Explorar dados fazendo boas perguntas

Objetivos de aprendizagem

Após concluir esta unidade, você estará apto a:

• Fazer boas perguntas.
• Identificar aptidões e atitudes para trabalhar com dados de forma eficaz.

Introdução

Todos os dias, há milhões de oportunidades de melhorar a vida das pessoas com um melhor uso dos dados. Você está interessado em pesquisar doenças, padrões de educação, eficiência industrial, cuidados com pacientes ou despesas públicas? As oportunidades são infinitas.

Para começar a fazer melhor uso dos dados, considere essa parte essencial do letramento em dados: a exploração. A chave para a exploração bem-sucedida dos dados é saber fazer boas perguntas. Por exemplo, se você ama cães e se preocupa com a saúde, uma pergunta inicial a se fazer é: Ter um cachorro faz bem para a saúde?

Agora, compare essa pergunta com esta: Como é a comparação dos resultados de saúde entre donos de cães e pessoas que não têm cães em doenças crônicas nos Estados Unidos?

A primeira pergunta é ampla; não há critérios claros para o que é considerado bom para a saúde. A segunda pergunta é muito mais específica. Ela usa termos claramente definidos e concentra seu foco em uma população específica. É mais fácil explorar dados que respondam à segunda pergunta.

Perguntando o motivo

Quando você começa a explorar a resposta de uma pergunta, muitas vezes se encontra fazendo perguntas secundárias. Normalmente, não é suficiente responder a sua pergunta original. Em nosso exemplo, se os resultados de saúde entre pessoas com doenças crônicas nos Estados Unidos variam com a tutela de um cão, a próxima pergunta a se fazer é: "Por quê?"

A técnica 5 Porquês, desenvolvida pelo fundador da Toyota Motors, Sakichi Toyoda, propõe perguntar por quê? em relação a um problema que foi identificado e fazer novamente a pergunta a cada explicação dada. Embora o objetivo principal da técnica seja determinar a causa raiz de um defeito, podemos usar essa técnica para investigar as causas de qualquer resultado.

O proeminente tecnólogo de informações Stephen Few identificou uma lista de características que ajudam as pessoas a trabalhar efetivamente com dados, características que ele chama de aptidões e atitudes. Essas características também ajudam você a fazer perguntas melhores.

Aptidões e atitudes que inspiram boas perguntas

Ao ler essas aptidões e atitudes, adaptadas com permissão do livro de Stephen Few, Now You See It: An Introduction to Visual Data Sensemaking (Agora você vê: uma introdução à compreensão de dados visuais), reflita sobre sua própria experiência. Quais dessas características você possui? Quais dessas características você gostaria de desenvolver? Como suas características atuais ajudam você a fazer boas perguntas? Como adquirir novas características pode ajudar você a se desenvolver ainda mais para fazer boas perguntas?

O valor das boas perguntas: Exemplos

Florence Nightingale e John Snow mostraram muitas das características listadas acima e fizeram boas perguntas para resolver problemas. Ao ler sobre cada um deles, pense nas aptidões e atitudes que eles mostraram em seu trabalho.

Por exemplo, ambos demonstraram interesse e curiosidade. Nightingale tinha habilidades de análise de dados e Snow enxergava padrões. Você pode pensar em outros exemplos de como Florence Nightingale e John Snow mostraram aptidões e atitudes eficazes para análise de dados?

Florence Nightingale

Em 1854, Florence Nightingale liderou uma equipe de 38 enfermeiras para cuidar de soldados que foram hospitalizados durante a guerra da Crimeia. Por que tantos soldados estavam morrendo e como as mortes poderiam ser evitadas?

Ela descobriu que doenças evitáveis causadas por condições insalubres de saúde, não lesões de guerra, eram a principal causa de morte desses soldados. Ela começou a fazer reformas na saúde, o que diminuiu drasticamente as mortes, e documentou dois anos de resultados.

Depois, ela usou gráficos, como um diagrama de área polar (exemplo abaixo), para mostrar a necessidade de uma reforma sanitária generalizada a um público não científico. Em seu diagrama, cada fatia representa um mês, e a área da fatia mostra o número de soldados que morreram naquele mês. Cores diferentes representam diferentes causas da morte.

A história e as imagens aqui foram adaptadas da página Florence Nightingale no site do Museu de Ciência do Reino Unido: O Trabalho de Florence Nightingale.

John Snow

A cólera é uma doença intestinal aguda que causou muitas mortes durante uma epidemia em Londres entre 1831 e 1832 e novamente de 1848 a 1849. Na época, muitas pessoas acreditavam que a cólera era causada pelo ar ruim, decorrente da matéria orgânica deteriorada. Eles acreditavam que a doença poderia ser erradicada através de medidas preventivas, como a limpeza, de modo que não seguiam a abordagem científica mais pura da microbiologia. O médico britânico, John Snow, questionou essa teoria de ar ruim, ou Miasma.

E se a cólera fosse causada por um germe? Snow considerou que a cólera era causada por uma célula germinativa ainda não identificada. Ele argumentou que o germe estava se espalhando pela água potável. Para testar sua ideia (de que a cólera foi contraída por meio do contato com germes na água em vez de ar ruim), Snow recebeu dados sobre as mortes de Londres atribuídas à cólera do Registrador-Geral. 

Snow plotou as mortes em um mapa da cidade e, em seguida, traçou os locais das bombas de água que forneciam água para a cidade. Ele finalmente determinou que as vítimas das mortes por cólera que ele mapeou tinham consumido água da bomba de Broad Street.

A história de John Snow é um exemplo significativo de resolução de um problema de saúde por meio de métodos estatísticos sem conhecimento da causa biológica subjacente. Ele não sabia quais eram as propriedades biológicas específicas do germe da cólera, mas ainda assim descobriu a origem do problema.

A história e as imagens aqui foram adaptadas da página de John Snow no site do Departamento de Epidemiologia da UCLA: O trabalho de John Snow.

Recursos

• Blog do Tableau: Encontrar insights ocultos em seus dados: perguntar o motivo e o motivo novamente
• Livro: Few, S. (2021). Now You See It: An Introduction to Visual Data Sensemaking (2nd ed). (Agora você vê: uma introdução à compreensão de dados visuais). Analytics Press, 29-32.
• Site da Web: Florence Nightingale: The Pioneer Statistician (a pioneira em estatística)
• Site da Web: Pai da Epidemiologia moderna

Agora você entende a relação entre boas perguntas e exploração de dados. Para trabalhar com dados de forma eficaz, concentre-se nas aptidões e atitudes que ajudam você a fazer boas perguntas.