A gerente de operações de uma rede com onze unidades levanta um número que parece resolver o problema do trimestre: as lojas que mais treinaram no último ano são exatamente as que menos devolveram produto. A relação é forte, o gráfico é convincente, e a conclusão sai na mesma reunião — treinar todo mundo, e a devolução cai.
Nove meses e um orçamento de treinamento depois, a proporção de devoluções está onde estava. O relatório final registra que “a ação não gerou o resultado esperado”, e ninguém volta ao gráfico para perguntar o que ele realmente dizia.
O que ele dizia é isto: nas onze unidades, mais treinamento veio acompanhado de menos devolução. Só isso. A correlação é uma descrição de como duas medidas variam juntas — nada nela informa quem move quem, nem se alguma delas move a outra. Quando a decisão trata essa descrição como se fosse um mecanismo, o resultado não é um erro de conta. É um erro de leitura, e ele custa exatamente o valor da ação que foi tomada.
Neste caso, o que ninguém checou foi a data de abertura das lojas. As unidades mais antigas treinaram mais porque tiveram mais tempo para isso, e devolvem menos porque a equipe tem menos rotatividade e conhece melhor o produto. O treinamento e a devolução se moviam juntos porque uma terceira coisa movia os dois.
As quatro explicações que competem com a sua
Sempre que duas variáveis andam juntas, há pelo menos cinco explicações possíveis, e “X causa Y” é apenas uma delas. Antes de agir, vale perguntar o que aconteceria se cada uma das outras quatro fosse a verdadeira.
Pode ser acaso. Com onze unidades e algumas dezenas de indicadores disponíveis, encontrar pares que se movem juntos é praticamente garantido — não porque exista relação, mas porque foram testados muitos pares. Esse é o motivo pelo qual uma relação achada em uma varredura exploratória vale menos que uma relação prevista antes de olhar os dados. É a diferença entre encontrar um padrão e testar uma hipótese, e é o que separa uma inspeção de dados de um teste de hipótese propriamente dito.
Pode ser uma terceira variável. Foi o caso da rede: a idade da loja explicava as duas pontas. Uma variável assim é chamada de variável de confusão, e ela é a explicação alternativa mais comum e a mais difícil de ver, porque em geral não está no gráfico. O sinal de alerta é sempre o mesmo: as duas variáveis observadas compartilham alguma origem — mesma região, mesma época, mesmo tipo de cliente, mesmo turno.
Pode ser causalidade invertida. Se as lojas que devolvem menos são justamente as que a diretoria escolhe para receber treinamento, porque são as que apresentam melhores resultados e por isso ganham mais investimento, então a devolução baixa causa o treinamento, e não o contrário. A direção da seta não está nos dados; ela vem do que você sabe sobre como as coisas acontecem naquela operação.
Pode ser um recorte enviesado. Se as onze unidades não são todas as lojas da rede, mas só as que sobreviveram aos últimos cinco anos, a amostra já foi filtrada por um critério que se relaciona com as duas variáveis. As lojas que fechavam por má gestão saíram da base, e com elas saiu boa parte da variação que explicaria o fenômeno.
Nenhuma dessas quatro é exótica. Em dados operacionais de empresa, elas são o caso comum, e “X causa Y” costuma ser a hipótese menos provável — porque é a única que exige que o mundo seja mais simples do que ele é.
O que seria preciso para afirmar causa
Existe uma pergunta que resolve boa parte disso, e ela não é estatística: o que precisaria ser verdade para essa relação ser causal, e como eu verificaria cada uma dessas coisas?
A causa tem que vir antes do efeito, e isso precisa ser verificável nos dados — não presumido. Tem que existir um mecanismo plausível que ligue as duas, descrito em palavras antes de qualquer número: como, exatamente, uma hora de treinamento reduz uma devolução? Se ninguém consegue narrar o caminho, a relação provavelmente é de outra natureza. E tem que haver alguma forma de intervir sobre a suposta causa e observar o efeito, porque é a intervenção que separa observação de conhecimento.
Esse último ponto é o mais importante e o mais ignorado. Dados observacionais mostram o que aconteceu enquanto ninguém mexia. Para saber o que acontece quando você mexe, é preciso mexer — em escala pequena, com previsão registrada antes, e observando o que acontece depois. Um experimento planejado faz isso de forma estruturada quando há vários fatores em jogo, e o ciclo PDSA faz isso de forma leve quando a pergunta é uma só. No caso da rede, duas ou três lojas com treinamento intensivo por dois meses, comparadas com o próprio histórico e com as demais, teriam custado uma fração do orçamento e respondido a pergunta.
Vale separar dois problemas que costumam ser confundidos aqui. Investigar por que um defeito específico está acontecendo em um processo conhecido é uma análise de causa raiz, e ela trabalha com o mecanismo à vista. O que este artigo trata é o passo anterior: você tem uma relação entre números e ainda não sabe se ela descreve um mecanismo ou uma coincidência estrutural.
Por que dois pontos no tempo mudam a resposta
Há uma limitação da correlação que quase nunca é mencionada e que costuma ser decisiva na prática: ela é calculada sobre pares de pontos, sem ordem. Onze lojas, onze pares — a conta é a mesma se você embaralhar as linhas.
Uma operação, porém, não é um conjunto de pontos. É um processo que varia ao longo do tempo, com dias bons, dias ruins e uma faixa de variação que lhe é própria. Olhar o mesmo indicador de devolução em série, semana a semana, responde perguntas que a correlação não alcança: essa variação toda é normal para esse processo, ou aconteceu algo diferente? A mudança que introduzimos deslocou o comportamento, ou só pegamos uma semana boa?
Essa distinção — entre a variação que o processo sempre teve e a variação que aponta para algo específico — é a base do trabalho com variação, e o instrumento que a torna visível é a carta de controle. Uma queda de devolução depois do treinamento significa uma coisa se o indicador nunca tinha estado tão baixo, e outra completamente diferente se ele já tinha estado ali três vezes no ano anterior, sem treinamento nenhum.
É por isso que reagir a uma comparação entre dois pontos — este mês contra o mês passado, esta loja contra aquela — produz tanta ação inútil. Sem a série, não há como saber se você está reagindo a um sinal ou ao funcionamento normal do processo. E ação tomada sobre variação normal costuma piorar o resultado, porque adiciona uma mudança onde não havia problema a resolver.
Há ainda um detalhe que decide muitos casos antes de qualquer análise: o que significa “devolução”. Se cada loja registra devolução com um critério ligeiramente diferente, a correlação está medindo divergência de registro, não comportamento de processo. Fixar isso é o papel de uma definição operacional, e é a checagem mais barata da lista.
Um roteiro antes de decidir
Quando aparece uma relação que parece pedir ação, este roteiro leva alguns minutos e evita a maior parte dos erros descritos aqui. A coluna da direita é o que fazer, não o que concluir.
| Explicação alternativa | Pergunta que a revela | Como verificar |
|---|---|---|
| Acaso | Eu previ essa relação, ou a encontrei procurando? | Registrar a hipótese antes e testar em dados novos |
| Variável de confusão | As duas variáveis compartilham alguma origem comum? | Separar os grupos pela suspeita (idade, região, turno) e ver se a relação sobrevive dentro de cada um |
| Causalidade invertida | É plausível que Y determine quem recebe X? | Checar como X foi distribuído; se a distribuição olhou para Y, a seta está invertida |
| Recorte enviesado | Quem ficou de fora da base, e por quê? | Reconstruir a população completa e verificar o critério de exclusão |
| Variação normal do processo | Essa diferença já apareceu antes, sem intervenção? | Plotar o indicador em série e olhar a faixa de variação histórica |
| Definição inconsistente | Todos medem a mesma coisa do mesmo jeito? | Comparar os critérios de registro entre as unidades |
Se a relação passar pelas seis, você ainda não provou causa — mas eliminou as explicações concorrentes mais baratas, e o próximo passo lógico deixa de ser uma decisão e passa a ser um teste em escala pequena. Formações como o Green Belt se organizam em torno dessa sequência: descrever, eliminar alternativas, intervir, verificar no tempo — nessa ordem, e não pulando direto da descrição para a intervenção.
Duas fronteiras, para quem chegou aqui por outro caminho. Se o que você precisa é calcular e interpretar o coeficiente, ler o sinal e a força da relação e montar o diagrama de dispersão, isso está em entender correlação entre variáveis. Se você já decidiu que a relação é causal e quer estimar quanto Y muda quando X muda, o caminho é a regressão linear — que, vale dizer, não resolve nada do que foi discutido aqui: um modelo bem ajustado sobre uma relação espúria produz previsões precisas e conclusões erradas.
A pergunta que vale mais que o coeficiente
A gerente da abertura não errou por falta de dado. Ela tinha um dado real, calculado corretamente, sobre onze unidades reais.
O que faltou foi uma pergunta que leva trinta segundos: o que eu precisaria ver para concluir que estou enganada?
Se existe uma resposta — “se a relação sumir quando eu separar por idade da loja, eu estava enganada” — você tem uma hipótese, e ela pode ser verificada antes de gastar um orçamento. Se não existe nenhuma resposta possível, o que você tem não é uma conclusão sobre o processo. É uma preferência que encontrou um gráfico para se apoiar, e nenhuma quantidade de dados vai corrigir isso.
Conteúdo revisado pelo Master Black Belt Marcelo Petenate, estatístico, formado pela Unicamp, mestre pela USP e especialista em Lean Six Sigma e melhoria contínua. Revisão com foco nas explicações alternativas à causalidade e na leitura de indicadores em série.
O White Belt gratuito da EDTI apresenta a base desse raciocínio — variação, causas comuns e especiais e o ciclo PDSA — em poucas horas.
Perguntas frequentes
Correlação nunca indica causalidade?
Indica que causalidade é uma das explicações possíveis, e serve como ponto de partida para investigar. O erro não é usar correlação: é parar nela. Uma relação forte, prevista antes de olhar os dados e que sobrevive à separação por variáveis de confusão, é uma hipótese bem mais sólida que um palpite — mas ainda é uma hipótese.
O que é uma correlação espúria?
É uma relação estatística entre duas variáveis que não têm ligação causal nenhuma entre si. Costuma surgir por acaso, quando muitos pares são testados, ou por uma terceira variável que move as duas. Séries que crescem ao longo do tempo por motivos independentes se correlacionam com facilidade, e essa é a fonte mais comum de espúrias em dados de empresa.
Um coeficiente alto torna a relação mais confiável?
Torna a relação mais forte, não mais causal. Força e causalidade são propriedades diferentes: uma variável de confusão bem escolhida produz correlações altíssimas entre coisas que não se afetam. O tamanho do coeficiente ajuda a decidir se vale investigar; não ajuda a decidir se pode agir.
Como identificar uma variável de confusão?
Listando o que as duas variáveis têm em comum antes de olhar o número — mesma região, mesma época, mesmo tipo de unidade, mesma equipe. Depois, separando os dados por essa suspeita e verificando se a relação continua dentro de cada grupo. Se ela desaparece quando você controla a suspeita, a suspeita era a explicação.
Qual a diferença entre correlação e regressão?
A correlação descreve o quanto duas variáveis se movem juntas, sem direção. A regressão ajusta um modelo que estima quanto uma muda quando a outra muda, e por isso pressupõe uma direção. Nenhuma das duas demonstra causa: a regressão apenas assume o que a correlação não afirma.
É possível provar causalidade sem experimento?
É possível acumular evidência forte, com desenhos observacionais que controlam explicações alternativas, mas o experimento continua sendo o caminho mais direto porque é o único em que a suposta causa é atribuída por quem investiga, e não pelo mundo. Em ambiente de empresa, um teste em escala pequena costuma ser mais barato e mais rápido do que a análise observacional que tentaria substituí-lo.
Por que olhar o indicador ao longo do tempo muda a conclusão?
Porque uma diferença entre dois pontos pode ser apenas a variação que aquele processo sempre teve. Sem a série histórica não há como distinguir um efeito real de uma oscilação normal, e agir sobre oscilação normal costuma introduzir mais variação do que remove.
Por onde começar quando já existe uma decisão tomada com base em correlação?
Pelo roteiro das seis perguntas acima, aplicado à decisão que já está em curso — e pela série histórica do indicador que ela deveria ter mudado. É esse tipo de verificação, feita antes e depois com previsão registrada, que a Escola EDTI trata como o mínimo para chamar uma mudança de melhoria.