Przejdź do treści

Tutoriale how-to

Korelacja a przyczynowość w AI: jak nie mylić sygnału z przyczyną

Zaktualizowano: Autor: Andrzej Niemiec10 min czytania

Wskaźniki, które łatwo zmierzyć, rzadko wyjaśniają, dlaczego klient kupuje. Czas sesji, liczba odsłon i współczynnik odrzuceń opisują zachowanie w interfejsie, a nie motywację. Model wytrenowany na takich danych uczy się współzależności i przenosi ją do produkcji jako regułę. Poniżej rozdzielamy pomiar od wniosku o przyczynie i pokazujemy, jak sprawdzić efekt, zanim budżet wzrośnie.
Korelacja a przyczynowość w AI: jak nie mylić sygnału z przyczyną
Spis treści
  1. Czym różni się korelacja od przyczynowości?
  2. Dlaczego czas sesji bywa złym wskaźnikiem intencji zakupowej?
  3. Co naprawdę mierzy engaged session w GA4?
  4. Jak sprawdzić, czy kampania naprawdę przyniosła przyrost?
  5. Jakie błędy AI kończą się realną stratą?
  6. Jakie pytania zadać przed zwiększeniem budżetu?
  7. Najczęstsze pytania
  8. Źródła

Czym różni się korelacja od przyczynowości?

Korelacja mierzy współzmienność: współczynnik Pearsona przyjmuje wartości od -1 do 1 i opisuje kierunek oraz siłę liniowego związku. Przyczynowość to twierdzenie o mechanizmie — że zmiana jednej wielkości wywołuje zmianę drugiej. Sam współczynnik, nawet bliski 1, tego nie rozstrzyga.

Klasyczna pułapka to trzeci czynnik. Sprzedaż lodów i liczba utonięć rosną w te same dni, bo obie wielkości zależą od temperatury. Nikt nie twierdzi, że lody powodują utonięcia, a mimo to w firmowych dashboardach identyczna konstrukcja bywa traktowana jako uzasadnienie decyzji budżetowej. CXL opisuje metryki korelujące z konwersją, w tym czas na stronie, jako użyteczne predyktory i wprost ostrzega przed traktowaniem ich jako przyczyny [1]. Przewodnik po optymalizacji konwersji powtarza ten wątek: optymalizacja korelatu zmienia wskaźnik, nie mechanizm, który odpowiada za wynik [2].

Jest jeszcze trzecia warstwa. Dane treningowe są historyczne: jeśli zbierano je przy innych cenach, innej stronie i innej kampanii, model odtwarza ówczesny układ zależności, a nie zależność uniwersalną.

Dlaczego czas sesji bywa złym wskaźnikiem intencji zakupowej?

Dłuższa sesja może oznaczać zainteresowanie, ale też niejasną nawigację, porównywanie ofert albo kartę zostawioną w tle. Jeden pomiar obsługuje kilka wyjaśnień naraz, a targeting po takim sygnale utrwala wszystkie równocześnie.

Skala rynku tłumaczy, dlaczego takie uproszczenia są kosztowne. W 2023 r. zakupów online dokonało 64,3% osób w wieku 16–74 lat, a 18,1% przedsiębiorstw prowadziło sprzedaż elektroniczną [3]. Kolejna edycja badania GUS pokazuje te same kategorie w następnym roku [4]. Rynek reklamy internetowej w Polsce wyceniano wtedy na prawie 5,3 mld zł [5]. Przy takim budżecie jedna błędna definicja grupy docelowej przekłada się na realne pieniądze, nawet jeśli pojedyncza kampania wygląda dobrze w raporcie.

Problem nie leży w samym mierzeniu czasu. Leży w przejściu od zdania „ta grupa dłużej przegląda" do zdania „wydłużenie przeglądania zwiększy zakup". Drugie jest hipotezą o mechanizmie, nie opisem danych.

Co naprawdę mierzy engaged session w GA4?

W GA4 engaged session to sesja trwająca co najmniej 10 sekund, która zawiera co najmniej jeden key event albo co najmniej dwie odsłony. Progu „pięć minut" nie ma w definicji — takie kryterium trzeba zdefiniować samodzielnie i nazwać po swojemu [6] [7].

KryteriumCzas sesjiEngaged session (GA4)Konwersja z testu kontrolnego
Definicjasuma czasu między pierwszym i ostatnim zdarzeniemco najmniej 10 s i key event lub co najmniej 2 odsłony [6]różnica między grupą eksponowaną a kontrolną [8]
Co mówi o przyczynienic, opisuje zachowanieniewiele, nadal korelacjatyle, ile pozwalają randomizacja i próba
Główne ryzykomylenie z intencją zakupumylenie progu z celem biznesowymzbyt mała próba i sezonowość

Pierwsze dwie kolumny są diagnostyczne, trzecia jest eksperymentalna. Dopiero trzecia odpowiada na pytanie, czy interwencja zadziałała.

Jak sprawdzić, czy kampania naprawdę przyniosła przyrost?

Najkrótsza odpowiedź: przez eksperyment z grupą kontrolną i predefiniowanym wskaźnikiem. Google opisuje Conversion Lift jako kontrolowany test porównujący grupę eksponowaną na reklamy z grupą kontrolną, w której reklamy wstrzymano — różnica ma mierzyć przyrost wywołany reklamą [8]. Experiment Center służy do zaplanowania takiego testu i odczytu wyniku [9].

Warunki są cztery: hipoteza zapisana przed startem, jedna metryka główna, próba policzona z góry oraz okres testu obejmujący pełny cykl tygodniowy. Piąty warunek to brak równoległych zmian w cenniku i na stronie. Jeśli któregoś nie da się spełnić, wniosek trzeba osłabić, a nie podnosić budżet.

Jakie błędy AI kończą się realną stratą?

Najczęściej nie chodzi o zły model, lecz o zaufanie do wyniku bez weryfikacji. Wokół AI narosła osobna kategoria strat: fałszywe reklamy i treści generowane masowo, które wykorzystują zaufanie do znanych marek [10] [11] [12] [13]. To ryzyko reputacyjne i bezpieczeństwa, ale nie jedyne.

Drugi mechanizm to błąd operacyjny. Agent AI z dostępem do poczty, baz i dokumentów potrafi usunąć dane wraz z kopiami zapasowymi w kilka sekund, co opisuje Puls Biznesu [16]. Trzeci to halucynacja w dokumencie urzędowym: firma Exdrog została wykluczona z przetargu po wyjaśnieniach przygotowanych z pomocą AI — kontrakt wyceniano na 15 mln zł [18], a inne omówienie podaje 15,5 mln zł [19]. Źródła różnią się co do kwoty, nie co do faktu utraty kontraktu.

Zestawienia wpadek biznesowych pokazują powtarzalny wzorzec: brak weryfikacji danych wejściowych, brak właściciela decyzji i brak testu przed wdrożeniem [14] [15]. Badanie EY, opisywane w prasie branżowej, wskazuje, że 99% dużych firm objętych badaniem poniosło straty związane z ryzykami AI; Capgemini wskazuje sposoby ograniczania halucynacji i zależności od dostawców [17].

Jakie pytania zadać przed zwiększeniem budżetu?

Pięć pytań wystarczy, by oddzielić sygnał od przyczyny. Odpowiedź „nie wiem" jest tu wynikiem, nie porażką.

  1. Jaka dokładnie metryka jest kryterium sukcesu i jak jest zdefiniowana w narzędziu [6]?
  2. Czy istnieje grupa kontrolna, czy tylko porównanie przed i po [8]?
  3. Które czynniki zakłócające są kontrolowane: sezonowość, ceny, promocje, zmiany na stronie?
  4. Czy w decyzji uczestniczył człowiek z prawem zatrzymania wdrożenia [17]?
  5. Co się stanie, gdy dane przestaną odpowiadać warunkom treningowym?

Dobre praktyki przejścia od pilotażu do produkcji opisuje przewodnik po praktycznych zastosowaniach AI. Ograniczenia porównań modeli omawia tekst o benchmarkach AI, a praktykę pracy z modelem w analizie danych — materiał o Codexie w data science.

Najczęstsze pytania

Czy wysoka korelacja zawsze oznacza błąd?

Nie. Wysoka korelacja bywa użytecznym predyktorem, gdy celem jest prognoza, a nie decyzja o przyczynie [1]. Błąd pojawia się w chwili, gdy ze współzmienności wyprowadza się wniosek o skutku interwencji. Wtedy potrzebny jest eksperyment albo jawne założenie przyczynowe, które da się obalić.

Jak mały test wystarczy, by zaufać wynikowi?

To zależy od oczekiwanej różnicy i zmienności metryki. Zasada jest prosta: liczebność ustala się przed testem, nie po jego zakończeniu. Wynik z próby dobranej po fakcie jest opisem przypadku, nie dowodem [8] [9]. Jeśli próba jest za mała, uczciwy wniosek brzmi „nie wiemy", a nie „działa".

Czym różni się model predykcyjny od modelu przyczynowego?

Model predykcyjny szacuje wartość na podstawie współwystępowania cech. Model przyczynowy odpowiada na pytanie, co zmieni się po interwencji. Pierwszy może działać dobrze i nie mieć uzasadnienia przyczynowego. Drugi wymaga założeń o mechanizmie oraz danych z eksperymentu albo z metody obserwacyjnej z kontrolą czynników zakłócających.

Czy AI może sama rozpoznać przyczynę w danych?

Nie bez założeń. Algorytmy odkrywania struktury przyczynowej zwracają zbiór modeli zgodnych z danymi, a nie jeden prawdziwy. Wybór między nimi wymaga wiedzy dziedzinowej i decyzji człowieka. Dlatego w firmie potrzebny jest proces weryfikacji hipotez, a nie kolejny model [2] [17].

Źródła

  1. How to Find Correlative Metrics For Conversion Optimization (CXL, 2021)
  2. The Conversion Optimization Guide (CXL, 2021)
  3. Społeczeństwo informacyjne w Polsce w 2023 r. (GUS, 2023)
  4. Społeczeństwo informacyjne w Polsce w 2024 r. (GUS, 2024)
  5. Rynek reklamy wzrósł w 2023 roku (Press, 2024)
  6. Session — Analytics Help (Google, 2026)
  7. Engagement overview report — Analytics Help (Google, 2026)
  8. About Conversion Lift — Google Ads Help (Google, 2026)
  9. About the Google Ads Experiment Center (Google, 2026)
  10. Fałszywa reklama — jak poznać, że to oszustwo? (Puls Biznesu, 2026)
  11. AI pomaga oszustom (Super Biznes, 2026)
  12. Fałszywe treści z AI zwiększają ryzyko oszustw finansowych (Forsal, 2026)
  13. Nowe oszustwo przez AI to miał być szybki zarobek (NaTemat, 2026)
  14. 7 największych biznesowych wpadek spowodowanych przez AI (ifirma.pl, 2026)
  15. Niepowodzenia AI: nauka na błędach i zagrożenia etyczne (Univio, 2026)
  16. Agent AI w 9 sekund skasował bazę danych i wszystkie kopie zapasowe (Puls Biznesu, 2026)
  17. Sztuczna inteligencja popełnia błędy, których ludzie nie popełniają (Manager Plus, 2026)
  18. AI kosztowała firmę 15 mln zł (Strefa Biznesu, 2026)
  19. Halucynacje AI powodem wykluczenia z przetargu (Super Biznes, 2026)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji