Este é o segundo artigo de uma série de três sobre data fallacies, os erros mais comuns ao interpretar dados que, longe de nos ajudar, podem nos levar a decisões equivocadas.
No primeiro, falamos sobre a armadilha das métricas resumidas — você pode ver aqui —; hoje exploramos uma ainda mais perigosa porque se disfarça de perfeição: o overfitting.
Quando os dados “decoram”
Imagine alguém estudando para uma prova memorizando todas as perguntas dos anos anteriores. No dia do exame, pode tirar nota 10… mas se as perguntas mudarem, não saberá o que responder.
É exatamente isso que acontece com modelos de dados que caem no overfitting: parecem impecáveis porque se ajustam ao passado com total precisão, mas fracassam quando enfrentam novas situações.
Em outras palavras: os dados decoram, mas não aprendem a lição.
Exemplos cotidianos
Previsão do tempo
Um modelo que se ajusta em detalhes a um único mês pode parecer preciso. Mas no mês seguinte, os padrões mudam e a previsão perde toda validade.
O GPS autoconfiante
Um GPS que memoriza cada buraco e cada semáforo do seu trajeto diário será perfeito… apenas naquele caminho. Se você viajar para outra cidade, torna-se inútil.
Em People Analytics
No mundo da gestão de pessoas, o overfitting aparece mais do que imaginamos:
-
Um modelo que explica perfeitamente os resultados de uma pesquisa… mas apenas para um período ou uma área. Ao aplicá-lo em outro contexto, falha.
-
Um indicador de rotatividade tão específico que reflete apenas casos particulares, sem ajudar a antecipar tendências reais.
-
Predições de desempenho com variáveis demais — muitas delas irrelevantes — que geram modelos frágeis e impossíveis de replicar.
O problema é que a precisão aparente nos engana: acreditamos ter o “modelo perfeito”, quando na verdade construímos um castelo de areia.
Reflexão final
O overfitting nos lembra que o passado não garante o futuro. Em People Analytics — e em qualquer disciplina baseada em dados — não buscamos explicações que se encaixem perfeitamente no que já aconteceu, mas sim modelos robustos que nos permitam antecipar o que está por vir.
Às vezes, a perfeição nos dados não é uma conquista, mas uma armadilha.
Por Yoel Kluk, sócio da Olivia México.