## Каузальный vs корреляционный подход в панельных данных

## Каузальный vs корреляционный подход в панельных данных

В панельных исследованиях (retail и consumer panels) причинно-следственный вывод — это не про «мы увидели связь», а про «мы доказали, что X вызывает Y, а не наоборот». Разница принципиальная для бренд-менеджера, который решает, на что тратить промо-бюджет.

**Корреляция в панели** фиксирует совместное движение двух метрик. Например, рост доли бренда совпадает с увеличением частоты промо-акций в рознице. Связь зафиксирована, но направление и механизм остаются гипотезой: возможно, промо тянет долю, возможно, бренд набрал силу и ритейлер сам расширил промо-окна.

**Каузальный вывод** требует контрфактуала — ответа на вопрос «что было бы с долей бренда, если бы промо-механика не запускалась?». В панельных данных это решают через квази-экспериментальные методы: разность разностей (difference-in-differences), синтетический контроль, инструментальные переменные, propensity score matching.

**Типичная ошибка** — подмена каузальности корреляцией в презентации результатов. Команда показывает рост метрики после кампании, называет это «эффектом», хотя без контрольной группы или хотя бы синтетического бенчмарка это лишь наблюдение. В FMCG такая подмена особенно опасна, когда панель короткая или охват ритейлера смещённый.

**Пример.** Бренд запустил трейд-промо в одной сети. Панель NielsenIQ показывает рост продаж на 18% за две недели. Каузальная проверка через difference-in-differences с аналогичной сетью без промо даёт только 6%. Остальные 12 п.п. — сезонность и общий тренд категории, а не заслуга механики. Без такой проверки команда заложила бы в медиаплан следующего года завышенный baseline и провалила бы план.

Сильный аналитик панельных данных отвечает не «выросло», а «выросло благодаря чему, на сколько и с какой степенью уверенности».

— @PanelDataRoomPro