A tomada de decisão em nossas vidas, acontece com base em informações obtidas, estruturadas ou não, desde aquelas pessoais, até questões profissionais importantes, que podem impactar no futuro de uma empresa.
Isso não é novo. Os navegadores portugueses, em suas expedições para o novo mundo, avaliavam informações de tempo, localização, mapas, condições do mar e tomavam decisões de navegação. A diferença de 1500 para 2022, é que hoje as embarcações possuem computadores que podem, além de fornecer informações de uma forma muito mais sofisticada e precisa, realizar previsões.
A avaliação de cenários faz parte da cognição humana. Olhamos para uma situação, tentamos entender o que está acontecendo, antes de decidir o que fazer. A decisão passa pelas fases de reconhecimento situacional, desafio, alternativas e a escolha do caminho mais adequado.
Com o apoio de meios tecnológicos, a estatística e a matemática são amplamente utilizadas para uma boa tomada de decisão. Vimos que com o R, é possível: fazer uma análise exploratória de dados, captando medidas de centralidade importantes; elaborar gráficos para uma visualização mais clara dos dados; e prever resultados; ou seja, uma visão do passado e do provável futuro de uma organização.
Mas… como posso tomar decisões com base em números?
Muitas vezes, mesmo com os números reconhecidos e dispostos em um relatório, existem algumas dificuldades que alguns gestores podem se deparar. Então, vamos analisar com mais detalhes algumas situações que ocorrem frequentemente.
Dados devem ser mais importantes que suposições.
Sempre quando for analisar algo que você supõe que está com problema, observe os números. Como mostrei na etapa de análise exploratória, você pode “sumarizar” os dados, entender as frequências máximas, mínimas, a média, mediana, enfim, algumas medidas que ajudarão a entender melhor o conjunto de dados. Por exemplo: você supõe que há um problema de queda de vendas em um site. Será que há mesmo? Não pode ser um comportamento sazonal do mercado? Basta comparar a série temporal do ano X com o ano Y.
Depois dessa observação, caso exista mesmo um problema, você pode formular hipóteses do motivo de estar acontecendo, além de, avaliar outros indicadores, elaborar testes, antes de tomar uma decisão.
Tudo passa por uma investigação, quanto mais detalhada, maiores as chances de entender as reais causas.
Entendido o que realmente aconteceu, tome as decisões corretas e ataque os reais problemas.
Se não houver indicador, desenvolva um.
Já ocorreram situações em que não existiam números para que eu pudesse tomar uma boa decisão. Nesses casos o que fiz foi criar, primeiramente, um método de captação de dados. Só depois disso, pude entender o que estava acontecendo (lembre-se do item anterior!).
Um caso real: há alguns anos, gerenciei uma equipe em uma empresa. Havia um problema em uma de suas operações. As pessoas discutiam, criavam processos, regras, mas sempre acontecia alguma coisa. Na época, montei um formulário simples para registrar, dia, hora, os envolvidos, categoria da ocorrência e mais alguns dados, quando houvesse qualquer problema naquele setor. Analisando os números, comecei a perceber que esse problema ocorria quando havia uma interação com outros departamentos da empresa. Tratava-se de um problema de interação entre processos das equipes, ou seja, cada uma desenhou seus procedimentos, mas não conversaram para acordar um elo entre eles. Na época, com os números em mãos, conversei com outros gerentes, apresentei o problema, os dados e uma sugestão de solução. Tudo se resolveu. O indicador continuou existindo para termos a certeza de que a solução foi efetiva.
Lição aprendida: onde tem um problema, precisa existir um indicador.
A análise preditiva é sempre com base no seu atual cenário.
Uma vez trabalhei com um cara que gostava de fazer uma análise preditiva que funcionava assim: ele obtinha a série temporal de um site e para imaginar quanto ele iria evoluir em tráfego no ano seguinte, dava um “chute”. Ele imaginava uma porcentagem de aumento e me dizia: “Erick, vamos fazer uma projeção, esse site vai crescer x% de acessos com nossos esforços”.
Meu colega fazia aquilo com a experiência que tinha na área, pois sabia que, quando aplicados determinados esforços, era um padrão aquilo acontecer. O cliente entendia isso como um chute, além disso, quase nunca essa previsão era exata ou mesmo tinha uma régua de avaliação.
Outro ponto interessante, ao realizar previsões desse tipo, é que você toma como base sempre uma faixa histórica da série. Ao analisar dois, três ou mais anos, através de uma análise exploratória, vai perceber tendências, possíveis ruídos, outliers, dentre outras características do conjunto, para imaginar o que vai acontecer. Contudo, essa projeção é com base em dados do passado.
Primeiro previsão, depois imaginação.
Imagine um site, onde em três anos não houve nenhum esforço para alavancar resultados de busca orgânica (SEO), mas atualmente existe esse trabalho. Os resultados a partir de um determinado momento podem se tornar exponenciais, dependendo da velocidade do projeto e da implementação dos requisitos de otimização de site. Portanto, os futuros resultados podem ser muito maiores do que os projetados em uma análise preditiva de dados pré SEO.
Assim sendo, é possível realizar uma análise preditiva para prever, com base no crescimento natural do site ao longo do ano, qual será seu tráfego em doze meses. Também é possível, através do conhecimento empírico, oriundo de outros trabalhos, adicionar uma porcentagem de crescimento, resultado de esforços de SEO.
Essa previsão poderá ajudar na tomada de decisão para direcionamento de verbas. Certamente a pergunta respondida aqui será: o esforço de SEO, financeiramente vai valer à pena considerando investimento realizado para o resultado de médio e longo prazo?
O período de análise precisa considerar sazonalidades.
No inverno são vendidos mais casacos e roupas de lã, no verão há um consumo maior por bebidas geladas e sorvetes. Nos períodos de férias as pessoas fazem mais viagens de lazer.
Alguns comportamentos são conhecidos pela convencionalidade de seus períodos. A sazonalidade trata de eventos que acontecem sempre na mesma época.
Através de uma análise exploratória, ao plotar um gráfico, é possível perceber isso. Em um artigo anterior percebemos que ao usar a função decompose(), no R, é possível observar a tendência, ruídos e sazonalidade.
Por diversas vezes na minha carreira, encontrei pessoas analisando séries temporais de uma forma inadequada. Por exemplo: o cliente comparava um determinado mês, com o mês anterior. É um comparativo inválido? Claro que não, mas é necessário estar atento para alguns detalhes que quase sempre não são observados.
Para a tomada de decisão, considere períodos festivos.
Se você tem um e-commerce que vende presentes, por exemplo, e comparar um mês com datas festivas, propícias para compra desses artigos, com outro normal, sem movimentação comercial excepcional, certamente fará uma análise enviesada.
Um exemplo bacana nesse sentido é que, há alguns anos, dezembro era o grande mês. Aí começou a black friday no Brasil, e a população começou a fazer suas compras de natal em novembro. O que aconteceu? As vendas de dezembro diminuíram. Atualmente, comparar novembro com dezembro não é uma boa, pois são meses com comportamentos completamente diferentes.
O melhor comparativo, é aquele onde você analisa, por exemplo, novembro desse ano, com o mesmo mês, ano passado. Afinal, são dois períodos que na maioria das vezes vão considerar os mesmos eventos, como: black friday, compras de natal, pagamento de décimo terceiro, enfim, acontecimentos que provavelmente impactam positivamente as vendas no comércio.
Comparativos com seasonplot.
Além do decompose(), o R tem outro recurso bem legal que é o seasonplot(). Ele vai mostrar as linhas do ano de um conjunto de dados, e assim, será possível comparar os períodos de sazonalidade. Só não esqueça de transformá-los em uma time-series antes!
seasonplot(seuconjuntodedados,
col=rainbow(8),
year.labels = TRUE,
type = "o",
pch= 16,
main = "Visitas",
xlab = "Mês",
ylab = "N.Visitantes")
Se você quer analisar uma tendência de crescimento ao longo da série temporal, faz sentido olhar sequencialmente os meses. Lembre-se sempre: haverá “altos e baixos” conforme o tempo vai passando, como mostra a imagem acima.
É preciso analisar o direcionamento da curva, ou seja, se entre aumentos e quedas de tráfego de um site, existe um aumento ao longo do tempo.
Na parte dois desse artigo vou explorar um pouco mais a tomada de decisão baseada na relação entre alguns indicadores e também na necessidade da confiabilidade dos dados.