Если на проекте нужно понять, влияет ли бюджет на рекламу на количество лидов, связана ли частота email-рассылок с конверсией или зависят ли продажи от изменения цены — в таких случаях имеет смысл применить корреляционный анализ. Этот метод помогает выявить, есть ли между двумя показателями статистическая взаимосвязь и насколько она сильна.
В статье разберём, как работает корреляционный анализ, какие методы расчёта использовать для разных типов данных и как правильно интерпретировать результаты. Покажем практические примеры применения в маркетинге и объясним распространённые ошибки, которых важно избегать.
Что такое корреляционный анализ
Это метод статистического исследования, который помогает определить, есть ли взаимосвязь между двумя переменными и насколько она сильна. Суть корреляционного анализа заключается в расчёте коэффициента корреляции — числового показателя, который демонстрирует степень и направление связи.
Допустим, маркетолог хочет понять, влияет ли количество отправленных email-рассылок на посещаемость сайта. Собирает данные за несколько месяцев: сколько писем отправили и сколько визитов зафиксировала аналитика. Корреляционный анализ покажет, есть ли между этими показателями связь — растёт ли посещаемость, когда увеличивается количество рассылок, или эти процессы происходят независимо друг от друга.
Результат корреляционного анализа — коэффициент корреляции, который принимает значения от −1 до 1. Этот показатель не зависит от единиц измерения, поэтому с его помощью можно сравнивать совершенно разные величины. Например, можно анализировать связь между расходами в рублях и количеством лидов в штуках, или между числом показов рекламы и конверсией в процентах.
Представим, что интернет-магазин собрал данные за шесть месяцев:
| Месяц | Количество рассылок | Выручка (руб.) |
| Январь | 4 | 320 000 |
| Февраль | 6 | 450 000 |
| Март | 5 | 380 000 |
| Апрель | 8 | 520 000 |
| Май | 7 | 490 000 |
| Июнь | 9 | 610 000 |
В Excel для расчёта коэффициента корреляции используют функцию КОРРЕЛ. Если данные по рассылкам находятся в ячейках B2:B7, а по выручке — в C2:C7, формула будет:
=КОРРЕЛ(B2:B7; C2:C7)
Результат — например, 0,92. Это означает сильную положительную связь: чем больше рассылок отправляет магазин, тем выше выручка. Но важно помнить: корреляция показывает только наличие связи, не доказывая, что одно влияет на другое.
Какие бывают виды корреляции
Корреляция бывает положительной, отрицательной и нулевой.
Положительная корреляция означает, что при увеличении одной переменной другая тоже растёт. Например, чем больше компания тратит на таргетированную рекламу в соцсетях, тем выше трафик на сайт. Коэффициент корреляции в этом случае будет положительным — от 0 до 1. Чем ближе значение к 1, тем сильнее связь.
Отрицательная корреляция показывает обратную зависимость: когда одна переменная растёт, другая падает. Представим, что интернет-магазин увеличил минимальную сумму заказа для бесплатной доставки. Скорее всего, количество небольших заказов снизится. Коэффициент корреляции будет отрицательным — от 0 до −1. Чем ближе к −1, тем сильнее обратная связь.
Нулевая корреляция (или слабая, близкая к нулю) говорит о том, что между переменными нет статистически значимой взаимосвязи. Скажем, компания продаёт спортивное питание и одновременно ведёт блог про здоровый образ жизни. Анализ показал, что количество публикаций в блоге не влияет на продажи конкретных товаров. Значит, корреляция между этими переменными слабая или отсутствует.
Зачем корреляционный анализ нужен в маркетинге
Корреляция помогает маркетологам решать разные задачи — от оценки эффективности рекламных кампаний до прогнозирования поведения клиентов.
Оценить эффективность маркетинговых каналов
Компания вкладывает бюджет в несколько каналов продвижения: контекстную рекламу, SMM, email-маркетинг. Корреляционный анализ поможет понять, какие из этих вложений действительно влияют на результат.
Допустим, маркетолог собрал данные за полгода по затратам на каждый канал и количеству привлечённых лидов. Корреляция показала, что расходы на контекстную рекламу сильно коррелируют с числом лидов (коэффициент 0,85), а вот связь между бюджетом на SMM и лидами слабая (коэффициент 0,15). Это сигнал: возможно, стоит пересмотреть стратегию в соцсетях или перераспределить бюджет.
Прогнозировать поведение клиентов
Онлайн-кинотеатр хочет показывать зрителям фильмы, которые им понравятся. Для этого платформа анализирует оценки, которые ставят пользователи. Если два зрителя поставили высокие оценки одним и тем же фильмам, корреляция между их предпочтениями будет сильной. Значит, можно рекомендовать одному зрителю картины, которые понравились другому.
Представим, что пользователь Алексей поставил высокие оценки трём комедиям и двум триллерам. Система находит другого зрителя, Марину, у которой похожие вкусы — она тоже высоко оценила эти же фильмы. Марина дополнительно посмотрела детектив и поставила ему пять звёзд. Алгоритм предложит этот детектив Алексею, потому что корреляция между их предпочтениями высокая.
Выбрать оптимальную ценовую стратегию
Для большинства товаров действует простое правило: если цена падает, спрос растёт. Но есть исключения — товары Гиффена (самые дешёвые товары первой необходимости) и товары Веблена (премиальные товары, которые покупают ради статуса). Для них зависимость может быть обратной или отсутствовать.
Корреляционный анализ помогает понять, к какой категории относятся конкретные товары. Например, магазин электроники проанализировал данные по продажам смартфонов премиум-сегмента за год. Оказалось, что снижение цены на эти модели не приводило к росту продаж — корреляция близка к нулю. Зато повышение цены совпало с увеличением спроса (слабая положительная корреляция). Это может означать, что покупатели воспринимают высокую цену как сигнал качества и статуса.
Оптимизировать контент-стратегию
Компания ведёт блог и публикует статьи на разные темы. Хочет понять, какой контент лучше работает на привлечение трафика и конверсию.
Маркетолог собирает данные: тип статьи (кейсы, инструкции, обзоры), количество просмотров, время на странице, число заявок с каждой статьи. Корреляционный анализ показывает, что статьи-кейсы дают наибольшую корреляцию с количеством заявок (коэффициент 0,78), а обзоры — с временем на странице (коэффициент 0,82). Значит, для привлечения лидов стоит делать больше кейсов, а для удержания внимания аудитории — обзоров.
Какими бывают методы корреляционного анализа
Существуют разные способы расчёта корреляции в зависимости от типа данных и характера связи между переменными.
Коэффициент корреляции Пирсона
Это самый распространённый метод корреляционного анализа. Коэффициент Пирсона подходит для измерения линейной связи между двумя количественными переменными.
Формула коэффициента корреляции Пирсона учитывает отклонения каждого значения от среднего и показывает, насколько синхронно меняются две переменные. Если обе переменные растут или падают одновременно, коэффициент будет положительным. Если одна растёт, а другая падает — отрицательным.
Применение коэффициента Пирсона подходит для анализа связи между метриками, которые изменяются пропорционально. Например, между расходами на рекламу и количеством кликов, между ценой товара и объёмом продаж.
Ранговый коэффициент корреляции Спирмена
Корреляционный анализ Спирмена используют, когда данные не соответствуют нормальному распределению или когда связь между переменными нелинейная. Также метод подходит для работы с ранговыми данными — например, с оценками, рейтингами или категориями.
Допустим, маркетолог хочет понять, есть ли связь между позицией сайта в поисковой выдаче (первое, второе место и так далее) и количеством переходов. Позиции — это ранги, а не числа в привычном смысле. Коэффициент Спирмена покажет, насколько изменение позиции связано с изменением трафика.
Для расчёта коэффициента Спирмена в Excel нужно:
- Присвоить каждому значению ранг с помощью функции РАНГ.СР.
- Рассчитать корреляцию между рангами с помощью функции КОРРЕЛ.
Коэффициент Пирсона подходит, когда:
- Данные распределены нормально (или близко к этому).
- Связь между переменными линейная.
- Переменные измерены в количественных показателях (рубли, штуки, проценты).
Коэффициент Спирмена используют, когда:
- Данные не распределены нормально.
- Связь между переменными нелинейная.
- Переменные представлены в виде рангов или категорий.
Как провести корреляционный анализ
Корреляционный анализ проводится в несколько этапов. Важно пройти их последовательно, чтобы получить корректные результаты.
Шаг 1. Определить переменные для анализа
Сначала нужно решить, какие показатели анализировать. Выбирать стоит те метрики, между которыми предполагается взаимосвязь.
Например, маркетолог интернет-магазина хочет понять, влияет ли частота email-рассылок на выручку. Переменные для анализа:
- Количество отправленных писем в месяц (независимая переменная).
- Выручка за тот же месяц в рублях (зависимая переменная).
Важно, чтобы данные относились к одному периоду времени и были измерены в одинаковых интервалах. Нельзя сравнивать количество рассылок за месяц с выручкой за неделю — это исказит результат.
Шаг 2. Собрать данные
Для корреляционного анализа нужны числовые данные. Их можно взять из систем аналитики, CRM, рекламных кабинетов или CDP.
Допустим, маркетолог собирает информацию за шесть месяцев о количестве рассылок и выручке. Если компания использует омниканальную CDP (Customer Data Platform), процесс упрощается — платформа автоматически собирает данные из разных источников в едином хранилище. Например, CDP Sendsay объединяет информацию из email-рассылок, сайта, мобильного приложения и других каналов, и маркетолог может выгрузить нужные метрики одним отчётом для анализа.
Перед расчётом важно проверить данные на аномальные значения (выбросы) и пропуски. Если в каком-то месяце была нетипичная ситуация — например, крупная распродажа, которая резко увеличила выручку, — этот месяц может исказить картину. Такие выбросы стоит либо исключить, либо учитывать при интерпретации результатов.
Шаг 3. Рассчитать коэффициент корреляции
Самый распространённый способ расчёта — коэффициент корреляции Пирсона. Он показывает силу линейной связи между двумя переменными. В Excel для расчёта используют функцию КОРРЕЛ или PEARSON, как мы показали в примере выше.
Результат расчёта — число от −1 до 1. Например, если коэффициент получился 0,92, это означает сильную положительную связь между переменными.
Шаг 4. Интерпретировать результаты
Коэффициент корреляции нужно правильно истолковать. Общепринятые критерии оценки силы связи:
- От 0 до ±0,3 — слабая корреляция.
- От ±0,3 до ±0,7 — умеренная корреляция.
- От ±0,7 до ±1 — сильная корреляция.
Если в нашем примере коэффициент получился 0,92, это говорит о сильной положительной связи. Но важно помнить: корреляция не доказывает причинно-следственную связь. Может быть так, что рост выручки и увеличение числа рассылок произошли одновременно, но по разным причинам. Например, в весенние месяцы всегда растёт спрос на определённые товары, и компания просто отправляла больше писем в это время.
Шаг 4. Провести дополнительный анализ
Чтобы убедиться в надёжности результатов, стоит проверить корреляцию на данных за другой период или сравнить несколько пар переменных.
Представим, что маркетолог хочет проверить не только связь между рассылками и выручкой, но и между бюджетом на контекстную рекламу и числом заявок. Для этого можно построить корреляционную матрицу — таблицу, которая показывает коэффициенты корреляции для всех пар переменных.
В Excel корреляционную матрицу строят с помощью инструмента «Анализ данных» → «Корреляция». Нужно выбрать диапазон данных, и программа автоматически рассчитает коэффициенты для каждой пары показателей.
Что запомнить о корреляционном анализе
- Корреляционный анализ помогает выявить взаимосвязи между метриками, но не доказывает причинно-следственную связь.
- Коэффициент корреляции принимает значения от −1 до 1. Чем ближе к ±1, тем сильнее связь.
- Положительная корреляция означает, что переменные изменяются в одном направлении. Отрицательная — в противоположных направлениях.
- Для расчёта корреляции используют коэффициент Пирсона (для линейных связей) или коэффициент Спирмена (для нелинейных и ранговых данных).
- Корреляция может меняться со временем, не показывает направление влияния и не работает с нелинейными зависимостями.
