Kapacit
Vídeo ainda não disponível · o texto completo do capítulo já está disponível abaixo, em leitura de cerca de 7 minutos.

Objetivo do capítulo

Reconhecer vieses de quem analisa e dos próprios dados e adotar hábitos para reduzi-los.

Roteiro do capítulo

Olá, que bom ter você aqui. No capítulo anterior, falamos de contar histórias com dados e de como ser honesto ao fazer isso. Agora vamos aprofundar um tema que protege você de muitos erros: os vieses. Neste capítulo, você vai aprender o que são vieses, conhecer os mais comuns na análise de dados e adotar hábitos simples para reduzi-los.

Viés é uma inclinação, uma tendência a ver as coisas de determinada maneira, muitas vezes sem perceber. Todos nós temos vieses, e isso não é defeito de caráter. É uma característica do modo como o cérebro funciona, porque ele busca atalhos para decidir rápido. O problema aparece quando esses atalhos distorcem a leitura dos dados e levam a conclusões erradas. Também existem vieses nos próprios dados, que vêm de como eles foram coletados. Vamos ver os dois tipos.

Começando pelos vieses de quem analisa. O mais conhecido é o viés de confirmação, que é a tendência de procurar e valorizar as informações que confirmam o que já acreditamos, e ignorar as que contradizem. Imagine um gestor convencido de que determinada equipe rende pouco. Ele vai notar cada atraso dessa equipe e deixar passar as entregas feitas no prazo. Os dados estavam lá, mas ele só enxergou parte deles.

Outro é o viés de ancoragem, que ocorre quando o primeiro número que ouvimos influencia demais o nosso julgamento. Se alguém diz logo no início que a meta é de cem unidades, todas as discussões seguintes giram em torno desse valor, mesmo que ele tenha sido chutado. Há ainda o viés da memória recente, que faz com que os últimos acontecimentos pesem mais do que deveriam. Um mês ruim apaga na lembrança onze meses bons, ou o contrário.

Também merece atenção o viés de sobrevivência. Ele surge quando analisamos apenas os casos que chegaram até o fim e esquecemos os que ficaram pelo caminho. Por exemplo, uma empresa avalia a satisfação apenas dos clientes que continuam ativos. Os resultados parecem ótimos, mas os que saíram insatisfeitos nem entraram na conta. A conclusão fica otimista demais.

Agora os vieses dos dados. O viés de amostragem acontece quando o grupo analisado não representa o todo. Se uma pesquisa interna sobre o ambiente de trabalho é respondida apenas por quem está muito satisfeito ou muito insatisfeito, o resultado não reflete a opinião da maioria. Se uma pesquisa é enviada só por e-mail, quem não usa e-mail no trabalho fica de fora. E o viés de medição aparece quando o instrumento ou o método de coleta distorce o resultado, como uma pergunta mal formulada que induz à resposta desejada.

Uma pergunta para refletir. Em qual situação do seu trabalho você já tinha uma opinião formada antes de olhar os números? Como saber se você analisou os dados com abertura, ou se procurou apenas o que confirmava a sua ideia? Não é uma pergunta fácil, mas fazê-la já é um grande avanço.

Vamos a um caso. Uma gestora de pessoas queria avaliar se um programa de capacitação melhorava o desempenho. Comparou o resultado dos participantes com o dos não participantes e viu que os participantes tinham desempenho melhor. Quase anunciou o sucesso do programa. Antes disso, um colega perguntou como as pessoas tinham sido escolhidas para participar. Descobriu-se que os gestores tinham indicado os colaboradores que já eram mais dedicados. A diferença podia vir da seleção, e não do programa. Ela decidiu, então, comparar o desempenho dos mesmos participantes antes e depois do curso, e incluir um grupo semelhante que não participou. O resultado mostrou um efeito menor, mas verdadeiro, e a decisão sobre o programa passou a ser mais segura.

Esse caso mostra como um viés de seleção pode mudar a conclusão. E mostra também uma boa prática: antes de aceitar uma diferença entre dois grupos, pergunte se eles eram realmente comparáveis desde o início.

Outro erro comum, que está ligado aos vieses, é confundir correlação com causa. Quando dois fenômenos variam juntos, como o aumento de pedidos e o aumento de erros, é tentador dizer que um provoca o outro. Mas pode existir um terceiro fator por trás dos dois, como o período de maior movimento, em que a equipe está sobrecarregada. Afirmar uma causa sem verificação leva a ações que não resolvem o problema.

Como se proteger? Vou sugerir alguns hábitos simples. Primeiro, escreva a sua hipótese antes de olhar os dados e depois procure ativamente evidências que a contrariem. Segundo, peça a opinião de alguém com visão diferente, que questione as suas conclusões. Isso ajuda a revelar pontos cegos. Terceiro, examine de onde vêm os dados e quem ficou de fora. Pergunte sempre quem não está na amostra. Quarto, use períodos mais longos e comparações justas, para não se deixar levar por um mês excepcional. Quinto, registre as limitações da análise e comunique-as com franqueza.

Um cuidado especial vale para o uso de sistemas automáticos que classificam ou recomendam, inclusive os que usam inteligência artificial. Eles aprendem com dados do passado e podem repetir distorções que já existiam, por exemplo, favorecendo certos perfis em processos de seleção. Por isso, resultados automáticos devem ser revistos por pessoas, especialmente quando afetam candidatos, colaboradores ou clientes.

Por fim, lembre que reconhecer um viés não é motivo de vergonha. Profissionais respeitados são justamente os que revisam suas conclusões quando surgem novos fatos e que admitem a possibilidade de erro. Essa humildade fortalece a credibilidade de quem trabalha com dados.

Vamos resumir em três ideias. Primeira: todos temos vieses, como o de confirmação, o de ancoragem e o da memória recente, e os próprios dados também podem ser enviesados, como na amostragem e na sobrevivência. Segunda: compare sempre grupos comparáveis e não confunda correlação com causa. Terceira: combata os vieses com hábitos práticos, como escrever a hipótese antes, buscar evidências contrárias, ouvir outras pessoas e registrar as limitações.

No próximo capítulo, vamos falar de ética de dados, que é como usar as informações com responsabilidade e respeito às pessoas. Até lá.

Conteúdo educativo e geral. Não substitui normas técnicas, protocolos da instituição, orientação de profissionais habilitados nem formação ou certificação profissional.