Tương quan nghĩa là hai đại lượng có xu hướng thay đổi cùng nhau; nhân quả nghĩa là thay đổi đại lượng này thực sự làm đại lượng kia thay đổi. Có tương quan chưa đủ để kết luận nhân quả, vì hai đại lượng có thể cùng chịu tác động của một yếu tố thứ ba, có thể tác động theo chiều ngược lại, hoặc chỉ trùng hợp.
Phân biệt hai điều này quan trọng vì quyết định kinh doanh là can thiệp: tăng ngân sách quảng cáo, đổi giá, thêm nhân viên. Chỉ quan hệ nhân quả mới đảm bảo can thiệp có tác dụng. Bài này giải thích các lý do khiến tương quan đánh lừa, cách đọc hệ số tương quan mà AI hay đưa ra, và những cách kiểm nhân quả vừa sức một doanh nghiệp nhỏ.
Một ví dụ quen thuộc ở cửa hàng
Ví dụ giả định: chủ một chuỗi quán trà sữa nhìn số liệu mười hai tháng và thấy tháng nào chạy nhiều quảng cáo trên mạng xã hội thì doanh thu cao. Hệ số tương quan giữa chi quảng cáo và doanh thu rất cao. Kết luận tự nhiên là quảng cáo làm tăng doanh thu, nên cần tăng ngân sách.
Nhưng nhìn kỹ lịch chi tiêu, quán thường dồn quảng cáo vào mùa hè và dịp nghỉ lễ, đúng lúc nhu cầu đồ uống lạnh vốn đã cao. Thời tiết nóng và kỳ nghỉ vừa làm quán chi nhiều quảng cáo hơn, vừa làm doanh thu tăng. Có thể quảng cáo có tác dụng, có thể không; số liệu như hiện có không tách được hai phần đó.
Đây chính là ranh giới giữa tương quan và nhân quả. Bảng số cho thấy hai cột đi cùng nhau. Muốn biết tăng quảng cáo có làm tăng doanh thu không, bạn cần một cách so sánh mà trong đó thời tiết, mùa vụ và các yếu tố khác được giữ như nhau.
Bốn lý do hai con số đi cùng nhau mà không phải nhân quả
Biến gây nhiễu. Một yếu tố thứ ba tác động lên cả hai, như mùa hè trong ví dụ trên. Trong kinh doanh, biến gây nhiễu hay gặp là mùa vụ, quy mô cửa hàng, vị trí, và xu hướng chung theo thời gian.
Quan hệ ngược chiều. Bạn nghĩ A gây ra B, nhưng thật ra B gây ra A. Ví dụ: chi nhánh có nhiều nhân viên bán được nhiều hơn, nhưng có thể là chi nhánh bán được nhiều nên được cấp thêm nhân viên.
Cùng đi lên theo thời gian. Hai đại lượng cùng tăng đều theo năm tháng sẽ có tương quan rất cao dù không liên quan gì. Doanh thu cửa hàng và số người dùng một ứng dụng nào đó cùng tăng trong ba năm không nói lên quan hệ nào.
Trùng hợp trong số liệu ít. Với mười hai điểm dữ liệu, rất dễ tìm được hai cột trông như đi cùng nhau. Càng thử nhiều cặp, gần như chắc chắn càng thấy vài cặp tương quan cao chỉ do may rủi.
Đọc hệ số tương quan mà AI đưa ra
Hệ số tương quan phổ biến nhất nhận giá trị từ trừ một đến một. Gần một nghĩa là hai đại lượng cùng tăng theo một đường gần thẳng; gần trừ một nghĩa là cái này tăng thì cái kia giảm; gần không nghĩa là không thấy quan hệ dạng đường thẳng. Trợ lý AI có công cụ tính toán sẽ đưa ra con số này rất nhanh, thường kèm lời nhận xét như "tương quan mạnh".
Có ba điều cần nhớ khi đọc. Thứ nhất, hệ số này chỉ đo quan hệ dạng đường thẳng; hai đại lượng có quan hệ hình chữ U, như nhiệt độ và lượng khách của một quán lẩu, có thể ra hệ số gần không dù quan hệ rất rõ. Thứ hai, một vài điểm ngoại lệ có thể tạo ra hoặc xoá đi tương quan, nên luôn nhìn biểu đồ chấm điểm trước khi tin con số. Thứ ba, hệ số cao không nói gì về độ lớn của tác động: hai đại lượng có thể tương quan rất chặt nhưng một đơn vị thay đổi của cái này chỉ đi kèm thay đổi rất nhỏ ở cái kia.
Lỗi diễn đạt phổ biến nhất của AI là chuyển từ "có tương quan" sang ngôn ngữ nhân quả: "quảng cáo giúp tăng doanh thu", "chương trình tích điểm làm khách quay lại nhiều hơn". Những chữ như "giúp", "làm", "dẫn tới", "nhờ" là dấu hiệu câu đã vượt khỏi điều số liệu chứng minh. Đọc báo cáo của AI, gạch dưới những chữ đó và hỏi lại căn cứ.
Từ quan sát tới nhân quả: các mức bằng chứng
Không phải câu hỏi nào cũng cần bằng chứng mạnh nhất. Bảng dưới xếp các cách tìm hiểu nhân quả từ yếu tới mạnh, kèm ví dụ giả định cho cửa hàng nhỏ.
| Mức | Cách làm | Ví dụ giả định | Có thể kết luận |
|---|---|---|---|
| Tương quan thô | So hai cột số theo thời gian | Tháng nhiều quảng cáo thì doanh thu cao | Có quan hệ, chưa rõ chiều và nguyên nhân |
| Tương quan có kiểm soát | So trong cùng mùa, cùng loại cửa hàng | So các tuần hè có và không có quảng cáo | Bớt nhiễu, vẫn chưa chắc chắn |
| Trước và sau | So trước và sau một thay đổi | Doanh thu trước và sau khi đổi thực đơn | Gợi ý mạnh hơn nếu không có thay đổi nào khác cùng lúc |
| Có nhóm đối chứng | Thay đổi ở một nhóm, giữ nguyên ở nhóm khác | Đổi giá ở hai chi nhánh, giữ ở hai chi nhánh tương tự | Khá tin được nếu hai nhóm giống nhau |
| Thử nghiệm ngẫu nhiên | Chia ngẫu nhiên khách hoặc ngày vào hai cách làm | Ngày chẵn lẻ chạy hai mẫu tin nhắn khuyến mãi | Bằng chứng mạnh nhất trong tầm tay |
Mức "trước và sau" là mức hay dùng nhất và cũng hay sai nhất, vì gần như luôn có chuyện khác xảy ra cùng lúc: mùa thay đổi, đối thủ mở cửa, giá nguyên liệu tăng. Có nhóm đối chứng là bước nhảy chất lượng lớn nhất mà doanh nghiệp nhỏ làm được với chi phí thấp.
Hai cái bẫy cùng họ: kết luận ngược thời gian và chọn người sống sót
Một bẫy hay gặp là dùng điều xảy ra sau để giải thích điều xảy ra trước. Ví dụ giả định: phân tích cho thấy khách dùng thẻ thành viên chi tiêu nhiều hơn khách không dùng, và kết luận thẻ thành viên làm khách chi nhiều hơn. Nhưng những khách đăng ký thẻ thường là người vốn đã mua thường xuyên; họ đăng ký vì mua nhiều, không hẳn mua nhiều vì có thẻ. Muốn biết tác dụng thật của thẻ, phải so chi tiêu của cùng một nhóm khách trước và sau khi đăng ký, đặt cạnh nhóm khách tương tự chưa đăng ký.
Bẫy thứ hai là chỉ nhìn những trường hợp còn lại. Nếu bạn phân tích các sản phẩm đang bán chạy để tìm "công thức thành công" và thấy chúng đều có bao bì màu sáng, kết luận rằng bao bì sáng làm sản phẩm bán chạy là vội. Có thể nhiều sản phẩm bao bì sáng khác đã bán kém và bị ngừng từ lâu, nên không còn trong danh sách bạn đang xem.
Cả hai bẫy đều không lộ ra trong bảng số; chúng nằm ở cách dữ liệu được hình thành. Khi AI đưa ra một kết luận kiểu "nhóm có X thì tốt hơn", hãy hỏi thêm: người hay sản phẩm vào nhóm đó bằng cách nào, và những ai đã rời khỏi dữ liệu trước khi bạn nhìn thấy.
Thiết kế một phép thử nhỏ để kiểm nhân quả
Khi một quyết định đủ quan trọng, thay vì tranh luận trên số liệu cũ, hãy làm một phép thử. Quy trình gọn:
- Phát biểu giả thuyết rõ: "Gửi tin nhắn nhắc khách cũ sau 30 ngày không mua sẽ làm tăng tỉ lệ quay lại."
- Chọn đơn vị chia nhóm: khách, ngày, hay chi nhánh. Đơn vị càng nhiều thì kết quả càng ổn định.
- Chia nhóm ngẫu nhiên, ví dụ theo số cuối của mã khách đã ẩn danh, để hai nhóm giống nhau về mọi mặt trừ cách làm đang thử.
- Quyết định trước chỉ số đo, thời gian chạy và mức chênh đủ để hành động; ghi ra giấy trước khi xem kết quả.
- Chạy đủ thời gian đã định, không dừng sớm chỉ vì vài ngày đầu trông đẹp.
- So hai nhóm và nhờ AI tính mức chênh kèm khoảng dao động; đưa vào bảng tổng theo nhóm, không cần danh sách khách.
Bước bốn quan trọng vì nếu bạn quyết định tiêu chí sau khi thấy số, rất dễ chọn đúng chỉ số làm kết quả trông đẹp. Phần đọc kết quả một phép thử và mức ý nghĩa nói nôm na được giải thích trong bài riêng ở danh mục này.
Khi không thể thử nghiệm: cách nói đúng mức
Nhiều câu hỏi không thể thử: bạn không thể mở một chi nhánh ở hai vị trí cùng lúc, cũng không thể ngẫu nhiên cho một nửa nhân viên nghỉ việc. Lúc đó số liệu quan sát vẫn có giá trị, miễn là kết luận được viết đúng mức. Thay vì "vị trí gần trường học làm doanh thu cao hơn", hãy viết "các chi nhánh gần trường học có doanh thu cao hơn; khác biệt này có thể do vị trí, cũng có thể do các chi nhánh đó lớn hơn và mở lâu hơn".
Cách viết này không yếu đi, nó trung thực hơn và chỉ ra ngay việc cần kiểm tiếp. Nếu có thể, so các chi nhánh cùng quy mô và cùng tuổi đời; nếu khác biệt vẫn còn, lập luận về vị trí mạnh hơn. Khi nhờ AI, có thể yêu cầu: "Liệt kê các yếu tố khác có thể giải thích mối quan hệ này, và cho biết dữ liệu hiện có kiểm được yếu tố nào." Câu lệnh này biến AI từ người kết luận thành người phản biện, một vai nó làm khá tốt.
Cuối cùng, nhớ che thông tin khi đưa số liệu vào: tên khách, tên nhân viên, chi phí cụ thể với từng đối tác thường không cần cho câu hỏi tương quan. Mã hoá chi nhánh và đổi số tiền sang chỉ số gốc 100 là đủ để phân tích quan hệ giữa các cột.
Câu hỏi thường gặp
Tương quan là gì, nói đơn giản?
Tương quan là khi hai đại lượng có xu hướng thay đổi cùng nhau: cái này tăng thì cái kia thường tăng, hoặc thường giảm. Tương quan cho biết có quan hệ trong số liệu, nhưng không cho biết cái nào gây ra cái nào hay có yếu tố thứ ba đứng sau.
Biến gây nhiễu là gì?
Biến gây nhiễu là yếu tố thứ ba tác động lên cả hai đại lượng bạn đang so, tạo ra tương quan giữa chúng. Ví dụ mùa hè làm tăng cả chi quảng cáo lẫn doanh thu đồ uống. Không kiểm soát biến gây nhiễu thì dễ kết luận sai về nhân quả.
Hệ số tương quan bao nhiêu thì gọi là mạnh?
Không có ngưỡng chung cho mọi lĩnh vực. Nhiều tài liệu nhập môn coi trị tuyệt đối trên khoảng 0,7 là mạnh, nhưng hệ số cao vẫn có thể do vài điểm ngoại lệ hoặc do cả hai cùng tăng theo thời gian. Luôn xem biểu đồ chấm điểm kèm theo.
Thử nghiệm A/B có dùng được cho cửa hàng nhỏ không?
Được, ở quy mô phù hợp. Ví dụ chia ngẫu nhiên khách cũ thành hai nhóm nhận hai mẫu tin nhắn khác nhau, hay luân phiên hai cách trưng bày theo ngày. Cần đủ số lượt để kết quả ổn định và quyết định tiêu chí đo trước khi bắt đầu.
Vì sao AI hay viết như thể đã chứng minh nhân quả?
Vì văn bản mà mô hình học chứa rất nhiều câu nhân quả tự tin, và câu "A giúp tăng B" nghe gọn hơn "A và B đi cùng nhau". Hãy yêu cầu AI dùng ngôn ngữ tương quan khi dữ liệu chỉ là quan sát, và liệt kê các giải thích khác.
So sánh trước và sau một thay đổi có đủ để kết luận không?
Thường chưa đủ, vì cùng lúc đó có thể có nhiều thay đổi khác như mùa vụ, giá nguyên liệu hay đối thủ mới. Kết luận chắc hơn khi có một nhóm tương tự không được thay đổi để so sánh cùng thời gian.