相关思维是比较复杂的统计学数据思维，相关思维包含正相关、负相关、非线性相关、不相关等多种类型，大部分应用在生物学、科学领域。复杂的相关分析需要应用函数，建模才能完成，而现实工作中，大部分应用不到这么深层复杂的程度。

大部分应用主要研究A与B之间的关系，如销售额与UV之间的关系，广告费用成本与获取曝光量之间的关系。

应用好相关思维，当我们在处理复杂问题的时候，能帮助我们刨除无关数据的干扰，找到关键的因素和指标解决问题。

但在相关思维的应用上，也经常犯错，最常见的就是混淆相关关系和因果关系，即因为事件A和事件B存在某种关联影响，解读成因事件A导致了事件B的发生。所以在相关思维应用，我们要知道事件A和事件B可能存在的关系，避免陷入误区

1. 事件A引起了事件B

2. 事件B引起了事件A

3. 事件A、事件C引起了事件B

4. 事件A、事件B没有直接关联，但是事件C可能会同时引起事件A、事件B

5. 事件A、事件B一点关系都没有，只是数据凑巧相关

比如看电视会导致孩子学习成绩下降，试想是看电视导致学习成绩下降，还是学习成绩下降的孩子更喜欢看电视，难道不看电视孩子的学习成绩就会提升吗？难道学习成绩提升的孩子都不看电视吗？如果出现这类型的数据时，在解读前，不妨像这样反问自己，以确认数据逻辑的合理性。