Líderes: Parem de confundir correlação com causalidade

Todos nós já ouvimos dizer que correlação não implica causalidade. No entanto, muitos líderes empresariais, autoridades eleitas e meios de comunicação ainda fazem afirmações causais com base em correlações enganosas. Essas afirmações muitas vezes não são examinadas, são ampliadas e erroneamente usadas para orientar decisões. Os exemplos são muitos: Considere um estudo de saúde recente que se propôs a entender se tomar banho pode reduzir o risco de doenças cardiovasculares. A análise constatou que as pessoas que tomavam banho regularmente tinham menos probabilidade de ter doenças cardiovasculares ou sofrer derrames. Os autores concluíram que os dados sugerem "um efeito benéfico" dos banhos. Sem um experimento controlado, ou um experimento natural, no qual os sujeitos são escolhidos aleatoriamente e sem manipulação de variáveis, é difícil saber se essa relação é causal. Por exemplo, é possível que as pessoas que tomam banho regularmente sejam, em geral, menos estressadas e tenham mais tempo livre para relaxar, o que poderia ser a verdadeira razão pela qual elas têm taxas mais baixas de doenças cardíacas. Ainda assim, essas descobertas foram amplamente divulgadas, com manchetes como: "Tomar banho não é apenas relaxante. TI também pode ser bom para o seu coração". Um grande conjunto de pesquisas em economia comportamental e psicologia destacou os erros sistemáticos que podemos cometer ao analisar os dados. Tendemos a buscar evidências que confirmem nossas noções preconcebidas e a ignorar dados que possam ir contra nossas hipóteses. Negligenciamos aspectos importantes da forma como os dados foram gerados. De forma mais ampla, é fácil se concentrar nos dados que estão à sua frente, mesmo quando os dados mais importantes estão faltando. Como disse o ganhador do Prêmio Nobel Daniel Kahneman, pode ser como se "o que o senhor vê é tudo o que existe". Isso pode levar a erros e desastres evitáveis, seja um indivíduo, uma empresa ou um governo que esteja tomando a decisão. O mundo está cada vez mais repleto de dados, e somos regularmente bombardeados com fatos e números. Precisamos aprender a analisar dados e avaliar alegações causais - uma habilidade cada vez mais importante para líderes empresariais e governamentais. Uma maneira de conseguir isso é enfatizar o valor dos experimentos nas organizações. Como afirmações causais sem suporte levam as organizações ao erro Um artigo do Washington Post de 2020 examinou a correlação entre gastos com a polícia e criminalidade. TI concluiu que "uma análise dos gastos com a polícia estadual e local nos últimos 60 anos... não mostra nenhuma correlação nacional entre os gastos e as taxas de criminalidade". Essa correlação é enganosa. Um fator importante que impulsiona os gastos com a polícia é o nível atual de criminalidade, o que cria um cenário de galinha e ovo. A pesquisa causal mostrou, de fato, que mais policiais levam a uma redução do crime. Em 2013, o eBay estava gastando cerca de US$ 50 milhões por ano em publicidade em mecanismos de busca. Uma análise feita por consultores mostrou que em áreas onde mais anúncios eram exibidos, as vendas eram maiores. Entretanto, os economistas Tom Blake, Chris Nosko e Steve Tadelis pressionaram a empresa a pensar de forma mais crítica sobre a alegação causal. Eles analisaram experimentos naturais e conduziram um novo estudo controlado randomizado e descobriram que esses anúncios eram, em grande parte, um desperdício, apesar do que a equipe de marketing acreditava anteriormente. Os anúncios tinham como alvo pessoas que já estavam propensas a fazer compras no eBay. A equipe de marketing individualizada do eBay cometeu o erro de subestimar esse fator e , em vez disso, presumir que a correlação observada era resultado de anúncios que causavam compras. Se o eBay tivesse explorado outros fatores que podem ter sido responsáveis pela correlação, provavelmente teria evitado o erro. O Yelp superou um desafio semelhante em 2015. Um relatório de consultoria constatou que as empresas que anunciavam na plataforma acabavam ganhando mais negócios por meio do Yelp do que aquelas que não anunciavam na plataforma. Mas aqui está o problema: as empresas que obtêm mais negócios por meio do Yelp podem estar mais propensas a anunciar. O antigo COO e eu discutimos esse desafio e decidimos realizar um experimento em grande escala que ofereceu pacotes de anúncios a milhares de empresas selecionadas aleatoriamente. A chave para a execução bem-sucedida desse experimento foi determinar quais fatores estavam impulsionando a correlação. Descobrimos que os anúncios do Yelp realmente tinham um efeito positivo sobre as vendas, e isso proporcionou ao Yelp uma nova visão sobre o efeito dos anúncios. O Comitê do Nobel defende a pesquisa de inferência causal O cenário da economia empírica mudou radicalmente nos últimos quarenta anos. O campo da economia desenvolveu um conjunto de habilidades que se concentram na avaliação de relações causais. Dois dos três últimos prêmios Nobel foram concedidos por esse trabalho. Há dois anos, Abhijit Banerjee, Esther Duflo e Michael Kremer dividiram o Prêmio Nobel por "sua abordagem experimental para aliviar a pobreza global". Este ano, os economistas Josh Angrist, Guido Imbens e David Card ganharam o Prêmio Nobel por liderar o que Angrist chamou de "revolução da credibilidade" na economia. O comitê elogiou Angrist e Imbens por "suas contribuições metodológicas à análise de relações causais" e Card por "suas contribuições empíricas à economia do trabalho". Eles são pioneiros na pesquisa de experimentos naturais. O desenvolvimento do conjunto de ferramentas de inferência causal foi notável, e o trabalho dos ganhadores do Nobel é realmente inspirador. Mas o senhor não precisa ser um economista PhD para pensar com mais cuidado sobre as afirmações causais. Um bom ponto de partida é dedicar algum tempo para entender o processo que está gerando os dados que o senhor está analisando. Em vez de presumir que uma correlação reflita a causalidade (ou que a falta de correlação reflita a falta de causalidade), pergunte a si mesmo quais fatores diferentes podem estar determinando a correlação e se e como eles podem estar influenciando a relação que o senhor está vendo. Em alguns casos, o senhor se sentirá mais seguro de que a relação é provavelmente causal. Em outros, o senhor pode decidir não confiar na descoberta. Se o senhor estiver preocupado com a possibilidade de uma correlação não ser causal, os experimentos podem ser um bom ponto de partida. Empresas como a Amazon e a Booking.com colocam os experimentos no centro do seu processo de tomada de decisão. Mas os experimentos nem sempre são viáveis. Nesses casos, o senhor deve pensar e procurar outras evidências que possam esclarecer a pergunta que está fazendo. Em alguns casos, o senhor pode até encontrar um bom experimento natural próprio.

Líderes: Parem de confundir correlação com causalidade

Resumo.

Partner Center