కొలుస్తుంది; ఎందుకు అలా జరుగుతోందో అది చెప్పదు.
30 దుకాణాలున్న లార్క్‌ఫీల్డ్ హోమ్ అనే కల్పిత గృహోపకరణాల రిటైల్ సంస్థను తీసుకోండి. వ్యాపార మేనేజర్ ప్రియ గత త్రైమాసికాన్ని సమీక్షిస్తోంది. ఎనిమిది దుకాణాల్లో వారాంతాల్లో వంట పాత్రల ప్రదర్శనలు నిర్వహించారు, 22 దుకాణాల్లో నిర్వహించలేదు. ఆమె ఎగుమతి చేసిన డేటా ఇలా ఉంది: 'ప్రదర్శనలు నిర్వహించిన దుకాణాలు: సగటు వారపు అమ్మకాలు 41,200. ప్రదర్శనలు నిర్వహించని దుకాణాలు: 34,900. తేడా: +18%. గమనిక: ప్రదర్శనలకు దుకాణాలను ప్రాంతీయ మేనేజర్లు ఎంపిక చేశారు. ప్రదర్శనలు ఎక్కువగా నవంబర్ నుంచి డిసెంబర్ వరకు జరిగాయి. ప్రదర్శనలు నిర్వహించిన దుకాణాల్లో మా 6 అతిపెద్ద దుకాణాల్లో 5 ఉన్నాయి.' షీట్‌ను సంగ్రహించిన AI సహాయకం ఇలా రాసింది: 'వంట పాత్రల ప్రదర్శనల వల్ల వారపు అమ్మకాలు 18% పెరుగుతున్నాయి. అన్ని దుకాణాల్లో వీటిని అమలు చేస్తే ఆదాయం పెరుగుతుంది.' సోమవారం ఈ విస్తరణను ఆమోదించాలని బోర్డు భావిస్తోంది.
| దుకాణాల సమూహం | దుకాణాలు | సగటు వారపు అమ్మకాలు | అతిపెద్ద సైట్‌లు చేర్చబడ్డాయి | ప్రదర్శనలు జరిగిన నెలలు |
|---|---|---|---|---|
| ప్రదర్శన కోసం దుకాణాలు | 8 | 41,200 | 6లో 5 | ఎక్కువగా నవంబర్, డిసెంబర్ |
| ప్రదర్శన కోసం కాని దుకాణాలు | 22 | 34,900 | 6లో 1 | ఏవీ లేవు |
రెండు అంశాల మధ్య ఉన్న సంబంధం కారణ–ఫలిత సంబంధమో కాదో ఎలా పరీక్షించాలి?
మూడు ప్రత్యామ్నాయ వివరణలను ఒక్కొక్కటిగా తోసిపుచ్చడం ద్వారా సహసంబంధాన్ని పరీక్షించండి. ఆ తర్వాత, సాధ్యమైనచోట, అనుమానిస్తున్న కారణం మాత్రమే భిన్నంగా ఉండే న్యాయమైన పోలికను నిర్వహించండి. కింద ఉన్న ప్రతి దశా ఎవరైనా డబ్బు ఖర్చు చేయడానికి ముందు డేటాను చూసి మీరు అడగాల్సిన ఒక ప్రశ్న.
1. ఫలితాన్ని ప్రభావితం చేసే మరో కారకం ఉందేమో చూడండి
మీరు పోల్చుతున్న రెండు అంశాలనూ ప్రభావితం చేసే మూడో అంశాన్ని గందరగోళ కారకం అంటారు. లార్క్‌ఫీల్డ్‌లో దుకాణం పరిమాణం, కాలం ఇటువంటి కారకాలు కావచ్చు: పెద్ద దుకాణాల్లో ఎలాగూ అమ్మకాలు ఎక్కువగా ఉంటాయి. వంటపాత్రల అమ్మకాలకు నవంబర్, డిసెంబర్ రద్దీ నెలలు. ఆ రెండు సమూహాల మధ్య ఇంకా ఏ తేడాలు ఉన్నాయో అడగండి.
2. దిశను తనిఖీ చేయండి
విలోమ కారణత్వం అంటే, ఫలితమే కారణంగా భావిస్తున్న దానికి నిజానికి కారణం కావడం. ప్రాంతీయ మేనేజర్లు అప్పటికే బాగా అమ్మకాలు జరుపుతున్న దుకాణాలకు ప్రదర్శనలు ఇచ్చి ఉంటే, పెరుగుతున్న అమ్మకాల వల్ల ప్రదర్శనలు జరిగాయి తప్ప ప్రదర్శనల వల్ల అమ్మకాలు పెరగలేదు. సమూహాలను ఎలా ఎంపిక చేశారో అడగండి.
3. యాదృచ్ఛికంగా జరిగే అవకాశాన్ని పరిగణించండి
ఎనిమిది దుకాణాలు, ఒక త్రైమాసికానికి సంబంధించిన డేటాలో తేడా యాదృచ్ఛికంగా కనిపించవచ్చు. ముఖ్యంగా ఎవరైనా అనేక ప్రచార కార్యక్రమాలను పరిశీలించి, ప్రత్యేకంగా కనిపించిన ఒక్కదానినే నివేదిస్తే ఇలా జరగవచ్చు. ఎన్ని పోలికలు చేశారో, మరో కాలంలోనూ అదే నమూనా కనిపిస్తుందో అడగండి.
4. ఒకే రకమైన వాటిని పోల్చండి
ప్రదర్శన నిర్వహించిన దుకాణాలను, అదే వారాల్లో ప్రదర్శన నిర్వహించని సారూప్య దుకాణాలతో పోల్చండి: పెద్దవాటిని పెద్దవాటితో, చిన్నవాటిని చిన్నవాటితో. తేడాలో ఎక్కువ భాగం మాయమైతే, ఫలితాన్ని ప్రభావితం చేసింది ఇతర కలగాపులగ కారకాలే.
5. ఒక ప్రయోగం చేయండి
నియంత్రిత ప్రయోగమే అత్యంత బలమైన పరీక్ష: పోల్చదగిన దుకాణాలను ఎంచుకుని, వాటిలో సగానికి యాదృచ్ఛికంగా డెమోలను కేటాయించి, ఒకే వారాల్లో నిర్వహించి, ఫలితాలను పోల్చండి. యాదృచ్ఛిక కేటాయింపు వల్ల పరిమాణం, ప్రాంతం, గత వ్యాపార పనితీరులోని తేడాలు రెండు సమూహాల్లోనూ సమంగా విస్తరిస్తాయి. అందువల్ల మిగిలిన తేడాకు డెమోయే కారణమయ్యే అవకాశం చాలా ఎక్కువగా ఉంటుంది.
లార్క్‌ఫీల్డ్ డేటా విశ్లేషణ బలహీనంగా ఉన్నప్పుడు, మెరుగుపరిచినప్పుడు ఎలా ఉంటుంది?
లోపభూయిష్టమైన విశ్లేషణ AI సారాంశాన్ని ఉన్నదున్నట్లుగా నమ్ముతుంది: 'డెమోలు అమ్మకాలను 18% పెంచుతాయి, కాబట్టి అన్నిచోట్లా నిర్వహించండి.' పరిమాణం, సీజన్, ఎంపికలో తేడాలున్న రెండు సమూహాల మధ్య కనిపించిన వ్యత్యాసాన్ని, మిగిలిన 22 దుకాణాల్లోనూ అదే జరుగుతుందనే హామీగా మార్చేస్తుంది.
మెరుగుపరిచిన విశ్లేషణ ఇలా చెబుతుంది: 'ప్రదర్శనలు నిర్వహించిన దుకాణాల్లో వారానికి అమ్మకాలు 18% ఎక్కువగా ఉన్నాయి. కానీ అవి ఎక్కువగా మా అతిపెద్ద దుకాణాలు; ప్రదర్శనలు మా అత్యంత రద్దీగా ఉండే రెండు నెలల్లో జరిగాయి; వాటిని ప్రాంతీయ మేనేజర్లు ఎంచుకున్నారు. ప్రదర్శనలు నిర్వహించిన ఐదు పెద్ద దుకాణాలను, అదే వారాల్లో ప్రదర్శనలు నిర్వహించని పెద్ద దుకాణాలతో పోలిస్తే, తేడా సుమారు 4%. ఇది సాధారణ వారంవారీ మార్పుల పరిధిలోనే ఉంది. ప్రదర్శనలు ఉపయోగపడుతున్నాయో లేదో ఇంకా చెప్పలేం. ప్రతిపాదన: పోల్చదగిన 12 మధ్యస్థాయి దుకాణాల్లో ఆరు వారాల ప్రయోగం; వాటిలో ఆరింటిని యాదృచ్ఛికంగా ఎంచుకుని ప్రదర్శనలు నిర్వహించడం, వంటపాత్రల అమ్మకాలు, సిబ్బంది పని గంటలను కొలవడం.' ఒక నెల ఆలస్యం అయినప్పటికీ, ఈ సంచిక బోర్డుకు ఏమి తెలుసు, ఏమి తెలియదు, ఎలా తెలుసుకోవాలో చెబుతుంది.
పరస్పర సంబంధాలను చూపడం ద్వారా AI సారాంశాలు మిమ్మల్ని ఎలా తప్పుదారి పట్టించగలవు?
AI సారాంశాలు ఎక్కువగా తప్పుదారి పట్టించేది పరస్పర సంబంధాన్ని ‘దారితీస్తుంది’, ‘కారణమవుతుంది’, ‘పెంచుతుంది’ లేదా ‘కారణంగా’ వంటి కారణాన్ని సూచించే పదాలతో వర్ణించినప్పుడే. దీనివల్ల ఒక నమూనా నిరూపితమైన ప్రభావంలా అనిపిస్తుంది. భాషా మోడల్ సంఖ్యలకు సులువుగా చదవగలిగే వివరణలు రాస్తుంది; మీరు చెప్పకపోతే దుకాణాలను ఎలా ఎంచుకున్నారో దానికి తెలియదు. కారణాన్ని, యాదృచ్ఛికంగా కలిసొచ్చిన విషయాన్ని వేరు చేయలేనని అది తనంతట తాను చెప్పడం అరుదు.
సహాయక సాధనానికి తెలియని నేపథ్యాన్ని—సమూహాలను ఎలా ఎంచుకున్నారు, తేదీలు, నమూనా పరిమాణం—అందించడం ద్వారా దీన్ని తగ్గించవచ్చు. డేటా చూపిస్తున్న విషయాలను, వాటికి ఉండవచ్చని భావించే వివరణల నుంచి వేరు చేయమని అడగండి. ఆపై ఫలితాన్ని చదివి, కారణాన్ని సూచించే క్రియలను గుర్తించండి. ప్రతిదాని స్థానంలో వాస్తవంగా గమనించినదే రాయండి. ఉదాహరణకు, 'ప్రదర్శనలు నిర్వహించిన దుకాణాల్లో అమ్మకాలు కూడా ఎక్కువగా ఉన్నాయి'.
ఒకటి మరొకదానికి కారణమనే వాదన ఆధారంగా చర్య తీసుకునే ముందు దాన్ని ఎలా తనిఖీ చేయాలి?
కారణం గురించి చేసిన వాదనను తనిఖీ చేయడానికి, బృందాలను ఎలా ఎంచుకున్నారు, రెండు బృందాల్లోనూ ఫలితం కంటే ముందు కారణం సంభవించిందా, మరో కాలవ్యవధిలో లేదా పెద్ద నమూనాలోనూ ఆ తేడా నిలుస్తుందా అని అడగండి. ఆధారాలు కేవలం పరస్పర సంబంధాన్ని మాత్రమే చూపుతున్నప్పుడు సారాంశంలో 'సంబంధం ఉంది' అనే పదాలే వాడారో చూడండి. ఎవరైనా ఖర్చుకు ఆమోదం తెలిపే ముందు ఈ సమాధానాలను వాదన పక్కనే రాయండి.
సహసంబంధం, కారణ–ఫలిత సంబంధం విషయంలో సాధారణంగా జరిగే పొరపాట్లు ఏమిటి?
అత్యంత సాధారణమైన తప్పు సమూహాలను ఎలా ఏర్పాటు చేశారో అడగకుండా, సూచికల తెరలో తేడా కనిపించిందని మార్పును అమలు చేయడం. ఇతర తప్పులు: అధిక సహసంబంధ గుణకాన్ని రుజువుగా భావించడం, ఇరవై ప్రచారాల్లో బాగా కనిపించిన ఒక్కదాన్నే నివేదించడం, కాలానుగుణ మార్పులను మర్చిపోవడం, సహసంబంధం లేదంటే ప్రభావం లేదని అనుకోవడం. దీనికి విరుద్ధమైన తప్పు కూడా డబ్బు నష్టపరుస్తుంది: చిన్న యాదృచ్ఛిక ప్రయోగం సాధారణంగా తక్కువ ఖర్చుతో చేయగలిగినా, పూర్తి నిశ్చయత వచ్చేవరకు చర్య తీసుకోకపోవడం.
Tosheo.aiలో ఈ పాఠం ఏ విభాగంలో ఉంటుంది?
ఈ పాఠం డేటా సైన్స్, విశ్లేషణ విభాగానికి చెందినది. డేటా సైన్స్ కోర్సులో ప్రారంభంలోనే వస్తుంది; ఎందుకంటే డ్యాష్‌బోర్డ్‌ల నుంచి యంత్ర అభ్యాసం వరకు తర్వాత వచ్చే ప్రతి అంశానికి, కనిపించే నమూనానే కారణంగా పొరబడకుండా ఉండటం అవసరం. Tosheo.aiలో ఆచరణాత్మక పని కోసం ఒక కల్పిత డేటాసెట్‌ను, AI రాసిన సారాంశాన్ని ఇస్తారు. డేటా మద్దతు ఇవ్వలేని ప్రతి కారణ వాదనను మూల్యాంకన ప్రమాణాల ఆధారిత అభిప్రాయం చూపిస్తుంది. ఇది వృత్తిపరమైన పునాది మాత్రమే; గణాంకశాస్త్ర డిగ్రీ కాదు.