Wat is Correlation?

Wat is correlatie eigenlijk?

Correlatie meet of twee dingen samenhangen. Stel je voor: als het warmer wordt, zie je meer ijsverkopers op straat. Die twee gebeurtenissen bewegen samen — dat is correlatie. Het gaat om patronen: bewegen twee meetbare zaken in dezelfde richting (beide omhoog), tegengestelde richting (één omhoog, ander omlaag), of helemaal niet samen?

In AI-systemen speurt software voortdurend naar dit soort verbanden in data. Een klantenbestand bijvoorbeeld: kopen mensen die vaker op je website komen ook meer producten? Gaan hogere advertentie-uitgaven samen met meer verkoop? Die vragen draai allemaal om correlatie.

Het belangrijkste om te onthouden: correlatie betekent niet dat het ene het andere veroorzaakt. Ijsverkoop en verdrinkingen in zwembaden bewegen beide omhoog in de zomer — maar ijsjes eten zorgt niet voor verdrinkingen. De echte oorzaak is warm weer.

Hoe zie je correlatie in de praktijk?

Correlatie wordt uitgedrukt als een getal tussen -1 en +1:

• +1 = perfecte positieve correlatie: als de één stijgt, stijgt de ander precies mee (bijvoorbeeld: kilometers gereden en benzineverbruik)

• 0 = geen verband: de twee bewegen compleet onafhankelijk (bijvoorbeeld: schoenmaat en IQ)

• -1 = perfecte negatieve correlatie: als de één stijgt, daalt de ander (bijvoorbeeld: buitentemperatuur en verwarmingskosten)

In de praktijk zie je meestal getallen als 0,7 of -0,4 — sterke verbanden, maar niet perfect.

AI-modellen gebruiken correlatie om voorspellingen te doen. Een advertentieplatform merkt bijvoorbeeld dat posts met plaatjes een correlatie van 0,6 hebben met klikken — dus gaat het systeem vaker plaatjes tonen. Een kredietmodel ziet dat mensen met hogere inkomens minder vaak leningen niet terugbetalen — een negatieve correlatie die het model gebruikt bij risicobeoordelingen.

Waarom correlatie misleidend kan zijn

AI-systemen zijn briljant in het vinden van correlaties — soms té briljant. Ze ontdekken verbanden die toeval zijn, of die wel statistisch kloppen maar geen zinnige betekenis hebben.

Een klassiek voorbeeld: een wervingssysteem ontdekte dat sollicitanten wiens naam "Jared" was vaker werden aangenomen. Puur toeval in historische data, maar het systeem behandelde het als waardevol patroon. Of een medisch AI-model dat correlatie vond tussen ziekenhuisopnames en... het aantal parkeerplaatsen bij de ingang. Groter ziekenhuis = meer parkeerplaatsen én meer opnames, maar het ene veroorzaakt het andere niet.

Daarom moeten AI-ontwerpers altijd checken: is deze correlatie zinvol? Bestaat er een logisch mechanisme? Of is het gewoon ruis in de data?

Waar kom je het tegen?

• Aanbevelingssystemen (Netflix, Spotify): "mensen die dit keken, keken ook dat" — correlatie tussen kijkgedrag

• Marketing-analytics: welke advertenties correleren met verkoop?

• Fraud-detectie: welke transactiepatronen hangen samen met fraude?

• HR-tools: correlaties tussen cv-kenmerken en latere prestaties (maar kijk uit voor schijncorrelaties)

• Gezondheidsapps: correlaties tussen slaap, stappen en stemming

Bijna elk AI-systeem dat patronen zoekt in data, begint met correlatie als bouwsteen.

Wat kun je ermee?

Als je met AI-systemen werkt, is het cruciaal om te begrijpen dat correlatie niet hetzelfde is als oorzaak. Vraag altijd: waarom hangt dit samen? Zou dit toeval kunnen zijn? Een AI-tool kan je vertellen dat klanten die op dinsdag bestellen vaker terugkomen — maar dat betekent niet dat je iedereen moet dwingen op dinsdag te bestellen. Misschien zijn dinsdag-klanten gewoon een bepaald type mens.

Gebruik correlatie als signaal om verder te onderzoeken, niet als definitief bewijs. Het is een kompas, geen kaart — het wijst een richting aan, maar jij moet zelf bepalen of die richting zinvol is voor jouw situatie.