Ep. 64 - Quando fica pronto? Alinhando expectativas com previsibilidade

Neste episódio, Panda recebe Maíra e José JR (Zé) para discutir a pergunta mais recorrente de qualquer trabalho: quando é que fica pronto? E como a previsibilidade, mais do que adivinhar o futuro, ajuda a alinhar expectativas usando dados reais.

É estabelecido, logo de início, que previsibilidade não é antecipar entregas, é ter clareza sobre quando as coisas realmente podem ficar prontas, usando interações passadas para formar probabilidades sobre o futuro, exatamente como a previsão do tempo. É contado um exemplo real: empresas em São Paulo vendem previsões meteorológicas hiperlocais, por bairro, para empresas de elevador (que precisam se antecipar a pessoas presas durante chuvas) e para empresas que transportam pianos por guindaste (que não podem operar sob chuva). A previsão nunca é binária: dizer que há 50% de chance de chuva é bem diferente de 90%, e a maioria das pessoas ignora esse percentual.

É desfeito um mito comum: previsibilidade não é uma invenção da agilidade. Técnicas estatísticas e de cálculo de probabilidade já existiam havia séculos e já eram usadas amplamente na indústria para reduzir variabilidade nos sistemas produtivos. O trabalho do conhecimento é que está apenas começando a aprender a aplicar esse conhecimento à sua própria realidade, mais complexa e menos linear.

É criticada a falsa polarização entre uma abordagem puramente matemática e uma abordagem puramente humana e perceptiva, como se fossem mutuamente excludentes. Na prática, os dados que se coleta no trabalho de conhecimento já carregam, em si, o comportamento humano das pessoas envolvidas. É citada a frase clássica do estatístico George Edward Box: 'Lembre-se que todos os modelos estão errados. A questão prática é quão errados eles devem ser pra não serem úteis', um lembrete de que nenhum modelo de previsibilidade oferece certeza absoluta, apenas uma tendência confiável o suficiente para orientar decisões.

É discutido como o viés cognitivo leva o cérebro a buscar atalhos e confiar demais na intuição; modelos de previsibilidade servem justamente para checar essas crenças contra os fatos reais. É citada a frase de Taiichi Ono, engenheiro por trás do Sistema Toyota de Produção: 'com certeza os dados são importantes, mas eu dou maior ênfase aos fatos', um alerta de que os números precisam sempre ser confrontados com o que realmente está acontecendo no contexto, e não aceitos isoladamente. Um exemplo concreto ilustra isso: uma previsão de 85% de confiança de entrega numa determinada data pode ser completamente inútil se, na prática, o time estiver sobrecarregado, sem limite de trabalho em progresso. O contexto muda tudo.

É apresentada a distinção entre métrica (um único dado coletado) e indicador (a combinação de múltiplos dados, permitindo comparação e decisão). Tomar decisões baseadas num único indicador é comparado a pilotar um avião olhando apenas para a altitude, ignorando a velocidade do vento.

É contado um caso real e revelador: durante um projeto voluntário da UFRJ para criar ventiladores mecânicos de baixo custo durante a pandemia (o projeto Vexico), a equipe inicialmente coletou o número de mortes por COVID como métrica de sucesso, até perceberem que o ventilador só ajuda pacientes com SARS (Síndrome Respiratória Aguda Grave), não qualquer caso de COVID. A métrica certa era o número de internações por SARS, não o número de mortes por COVID, um lembrete de que os dados disponíveis nem sempre são os dados corretos para o problema em questão.

Maíra compartilha sua experiência real usando simulação de Monte Carlo para priorização de backlog, o que ajudou a estruturar conversas difíceis com stakeholders sobre limites reais de entrega até uma determinada data, e o que precisaria ser repriorizado depois. É mencionado que esse tipo de método estatístico é amplamente usado em outros campos, mercado financeiro, astrofísica, seguros, e está apenas começando a ganhar espaço no trabalho do conhecimento.

É contada a história real da queda do voo 447 da Air France (Rio de Janeiro–Paris, 2009): após dois anos de buscas fracassadas pelos destroços no oceano, uma equipe de apenas cinco matemáticos, usando análise estatística bayesiana para calcular probabilidades de localização, encontrou os destroços em apenas cinco dias. A investigação revelou que dois tubos de Pitot da mesma marca congelaram simultaneamente, levando os pilotos a decisões erradas baseadas em dados de velocidade incorretos. O acidente mudou a indústria aeronáutica, que passou a exigir três tubos de Pitot de fabricantes diferentes, por redundância.

São apresentadas três perguntas recomendadas pela comunidade de Flight Levels antes de iniciar qualquer previsibilidade: qual é o tamanho do que está sendo feito, quanto tempo esse item levará para atravessar o sistema, e quanto ele vai custar, perguntas que evitam misturar itens de naturezas muito diferentes numa mesma análise.

É alertado que a qualidade da coleta de dados é, possivelmente, mais importante do que o próprio gráfico gerado: em quadros digitais, é comum que cartões sejam movidos incorretamente (marcados como concluídos dias depois do fato real), corrompendo silenciosamente todo o histórico usado para previsão. Também é necessário um volume mínimo de dados históricos antes de confiar em análises mais sofisticadas. No início de um time, média e mediana ainda são pontos de partida razoáveis.

Usando o exemplo lúdico de dez brigadeiros divididos entre duas pessoas (uma come todos, a outra nenhum, mas 'em média' cada um comeu cinco), é ilustrado por que a média pode mascarar completamente a realidade. A mediana já melhora a análise ao descartar os extremos, mas o ideal é usar percentis, com grau de confiança entre 80% e 95%, o padrão adotado tanto na manufatura quanto no trabalho do conhecimento.

O episódio encerra com uma citação do livro 'How to Measure Anything', de Douglas Hubbard: se medir importa, é porque deve ter algum efeito prático real nas decisões e nos comportamentos. O convite final é usar dados e contexto juntos para tomar decisões melhores, sem prometer certezas que nenhum modelo de previsibilidade pode realmente oferecer.