Correlation, causation, and counterfactuals

“Correlazione non implica causalità” è la frase che tutti conoscono e quasi nessuno applica fino in fondo. Quando si decide sui dati, distinguere le due cose è la differenza tra una conclusione che regge e una che convince solo finché nessuno la mette alla prova. Il pezzo che di solito manca è il controfattuale: per dire che qualcosa ha causato un effetto, bisogna chiedersi cosa sarebbe successo senza quella causa.

L’aumento che vuole un padre

Immagina un team che vede le conversioni salire durante una campagna e vorrebbe attribuirsene il merito. Il problema è che nello stesso periodo sono cambiati anche il prezzo, il traffico organico e la composizione degli utenti. Come si fa a sapere se l’aumento viene davvero dalla campagna? Qui la distinzione tra correlazione, causalità e controfattuale smette di essere teoria. Per affermare “ha causato” serve immaginare lo scenario in cui l’intervento non c’è stato e confrontarlo con quello osservato.

Dalla domanda alla decisione

Il ragionamento causale segue un percorso ordinato: si formula la domanda, la si traduce in dati osservabili, si valuta la qualità del dato e solo alla fine si decide. Saltare uno di questi passaggi porta a conclusioni fragili.

flowchart LR
    A["Observation"]
    B["Assumption"]
    C["Model"]
    D["Evidence"]
    E["Decision"]
    A --> B
    B --> C
    C --> D
    D --> E

Le stesse tappe si possono leggere come domande operative, ognuna con un esito da fissare prima di proseguire.

Step	Guiding question	Expected output
Framing	Which decision needs to change?	A concrete choice, not a curiosity
Measure	Which signal represents the phenomenon?	Metric, source, and granularity
Comparison	Compared to which baseline do I interpret the result?	Benchmark or plausible counterfactual
Action	What do I do if the signal exceeds the threshold?	Decision, owner, and next check

Gli elementi della causalità

La causalità si lascia formalizzare come una relazione tra quattro elementi, utili da nominare prima di interpretare qualsiasi numero.

Element	Operational Definition
Unit	observation, hypothesis, variable, causal mechanism, or evidence criterion
Signal	strength of evidence, causal coherence, robustness of assumptions, and cost of decision error
Baseline	alternative explanation, counterfactual, comparable group, or no-intervention scenario
Decision	accept, reject or reformulate an explanation before using it in a business context

Una misura vale qualcosa solo se riduce l’incertezza su una decisione specifica. Se non cambia nessuna scelta è documentazione, e se cambia una scelta senza controlli è rischio.

Caso pratico: la retention che cresce

Un team legge una crescita di retention come prova che una nuova iniziativa ha funzionato. È un salto comprensibile e quasi sempre prematuro. Applicando la distinzione tra correlazione, causalità e controfattuale, conviene mettere in colonna ciò che è evidenza, ciò che è interpretazione prudente e ciò che ne consegue per la decisione.

Evidence	Prudent interpretation	Resulting decision
Positive signal but not isolated	The phenomenon exists, but the cause is uncertain	Look for baseline or holdout
Segment with different response	The average effect hides heterogeneity	Analyze cohorts or subgroups
Increasing operating cost	The result should be evaluated on margin	Apply economic thresholds

La tabella tiene separate tre cose che la fretta tende a fondere: che il segnale ci sia, che abbia una causa precisa e che valga la pena agire.

Provare il metodo su una decisione vera

Per fissare il ragionamento conviene legarlo a una decisione reale. Descrivi in poche righe obiettivo, metrica primaria, baseline, rischio principale e azione prevista. Poi costruisci una tabella con almeno tre segmenti o scenari, indicando per ciascuno il segnale, una spiegazione alternativa plausibile e il controllo necessario prima di decidere. Chi vuole spingersi oltre può disegnare un piano di validazione con ipotesi, dati necessari, criteri di esclusione, soglia decisionale, controllo successivo alla decisione e le condizioni che lo farebbero cambiare idea.

Se non hai dati reali va bene un dataset sintetico con almeno 200 righe e colonne per tempo, segmento, outcome ed esposizione. Bastano per allenarsi su case study decisionali, metriche di prodotto, esiti di esperimenti e DAG semplici.

L’errore che svuota il concetto

Il rischio più comune è trattare correlazione, causalità e controfattuali come concetti astratti da memorizzare invece che come protocolli da applicare. Presentare metriche senza baseline, grafici senza ipotesi o raccomandazioni che ignorano il costo dell’errore porta a decisioni fragili.

Un controllo utile è domandarsi: se questo risultato fosse falso o instabile, quale decisione sbaglierei? Se la risposta non è chiara, il concetto è rimasto sulla pagina. Le stesse domande servono come verifica finale: qual è la decisione concreta da migliorare, quale baseline rende leggibile il risultato, quale assunzione ne cambierebbe la conclusione se fosse sbagliata e quale controllo minimo mettere prima di esporre la raccomandazione.

Operational Summary

Saper distinguere correlazione, causalità e controfattuale serve a collegare concetto, dato e decisione. Si parte da un problema reale, si formalizza il segnale, si cerca una baseline credibile, si costruisce un esempio e si chiude con un controllo pratico. È così che la conoscenza diventa competenza operativa.