Correlación no es causalidad: el error más caro

Entre 2000 y 2009, el consumo de queso mozzarella per cápita en Estados Unidos tuvo un coeficiente de correlación de 0,96 con el número de doctorados en ingeniería civil concedidos cada año. Es uno de los ejemplos que popularizó Tyler Vigen en su recopilación de correlaciones espurias, y el gráfico es de manual: las dos series suben casi en paralelo durante toda la década. ¿Significa eso que comer mozzarella te impulsa a doctorarte? Obviamente no. Pero cuando la correlación es entre "número de empleados por tienda" y "facturación mensual", el absurdo deja de ser evidente y un director propone contratar un 15% más de plantilla convencido de que eso subirá las ventas — sin ver que las tiendas con más empleados son también las más grandes en metros cuadrados, y que es la superficie la que explica ambas cosas.

Yo levanto la mano. "Antes de aprobar eso — ¿las tiendas con más empleados, son también las más grandes en metros cuadrados?". Silencio. El director mira la tabla. Sí: correlación de 0,94 entre superficie y número de empleados. Las tiendas grandes tienen más empleados Y más ventas, pero no porque los empleados generen las ventas — sino porque una tienda de 2.000 metros cuadrados necesita más gente para atenderla, y al mismo tiempo atrae más clientes por tener más producto expuesto. La superficie era la variable que explicaba ambas cosas. Contratar un 15% más en tiendas pequeñas no habría movido la facturación ni un euro — pero sí habría costado 2,4 millones.

Ese día se evitó una decisión millonaria basada en confundir correlación con causalidad. Y ese es exactamente el error que vamos a aprender a detectar hoy.

### Qué es la correlación y qué mide exactamente

La correlación, en el sentido más intuitivo, responde a una pregunta sencilla: ¿cuando una variable sube, la otra también sube? Piensa en la altura y el peso de las personas: en general, la gente más alta pesa más. No siempre, no en todos los casos, pero la tendencia existe. Eso es correlación positiva. Ahora piensa en horas de estudio y errores en un examen: cuantas más horas estudias, menos errores cometes. Correlación negativa. ¿Y si comparo tu número de zapato con tu nota en matemáticas? Ninguna relación — correlación nula.

El coeficiente de correlación de Pearson (que se escribe como r) pone un número a esa tendencia. Va de -1 a +1, y cada valor tiene un significado claro:

• ▹r = +1 — correlación positiva perfecta. Cuando una sube, la otra sube exactamente en la misma proporción. Todos los puntos caen en una recta ascendente.
• ▹r = 0 — sin correlación lineal. No hay patrón predecible entre las dos variables.
• ▹r = -1 — correlación negativa perfecta. Cuando una sube, la otra baja exactamente en la misma proporción. Todos los puntos caen en una recta descendente.
• ▹r entre 0,7 y 1 (o -0,7 y -1) — correlación fuerte. La tendencia es clara y consistente.
• ▹r entre 0,3 y 0,7 (o -0,3 y -0,7) — correlación moderada. Hay tendencia, pero con mucha dispersión.
• ▹r entre -0,3 y 0,3 — correlación débil o inexistente. Difícil ver patrón a simple vista.

La analogía que me funciona: piensa en un grupo de amigos que salen juntos. Si dos siempre llegan a la vez a los planes (uno sube, el otro sube), su correlación es alta. Si uno siempre llega tarde cuando el otro llega pronto, correlación negativa. Si no hay patrón — a veces coinciden, a veces no — correlación cero. Pero que dos personas lleguen siempre a la vez NO significa que uno arrastre al otro: puede que simplemente vivan en el mismo barrio y cojan el mismo autobús.

### Lo que Pearson NO mide: relaciones no lineales

Hay un matiz crítico que se olvida constantemente: el coeficiente de Pearson mide relaciones LINEALES. Es decir, solo detecta patrones en los que una variable sube (o baja) de forma proporcional a la otra. Si la relación tiene forma de U, de campana o de cualquier curva, Pearson puede darte un cero — y sin embargo la relación existe, solo que no es una línea recta.

El ejemplo clásico: la relación entre la edad de un empleado y su rendimiento. Un empleado de 22 años está aprendiendo (rendimiento medio). A los 35 está en su pico (rendimiento alto). A los 60 puede estar bajando (rendimiento medio de nuevo). Si calculas Pearson entre edad y rendimiento, te da cerca de cero — porque la relación sube y luego baja, y la recta que mejor se ajusta es casi horizontal. Pero decir que "no hay correlación entre edad y rendimiento" sería una conclusión equivocada: lo que hay es una relación no lineal que Pearson no puede capturar.

### Correlaciones espurias: cuando los números mienten bonito

Aquí viene la parte divertida — y peligrosa. Existen correlaciones altísimas entre variables que no tienen NADA que ver la una con la otra. El sitio web Spurious Correlations (de Tyler Vigen) recopila cientos de ejemplos reales con datos públicos. Algunos de los más famosos:

• ▹Ventas de helados y ahogamientos en piscina — correlación de 0,95. Cuando suben las ventas de helado, suben los ahogamientos. ¿Comprar helados provoca ahogamientos? Absurdo. La tercera variable es el calor del verano: hace calor, la gente compra helado Y la gente se baña más.
• ▹Películas de Nicolas Cage y ahogamientos en piscina — correlación de 0,67 entre el número de películas que estrena Nicolas Cage cada año y el número de ahogamientos en piscinas de EE.UU. Coincidencia pura en series temporales con pocos puntos.
• ▹Consumo de queso per cápita y muertes por enredarse en las sábanas — correlación de 0,95 en datos de 10 años de EE.UU. Evidente que es coincidencia, pero el r es altísimo.
• ▹Gasto en ciencia y suicidios por ahorcamiento — correlación de 0,998 en once años de datos de EE.UU. Aquí no hay ninguna variable física que conecte las dos cosas, pero sí hay algo en común: las dos series crecen año tras año. Dos cosas que suben con el tiempo van a correlacionar altísimo aunque no tengan nada que ver — es uno de los mecanismos más frecuentes de correlación espuria en datos de negocio, y por eso cuando compares dos series temporales conviene mirar también si la relación se mantiene al quitarles la tendencia.

Estos ejemplos son graciosos, pero el problema real está en el negocio. Cuando un analista encuentra una correlación de 0,8 entre dos métricas que tienen sentido narrativo — "las tiendas con más empleados venden más", "los usuarios que ven más páginas compran más", "los países con más gasto educativo tienen menos criminalidad" — es tentador saltar a la causalidad. Y ahí está la trampa: una narrativa plausible NO es una prueba de causalidad.

### Variables confusoras: el sospechoso oculto

Una variable confusora (en inglés, confounding variable o confounder) es una tercera variable que influye sobre las otras dos al mismo tiempo, creando una correlación entre ellas que no es causal. Es el concepto más importante de esta lección, y el que te va a salvar de meter la pata en reuniones.

Volvamos al ejemplo de las tiendas. Tenemos: número de empleados (A), facturación (B), y superficie de la tienda (C). La superficie influye en ambas: una tienda de 2.000 m2 necesita más empleados para funcionar (C causa A), y una tienda de 2.000 m2 expone más producto y atrae más tráfico (C causa B). La correlación entre A y B existe, es real, el número no miente — pero la relación causal va de C a ambas, no de A a B directamente.

¿Cómo se detecta una variable confusora? Con la pregunta del detective: "¿hay algo que explique las DOS cosas al mismo tiempo?". En el caso de helados y ahogamientos: "¿hay algo que haga subir las dos a la vez?" — sí, la temperatura. En el caso de empleados y ventas: "¿hay algo que haga que una tienda tenga más empleados Y más ventas?" — sí, el tamaño de la tienda. El truco es buscar la causa común, no asumir que la correlación va en una dirección.

### Calcular correlación en SQL: la función CORR()

DuckDB (y la mayoría de motores SQL analíticos: PostgreSQL, BigQuery, Snowflake) tiene una función de agregación llamada CORR() que calcula directamente el coeficiente de correlación de Pearson entre dos columnas. Es tan fácil como escribir CORR(columna_x, columna_y) en un SELECT. Vamos a verlo con datos:

1-- Crear datos de ejemplo: tiendas con empleados, superficie y ventas
2CREATE OR REPLACE TABLE tiendas AS
3SELECT * FROM (VALUES
4  ('T01', 4,  120,  45000),
5  ('T02', 6,  200,  72000),
6  ('T03', 8,  350,  98000),
7  ('T04', 5,  180,  61000),
8  ('T05', 12, 600, 155000),
9  ('T06', 3,   90,  38000),
10  ('T07', 10, 480, 130000),
11  ('T08', 7,  280,  85000),
12  ('T09', 15, 750, 195000),
13  ('T10', 9,  400, 112000)
14) AS t(id, empleados, superficie_m2, ventas_mes);
15
16-- Correlacion entre empleados y ventas
17SELECT ROUND(CORR(empleados, ventas_mes), 3) AS r_empleados_ventas,
18       ROUND(CORR(superficie_m2, ventas_mes), 3) AS r_superficie_ventas,
19       ROUND(CORR(empleados, superficie_m2), 3) AS r_empleados_superficie
20FROM tiendas;

### Cuando SÍ puedes hablar de causalidad

La correlación sola nunca demuestra causalidad. Entonces, ¿cómo se demuestra? Hay exactamente un método que la comunidad científica y la industria aceptan como prueba sólida: el experimento aleatorizado, que en negocio digital llamamos test A/B.

La idea es elegante: coges a tus usuarios, los divides al azar en dos grupos (el grupo de control y el grupo de tratamiento), aplicas el cambio SOLO al grupo de tratamiento, y comparas los resultados. La clave es "al azar": si la división es aleatoria, las variables confusoras se reparten por igual entre los dos grupos. Los usuarios más motivados, los más antiguos, los que compran más — están en ambos grupos en proporciones parecidas. Así, la única diferencia sistemática entre los grupos es el cambio que tú aplicaste. Si el grupo de tratamiento rinde mejor, ESO sí es causalidad.

Ejemplo concreto: "los usuarios que activan las notificaciones retienen un 40% más". ¿Correlación o causalidad? Con datos observacionales, es correlación — puede que los usuarios más enganchados activen notificaciones Y retengan más, y las notificaciones no pinten nada. Para saberlo de verdad: coges 10.000 usuarios nuevos, a 5.000 les activas las notificaciones por defecto y a 5.000 no. Si al cabo de un mes el grupo con notificaciones retiene un 15% más, AHORA puedes decir que las notificaciones causan retención. El efecto será probablemente menor que el 40% observacional (porque ese 40% incluía el sesgo de autoselección), pero será real.

### La regla de oro del analista: lo que puedes y no puedes decir

Este es el punto donde la lección se convierte en una regla de conducta profesional. Un analista de datos NUNCA dice "X causa Y" cuando trabaja con datos observacionales. Punto. No importa lo alta que sea la correlación, ni lo bonita que sea la narrativa, ni lo mucho que el stakeholder quiera oírlo. Lo que SÍ puedes decir:

1. 01."Los datos muestran una asociación fuerte entre X e Y (r = 0,85)."
2. 02."Las tiendas con más empleados tienden a facturar más."
3. 03."Controlando por superficie, la relación entre empleados y ventas se debilita significativamente."
4. 04."Para confirmar si contratar más gente CAUSA más ventas, necesitaríamos un piloto controlado en 10 tiendas."

Fíjate en la diferencia: "tienden a", "los datos muestran", "existe asociación". Nunca "causa", "produce", "genera", "hace que". La precisión en el lenguaje no es pedantería — es la diferencia entre un informe que resiste una auditoría y uno que lleva a una decisión de 2,4 millones basada en humo.

### Caso de negocio completo: empleados, superficie y ventas

Vamos a recorrer el caso completo de la reunión de retail, paso a paso, como lo habría hecho un analista que sabe lo que está haciendo. Es el proceso que quiero que interiorices:

1. 01.El director dice: "las tiendas con más empleados venden más, así que contratemos." Tú calculas la correlación: r = 0,98. Altísima.
2. 02.Tu instinto de detective se activa: "¿qué más podría explicar ambas cosas?". Hipótesis: la superficie.
3. 03.Calculas la correlación entre superficie y empleados: r = 0,99. Y entre superficie y ventas: r = 0,99. Bingo.
4. 04.Ahora el test clave: si la superficie es el confusor, entonces dentro de tiendas de tamaño similar, la relación entre empleados y ventas debería desaparecer o debilitarse mucho.
5. 05.Segmentas por tamaño: tiendas pequeñas (menos de 200 m2), medianas (200-400 m2), grandes (más de 400 m2). Dentro de cada segmento, la correlación entre empleados y ventas cae a 0,15.
6. 06.Conclusión: dentro de tiendas del mismo tamaño la relación entre empleados y ventas casi desaparece. Toda la correlación que veías venía de la superficie. Contratar más gente en tiendas del mismo tamaño NO movería las ventas significativamente.
7. 07.Recomendación al director: "la correlación existe pero no es causal. Si quieres aumentar ventas, considera abrir tiendas más grandes o aumentar el surtido — no simplemente meter más gente en el mismo espacio."

Ese proceso — correlación global, buscar confusor, segmentar para aislar, proponer alternativa — es el patrón mental que necesitas automatizar. No es estadística avanzada: es hacerse las preguntas correctas antes de sacar la cartera.