Korelasyon Nedir? UX Verisinde İlişkiyi Doğru Okumak
Korelasyon, iki metriğin birlikte hareket edip etmediğini tek bir sayıya indirir. UX tarafında bu sayı çoğu zaman hak ettiğinden fazla ciddiye alınıyor: 0,7 görünce ilişki kurulmuş sayılıyor, 0,1 görünce konu kapanıyor. Oysa katsayı, örneklem boyutu ve kaç karşılaştırma yapıldığı bilinmeden okunamaz.
Katsayı neyi söyler
Pearson katsayısı r, iki sürekli değişken arasındaki doğrusal ilişkinin yönünü ve gücünü -1 ile +1 arasında verir. Sayfa yüklenme süresi arttıkça terk oranı da artıyorsa r pozitif çıkar. Söylediği bundan ibarettir.
Nedensellik iddiası buradan çıkmaz ve bu, ders kitabı uyarısı olmaktan öte pratik bir sorundur. Mobil trafiğin payı arttığı günlerde hem yükleme süresi hem terk oranı yükselir. İkisi arasında bulduğunuz güçlü ilişki, aslında cihaz kırılımının gölgesi olabilir. Analizi cihaza göre böldüğünüzde ilişki eriyorsa, elinizde bir bulgu değil bir karışım vardı.
Doğrusal olmayan ilişkide Pearson yanılır
Oturum süresi ile memnuniyet arasındaki bağ genelde U biçimindedir. Çok kısa oturum ya aradığını hemen bulmuş ya da hiç bulamamış kullanıcıyı gösterir; çok uzun oturum çoğu zaman kaybolmayı işaret eder. Bu ilişkiye Pearson uygulayın, sıfıra yakın bir sayı alırsınız ve "aralarında ilişki yok" diye not düşersiniz.
Spearman sıra korelasyonu, doğrusal olmayan ama tek yönlü ilerleyen ilişkileri yakalar: veriyi sıraya çevirip öyle ölçer. U biçimini o da kurtaramaz. Ölçüt basit: ilişkinin yönü baştan sona aynı kalıyorsa Spearman, ortada dönüyorsa hiçbir tek katsayı işinizi görmez.
r'yi örneklem boyutuyla birlikte okuyun
20 kullanıcıdan topladığınız veride r = 0,42 heyecan verici görünür. Değildir. n = 20 için 0,05 anlamlılık eşiği yaklaşık 0,44'tür, yani o katsayı rastlantıyla açıklanabilir. n = 100'e çıktığınızda eşik 0,20 civarına iner ve çok daha zayıf ilişkiler ölçülebilir hale gelir.
Diğer taraf da var. r = 0,5 kulağa "yarı yarıya" gibi gelir ama açıkladığı değişkenlik r kare kadardır: yüzde 25. Kalan yüzde 75'i başka bir şey belirliyor.
On metrik, kırk beş çift, iki sahte bulgu
Analitik panelinden on metrik alıp hepsini birbirine karşı koşturmak cazip gelir. On metriğin çift sayısı 10 x 9 / 2 = 45'tir. Aralarında gerçek ilişki hiç olmasa bile, yüzde 5 eşikle her testin yanlış alarm verme ihtimali yüzde 5'tir; 45 testin tamamının temiz çıkma olasılığı 0,95 üzeri 45, yani yaklaşık yüzde 10.
Başka bir deyişle: hiçbir şeyin ilişkili olmadığı bir veri setinde bile en az bir "anlamlı" sonuç bulma şansınız yüzde 90. Panele bakıp ilişki avlamak bu yüzden neredeyse her zaman ödüllendirir. Çözüm ya hipotezi veriye bakmadan önce yazmak ya da eşiği bölmektir (45 test için 0,05 / 45, yaklaşık 0,001). İkisinden birini yapmıyorsanız korelasyon tablonuz gürültü üretiyor demektir.
Katsayıdan önce grafiği çizin
Anscombe'un 1973'te yayımladığı dört veri kümesi hâlâ en iyi uyarıdır: ortalamaları, varyansları ve korelasyonları neredeyse aynıdır (r = 0,816), grafikleri ise bambaşkadır. Biri düzgün bir doğrudur, biri eğridir, birinde tek bir aykırı nokta ilişkinin tamamını tek başına üretir. Saçılım grafiği çizmek on saniye sürer ve bu on saniye, veriyi silme kararından önce alınması gereken tek adımdır.
Peki UX'te nerede işe yarar
Korelasyon bir keşif aracıdır, karar aracı değil. Doğru kullanımı şudur: elinizde onlarca aday değişken varken hangisini A/B testine sokacağınızı seçmek. Yükleme süresiyle terk oranı arasında tutarlı bir ilişki görüyorsanız, bu size testi nereye kuracağınızı söyler, testin sonucunu değil.
Bir tasarım değişikliğinin etkisini korelasyonla kanıtlamaya çalışmak ise ters çalışır, çünkü değişikliği yayına aldığınız hafta genelde başka şeyler de değişmiştir: kampanya, sezon, trafik kaynağı. O soru kontrollü testin sorusudur. Korelasyon size nereye bakacağınızı gösterir; ne olduğunu ölçen başka bir yöntemdir.