Eu lembro de uma cena comum — tão comum que já virou ritual.
Alguém apresenta uma iniciativa razoável, com um porquê claro e um risco aceitável. A conversa começa a ganhar forma. E então chega a frase que parece adulta, neutra, incontestável:
“Sem dados, não dá para decidir.”
Na superfície, é prudência. Na prática, muitas vezes é só terceirização de responsabilidade. Uma forma elegante de adiar conflito, evitar compromisso e colocar a decisão no colo de uma entidade abstrata chamada “o número”.
O problema não é pedir evidência.
O problema é transformar evidência em autoridade.
Quando isso acontece, o dado deixa de ser ferramenta e vira oráculo. E quando o oráculo finalmente responde, ele costuma responder tarde, incompleto, ou com uma precisão teatral que pouco tem a ver com a pergunta original.
Três ideias diferentes que o mercado chama de “data-driven”
Parte do ruído vem de uma confusão conceitual. “Data-driven” virou rótulo para coisas bem diferentes, o que permite que gente séria e gente oportunista pareçam estar falando a mesma língua.
Há, pelo menos, três posturas distintas.
Data-informed
Dados como insumo. A decisão continua sendo humana, mas os dados ajudam a enxergar melhor, checar suposições, reduzir autoengano e aprender mais rápido. Aqui, o dado não manda. Ele ilumina.
Data-driven sério
O dado pode conduzir porque existem condições objetivas para isso: medição minimamente confiável, volume suficiente, ciclo de feedback curto, custo de erro controlado e capacidade de reversão. É o território de experimentos, instrumentação honesta e aprendizado incremental.
Data-driven dogmático
É quando a ausência de dashboard vira veto automático. Quando se presume que “o número fala por si”. Quando o método vira liturgia e a liturgia vira poder. Aqui, “não temos dados” não é diagnóstico; é arma.
O alvo desta crítica não é o data-driven sério.
É a idolatria: o dado como divindade, não como instrumento.
Dados não são conhecimento: falta a ponte causal
Dado é registro. Conhecimento é compreensão. Entre um e outro existe uma ponte que quase ninguém consegue delegar de verdade: o nexo causal. Um indicador raramente aponta para uma única explicação. Ele abre um leque de hipóteses concorrentes. “A conversão caiu” pode ser preço, canal, concorrência, performance, qualidade do lead, bug, sazonalidade, mudança de comportamento do usuário — ou simplesmente erro de mensuração.
O número não escolhe hipótese.
Ele apenas indica que algo mudou — e às vezes nem isso, se a medição for ruim.
O salto do dado para o entendimento exige pensamento causal: identificar mecanismos plausíveis, separar causa de efeito, distinguir correlação de explicação, reconhecer latências. E exige algo ainda mais subestimado: imaginação, no sentido forte.
Se essa hipótese for verdadeira, o que mais deveria ter mudado junto?
Qual efeito colateral eu esperaria observar?
Qual o tempo de latência entre causa e consequência?
Que parte do sistema esse dado não enxerga?
Sem essa ponte, o dado é apenas um número bem vestido.
O que é intuição (e o que não é)
Intuição é uma palavra perigosa porque serve tanto para sabedoria quanto para palpite. O que vale defender aqui não é achismo, mas intuição como síntese de experiência sob feedback. Ela surge quando alguém viveu repetição suficiente num domínio, sofreu consequências, corrigiu rota e calibrou julgamento ao longo do tempo. É reconhecimento de padrões, percepção de sinal fraco, antecipação de risco antes de virar incidente.
Essa intuição costuma funcionar melhor quando:
o domínio é relativamente estável;
o feedback chega rápido;
há espaço para corrigir;
existe exposição suficiente à variedade do problema.
Ela falha quando:
o domínio é novo;
o feedback é lento;
a complexidade é alta;
a política interna distorce os sinais.
Nesses cenários, intuição vira presa fácil de vieses. Por isso, o debate honesto não é “dados versus intuição”, mas como combinar julgamento e evidência de forma proporcional ao custo e ao risco.
Intuição boa gera hipóteses e direção. Dados bons calibram, testam e aceleram aprendizado quando o mundo permite.
Quando dados ganham, quando intuição ganha
Dados tendem a ser melhores condutores quando:
a medição é razoavelmente confiável;
o ciclo de aprendizado é curto;
o custo do erro é administrável;
há capacidade real de reversão.
Intuição tende a ser melhor guia quando:
os sinais são qualitativos e contextuais (confiança, alinhamento, atrito);
instrumentar é caro demais para a fase;
a decisão é estratégica e envolve valores;
os dados disponíveis são proxies ruins que geram falsa segurança.
Uma cultura adulta não escolhe um lado. Ela aprende a trocar de marcha.
Como o “data-driven errado” atrasa, distorce e às vezes destrói
O fracasso mais comum não nasce da falta de dados, mas de métricas que viraram objetivo. Quando uma métrica vira alvo, ela Dados deixam de medir.
Um time de atendimento cobrado por tempo médio aprende a encerrar rápido e evitar casos difíceis. O gráfico melhora. O cliente piora. O problema aparece depois, como churn. Um produto cobrado por cliques ou tempo de tela aprende a maximizar ruído e fricção. A métrica sobe. O valor entregue não. O curto prazo parece vitória; o longo prazo vira rejeição.
Um time de engenharia cobrado por throughput aprende a empurrar dívida e evitar o que não vira número bonito. A estabilidade degrada. A conta chega em incidentes.
Há também o atraso travestido de prudência: a decisão é bloqueada por “falta de dados”, mas ninguém define quais dados, nem quando serão suficientes. Coletar vira condição infinita. Quando os dados chegam, o contexto mudou.
Em todos esses casos, o erro não é usar dados, mas usá-los sem nexo causal, sem governança e sem humildade.
O imaginário como condição do discernimento
Pascal já alertava para um erro recorrente: tentar resolver todos os problemas humanos com o mesmo tipo de razão. Ele distinguia o esprit de géométrie, próprio das demonstrações formais, do esprit de finesse, necessário para lidar com situações complexas, ambíguas e profundamente humanas.
O primeiro opera bem com regras claras e relações mensuráveis. O segundo percebe nuances, intenções, efeitos indiretos e contextos vivos. Pascal é claro: há verdades que não se demonstram — se reconhecem. E reconhecer exige formação do olhar.
É aqui que entra o imaginário.
A capacidade de construir mundos possíveis, simular consequências, antecipar reações humanas e perceber tensões invisíveis nos dados não nasce de dashboards. Ela nasce do contato profundo com narrativas.
Literatura, filmes, séries, teatro, novelas, animes — longe de serem mero entretenimento — são instrumentos cognitivos. Eles treinam a mente para lidar com caráter, conflito, tempo, poder, desejo e queda. Exatamente o que não cabe em fórmulas.
Quem nunca leu uma boa tragédia tende a subestimar o peso do orgulho.
Quem nunca acompanhou uma grande narrativa de queda tende a superestimar métricas de sucesso de curto prazo.
Quem nunca viveu dilemas humanos pela ficção tende a acreditar que o mundo se organiza por indicadores.
O empobrecimento do imaginário produz decisões pobres. Nenhuma quantidade de dados compensa uma mente incapaz de enxergar além do recorte da métrica.
Em breve, pretendo publicar uma lista comentada de obras — livros, filmes, séries e outras narrativas — que considero fundamentais para a formação desse imaginário. Não como fuga da realidade, mas como treino para enxergá-la melhor.
O ponto central
Dados são lanternas. Não são mapas.
O data-driven sério é um aliado quando há boa medição, bom feedback e vontade real de aprender. O data-driven dogmático é uma religião corporativa: promete salvação por números e entrega paralisia por liturgia.
No fim, a decisão sempre volta para onde nunca deixou de estar: a mente que constrói a ponte entre registro e significado.
O resto é decoração.