Análise e Visualização de Dados

Decisões Baseadas em Dados (Data-Driven Decision Making - DDDM)

A transição da gestão por intuição (gut-feeling) para a gestão baseada em evidências é um dos principais fatores de sobrevivência e competitividade das empresas contemporâneas.

• A Vantagem de Produtividade da DDDM: Estudos clássicos de Brynjolfsson, Hitt e Kim (2011) demonstraram que empresas que adotam formalmente a tomada de decisão baseada em dados apresentam um aumento de 5% a 6% em sua produtividade e valor de mercado, além de melhor desempenho em termos de eficiência operacional e satisfação do cliente.

• A Cadeia de Valor do Dado (DIKW): Na ciência da informação, o processo de tomada de decisão é explicado pelo modelo hierárquico DIKW (Dado, Informação, Conhecimento, Sabedoria). Dados brutos isolados não possuem valor prático; eles precisam ser estruturados para virar Informação, contextualizados para virar Conhecimento e aplicados de forma estratégica para se tornarem Sabedoria corporativa (ROWLEY, 2007).

• Redução de Vieses Cognitivos: A análise sistemática de dados mitiga vieses cognitivos humanos comuns no ambiente administrativo, como o viés de confirmação (buscar apenas dados que apoiem decisões previamente tomadas) e o viés de ancoragem (depender excessivamente da primeira informação recebida) (KAHNEMAN, 2011).

=

=

=

EXEMPLOS:

O Erro de Digitação que Custou US$ 6 Bilhões ao JPMorgan Chase

• O Caso: Em 2012, no episódio que ficou conhecido como "O Dragão de Londres" (London Whale), o banco JPMorgan Chase acumulou um prejuízo colossal em operações financeiras.

• A Falha de Dados: A investigação apontou que a raiz do problema estava em um modelo matemático construído no Excel. Um funcionário copiou e colou dados manualmente entre planilhas e, ao aplicar uma fórmula de média, dividiu os valores pela soma dos ativos em vez da média deles. Isso subestimou drasticamente o risco das operações, mascarando um prejuízo que cresceu silenciosamente.

=

=

=

A Planilha que "Apagou" 16 Mil Casos de COVID-19 no Reino Unido

• O Caso: Em outubro de 2020, o órgão de saúde pública da Inglaterra (Public Health England) deixou de registrar quase 16.000 casos positivos de COVID-19 em seus relatórios oficiais, atrasando o rastreamento de contatos de infectados.

• A Falha de Dados: O sistema de saúde utilizava um formato de arquivo de planilha antigo do Excel (.xls), que possui um limite máximo de 65.536 linhas. Quando o número de registros de testes diários ultrapassou esse limite, a planilha simplesmente parou de adicionar novas linhas, descartando milhares de exames sem emitir nenhum alerta.

• Por que entender as limitações técnicas e os formatos das ferramentas que usamos (como o limite de linhas de uma planilha) é vital para a operação de qualquer empresa ou órgão público?

=

=

=

O Gráfico "Manipulado" da Reuters sobre Violência Armada

• O Caso: Em 2014, a agência de notícias Reuters publicou um gráfico clássico sobre o impacto da lei "Stand Your Ground" (legítima defesa) na Flórida, mostrando o número de mortes por armas de fogo. O gráfico gerou enorme revolta pela acusação de tentar enganar os leitores.

• A Falha de Visualização: O designer do gráfico decidiu inverter o eixo vertical (Y), colocando o número "0" no topo e o maior número de mortes na base do gráfico. Visualmente, a linha parecia despencar (dando a impressão de que as mortes haviam diminuído), quando na realidade o número de mortes havia disparado após a aprovação da lei.

• Por que a forma como desenhamos um gráfico (as regras de visualização) pode mudar completamente a interpretação de quem toma as decisões?

=

=

=

O Erro Acadêmico que Justificou Políticas de Austeridade Mundiais

• O Caso: Em 2010, os renomados economistas de Harvard, Carmen Reinhart e Kenneth Rogoff, publicaram um artigo científico defendendo que países com dívida pública acima de 90% do PIB enfrentavam recessão econômica. Governos do mundo todo usaram esse estudo para cortar investimentos públicos.

• A Falha de Dados: Em 2013, pesquisadores tentaram replicar os cálculos e descobriram um erro básico no Excel: os autores de Harvard haviam selecionado apenas 15 dos 20 países analisados na hora de arrastar a fórmula de média (=AVERAGE) na planilha. Quando o erro foi corrigido, a teoria de que o crescimento despencava caiu por terra.

• Se um erro de seleção de intervalo no Excel pôde guiar a política econômica de dezenas de países, imagine o estrago que um erro de fórmula pode fazer no estoque ou no financeiro da empresa onde você trabalha?

=

=

=

Transgression do Limite de Linhas na Demissão de 20% da Kodak

• O Caso: Durante um processo de reestruturação nos anos 2000, a gigante da fotografia Kodak cometeu um erro que custou milhões de dólares adicionais em indenizações não planejadas.

• A Falha de Dados: Ao calcular os pacotes de indenização demissional para milhares de funcionários em uma planilha de Excel, um erro de link de células repetiu os valores de indenização de alguns executivos de alto escalão em linhas destinadas a funcionários comuns. A inconsistência só foi percebida após os pagamentos terem sido autorizados e processados.

• Como a falta de auditoria de dados e validação de planilhas pode gerar prejuízos diretos e imediatos para o caixa de uma organização?

=

=

=

Integração de IA com Planilhas Eletrônicas (Excel Inteligente)

O Microsoft Excel continua sendo a ferramenta de análise de dados mais ubíqua do mundo corporativo. A incorporação de recursos de Inteligência Artificial e Copilotos redefiniu a forma como profissionais interagem com linhas e colunas.

• A Democratização da Ciência de Dados: Tradicionalmente, análises estatísticas complexas exigiam o domínio de linguagens de programação como Python ou R. A integração de recursos de Processamento de Linguagem Natural (PLN) no Excel (como preenchimento relâmpago inteligente, geração de fórmulas por texto e análises automáticas de tendências) funciona como um agente de democratização tecnológica, permitindo que profissionais de negócios realizem tarefas analíticas avançadas sem barreiras de código (ECCHIA et al., 2021).

• Redução do Erro Humano: Planilhas manuais são historicamente propensas a falhas humanas de digitação ou lógica de fórmulas. Algoritmos de aprendizado de máquina embutidos em planilhas inteligentes auxiliam no processo de limpeza e preparação de dados (data wrangling), identificando automaticamente discrepâncias (outliers), dados duplicados ou inconsistências estruturais antes que a análise ocorra (PANKO, 2016).

https://www.youtube.com/shorts/AUSDII7CArk

DICA: formulabot.com

Business Intelligence (BI) e a Criação de Dashboards Eficientes

O Power BI e ferramentas semelhantes de Business Intelligence servem para conectar diferentes bases de dados, modelá-las de forma relacional e exibi-las em tempo real por meio de painéis visuais (dashboards).

• Teoria da Carga Cognitiva e Visualização de Dados: O design de um dashboard eficiente não é uma questão puramente estética, mas de usabilidade cognitiva. Com base na Teoria da Carga Cognitiva (SWELLER, 1988), os dashboards devem maximizar o processamento da informação útil e minimizar o ruído visual. Isso é alcançado aplicando-se os Princípios de Gestalt da percepção visual (proximidade, semelhança, continuidade) para agrupar indicadores relacionados (FEW, 2013).

• A "Fórmula" da Visualização Científica: De acordo com Edward Tufte, uma das maiores autoridades em design de informação, um gráfico ideal deve maximizar a métrica de Data-Ink Ratio (proporção de tinta que apresenta dados em relação à tinta total usada no gráfico). Elementos decorativos em 3D, grades excessivas e cores saturadas sem função semântica devem ser eliminados para garantir que a mensagem principal do dado seja transmitida sem distorções (TUFTE, 2001).

4. Interpretação de Dados e Análise Estatística Básica

Para que um dashboard ou planilha faça sentido nas rotinas administrativas, o profissional deve dominar os fundamentos da análise quantitativa.

• Estatística Descritiva vs. Inferencial: O ensino de dados corporativos divide-se entre descrever o passado e prever o futuro.

• Estatística Descritiva: Organiza e resume os dados coletados por meio de medidas de tendência central (média, mediana e moda) e de variabilidade (amplitude, variância e desvio padrão) (WHEELAN, 2013).

• Estatística Inferencial/Preditiva: Permite que a empresa faça generalizações ou projeções para o futuro com base em amostras de dados (ex: regressões lineares aplicadas à previsão de vendas ou demandas de estoque) (HAIR et al., 2018).

• Alfabetização de Dados (Data Literacy): A literatura em administração enfatiza que a habilidade de "ler, trabalhar, analisar e comunicar com dados" é uma das competências profissionais mais escassas e demandadas no século XXI. Sem essa alfabetização básica, as empresas correm o risco de tomar decisões equivocadas baseadas em gráficos esteticamente bonitos, mas estatisticamente mal interpretados (DYKES, 2021).

Referências Bibliográficas

• BRYNJOLFSSON, E.; HITT, L. M.; KIM, H. H. Strength in numbers: How does data-driven decisionmaking affect firm performance? SSRN Electronic Journal, 2011.

• DYKES, B. Effective Data Storytelling: How to Drive Change with Data, Narrative and Visuals. Wiley, 2020.

• ECCHIA, G. et al. The impact of AI integration in office automation tools on business productivity. Journal of Business Research, v. 129, p. 302-311, 2021.

• FEW, S. Information Dashboard Design: Displaying Data for At-a-Glance Monitoring. 2. ed. Analytics Press, 2013.

• HAIR, J. F. et al. Multivariate Data Analysis. 8. ed. Cengage Learning, 2018.

• KAHNEMAN, D. Thinking, Fast and Slow. Farrar, Straus and Giroux, 2011.

• PANKO, R. R. What we know about spreadsheet errors. Journal of Organizational and End User Computing, v. 10, n. 2, p. 15-21, 2016.

• ROWLEY, J. The wisdom hierarchy: representations of the DIKW hierarchy. Journal of Information Science, v. 33, n. 2, p. 163-180, 2007.

• SWELLER, J. Cognitive load during problem solving: Effects on learning. Cognitive Science, v. 12, n. 2, p. 257-285, 1988.

• TUFTE, E. R. The Visual Display of Quantitative Information. 2. ed. Graphics Press, 2001.

• WHEELAN, C. Naked Statistics: Stripping the Dread from the Data. W. W. Norton & Company, 2013.