<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Paula Costa on Medium]]></title>
        <description><![CDATA[Stories by Paula Costa on Medium]]></description>
        <link>https://medium.com/@pvdacosta?source=rss-77a4f6b130d7------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*OlyZrB_hj9H6zFbo.jpg</url>
            <title>Stories by Paula Costa on Medium</title>
            <link>https://medium.com/@pvdacosta?source=rss-77a4f6b130d7------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 02:01:41 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@pvdacosta/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Amostre-se]]></title>
            <link>https://medium.com/datapsico/amostre-se-5de560927489?source=rss-77a4f6b130d7------2</link>
            <guid isPermaLink="false">https://medium.com/p/5de560927489</guid>
            <category><![CDATA[teoria]]></category>
            <category><![CDATA[psicodata]]></category>
            <dc:creator><![CDATA[Paula Costa]]></dc:creator>
            <pubDate>Fri, 21 May 2021 20:12:22 GMT</pubDate>
            <atom:updated>2021-05-21T23:03:12.536Z</atom:updated>
            <content:encoded><![CDATA[<h4>Conheça 6 tipos de amostragem possíveis</h4><p>Está na hora da sua pesquisa? Então chegou o momento de conversarmos sobre amostra. No final do texto tem uma dica de ouro!</p><p>Primeiro, o que é uma <strong>amostra</strong>?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YyJFtWhj1mKLqWx0APRhzg.jpeg" /></figure><p>Para isso, precisamos explicar o que é uma população. <strong>População</strong> é um conjunto de sujeitos/objetos que apresenta, ao menos, uma característica em comum. Por exemplo, se estivermos pesquisando o engajamento nos trabalhadores do Brasil, sua população são todos os brasileiros que trabalham pois eles possuem a nacionalidade brasileira e emprego como características em comum. Estudos que acessam todos os integrantes da população são chamados de <strong>censo</strong> ou estudo censitário. Exemplos típicos de estudos censitários são as pesquisas do IBGE que abrangem a população nacional. Porém, às vezes é difícil conseguir acessar todos os integrantes de uma população numa pesquisa (caso consiga, me avise como).</p><p>Então teremos que trabalhar com uma <strong>amostra, </strong>uma parte menor, mas representativa, da sua população.</p><p>Chegamos a outro conceito importante: <strong>representatividade</strong>. Vamos pensar no público LGBTQIA+. Por se tratar de um grupo minoritário, é uma preocupação que eles sejam devidamente representados numa pesquisa. Caso não forem, corremos o risco de estar ouvindo e estudando a classe dominante heteronormativa e generalizando suas experiências para a população inteira, quando estamos deixando de lado grupos com outra opiniões. Temos representatividade estatística quando as constatações que fazemos sobre a amostra podem ser generalizadas ao universo da população, considerando uma margem de erro aceitável. Ou seja, uma amostra representativa deve ser suficiente para que possa haver a <strong>generalização</strong> dos nossos achados para a população.</p><p>Claro que sempre há uma margem de erro, e a isso chamamos de <strong>erro amostral</strong>, que é a diferença entre o resultado obtido na amostra e o valor verdadeiro na população. Mas há um mínimo aceitável para que você tenha uma amostra considerada representativa estatisticamente falando. Como saber qual é esse número? Para isso, você poderá fazer um <strong>cálculo de tamanho amostral</strong>. Basicamente, esse cálculo leva em consideração:</p><ul><li>o tamanho da população da sua pesquisa: X</li><li>a margem de erro: a probabilidade de erro (geralmente é usado 5 em Ciências Sociais).</li><li>o intervalo de confiança: a probabilidade de acerto (geralmente 95 em Ciências Sociais).</li></ul><p>Existem calculadoras da cálculo amostral que fazem essa conta para você, como a do <a href="https://pt.surveymonkey.com/mp/sample-size-calculator/">Survey Monkey</a> por exemplo. Ela é uma boa opção, caso você queira testar diferentes combinações de intervalos de confiança ou se quiser saber a robustez que mais pessoas na sua amostra pode trazer para a sua pesquisa.</p><p>Agora, vamos falar dos tipos de amostragem. Existem dois grandes grupos de métodos de amostragem: Métodos Probabilísticos e Métodos Não-probabilísticos. Para explicarmos cada um, elaboramos <strong>6 exemplos de pesquisas hipotéticas</strong> que pediriam por diferentes tipos de amostragem.</p><h3>Métodos probabilísticos</h3><p>Os métodos probabilísticas são aqueles em que a seleção dos participantes ocorre de maneira aleatória e que cada elemento da população tem a mesma probabilidade de fazer parte da amostra. Resumindo,<strong> é como se fosse um sorteio</strong><em>.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/564/1*tcn580KutRJKnyZvwegRgQ.jpeg" /></figure><p>Nesses métodos, algumas dificuldades podem aparecer. Primeiro, nem sempre conhecemos completamente nossa população. É difícil saber o número exato de quantos esportistas existem, por exemplo. Além disso, esse tipo de amostragem costuma ser mais demorada e custosa.</p><p>Por outro lado, é o melhor caminho para generalizar para a população os resultados obtidos com a amostra, pois a amostra terá a maior chance de ser representativa das características da população, já que foi escolhida aleatoriamente.</p><p>Para exemplificar os métodos de amostragem probabilísticos, imagine as seguintes pesquisas hipotéticas abaixo:</p><h4>Pesquisa 1: Média de horas de escrita de TCC em estudantes de último ano de Psicologia</h4><p>Imagine que queremos saber a média de horas de escrita de TCC de estudantes de último ano de uma universidade de Psicologia. Nossa população são todos os estudantes de último ano desse curso nessa universidade. Mas não temos tempo de falar com todos. A partir do cálculo amostral, encontramos que é suficiente e representativo que nossa amostra tenha 70 pessoas. Então seria possível fazer um sorteio entre todos esses estudantes e nossa amostra seria os primeiros 70 estudantes sorteados. Essa seria uma <strong>amostragem aleatória simples</strong>, que é aquela em que todos os membros de uma população têm a mesma probabilidade de serem incluídos na amostra. É a mais básica das amostragens probabilísticas e se destaca pelo poder de generalização dos resultados, já que a amostra é a mais aleatória possível dentro da população.</p><h4>Pesquisa 2: Percepção de justiça em diferentes níveis de cargo</h4><p>Agora, imagine que queremos comparar percepção de justiça em diferentes níveis de cargo (estagiário, analista júnior, pleno e sênior, líder e diretor) em uma empresa. Fazendo uma amostra aleatória simples, correríamos o risco de não termos pessoas de alguns grupos menores, como gestores por exemplo. Para essa pesquisa, seria interessante utilizar a <strong>amostra aleatória estratificada</strong>. Nela dividiremos a população grupos por características em comum, nesse caso o cargo, o que é chamado de <strong>estrato</strong>. Então, dentro de cada estrato, é feito o processo de amostragem aleatória simples (ou sorteio) decidindo quem participará da amostra. Assim teremos todos os níveis de cargo representados na amostra.</p><h4>Pesquisa 3: Hábitos alimentares na capital do churrasco</h4><p>Para fechar os métodos probabilísticos, imagine que queremos investigar os hábitos alimentares das pessoas de Porto Alegre (por ser uma cultura com alto consumo de carne, mas que tem encontrado alguns veggies fora da curva que se aventuram nessas terras). Por não conseguirmos falar com todas as pessoas de Porto Alegre, poderíamos sortear alguns bairros onde faríamos a pesquisa com todos os moradores. Isso seria uma <strong>amostragem por conglomerado</strong>, onde a população encontra-se localizada naturalmente em conglomerados que podem ser ruas, bairros ou empresas, e são assumidos como heterogêneos, ou seja, diferentes entre si.</p><h3>Métodos não-probabilísticos</h3><p>Por outro lado, métodos não-probabilísticos contam com a seleção dos elementos da amostra de forma não aleatória. Sua maior desvantagem é que podem trazer um viés de seleção, já que alguém escolherá quem irá participar da amostra. Por isso, fica mais complicado de generalizar os resultados obtidos com a amostra para a população. Ela é recomendada quando desconhecemos a população ou quando ela é muito específica ou de difícil acesso, em estudos pilotos ou quando não há necessidade de generalizações.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/400/1*UnJ_yIE3NBaY8IMq685TJA.jpeg" /></figure><p>Agora, vamos colocar em prática pensando nessas próximas 3 pesquisas hipotéticas:</p><h4>Pesquisa 4: Modelo de entrevista de estilo parental</h4><p>Imagine que estamos fazendo um estudo piloto para testar um novo modelo de entrevista de estilo parental para pais. Sendo um estudo piloto em que não há necessidade de generalização, seria possível que você o testasse com pessoas que são pais ou mães e estão ao seu alcance, o que seria chamado de <strong>amostragem por conveniência. </strong>Nesse caso, a amostra é feita pelos participantes que o pesquisador tem maior acesso. Importante lembrar que a amostra por conveniência, assim como qualquer outro tipo de amostragem, deve ser escolhida se responde melhor à sua questão de pesquisa, não por ser a mais conveniente.</p><h4>Pesquisa 5: Perspectiva de carreira em jovens de gangue</h4><p>Imagine que estamos querendo investigar a perspectiva de carreira jovens participantes de gangues em uma determinada cidade. Essa pesquisa dependeria da voluntariedade dos integrantes de gangues para ser realizada. Aqueles que se auto selecionassem chegariam até nós, pesquisadores. Isso seria uma <strong>amostragem por auto seleção ou por seleção de voluntários</strong>. Nela, os participantes voluntariamente se propõem a participar da pesquisa. Esse tipo de amostragem também é comum em pesquisas online que são publicadas em redes sociais.</p><h4>Pesquisa 6: Burnout em profissionais de cuidados paliativos</h4><p>Pense agora que queremos pesquisar burnout em profissionais com pacientes em cuidados paliativos. É uma população bem restrita, mas é possível que os profissionais da área conheçam outros do mesmo grupo. Então seria possível identificar um possível participante e pedir indicações de outras pessoas com o mesmo perfil. Isso seria uma <strong>amostragem por bola de neve (ou snowball)</strong>, muito utilizada para populações muito específicas e de difícil acesso.</p><h4>Extra : Dica de ouro</h4><p>Imagine que queremos saber quais são as características de alunos de natação de alta performance. Logo, devemos ter um <strong>grupo de comparação</strong>, para perceber quais características são exclusivas dos alunos de alta performance e que não aparecem no grupo de performance mediana. Olhando somente para o grupo de alta performance, acabaremos presumindo que as características estudadas são exclusivas dos nadadores de alta performance, quando podem aparecem em outros grupos de alunos que estamos deixando de fora da pesquisa. Parece óbvio, mas é comum o erro de não possuir grupo de comparação.</p><p>Lembre-se que, caso sua questão de pesquisa queira encontrar características exclusivas de um grupo, sua amostra deve conter um grupo de comparação.</p><p>Nesse texto, trouxemos alguns exemplos de métodos de amostragem. Não são todos os que existem, mas um começo para quem estuda. Esperamos que, junto com eles, compartilhamos um pouco mais de entendimento sobre esse universo da estatística nas ciências sociais. Todos esses tipos de amostragem são válidos se ajudarem você como pesquisador a responder sua questão respeitando o método científico.</p><p>Como em uma lista de aniversário, planeje com zelo seu método de amostragem, para lembrar de convidar todos os sujeitos importantes para esse evento que é a sua pesquisa.</p><p><strong>Referências:</strong></p><p>Metodologia de pesquisa, por Roberto Hernández Sampieri, Carlos Fernández Collado e María del Pilar Baptista Lucio, traduzido por Daisy Vaz de Moraes ; revisão técnica por Ana Gracinda Queluz Garcia, Dirceu da Silva, Marcos Júlio. 5. ed. Porto Alegre: Penso, 2013.</p><p>Métodos estatísticos para as ciências sociais de Alan Agresti e Barbara Finlay, traduzido por Lori Viali. 4. ed. Porto Alegre: Penso, 2012.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5de560927489" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datapsico/amostre-se-5de560927489">Amostre-se</a> was originally published in <a href="https://medium.com/datapsico">Datapsico</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Afinal, o que é esse tal de People Analytics?]]></title>
            <link>https://medium.com/datapsico/esse-tal-de-people-analytics-7f43ccbe9631?source=rss-77a4f6b130d7------2</link>
            <guid isPermaLink="false">https://medium.com/p/7f43ccbe9631</guid>
            <category><![CDATA[análise-de-dados]]></category>
            <category><![CDATA[people-analytics]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[carreira]]></category>
            <category><![CDATA[psicologia]]></category>
            <dc:creator><![CDATA[Paula Costa]]></dc:creator>
            <pubDate>Sat, 27 Mar 2021 19:27:15 GMT</pubDate>
            <atom:updated>2021-03-27T19:54:38.375Z</atom:updated>
            <content:encoded><![CDATA[<h4><em>E quais perguntas ele pode responder?</em></h4><p>People Analytics têm se mostrado uma forte tendência dos RHs do futuro. Em 2016, o Senhor Google já falava sobre People Analytics como o ponto de <a href="https://rework.withgoogle.com/blog/people-analytics-where-hr-meets-science-at-google/">encontro entre Ciência e Recursos Humanos</a>, sendo um ótimo método para <a href="https://rework.withgoogle.com/blog/google-people-analytics-making-work-better/">construir ambientes de trabalho melhores</a>.</p><p>Além disso, uma pesquisa realizada pela Cognizant em 2020 apresentou uma lista com <a href="https://www.cognizant.com/perspectives/an-evolving-profession-21-new-hr-jobs-to-watch-for">21 profissões dos RHs do futuro</a> e no mínimo 5 dessas profissões listadas lidam diretamente com dados relacionados a pessoas.</p><blockquote>Os dados falam muito sobre nós como pessoas, como coletivo de trabalho e como negócio. Eles dizem sobre nosso comportamento e nossas histórias, contam de onde viemos e podem indicar para onde vamos.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/564/1*v8YbKqbZo3YjeNFuwxq5Pw.jpeg" /></figure><p>Por isso, para uma organização conhecer os seus funcionários e seu funcionamento, fazer decisões baseadas em dados é uma parte fundamental do processo. Basear-se em dados para tomar decisões não só traz assertividade, como também paramêtros mais justos e menos parciais, pois nossos julgamentos, preconceitos e vieses (infelizmente) nos acompanham em cada escolha.</p><p>Com tudo isso, venho tentar responder a uma pergunta que me fizeram essa semana…</p><h3>Mas afinal, o que é esse tal de People Analytics?</h3><p>Aquela expressão que está na moda, mas se nos perguntarem talvez não saibamos conceituar. Eu já li algumas definições e trarei <a href="https://www.numerapeopleanalytics.com/blog/o-que-e-people-analytics">aquela que fez mais sentido</a> para mim até hoje:</p><p><em>“ People Analytics é a análise de dados de pessoas, com rigor científico, para tornar mais assertivas as decisões relacionadas aos funcionários de uma empresa”</em></p><p>People Analytics não é um programa, uma plataforma ou uma ferramenta em específico. É uma forma de ver, uma lente científica que podemos usar para responder questões organizacionais. E adiciono aqui o objetivo final que eu dou para People Analytics em todos os projetos em que atuo, que é<strong> produzir ambientes de trabalho mais saudáveis </strong>para as pessoas.</p><h3>E agora o que eu faço com isso?</h3><p>Ok, entendemos o que é People Analytics. <strong>Mas qual é a implicação prática disso? Como utilizar no dia a dia da empresa?</strong> As possibilidades são vastas. Existem vários problemas de negócio que podem ser entendidos pelo olhar metedológico e científico de People Analytics.</p><p>Listei abaixo algumas questões organizacionais que já vi por aí e que eu fortemente acredito que People Analytics pode ajudar:</p><ol><li><strong>Diversidade e inclusão:</strong> Quão diversa minha empresa é? Os grupos minoritários têm experiências organizacionais diferentes dos demais na minha empresa?</li><li><strong>Engajamento no trabalho:</strong> Quão engajados os meus funcionários estão? E o quanto isso impacta na performance deles?</li><li><strong>Burnout:</strong> As pessoas da minha empresa estão sobrecarregadas? Quantas pessoas estão em risco de desenvolver burnout?</li><li><strong>Saúde do trabalhador: </strong>Qual o motivo mais comum de afastamento por motivo de saúde dos trabalhadores da minha empresa? Será que isso está relacionado com as atividades laborais?</li><li><strong>Liderança:</strong> Quais as competências mais importantes a serem desenvolvidas nos líderes da minha empresa para que eles consigam fazer a gestão de suas equipes de forma satisfatória?</li><li><strong>Recrutamento e seleção: </strong>Quais pessoas são top performance na minha empresa e por quê? E como eu posso utilizar essa informação a favor do meu processo seletivo?</li><li><strong>Turnover: </strong>Quantas pessoas saem da minha empresa por vontade própria? Existem motivos comuns para tomar essa decisão? Isso está relacionado com algum período do ano específico?</li><li><strong>Equilíbrio entre vida profissional e pessoal: </strong>Quão comum é as pessoas da minha empresa realizarem horas extras? Quanto isso impacta na qualidade de vida no trabalho delas?</li><li><strong>Promoções:</strong> Qual o melhor indicador na minha empresa para avaliar promoções e aumentos de salário? Tempo de experiência, entregas e performance, cooperação dentro do time, avaliações de desempenho?</li><li><strong>Home office:</strong> Quais desafios o home office traz para as equipes de trabalho? Como elas estão passando por esse momento de pandemia?</li></ol><p>Se essas perguntas fossem feitas para mim, eu iria atrás de dados que me auxiliassem a respondê-las, por meio de pesquisas online, entrevistas, bancos de dados já existentes e outras fontes que podem estar ao meu alcance.</p><p>Pensando que essas respostas podem desencadear ações e decisões na organização, elas têm poder de causar impacto na vida de vários trabalhadores. Logo, eu considero mais humano e justo usar dados para chegar a conclusões mais mais assertivas do que confiar cegamente na minha percepção individual.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/425/1*tQgpN1xi_zsOpi5YAnS6Eg.jpeg" /></figure><p>Por tudo isso que discutimos acima, precisamos de People Analytics em RHs mais estratégicos e que levam dados e evidências em consideração. <strong>People Analytics nos encurta caminhos e torna o RH mais responsável nas</strong> <strong>suas decisões</strong>. Em suma, People Analytics pode ajudar as organizações a ter mais clareza do seu próprio funcionamento, saber para onde querem ir e como chegar lá. Mas principalmente, People Analytics pode ser um grande aliado para construir um mundo do trabalho mais justo, mais responsável e que considera o método científico como um modo de zelar pelo bem-estar das pessoas.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7f43ccbe9631" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datapsico/esse-tal-de-people-analytics-7f43ccbe9631">Afinal, o que é esse tal de People Analytics?</a> was originally published in <a href="https://medium.com/datapsico">Datapsico</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Qual história seus dados contam? Visualização de Dados e Data Storytelling]]></title>
            <link>https://medium.com/datapsico/qual-hist%C3%B3ria-seus-dados-contam-visualiza%C3%A7%C3%A3o-de-dados-e-data-storytelling-4585af8d4681?source=rss-77a4f6b130d7------2</link>
            <guid isPermaLink="false">https://medium.com/p/4585af8d4681</guid>
            <category><![CDATA[carreira]]></category>
            <category><![CDATA[top-3]]></category>
            <category><![CDATA[people-analytics]]></category>
            <category><![CDATA[psicologia]]></category>
            <category><![CDATA[psicodata]]></category>
            <dc:creator><![CDATA[Paula Costa]]></dc:creator>
            <pubDate>Fri, 20 Nov 2020 03:13:16 GMT</pubDate>
            <atom:updated>2020-11-20T21:07:15.843Z</atom:updated>
            <content:encoded><![CDATA[<h4>Perfeito! Análises prontas. Encontramos resultados incríveis! Mas… e agora?</h4><p>Agora, queremos comunicar isso para todo mundo. Mas nem todo mundo sabe (ou gosta) de ciência de dados… Aí entra a visualização. Mas o que é “visualização de dados”?</p><blockquote>Visualização de dados é a habilidade de apresentar suas análises visualmente, seja dentro da sua equipe de data science ou para outras pessoas. A partir dela, você pode comunicar aquilo que está vendo nos dados.</blockquote><p>Essa é uma definição minha, baseada no que eu já vivi analisando dados. Seja na universidade ou no meio corporativo, é necessário apresentar suas análises claramente para que elas sejam não só entendidas como também reconhecidas e validadas. A visualização de dados pode ser usada durante as análises para gerar insights, mas vou focar na sua utilização quando apresentamos nossos dados para outras pessoas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/750/1*JVOeu5PU5uLwB0taCDkhWw.jpeg" /></figure><p>Vou apresentar aqui<strong> 3 pontos </strong>que, na minha experiência, são importantíssimos na apresentação das suas análises para alguém, seja na universidade, no trabalho ou no grupo de pesquisa.</p><h4>Quem é o seu público?</h4><p>Você está apresentando seus dados em um artigo científico, numa banca de TCC ou na sua defesa de mestrado? Ou está em uma reunião administrativa na sua empresa? Ou, quem sabe, está elaborando um relatório que será divulgado para uma instituição inteira? São situações bem diferentes e cada uma apresenta um público com desafios distintos.</p><p>Apresentando suas análises no meio acadêmico, você provavelmente estará falando com doutores e pessoas que já sabem bastante sobre metodologia científica e testes estatísticos. Nesse caso, é ótimo que você traga os índices das análises detalhadamente e gráficos mais complexos poderão ser mostrados sem grandes explicações. Obviamente, esse público demanda de você um domínio mais aprofundado da técnica e da teoria, mas, se preparando bem, é bem provável que suas análises sejam entendidas.</p><p>Porém, por vezes, esse não era o meu caso. Tive que apresentar minhas análises para funcionários da empresa, que não possuíam intimidade com termos estatísticos ou com metodologia de pesquisa. Logo, minhas análises, por mais refinadas que fossem, não teriam impacto se eu as apresentasse de forma técnica, com termos desconhecidos. A magia estava em devolver o conhecimento de um jeito que fizesse sentido para o meu público, não só para mim. E aí entra a <strong>visualização de dados e o <em>data storytelling</em></strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Fh3d-TzoWl5X11Kvm1AmtQ.jpeg" /></figure><p>Para esses públicos, eu tenho que me adaptar e eu gosto de fazer isso contando a história desses dados, o que chamamos de <em>“data storytelling”</em>. No <em>data storytelling</em>, eu consigo <strong>envolver</strong> o meu público e mostrar análises com significado, que se conectam com o dia a dia deles. Faço isso dando o contexto do momento da pesquisa, trazendo mitos que rolavam pelo “rádio corredor” e que apareceram (ou foram questionados) na pesquisa, exemplificando como aqueles achados se dão no dia a dia ou até trazendo dados mais qualitativos.</p><blockquote>É mais fácil chover no molhado, explicar para quem já entende. Mas se não conseguimos comunicar para o outro aquilo que encontramos nos dados, insights não passam de insights.</blockquote><p>Conseguir “traduzir” os dados para outras pessoas é uma habilidade importantíssima para um pesquisador (mesmo que muitas vezes ela seja subestimada), pois <strong>dá potência para nossas análises produzirem transformação</strong>. Hoje em dia, existem até mesmo alguns profissionais que se intitulam como <em>data translators</em>, que fazem o meio de campo entre a área técnica e área de <em>business intelligence</em> das empresas. Isso porque é necessário que profissionais de fora da ciência de dados entendam o que as análises estão dizendo. Para empresas que focam na cultura de <em>data driven, </em>cada vez mais essa habilidade de tradução se faz crucial. Consequentemente, a visualização de dados e data storytelling possuem papel fundamental nessas ocasiões.</p><h4>Como apresentar meus dados?</h4><p>Aqui está o cerne da questão. O que você apresentará? Às vezes, temos 15 minutos para apresentar análises que duraram semanas ou meses para serem feitas. Então temos que ser <strong>estratégicos</strong>. Quais informações são mais interessantes (e válidas) para a demanda do meu público? Quais gráficos são mais explicativos para meu problema de pesquisa?</p><p>Estudando visualização, aprendi que diferentes tipos de gráficos se propõem a diferentes objetivos. Um gráfico de linhas funciona melhor quando queremos dar a sensação de continuidade, como no comportamento de uma variável ao longo do tempo. Mostrando um pouco mais de informação, um gráfico de barras com porcentagem embutida pode ser uma boa.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*SzsjQf0CMZmUP8NIsfAcew.jpeg" /></figure><p>Suas escolhas vão depender <strong>do que você quer comunica</strong>r. Quando vou realizar uma apresentação, eu testo os mesmos dados em vários tipos de gráficos, pensando no <em>data storytelling</em> que estou construindo com a apresentação. Isso faz com que eu perceba outras formas de comunicar aqueles achados e avaliar qual delas se encaixa melhor.</p><p>Além disso, quando estamos absorvidos nos dados, podemos pensar que alguns pontos são óbvios, quando na verdade não são. Por isso, considero uma boa prática pedir a opinião de alguém que não é da área para avaliar o quão claros estamos sendo.</p><p>Um clichê importante: <strong>menos é mais</strong>. Pensando no seu público, um gráfico atolado de informações não é uma boa estratégia de apresentação. Isso aumenta as chances do seu público ficar confuso (e até assustado) com suas análises. Precisamos mostrar com clareza os dados, mesmo que isso signifique não entrar profundamente em índices e teoria estatística. Aí vai uma frase que tenho aprendido nos últimos meses:</p><blockquote>É possível ser simples sem ser superficial.</blockquote><p>Eu sei que a vontade é mostrar todas as informações possíveis da nossa pesquisa, pois deu trabalho realizá-la. Parece que tudo é importante e eu também tenho receio de simplificar demais as explicações nessas apresentações expressas. Mas precisamos elencar as <strong>prioridades</strong> do que comunicar e há formas de ser objetivo sem perder a complexidade da pesquisa. Para que a nossa apresentação seja clara e eficiente precisamos ter objetividade com estratégia. E sempre é possível deixar slides com informações e gráficos adicionais ocultos na apresentação ou no final dela. Assim, caso surjam dúvidas (ou sobre um tempinho para você mostrá-las hehehe), estará preparado(a).</p><h4>Quais ferramentas utilizar?</h4><p>Na minha rede de cientistas de dados, já percebi que existem algumas ferramentas que são as queridinhas da galera: Power BI e Tableau são muito usadas pelas empresas para visualização. Em opções mais populares, temos o Excel. Concordo que não seja um software super potente, mas considero ele acessível e pode auxiliar muito quando bem utilizado. O meu favorito com certeza é o R (inclusive temos outros artigos sobre ele aqui no <a href="https://medium.com/psicodata/um-grafico-vale-mais-que-mil-palavras-852aadc13a54">PsicoData</a>), porque ele apresenta uma infinidade de possibilidades de gráficos bem informativos e claros, e<strong> clareza </strong>é fundamental na visualização de dados.</p><blockquote>Tenha em mente que o seu gráfico precisa falar sozinho. Quando é necessário explicar muito para entender o gráfico, ele não serviu ao seu propósito, que é justamente tornar a explicação dos dados intuitiva e fluida.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*G_mzIvhRI3AWF8Xv" /><figcaption>Photo by <a href="https://unsplash.com/@lukechesser?utm_source=medium&amp;utm_medium=referral">Luke Chesser</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Poderia falar aqui sobre <em>scatter plot, line charts, tree map, spatial charts, survey plot</em> e tantos outros assuntos dentro de visualização. Mas considero que esse seja um percurso de cada cientista de dados, com sua questão de pesquisa. Independente da ferramenta e do tipo de visualização, é necessário que seu gráfico seja <strong>autoexplicativo</strong>, porque ele é um recurso que deve falar por você e/ou te ajudar a mostrar o que há de importante nos dados.</p><p>Considerando as dores e desejos do seu público e pensando no seu <em>data storytelling</em>, acredito que tenha um bom começo para apresentar suas análises de um jeito que faça sentido para você e para quem está ouvindo.</p><p>Resumindo, tenha em mente: 1. Quem é seu público; 2. Quais dados apresentar e como; 3. Quais ferramentas podem te ajudar.</p><p>Particularmente, esse momento de comunicar para as pessoas nossos resultados é uma das mais bonitas de toda a pesquisa.<strong> A sabedoria vem das pessoas,</strong> pelos dados delas, de forma caótica. O cientista de dados sistematiza e transforma isso em conhecimento, para então devolver aos primeiros donos. Precisamos de profissionais ótimos na técnica, mas também precisamos de comunicadores de insights. O que você é?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*hhM7YMtH_pHZY10z" /><figcaption>Photo by <a href="https://unsplash.com/@ryoji__iwata?utm_source=medium&amp;utm_medium=referral">Ryoji Iwata</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4585af8d4681" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datapsico/qual-hist%C3%B3ria-seus-dados-contam-visualiza%C3%A7%C3%A3o-de-dados-e-data-storytelling-4585af8d4681">Qual história seus dados contam? Visualização de Dados e Data Storytelling</a> was originally published in <a href="https://medium.com/datapsico">Datapsico</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Dados e Psico: 5 lições que eu gostaria de ter ouvido no início]]></title>
            <link>https://medium.com/datapsico/dados-e-psico-5-li%C3%A7%C3%B5es-que-eu-gostaria-de-ter-ouvido-no-in%C3%ADcio-951b6a94149a?source=rss-77a4f6b130d7------2</link>
            <guid isPermaLink="false">https://medium.com/p/951b6a94149a</guid>
            <category><![CDATA[análise-de-dados]]></category>
            <category><![CDATA[psicodata]]></category>
            <category><![CDATA[people-analytics]]></category>
            <category><![CDATA[carreira]]></category>
            <category><![CDATA[top-3]]></category>
            <dc:creator><![CDATA[Paula Costa]]></dc:creator>
            <pubDate>Fri, 23 Oct 2020 15:35:49 GMT</pubDate>
            <atom:updated>2020-10-23T15:35:49.356Z</atom:updated>
            <content:encoded><![CDATA[<p>Se você está lendo esse texto, aposto que em algum momento já se sentiu meio esquisitão/esquisitona por juntar dados e Psicologia. Essa galera que, como você e eu, gosta de combinar os dois mundos passa por situações que não aparecem nas aulas da universidade. Eu sou a Paula, estudante de Psicologia na UFCSPA, apaixonada por dados&amp;gente e esse é meu primeiro texto no PsicoData! Querendo bater um papo, é só <a href="http://www.linkedin.com/in/paulavcosta">chamar!</a></p><p>Nos meus 2 anos e uns quebradinhos estudando e trabalhando com dados de Gestão de Pessoas e Recursos Humanos, tenho aprendido algumas coisas interessantes. Aí pensei:</p><blockquote><em>Seria muito bom se alguém tivesse me falado essas coisas no início…</em></blockquote><p>Por isso, quero compartilhar com vocês 5 lições que aprendi trabalhando com dados em Psicologia.</p><h3>1. É possível ser humano com dados.</h3><p>Já trabalhei com análise de dados em ambientes diversos. Tive experiências bem acadêmicas e outras bem empresariais, assim como já tive públicos que sabiam MUITO de análise de dados e públicos que nunca tinham tido contato com uma tabela de correlação. Então, eu entendi que, para algumas pessoas, é estranho juntar o exato com o humano. Parece que esses mundos são opostos e não se combinam de modo algum. Teve um momento importante em que me questionaram se eu estava “largando de ser humana para trabalhar com dados”. Claro que não! É possível ser humano com ou sem dados, assim como é possível ser desumano com ou sem dados. Analisar dados é uma método e o seu propósito depende de quem o está utilizando.</p><figure><img alt="Quebra-cabeça com algumas peças desencaixadas" src="https://cdn-images-1.medium.com/max/800/1*6aT9vhMKKnMzTTpsv48arA.jpeg" /></figure><p>Nas minhas experiências, utilizo os dados para ouvir o discurso coletivo das pessoas e tentar desenvolver ambientes laborais mais saudáveis, que levem em conta o bem-estar e a saúde dos trabalhadores. Na minha visão, isso é pra lá de humano! A pergunta que sempre ecoa na minha cabeça é: “A partir desses dados, como eu posso gerar conhecimento que vá ajudar essas pessoas?”. Humanização é muito mais sobre postura do que sobre método. Para ser humano com dados basta ser humano na vida...</p><h3>2. Dados podem ser rebeldes.</h3><p>Criar expectativas é complicado, ainda mais se tratando de dados. Por vezes, começamos uma pesquisa não só com as hipóteses, mas com os resultados e as discussões já formuladas nas nossas cabecinhas pensantes. Só que os dados, meus amigos, podem ser muito rebeldes.</p><figure><img alt="Cubo de madeira" src="https://cdn-images-1.medium.com/max/1024/0*fbm9RYwux3RcMS_L" /><figcaption>Photo by <a href="https://unsplash.com/@kieran_wood?utm_source=medium&amp;utm_medium=referral">Kieran Wood</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Mais de uma vez, minhas análises não mostraram o que eu estava esperando. No início, eu brigava muito com meus dados. Procurava erros metodológicos, pensava que estava calculando algo errado, refazia, e lá estava o resultado que eu não queria ter que explicar. Minha única opção era sentar com os dados que estavam ali, imparciais, me esperando. Ironicamente, quando parei de brigar com eles e tentei encontrar formas alternativas de explicá-los, os meus maiores insights surgiram. Conhecimentos interessantíssimos podem sair de resultados imprevistos, por isso valorize quando seus dados te trazem alguma surpresa. Como num filme, o plot twist é o clímax do negócio.</p><h3>3. Sentir-se perdido(a) é normal, pois a jornada não vem com mapa.</h3><p>Para alguém da Psicologia, entrar na ciência de dados é um desafio, pois não temos uma trajetória clara a seguir. Sabemos o que é necessário para ser um profissional de Psicologia Clínica, Social ou Organizacional por exemplo. Trabalhando com dados, a situação é diferente. Apesar de o mercado estar precisando de profissionais interessados em dados e em pessoas, a formação desse profissional não é estruturada, muito menos abrangida dentro das universidades.</p><figure><img alt="Quebra-cabeças roxo com um amontoado de peças" src="https://cdn-images-1.medium.com/max/1024/0*9RqYxYopLLI_WyKa" /><figcaption>Photo by <a href="https://unsplash.com/@biancablah?utm_source=medium&amp;utm_medium=referral">Bianca Ackermann</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Alguém que trabalha com dados de pessoas estuda sobre tratamento de base de dados, visualização de dados, estatística, metodologia científica, programação ou tudo isso junto. Porém, por enquanto, nós temos que construir nossa própria grade curricular, sendo protagonistas da nossa própria carreira. E isso pode ser assustador. Por isso, eu digo para você que está iniciando, tudo bem sentir-se um pouco perdido no início. Tendo um estudo consistente e que faça sentido para você, os conteúdos vão se encaixando como um quebra-cabeça. No início, não sabemos como as peças se ligam até conseguirmos juntar algumas. Aos poucos, tudo vai se conectando e ficando mais claro.</p><h3>4. Simplifique problemas, não pessoas.</h3><figure><img alt="Quebra-cabeça metade montado" src="https://cdn-images-1.medium.com/max/600/1*FBre5XsV1Y3GiPHr_ULwfA.png" /></figure><p>Pessoas são complexas e os dados estão aí para ajudar. Com a análise de dados, muitos insights podem surgir, os quais “a olho nu” provavelmente passariam despercebidos. Quando olhamos para as pessoas com a lente dos dados, precisamos ter em mente que a análise de dados é um dos métodos possíveis para entendermos melhor a complexidade humana. É tentador acreditarmos cegamente que nossos modelos vão abarcar todas as singularidades. Assim como é ingênuo pensarmos que nossas análises estão livres de vieses, tendenciosidades e preconceitos, que não percebemos. Por mais refinado que tenha sido o tratamento estatístico, modelos são recortes, não verdades absolutas, por isso devem ser constantemente revisitados e questionados. Quando estivermos simplificando pessoas ao invés de problemas, é hora de dar um passo atrás e rever nossos conceitos.</p><h3>5. Parece uma caminhada solitária… mas não precisa ser.</h3><p>Você já deve ter percebido que, dentro da Psicologia, pessoas que gostam de dados não são a maioria (ainda hehehe). Por mais que o cenário global esteja mudando e grandes referências no mundo do trabalho olhem para um futuro baseado em dados, isso não é comum no Brasil. Por isso, para quem está começando, pode parecer uma caminhada um pouco solitária… mas não precisa ser assim. Tente encontrar outras pessoas com essa paixão por dados e gente. Bata um papo, chame para a conversa, crie rede. Uma categoria se desenvolve quando há discussão entre as pessoas. Debater nossas práticas é importante e compartilhar sentimentos, desafios e pepinos do dia a dia traz uma leveza para essa jornada.</p><p>Mesmo no início, esses são alguns aprendizados que adquiri nessa jornada de análise de dados em Psicologia. Na minha opinião, todos esses tópicos são ideias que eu adoraria ter ouvido de alguém o quanto antes e, como alguns de vocês podem estar passando por experiências parecidas, resolvi compartilhar. Recapitulando o início do texto, eu gosto dessa esquisitice de quem junta dados e Psicologia, pois essa paixão vem de pessoas que acreditam que os opostos se complementam para compreender o coletivo e o humano de forma mais científica e assertiva. Então, que sigamos nessa jornada juntos!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=951b6a94149a" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datapsico/dados-e-psico-5-li%C3%A7%C3%B5es-que-eu-gostaria-de-ter-ouvido-no-in%C3%ADcio-951b6a94149a">Dados e Psico: 5 lições que eu gostaria de ter ouvido no início</a> was originally published in <a href="https://medium.com/datapsico">Datapsico</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>