和一个做用户运营的朋友小E聊天，她很委屈：“我前段时间发现我们产品用户留存率和推送消息的频次特别相关，推送越多，留存好像就越高。我调整策略，把原来一天一条的推送改成了三条，结果半个月下来，用户投诉量翻了倍，有人还卸载了。”​

我真的要被“气死了”，小E踩的坑，以前的咨询里面就和她提过，这种事情很多人都遇到过——看着两个数据似乎同时在变化，就想当然觉得是“因为甲，所以乙”，最后忙了半天不仅没解决问题，还可能出新幺蛾子。

今天我就给大家聊聊，怎么在工作里分清“相关性”和“因果性”。不要再让表面的关联，耽误了真正该做的事。​

就结合工作场景来说，我们常说“客户投诉量高的时候，产品退换货率也高”，这就是相关性——两个指标像绑定一样，一起往上走或者往下走，但你说不清楚是投诉多导致退货多，还是退货多引发了更多投诉，甚至可能还有别的原因在背后推着它们走。​

再看因果性，这需要时得是“一根线”直接串起来的关系。比如上个月我们上线的产品，核心功能突然出了bug，用户点进去就闪退，结果当天客户投诉量直接涨了三倍。这就是明明白白的因果：功能故障是“因”，投诉激增是“果”，中间没有绕弯子，而且故障先发生，投诉后出现，你把故障修好了，投诉量立马就降下来，这才能叫因果。​

学过“必要条件”和“充分条件”的朋友比较容易明白：有因果关系的事，肯定能看到相关性；但反过来，有相关性的，可不一定是因果。

小E遇到的推送和留存，看似推送多留存高，但也有可能那些留存高的用户，是不是本来就喜欢产品的内容？硬加推送，反而把人家烦走了——这就是把“相关”当成了“因果”。​

能有效区分“因果性”和“相关性”，是非常有用的工作能力。为什么我要这么说？还是举例子吧，尤其是不同岗位的人，踩坑的后果不一样。​

讲一下中高管理层，要是分不清，很容易“拍脑袋”浪费资源。我之前服务过一家公司，老板老K看数据发现，员工的学历和绩效有点相关，高学历员工的绩效好像普遍好一点，老K就下了死命令：以后招人必须要985、211的，薪资给得比同岗位高不少。结果呢？招进来的人是学历高，但好多人根本不熟悉行业，干了几个月还摸不着门道，绩效反而不如那些学历普通但有经验的老员工。后来才发现，那些高学历绩效好的，是因为刚好赶上了好项目，跟学历本身没直接关系。​

再举个执行层的案例，比如做市场营销的小V，负责新媒体营销，前段时间搞了场直播活动，之后一周会员的销量涨了不少，领导就让她照着这个模式多搞几场。结果连续搞了三次，销量一次比一次差。我告诉她要复盘原因，经过复盘发现，第一次销量涨是因为刚好赶上竞品出bug，跟直播本身关系不大——她以为是直播带来了销量，其实只是碰巧赶在了一块儿，这就是把偶然的“相关”当成了必然的“因果”，白搭了不少时间和精力。​

最难的话题来了，怎么才能在工作里分清“相关”和“因果”？其实分清二者并不算特别容易，不过有几个捷径，我提供几个简单的小思路，帮助你避开坑。​

首先，试试“控制变量”的方法。部门想测试新的培训方案能不能提升员工效率，没直接全部门推广，而是挑了两个同岗位、入职时间差不多的小组，一组用新方案，一组还用老方案。哈哈，发现没有，做互联网产品常用ABtest的方法，其实在线下也可以用。不同岗位、不同经验的员工，效率本来就不一样，你不控制这些变量，就算看到新方案组效率高，也不知道是方案好，还是人家本来就厉害。经过ABtest测试，新方案组的效率确实高了15%，公司这才敢在全部门推——这就是通过控制变量，排除了干扰，找到真正的因果。​

其次，还有“反向验证”的思路。销售经理小Q发现“高客户满意度和高复购率”总是一起出现，想知道是不是满意度高导致复购率高，这时候其实可以反过来想想：“会不会是复购率高，才让客户满意度高呢？”公司就有这情况，复购三次以上的用户，能升级成VIP，享受专属折扣，这些福利反而让他们更满意。这么一反向想能让你想到之前没注意的点，很多事情不是单一的因果，而是互相影响的相关，要是只盯着提升满意度，可能对公司业绩的推进效果并不明显。​

另外，两个指标看似相关，可能是背后还藏着个“隐形推手”，这时候可以尝试“找第三变量”的办法。朋友小B聊天时提高过有一种说法，“办公室里绿植多的部门，员工请假率特别低”。这个问题我没有答案，聚会时有个在他们公司负责行政的朋友说，绿植多的办公室都在阳面，通风好、光线足，我心里不由一惊，很可能是这个原因才导致员工不容易生病。而且这可能也是绿植长得好的原因。容易造成误区的，用另外一个理论解释也能解释的通，就是很多人会“事后归因”。一件事发生在另一件事后面，就觉得是前面的事导致了后面的事。其实不一定，很多时候是凑巧了，也有一些时候就是刚才讲到的——有第三种变量。

最后，还有个容易被忽略的点，就是别被“短期数据”骗了。有时候某个月的数据看起来相关，比如“短视频投放多了，销量涨了”，但你连续追踪三五个月就会发现，可能就第一个月因为流量红利有点效果，后面就没动静了——这就是短期偶然的相关，不是长期稳定的因果。所以看数据的时候，别只盯着一时的变化，多追一阵子，才能看出门道。​追多久算够呢？看你公司的产品多久能形成一个周期，比如看直播的效果，那就是一场直播的数据没有特别大的意义，多看几场，比如四五场，这样才可能看出规律。这也算样本偏差——就是取样太少了。

讲了不少了，你是不是会觉得相关性没用？

No，相关性很有意义，它确实经常是找因果性的“线索”——比如，当发现“用户咨询量多的时候，下单率反而低”，这个相关性就提醒大家，可能是咨询环节出了问题，比如客服解答不清楚、响应太慢，这时候你再去查，就能找到真正的因果。​

在工作里，不妨养成一个小习惯：看到两个指标相关的时候，先别着急下结论，多问自己几句“真的是因果吗？”、“有没有别的因素在影响？”、“反过来想成立吗？”，先验证清楚，再动手解决问题。​

————————————————————

如果这篇文章对你有启发，欢迎“点赞”、“收藏”加深记忆！也欢迎将文章分享朋友圈，让更多小伙伴一起交流成长，我们评论区见！