🧠 Um dos maiores sabotadores da sua análise
Vivemos na era dos dados. Decisões estratégicas, análises de mercados, experiências de usuários e até mesmo formulação de políticas públicas estão cada vez mais data decision resultado de uma cultura data driven (usando esses termos pois certamente você já ouviu e para mostrar o quão na moda está).
Agora, o grande ponto é: tomar decisões baseadas em dados é o suficiente para evitar erros?
Quem dera que a resposta fosse sim, mas como um bom economista, vou ter que responder um grande DEPENDE. Mesmo com dashboards impecáveis e modelos preditivos sofisticados, nossas decisões continuam vulneráveis a um inimigo silencioso e invisível: os vieses cognitivos.
O que são vieses?
Robert Dobelli em seu livro “A arte de pensar claramente” explica que viés é um erro sistemático de pensamento ou erros cognitivos. Segundo Dobelli, vieses são desvios previsíveis da lógica e da racionalidade que todos nós cometemos tanto na nossa vida pessoal, quanto profissional.
Os vieses podem surgir de atalhos mentais, pressões sociais, hábitos e padrões de comportamento. O mais preocupante é que são quase sempre inconscientes e distorce a realidade pois nos fazem enxergar o que queremos ver e ignorar o que realmente importa. Por isso, saber e compreender os vieses é essencial para quem trabalha com dados e análises, pois eles não afetam apenas a interpretação das informações, mas pode afetar toda cadeia da análise, pois pode atingir a forma como dados são coletados, analisados e comunicados. E a lista de vieses só cresce, abaixo uma imagem com a maioria dos vieses existentes:
Por que isso é importante para dados e analytics?
Em 2014, o time de Machine Learning, da área de people analytics da Amazon desenvolveu um algoritmo para apoiar o time de people analytics recrutamento e seleção, automatizando a triagem de currículos. Partindo do pressuposto de que os processos da empresa eram eficientes, usaram dados históricos de contratações da própria Amazon para treinar o modelo.
No entanto, esses dados estavam enviesados, refletindo um histórico majoritariamente masculino. Como resultado, o algoritmo passou a discriminar candidatas mulheres, mesmo quando altamente qualificadas. O vies envolvido foi o de treinamento, causado pela base histórica desigual.
Como disse, os vieses pode contaminar toda a cadeia de análise, por isso devemos olhar também para a como as informações foram coletadas e até mesmo como o dataset foi construído. Um dataset enviesado irá gerar modelos enviesados. A forma que um dashboard é construído pode induzir conclusões equivocadas. Além de tudo isso, uma decisão sem consciência dos vieses que está por trás pode custar muito caro.
📍 Se você trabalha com dados, aqui vão 3 dicas práticas:
- Crie processos de revisão para validar interpretações e suposições.
- Trabalhe com diversidade — de pessoas, dados e visões.
- Use vieses a seu favor em design de produto, mas com responsabilidade.
Conclusão
Os vieses não são defeitos do cérebro ou inimigos, eles são adaptações que funcionam na maioria dos casos. O problema é quando eles agem sem nossa percepção, principalmente em ambientes onde as decisões têm grande impacto.
Conhecer os tipos de viés é o primeiro passo para criar produtos mais justos, análises mais precisas e decisões mais equilibradas.
📚
Fontes:
- A arte de pensar claramente, de Robert Dobelli
- Rápido e Devagar, Daniel Kahbenan
- Insight - Amazon scraps secret AI recruiting tool that showed bias against women. Acessado: 03.05.25 às 11:30)
Marcos Aurélio
Senior Business Analytics com passagens por Nubank, Google e Asimov Academy. Especialista em traduzir dados complexos em decisões estratégicas de produto, IA e governança.