Ganhos:
- Reconhece os riscos de qualidade, confidencialidade e interpretação do trabalho com dados e estabelece um fluxo de análise seguro.
- Ele seleciona o indicador certo para um propósito, distinguindo entre indicadores únicos enganosos e medições que estão abertas à manipulação.
- Ele reconhece técnicas gráficas enganosas (o eixo não começa em zero, intervalo escolhido) e observa uma visualização honesta.
O público produz dados todos os dias: números de solicitações, prazos de solução, itens orçamentários, movimentações populacionais, solicitações de serviços, resultados de auditorias, pesquisas de satisfação. A maior parte desses dados fica em planilhas Excel, formulários e sistemas de registro, mas não se traduz em decisões — porque sua análise requer experiência e tempo. A tomada de decisões baseada em dados (uma abordagem à atribuição de recursos e à definição de políticas com base em evidências medidas, em vez de opiniões ou hábitos) aumenta a eficiência e a justiça no sector público: os recursos vão para onde são mais necessários com base em números. Aqui, a IA é um assistente poderoso para dar sentido a uma tabela, encontrar padrões e anomalias, extrair estatísticas resumidas e traduzir as descobertas em frases simples. Nesta unidade, você verá como encurtar o caminho dos dados públicos brutos até uma decisão defensável com IA e manter a disciplina no aspecto mais crítico: a interpretação correta do número.
Três perigos de trabalhar com dados
Os dados são poderosos, mas têm três armadilhas, e a IA pode mitigar e ampliar essas armadilhas:
- Correlação ≠ causalidade. Só porque duas coisas mudam juntas não significa que uma causa a outra. As vendas de sorvetes e os afogamentos estão aumentando – porque ambos estão ligados ao calor do verão, e nenhum causa o outro. A IA constrói frases “porque” com fluência; Questione todas as alegações de causalidade.
- Dados tendenciosos/ausentes. De quem e como foram recolhidos os dados? Os dados de reclamações refletem apenas aqueles que podem reclamar; dados de aplicativos digitais aqueles com acesso à internet. Se você não encontrar o grupo que falta, a decisão será tendenciosa.
- Número sem contexto. “Aumentado em 30%” por si só não tem sentido: de acordo com o quê, em que período, qual é o número absoluto? Peça contexto à IA.
Atenção: enquanto a IA analisa a tabela que você fornece, às vezes ela adiciona números "razoáveis", mas fictícios, de fora da tabela ou preenche silenciosamente as células que faltam. Compare cada número de saída com a tabela de origem; Dê à IA a regra "use apenas os valores da tabela que eu lhe der, se faltar diga 'sem dados'".
Fluxo de análise de dados passo a passo
- Esclareça a questão. Para que pergunta procuramos respostas para a decisão? ("Em qual vizinhança o tempo de solução demora mais?")
- Conheça os dados. Quais são as colunas, qual é a unidade, qual é o período, há algum valor faltante/incorreto?
- Extraia dados pessoais. Anonimizar/agregar se a identificação individual não for necessária para análise (ver Unidade 11).
- Resumo e padrão emergem. Faça com que a IA execute estatísticas básicas, agrupamento e marcação de anomalias.
- Questione o comentário. Correlação ou causalidade? Explicação alternativa? Grupo ausente?
- Visualize e simplifique. Um resumo e gráfico simples que o tomador de decisão possa entender.
- Documente a decisão e seu raciocínio. Que decisão foi tomada com base em quais dados? trilha de auditoria.
três mini cases
Caso 1 — A fonte foi ao lugar certo. No passado, um município distribuía o orçamento para manutenção do parque “igualmente para cada bairro”. Quando 18 meses de dados de demanda e uso foram analisados com IA, a demanda per capita dos três bairros foi 2,4 vezes a média. O orçamento foi redistribuído de acordo com a necessidade; a satisfação geral aumentou, sem despesas adicionais.
Caso 2 — Dados tendenciosos foram observados. Uma agência analisaria os dados dos aplicativos digitais e concluiria que “os cidadãos não estão mais recorrendo às cabines de pedágio”. Mas quando foi solicitada a discriminação por idade na análise, constatou-se que as candidaturas com mais de 65 anos ainda vinham maioritariamente do balcão. Se apenas os dados digitais fossem analisados, este grupo seria ignorado; o serviço de bilheteria foi preservado.
Caso 3 — Causalidade artificial interrompida. Ao interpretar uma tabela, YZ disse: “Os acidentes diminuíram porque o número de inspeções aumentou”. O analista lembrou que o clima também mudou e o trânsito diminuiu no mesmo período; Atribuir isso a uma única causa era enganoso. O relatório foi corrigido para dizer “há uma relação, mas a causalidade não foi comprovada”.
Quatro modelos copiáveis
1) Conhecendo a mesa:
Sua função: analista de dados. Examine a tabela abaixo e, com base APENAS nos valores desta tabela: (1) resuma o que é cada coluna, sua unidade e período, (2) quaisquer células que pareçam faltantes/incorretas, (3) resuma os 3 principais padrões que se destacam. Adicionando números de fora da mesa; se estiver faltando, diga "sem dados".TABELA: [colar dados]
2) Estatísticas resumidas com contexto:
Responda à seguinte pergunta da tabela abaixo: [pergunta]. DEVE fornecer o resultado com contexto: número absoluto + taxa + período de comparação. Quando você disser “aumentado em X%”, especifique em que medida e em que período. Basta usar os dados fornecidos.TABELA: [dados] PERGUNTA: [pergunta]
3) Questionador de causalidade:
Interprete a seguinte descoberta, mas CUIDADO: não confunda correlação com causalidade. Gere pelo menos 3 explicações alternativas para esta relação (terceira variável, sentido inverso, coincidência). Diga-me quais dados adicionais são necessários para provar a causalidade. ENCONTRANDO: [relacionamento]
4) Resumo simples para a decisão:
Simplifique a seguinte análise para um tomador de decisão que não seja um especialista em dados: não mais que 5 itens, cada item uma descoberta e uma explicação “o que isso significa”. Anote também as incertezas e os limites dos dados com clareza. Adicionando novas informações.ANÁLISE: [texto]
Alerta fraco / Alerta forte
Fraco: “Analise este gráfico e diga-nos o que devemos fazer.”
Forte: "Sua função é analista de dados. Use SOMENTE a tabela abaixo; não adicione números de fora, diga 'sem dados' à célula faltante. Primeiro, conheça as colunas, unidades e período. Em seguida, responda à pergunta 'qual bairro tem o maior tempo de solução' com número absoluto + razão + período de comparação. Se você encontrar um padrão, apresente 3 explicações alternativas antes de explicá-lo com causalidade. Por fim, liste os pontos e limites dos dados (grupo faltante, período curto) que deixam a decisão para nós."
Diferença: um prompt forte estabelece a fidelidade dos dados, o contexto, a disciplina de causalidade e o limite de decisão juntos; O resultado é uma análise defensável.
Onde podemos confiar na IA no negócio de dados?
negócio
Confiança em IA
regra
Resumo da tabela, agrupamento
alto
Dados fornecidos apenas
Marcação de anomalia/padrão
médio
confirmação humana
Interpretação de causalidade
baixo
Explicação alternativa é necessária
Preenchendo dados faltantes
muito baixo
Não faça isso acontecer; "sem dados"
Simplificação/resumo visual
alto
O significado deve ser preservado
Design de indicador e armadilha gráfica enganosa
A etapa mais crítica na tomada de decisões com dados é escolher o indicador certo (a expressão numérica que torna um fenômeno mensurável – por exemplo, “tempo médio de processamento” ou “custo por aplicação”). O indicador errado leva à decisão errada, mesmo com dados precisos: enquanto o “número total de reclamações resolvidas” parece estar a aumentar, o “tempo de espera por cidadão” pode estar a piorar. A IA pode listar indicadores candidatos para um tópico e o que cada um mede e oculta; mas você decide qual indicador representa verdadeiramente o interesse público. Além disso, esteja atento ao risco de visualização enganosa (distorcendo a percepção com técnicas como eixo não partindo de zero, escala desproporcional, intervalo de tempo selecionado) nos gráficos que a IA sugere ou descreve; visual honesto em dados públicos faz parte da governança.
Mini caso – sinal errado, ostentação errada. Uma unidade batia recorde no indicador “número de processos fechados por mês”; mas as reclamações dos cidadãos aumentaram. Olhando para o indicador preciso, a “taxa de resolução no primeiro contato”, a taxa caiu de 58% para 44% – os arquivos estavam sendo fechados e reabertos rapidamente. Quando o indicador mudou, a prioridade de gestão também mudou.
Mini caso — eixo que não parte do zero. No gráfico AI descrito em uma apresentação, o eixo vertical começa em 40, um aumento de 2% parecia um salto dramático. Quando o eixo foi movido para zero, a imagem real surgiu e a decisão foi eliminada da percepção exagerada.
Modelo que suporta seleção de indicadores:
Tarefa: Sugira 5 indicadores candidatos para o seguinte propósito. melhorando a qualidade do serviço ao cidadão]Para cada indicador: o que mede | o que isso pode esconder | abertura à manipulação | frequência de leitura recomendada. Próximo: escreva 3 avisos (aqueles que são enganosos por si só) para ler esses indicadores juntos. Regra: Não produza números; apenas sugira o design do indicador.
Cuidado: Não caia no equívoco de que “o número é objetivo”. O número que você mede, como você o exibe e o intervalo que você escolhe são tudo uma questão de interpretação. Uma interpretação pública transparente e honesta é tão importante quanto ter dados precisos.
Erros comuns
- Confundindo correlação com causalidade. “Aumentar juntos” não é a causa; Procure explicações alternativas.
- Fazer com que a IA preencha os dados ausentes. A análise desmorona com um valor inventado; deixe faltando o que falta.
- Generalizando dados tendenciosos. As reclamações/dados digitais não representam todos; Consulte o grupo ausente.
- Apresentando o número sem contexto. Ao lado da proporção deve haver um número absoluto e um período de comparação.
- Analisar dados pessoais desnecessariamente. Não utilize identificação individual se os dados agregados forem suficientes.
- Não documentar a decisão. Qual decisão foi tomada com base em quais dados deveriam ser registrados para auditoria.
Resumindo
A tomada de decisões baseada em dados é a forma mais poderosa de distribuir recursos de forma justa e eficiente no sector público; A IA é um assistente rápido neste negócio que dá sentido à imagem, encontra padrões e simplifica a descoberta. Mas não faça a IA inventar números, não a faça preencher dados faltantes, não deixe que ela confunda correlação com causalidade e evite generalizar dados tendenciosos/incompletos. Há força nos números; Quem interpreta corretamente e documenta a decisão é mais forte.
Tarefa de aplicativo
Obtenha uma tabela real (dados pessoais retirados) da sua unidade. Apresente os dados com o modelo "Conhecendo a tabela" e, em seguida, responda uma questão importante para a decisão com o modelo "Estatísticas de resumo contextual". Aplique o modelo “Questionador de causalidade” a um relacionamento emergente e encontre pelo menos uma explicação alternativa. Verifique se a IA está somando números de fora da mesa.
lista de verificação
- [] A IA usou apenas a tabela fornecida; Ele não adicionou números de fora.
- [ ] Não preenchi os dados faltantes; Deixei como "sem dados".
- [ ] Apresentei cada resultado com contexto (número absoluto + taxa + período).
- [ ] Produzi uma explicação alternativa para as alegações de causalidade.
- [ ] Avaliei o risco de dados tendenciosos/ausentes e o grupo ausente.
- [ ] Documentei a decisão e os dados em que ela se baseou.