A arte de fazer perguntas (ou, como transformar um dado correto em uma decisão ruim)

Antes de começar, um relato pessoal

Há algum tempo, me peguei questionando sobre o processo de análise de dados. Percebi que, embora eu tenha adquirido alguma familiaridade com ferramentas como Python e SQL, sempre que tentava iniciar um projeto de análise pessoal, eu travava.

Eu, travada no começo de um projeto. Imagem: g1.globo.com

Decidi, então, investigar o motivo e descobri que essa é uma dificuldade muito comum para quem está começando: pensar na ferramenta antes de pensar sobre o objetivo da análise.

Recentemente, tive a oportunidade de aprofundar meus estudos no bootcamp da WoMakersCode sobre Data Analytics e, já no primeiro módulo, onde falamos sobre o mercado de dados, nos é apresentada a possibilidade de escrever um artigo sobre alguns temas sugeridos, e dentre eles estava “a importância da habilidade de identificação de problemas para profissionais de dados”.

Quando me deparei com essa sugestão, entendi que seria uma boa oportunidade de me aprofundar um pouco mais no assunto.

Exemplos de análises mal direcionadas (o custo de uma pergunta errada)

Resolvi começar a escrever sobre o tema falando sobre Coca-Cola e McDonald’s (já peço desculpas se você estiver próximo do seu horário de almoço e com fome agora).

Às vezes, até grandes empresas erram. Imagem: Guia do investidor

Em 1985, a Coca-Cola interpretou mal um problema. Depois que uma propaganda da Pepsi provou, por meio de um teste cego, que as pessoas, no geral, preferiam o sabor mais adocicado de seu refrigerante, os executivos da Coca-Cola entenderam que o gosto da bebida que fabricavam não estava certo.

Decidiram, então, anunciar que o sabor da Coca-Cola não só mudaria, como o refrigerante original da marca simplesmente deixaria de existir.

Esqueceram de considerar o valor que a marca possuía e tudo o que ela representava para seus consumidores. Em menos de três meses, a empresa voltou atrás e colocou a fórmula original de volta ao mercado.

A falha não se originou de uma possível falta de dados, mas sim de uma má interpretação do problema que esses dados estavam apontando. Embora fosse verdade que as pessoas preferiam um sabor mais doce, foi um erro assumir que esse era o fator predominante na escolha da Coca-Cola.

Eles até responderam uma pergunta, mas era a pergunta errada.

E, se a Coca-Cola não soube interpretar um problema, o McDonald’s sequer tinha um problema para resolver; mas acabou criando um.

Desconsiderando a ideia que seu público-alvo tem de estar em uma rede de fast-food descontraída e com preços mais acessíveis (hoje em dia, talvez nem tanto), o McDonald’s entendeu que havia a necessidade de lançar um “hambúrguer de luxo”, ou, como decidiram chamar, Arch Deluxe, direcionado a um público mais requintado.

Em outras palavras, o restaurante mirou na sofisticação e acertou no elitismo.

E o hambúrguer? Foi um grande fiasco.

Esses exemplos ajudam a mostrar que, antes de qualquer análise, existe uma etapa essencial que nem sempre recebe a devida atenção: entender qual é, de fato, o problema.

Diferença entre Problema, Pergunta e Hipótese

Problema, Pergunta ou Hipótese? Quem é quem nessa história? Imagem: Terra.com

Vamos conversar um pouco sobre problemas. E sobre como definir eles melhor antes de começar uma análise.

O problema está relacionado ao tema da pesquisa. E o tema é o assunto que se pretende analisar. Encontrar um problema dentro de um tema envolve pensar criticamente sobre ele.

Por exemplo, se o seu tema é produtividade, você pode questionar se o problema é, de fato, falta de tempo ou excesso de distração. Dependendo da resposta, você pode estar lidando com uma questão de agenda ou com uma questão de hábitos.

O problema costuma ser apresentado na forma de perguntas. Ou melhor, de uma única pergunta, que vai nortear todo o processo de pesquisa. E, se ela carrega sozinha o peso de um projeto bem direcionado, então precisa ser bem pensada.

Para ajudar, pode ser útil decompor esse processo em três partes:

1. Introdução: Compreender bem qual é o tema e o problema investigado. Além disso, vale destacar a importância do estudo, deixando uma justificativa clara.

2. Variável: Uma característica mensurável que será observada ao longo da análise.

3. Relação ou objetivo: É aqui que a pergunta começa, de fato, a tomar forma. Depois de entender o tema e definir o que será observado, é preciso deixar claro o que se quer descobrir. Você está tentando comparar? Explicar? Identificar um padrão?

Voltando ao caso da Coca-Cola, para encontrar a pergunta correta, a escolha do consumidor, e não apenas o sabor da bebida, poderia ter sido o tema de investigação. Já na variável, além da preferência de sabor obtida no teste cego, entrariam outros pontos simples, como apego à marca e hábitos de consumo.

O dilema da Coca-Cola: a resposta muda completamente quando você ajusta a pergunta norteadora. Imagem: Adaptado do Pinterest

E, dessa forma, pensando no objetivo, a pergunta deixaria de ser “devemos mudar a fórmula?” para algo mais direto, como “o sabor é o principal motivo pelo qual alguém escolhe Coca-Cola?”.

Parece um detalhe, mas muda completamente o tipo de resposta que você encontra.

Tendo uma pergunta norteadora bem definida, hipóteses são lançadas. Trata-se de suposições que tentam responder ao problema e que devem ser testadas para comprovar se são verdadeiras ou não.

Se a Coca-Cola tivesse chegado à pergunta correta, uma possível hipótese seria que o sabor não é o principal fator na escolha, mas sim a marca e a relação que o consumidor tem com ela.

Problem Framing

Problem Framing (ou “enquadramento de problema”, em português) é o processo de compreender bem um problema e defini-lo de forma clara antes de tentar encontrar uma solução. Na teoria, é simples assim.

Na prática, ele se concretiza em algumas etapas:

1. Identificação do problema: Lembra quando falamos sobre definir uma pergunta? É aqui que ela entra.

Ter encontrado essa pergunta significa que você estudou sobre o tema e conheceu seu problema o suficiente para conseguir questioná-lo.

2. Contextualização do problema: Investigar causas, consequências, o contexto e quem é afetado. Além disso, deixar todas essas informações visíveis e facilmente acessáveis pode ajudar no processo.

3. Compreensão das demandas de mercado/consumidores: Como as hipóteses levantadas funcionam e, ao mesmo tempo, se diferenciam e se destacam das outras soluções já existentes no mercado?

4. Refinamento do problema: Revisar e ajustar o problema conforme novas informações surgem (e elas sempre surgem).

Problem Framing: o trabalho de detetive que deveria vir antes de qualquer linha de código. Imagem: Quickmeme

Para facilitar, é possível adotar técnicas como brainstorming, storytelling ou os 5 porquês.

Os 5 porquês consiste em perguntar, repetidamente, o motivo de algo acontecer.

Por exemplo, se o McDonald’s tivesse feito esse exercício antes de lançar o Arch Deluxe, talvez o caminho fosse outro.

A ideia poderia começar com: “precisamos parecer mais sofisticados”.

Por quê? “Porque queremos atrair um público diferente”.

Por quê? “Porque acreditamos que isso aumenta o valor da marca”.

Por quê? “Porque achamos que nosso público atual não vê valor suficiente”.

Por quê? “Porque estamos associando preço e sofisticação como única forma de crescimento”.

Em algum ponto dessa sequência, ficaria mais claro que a questão não era exatamente falta de sofisticação, mas uma suposição sobre o que geraria mais valor.

E isso já mudaria completamente o tipo de decisão a ser tomada.

Nada de ‘Porque sim, Zequinha!’ Questionar é fundamental. Imagem: Superinteressante.

Dicas finais

Ainda pesquisando sobre Problem Framing, me deparei com um artigo bem interessante, chamado “Problem framing for data scientists”, que relaciona esse conceito com profissionais da área de dados. (Você consegue acessá-lo nesse link).

O artigo defende que utilizar essa técnica deveria ser a primeira coisa que um cientista de dados faz ao iniciar um projeto.

Recomendo bastante a leitura, mas, também achei interessante trazer algumas das dicas desse artigo para cá:

• Perguntas “simples” ou “bobas” são essenciais para compreender um problema de verdade. Não tenha medo de fazê-las;
• Pesquise pelo problema em várias fontes diferentes, e se atente para as datas dos dados coletados;
• Simplifique! Se existe uma solução simples para algo, não escolha a mais complexa.

No fim, não adianta ter a melhor ferramenta, o melhor código ou o melhor dashboard, se tudo isso estiver respondendo à pergunta errada.

Referências e recomendações:

EXAME — 4 erros de marketing: o que outras marcas erraram e como você pode acertar

G1 — Os erros cometidos por Coca Cola, Unilever, Mini — e o que podemos aprender com eles

ALBERTO CLARO — O que é uma pergunta e um problema de pesquisa científico?

INFONAUTA — Tema, problema e hipóteses em um projeto de pesquisa

PM3 — Por que o Problem Framing é tão importante para o Product Design?

UDS — Problem Framing: por que é necessário fazer as perguntas certas?

FERRAMENTAS DA QUALIDADE — 5 Porquês

SLALOM — Problem framing for data scientists