Há erros que são escândalos.
E há erros que passam por competências.
Há uma diferença silenciosa entre errar muito e errar pouco.
Errar muito dói. É visível. Provoca reação. Gera revisão.
Errar pouco, não.
Errar pouco constrói reputações.
Em estatística, chamamos isso de viés sistemático pequeno.
Um modelo que erra consistentemente por 2%, 3%, 5%. Nada dramático. Nada que manche um dashboard. Nada que faça alguém levantar da cadeira.
Mas o efeito acumulado disso é curioso.
Imagine uma projeção de demanda que superestima vendas em 4%.
Num dia isolado, irrelevante.
Em um trimestre, ajustável.
Em três anos, isso se transforma em estoque parado, capital imobilizado, decisões estratégicas baseadas em uma realidade ligeiramente deslocada.
Não é um terremoto.
É uma inclinação milimétrica no piso.
E o problema das inclinações milimétricas é que ninguém percebe que está caminhando torto.
A estética do quase
Modelos quase certos são perigosos porque produzem confiança.
E confiança, quando nasce de precisão aparente, é mais resistente à crítica.
Há um fenômeno psicológico interessante aqui:
quanto mais sofisticado o modelo, menor a disposição das pessoas de questioná-lo.
Regressões com cinco variáveis são debatidas.
Redes neurais com cento e cinquenta camadas são admiradas.
Não porque sejam necessariamente melhores.
Mas porque parecem inevitáveis.
Existe uma sedução na complexidade.
E existe um conforto em acreditar que o erro residual é apenas “ruído”.
Mas ruído também tem padrão.
Às vezes, o ruído é o sinal.
O problema não é o erro. É a direção do erro.
Em previsão, errar para mais e errar para menos não são equivalentes.
Um modelo que alterna erros para cima e para baixo pode ser apenas impreciso.
Um modelo que erra sempre na mesma direção está contando uma história.
E toda história embute premissas.
Talvez a base histórica usada esteja enviesada.
Talvez as exceções tenham sido removidas “porque eram outliers”.
Talvez a variável que realmente importa não esteja no dataset — simplesmente porque nunca foi medida.
A estatística não sofre apenas com dados ruins.
Ela sofre com dados incompletos.
E incompletude não aparece em R².
O conforto perigoso do intervalo de confiança
Há algo quase poético na expressão “intervalo de confiança”.
Ela sugere que o futuro está contido em duas linhas discretas.
Como se a realidade aceitasse ficar ali, entre 95% de probabilidade.
Mas o intervalo não é uma cerca.
É uma descrição condicional.
Ele só vale sob as premissas adotadas.
Se as premissas estiverem ligeiramente erradas — o intervalo é elegante, mas ilusório.
O problema é que dashboards raramente exibem premissas.
Eles exibem números.
E números, quando isolados, parecem absolutos.
O viés que ninguém quer medir
Organizações medem performance.
Medem margem.
Medem churn.
Raramente medem a direção do erro.
Poucos times acompanham sistematicamente:
- tendência média de superestimação
- tendência média de subestimação
- estabilidade do erro ao longo do tempo
Porque isso exige um desconforto metodológico.
Exige admitir que o modelo não está apenas errando.
Ele pode estar puxando a realidade numa direção específica.
E isso não é um bug técnico.
É uma escolha estrutural.
Uma hipótese incômoda
Talvez o maior risco analítico não seja tomar decisões com dados insuficientes.
Talvez seja tomar decisões com dados que parecem suficientes.
A diferença entre ignorância explícita e precisão ilusória é sutil.
Mas a segunda costuma custar mais caro.
Porque quando não sabemos, hesitamos.
Quando achamos que sabemos, executamos.
E execução baseada em quase-verdade é extremamente eficiente.
Até deixar de ser.
Uma pergunta que talvez importe mais que o resultado
Se você tivesse que escolher entre:
- um modelo que erra 10% de forma aleatória
- um modelo que erra 3% sempre na mesma direção
qual seria mais perigoso?
A resposta não é matemática.
É estratégica.
Talvez a pergunta correta não seja
“qual é a acurácia?”
Mas:
“Em que direção estamos consistentemente errando?”
Porque errar é inevitável.
Errar sempre para o mesmo lado é narrativa.
E narrativas, quando repetidas por anos, deixam de ser hipótese.
Virão política.
No fim, estatística não é sobre reduzir erro a zero.
É sobre compreender o formato do erro.
O resto é estética.
E estética, como sabemos, convence com facilidade.
Mas não corrige inclinações.
Se quiser, no próximo texto podemos explorar isso com simulação simples — mostrando como um pequeno viés acumulado altera decisões ao longo do tempo.