Como verificar as informações antes de tomar uma decisão

Os desafios enfrentados pelos líderes empresariais nunca foram tão grandes. As decisões regulares são cada vez mais complexas, devido à inflação, às tensões comerciais e à incerteza política. As questões de capital humano agora incluem diversidade, equidade e inclusão, saúde mental e aprimoramento de habilidades para a quarta revolução industrial. As preocupações ambientais, sociais e de governança não podem mais ser delegadas a um departamento de responsabilidade social corporativa; elas são deveres da diretoria executiva. A inteligência artificial traz uma infinidade de novas oportunidades, mas também várias novas ameaças. Mas parece que os executivos têm uma ferramenta para combater esses desafios: a informação. Com o clique de um mouse ou o pressionar de um polegar, eles podem consultar pesquisas de ponta sobre praticamente qualquer tópico. Os estudos acadêmicos são cada vez mais de acesso aberto, e agora há uma enxurrada de pesquisas amplamente disponíveis feitas por consultorias, ONGs e investidores. As informações não vêm apenas de estudos, mas também de livros, artigos de jornais e podcasts. Com tantas informações disponíveis, como saber em que confiar? Como as controvérsias recentes expuseram, até mesmo pesquisas publicadas em revistas de elite revisadas por pares podem ser baseadas em dados adulterados. O viés de confirmação pode significar que o que as pessoas compartilham e, portanto, o que vemos em nossos feeds de notícias, é o que elas querem que seja verdade, e não o que é realmente verdade. Há muitos livros excelentes sobre como lidar com a desinformação - que defino aqui como conclusões tiradas que não são justificadas pelas evidências - mas eles tendem a fornecer uma longa lista de todas as maneiras pelas quais as pessoas podem nos enganar; pode ser difícil lembrar de cada uma delas e colocar esse conhecimento em prática. O que os executivos precisam é de uma taxonomia simples de desinformação para que saibam o que procurar. Como cientista social, meu trabalho é coletar e dar sentido aos dados. Essa habilidade é útil não apenas para produzir pesquisas, mas também para avaliá-las. Em um novo livro, utilizo as ferramentas da pesquisa em ciências sociais para desenvolver o que chamo de "escada da desinferência", que categoriza a desinformação em quatro passos errados. Essa estrutura pode ser útil para líderes de todos os tipos que precisam gerenciar suas próprias investidas de informação. O primeiro passo em falso é que uma declaração não é um fato, pois pode não ser precisa. Quantas vezes aceitamos uma declaração pelo seu valor nominal porque gostamos do que ela diz? Por exemplo, minha pesquisa destaca os benefícios da governança corporativa e o valor do capitalismo das partes interessadas. Portanto, quando me deparei com um relatório de uma ONG influente, afirmando que as empresas com alto nível de ESG têm desempenho superior ao de seus pares, fiquei ansioso para aceitar essa afirmação sem críticas. O estudo incluía notas de rodapé para sugerir que havia evidências por trás dele, então foi tentador pensar que isso era o suficiente e seguir em frente. Mas o primeiro passo para um pensamento mais inteligente é verificar os fatos. Nesse caso, segui a nota de rodapé apenas para descobrir que a fonte subjacente dizia o oposto do que o relatório afirmava. A nota de rodapé levava a um artigo intitulado "Where ESG Fails" (Onde o ESG falha), cujo subtítulo afirma que "Apesar de inúmeros estudos, nunca houve provas conclusivas de que as telas socialmente responsáveis proporcionam alfa". Uma nota de rodapé no final de uma frase não significa que a nota de rodapé realmente apoie a frase: A declaração não é um fato. Outras imprecisões decorrem de erros de medição. Um artigo afirma que as empresas que investem em ESG colhem grandes recompensas. Mas quando o senhor se aprofunda no estudo, percebe que os autores nunca mediram o nível de ESG de uma empresa - apenas perguntaram às empresas se elas achavam que o ESG se tornou mais importante, o que é bem diferente. Mesmo que uma declaração esteja vinculada a uma enxurrada de dados, os dados podem não medir de fato o que é afirmado na declaração. O segundo problema é que um fato não é um dado porque pode não ser representativo. Os estudos de caso são um método de ensino popular e poderoso. Eles são vívidos, dão vida a um tópico e inspiram os líderes muito mais do que qualquer estatística ou regressão. E isso se aplica além da educação em escolas de negócios, aos livros mais vendidos e às palestras virais, que geralmente começam com uma história para atrair o público. Mas os gurus geralmente escolhem o exemplo que ilustra o ponto de vista da maneira mais crua possível, pois isso torna a história mais memorável. Uma única anedota - ou até mesmo duas anedotas - nos diz pouco, porque elas podem ser escolhidas a dedo. Elas são as exceções que não comprovam a regra. Muitas fórmulas de gerenciamento são vendidas com base em histórias de empresas famosas que as seguiram e se tornaram bem-sucedidas. Mas pode haver centenas de outras organizações que aplicaram os princípios e fracassaram, mas elas nunca serão mencionadas porque não se encaixam na história. Para mostrar que a fórmula funciona, o senhor precisaria considerar centenas de empresas que a utilizaram - tanto as que ficaram ricas quanto as que fecharam as portas - e comparar suas taxas de sucesso com um grupo de controle que não a utilizou. Gostamos de aprender com as histórias de sucesso, mas o senhor nunca conseguirá identificar o que levou ao sucesso se não estudar também o fracasso. O conjunto de dados precisa conter empresas com o molho secreto que fracassaram e aquelas sem o molho secreto que tiveram sucesso. Se o senhor só tiver acesso àquelas que seguiram a fórmula e tiraram a sorte grande, então terá uma amostra selecionada. O terceiro aviso é que os dados não são evidências, pois podem não ser conclusivos. Os dados em grande escala podem ser representativos, mas são apenas um primeiro passo, pois os dados são apenas um conjunto de fatos. A evidência é um conjunto de fatos que nos permite chegar a uma conclusão. Para isso, é necessário que ela não apenas apoie sua teoria, mas também rejeite teorias rivais, assim como as evidências em um julgamento criminal só são significativas se apontarem o suspeito específico. Essa é outra área em que o treinamento como cientista social ajuda. A TI envolve extrair relações de causa e efeito dos dados e determinar se um estudo é bem-sucedido nessa tarefa. Um estudo que encontrei afirmava encontrar evidências conclusivas de que a governança corporativa melhora o desempenho da empresa, com base em dados de que empresas bem governadas têm desempenho superior ao de seus pares mal governados. Como grande parte da minha pesquisa é sobre os méritos da boa governança, fiquei muito satisfeito com essa descoberta. Mas será que ela realmente mostrou que a governança corporativa causou esse desempenho? Infelizmente, esses dados mostraram apenas uma correlação entre governança e desempenho. Os dados eram consistentes com a teoria de que a boa governança causa um desempenho superior. Entretanto, os dados também eram consistentes com duas teorias rivais. A primeira é a causalidade reversa. Talvez as empresas com baixo desempenho tenham de se concentrar no combate a incêndios; somente quando a empresa tiver uma perspectiva otimista é que poderá voltar sua atenção para questões de longo prazo, como a governança corporativa. A segunda é a causa comum. Talvez ter um excelente CEO melhore a governança corporativa e o CEO também aumente o desempenho, em vez de o primeiro causar o segundo. Todos nós sabemos que "correlação não implica causalidade", mas de repente nos esquecemos disso quando gostamos do resultado que está sendo apresentado. Se o senhor participar de uma conferência de economia, assistirá a longos debates sobre tópicos como esse. Mas o senhor não precisa ser um acadêmico para pensar claramente sobre causa e efeito. Sempre pergunte se há outras teorias que sejam consistentes com os dados à sua frente, em vez de se atirar à explicação que o senhor deseja que seja verdadeira. A advertência final é que a evidência não é uma prova, pois pode não ser universal. Uma prova é absoluta. Quando Arquimedes demonstrou que a área de um círculo é pi vezes o quadrado de seu raio, ele provou isso não apenas para os círculos da Grécia Antiga no século III a.C., mas também para os círculos do mundo atual. Mas mesmo que as evidências preguem um resultado perfeitamente, elas podem fazê-lo apenas no ambiente em que foram coletadas - podem não fazê-lo em outro lugar. Um de meus próprios estudos constatou que as empresas com alto índice de satisfação dos funcionários têm desempenho superior ao de seus pares em 2,3% a 3,8% ao ano em retornos de ações de longo prazo - 89% a 184% cumulativos - mesmo depois de controlar outros fatores que impulsionam os retornos. Outras análises sugerem que é a satisfação dos funcionários que causa o bom desempenho, e não o bom desempenho que permite que uma empresa invista na satisfação dos funcionários. Um livro influente de Joseph Henrich destacou que a maioria das pesquisas se concentra em indivíduos WEIRD - ocidentais, educados, industrializados, ricos e democráticos - e os resultados podem não se estender ao resto do mundo. Eu não podia presumir que minhas descobertas se aplicavam a outros lugares, portanto, com alguns coautores, ampliei meu estudo original para 30 países. Descobri que minhas conclusões originais geralmente se mantinham, mas nem sempre. Em países com forte regulamentação do mercado de trabalho, as empresas com alto nível de satisfação dos funcionários não têm mais desempenho superior. Isso faz sentido: a lei significa que seus concorrentes já estão oferecendo um alto nível de bem-estar aos funcionários, portanto, aqueles que estão na cauda superior podem ter ultrapassado o ponto de retorno decrescente. Como podemos colocar em prática a escada da inferência errônea quando nos deparamos com informações? Fazendo a nós mesmos as seguintes perguntas simples: Se virmos uma declaração, ela é respaldada por dados? Não basta ver que há uma nota de rodapé; o senhor precisa pesquisar e ver o que ela afirma. Mesmo que a alegação apoie a declaração, o que os dados realmente medem? Se ouvirmos um fato, como uma história ou anedota, ele é representativo ou escolhido a dedo? O autor leva em consideração outras empresas com o molho secreto que fracassaram e aquelas sem o molho secreto que tiveram sucesso? Se nos forem fornecidos dados em larga escala, quais são as teorias rivais que são consistentes com os mesmos dados? Uma dica útil para identificar teorias rivais é imaginar que o estudo encontrou o resultado oposto - um resultado de que não gostamos - e pensar em como tentaríamos derrubá-lo. Se encontrarmos evidências robustas, elas se aplicam ao cenário em que estamos interessados? Um estudo que conclui que capacitar os funcionários funciona na área de tecnologia não significa que seja eficaz na mineração, onde a saúde e a segurança são fundamentais e as regras são mais valiosas. Esses antídotos destacam que a compreensão dos dados não requer pirotecnia estatística, mas bom senso, pensamento crítico e uma dose saudável de ceticismo. Ainda assim, o senhor poderia ficar sem saber o que fazer se, toda vez que visse uma declaração, tivesse que procurar a referência; toda vez que encontrasse uma evidência, precisaria ter em mente o contexto. Mas o senhor pode aplicar essas perguntas de forma seletiva, seguindo o princípio 80/20. Se o resultado for particularmente relevante para o seu negócio e o senhor for especialmente propenso a aceitá-lo devido ao viés de confirmação, vale a pena ser mais cuidadoso. E, assim como no desenvolvimento de qualquer nova habilidade, quanto mais o senhor a pratica, mais enraizada ela se torna.

Como verificar as informações antes de tomar uma decisão

Resumo.

Partner Center