O que uma simples corrida de rua pode nos mostrar sobre análise de dados

Outro dia, conversando com alguns amigos sobre corridas de rua, comentei, discretamente orgulhoso, que havia conquistado minha melhor colocação em uma prova da Track&Field Run Series: 140º lugar.

A reação não foi exatamente a que eu esperava.

Ninguém abriu champanhe. Não houve aplausos. Um deles ainda perguntou, com aquela delicadeza típica dos bons amigos:

— Centésimo quadragésimo? E essa foi a sua melhor posição?

Sim. Foi.

O problema é que, quando olhamos apenas para o número 140, ele realmente não parece muito impressionante. Se estivéssemos falando de uma prova com 150 pessoas, por exemplo, minha performance talvez merecesse uma reflexão profunda — e uma caminhada de volta para casa.

Mas um número isolado nunca conta a história completa.

Naquela prova noturna, com algumas subidas bastante intensas, havia 2.639 participantes: 1.111 homens (42%) e 1.528 mulheres (58%). E eu tenho uma filosofia muito particular quando participo de corridas: não vou para vencer. Vou para passar todo mundo.

Se eu fosse uma marca, esse seria o meu posicionamento.

Talvez por isso eu goste de largar no fim do pelotão. Para quem tem como objetivo ultrapassar pessoas, começar atrás oferece um universo muito mais promissor. Não digo que seja a melhor estratégia esportiva, mas, do ponto de vista motivacional, funciona muito bem.

Considerando a classificação geral e uma largada realmente no final, chegar à 140ª posição significaria terminar à frente de 2.499 pessoas — em cerca de 26 minutos. De repente, o número 140 começa a parecer um pouco melhor.

Mas, antes que eu transforme uma corrida de rua em uma epopeia esportiva, precisamos fazer algumas perguntas.

A posição era na classificação geral ou apenas entre os homens? O resultado considerava o tempo líquido, contado a partir do momento em que cada corredor cruzou a linha de largada, ou o tempo bruto da prova? Eu realmente larguei depois de todos? Todos os inscritos participaram e concluíram o percurso?

As respostas mudam completamente a análise.

Se o 140º lugar foi na classificação geral, terminei à frente de 2.499 dos 2.639 participantes — ou 94,7% do total —, ficando entre os 5,3% mais bem colocados da prova. Se foi apenas na classificação masculina, também é um ótimo resultado: terminei à frente de 971 dos 1.111 homens, o equivalente a 87,4% dos corredores, e fiquei entre os 12,6% mais bem colocados desse grupo.

O desempenho continua bom nos dois casos. O que muda é o universo usado na comparação. E, se a classificação considerou o tempo líquido, isso não significa necessariamente que eu tenha ultrapassado fisicamente todas as pessoas que aparecem atrás de mim no resultado.

O dado continua correto. O que muda é a interpretação.

É assim que uma simples conversa sobre corridas de rua nos leva a um dos grandes desafios da análise de dados nas empresas.

Hoje, praticamente todas as organizações acumulam uma quantidade enorme de informações. Temos dashboards, gráficos, pesquisas, relatórios e indicadores para quase tudo. Há dados suficientes para comprovar uma tese, questionar a mesma tese e, em alguns casos, produzir uma apresentação de 47 slides sobre ela.

O desafio já não é apenas ter os dados. É saber quais perguntas fazer.

Qual é a origem da informação? O universo analisado é representativo? Estamos comparando períodos equivalentes? O indicador mostra uma tendência ou apenas um episódio isolado? Existe alguma variável importante fora da análise? O número representa exatamente aquilo que estamos dizendo?

E, principalmente: estamos comparando banana com banana e maçã com maçã?

A frase parece simples, mas muita análise sofisticada tropeça justamente nisso. Comparamos meses que tiveram condições completamente diferentes, colocamos lado a lado mercados de tamanhos distintos ou celebramos uma posição melhor sem verificar se havia mais ou menos participantes.

Comparar números não significa, necessariamente, comparar realidades equivalentes.

Também existe o risco de começar pela narrativa e só depois procurar os dados que combinam com ela. É uma tentação bastante humana. Escolhemos o recorte, o período e o indicador que deixam nossa história mais convincente. Não é preciso inventar nenhum número. Basta apresentá-lo da maneira mais conveniente.

Eu poderia dizer apenas que fiquei em 140º lugar. Poderia dizer que terminei à frente de quase 2.500 pessoas. Ou poderia omitir o número total de participantes e deixar que cada um decidisse se meu desempenho foi brilhante, razoável ou um pequeno desastre esportivo.

As três versões partem do mesmo resultado, mas produzem percepções muito diferentes.

Por isso, uma boa análise de dados exige contexto, informações confiáveis, critérios coerentes de comparação e transparência sobre as limitações. Mais do que confirmar nossas convicções, os dados precisam permitir que elas sejam testadas.

E há um componente que nenhuma ferramenta resolve sozinha: pensamento crítico.

A tecnologia processa informações, identifica padrões e encontra correlações em uma velocidade extraordinária. Mas alguém ainda precisa perguntar se aquela relação faz sentido, se o padrão é relevante e se a conclusão resiste a uma análise mais cuidadosa.

No fundo, analisar dados é investigar. É desconfiar do primeiro número, inclusive quando ele favorece a nossa própria narrativa.

Da próxima vez que alguém apresentar um resultado impressionante — crescimento de 40%, redução histórica, liderança absoluta ou desempenho recorde — talvez valha a pena fazer a mesma pergunta que meus amigos fizeram sobre a minha corrida:

— Mas 140º entre quantos?

Essa pergunta simples pode separar um dado relevante de um número solto. Pode revelar um grande desempenho ou apenas uma boa maneira de apresentá-lo.

No meu caso, continuo defendendo que foi uma ótima corrida.

Afinal, eu não fui para vencer. Fui para passar todo mundo.

Não consegui passar todos, é verdade. Mas tenho dados suficientes para demonstrar que cheguei bem perto.

Só precisamos combinar antes quais deles vamos usar.

Os artigos aqui apresentados não necessariamente refletem a opinião da Aberje e seu conteúdo é de exclusiva responsabilidade do autor.