Proč se to dvě čísla pohybující se spolu pořád plete se vztahem příčiny a následku
Korelace znamená, že se dvě čísla mění zároveň, například tržby rostou ve stejném týdnu jako útrata za kampaň. Kauzalita znamená, že jedno z nich to druhé skutečně způsobilo. Lidský mozek si tyhle dvě věci plete přirozeně, protože časová shoda vypadá jako důkaz, i když jím není.
Kampaň a nárůst prodejů ve stejném týdnu
Firma spustí kampaň a tržby ten týden vzrostou. Svede si to na kampaň. Ve skutečnosti mohl obrat zvednout sezónní efekt (Vánoce, výprodej školního roku), konkurent, který ten týden vyprodal sklad, nebo produkt, který se náhodou stal virálním na sociálních sítích bez souvislosti s placenou kampaní.
Bez kontrolní skupiny se to nedá odlišit
Aby šlo tvrdit, že kampaň způsobila nárůst, potřeba je vidět, co by se stalo bez ní, typicky přes A/B test, geo-test nebo aspoň srovnání s obdobím, kdy kampaň neběžela za jinak podobných podmínek. Bez toho zůstává jen shoda v čase, ne důkaz příčiny.
Kde firmy pálí peníze
Záměna korelace za kauzalitu není akademická chyba, promítá se přímo do rozpočtových rozhodnutí.
Škálování kampaně, která jen 'byla u toho'
Když se rozpočet kampaně zvýší jen proto, že tržby v tom období rostly, a růst měl ve skutečnosti jinou příčinu, firma přesune peníze do kanálu, který si zásluhu nezasloužil, a přijde o efektivnější využití rozpočtu jinde.
Zrušení kanálu, který ve skutečnosti fungoval
Stejná chyba funguje i obráceně. Kanál, který zrovna běžel v období slabšího prodeje způsobeného něčím jiným (sezónnost, výpadek skladu, technický problém na webu), dostane nálepku, že nefunguje, a zruší se, přestože jeho skutečný přínos byl v pořádku.
Rozhodnutí podle jednoho grafu se dvěma křivkami
Dva grafy položené vedle sebe, které vypadají podobně, se snadno interpretují jako důkaz souvislosti. Bez testování nebo aspoň hlubší analýzy jde ale často jen o náhodu nebo o třetí, neviditelnou příčinu, která ovlivňuje obě křivky zároveň.
Přeceňování krátkodobých výkyvů
Jeden dobrý nebo špatný týden se svede na poslední změnu, novou cenu, novou kreativu, upravený feed, aniž by se ověřilo, jestli výkyv nespadá do normálního rozptylu dat. Rozhodnutí založené na šumu vypadá jako reakce na signál, ale žádný signál tam nemusí být.
Atribuční modelování jako pokus tohle rozlišit, ne jako jeho vyřešení
Atribuční modelování je v podstatě disciplína, která se snaží oddělit korelaci od skutečné zásluhy za konverzi, tedy rozhodnout, který dotyk v zákaznické cestě k prodeji skutečně přispěl a který tam jen byl přítomný.
Lepší model, menší problém, ne nulový
Kvalitní atribuční model, který zohledňuje víc dotyků a víc kanálů, dokáže korelaci od kauzality odlišit lépe než prosté sledování jednoho čísla vedle druhého. Neznamená to ale, že problém úplně mizí, model pořád pracuje s pravděpodobnostmi a předpoklady, ne s jistotou.
I nejlepší atribuce zůstává odhadem
Žádný atribuční model neumí s jistotou říct, co by se stalo, kdyby kampaň neběžela. Umí jen nabídnout lépe podložený odhad než pouhá časová shoda dvou čísel. Kdo hledá jistotu, měl by sáhnout po testování (A/B, geo-testy), ne jen po lepším modelu.