Correlatie versus causaliteit: samenhang is nog geen oorzaak

We zien overal verbanden. Meer ijsjes verkopen in de zomer? Meer mensen met zonnebrand. Betekent dat dat ijsjes zonnebrand veroorzaken? Natuurlijk niet.

Dit is precies het verschil tussen correlatie en causaliteit.

Wat is correlatie?

Correlatie betekent dat twee dingen samen lijken te bewegen. Als de één stijgt, stijgt of daalt de ander ook.

Dat betekent alleen nog niet dat het één het ander veroorzaakt.

Voorbeelden van correlatie

• Meer ijsverkoop ↔ meer zonnebrand.
• Meer brandweermannen ↔ grotere branden.
• Meer notificaties in een app ↔ hogere gebruiksduur.

Er is een verband, maar de oorzaak kan ergens anders liggen.

Wat is causaliteit?

Causaliteit betekent dat er een echte oorzaak-gevolgrelatie bestaat. Wat soms heel complex bij meerdere interacties kan worden. Maar het principe blijft wel actie-reactie.

A veroorzaakt B.

Bijvoorbeeld:

• Meer reclame → meer websitebezoekers.
• Een medicijn → lagere bloeddruk.
• Minder velden in een formulier → meer aanmeldingen.

Hier zorgt de ene verandering daadwerkelijk voor de andere.

Correlatie is geen causaliteit

Een bekende uitspraak in statistiek is: "Correlation does not imply causation"

Oftewel: samenhang betekent niet automatisch oorzaak en gevolg.

Bijvoorbeeld: Op warme dagen worden meer ijsjes verkocht én lopen meer mensen zonnebrand op.

Betekent dit dat ijs eten zonnebrand veroorzaakt?

Nee.

De echte oorzaak is het warme weer. Dat beïnvloedt beide variabelen.

Warm weer
 ↙       ↘
IJsjes   Zonnebrand

Waarom is dit belangrijk?

Als je correlatie verwart met causaliteit, kun je verkeerde beslissingen nemen.

Stel dat je ontdekt dat gebruikers die een community gebruiken langer klant blijven.

Dan zijn er meerdere mogelijkheden:

• De community zorgt voor hogere retentie.
• Actieve gebruikers sluiten zich vaker aan bij een community.
• Een derde factor zorgt voor beide.

Alleen een verband zien is dus niet genoeg.

Hoe toon je causaliteit aan?

1. Formuleer een hypothese.
   
   Voorbeeld: "Als gebruikers binnen de eerste maand een community gebruiken, blijven ze langer klant."
   
   
2. Test je hypothese (experimenteer en verzamel data)
   
   - Groep A krijgt de nieuwe functie.
   - Groep B niet.
   
   
3. Vergelijk groepen (analyze)
   
   Als groep A structureel beter presteert, heb je aanwijzingen voor causaliteit.
   
   

Correlatie is een startpunt

Correlaties zijn waardevol. Ze helpen je patronen te ontdekken en geven richting aan verbeteringen.

Maar voordat je conclusies trekt, is het verstandig om jezelf af te vragen:

• Is er echt sprake van oorzaak en gevolg?
• Kan er een derde factor meespelen?
• Hoe kan ik dit testen?

Want goede beslissingen beginnen niet bij aannames, maar bij bewijs.

Samenvatting

Niet alles wat samen beweegt, veroorzaakt elkaar. Soms is er meer aan de hand dan je op het eerste gezicht ziet.