Viés de Confirmação (ou, somos humanos!)

Vemos o que preferimos ver

Vemos o que preferimos ver

Nas análises de dados para a gestão, devemos levar em conta que as pessoas favorecem as informações que confirmam suas crenças. Por exemplo, se um supervisor sabe que o colaborador passou por um treinamento, ele espera uma melhora no aspecto correspondente. Logo, ele pode “ver” um resultado que na realidade não existe [1]. É uma racionalização comum, no sentido de comprovar uma expectativa, mas que pode influenciar a avaliação do resultado do treinamento.

Assim como a falta de dados dificulta boa parte das análises, o excesso de dados também é inconveniente. Com um grande volume de dados, um profissional inexperiente, ou mal intencionado, acaba sempre conseguindo um conjunto de números que serve para confirmar suas crenças ou suposições.

O uso de dados e ferramentas de análise para justificar crenças é chamado de Viés de Confirmação (Confirmation Bias). E, com a disseminação das técnicas de Big Data, esse problema tende a ser cada vez mais comum, na medida em que ferramentas estatísticas e softwares complexos permitem diferentes análises que podem ser usadas para provar as teses pretendidas.

Na verdade, o Viés de Confirmação – também denominado de Efeito Hallo – atende à necessidade humana de reforçar pontos de vista conhecidos e que trazem conforto ou conveniência. Desse modo, muitos vezes é provocado de forma inconsciente.

Conhece alguma situação em que isso aconteceu em sua organização? Como ocorreu?

Referência: 1. Fitz-enz, Jac e Davison, Barbara. How to Measure Human Resources Management. McGraw-Hill. 2002. 3rd edition. p. 185.

Texto inspirado em: Webb, Jack. Better Decision Making with Objective Data is Impossible. Disponível em: http://sloanreview.mit.edu/article/for-better-decision-making-look-at-facts-not-data

 

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Please leave these two fields as-is:

Protected by Invisible Defender. Showed 403 to 93.583 bad guys.