13 erros comuns na hora de analisar dados no seu negócio - WHOW
Eficiência

13 erros comuns na hora de analisar dados no seu negócio

Analisar dados é uma tarefa importante para tomar decisões estratégicas, mas é preciso tomar alguns cuidados para não tirar conclusões precipitadas

POR João Ortega | 10/11/2021 12h27 13 erros comuns na hora de analisar dados no seu negócio

Os dados nunca mentem? Não é bem assim. Ser enganado pelos números é mais fácil do que se imagina. Não à toa, bons cientistas e analistas de dados são profissionais muito requisitados no mercado atualmente. Eles são capazes de analisar dados da forma correta, eliminando vieses e ajudando as empresas a tomar decisões mais acertadas. 

No entanto, nem todo empreendedor, principalmente no início da jornada, tem os recursos necessários para contratar um analista de dados experiente. Mesmo assim, ele deve procurar uma maneira de compreender o que os números dizem de forma simplificada, para ao menos definir estratégias baseadas em algo mais concreto que o achismo. 

Para ajudar esses empreendedores e analistas de dados com pouca experiência, apresentamos, a seguir, 13 erros comuns na hora de analisar dados. A lista foi produzida pela Geckoboard, startup britânica de integração de dados. Confira:

13 erros na hora de analisar dados

1- Apresentar apenas os dados convenientes

Um dos mais comuns erros na hora de analisar dados é simplesmente selecionar os resultados que se encaixem no seu objetivo e descartar os que o contrariem. Cometido por desonestidade ou desatenção, esta prática distorce a realidade e é frequentemente usada em pitchs de projetos para que eles sejam aprovados. No entanto, quando for a hora da prática, as informações escondidas virão à tona. 

2- Alterar a hipótese

Ao realizar um teste estatístico, deve-se definir a hipótese antes de analisar os dados. O que ocorre muitas vezes, porém, é a mudança da hipótese após a análise verificar que a primeira não seria validada. O problema é que a metodologia da análise não foi pensada para a nova hipótese, o que pode resultar em resultados falsos. 

3- Viés de sobrevivência

Por vezes, analistas não consideram a relevância dos dados que não se têm, ou dos dados que não “sobreviveram” à coleta. Um exemplo prático: engenheiros queriam descobrir quais eram os lugares mais seguros em um avião na Segunda Guerra Mundial. Os veículos analisados ao voltar de batalhas tinham sido baleados na maioria dos locais, menos na cabine do piloto ou do motor. A conclusão, precipitada, é de que estes seriam os dois lugares mais seguros. No entanto, os dados que não “sobreviveram” são dos aviões que foram atingidos nestes locais, e o piloto morreu ou o motor falhou. 

4- Incentivos perversos

Imagine que, após uma análise de uma base de dados, um empreendedor percebe que seu restaurante está ficando cada vez mais vazio durante o almoço. Para incentivar a clientela neste horário, ele decide colocar o mesmo cardápio do jantar, mas pela metade do preço, e envia um email contando a novidade para toda sua base. Com o incentivo, quem costumava ir durante o jantar passa a almoçar ali. O resultado? Em vez de aumentar a clientela, este empreendedor simplesmente perde 50% do faturamento. Esta é a lógica do incentivo perverso, que altera os dados de uma maneira que não foi intencional no planejamento da ação. 

5- Causalidade falsa

Quando se analisa dois movimentos ao longo do tempo, nem sempre há uma relação de causa e efeito entre eles. Por isso, não basta ver os dados de forma fria: é preciso entender se há sentido entre eles. Por exemplo: imagine que as vendas de capas para celulares estão aumentando, na última década, na mesma medida que o mercado vegano cresceu no período. São dois fatos simultâneos, mas não existe uma relação de causalidade entre eles. 

6- Manipulação de áreas

Muitas vezes, dados são agrupados para que se possa analisá-los de forma eficiente. Isso ocorre bastante em análises regionais. Por exemplo, no caso de uma imobiliária que está verificando a demanda por apartamentos em cada bairro de uma cidade. Ela verifica que o bairro X tem uma demanda dez vezes maior que o bairro Y, seu vizinho mais rico. Para os investidores, o dono desta imobiliária afirma que se trata de apenas um bairro, “espalhando”  demanda do X para as duas áreas em conjunto. Assim, ele pode justificar que a clientela mais rica também está interessada em comprar apartamentos da sua empresa. 

7- Viés de amostra

Quando se realiza pesquisa com uma determinada população, é necessário que a amostra da pesquisa seja representativa desta população desejada. Ao analisar a demanda por iPhone 13 em todo o Brasil, não faz sentido entrevistar pessoas apenas em shoppings de classe alta no Sudeste do país. Do contrário, os resultados obtidos não serão representativos do mundo real. 

8- A falácia do apostador

Quando se fala em frequência estatística, o passado não define o que vai acontecer no futuro. De forma simplificada, não importa quantas vezes tenha acontecido um mesmo fato aleatório: a chance de ele acontecer de novo é sempre a mesma. Por exemplo, pense em dois apostadores jogando Cara ou Coroa. Ainda que a moeda tenha caído com a face “Cara” para cima vinte vezes seguidas, a chance de cair “Coroa” da próxima vez continua a ser de 50%. 

9- Fatores aleatórios

Analistas de dados, por vezes, cometem o erro de não considerarem fatores aleatórios, como a sorte, em seu trabalho. E estes fatores, exatamente por serem aleatórios, tendem a não ter impacto no longo-prazo. Explicamos: dentre tantos fatores que fazem uma empresa ser bem-sucedida ou não, a sorte é uma delas. Só que a sorte não vai ajudar sempre a mesma empresa. Ao longo de um grande período de tempo, a tendência é que ela ajude todas as empresas de forma igual, por ser aleatória. Portanto, ao analisar uma empresa que está no topo, é preciso entender que há um fator sorte e que ele não vai durar para sempre.

10- O efeito do observador

Por vezes, a própria análise pode levar ao erro na coleta de dados. Isto ocorre, principalmente, quando o objeto da análise é humano. Então, sabendo que está sendo observado, entrevistado ou analisado, o humano age diferente. Por isso, no marketing, são usadas técnicas para que o sujeito fique o mais natural possível. Do contrário, o fato de ele saber que está sendo analisado já traz viés à pesquisa.

11- Não é só estatística

Ao focar na análise de dados, é possível perder a visão do cenário como um todo. Nem sempre, somente os dados vão gerar informações relevantes. Por exemplo, imagine um analista que estuda dados de uma empresa desde março de 2020, mas não considera a pandemia como um fator. Com certeza, a análise vai justificar decisões equivocadas, já que não entende o contexto em que está inserida. 

12- Exagerar na complexidade

Na análise de dados, é muito comum que explicações complexas consigam apresentar melhor um resultado obtido. No entanto, a ciência mostra que as explicações mais simples, em geral, representam melhor a informação que está por trás dos dados. Modelos simplificados costumam trazer resultados mais assertivos.

13- Viés de publicação

O simples fato de uma análise ser mais interessante do que outra já cria um viés no mercado. Isto porque resultados que são facilmente compreendidos pelo público tendem a ser mais publicados e mais lembrados. No entanto, não significa que a análise menos impactante ao leitor comum não será importante na hora de tomar uma decisão.