Correlatie en causaliteit: de val van valse verbanden

Je merkt dat in maanden waarin je meer advertentiebudget uitgeeft, ook je omzet hoger is. De conclusie ligt voor de hand: adverteren werkt. Maar klopt dat? Misschien geef je juist meer uit aan advertenties in drukke maanden, en zorgt het seizoen voor zowel de hogere uitgaven als de hogere omzet. Dan is er een verband in de cijfers, maar geen oorzaak.

Dit is het verschil tussen correlatie en causaliteit, en het is een van de belangrijkste valkuilen in data-analyse. Wie ze verwart, trekt verkeerde conclusies en neemt dure beslissingen op basis van schijnverbanden. Dit artikel legt het verschil uit en laat zien hoe je de val vermijdt. Het sluit aan op data-analyse beginnen en data-driven beslissingen.

Wat correlatie en causaliteit zijn

Correlatie betekent dat twee dingen samen bewegen: als de een stijgt, stijgt of daalt de ander mee. Causaliteit betekent dat het een het ander daadwerkelijk veroorzaakt. Het cruciale punt: correlatie bewijst geen causaliteit.

De klassieke waarschuwing luidt: correlatie is geen causaliteit. Twee cijfers kunnen samen bewegen door toeval, door een gemeenschappelijke oorzaak, of omdat het verband andersom loopt dan je denkt. Pas als je de oorzaak echt aantoont, mag je van causaliteit spreken. Tot die tijd heb je alleen een verband.

Waarom de verwarring gevaarlijk is

Het verwarren van correlatie en causaliteit leidt tot verkeerde beslissingen, omdat je iets aanpakt wat niet de echte oorzaak is. Je investeert in de verkeerde knop, en het probleem blijft.

Stel, je ziet dat klanten die je nieuwsbrief openen meer kopen. Conclusie: de nieuwsbrief zorgt voor meer omzet. Maar misschien openen je trouwste klanten gewoon vaker de nieuwsbrief, en kopen ze sowieso meer. Dan helpt het versturen van meer nieuwsbrieven aan iedereen niet. De val is dat het verband echt is, maar de oorzaak verkeerd geduid.

Drie verklaringen voor een verband

Als je een verband ziet tussen twee cijfers, zijn er altijd meerdere verklaringen mogelijk. Voordat je causaliteit aanneemt, hoor je die af te wegen.

De derde verklaring, een gemeenschappelijke oorzaak, wordt het vaakst gemist. In het advertentievoorbeeld kan het seizoen zowel de uitgaven als de omzet opdrijven, zonder dat het een het ander veroorzaakt. Wie alleen de eerste verklaring overweegt, trekt te snel een conclusie. Vraag bij elk verband: welke andere verklaringen zijn er?

Hoe je causaliteit wel aantoont

Causaliteit aantonen vraagt meer dan een verband zien. De sterkste methode is een test: verander 1 ding en kijk wat er gebeurt, terwijl de rest gelijk blijft. Zo isoleer je het effect.

1. Formuleer een hypothese. Wat denk je dat de oorzaak is?
2. Verander 1 ding. Pas alleen die ene factor aan.
3. Houd de rest gelijk. Zodat je het effect kunt toeschrijven.
4. Meet het verschil. Wat verandert er, en hoeveel?
5. Herhaal als het kan. Eenmalig kan toeval zijn.

Dit is precies wat een A/B-test doet: je toont de helft van je klanten variant A en de andere helft variant B, en meet welke beter presteert. Omdat de groepen verder gelijk zijn, kun je het verschil toeschrijven aan de variant. Voor het MKB is dit de meest praktische manier om causaliteit aan te tonen in plaats van te vermoeden.

Correlatie en causaliteit in cijfers

De cijfers laten zien dat de echte kosten van het verwarren van correlatie en causaliteit in verkeerde beslissingen zitten: budget dat naar de verkeerde knop gaat, soms duizenden euro's per jaar. De oplossing kost weinig: bij elk verband minimaal 3 verklaringen afwegen, en waar het kan een test van enkele weken doen om de oorzaak echt aan te tonen. Die nuchtere reflex, niet te snel concluderen, voorkomt dure fouten. Herzie je aannames elke 12 maanden, want verbanden veranderen.

Conclusie

Twee cijfers die samen bewegen, betekenen niet dat het een het ander veroorzaakt. Correlatie is geen causaliteit, en wie ze verwart, neemt dure beslissingen op basis van schijnverbanden. Bij elk verband zijn er minstens drie verklaringen: A veroorzaakt B, B veroorzaakt A, of een gemeenschappelijke oorzaak C drijft beide. De gemeenschappelijke oorzaak wordt het vaakst gemist. Wil je causaliteit echt aantonen, verander dan 1 ding en houd de rest gelijk, bijvoorbeeld met een A/B-test. Die nuchtere reflex voorkomt dure denkfouten. Lees verder in A/B-testen, data-analyse beginnen en data-driven beslissingen.

Een voorbeeld doorgerekend

Neem het advertentievoorbeeld concreet. In een rustige maand geef je 1.000 euro uit aan advertenties en haal je 20.000 euro omzet. In een drukke maand 3.000 euro en 60.000 euro. Het lijkt of meer budget meer omzet oplevert, een verband van 1 op 1. Maar als het seizoen zowel je uitgaven als je omzet opdrijft, zou je in de drukke maand ook zonder extra budget meer hebben verkocht. Het verband is echt, de oorzaak verkeerd geduid.

Wie hier 2.000 euro extra advertentiebudget op baseert in de verwachting van 40.000 euro extra omzet, kan bedrogen uitkomen. Misschien levert het extra budget maar een fractie op, omdat de echte motor het seizoen was. Voor een MKB-bedrijf met 20 medewerkers kan zo'n verkeerde conclusie duizenden euro's per jaar kosten, besteed aan een knop die niet het effect heeft dat je dacht.

De oplossing is een test. Geef in 2 vergelijkbare weken bewust meer of minder uit, terwijl de rest gelijk blijft, en meet het verschil. Pas dan weet je of de advertenties zelf het verschil maken, of dat het seizoen de oorzaak was. Zo'n test van enkele weken kost weinig, en voorkomt dat je een veel groter bedrag verkeerd besteedt. De kern blijft: een verband is een startpunt voor onderzoek, geen bewijs van oorzaak. Herzie je aannames elke 12 maanden.

Onthoud de drie verklaringen en de test van enkele weken als vaste reflex. Voor een paar uur moeite voorkom je dat je honderden of duizenden euro's per jaar in de verkeerde knop steekt. Niet te snel concluderen is hier letterlijk geld waard.

Een laatste praktische tip: zet bij elk verband dat je opvalt minstens 3 alternatieve verklaringen op papier voordat je handelt. Die oefening van 10 minuten dwingt je om verder te kijken dan de eerste, voor de hand liggende conclusie. In het advertentievoorbeeld scheelt het zomaar 2.000 euro per maand aan verkeerd besteed budget, want je ontdekt dat het seizoen de echte motor was en niet je advertenties. Reken voor een serieuze test op circa 2 tot 4 weken doorlooptijd; dat is een kleine prijs voor zekerheid over de oorzaak.

Ter illustratie van de bedragen: een verkeerde gevolgtrekking die je 2.000 euro per maand kost, telt op tot 24.000 euro per jaar. Een test van circa 3 weken die dat voorkomt, kost hooguit enkele uren werk. Die verhouding, enkele uren tegenover 24.000 euro risico, maakt de nuchtere reflex de moeite meer dan waard.

Veelgestelde vragen

Wat is het verschil tussen correlatie en causaliteit?

Correlatie betekent dat twee dingen samen bewegen. Causaliteit betekent dat het een het ander veroorzaakt. Het cruciale punt is dat correlatie geen causaliteit bewijst: samen bewegen is geen oorzaak.

Waarom is de verwarring gevaarlijk?

Omdat je dan iets aanpakt wat niet de echte oorzaak is. Je investeert in de verkeerde knop en het probleem blijft, terwijl je geld verspilt aan een maatregel die niet werkt.

Wat is een gemeenschappelijke oorzaak?

Een derde factor die beide cijfers beinvloedt. Bijvoorbeeld: het seizoen drijft zowel je advertentie-uitgaven als je omzet op, zonder dat het een het ander veroorzaakt. Deze verklaring wordt het vaakst gemist.

Hoe toon ik causaliteit aan?

Door een test: verander 1 ding en houd de rest gelijk, en meet het verschil. Een A/B-test is hiervoor de meest praktische methode, omdat je twee vergelijkbare groepen iets verschillends laat zien en het effect meet.

Mag ik nooit op een verband afgaan?

Een verband is een nuttig startpunt, maar geen bewijs. Weeg bij elk verband minstens drie verklaringen af, en toon de oorzaak waar mogelijk aan met een test voordat je er grote beslissingen op baseert.

Dit artikel is informatief en geen advies op maat. Voor je eigen situatie raadpleeg je een gespecialiseerde adviseur.