Nos últimos anos, diversos casos de erros em dados custaram milhões de dólares a grandes empresas ao redor do mundo. Esses incidentes não apenas destacam os riscos da baixa qualidade dos dados (Data Quality), mas também evidenciam a necessidade de uma cultura forte de alfabetização em dados (Data Literacy).
Casos Reais de Erros de Dados e Suas Consequências
Em 2022, a Unity Technologies, empresa conhecida por sua plataforma 3D, inseriu dados incorretos em uma ferramenta usada por um cliente. O erro gerou imprecisões nos algoritmos de machine learning e um prejuízo de 110 milhões de dólares, além da desvalorização de 37% em suas ações. (Fonte: IBM)
No mesmo ano, a Equifax, uma das três maiores empresas de crédito dos EUA, atribuiu scores de crédito errados a milhões de consumidores, afetando bancos como JP Morgan e Wells Fargo. Anos antes, a empresa já havia pago 700 milhões de dólares em multas devido ao vazamento de dados. (Fonte: CNN)
Em 2017, a Uber descobriu um erro em seu aplicativo que fazia com que sua comissão fosse calculada sobre a tarifa bruta, e não sobre o valor líquido. O problema afetou milhares de motoristas em Nova York, e a empresa precisou pagar, em média, 900 dólares a cada um deles para corrigir a falha. (Fonte: The Guardian)
Já em 2018, a Samsung Securities acidentalmente distribuiu 105 bilhões de dólares em ações para seus funcionários—30 vezes mais que o valor correto. Em apenas 37 minutos, 16 funcionários venderam 5 milhões dessas ações, causando uma perda de 12% no valor de mercado da empresa. (Fonte: The Wall Street Journal)
Esses erros ilustram como dados imprecisos podem gerar impactos financeiros gigantescos, até mesmo para empresas que investem milhões em tecnologia e processos.
Se Empresas Enfrentam Esses Problemas, Imagine o Setor Público
Se corporações privadas, com recursos avançados e equipes especializadas, falham na gestão de dados, o que dizer do setor público? Governos ao redor do mundo, especialmente no Brasil, enfrentam desafios históricos de baixa produtividade, burocracia excessiva e gestão ineficiente.
O problema se agrava quando a tecnologia é aplicada sem um cuidado adequado com a qualidade dos dados. Por exemplo, no Brasil, projetos de Inteligência Artificial (IA) têm crescido significativamente, mas 80% dessas iniciativas falham. (Fonte: RAND Corporation) Os principais motivos? Dados ruins e falta de interpretação adequada.
Data Literacy e Data Quality: A Dupla Essencial para o Setor Público
A transformação digital no setor público depende da adoção de duas práticas fundamentais:
- Data Literacy (Alfabetização em Dados ou Literacia em Dados): Gestores e servidores precisam compreender como interpretar e utilizar dados estrategicamente. Sem essa habilidade, a tomada de decisão se torna lenta, ineficaz e frequentemente baseada em achismos.
- Data Quality (Qualidade dos Dados): Dados inconsistentes ou imprecisos resultam em políticas públicas ineficientes e desperdício de recursos. É fundamental estabelecer processos rigorosos de coleta, armazenamento e governança para garantir informações confiáveis.
Quando o setor público une alfabetização em dados e qualidade dos dados, os benefícios são enormes:
- Melhor planejamento de políticas públicas (por exemplo, prever a demanda por medicamentos e leitos de UTI);
- Redução de desperdícios e fraudes;
- Maior transparência e eficiência na gestão;
- Decisões mais rápidas e embasadas em evidências.
Os exemplos apresentados mostram que erros de dados não são apenas um problema tecnológico, mas um desafio estratégico. No setor público, onde as consequências desses erros afetam milhões de pessoas, investir em Data Literacy e Data Quality não é uma opção, mas uma necessidade urgente.
A administração pública pode se tornar mais moderna e eficaz ao garantir que seus dados sejam precisos e bem interpretados. Dessa forma, decisões mais embasadas e serviços mais eficientes podem finalmente atender às necessidades da sociedade.
Referências
IBM-Observability & Data Benefits: https://www.ibm.com/think/insights/observability-data-benefits
CNN-Equifax Credit Score Mistakes: https://edition.cnn.com/2022/08/03/business/equifax-wrong-credit-scores/index.html
The Guardian - Uber Underpaid Drivers:https://www.theguardian.com/technology/2017/may/23/uber-underpaid-drivers-new-york-city
The Wall Street Journal - Samsung’s $105 Billion Mistake: https://www.wsj.com/articles/a-105-billion-fat-finger-accident-is-samsungs-latest-headache-1523360228
RAND Corporation - AI Failures: https://www.rand.org/pubs/research_reports/RRA2680-1.html
Deixe um comentário