Discuti questões relacionadas a dados em vários artigos anteriores. As pessoas geralmente ficam confusas quanto à quantidade de dados de que realmente precisam. Em particular, ouço com frequência o refrão “A simulação requer tantos dados, mas não tenho dados suficientes para alimentá-la”. Então, vamos examinar uma situação em que você tem, digamos, 40% dos dados que gostaria de ter para tomar uma decisão acertada e vamos examinar as opções.
1) Você pode adiar a decisão. Em muitos casos, nenhuma decisão é uma decisão em si, porque a decisão será tomada pela situação ou por outros envolvidos. Mas se você realmente tiver a oportunidade de esperar e coletar mais dados antes de tomar a decisão, deverá medir o custo da espera em relação à possível decisão melhor que poderá tomar com dados melhores. Mas, de qualquer forma, depois de esperar, você ainda terá todas as seguintes opções disponíveis.
2) Usar o julgamento “do assento da calça” e decidir apenas com base no que você sabe. Essa abordagem agrava a falta de dados ao ignorar também a complexidade do problema e ignorar qualquer abordagem analítica. (Ironicamente, essa abordagem geralmente ignora os dados que você tem.) Você faz uma decisão totalmente subjetiva, geralmente muito influenciada pela política. Não há dúvida de que algumas pessoas altamente experientes podem fazer julgamentos bastante bons. Mas também é verdade que muitas decisões acabam sendo ruins e poderiam ter se beneficiado muito de uma abordagem mais analítica e objetiva.
3) Use uma planilha eletrônica ou outra abordagem analítica que não exija tantos dados. À primeira vista, essa parece ser uma boa ideia e, de fato, há um conjunto de problemas para os quais as planilhas são certamente a melhor escolha (ou, pelo menos, a mais adequada). Porém, para os problemas de modelagem com os quais normalmente nos deparamos, as planilhas têm duas limitações muito significativas: elas não conseguem lidar com a complexidade do sistema e não conseguem lidar adequadamente com a variabilidade do sistema. Com essa abordagem, você está simplesmente “descartando” a necessidade dos dados ausentes. Você não está apenas tomando a decisão sem esses dados, mas está fingindo que os dados ausentes não são importantes para a sua decisão. Um modelo excessivamente simplificado que não considera a variabilidade ou a complexidade do sistema e ignora os dados ausentes… não parece ser a base de uma boa decisão.
4) Simule com os dados que você tem. Nenhum modelo é perfeito. Geralmente, sua intenção é criar um modelo que atenda aos objetivos do projeto da melhor forma possível, considerando o tempo, os recursos e os dados disponíveis. Provavelmente, todos concordamos que dados melhores e mais completos resultam em um modelo mais preciso, completo e robusto. Mas o valor do modelo não é verdadeiro ou falso (valioso ou inútil), mas sim uma escala graduada de valor crescente. Voltando ao problema da variabilidade, é muito melhor modelar com estimativas de variabilidade do que simplesmente usar uma constante. Da mesma forma, um modelo baseado em 40% dos dados não fornecerá nem de perto os resultados de um modelo com todos os dados desejados, mas ainda assim superará as técnicas analíticas que não só não têm esses mesmos dados, mas também não têm a complexidade e a variabilidade do sistema.
E, ao contrário de outras abordagens, a simulação não ignora os dados ausentes, mas também pode ajudar você a identificar o impacto e priorizar as oportunidades de coletar mais dados. Por exemplo, alguns produtos têm recursos que ajudarão você a avaliar o impacto das suposições sobre seus principais resultados (KPIs). Eles também têm recursos que podem ajudar a avaliar onde você deve colocar seus esforços de coleta de dados para expandir amostras ou pequenos conjuntos de dados para melhorar ao máximo a precisão do modelo. E todas as simulações oferecem o recurso “e se” que você pode usar para avaliar as melhores e piores possibilidades.
A perfeição é inimiga do sucesso. Você não pode parar de tomar decisões enquanto espera por dados perfeitos. Mas você pode usar ferramentas que sejam resistentes o suficiente para fornecer valor com dados limitados. Especialmente se essas mesmas ferramentas ajudarem você a entender melhor o valor dos dados existentes e dos dados ausentes.
Feliz modelagem!
Dave Sturrock
VP de Operações – Simio LLC