Rama de la estadística y la ciencia de datos dedicada a determinar si una acción publicitaria fue la causa directa de una compra, diferenciándola de una simple correlación accidental.
Explicación y Contexto Conceptual
Causal Inference (inferencia causal) es el marco epistemológico y matemático fundamental que permite a los científicos de datos y directores de marketing distinguir entre mera correlación y causalidad real en el rendimiento de los negocios. Una de las frases más repetidas en analítica es que 'correlación no implica causalidad', pero la mayoría de los dashboards tradicionales de analítica web operan exactamente bajo correlaciones espurias: adjudican la venta al último canal con el que el usuario interactuó.
La inferencia causal formaliza el razonamiento contrafactual a través de gráficos acíclicos dirigidos (DAGs), ecuaciones estructurales y modelos de resultados potenciales (Rubin Causal Model). Permite identificar y corregir variables de confusión (confounders) que distorsionan los datos: por ejemplo, la estacionalidad del Black Friday hace que la pauta publicitaria aumente y que las ventas aumenten al mismo tiempo, creando una falsa correlación donde la pauta parece mucho más efectiva de lo que es en realidad.
Aplicar inferencia causal garantiza que los presupuestos de medios se asignen solo a actividades que produzcan un cambio neto positivo en el negocio.
Ejemplo en la Práctica
Un análisis causal revela que los emails de cumpleaños tienen alta correlación con compras no porque el email sea persuasivo, sino porque la gente se autorregala cosas en su cumpleaños independientemente del email.