Arquivo da tag: análise

A produtividade aumentou. Será?

Publicado em por
Responder

“Se uma empresa introduzir uma máquina que resulte na demissão de 100 trabalhadores, ela poderá alegar melhora da produtividade. Mas isso realmente aconteceu? Se esses 100 trabalhadores exigem benefícios de desemprego, e o governo nos obriga a pagar mais impostos, ou se outros custos de bem-estar surgirem como resultado, a verdadeira “produtividade” aumentou? 

Se, em busca de maior produtividade, você aumenta a poluição na comunidade, o que dá origem a forças ambientalistas hostis, exigindo que você gaste quantias adicionais em relações públicas, bem como em impostos ou em limpeza, esses são efeitos de segunda e terceira ordem de políticas de melhoria de produtividade. Frequentemente, o retorno imediato é aniquilado por perdas de prazo mais longo.

Mesmo onde os custos não são transferidos de volta para a empresa, muito aumento de produtividade reflete apenas a externalização de custos. Os custos não são reduzidos – apenas são pagos por outra pessoa, pelo governo, pelo contribuinte, pela comunidade local ou pelo consumidor.  Isso realmente conta como ganho de produtividade?

Além disso, fica difícil medir a produtividade à medida que avançamos nos serviços. Como você mede a produtividade de um gerente de publicidade ou de um artista? A sociedade está multiplicando o número de pessoas que lidam com ideias, conceitos e experiências, em vez de bens físicos.

Além disso, qual é a produtividade do consumidor? Estamos aprendendo que, em muitos campos, até as habilidades dos consumidores afetam a produtividade do produtor. Por exemplo, a capacidade dos clientes de operar caixas eletrônicos afeta a produtividade do banco.

Todo o significado da produtividade muda à medida que saímos do industrialismo clássico para a sociedade da terceira onda. Ainda não temos o vocabulário conceitual das metodologias de que precisamos.  Em resumo, cuidado com as reivindicações de produtividade – inclusive a sua”. – Alvin Tofler – em seu livro “A Terceira Onda”

NOTA: O pensamento de segunda ordem está olhando holisticamente e mais à frente. Exige que consideremos não apenas nossas ações e suas consequências imediatas, mas também os efeitos subsequentes dessas ações. Deixar de considerar os efeitos de segunda e terceira ordem pode desencadear um desastre. Veja mais em:

https://www.fs.blog/2016/04/second-level-thinking/

Gráficos e Percepção – I

Publicado em por
Responder

O gráfico de um site da Internet mostra a quantidade de casos confirmados do Covid19, em diversos países, por meio de barras verticais. Também mostra o percentual de mortes em relação ao número de casos confirmados; mas, para isso, foi usado um gráfico de linhas. 

Veja que, embora a figura compare um mesmo momento em diversos países, o uso do gráfico de linha sugere, intuitivamente, que estamos observando uma variação ao longo do tempo. 

A lição? Evitar o uso gráficos de linha para comparar resultados que se referem a um mesmo momento.

Você está analisando a Rotatividade corretamente? Há uma pegadinha.

Publicado em por
Responder

A Rotatividade é a métrica preferida dos profissionais de recursos humanos e, embora muito usada, frequentemente é mal interpretada. Do ponto de vista de custo direto de substituição dos empregados, perder 2% do pessoal por mês equivale a 24% ao ano. Mas, de uma perspectiva da gestão da equipe (necessidade de integração, treinamento, etc.), sua retenção anual não é necessariamente de 76%. De fato, deve ficar entre 98% e 76%.

Em um extremo, cada duas pessoas por mês que saíam já estavam com você no começo do ano, fazendo com que, no final do ano, sobrem apenas 76% daquelas que iniciaram o ano na empresa. No outro extremo, as mesmas duas vagas mudaram todo mês e, no final do ano, a empresa ainda tem 98 das 100 pessoas da equipe inicial.

O gestor tem de ter consciência sobre como os indicadores são calculados para que possa tomar decisões bem baseadas. Uma prática que dá segurança nesse aspecto é sempre fazer o cálculo para o período da análise, ao invés de usar resultados mensais anualizados, ou seja, multiplicados por 12.

Dica: O indicador anual é calculado com base nas informações do ano todo, enquanto a métrica anualizada corresponde ao resultado de um mês multiplicado por 12.

Amostragem com viés

Publicado em por
Responder

Em 1936, a Literary Digest realizou uma pesquisa eleitoral para a presidência dos Estados Unidos que recebeu mais de 2 milhões de respostas, prevendo que Alfred Landon prevaleceria sobre Franklin Roosevelt por uma margem de dois dígitos. Na verdade, Roosevelt venceu de lavada.

A Literary Digest errou ao conduzir sua pesquisa por telefone, que na época era desproporcionalmente usada pelos ricos. Nesse sentido, a enorme amostra ainda era muito pequena. Analogamente, hoje, petabytes de dados de mídias sociais não são garantia para refletir com precisão os sentimentos da população de interesse.

Rotatividade – Uma pegadinha geralmente ignorada

Publicado em por
Responder

Uma pergunta frequente que recebo é sobre como tratar a inclusão de novos empregados no cálculo da rotatividade. A resposta mais simples e óbvia, considerando que o indicador se destina a medir o “ritmo de substituição” da equipe, é que as novas contratações, isto é, aquelas que não são para repor as pessoas da equipe existente, não devem ser incluídas no cálculo.

Mas, como esses novos empregados também passam a compor a equipe, como tratar?

Para esclarecer, exemplifico com alguns números.

O atributo alt desta imagem está vazio. O nome do arquivo é Tabela1.png

Nota: O número de “empregados no início” corresponde ao número de empregados no final do período anterior, acrescido ou reduzido das admissões ou desligamentos para a mudança permanente do efetivo.

O atributo alt desta imagem está vazio. O nome do arquivo é Rotatividade1.png

Rotatividade de janeiro

O atributo alt desta imagem está vazio. O nome do arquivo é Rot1.png

Nota: Observe que os dois empregados admitidos devido ao crescimento da empresa não são incluídos no cálculo deste mês.

Rotatividade de fevereiro

O atributo alt desta imagem está vazio. O nome do arquivo é Rot2-1.png

Nota: Perceba que os 2 empregados ignorados no mês anterior são somados ao número de empregados no final de janeiro, para definir o número de empregados no início do período. Agora o empregado admitido em fevereiro, devido ao crescimento da empresa, não é considerado nas contas.

Pelos cálculos apresentados, observa-se que as admissões feitas no período com o propósito de aumentar a equipe (admissões para crescimento) não são incluídas no cálculo da rotatividade do período, mas passam a compor a equipe (número de empregados no início) no começo do período seguinte.

O mesmo tratamento deve ser dado aos desligamentos ocorridos devido às reduções permanentes da equipe, como as decorrentes do fechamento de um ponto de vendas ou terceirização de uma atividade, por exemplo.

O número de empregados no final corresponde ao número no início, acrescido das admissões e desligamentos de rotina. Não deve, portanto, incluir as admissões e desligamentos para mudança permanente do quadro de empregados.

Resumindo, a exclusão das movimentações para aumento ou redução permanente da equipe no cálculo da rotatividade, embora trabalhosa, resulta em um indicador fidedigno e mais adequado para a gestão.

Referência: – Bachmann & Associados & ABRH-PR. 11º Benchmarking Paranaense de Recursos Humanos 2019: Dados de 2018. Curitiba. 2019. p. 17.

A amostra induz ao resultado

Publicado em por
Responder
Desenho de avião, em planta, mostrando pontos em que recebeu projéteis.

Durante a Segunda Guerra Mundial, na tentativa de reduzir o número de aviões abatidos pelo inimigo, os aliados estudaram onde os aviões retornados sofreram mais danos. Desta forma, eles poderiam reforçar essas partes. A conclusão: reforçar as pontas das asas, os lemes e o centro do avião, que foi onde eles identificaram mais impactos.

Mas Abraham Wald, um estatístico que trabalhava para a defesa, propôs algo diferente: reforçar o cockpit, os motores e as costas do corpo. E por que reforçar as áreas onde não houve impactos?

O que eles não haviam considerado é que havia um viés importante ao fazer o estudo. Eles estavam apenas observando os aviões que conseguiram retornar.

Wald identificou que a distribuição dos impactos seria mais ou menos homogênea. Eles viram impactos em áreas que não eram vitais. Porque, apesar de sofrerem grandes danos, os aviões conseguiram retornar à base.

Se um avião receber grandes danos na cabine, nos motores e na cauda, ele será abatido e, assim, será incapaz de retornar à base. Mas estes não foram considerados no estudo inicial.

Esse fenômeno é algo que na estatística chamamos de “viés de seleção”. Muitas vezes, dados mal interpretados ou “intuição” nos levam a tomar decisões erradas [1]. 

Outro exemplo, desta vez na análise de fundos de investimento, mostra problema semelhante. A empresa de análise de investimentos americana Morningstar criou uma categoria de fundos chamada Large Blend — aqueles que aplicam em ações de grandes empresas da bolsa americana.

De acordo com seus cálculos, esses fundos cresceram, em média, 178,4% de 1995 a 2004 — quase 11% ao ano. Um ótimo investimento para os padrões americanos. Entretanto, um estudo de 2006, feito pela gestora Savant Capital, questiona esse sucesso.

Para chegar ao resultado, a Morningstar pegou todos os fundos classificados como Large Blend e viu quanto cresceram no prazo de dez anos. Mas ignorou os fundos que já não existiam; esses, provavelmente, são os que não deram lucro. 

Julgar o desempenho de uma categoria de fundos por uma década considerando apenas os que permanecem operando no final do período é, claramente, uma distorção que favorece os bons resultados. Se os fundos mortos fossem incluídos no cálculo, a taxa de retorno cairia para 134,5%, média anual inferior a 9%.

Conclusão: A análise dos dados deve começar pelo verificação de sua representatividade. 

Não há nada mais enganador do que um fato óbvio. Sherlock Holmes

Referências:

1.             Jacle Garbretch, no LinkedIn em 5.06.19.

2.             https://exame.abril.com.br/ciencia/uma-defesa-apaixonada-do-pensamento-matematico/ Acesso em 8.06.19.

Prevendo o futuro РExtrapola̵̤es

Publicado em por
Responder

Gráfico de pontos extrapolado com reta

Extrapolação é o processo mais elementar para fazer previsões. Mas, apresenta uma falha básica. Presume que a tendência vai continuar, o que muitas vezes não é verdade. Extrapolações em escalas exponenciais são particularmente arriscadas (Nate, p. 213).

Observando o crescimento da participação feminina no mercado de trabalho no Paraná no período de 2009 a 2013 fiz uma projeção – de brincadeira – apresentada no Bom Dia RH de outubro de 2014, concluindo que em 2030 todos os postos de trabalho estariam tomados por mulheres. Embora contrariando o bom senso, os número indicavam isso.

A maioria dos economistas confia em seu julgamento quando faz previsões, ao invés de tomar apenas os resultados de modelos estatísticos (Nate, p. 198). Estudo feito nos Estados Unidos (ref. 62 do Nate. Capítulo 6) concluiu que isso resulta em previsões cerca de 15% mais acuradas. Mas, o julgamento pessoal também cria espaço para distorções derivadas – muitas vezes de forma inconsciente – de crenças, preconceitos e interesses pessoais.

Com o advento do big data, alguns autores (ref. 56 da p. 481 do Nate) acreditam que o volume de dados disponíveis permite previsões e conclusões que prescindem de um modelo teórico consistente. Infelizmente, isso não parece ser verdade. Até porque um modelo de causa e efeito permite agir com previsibilidade. Segundo Nate (p. 197), inferências estatísticas são muito mais fortes quando ancoradas na teoria.

Referências

  1. Bachmann & Associados. 6º Benchmarking Paranaense de RH. 2014. Curitiba. PR. “Em média, as mulheres já dominam (2012) 38,0% dos postos de trabalho. Caso o crescimento continuasse no mesmo ritmo dos útimos 4 anos, em 2036 não haverá mais empregos para homens”.
  2. Silver, Nate. The Signal and the Noise: Why So Many Predictions Fail-But Some Don’t. The Penguin Press. New York, 2012. (Inglês) Já disponível em português.

Catch 22 ou Sinuca de bico

Publicado em por
Responder

Desenho com um homem em frente a duas portas, indeciso sobre em qual entrar.

Imagem: http://blogs.mcgill.ca/caps/2015/11/30/the-catch-22

O termo “catch 22” é muito comum nos textos de negócios norte-americanos e poderia, em nossa linguagem popular, ser traduzido como “sinuca de bico”. Vale a pena conhecer sua origem.

Catch 22 (Ardil 22) é uma expressão cunhada pelo escritor Joseph Heller no seu romance de mesmo nome que descreve uma situação paradoxal, na qual uma pessoa não pode evitar um problema por causa de restrições ou regras contraditórias. Frequentemente, essas situações são tais que solucionar uma parte do problema só cria outro, o qual acaba levando ao problema original. Situações de “catch 22” frequentemente resultam de regras, regulamentos ou procedimentos aos quais um indivíduo se submete, mas não pode controlar.

A expressão “catch 22” baseia-se na explicação do personagem Doc Daneeka de como qualquer piloto requisitando uma avaliação psicológica na esperança de não ser considerado são o bastante para voar, e assim escapar de missões perigosas, demonstraria deste modo sua sanidade.

Fonte: Wikipedia. https://pt.m.wikipedia.org/wiki/Ardil_22_(lógica).

Pirâmide de Resultados

Publicado em por
Responder

Pirâmide egipcia.

O alcance de um determinado objetivo costuma decorrer de uma cadeia de causas e efeitos, em que alguns resultados acabam gerando outros.

Assim, se uma organização que tem muitas faltas estabelece um Plano de Ação para reduzir o absenteísmo, a conclusão ou implantação das ações já é um resultado. Chamamos esse sucesso de resultado de 1° nível. Caso as ações previstas no plano sejam eficazes, haverá uma queda no absenteísmo medido (resultado de 2° nível) e, em decorrência, um aumento na produtividade da equipe (resultado de 3° nível).

Quando escolhemos os indicadores para a gestão, devemos considerar os diversos níveis de resultados, de modo a obter uma visão abrangente dos efeitos de cada decisão.

Dúvidas sobre o uso de indicadores? Contate-nos:  duvidas@bachmann.com.br

Falácias estatísticas exigem interpretação

Publicado em por
Responder

Talheres, colocados na vertical, com alimentos saudeaveis espetados neles. Coisas como tomate.

Saiu na capa da CNN, segunda-feira 22.10.18: “Alimentos orgânicos reduzem o risco de câncer, diz estudo”.

Quem se der ao trabalho de pular a reportagem e ir direto para o estudo vai perceber que as amostras de populações com baixa frequência de câncer têm uma série de hábitos: elas fumam menos, bebem menos álcool, têm menos gordura no corpo, possuem maior renda média, maior nível educacional, fazem esportes regularmente e comem alimentos orgânicos.

Percebe a nuance?

Nada contra o alimento orgânico, mas ele não é a causa em si por trás da redução do risco de câncer. Ele é apenas um marcador das outras verdadeiras causas.

Por exemplo: se você ganha bem, você tem mais dinheiro sobrando para comprar os alimentos orgânicos, que são tipicamente mais caros; e você tem também dinheiro sobrando para se aposentar numa boa.

NOTA: Texto transcrito de e-mail da Empiricus (Rodolfo Amstalden) de 27.10.18.