22/01/2024
Stel, per 1 april heb je een nieuwe ijssalon opgericht. De zaken gaan goed, elke maand zie je de omzet stijgen. Toch denk je dat het nóg beter kan, en besluit je om van receptuur te gaan veranderen. Je doet dit per 1 september. Wat blijkt nu, sinds 1 september zijn de verkopen ineens ontzettend teruggelopen.
Er is een duidelijke correlatie (samenhang) te zien tussen het moment van de veranderde receptuur en de teruglopende omzet. Moet je nu besluiten om de nieuwe receptuur terug te draaien? Met het oude recept ging het immers een stuk beter!
Causaal verband
Dat zou verstandig kunnen zijn als er inderdaad een causaal verband was tussen het teruglopen van de verkoop van ijsjes en de verandering van de receptuur. Ofwel, als de afname in de verkoop van ijsjes inderdaad veroorzaakt werd door het nieuwe recept. Misschien is dat helemaal niet het geval en spelen er andere factoren mee. De receptuur is op 1 september, aan het begin van de herfst, aangepast. Als het slechter weer wordt, willen mensen wellicht minder ijsjes.
Correlatie
Zo zie je dus dat zowel het invoeren van een nieuw recept, als een verandering in het weer gecorreleerd zijn met de afname in de verkoop van ijsjes. Waarschijnlijk heeft alleen een verandering in het weer een causaal verband met de ijsverkoop. Wanneer je de ijszaak al wat langer zou runnen, dan had je al wat meer data verzameld en kunnen zien dat rond de start van de herfst de verkoop altijd afneemt.
Toeval?
Er is dus sprake van een causaal verband als het ene het andere veroorzaakt. In de ‘echte wereld’ is het soms lastig te ontdekken of er sprake is van een causaal verband of van een toevallige samenloop van omstandigheden. Er zijn namelijk veel factoren die wel een rol spelen, maar die je niet kunt beïnvloeden. Om er toch achter te komen welke causale verbanden er bestaan, kunnen we experimenten opzetten. Je kan bijvoorbeeld het komende jaar proberen om beide recepturen het hele jaar door te verkopen, om in kaart te brengen welk recept gedurende het jaar het meeste in de smaak valt. Maar het is waarschijnlijk eenvoudiger, goedkoper én sneller om een experiment op te zetten waarbij je klanten vraagt of het oude recept inderdaad lekkerder was dan het nieuwe recept. Laat hen bijvoorbeeld van beide recepten een bolletje ijs proeven en vraag welk bolletje het lekkerste was. Als je dit experiment uitvoert op een representatieve groep van je totale klantenpopulatie, kun je er achter komen of de daling in omzet inderdaad veroorzaakt werd doordat het nieuwe recept minder lekker wordt gevonden.
Experiment
Met een experiment kun je er dus achter komen of een gebeurtenis verband houdt met een andere gebeurtenis, voordat je ingrijpende beslissingen maakt in de bedrijfsvoering. In het geval van de ijssalon was het terugdraaien van de receptuur waarschijnlijk voor niks geweest, of had het de verkopen misschien nog wel verder laten dalen. Dat wil je natuurlijk voorkomen! Als je zorgt dat je weet welke verbanden causaal zijn, kun je de onderliggende oorzaak van problemen écht aanpakken.
In een volgende blog lees je meer over de toepassing van causale modellen, dus stay tuned!
Symposium
CQM organiseert donderdagmiddag 21 maart 2024 een symposium over causaliteit: “Beyond coincidence: understanding causality”. Voor iedereen die data verzamelt, analyseert en/of visualiseert... Heb je interesse om het symposium bij te wonen, neem dan contact op met: Martijn Gijsbers.
Wil je op de hoogte blijven van het laatste nieuws van CQM, volg ons op LinkedIn of meld je aan voor onze digitale nieuwsbrief.
Image by Jared Soto from Pixabay
