La correlación te está tendiendo una trampa

Llevas semanas mirando los números y algo te tiene enganchado. Cada vez que subes el presupuesto de publicidad, las ventas suben. Cada vez que lo bajas, las ventas bajan. La correlación es perfecta. Casi demasiado perfecta. Y ya tienes la conclusión en la cabeza: más inversión publicitaria, más ventas. Cortas por ahí, decides doblar el presupuesto, y esperas los resultados como quien espera que salga el sol.

Y entonces los resultados llegan. Y no son lo que esperabas.

No porque los datos mintieran. Los datos no mienten casi nunca. El problema es que tú les hiciste la pregunta equivocada.

El mapa no es el territorio

Hay un error que cometo —y que he visto cometer muchas veces— que tiene un nombre técnico que la mayoría conoce y que casi nadie aplica: correlación no es causalidad. Lo sabemos todos de memoria. Lo repetimos como un mantra. Y luego nos sentamos delante de una hoja de cálculo y lo olvidamos en diez minutos.

Me explico.

Que dos cosas se muevan juntas no significa que una mueva a la otra. Puede que las dos las esté moviendo una tercera que ni siquiera estás viendo. Puede que sea pura coincidencia. Puede que la dirección de la flecha sea la contraria a la que crees. Tres posibilidades completamente distintas, y las tres producen exactamente el mismo patrón en tus datos.

Imagina a alguien que gestiona una heladería y observa que cada vez que vende más helados, también aumentan los ahogamientos en el río de la ciudad. Los números son impecables: correlación perfecta, mes a mes, año tras año. ¿Conclusión? Los helados matan. O, si quieres ser más preciso: deberías dejar de vender helados para salvar vidas.

Absurdo, claro. Lo que pasa es que en verano hace calor, la gente compra helados Y la gente se baña en el río. El calor es la tercera variable que mueve las otras dos. Pero si solo miras los helados y los ahogamientos, no la ves por ningún lado.

Eso es exactamente lo que te está pasando con tus datos de negocio. Solo que ahí no es tan obvio.

El problema no son los datos. Es desde dónde los miras.

Volvamos al ejemplo del principio. Subes publicidad, suben ventas. ¿Y si resulta que ambas cosas suben en temporada alta, y que en temporada alta tú históricamente siempre has subido el presupuesto? Entonces no es la publicidad la que mueve las ventas: es la época del año la que mueve las dos. Y cuando dobles el presupuesto en temporada baja, descubrirás que el dinero desaparece sin dejar rastro.

He visto esto más veces de las que me gustaría. Un cliente que observa que los usuarios que leen más páginas de su web acaban comprando más. Conclusión inmediata: hay que producir más contenido, más páginas, más artículos. Invierten meses en eso. Y las ventas no se mueven.

¿Qué había pasado? Que los usuarios interesados de verdad leen más páginas, no que leer más páginas crea interés. La flecha apuntaba en la dirección contraria. El comportamiento de lectura era un síntoma del interés, no su causa. Y nadie lo había cuestionado porque el patrón en los datos era demasiado bonito para tocarlo.

Cuando encuentras una correlación perfecta en tus datos, esa debería ser exactamente la señal para ponerte en guardia. No para celebrar. Si no tienes claro qué estás midiendo y por qué, los números te dan una respuesta que suena muy bien y que no te sirve de nada.

La herramienta que amplifica el error

Ahora añade inteligencia artificial a esta ecuación. Las herramientas que usamos hoy son extraordinariamente buenas encontrando correlaciones. Escanean millones de puntos de datos, detectan patrones que un humano tardaría años en ver, y te los presentan con una confianza que impresiona.

El problema es que una IA no distingue entre correlación y causalidad a menos que tú le pidas que lo haga. Y normalmente no lo pedimos. Le preguntamos «¿qué factores se relacionan con mis mejores clientes?» y ella nos contesta con una lista impecable. Nos fiamos. Decidimos en base a eso. Y estamos automatizando una confusión, no resolviéndola.

Como escribí hace un tiempo, automatizar un proceso roto es multiplicar el error. Lo mismo aplica aquí: si el proceso de interpretar datos ya tiene el error de la correlación asumida como causalidad, meter más velocidad y más potencia solo escala ese error.

La IA no te va a salvar de esto. Tu criterio, tampoco te lo va a dar ella. Te lo tienes que traer tú.

Tres preguntas antes de actuar sobre un dato

Con los años he aprendido que cuando un patrón en los datos parece demasiado claro, merece la pena pararse y hacerse tres preguntas antes de mover nada.

La primera: ¿hay una tercera variable que podría estar moviendo las dos? No lo que ya ves, sino lo que no estás viendo. La temporada, el canal, el tipo de cliente, un cambio externo. Algo que esté detrás de las dos variables y que las tire a las dos al mismo tiempo.

La segunda: ¿la flecha apunta en la dirección que creo? Que A y B se muevan juntas no me dice cuál empuja a cuál. A veces B es la causa y A es el efecto, y la confusión de dirección te lleva a actuar exactamente al revés de lo que deberías.

La tercera: ¿podría ser coincidencia? A veces los datos se alinean durante un tiempo por pura estadística, sin ninguna relación real entre ellos. Si el período observado es corto, desconfía. Si no puedes reproducir el patrón en otro contexto, desconfía todavía más.

No te digo que esto sea sencillo. Te digo que hacerse estas preguntas antes de decidir es la diferencia entre usar los datos y ser usado por ellos.

El dato como punto de partida, no como punto de llegada

A mi forma de ver, el error de fondo no es técnico. Es de actitud. Llegamos a los datos buscando confirmación, no comprensión. Tenemos una intuición —»creo que la publicidad es lo que mueve las ventas»— y usamos los datos para confirmarla. Y cuando los datos la confirman, paramos de preguntar.

Pero un dato que confirma lo que ya creías no te ha enseñado nada. Solo te ha hecho sentir mejor.

El dato útil es el que te obliga a seguir preguntando. El que te dice: «aquí hay algo, pero todavía no sabes qué.» El que te deja incómodo en lugar de tranquilo. Ese es el dato que, si te tomas el tiempo de perseguirlo, te lleva a algo que realmente puedes usar.

Hay una diferencia enorme entre un dato que explica y un dato que acusa. Muchos de los que tomamos como explicaciones son solo acusaciones estadísticas: «estos dos iban juntos». Punto. Sin más.

La explicación requiere un mecanismo. Requiere entender por qué. Y ese «por qué» casi nunca vive en la hoja de cálculo: vive en la conversación con un cliente, en la observación directa, en el experimento deliberado. Los datos te dicen qué. El criterio te ayuda a entender por qué. Y sin el segundo, el primero es ruido bien formateado.

Así que la próxima vez que encuentres una correlación perfecta en tus números, antes de doblar el presupuesto o cambiar la estrategia, párate un momento y pregúntate: ¿estoy viendo una causa, o estoy viendo dos efectos de algo que todavía no he mirado?