Será que sabemos estruturar um “problema”?
Como ampliar os “soft skills” de um cientista de dados usando métodos científicos de estruturação de problemas.
Usamos a ciência de dados como ferramenta para soluções de problemas do nosso dia-a-dia. Mas, normalmente, em que condições surgem um problema? E como estruturamos esse problema para otimizar sua solução? Essas perguntas, por um bom tempo, ficaram no limbo da minha curiosidade, até o dia em que em uma das aulas do Carlos Melo trouxe à luz alguns conceitos que cercam o tema e métodos de estruturação de problemas (PSM — Problem Structure Method).
Pois bem, as condições em que os problemas ocorrem, dentre uma infinidade de situações, os que tenho mais experimentado no contexto de ciência de dados foram (a) barreiras ao progresso, (b) sentimento de frustação, (c) necessidade de mudança, (d) acontecimento inesperado, (e)desacordo quanto a uma ação, (f) ocorrência/falha. Tais situações em que somos expostos em que os problemas emergem e há necessidade de usar todo o aparato de data science para resolver tal situação/problema. No entanto, será que estruturamos bem esse “problema” para solucionar?
Assim com a ciência de dados utiliza de metodologia cientifica para otimizar a solução de problemas, podemos tomar emprestado as metodologias científicas e aplicar na estruturação do problema em que queremos solucionar com data science. Com isso chegamos a Pesquisa Operacional Soft (PO Soft) que são abordagens estruturadas que usa a otimização e auxiliam na solução de problemas decisórios, uma vez que, a tomada de decisão é um processo lógico de selecionar uma escolhar dentre outras (trade-off’s). Independente da complexidade do problema, existem alguns elementos chave no processo que deverão ser considerados (i) compreender o propósito, (ii) conhecer o bias (viés) da organização e pessoal e (iii) considerar as diferentes consequências.
Usando as metodologias propostas pelo PSM ( Problem Structure Method) tais como, a Soft Systems Methodology (SSM), Strategic Options Development and Analysis (SODA), mapas cognitivos, Strategic Choice Approach (SCA), Value Focused Thinking (VFT), estruturamos de modo adequado o
problema a ser abordado, com isso permite extrair idéias, sentimentos, valores, atitudes, viéses e por fim, chegamos no senso comum. Neste sentido, o foco passa a entender o problema, antes de resolvê-lo.
Não é o intuito discorrer sobre os métodos do PSM, uma vez que, cada método serve a um propósito, além de ser um tema muito extenso. No entanto, gostaria de falar como os mapas cognitivos auxiliam em problemas do cotidiano em tomadas de decisão. Esse método de estuturação de problemas, mapeia em “nós” no intuito de representar o pensamento (mundo subjetivo) de uma pessoa ou um grupo de pessoas, permitindo ter uma visão holística do problema. Usando um software Superdecision, auxiliando na construção do mapa cognitivo, utilizando o método AHP (Analytic Hierarchy Process) que divide o problema em níveis hierárquicos, facilitamos sua compreensão e avaliação na construção da estrutura hierárquica. Comparamos os critérios “dois a dois” e verifica a consistência das comparações.
De forma prática, para exlcuir a subjetividade na compra de um veículo (problema a ser resolvido) podemos aplicar o método AHP para embasar a tomada de decisão. O (a) objetivo principal é topo da estrutura (método top-down de estruturação). Os (b) critérios seriam os balizadores que atendem ao objetivo principal e que serão comparados entre si. As (c) alternativas serão as opções que podem solucionar o problema (objetivo principal).
Uma vez esturado o problema, com auxílio do software podemos confrontar cada par de critério dado o objetivo principal, além de confrontar cada par de alternativas com os critérios porpostos.
A comparação dos pares inicia-se confrontando cada par de critérios frente ao objetivo principal. Ou seja, nessa parte colhemos 6 julgamentos que, entre dois critérios, qual tem mais “relevância” para o objetivo principal. Nesse ponto já podemos notar que, para mim, “consumo” e “tecnologia” são mais importantes que “preço” e “conforto”.
As próximas análises, confronta cada critério com pares das alternativas. demais comparações seguem o mesmo fluxo. Interessante ressaltar que dos 4 critérios, temos 2 que são subjetivos (“tecnologia” e “conforto”) e os demais são quantitativos (“preço” e “consumo”). O software permite incluir esses valores quantitativos.
Após fazer todas as estruturação hierarquica e colhidos os “julgamentos” necessários, podemos ver qual o resultado proposto pelo método AHP para a solução do problema.
Observado todo método científico por trás dos métodos de estrutução de problemas, conseguimos extrair um ranking de alternativas que otimiza a solucão do problema proposto. Dado aos critérios elencados como importantes e a percepção desses nas alternativas dos veículos a alternativa 1 Nissan Kicks otimiza a escolha do veículo. Com esse exemplo simples, retiramos alguns viéses que por hora estamos expostos, além de poder extrapolar na estruturação problemas mais complexos e com isso concatenar com o arsenal que a ciência de dados possui e otimizar todo o processo.
Pra finalizar, quando for convidado a usar ciência de dados para “resolver” um problema de negócio… e se para esse “problema” as metas e objetivos não estiverem claros ou bem compartilhados, há muita subjetividade que inviabiliza a mensuração do problema ou se até as decisões e consequências destas são “multi-descentralizadas”, então….. é uma boa prática aplicar um dos métodos de PSM, para re/estruturar o “problema”!!!!
E você, conhece e faz uso de alguma método de estruturar problemas?
Bibliografia
Apresentação do curso MB-217. Método AHP Método Analytic Hierarchy Process . Dra Amanda C. Simões da Silva. Maio-2017.
Carlos Melo, Escola de Data Science.
Getting Started with Cognitive Mapping,
Fran Ackermann, Colin Eden, Steve Cropper, 1992.
Estruturação do problema de gerenciamento de desastres do estado de São Paulo por intermédio do método Strategic Options Development and Analysis, Daniel Ferreira MansoRicardo SuterioMischel Carmen Neyra Belderrain, 2015.