[vc_row][vc_column][vc_empty_space][vc_column_text]

Gestão

[/vc_column_text][vc_separator color=”custom” accent_color=”#66296d”][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column][vc_single_image image=”5539″ img_size=”full”][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]

RUÍDO

[/vc_column_text][vc_column_text]

Uma tomada de decisão inconsistente representa um enorme custo oculto para muitas empresas. Saiba como superar o que denominamos

[/vc_column_text][vc_column_text]

Por * Daniel Kahneman, Andrew M. Rosenfield, Linnea Gandhi e Tom Blaser

[/vc_column_text][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]Numa empresa global de serviços financeiros com a qual trabalhamos, um antigo cliente enviou acidentalmente o mesmo formulário para duas unidades. Embora se esperasse que os funcionários responsáveis pelo processo seguissem as mesmas diretrizes — e, portanto, chegassem ao mesmo resultado —, as duas unidades deram cotações muito diferentes. Surpreso, o cliente entregou o negócio a um concorrente. Do ponto de vista da empresa, funcionários com a mesma função deveriam ser intercambiáveis, mas nesse caso não eram. Infelizmente, esse é um problema comum.

Muitas organizações atribuem casos aleatoriamente aos profissionais: avaliadores de agências de classificação de risco, médicos de prontos-socorros, analistas de crédito, agentes de seguros e outros. As organizações esperam consistência desses profissionais: casos idênticos devem ser tratados de forma semelhante, se não idêntica. O problema é que os seres humanos não são tomadores de decisão confiáveis. Seus julgamentos são fortemente influenciados por fatores irrelevantes, como seu estado de espírito, o intervalo desde a última refeição, o clima. Nós chamamos a probabilidade de variabilidade do julgamento de ruído. É um imposto quase invisível para muitas empresas.

Algumas atividades são isentas de ruído. Funcionários de banco ou dos correios desempenham tarefas complexas, mas precisam seguir regras restritas que limitam o julgamento subjetivo e garantem, por princípio, que casos idênticos sejam tratados de forma idêntica. Por outro lado, médicos, analistas de crédito, gestores de projeto, juízes e executivos, todos emitem opiniões baseadas em sua experiência informal e em princípios gerais, e não em regras rígidas — o que é aceitável caso não cheguem exatamente à mesma resposta que qualquer outra pessoa na mesma função chegaria. É a isso que nos referimos quando afirmamos que uma decisão é “uma questão de bom senso”. Nenhuma empresa cujos funcionários praticam o bom senso espera que as decisões sejam inteiramente livres de ruído, mas, muitas vezes, o ruído está muito acima do nível que os executivos considerariam tolerável — e isso eles não percebem.

 

Ideia em resumo

O PROBLEMA

As organizações, em geral, esperam que seus profissionais técnicos sejam consistentes em seus julgamentos. No entanto, o julgamento humano, muitas vezes, é influenciado por fatores irrelevantes. Mas o mais preocupante é que as decisões costumam variar de funcionário para funcionário. A probabilidade de variabilidade dos julgamentos
é chamada de ruído, e representa um custo surpreendentemente alto para as organizações.

O PONTO DE PARTIDA

Os gestores devem realizar uma auditagem de ruído na qual os membros de uma unidade avaliem de forma independente um conjunto comum de casos. O grau de variabilidade de suas decisões é uma medida do ruído. Em geral, ele é extremamente mais alto do que os executivos preveem.

A SOLUÇÃO

Em se tratando de ruído, a mais radical é substituir o julgamento humano por algoritmos. Não é difícil construí-los — mas, não raro, eles são política ou operacionalmente inviáveis. Nesses casos, as empresas devem ajudar seus profissionais a estabelecer procedimentos mais consistentes.

 

A preponderância do ruído foi demonstrada em numerosos estudos. Pesquisadores acadêmicos repetidamente confirmaram que frequentemente os profissionais contradizem seus julgamentos anteriores quando lhes são apresentados os mesmos dados em diferentes ocasiões. Uma vez solicitou-se a desenvolvedores de software, em dois dias diferentes, que estimassem o tempo para finalização de determinada tarefa. O número de horas estimadas diferiu, em média, em cerca de 70%. Outro exemplo: patologistas fizeram duas avaliações sobre a gravidade de resultados de biópsias, e as correlações entre as avaliações foi somente 0,61 (uma correlação perfeita é igual a 1,0), o que indica que eles foram inconsistentes várias vezes. Existe uma probabilidade ainda maior de divergência quando os julgamentos são feitos por pessoas diferentes. Os pesquisadores confirmaram que, em muitas tarefas, as decisões de especialistas são extremamente variáveis: estimativas de estoque, avaliações de imóveis, condenação de criminosos, avaliação de desempenho profissional, auditoria de demonstrações financeiras e outras. A conclusão inevitável é que, não raro, os profissionais tomam decisões que divergem significativamente das de seus colegas, de suas próprias decisões anteriores e das regras que eles mesmos alegam seguir.

Na maioria das vezes o ruído é insidioso: até empresas bem-sucedidas perdem quantias substanciais sem perceber. Substanciais, quanto? Para ter uma estimativa, perguntamos aos executivos de uma das organizações que estudamos: “Suponha que uma avaliação ótima de determinado caso seja US$ 100 mil. Qual seria o custo para a organização se o profissional encarregado atribuísse US$ 115 mil? E se atribuísse US$ 85 mil?”. As estimativas de custo são altas. Somando todas as avaliações feitas todos os anos, o custo do ruído atingiria a ordem de bilhões.

Há muito tempo se sabe que as previsões e decisões geradas por algoritmos estatísticos simples são, em sua maioria, mais precisas que as que são feitas por especialistas, mesmo quando a quantidade de informação a que eles têm acesso é maior que a introduzida nas equações. No entanto, o que praticamente não se sabe é que a principal vantagem dos algoritmos é eles não conterem ruído: ao contrário dos seres humanos, uma equação sempre fornecerá o mesmo resultado qualquer que seja o input. Com uma consistência perfeita, até algoritmos simples e imperfeitos fornecem mais precisão que os profissionais humanos. (Obviamente, há ocasiões em que os algoritmos podem ser operacional ou politicamente inviáveis, como será discutido.)

Neste artigo explicamos a diferença entre ruído e viés e analisamos como os executivos podem calcular o nível e o impacto do ruído na organização. A seguir, descrevemos um método barato e subutilizado para criar algoritmos que corrigem o ruído e esboçamos os procedimentos que podem promover a consistência quando os algoritmos não forem uma opção.[/vc_column_text][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column width=”1/3″][vc_empty_space][/vc_column][vc_column width=”1/3″][vc_column_text]

Como o ruído e o viés afetam a precisão

[/vc_column_text][vc_single_image image=”5530″ img_size=”full”][/vc_column][vc_column width=”1/3″][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]

Ruído versus viés

Quando se analisam erros de julgamento e de tomada de decisão, pensa-se provavelmente em vieses sociais, como estereotipagem de minorias, ou em vieses cognitivos, como confiança exagerada e otimismo infundado. A variabilidade desnecessária a que chamamos ruído é um tipo diferente de erro. Para entender a diferença, pense numa balança de banheiro. É possível dizer que a balança está enviesada se as leituras forem regularmente muito acima ou muito abaixo do peso da pessoa. Se o peso dela aparentemente depende do lugar onde ela pisa na balança, esta é ruidosa. Uma balança que reduz consistentemente o peso verdadeiro em exatamente dois quilogramas está fortemente enviesada, mas sem ruído. Quando você sobe na balança, duas vezes seguidas, e ela fornece cada vez uma leitura diferente, é porque a balança está ruidosa. Os erros de medida geralmente decorrem de uma combinação entre viés e ruído. Balanças de banheiro baratas são geralmente um pouco enviesadas, mas muito ruidosas.

 

Ao contrário do viés, o ruído pode ser medido sem que necessariamente se saiba qual é a resposta exata.


Para ilustrar essa diferença visualmente, considere os alvos no quadro “Como o ruído e o viés afetam a precisão”. Eles mostram os resultados de uma sequência de tiros de quatro equipes com quatro membros cada uma. Cada pessoa atira uma vez.

• A equipe A é precisa. Os tiros acertam na mosca e estão próximos uns dos outros. As outras três equipes são imprecisas, mas de formas diferentes.
• A equipe B é ruidosa: os tiros estão centralizados em torno da mosca, mas muito espalhados.
• A equipe C é enviesada: todos os tiros estão fora da mosca, mas formam um grupo coeso.
• A equipe D é ruidosa e enviesada.

Como ilustra a comparação entre a equipe A e a B, um aumento do ruído sempre prejudica a precisão quando não há viés. Quando o viés está presente, aumentar o ruído pode até produzir um lance certeiro, como aconteceu com a equipe D (um tiro acertou na mosca). Obviamente, nenhuma organização deposita sua confiança na sorte. O ruído é sempre indesejável — e, às vezes, desastroso.

Obviamente é importante para uma organização saber que viés e ruído estão presentes nas decisões de seus funcionários, mas quantificar essa informação não é trivial. Ao medir esses erros surgem diferentes questões. O maior problema é que os resultados das decisões, geralmente, só são conhecidos no futuro, muito tempo depois — se, de fato, chegarem a ser conhecidos. Há analistas de crédito, por exemplo, que precisam esperar vários anos para saber se os créditos que aprovaram funcionaram, e eles raramente sabem o que acontece com um solicitante que recusaram.

Ao contrário do viés, o ruído pode ser medido sem que necessariamente se saiba qual é a resposta exata. Para ilustrar, voltemos ao exemplo do alvo. Imagine se as marcas dos alvos fossem apagadas. Você não saberia nada sobre a precisão das equipes, mas teria certeza de que alguma coisa estava errada com o espalhamento dos tiros das equipes B e D: onde quer que a mosca esteja, eles não chegaram nem perto de atingi-la. Para medir o ruído em julgamentos, tudo de que precisamos é um experimento simples em que casos reais são avaliados independentemente por vários profissionais. Aqui, novamente, o espalhamento dos julgamentos pode ser observado sem que necessariamente se saiba qual é a resposta correta. Chamamos esses experimentos de auditagem de ruído.

 

Onde há julgamento, há ruído — e geralmente mais do que se imagina

[/vc_column_text][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]

Como fazer auditagem de ruído

O objetivo da auditagem não é produzir um relatório. A meta final é melhorar a qualidade das decisões, e uma auditagem só é positiva se os líderes da unidade estão preparados para aceitar resultados desfavoráveis e agem de acordo. E essa aceitação se torna mais fácil se os executivos veem o estudo como criação própria. Com essa finalidade, os casos devem ser compilados por membros respeitados da equipe e abranger a faixa de problemas habitualmente encontrados. Para tornar os resultados mais relevantes, todos os membros da unidade devem participar da auditagem. É preciso que um cientista social com experiência na realização de experimentos comportamentais rigorosos, por exemplo, supervisione os aspectos técnicos da auditoria, mas o processo deve ficar nas mãos da unidade profissional.

Recentemente, ajudamos duas organizações do ramo financeiro a fazer uma auditagem de ruído. As obrigações e expertise dos dois grupos que estudamos eram bem diferentes, mas os dois exigiam a avaliação de materiais moderadamente complexos e com muita frequência envolviam decisões sobre centenas de milhares de dólares. Seguimos o mesmo protocolo nas duas organizações. Primeiro pedimos aos gestores das equipes profissionais envolvidas que criassem vários arquivos de casos reais para avaliação. Para evitar que a informação sobre o experimento vazasse, todo o exercício foi realizado no mesmo dia. Solicitou-se aos executivos que passassem cerca de metade do dia analisando dois a quatro casos. Eles deveriam decidir a quantia em dólares de cada um, como se fosse sua rotina normal de trabalho. Para evitar conchavos, os participantes foram informados de que se tratava de um estudo relacionado à confiabilidade. Numa organização as metas foram descritas como: entender o pensamento profissional dos funcionários, aumentar a utilidade de suas ferramentas e melhorar a comunicação entre os colegas. Participaram cerca de 70 profissionais da organização A e cerca de 50 da organização B.

 

Tipos de ruído e viés

Viés e ruído são conceitos distintos.
Cada um requer diferentes ações corretivas
TIPO DE VIÉS EXEMPLOS AÇÕES CORRETIVAS
GERAL
O julgamento médio
está errado.
• Planejando a falácia: previsões de resultado são particularmente otimistas
• Aversão exagerada ao risco: uma empresa de capital de risco rejeita muitos investimentos promissores, mas de risco
• Monitoramento contínuo
das decisões
• Diretrizes e metas para a incidência de certos resultados (como aprovações de empréstimo)
• Eliminação de incentivos que favoreçam os vieses
SOCIAL
A discriminação abrange certas categorias de casos.
• Negação frequente de crédito a solicitantes incluídos em certos grupos étnicos
• Viés de gênero em avaliações de desempenho profissional
• Monitoramento de estatísticas de diferentes grupos
• Cegueira às aplicações
• Métricas objetivas e quantificáveis
• Canais abertos para reclamações
• Diretrizes e treinamento
COGNITVO
As decisões são fortemente influenciadas por fatores irrelevantes.
• Efeitos exagerados de primeiras impressões
• Efeitos âncora (como
uma oferta inicial numa negociação)
• Desconsideração míope de consequências futuras
• Treinamento de funcionários
para detectar situações em que costumam ocorrer vieses.
• Críticas a decisões importantes, focadas em prováveis vieses.
TIPO DE RUÍDO EXEMPLOS AÇÕES CORRETIVAS
VARIABILIDADE
NAS OCASIÕES
As decisões variam quando o mesmo caso é apresentado mais de uma vez à mesma pessoa.
• Julgamentos de um arquivo de aplicação por um profissional encarregado das contratações são influenciados por seu estado de espírito ou pela qualidade do candidato anterior • Algoritmos para substituir
o julgamento humano
• Checklists que encorajam abordagem consistente para
as decisões
VARIABILIDADE
NOS INDIVÍDUOS
Profissionais com as mesmas funções tomam diferentes decisões.
• Algumas pessoas são mais lenientes que outras
• Algumas pessoas são mais prudentes que outras
• Algoritmos para substituir
o julgamento humano
• Monitoramento frequente
das decisões dos indivíduos
• Mesas-redondas para explorar
e resolver diferenças
• Checklists que encorajam abordagem consistente
para as decisões

 

Para cada processo criamos um índice de ruído que respondia à seguinte pergunta: “Em quanto diferem os julgamentos de dois funcionários escolhidos aleatoriamente?”. Expressamos essa quantidade como um porcentual de sua média. Suponha que as avaliações de um caso por dois funcionários sejam de US$ 600 e US$ 1.000. A média de duas avaliações é US$ 800, e a diferença entre elas, US$ 400; portanto, o índice de ruído é de 50% para essa dupla. Usamos o mesmo cálculo para todas as duplas de funcionários e depois calculamos um índice médio geral de ruído para cada caso.

Entrevistas prévias à auditagem com executivos nas duas organizações indicaram que eles esperavam que as diferenças entre suas decisões profissionais variassem entre 5% e 10% — um nível que consideravam aceitável para “questões de julgamento”. Os resultados foram chocantes. O índice de ruído variou entre 34% e 62% nos seis casos da organização A, e a média geral foi de 48%. Nos quatro casos da organização B, o índice geral de ruído variou de 46% a 70%, com uma média de 60%. Talvez o mais frustrante: a experiência nessa atividade não pareceu reduzir o ruído. Entre os profissionais com cinco ou mais anos na função, a discordância média foi de 46% na organização A e de 62% na organização B.

A solução mais radical para o problema do ruído é substituir o julgamento humano por regras formais


Ninguém percebeu isso. Mas como os executivos haviam encomendado o estudo, as duas organizações aceitaram a conclusão de que a falta de confiança no julgamento de seus profissionais era tal que não podia ser tolerada. Todos concordaram imediatamente que alguma coisa precisava ser feita para controlar o problema.

Como os resultados foram consistentes com pesquisas anteriores sobre a baixa confiabilidade de avaliações profissionais, eles não nos surpreenderam. O grande enigma para nós foi o fato de que nenhuma das organizações jamais pensou que a confiabilidade fosse um problema.

O problema do ruído é, na verdade, invisível no mundo dos negócios. Pôr em xeque as avaliações profissionais costuma causar surpresa. O que impede as empresas de reconhecer que as avaliações de seus funcionários são ruidosas? A resposta está em dois fenômenos bem conhecidos: profissionais experientes tendem a confiar demais na precisão de suas avaliações e a respeitar muito o conhecimento de seus colegas. Essa combinação inevitavelmente os leva a se superestimar. O problema do ruído se torna invisível porque as pessoas não passam a vida imaginando alternativas plausíveis para todas as avaliações que fazem.

Tanto no xadrez como na direção, a habilidade é adquirida ao longo de anos de experiência num ambiente previsível, no qual as ações são seguidas por feedback claro e imediato. Infelizmente, poucos profissionais agem dessa forma. Na maioria das atividades, as pessoas aprendem a fazer julgamentos por ouvir explicações e críticas de gestores e colegas — uma fonte de conhecimento bem menos confiável que aprender com os próprios erros. Uma longa experiência numa atividade sempre aumenta a confiança que as pessoas depositam em você, mas na ausência de feedback imediato, a confiança não é garantia de precisão ou de consenso.

A única forma de obter avaliação precisa é auditar o ruído. E, pelo menos em alguns casos, o problema será suficientemente grave para exigir uma ação corretiva.[/vc_column_text][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]

Baixando o volume do ruído

A solução mais radical para o problema do ruído é substituir o julgamento humano por regras formais — conhecidas como algoritmos — que utilizam os dados de um caso para fornecer uma previsão ou uma decisão. As pessoas competiram com os algoritmos em várias centenas de provas de precisão nos últimos 65 anos, em tarefas que variavam de previsão de expectativa de vida de pacientes com câncer a previsão do sucesso de alunos recém-formados. Em cerca de metade dos estudos, os algoritmos foram mais precisos que os seres humanos, e praticamente empataram com os humanos nos outros 50%. Os empates poderiam ser contados como vitórias para os algoritmos mais eficientes na relação custo e benefício.

Como construir uma regra racional

Para criar algoritmos de previsão úteis, não são necessários dados experimentais.
É possível construir uma regra racional muito eficiente para prever a inadimplência de empréstimos, sem saber o que aconteceu com os empréstimos anteriores.
Tudo o que você precisa é um pequeno conjunto de pedidos de empréstimo recentes. A seguir, os próximos passos:

 

1. Selecione seis a oito variáveis diferentes e relacionadas com o resultado a ser previsto. Ativos e rendimentos (com peso positivo) e passivos (com peso negativo) certamente serão incluídos, juntamente com outros parâmetros do pedido de empréstimo.

 

2. Retire os dados de seu conjunto de casos (todos os pedidos de empréstimo do ano anterior) e calcule a média e o desvio padrão de cada variável do conjunto.

 

3. Calcule um “escore padrão” para cada caso do conjunto e para cada variável: a diferença entre o valor de cada caso e a média de todo o conjunto dividida pelo desvio padrão. Com os escores padrão, todas as variáveis são expressas na mesma escala e podem ser comparadas em médias.

 

4. Calcule um “sumário de resultados” para cada caso — a média dos escores padrão de suas variáveis. Esse é o output da regra racional. A mesma fórmula servirá para os novos casos; deverão ser usados a média e o desvio padrão do conjunto original e atualizando-os periodicamente.

 

5. Ordene os casos do conjunto, do sumário de resultados mais alto para o mais baixo, e determine as ações corretivas para diferentes faixas de escores. Para os pedidos de empréstimo, por exemplo, as ações podem ser “os 10% do topo da lista de solicitantes receberão um desconto” e “os 30% da parte de baixo da lista serão recusados”.

 

Agora você está pronto para aplicar a regra aos novos casos. O algoritmo calculará um sumário de resultados para cada novo caso e gerará uma decisão.


É claro que em muitas situações os algoritmos não são práticos. A aplicação de uma regra pode não ser viável quando os inputs são idiossincráticos ou difíceis de codificar num formato consistente. E os algoritmos podem não ser úteis em julgamentos ou decisões que envolvem várias dimensões ou dependem da negociação com a outra parte. Em alguns casos, considerações organizacionais impedem a opção pela solução algorítmica, mesmo quando ela está disponível. A substituição de funcionários por software é um processo doloroso que encontra resistência, a menos que os libere para tarefas mais agradáveis.

Mas, se as condições permitirem, desenvolver e implementar algoritmos pode ser surpreendentemente fácil. A hipótese comum é que os algoritmos exigem análise estatística de grandes volumes de dados. A maioria das pessoas com quem conversamos acredita que os dados sobre milhares de pedidos de empréstimos e os respectivos resultados são necessários para desenvolver uma equação que preveja a inadimplência de empréstimos comerciais. Pouca gente sabe que os algoritmos adequados podem ser desenvolvidos sem absolutamente nenhum dado experimental — e com uma informação de input somente de um pequeno número de casos. Chamamos as fórmulas preditivas criadas sem dados experimentais de “regras racionais” porque elas se baseiam no raciocínio do senso comum.

A construção de uma regra racional começa com a seleção de algumas (talvez seis a oito) variáveis que estejam inerentemente relacionadas com o resultado a ser predito. Se o resultado for a inadimplência de empréstimos, por exemplo, ativos e passivos certamente serão incluídos na lista. O próximo passo é atribuir a essas variáveis pesos iguais na fórmula de previsão, fixando seu sinal na direção óbvia (positiva para ativos, negativa para passivos). A regra pode então ser construída por meio de alguns cálculos simples (para mais detalhes, ver quadro “Como construir uma regra racional”).

Estudos mostram que, embora os seres humanos forneçam input útil, os algoritmos são melhores tomadores de decisão.

O resultado surpreendente da maioria das pesquisas é que em muitos contextos as regras racionais são quase tão precisas quanto os modelos estatísticos construídos com os dados experimentais. Os modelos estatísticos padrão combinam um conjunto de variáveis de previsão às quais são atribuídos pesos baseados nas suas relações com os resultados previstos. Em muitas situações, no entanto, esses pesos são estatisticamente instáveis e pouco importantes na prática. Uma regra simples que atribua pesos iguais às variáveis selecionadas provavelmente será igualmente válida. Os algoritmos que atribuem pesos iguais às variáveis e não se baseiam em dados experimentais mostraram bons resultados em seleção de pessoal, prognóstico de eleições, previsões de resultados de futebol e outras aplicações.

O ponto principal aqui é que se você pretende usar um algoritmo para reduzir o ruído, não precisa esperar pelos dados experimentais. Você pode obter os mesmos benefícios usando o senso comum para selecionar variáveis e a regra mais simples possível para combiná-las.

Obviamente, qualquer que seja o tipo de algoritmo usado, o controle final está em mãos humanas. Os algoritmos precisam ser monitorados e ajustados para eventuais mudanças na população dos casos. E os gestores devem estar atentos às decisões dos indivíduos e ter autoridade para rejeitar o algoritmo em casos muito específicos. Uma decisão para aprovar um empréstimo, por exemplo, poderá ser revogada provisoriamente se a empresa descobrir que o solicitante já esteve preso. O mais importante é que os executivos devem determinar como transformar o output do algoritmo em ações. O algoritmo pode informar quais potenciais empréstimos estão entre os primeiros 5% ou entre os últimos 10% de todos os pedidos, mas alguém precisa decidir o que fazer com essa informação.

Muitas vezes, os algoritmos são usados como fonte intermediária de informação para os profissionais que tomam as decisões finais.
Por mais desconfortáveis que as pessoas se sintam com essa ideia, estudos mostram que, embora os seres humanos forneçam input útil para as fórmulas, os algoritmos são melhores como tomadores de decisão final. Se evitar erros for o único critério, os gestores devem ser enfaticamente aconselhados a rejeitar o algoritmo somente em circunstâncias excepcionais. [/vc_column_text][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]

Disciplinando o julgamento

Substituir as decisões humanas por um algoritmo pode ser uma opção sempre que os julgamentos profissionais forem ruidosos, mas na maioria dos casos essa solução seria radical demais ou simplesmente pouco prática. Uma alternativa é adotar procedimentos que promovem a consistência, garantindo que os funcionários na mesma função utilizem métodos similares para obter informação, integrá-la a uma visão do caso e traduzir essa visão em decisão. Uma análise completa de tudo o que é necessário para fazer isso está além do escopo deste artigo, mas podemos oferecer alguns conselhos básicos, com a importante ressalva de que introduzir disciplina no julgamento não é nada fácil.

Treinamento é crucial, mas mesmo profissionais que receberam o mesmo treinamento tendem a se desviar de seu próprio jeito de fazer as coisas. As empresas geralmente combatem essas divergências organizando mesas-redondas com tomadores de decisão para avaliar processos. Infelizmente, a maioria das mesas-redondas é conduzida de uma forma que facilita muito o consenso, porque os participantes convergem rapidamente para a primeira opinião exposta ou para a mais convincente. Para evitar essas concordâncias espúrias os participantes devem estudar o caso independentemente, formar opiniões que estejam preparados para defender e enviá-las ao líder do grupo antes da reunião. Essas mesas-redondas fornecem auditagem eficiente do ruído, com a vantagem de promover discussões em grupo nas quais as diferenças de opinião são exploradas.

Uma boa alternativa ou um bônus adicional às mesas-redondas: os profissionais técnicos poderiam dispor de ferramentas fáceis de usar, como checklists e questões cuidadosamente formuladas que os orientem à medida que coletam informações sobre o caso, fazem julgamentos intermediários e formulam a decisão final. Em cada um desses estágios sempre ocorre variabilidade indesejável, e as empresas podem — e devem — testar a eficácia dessas ferramentas em reduzi-la. Idealmente, os usuários dessas ferramentas devem considerá-las mecanismos auxiliares que ajudam a tornar seu trabalho mais eficiente e mais econômico. É muito difícil controlar o ruído, mas esperamos que uma organização que realize uma auditagem e avalie o custo do ruído em dólares possa concluir que o esforço para reduzir a variabilidade aleatória vale a pena.

 

A solução mais radical para o problema do ruído é substituir o julgamento humano por regras formais

 

NOSSA PRINCIPAL META é apresentar aos gestores o conceito de ruído como uma fonte de erros e explicar como ele difere do viés. O termo “viés” se instalou de tal forma no senso comum que, muitas vezes, é usado como sinônimo de “erro”. Na verdade, as melhores decisões não são tomadas simples-mente reduzindo os vieses gerais (como otimismo) ou vieses específicos sociais e cognitivos (como discri-minação contra mulheres ou efeitos-âncora). Os executivos preocupados com a precisão devem atentar para a pre-valência da inconsistência nos julgamentos profis-sionais. O ruído é mais difícil de avaliar que o viés, mas não está menos presente nem é menos oneroso.  [/vc_column_text][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column][vc_column_text][/vc_column_text][vc_empty_space][/vc_column][/vc_row]