En la mayoría de las situaciones del sector privado no le importará la causalidad.
En la práctica, a pesar del uso típico del lenguaje, las personas están mucho más interesadas en un impacto bien entendido que en una causalidad (bien entendida).
Desde un punto de vista académico, es muy interesante saber:
Si hago A, por eso el resultado será B
Pero desde un punto de vista práctico, en casi todas las situaciones, lo siguiente es lo que la gente realmente quiere saber:
Si hago A, el resultado será B
Claro que puede estar interesado en el impacto de A, pero si es realmente la causa o si hay una causa oculta que simplemente crea esta correlación generalmente no es tan interesante.
Nota sobre limitaciones
Puede pensar: está bien, pero si no sabemos que A causa B, entonces es muy arriesgado trabajar en esa suposición.
Esto es cierto en cierto modo, pero nuevamente en la práctica solo te preocupará: ¿Funcionará o hay excepciones?
Para ilustrar esto, puede notar que esta situación:
Si hago A, en la situación X, debido a A el resultado será B y debido a X el resultado se desviará por delta
No es mucho más útil que esta situación (suponiendo que pueda cuantificar los impactos por igual):
Si hago A, en la situación X, el resultado será B y el resultado se desviará por delta
Ejemplo simple: correlación para causar
- A: reponer aceite de motor
- B: reducción de la falla del freno
- C: chequeo del auto
La lógica: C siempre causa A y B
Relación resultante: si A sube, B sube pero no hay relación causal entre A y B.
Mi punto: puede modelar el impacto de A en B. A no causa B, pero el modelo seguirá siendo correcto, y si tiene información sobre A, tendrá información sobre B.
La persona interesada en la falla del freno con información sobre A solo se preocupará por conocer la relación de A con B, y solo se preocupará si la relación es correcta, independientemente de si esta relación es causal o no.