Previsões são úteis para estabelecer metas. Mas, cuidado com elas!

Previsões (forecastings) são estimativas da probabilidade de um determinado resultado acontecer ou ser alcançado. Uma boa previsão inclui palavras como: É certo que, é bem provável que, possivelmente vai, é incerto se, é pouco provável que etc.

Na prática, usamos informações históricas:

E estimamos ocorrências futuras [1]:

As previsões são parte do processo para estabelecer metas adequadas. Se o processo está estável, podemos concluir que – se não fizermos nada – os resultados existentes serão mantidos ao longo do tempo. Assim, qualquer meta superior ao resultado atual representa algum progresso.

Se a previsão indica que os resultados irão piorar ao longo do tempo, como a produção de uma máquina que está envelhecendo ou a venda de um produto que está se tornando obsoleto, a meta para manter o desempenho atual já tem uma dose de desafio.

Projeções apontam expectativas. Metas devem apontar intenções.

Então, antes de estabelecer uma meta, quase sempre é útil prever o resultado que seria obtido se não houvesse qualquer ação corretiva ou de melhoria. Só assim poderemos escolher uma  meta que atenda aos requisitos de ser, ao mesmo tempo, desafiante e factível.

O trabalho de fazer previsões também é útil para conhecer melhor os processos, o que resulta não só em metas mais consistentes, mas também em planos de ações mais bem elaborados.

Alguns métodos para fazer previsões [2]:

  • Intuição.
  • Projeção ou extrapolação de tendência.
  • Consenso, como o método Delphi.
  • Simulação.
  • Descrição de cenários.
  • Árvore de decisões.
  • Combinação de previsões.

Dica: É importante que as projeções, quando representadas em um gráfico como continuidade de resultados já obtidos, sejam mostradas de uma forma diferente, por exemplo por uma linha tracejada ou uma barra de cor diferente (de preferência mais suave).

Na análise de dados, use sempre o termo previsão. Quem faz predição é astrólogo.

Referências

1 – Administração da Produção p/ BNDES (Profissional Administração) – 2019. Aula 00. Prof. Tiago Zanolla. Estratégia Concursos. p. 29. Disponível em www.estrategiaconcursos.com.br. Acesso em 26.03.20.

2 – Walonick, David S. An Overview of Forecasting Methodology. Disponível em https://www.statpac.org/research-library/forecasting.htm Acesso em 20.11.18.

Veja também:

  • Silver, Nate. The Signal and the Noise: Why So Many Predictions Fail-But Some Don’t. The Penguin Press. New York, 2012. (Em inglês) – Que mostra os cuidados e perigos das projeções.

What Do You Care What Other People Think? Further Adventures of a Curious Character.

Comentários sobre o livro

Capa do livro

O livro tem duas partes bem distintas. A primeira é uma sequência de histórias curtas, independentes, curiosas, humanas e divertidas. É emocionante, conhecer o lado humano do cientista brilhante, humilde e assustadoramente sincero.

Ele conta as influências que o tornaram um cientista, as aventuras e dificuldades da adolescência e sua relação com Arlene, sua primeira mulher e maior amor. As histórias mostram uma pessoa inteligente, sensível, persistente e, principalmente, curiosa, como devem ser todos os cientistas.

A segunda descreve sua participação no comitê presidencial que investigou o acidente com o ônibus espacial Challenger. É muito interessante, tanto pelos aspectos técnicos como pelos políticos. Mostra o impacto de seu comportamento – único membro realmente independente no comitê de investigação – na transparência e na comunicação dos resultados. Tanto que ele conclui o relatório com a frase: “Para uma tecnologia de sucesso, a realidade deve ter precedência sobre as relações públicas, pois a natureza não pode ser enganada”.

Confesso que, embora não saiba a razão, os livros do Feynman me emocionam.

Algumas frases dele no livro:

Aprendi muito cedo a diferença entre saber o nome de algo e saber algo.

Aprendi com minha mãe que as formas mais elevadas de compreensão que podemos alcançar são o riso e a compaixão humana.

Eu disse que ṇo sabia Рminha resposta para quase todas as perguntas.

O conhecimento científico é um corpo de afirmações com vários graus de certeza – algumas muito incertas, outras quase certas, mas nenhuma absolutamente certa.

Na ciência você aprende um tipo de integridade e honestidade padrão.

Gosto de um provérbio da religião budista: A cada homem é dada a chave dos portões do céu; a mesma chave abre as portas do inferno.

O que os gregos estão aprendendo na escola é ser intimidados e pensar que ficaram muito abaixo de seus super ancestrais.

Descobri que o que se passa na cabe̤a de diferentes pessoas quando elas pensam que esṭo fazendo a mesma coisa Рalgo ṭo simples como contar Р̩ diferente para pessoas diferentes.

Aprendi que os pensamentos podem ser tanto visuais quanto verbais.

O livro

Feynman, Richard R. What Do You Care What Other People Think? Further Adventures of a Curious Character. Penguin. 1988.

Histograma

Fotografia de um grupo de estudantes organizados por altura, mostrando um histograma bimodal.
Grupo de estudantes organizados por altura.

O Histograma ou Gráfico de Distribuição de Frequências é uma variação do gráfico de barras que mostra a proporção dos dados em uma amostra. Enquanto o gráfico de barras descreve os dados em barras e categorias separadas, o histograma representa os dados da mesma categoria no intervalo analisado, por isso, sem espaço entre as barras.

Os histogramas podem apresentar vários formatos:

Simétrico ou normal        

Ocorre quando o processo é padronizado e os dados são estáveis, permitindo variações pequenas. A maior quantidade de dados fica ao centro do gráfico e suas variações diminuem simetricamente dos dois lados.

Assimétrico

Geralmente acontece quando os dados não podem ultrapassar um limite. O pico se aproxima de um dos lados, e os dados fora de padrão decrescem para o lado oposto.

Bimodal       

O histograma bimodal, ou com dois picos, geralmente ocorre quando são tratadas duas amostras distintas. A análise deve ser feita separadamente, observando ao desenho dos dois gráficos. Edward Tufte [1] apresenta, didaticamente, um histograma com distribuição bimodal de estudantes de faculdade organizados por altura, (veja a foto).

Outros

Em outros casos, as barras têm praticamente o mesmo tamanho ou variam sem critério ou um padrão definido.

Esboço de um histograma.
Imagem por krzysztof-m em Pixabay 

Referência:

1. Tufte, Edward. Mini Tufte. Versão eletrônica. Página 40, reproduzido de Brian L. Joiner. “Living Histograms”. International Statistics Review, 43 (1975). pp. 339-240. Disponível em: https://www.cs.unm.edu/~pgk/IVCDs14/minitufte.pdf Acesso em 5.3.21

Visual Explanations: Images and Quantities, Evidence and Narrative

Comentários sobre o livro

Edward Tufte é um estatístico famoso pelas técnicas para apresentação de dados e informações, tendo muitas publicações sobre o tema. Neste livro ele descreve estratégias para representar movimentos, processos, mecanismos e relações de causa e efeito.

Ele mostra a evolução das representações gráficas ao longo da história e, inclusive, o provável primeiro gráfico com representação estatística de distâncias, além de diversas outras curiosidades.

Tufte enfatiza que más apresentações gráficas são um problema ético. Isso não significa que ele exija realidade nas imagens, mas que qualquer distorção deve ser informada com o devido destaque. Aliás, ele até apresenta a distorção de escalas como um mecanismo válido para a análise de dados.

Para exemplificar, ele apresenta em detalhes as análises que levaram a identificar a fonte da cólera em Londres em 1854 e o acidente com o ônibus espacial Challenger, que já havia explorado no livro Beautiful Evidence. Naquela publicação, ele fez uma análise das causas básicas do acidente que provocou a explosão do ônibus espacial, matando 11 pessoas e trazendo um prejuízo enorme à reputação da NASA. Ainda comenta as diferentes visões e explicações dos administradores, psicólogos e engenheiros que tentaram explicar os fatos que levaram à catástrofe.

Destaca, ainda, que embora a sequência temporal seja a mais adequada para analisar as tendências, não é uma boa prática para a análise de relações entre variáveis. Tufte exemplifica brilhantemente essa questão com a discussão sobre um gráfico usado para investigar o acidente com a Challenger, em que os dados, plotados na sequência histórica, dificulta perceber a relação entre temperatura e falhas dos anéis de borracha (o-rings) para vedação. São exemplos interessantes que contribuem para aumentar o espírito crítico do leitor.

Alguns destaques do texto:

  • Ausência de evidência não é evidência de ausência.
  • Criar ilusões ou mágicas é engajar-se no design da desinformação, corromper a conexão óptica, enganar o público.  Assim, as estratégias da magia determinam o que não fazer se seu objetivo é revelar a verdade, e não criar ilusões.
  • Como mágicos, quem faz os gráficos revela o que deseja revelar.
  • A lógica dos gráficos deve seguir a lógica da análise.
  • Gráficos ruins indicam estupidez estatística, assim como uma escrita pobre geralmente reflete pensamentos pobres.
  • Raciocinando sobre causalidade, variações na causa devem ser explicita e mensuravelmente ligadas às variações no efeito.
  • Faça todas as distinções visuais tão discretas quanto possível, mas claras e efetivas. Quando tudo é enfatizado, nada é enfatizado.
  • Nos gráficos, um arco-íris de cores confunde o que acontece com as cores com o que acontece com os dados.

Se uma imagem ṇo vale mais que mil palavras, enṭo ṇo vale nada. РAd Reinhardt

O livro

Tufte, Edward Rolf. Visual Explanations: Images and Quantities, Evidence and Narrative. Graphics Press, Connecticut, June, 2005.

Serviço: Este livro é uma leitura útil para quem tem a responsabilidade de gerar gráficos e interpretar informações,

Aparência importa? Parece que sim.

O que realmente distingue os CEOs do resto de nós, por exemplo?  Em 2010, três professores da Duke’s Fuqua School of Business pediram a aproximadamente 2.000 pessoas que olhassem para uma longa série de fotos.  Algumas mostravam CEOs e outras mostravam não-executivos, e os participantes não sabiam quem era quem. Os participantes foram convidados a dar notas de acordo com o nível de competência que a aparência indicava.  Entre as conclusões do estudo: os CEOs parecem significativamente mais competentes do que os não-CEOs;  CEOs de grandes empresas parecem significativamente mais competentes do que CEOs de pequenas empresas;  e, sendo tudo o mais igual, quanto mais competente um CEO parecesse, mais gordo seria o salário que ele ou ela recebia na vida real.  No entanto, os autores não encontraram nenhuma relação entre o quão competente um CEO era e o desempenho financeiro de sua empresa.

Fonte: They’re Watching You at Work: What happens when Big Data meets Human Resources. The Atlantic magazine. Disponível em https://www.theatlantic.com/magazine/archive/2013/12/theyre-watching-you-at-work/354681/. Acesso em 3.08.19.

Estabilidade é Qualidade

Um case para reflexão.
Foto de uma refinaria de petróleo com montanhas ao fundo.
Imagem por Nicola Giordano em Pixabay 

Um dos princípios da qualidade é que os processos devem operar da forma mais estável possível. A descrição adiante – corroborada por minha experiência própria com uma greve em uma unidade química – reforça a filosofia.

“Em 1980, uma grande refinaria da Costa do Golfo dos EUA concluiu uma greve de 5 meses. Durante a greve, a planta continuou as operações normais, administrada por engenheiros e supervisores. No final da greve, o departamento de contabilidade informou:

  • A produção (em massa) da refinaria melhorou em 0,8%
  • O rendimento volumétrico de produtos líquidos aumentou 1,3%
  • O lucro da refinaria dobrou.

No final do ano, as operações haviam voltado ao normal. O uso de energia aumentou, o rendimento volumétrico diminuiu e as falhas nos equipamentos rotativos aumentaram em uma ordem de magnitude” [1].

Nos anos 90 vivi uma experiência semelhante no Brasil. Minha conclusão é que os engenheiros e supervisores, por não contarem com experiência operacional e com uma equipe de manutenção, colocaram as unidades de produção em um ritmo confortável e seguro para evitar problemas. Nessa situação, a variabilidade dos processos era menor e a operação mais estável trouxe os benefícios citados por Lieberman. Pena que, no dia a dia, a vontade de “espremer” a capacidade de produção ao extremo acabe levando às instabilidades, desgastes (de equipamentos e pessoas) e custos que poderiam ser poupados.

Referência:

  1. Lieberman, Norman P. Basic technology can improve refinery profits. Oil & Gas Journal. July 18, 1994. pp. 50-54.