数据驱动力：企业数据分析实战

76

｜

第

5

章

总体来说，预测分析是数据驱动型组织的强大武器。

5.2.5

　因果分析

你一定听过一句格言：相关关系并非因果关系

7

。如果你收集了一些数据，做了一些探索性

数据分析去寻找变量之间有意义的关系，也许会发现什么。但即使两个变量之间有非常强

的相关性，也不意味着二者存在因果关系。（例如高密度脂蛋白胆固醇与心脏病发病率呈

负相关，这种“好的”胆固醇越多越好；然而，高密度脂蛋白含量更高的药物并不会降低

心脏病的发病率。为什么呢？因为高密度脂蛋白是健康心脏的副产品，而非原因。）因此，

这样的事后分析局限性较大。如果真的想理解一个系统，并且判断哪些因素会影响局部变

量和指标的话，就需要构建一个因果模型。

与前文中的惊喜活动案例一样，构建因果模型的思想是进行一次或一系列实验，在其中控

制尽可能多的变量，而每次最好只变动一个。因此，你可以做个实验，测试发送给客户的

电子邮件的标题。如果其他因素都不变（电子邮件内容、发送时间等），而标题是控制组

和实验组的唯一区别，而且阅读率显著提高，那么你就有了有力证据，并且能得出结论：

更高的阅读率归功于标题的效果，标题便是原因。

但这个实验略显受限，因为它在证明标题产生影响的同时，未能明确是哪个词或短语让客

户产生了共鸣。因此，需要进行更多实验。举个更加量化的例子：发送邮件的时间会对阅

读率产生很大影响，为此，你可以做一个有很多实验组的控制实验（上午

8

点发

送一批邮

件，上午

9

点发送一批邮件

，上午

10

点发送一批邮件等），并检验电子邮件发送时间是如

何引起阅读率变化的。你还可以预测（插值）在上午 ...