Data literacy para quem tem fobia de dados: 7 coisas que os iniciantes precisam saber

By Lydia Hooper, Oct 08, 2021

data literacy

Os dados fazem parte de todas as nossas vidas hoje em dia, independentemente do setor em que trabalhamos, da quantidade de tecnologia que usamos e de como obtemos informações sobre o que está acontecendo no mundo.

Mas entendemos totalmente esses dados? Além disso, sabemos como melhor usá-los e compartilhá-los com outras pessoas?

Felizmente, existem as visualizações de dados. As visualizações de dados, ou data visualization, ajudam a traduzir os números em percepções significativas que você pode usar para tomar decisões, mesmo se ainda sentir uma certa “fobia de dados”. E se esse for o caso, saiba que você não está sozinho. Embora ter um bom domínio de dados seja uma habilidade essencial no local de trabalho, a maioria das organizações deixa a desejar nesse quesito, de acordo com a Gartner.

Para conseguir criar e, às vezes, compreender totalmente as visualizações de dados, precisamos superar quaisquer medos que possamos ter e nos tornar mais experientes com dados. Não sou um estatístico de forma alguma, mas descobri que meu conhecimento e habilidades relacionadas a dados são inestimáveis como designer de informação e redator na Venngage. Estou animado em poder compartilhar alguns princípios básicos para que você possa ajudar sua equipe a melhorar a tomada de decisões com base em dados e, assim, impulsionar seu desempenho.

Índice:

O que é data literacy? Uma definição

data literacy


 

O data literacy, ou alfabetização de dados, é a capacidade de ler dados, trabalhar com dados e comunicar sobre os dados, colocando-os no contexto adequado.

É mais do que apenas entender e trabalhar com números. O data literacy inclui a compreensão:

  • De como avaliar fontes de dados e métodos de coleta
  • Quais podem ser as várias aplicações para um determinado conjunto de dados
  • O valor de trabalhar com a compreensão de dados

Relacionado: O que é visualização de dados? (Definição, exemplos, melhores práticas)

Por que o data literacy é importante?

O data literacy é importante porque, quando tomamos decisões com base em dados, podemos melhorar nossos resultados, inclusive em um contexto de negócios.

“O data literacy se tornou importante para quase todos. As empresas precisam de mais pessoas com capacidade de interpretar dados, obter informações e fazer as perguntas certas em primeiro lugar. Essas são habilidades que qualquer pessoa pode desenvolver e agora existem muitas maneiras de os indivíduos se aperfeiçoarem e as empresas os apoiarem, estimularem as capacidades e promoverem mudanças. Na verdade, os próprios dados são claros sobre isso: A tomada de decisões baseada em dados melhora significativamente o desempenho dos negócios.

– Josh Bersin e Marc Zao-Sanders na Harvard Business Review

Embora o data literacy esteja se tornando cada vez mais importante no local de trabalho, a maioria das organizações não possui essas habilidades. Os funcionários que são alfabetizados em dados afiram com mais frequência que estão tendo um ótimo desempenho. Se você está se perguntando como se posicionam suas próprias habilidades, confira esta avaliação.

“Até recentemente, as pessoas podiam facilmente ignorar os dados em seu trabalho diário. Os interessados em tecnologia e analistas quantitativos da empresa eram isolados em departamentos especializados, a tecnologia tratava das coisas mundanas e os gerentes podiam ignorar os benefícios da melhoria da qualidade dos dados com a atitude: ‘Estamos indo muito bem. Por que se preocupar?’ Mas agora isso está mudando. O resultado da minha mais recente “leitura” do espaço de dados é que o medo substituiu a apatia como o inimigo número um dos dados… Você pode se tornar um líder confiável e dissipar o medo dos dados em sua equipe, bem como seu próprio medo, aumentando suas habilidades e inspirando todo o departamento a abraçar esse assunto.”

– Thomas C. Redman na Harvard Business Review

Muitas pessoas também procuram visualizar e comunicar sobre os dados (inclusive em infográficos), e o data literacy é fundamental para fazer isso bem. Por exemplo, este relatório de projeção financeira inclui números brutos, tabelas e gráficos. Quando você entende bem o que os dados dizem, você está mais bem preparado para destacar as principais conclusões para o seu público.

data literacy


 

Talvez você tenha começado a visualizar os dados coletados com pesquisas e agora queira saber quais outros estão disponíveis para dar suporte aos seus resultados, ou talvez você só tenha olhado os dados relacionados aos clientes atuais e queira ver aqueles que podem ajudá-lo a chegar a novos clientes.

Em ambos os casos e em muitos outros, você precisará coletar e analisar dados, mas provavelmente também desejará compartilhá-los com outras pessoas. A ferramenta Criador de Gráficos da Venngage é mais fácil de usar do que a maioria das plataformas de análise de dados e BI, então você pode facilmente começar a visualizar dados tabulares (aqueles encontrados em tabelas).

data literacy


 

As habilidades de data literacy são difíceis de desenvolver?

Se são tão importantes, por que estão faltando no local de trabalho?

Um dos principais motivos é que os próprios líderes podem não ter essas habilidades. O fato de os funcionários alfabetizados em dados normalmente estarem isolados nas equipes de TI ou BI também não ajuda os colegas a compartilhar e disseminar esse know-how.

Claro, algumas pessoas ainda não se recuperaram daquela terrível aula de matemática no ensino médio. Elas podem pensar que são simplesmente ruins em matemática.

Outros podem ser medianos ou até bons em matemática, mas não querem que os erros que cometam levem a consequências potencialmente prejudiciais, incluindo a perda de reputação.

Todos esses desafios são compreensíveis e podem ser superados. Muitas pessoas com experiência em dados se esforçam para tornar o assunto mais fácil para os iniciantes, então meu objetivo é ajudá-lo a compreender lentamente alguns princípios básicos para ganhar algumas habilidades e mais confiança.

7 coisas que os iniciantes precisam saber sobre data literacy

data literacy


 

1. A incerteza é inevitável

O quê? Você pode estar pensando: “Eu pensava que os dados se tratavam de fatos reais e números.” Qualquer estatístico dirá que todo conjunto de dados está incompleto, e que as estatísticas costumam explicar os níveis de incerteza. Por exemplo, podemos estar 95% confiantes de que nosso almoço de hoje tem 87% a 91% de probabilidade de ser superdelicioso.

É importante ter isso em mente, especialmente se estivermos comunicando dados. Se estivermos usando recursos visuais, como infográficos, para fazer isso, eles provavelmente irão mascarar a confusão da realidade e farão nossas declarações parecerem mais factuais. Podemos ser comunicadores responsáveis entendendo bem os dados e, quando possível, explicando o que ainda não sabemos.

Relacionado: Como usar data visualization em seus infográficos

2. Existem vários tipos de dados

Por causa de todas as incertezas a serem avaliadas, a coleta de dados (em inglês) pode ser um processo trabalhoso e detalhado. Se não é você que está coletando, o mais importante é saber que existem vários tipos de dados que podem ser coletados, e cada um é apropriado para situações diferentes.

Provavelmente, quando você pensa em dados, vêm à mente os dados quantitativos, que são baseados em medições precisas e frequentemente analisados com métodos estatísticos.

Os dados quantitativos, também conhecidos como dados numéricos, podem vir em diferentes formas.

Os dados discretos podem ser contados e divididos em grupos menores, como o número de pessoas numa multidão. Como alternativa, os dados contínuos existem em um continuum, por exemplo, comprimento. Existem dois tipos de dados contínuos: os dados de intervalo não têm um “zero” verdadeiro, como temperatura, enquanto os dados de proporção sim, como peso. Os dados contínuos são frequentemente visualizados em gráficos de linha, como relatórios de crescimento dos lucros.

data literacy


 

Por sua vez, os dados qualitativos são descritivos, baseados em observações que não podem ser mensuradas, como sexo ou língua falada. A análise desse tipo de dados geralmente envolve a categorização em temas ou padrões com base nas características. Os dados qualitativos podem ser referidos como dados categóricos.

Existem também dois tipos de dados categóricos. Os dados nominais podem ser usados para medir frequências e porcentagens e costumam ser exibidos em um gráfico de setores ou de barras. Se os dados forem colocados em algum tipo de ordem lógica (como café da manhã, almoço e jantar), os dados são considerados dados ordinais.

Às vezes, dados qualitativos e quantitativos são coletados e analisados – isso é conhecido como métodos mistos. Eles podem ser combinados e interpretados de maneiras diferentes, portanto, pode valer a pena considerar se você estiver usando esse tipo de conjunto de dados.

Tudo isso para dizer: entender o tipo de dados com os quais você está trabalhando o ajudará a determinar a melhor forma de comunicá-los, seja para escolher a ordem em que os dados devem ser apresentados ou que tipos de gráficos devem ser usados para visualizá-los.

3. As fontes de dados são importantes

Aqui está a maioria, senão todos os principais métodos de coleta de dados sobre os quais você provavelmente já ouviu falar:

  • Pesquisas ou questionários
  • Entrevistas
  • Observações
  • Experimentos

Se os dados são coletados em primeira mão por um pesquisador, são considerados dados primários. Os dados secundários são aqueles que já foram coletados e disponibilizados para que outras pessoas analisem e compartilhem.

Provavelmente, você usará dados secundários, então aqui estão algumas perguntas rápidas que você pode fazer a si mesmo para garantir que os dados sejam de alta qualidade:

  1. Os dados são de uma fonte confiável? Essa fonte compartilha informações sobre como os dados foram coletados (isso pode estar incluído em documentos chamados de metadados)? Em outras palavras, eles são transparentes?
  2. São abertos, restritos ou indisponíveis? Dados abertos ou públicos podem ser disponibilizados por entidades governamentais ou organizações intergovernamentais, mas alguns dados podem ser restritos. A privacidade é muito importante e existem muitas leis que impedem o compartilhamento de dados que possam violar os direitos ou a dignidade das pessoas.
  3. O conjunto de dados é o correto para o trabalho em questão? Avaliar isso requer algum pensamento lógico e prudente. Por exemplo, se eu quiser dizer algo sobre alunos do ensino médio que vivem nos Estados Unidos, é melhor ter certeza de que posso encontrar dados que representem os muitos jovens que vivem nos Estados Unidos. Se não puder, devo especificar que estou me referindo a alunos do ensino médio em Nova York, por exemplo.
  4. São agregados e/ou normalizados? Os dados agregados foram resumidos para que você não possa identificar as características no nível individual. Um exemplo comum são os dados do Google Analytics: você sabe quantas pessoas visitaram uma página da web específica e pode até saber em que cidades elas moram, mas não sabe seus nomes. Os dados normalizados nos ajudam a comparar números usando uma escala comum. Um exemplo é quando vemos taxas per capita: é menos significativo saber o número de acidentes de carro em cidades em seu estado e mais significativo saber se algumas cidades têm um número surpreendentemente alto de acidentes dada a dimensão da população.

Depois de ter os dados em mãos, você está pronto para começar a usá-los.

data literacy


 

4. É importante manter os dados organizados

A esta altura, você deve estar pensando, uau, é difícil acompanhar tudo isso. Gerenciar dados não é para os fracos de coração. Requer muita atenção aos detalhes e acompanhamento.

Se você estiver trabalhando com um conjunto de dados relativamente pequeno, como respostas de pesquisas, provavelmente poderá usar apenas uma planilha ou uma série delas.

data literacy


 

Se você estiver baixando conjuntos de dados públicos, como os números do Censo, pode ter mais informações do que precisa. Alguns conjuntos de dados podem até precisar ser limpos, o que significa que dados incorretos ou duplicados devem ser excluídos. Às vezes, os dados pode precisar de reformatação — por exemplo, se os números estiverem sendo lidos como um texto por um software analítico, os cálculos serão impossíveis (texto e números são tipos de campo diferentes).

O gerenciamento de dados pode ser um trabalho de equipe. Se você não tiver certeza de como organizar as suas coisas, procure alguém que possa ajudar.

5. Os dados frequentemente contam muitas histórias diferentes

Quando você analisa dados, geralmente está procurando padrões. Esses padrões podem contar uma história sobre o que aconteceu ou o que é mais comum, ou outra coisa.

Relacionado: Como contar uma história com dados (um guia para iniciantes)

A maioria dos padrões se resumirá às relações entre duas ou mais variáveis, que são as “coisas” que estão sendo contadas, medidas ou descritas. Aqui estão alguns exemplos:

  • Pessoas que estão em ligas de boliche e pessoas que estão em times de tênis
  • Mercearias em bairros de baixa renda e mercearias em bairros de alta renda (observação: dados locais ou geográficos incluem coordenadas de mapa, além de outras variáveis)
  • Como as pessoas se sentem em relação aos gatos e como se sentem em relação aos cães

data literacy


 

Para qualquer um desses exemplos, você pode descobrir nos dados uma variedade de padrões. Vamos considerar o último exemplo listado. Ao observar os diferentes sentimentos das pessoas, você pode descobrir que as pessoas mais velhas gostam mais de gatos ou que as pessoas com filhos gostam mais de cachorros.

A questão é que os dados por si só não dizem nada. É apenas através de análise que você pode começar a ter novos conhecimentos. E pode haver muitos para descobrir, então vale a pena se aprofundar e não apenas se contentar com a primeira descoberta que fizer. Preste atenção aos valores atípicos e anomalias — são pontos de dados significativamente diferentes que podem indicar erros nos dados e/ou locais para estudos e análises posteriores.  Esteja ciente de seus preconceitos cognitivos e armadilhas potenciais ao conduzir sua análise.

6. Quando você conhece sua história, compartilhe-a com responsabilidade

Primeiro, o que você espera compartilhar com outras pessoas?

  • Descrições dos dados, como frequências ou porcentagens
  • Distribuições dos dados, como intervalos ou médias
  • Comparações nos dados, como mudanças ao longo do tempo ou correlações entre variáveis

Outro grande erro é equiparar a correlação com a causalidade de qualquer forma. Pode haver uma correlação entre as vendas de sorvete e protetor solar, mas isso não significa que vender mais sorvete levará a mais vendas de protetor solar. Talvez signifique que ambas as vendas são resultado de uma terceira variável: a época do ano.

Depois de saber o que espera compartilhar, você pode escolher o recurso visual que melhor ajudará alguém a entender as principais conclusões.

7. Você não precisa saber tudo

Mas precisa continuar aprendendo! Há muito para aprender, então, se você precisar de ajuda para priorizar o que descobrir primeiro, é muito importante entender como os dados podem ser enganosos (em inglês). No mínimo, certifique-se de que você não está fazendo isso.

data literacy


 

Parabéns! Agora você está no caminho certo para superar suas fobias de dados e melhorar seu data literacy. Espero que você possa começar a aplicar o conhecimento adquirido aqui imediatamente.

A melhor maneira de desenvolver seu data literacy é praticar o trabalho com dados e compartilhá-lo com outras pessoas. Ao fazer isso, você rapidamente perceberá o imenso valor de fazê-lo.

Modelos de visualização de dados simples para desenvolver seu data literacy

Você pode começar usando alguns modelos simples para criar algumas visualizações de dados com a Venngage. Aqui estão alguns modelos para você começar.

data literacy


 

data literacy


 

data literacy


 

Quer ver mais? Confira nossa biblioteca de modelos e comece a criar seu próprio infográfico gratuitamente com nossos modelos e editor de arrastar e soltar.


 

 

 

 

 

 

 

 

About Lydia Hooper

Lydia Hooper é redatora de design de informações da Venngage. Seus conteúdos sobre visualização de dados e design de informação foram publicados pela Data Visualization Society, UX Collective, SAGE Publishing’s MethodSpace e Evergreen Data. Ela passou mais de quatro anos ensinando pessoas de todas as idades como educadora informal. Lydia também projetou e ministrou workshops para dezenas de organizações, incluindo American Institute of Graphic Arts-Colorado e Rocky Mountain Chapters da Association for Talent Development e da Society for Technical Communication.