A estratégia "Prática-Gráfica-Analítica"​

Como aplicar a abordagem "P.G.A." para aprimorar nossas análises de dados, e dois exemplos clássicos de como tirar proveito dela, embora os autores dos exemplos não os tenham explorado desta forma.

“Ars est celaree artem.” (a arte consiste em esconder a arte) - Ovidio

Resumo:

• O método prático-gráfico-analítico é resumido e dois exemplos clássicos são descritos para ilustrar como ele melhora as análises de dados;

• Um exemplo de confusão de correlação e causalidade de Box e Hunter [2] foi usado para apresentar o que pode acontecer quando a parte “Prática” do P.G.A. é negligenciada;

• Um exemplo de blocos em experimentos da mesma referência foi usado para ilustrar um P.G.A. completo.

De acordo com o dictionary.com, a citação acima significa “a verdadeira arte oculta os meios pelos quais ela é alcançada”. Isso pode se verificar por acaso em projetos de melhoria, se você usar um método de forma automática, não necessariamente percebendo isto. Este não foi o caso dos autores citados dos exemplos trazidos para este texto, mas pode ser o de muitos líderes de projeto que aplicam a abordagem a ser ilustrada eventualmente sem nem mesmo saber que o estavam fazendo.

A abordagem “P.G.A.” consiste em três dimensões fundamentais para quando analisamos dados. Quando aplicamos tal estratégia, estamos nos disciplinando para associar nosso conhecimento específico com a ciência da melhoria já que, somente juntos, reduzimos riscos de análises distorcidas. Não consegui encontrar o autor deste método, mas, desde que aprendi isto durante um treinamento de Black Belt em Lean Six Sigma em 2007, achei extremamente útil para qualquer projeto de melhoria ou inovação. Você também pode aplicar isto em qualquer processo genérico de interpretação de dados [1] e reduzir assim o risco de interpretações erradas.

A primeira parte se baseia em nossa experiência na área específica que pretendemos melhorar. Por exemplo, eu poderia desenvolver uma melhoria de processo em qualquer área. Digamos vendas, que não é minha especialidade, mas se eu envolver as pessoas certas, que tenham este know-how e, complementando isto com a Metodologia Lean Six Sigma (a “ciência da melhoria”), podemos juntos desenvolver melhorias na área comercial.

Para os dados, a abordagem prática lidaria com a observação de dados reais (ou seja, grandes diferenças, tendências, padrões, observações incomuns, etc.). Quando a compreendemos como trazer nosso know-how para este processo de melhoria, temos, além da coleta bem planejada, a análise de dados brutos (o que estávamos esperando, se os dados fazem sentido, se podemos confiar no sistema de medição, se podemos traduzi-los em algo representativo para nós). Quando estamos medindo nosso processo no local, podemos tomar notas do processo geral, acontecimentos inesperados e observações práticas que possamos ter durante esta coleta. Se estivermos familiarizados com o fenômeno que está sendo analisado ou, apenas atentos porque fomos treinados (por exemplo, uma pessoa certificada em Lean Six Sigma procurando por desperdícios), obteremos informações críticas já através da observação cuidadosa dos eventos.

A abordagem gráfica é incorporada quando traduzimos os dados em um resumo visual, como um histograma, um gráfico de pontos ou uma carta de controle. Tal ilustração pode destacar vários achados cruciais, além de uma compreensão muito mais fácil da localização dos dados (ex. valores mais esperados, como médias ou medianas), variação (quanto os dados estão espalhados) e forma (como exatamente é a forma desta distribuição). Por meio da análise gráfica podemos entender melhor como nossos dados são distribuídos em relação a estas características.

A abordagem analítica significa realizar análises estatísticas, como testes de hipóteses, calcular estatísticas que adicionam objetividade aos nossos estudos como estatísticas descritivas ou empregar ferramentas como Planejamento de Experimentos, Análise de Correlação e Regressão, etc.

Embora alguns de nós possamos supor que apenas uma destas abordagens seja suficiente, depois de alguns anos de gerenciamento de projetos em esforços de melhoria, todos entendemos que devemos trazer todas essas visões à discussão antes de formular qualquer conclusão. Vamos ilustrar isto com dois exemplos clássicos de estatística.

As cegonhas de Oldenburg

Em Box e Hunter [2] você pode encontrar vários exemplos de como usar a estatística para chegar a boas conclusões. Na página 8, porém, eles exemplificam a partir dados de outra referência [3] como os experimentadores podem fazer confusões entre correlação e causalidade. Você também pode encontrar vários exemplos destas confusões na Internet. (Imagem de Alexas_Fotos de Pixabay).

Neste caso, os dados foram coletados correlacionando a população de uma pequena cidade alemã e o número de cegonhas lá. Algumas pessoas poderiam assumir, a partir dos resultados, que o aumento da população poderia ser causado pelo aumento do número de cegonhas. Esta hipótese poderia nos ser útil sempre que precisarmos explicar aos nossos filhos de onde vêm os bebês. Os autores argumentam que a relação forte pode ser explicada por uma correlação de ambas as variáveis com um terceiro fator (por exemplo, o tempo). Também pode ser o caso de o aumento do número de cegonhas ser causado pelo aumento da população (mais bebês significam mais casas, que representam mais chaminés para servirem de ninhos).

Lembrando que a abordagem prática seria trazer nossa experiência para suportar a análise, percebemos que isto teria sido absolutamente necessário para uma conclusão adequada. Tanto a abordagem gráfica (como o extrato abaixo adaptado de Box e Hunter [2]) ou a abordagem analítica (por exemplo, calculando o fator de correlação forte) poderiam sozinhas nos levar a uma conclusão errada.

O experimento das solas de calçados com garotos

Box e Hunter [2] também apresentaram um exemplo interessante de como a estratégia por trás do experimento pode nos ajudar a alcançar resultados mais realistas. Novamente, eles não mencionaram explicitamente uma abordagem "P.G.A.", mas este poderia ser entendido como um bom exemplo de uma aplicação deste método. (Imagem de Luisella P Leoni por Pixabay)

O objetivo era analisar o desempenho de dois materiais em relação ao desgaste. Alguns de nós poderiam facilmente considerar um grupo com material “A” e outro grupo com o material mais barato “B”. Este tipo de experimento reuniria variações que não gostaríamos de medir, como a intensidade das atividades de cada garoto, seu peso, as condições do pavimento em que eles caminham e vários outros aspectos não interessantes para nosso experimento junto com a mudança de desgaste entre os materiais.

O experimento foi então executado em pares. Cada garoto calçou um par de sapatos com os dois materiais. Assim, a variação que não poderíamos controlar foi reduzida enquanto a mudança de nosso interesse, no caso, a diferença entre os materiais poderia ser mais bem analisada.

Os dados coletados estão resumidos a seguir, onde (L) significa que o material foi utilizado para o calçado esquerdo e (R) utilizado para o calçado do outro lado. A decisão de qual garoto usaria um material específico em cada pé foi tomada de forma aleatória.

A abordagem prática neste caso é ilustrada pelo nosso conhecimento do fenômeno, por exemplo: o que sabemos sobre o desgaste. Poderíamos não ter levado em consideração, como os autores fizeram, o fato de que esta característica é muito mais impactada pelas diferenças entre os garotos, que não podemos controlar, do que pelas diferenças dos materiais. Podemos perceber isto examinando os dados brutos. Portanto, se não tivéssemos planejado estes experimentos em pares, provavelmente não encontraríamos qualquer diferença entre os materiais. Com o experimento feito aos pares, notamos que apenas com dois meninos a diferença foi negativa, ou seja, o desgaste foi maior para o Material A. Portanto, temos primeiro sinal de que este material é melhor para esse recurso.

Como uma análise gráfica, podemos representar graficamente os valores individuais ou as diferenças conforme abaixo. Já chegaríamos à mesma conclusão: O material B apresenta maior desgaste.

Finalmente, a abordagem analítica pode ser ilustrada com um teste de hipótese. Você pode encontrar abaixo o resumo do teste t pareado realizado no Minitab. Os dados foram previamente testados para normalidade.

Conclusão

A estratégia “P.G.A.” nos ajuda a trazer nosso conhecimento para a análise de dados. Todas as três partes desta abordagem devem ser realizadas a fim de reduzir o risco de conclusões tendenciosas.

Às vezes, as estatísticas podem ser planejadas ou analisadas de forma distorcida devido à nossa falta de conhecimento sobre o fenômeno que está sendo estudado. Nesses casos, reunir diferentes visões sobre os mesmos dados pode nos ajudar a identificar resultados incomuns e, eventualmente, revisar nosso plano de experimentação.

Referências

[1] http://www.leanmath.com/blog-entry/pga-t-meaningfully-interpret-data-four-steps

[2] Box, E.P., Hunter J.S. e Hunter W.G., Statistics for Experimenters: Design, Innovation, and Discovery, Wiley Series in Probability and Statistics

[3] Fisher, G., Ornithologische Monatsberichte, 44, no. 2, Jahrgang, 1936 e 38 no. 1, Jahrgang, 1940, Berlin and Statistisches, Jahrbuch Deutscher Gemeinden, 27-22, Jahrgang, 1932-1938