Corrélation et causalité dans vos données personnelles : comment lire vos propres chiffres honnêtement

Voici une phrase qui sonne juste. “Les jours où j’ai bu plus d’eau sont les jours où je me suis senti plus concentré. Donc l’eau améliore ma concentration.” La première moitié est correcte. La seconde est un saut, et c’est dans ce saut que l’analytique personnelle se trompe en silence la plupart du temps.

Cet article parle de ce saut. Ce qu’une corrélation dans vos propres données vous dit, ce qu’elle ne vous dit pas, les quatre mauvaises lectures les plus courantes, et comment agir sur une tendance sans en faire trop. Si tout cela est nouveau pour vous, commencez par notre guide d’analytique personnelle et revenez quand vous aurez quelques semaines de suivi derrière vous.

Ce qu’est vraiment une corrélation

Une corrélation, au sens personnel, est une petite observation statistique. Elle dit : dans vos données, sur cette période, deux champs ont eu tendance à bouger ensemble. Quand l’un était haut, l’autre était haut. Ou quand l’un était haut, l’autre était bas. Sur de nombreux jours, les jours à beaucoup d’eau se sont alignés avec des jours de bonne concentration plus souvent que l’inverse.

C’est un vrai fait sur vos relevés. C’est aussi un fait bien plus étroit qu’il n’y paraît.

Une corrélation est bornée de trois façons à la fois. Elle est bornée à vous, à personne d’autre. Elle est bornée à cette période de votre vie, pas au reste. Et elle est bornée par tout ce qui se passait par ailleurs ces jours-là, et que la corrélation absorbe silencieusement dans sa propre forme. Le chiffre que vous voyez est la tendance après que la vie l’a fait passer à travers elle, pas avant.

Lire une corrélation comme s’il s’agissait d’une loi physique propre est la faute la plus facile à commettre, et la plupart des trackers ne font rien pour la décourager.

Ce qu’une corrélation n’est pas

Quatre choses en particulier. Aucune n’est un détail sémantique. Ce sont la différence entre bien utiliser ses données et se mentir avec.

Ce n’est pas la preuve qu’une chose a causé l’autre

Quand l’eau et la concentration bougent ensemble, plusieurs histoires collent aussi bien. Peut-être que l’eau aide à la concentration. Peut-être que la concentration, ou ce qui fait qu’une journée se prête à la concentration, vous pousse aussi à boire plus d’eau (vous avez pensé à la bouteille parce que la journée était calme). Peut-être que les deux découlent d’autre chose, comme un emploi du temps détendu, un week-end, une saison. La corrélation ne peut pas trancher. Seule une expérience peut commencer à le faire.

Ce n’est pas la preuve que la tendance tiendra le mois prochain

Une tendance propre en mars peut disparaître en avril. Votre vie change, vos habitudes changent, les saisons changent. Une corrélation décrit ce qui s’est passé, pas ce qui va se passer. La traiter comme une prévision, c’est en demander trop.

Ce n’est pas la preuve que la tendance se généralise à quelqu’un d’autre

Votre colocataire pourrait suivre exactement les mêmes champs sur les mêmes semaines et obtenir une forme différente. L’analytique personnelle est, par construction, personnelle. Une tendance dans vos données n’a aucune emprise sur les autres, et les leurs n’en ont aucune sur vous.

Ce n’est pas actionnable en soi

Celle-ci est la plus souvent oubliée. Même une corrélation forte ne vous dit pas, à elle seule, si changer un champ changera l’autre. Comme la cause peut aller dans l’autre sens, ou via un troisième facteur, “fais plus de X pour avoir plus de Y” est une hypothèse, pas une conclusion. Le geste honnête face à une corrélation forte est “je vais tester ça”, pas “je vais agir comme si c’était vrai”.

Les quatre mauvaises lectures les plus courantes

Si vous suivez sérieusement quelques mois, vous croiserez les quatre. Les nommer aide.

Confondre le sens

L’eau et la concentration en sont l’exemple classique. L’eau a-t-elle aidé la concentration, ou le genre de journée qui permet de se concentrer s’est-il trouvé être aussi le genre de journée où vous buvez de l’eau ? Vous sentez que la réponse est la première. Les données restent muettes.

Une lecture avec le sens inversé transforme “X corrèle avec Y” en “X cause Y” par réflexe, alors que “Y cause X” ou “ils partagent une cause” collent aux mêmes chiffres.

Variables cachées (la troisième variable)

Les deux champs peuvent bouger ensemble parce qu’autre chose les fait bouger tous les deux. Le sommeil. Le stress. Week-end ou jour de semaine. Une deadline. Des vacances. La météo. Vos données voient les deux champs, pas la troisième qui se cache, et celle-ci gonfle discrètement le lien apparent.

Un exercice utile : quand vous voyez une corrélation forte, notez trois autres choses qui se produisaient aussi les jours de X élevé. Si la plupart de ces choses voyagent avec X, l’histoire de X vers Y emprunte probablement sa force ailleurs.

Causalité inverse

“Plus d’eau mène à plus de concentration” peut s’inverser sans casser les données. “Plus fatigué mène à moins d’eau, parce que la version fatiguée de vous oublie la bouteille” produit le même nuage de points. Vous ne pouvez pas savoir laquelle est vraie à partir d’une corrélation. Vous pouvez deviner à partir de votre connaissance de vous-même, mais soyez honnête : vous raisonnez, vous ne mesurez pas.

Coïncidence

La plus silencieuse et la plus fréquente. Avec un petit nombre de jours, une tendance assez nette peut apparaître juste parce que les petits échantillons font parfois ça. Deux semaines de “chaque fois que j’ai fait du sport je me suis senti mieux” peuvent s’aplatir à la semaine six. Plus la fenêtre est courte, plus le bruit a de place pour ressembler à une histoire.

Le remède, c’est plus de données. Les tendances qui survivent à un mois ou deux de suivi honnête méritent plus de poids que celles qui apparaissent en douze jours.

Comment lire honnêtement une corrélation remontée par Loggr

Quand Loggr fait remonter une tendance, c’est en langage clair, avec un petit graphique. Quelque chose comme “les jours de sport, votre humeur a été nettement plus haute que les jours sans sport”. Loggr n’affirme pas de cause, ne vous dit pas quoi faire et étiquette la force pour que vous puissiez calibrer.

C’est l’entrée. Voici la liste de questions à se poser avant d’intégrer quoi que ce soit.

Demandez-vous ce que ces journées avaient d’autre en commun

Les jours de sport ne sont sans doute pas que des jours de sport. Ce sont peut-être aussi les jours où vous avez bien dormi, les jours à l’emploi du temps plus calme, les jours où vous vous sentiez déjà assez bien pour avoir envie de bouger. La tendance remontée par Loggr est le contour de la relation. L’intérieur, c’est à vous.

Un test simple : ouvrez vos notes des journées hautes et des journées basses côte à côte. Lisez-les. L’histoire change souvent.

Demandez-vous combien de données il y a derrière

Une corrélation forte sur un mois ou deux de suivi régulier est plus crédible qu’une corrélation forte sur deux semaines. Loggr ne remontera pas une tendance tant qu’il n’y a pas assez de jours appariés derrière, mais le seuil “assez” est le minimum pour une lecture crédible, pas pour une conclusion. Une tendance qui a tenu sur une saison entière est différente d’une qui vient de franchir la ligne.

Demandez-vous quelle est la taille de l’écart

Si les jours de séance votre humeur a été en moyenne à 7,0 et les jours sans séance à 6,8, ce n’est presque pas une histoire. Si les jours avec séance étaient à 7,0 et les jours sans à 5,0, c’en est une. Loggr vous montre la comparaison pour que vous voyiez l’écart ; ne vous arrêtez pas à “Loggr a dit fort” en sautant la partie où vous regardez les chiffres.

Demandez-vous si vous vouliez déjà que ce soit vrai

La plus difficile. Si une tendance correspond à une croyance avec laquelle vous êtes arrivé, traitez-la avec plus de scepticisme, pas moins. Le biais de confirmation est la force la plus puissante en analytique personnelle, d’une marge que la plupart sous-estiment. Une tendance qui vous surprend est plus informative qu’une qui vous confirme, parce que vos croyances tiraient déjà sur les données.

Ce que vous pouvez faire d’une corrélation

L’idée n’est pas de vous faire arrêter de regarder vos données. C’est l’inverse. Les corrélations en données personnelles sont utiles à condition de les traiter pour ce qu’elles sont : un générateur d’hypothèses, pas une conclusion. Trois usages productifs.

Lancer une petite expérience

Une fois que vous avez repéré “les jours de sport corrèlent avec une meilleure humeur”, l’étape productive est une petite expérience. Faites du sport délibérément sur une série de jours où vous n’en auriez peut-être pas fait, gardez le reste aussi constant que la vie le permet, et regardez. Même une version informelle est plus honnête que d’agir sur la corrélation comme si elle était une preuve. L’expérience est le point.

C’est aussi pourquoi les tendances du même jour et du lendemain font partie de la boîte à outils. Nous avons écrit un texte sur les effets du lendemain à part : l’écart entre cause et effet fait partie de ce qu’une expérience doit choisir.

Remarquer ce que vous n’aviez pas vu

Une tendance est parfois plus utile par ce qu’elle implique que par ce qu’elle dit. “Le sport corrèle avec l’humeur” parle peut-être du sport. Ou peut-être que ça vous dit que les jours sans sport sont souvent des dimanches, et que ce sont les dimanches l’histoire véritable. La corrélation pointait le sport ; ce que vous avez remarqué était autre chose. Ça compte.

Construire la connaissance de soi dans la durée

Savoir que trois choses tendent à coexister dans votre vie est utile même sans cause prouvée. Vous connaissez la forme de votre semaine. Vous savez quels lundis ont tendance à être plus durs. Rien de tout cela n’exige une cause prouvée. Il faut seulement une description honnête, répétée assez longtemps pour qu’elle devienne stable.

Comment Loggr est conçu autour de tout ça

Le cadrage se voit dans le produit.

Loggr fait remonter les tendances en langage clair. Pas de score jargonneux, pas d’affirmation de cause, pas de conseil. La phrase décrit ce qui s’est passé, pas ce qu’il faut faire.
Loggr étiquette la force : faible, modérée, forte. Une tendance faible est montrée comme telle, sans déguisement.
Loggr ne fait remonter une tendance que s’il y a assez de jours appariés derrière. En dessous, l’insight est affiché verrouillé, avec une note brève sur ce qu’il manque.
Loggr compare les champs sur le même jour et avec un décalage d’un jour, puis garde la relation la plus forte. C’est la mécanique du lendemain du guide du suivi par paires. Elle joue dans les deux sens : un effet du même jour peut cacher un effet du lendemain, et inversement.
Loggr n’interprète pas la tendance à votre place. L’interprétation, c’est la pensée, et c’est la pensée qui rend l’exercice utile.

La discipline difficile

Si vous ne retenez qu’une habitude de tout cet article, retenez celle-ci. Quand une corrélation a l’air de confirmer ce que vous croyiez déjà, soyez plus sceptique, pas moins.

La raison est structurelle. Vos croyances sur votre vie ont façonné votre manière de noter dès le départ : quels champs vous avez choisis, comment vous avez noté votre humeur, ce dont vous vous êtes souvenu. Une tendance qui confirme ces croyances reflète en partie ces choix, ce n’est pas un fait indépendant. Une tendance qui les contredit a dû forcer le passage à travers votre biais. Elle a mérité votre attention.

Quand une corrélation forte tombe sur quelque chose que vous saviez déjà, ralentissez. Repassez les quatre mauvaises lectures. Posez les quatre questions de la checklist. Décidez ensuite si vous voulez tester. Le plus souvent, la tendance tient et vous avez appris quelque chose d’honnête. Parfois non, et vous avez appris quelque chose d’encore plus honnête : que vous lisiez vos données à travers un verre.

FAQ

Si je ne peux pas prouver la cause, à quoi bon ?

À diriger l’attention. Les données personnelles ne remplacent pas la pensée. Elles l’orientent au bon endroit. Une corrélation dit “ça vaut peut-être un coup d’œil”. C’est utile, tant que vous ne la promouvez pas en “c’est la réponse”.

Puis-je faire des tests A/B sur moi ?

Formellement, oui. Variez une entrée, tenez les autres aussi constantes que la vie le permet, notez deux semaines, puis inversez l’entrée et notez deux semaines de plus. Comparez. Vous obtiendrez quelque chose de plus proche d’une lecture causale qu’une corrélation passive. Deux limites. Vous êtes toujours une seule personne, donc le résultat ne dit rien d’autre que vous, dans cette période. Et la vie laisse rarement tout le reste constant. Les A/B personnels sont utiles et limités ; les deux à la fois.

Faut-il agir sur une corrélation forte ?

Peut-être, comme expérience. Pas comme conclusion. Le cadrage honnête est : “je vais essayer deux semaines et voir, et je ne serai pas surpris si ça ne donne rien”.

Et si la corrélation contredit ce que je croyais ?

Donnez-lui plus d’attention, pas moins. Les tendances qui survivent à des croyances contraires sont en général plus honnêtes que celles qui confirment. Une tendance contrariante a réussi à passer malgré la traction de vos croyances. C’est une preuve plus solide, à l’échelle de l’analytique personnelle.

Combien de temps avant de pouvoir faire confiance à une tendance ?

Une règle pratique : une semaine pour s’installer, un mois pour la première lecture crédible, une saison pour un poids sérieux. Les tendances qui tiennent un trimestre, à travers des humeurs et des semaines variées, sont plus solides que celles qui apparaissent dans une quinzaine intense.

Et si Loggr me montre deux tendances qui se contredisent ?

Ça arrive. Deux champs peuvent corréler avec un troisième dans des sens opposés. Ou une tendance du même jour peut aller dans un sens et celle du lendemain dans l’autre. Ce sont les données qui sont honnêtes avec elles-mêmes. La bonne lecture est en général “il y a une histoire plus complexe ici”, pas “l’une des deux a tort”.

À retenir

Une corrélation dans vos données décrit ce qui s’est passé dans cette période, dans votre vie, avec tout le reste absorbé dedans. C’est réel. Et c’est plus étroit qu’il n’y paraît.
Une corrélation n’est pas une preuve de cause, ni une prévision, ni une généralisation à autrui, et n’est pas actionnable seule.
Les quatre mauvaises lectures courantes : sens confondu, troisièmes variables cachées, causalité inverse, coïncidence de petit échantillon. On tombe facilement dans les quatre. Aucune n’est catastrophique tant qu’on reste honnête.
Lisez une tendance Loggr avec quatre questions : que partageaient encore ces journées, combien de données il y a derrière, quelle est la taille de l’écart, et est-ce que je voulais déjà que ce soit vrai ?
L’usage productif d’une corrélation : lancer une petite expérience, remarquer ce que vous ne regardiez pas, construire la connaissance de soi dans le temps. Aucun ne demande d’affirmer une cause.
Quand une tendance confirme ce que vous croyiez déjà, soyez plus sceptique, pas moins. Le biais de confirmation est la force la plus puissante en analytique personnelle.

Essayez ceci la prochaine fois que Loggr fait remonter une tendance

La prochaine fois que Loggr fait remonter une corrélation, n’agissez pas tout de suite. Notez trois autres choses qui pourraient l’expliquer, puis décidez si l’une d’entre elles est plus plausible que l’histoire vers laquelle vous étiez tenté d’aller. L’exercice est le point. Si vous n’avez pas commencé à noter, vous pouvez ouvrir Loggr et créer votre premier champ en une minute. Six types de champs, sur iOS, Android et web. Les tendances apparaîtront quand il y aura assez pour les soutenir, en langage clair, avec un petit graphique. Les lire honnêtement reste votre travail, et c’est la partie qui en vaut la peine.