Vieses na análise de dados: 6 erros que distorcem decisões

Seu dashboard nunca mente. Quem mente é a pergunta que você fez a ele. Os vieses na análise de dados quase nunca aparecem como erro de fórmula: aparecem como uma conclusão que parecia óbvia, foi apresentada na reunião de segunda e virou orçamento na terça.

O problema piorou, não melhorou, com mais dados disponíveis. Hoje qualquer gestor abre o GA4, o Meta Ads e o CRM e encontra, em dez minutos, um número que sustenta a ideia que já tinha antes de abrir. Isso não é análise. É busca por munição.

A boa notícia: os vieses que mais custam dinheiro numa empresa são poucos, se repetem muito e dá para desarmar cada um com uma pergunta simples, feita antes de bater o martelo.

O que são vieses na análise de dados?

Vieses na análise de dados são distorções sistemáticas que levam a conclusões erradas mesmo com números corretos. Surgem de três fontes: dados que chegam incompletos (como no viés de sobrevivência), da forma como escolhemos o que olhar (viés de confirmação) e da interpretação apressada de relações entre variáveis (confundir correlação com causalidade).

Repare na diferença para o problema de qualidade de dados. Lá, o número está errado: evento duplicado, UTM quebrada, venda lançada duas vezes. Aqui, o número está certo e a conclusão está errada. É mais perigoso, porque passa em qualquer auditoria técnica.

Por que o viés aumenta quando a empresa vira “data driven”

Parece contraditório, mas faz sentido. Quando dado vira moeda política dentro da empresa, as pessoas passam a usá-lo para ganhar discussões, não para descobrir o que está acontecendo.

Uma pesquisa da Salesforce publicada em abril de 2025, com 552 tomadores de decisão de empresas americanas com mais de 500 funcionários, mostrou que 76% sentem pressão crescente para sustentar seus argumentos com dados e 57% dizem competir com colegas para provar o próprio valor usando dados (Salesforce, 2025). Na mesma pesquisa, a confiança na precisão dos dados caiu 27% em relação a 2023.

Junte pressão para provar um ponto com confiança baixa na fonte e você tem o ambiente perfeito para o viés de confirmação: cada área escolhe o recorte que a favorece, e a reunião vira um duelo de gráficos.

Viés de confirmação: quando você já sabe a resposta antes de perguntar

É o mais comum e o mais difícil de perceber em si mesmo. Você tem uma hipótese, procura os dados e para de procurar quando encontra o que confirma.

Um caso típico: a diretora de uma loja de cosméticos em Recife acredita que o Instagram orgânico é o canal que mais vende. Ela abre o GA4, filtra a semana em que um post viralizou, vê 140 pedidos com origem social e leva o print para a reunião. Não abriu as outras 11 semanas do trimestre, em que a média foi de 18 pedidos por semana vindos do mesmo canal.

O número de 140 é real. A conclusão, não. O trimestre teve 338 pedidos do Instagram (140 + 11 × 18), o que dá cerca de 28 por semana na média, e boa parte deles concentrada num evento que não se repete por vontade própria.

Como desarmar

• Antes de abrir qualquer relatório, escreva qual resultado faria você mudar de ideia. Se nenhum faria, você não está analisando.
• Defina o período e o recorte antes de olhar os números, não depois.
• Peça para alguém que discorda montar a análise com os mesmos dados. As diferenças entre as duas versões mostram onde está o viés.

Viés de sobrevivência: você só enxerga quem ficou

A história clássica é a dos aviões na Segunda Guerra: os militares queriam blindar as áreas mais furadas dos aviões que voltavam, e o estatístico Abraham Wald apontou que os buracos importantes estavam justamente nos aviões que não voltaram. No marketing, isso acontece toda semana, só que sem avião.

Veja um exemplo calculado. Um e-commerce de moda teve 1.000 clientes novos em janeiro. Em junho, 620 deles não compraram mais. A empresa manda uma pesquisa de satisfação para a base ativa, 380 pessoas, e recebe 152 respostas. A nota média é altíssima e o time comemora o “atendimento excelente”.

Só que a pesquisa ouviu 15% de quem entrou em janeiro, e exatamente os 15% mais satisfeitos. Os 620 que foram embora, que são a informação mais valiosa sobre o que dá errado, nem foram convidados.

Outros lugares onde ele aparece no dia a dia: estudar só os anúncios que deram certo para copiar a fórmula (sem olhar os que usavam a mesma fórmula e deram errado), analisar só as negociações que fecharam no CRM, ou medir retenção apenas com quem passou do primeiro mês.

Como desarmar

Pergunte sempre: quem não está nesta tabela, e por quê? Se a resposta for “quem desistiu”, “quem não respondeu” ou “quem foi pausado”, a amostra está filtrada pelo próprio resultado que você quer explicar. A análise de coorte ajuda muito aqui, porque acompanha o grupo inteiro desde a entrada, inclusive quem sumiu.

Correlação não implica causalidade: o que significa na prática?

Duas métricas subirem juntas não quer dizer que uma causou a outra. Muitas vezes existe um terceiro fator, escondido, empurrando as duas ao mesmo tempo.

Exemplo de novembro: uma loja de eletrônicos em Fortaleza percebe que, nas semanas em que publicou mais no Instagram, vendeu mais. A conclusão natural é dobrar a frequência de posts. Mas as semanas com mais posts foram justamente as de Black Friday, quando o time de marketing produz mais conteúdo e o cliente compra mais de qualquer jeito. A data move as duas variáveis.

O mesmo erro aparece quando alguém diz que “clientes que usam o cupom compram mais vezes”. Pode ser que o cupom fidelize. Pode ser também que quem já é fiel seja exatamente quem recebe e usa cupons. Sem um grupo de comparação, não dá para saber.

Como desarmar

• Liste o que mais mudou no mesmo período: sazonalidade, preço, estoque, campanha paga, mudança no site.
• Compare com o mesmo período do ano anterior ou com uma região que não recebeu a ação.
• Quando a decisão for cara, teste: separe um grupo que recebe a ação e outro que não recebe, ao mesmo tempo.

Outros vieses que custam dinheiro (e passam despercebidos)

Regressão à média

Uma campanha que tem CPA médio de R$ 30 marca R$ 48 numa semana ruim. O gestor troca o criativo e, na semana seguinte, o CPA volta para R$ 33. Parece que o criativo novo salvou a campanha, mas resultados extremos tendem a voltar para perto da média sozinhos. Quem mexe sempre depois de uma semana ruim vai sempre achar que acertou.

Amostra pequena

Três vendas em 25 visitas dão 12% de conversão. Uma venda a menos derruba para 8%; uma a mais, sobe para 16%. Com esse volume, a diferença entre duas páginas não diz nada. É por isso que diagnosticar queda de vendas exige olhar volume antes de olhar taxa.

Ancoragem

A meta deste ano é “crescer 20% sobre o ano passado” porque o ano passado é o número que está na mesa. Se o ano passado foi atípico, para cima ou para baixo, a meta herda a distorção sem que ninguém perceba.

Um checklist de bolso para a próxima reunião

Viés	Como aparece	Pergunta que desarma
Confirmação	O recorte escolhido favorece quem apresenta	Que resultado me faria mudar de ideia?
Sobrevivência	Só quem ficou, comprou ou respondeu entra na conta	Quem não está nesta tabela?
Correlação e causa	Duas métricas sobem juntas e uma vira explicação da outra	O que mais mudou no mesmo período?
Regressão à média	Melhora depois de uma ação tomada num pico ou num fundo	Esse número já voltaria sozinho?
Amostra pequena	Taxas comparadas com poucas dezenas de casos	Quantos casos há por trás da taxa?
Ancoragem	Meta definida por um número de referência atípico	Por que essa base, e não outra?

Na prática, ninguém elimina vieses por força de vontade. O que funciona é ritual: as mesmas perguntas, feitas sempre, antes de cada decisão relevante. Times que levam isso a sério costumam incorporar o checklist na própria pauta da reunião orientada a dados, e é aí que a alfabetização em dados deixa de ser treinamento e vira hábito.

Perguntas frequentes

Quais são os tipos de vieses mais comuns na análise de dados?

Os que mais aparecem em empresas são o viés de confirmação, o viés de sobrevivência, a confusão entre correlação e causalidade, a regressão à média, as conclusões tiradas de amostras pequenas e a ancoragem. Os três primeiros respondem pela maioria das decisões erradas em marketing e vendas.

O que é viés de sobrevivência? Tem exemplo simples?

É tirar conclusões olhando só para quem “sobreviveu” a um processo. Exemplo: avaliar a satisfação dos clientes perguntando apenas para quem continua comprando. Quem saiu, e que explicaria os problemas, fica de fora da amostra.

O que significa “correlação não implica causalidade”?

Significa que duas variáveis andarem juntas não prova que uma provoca a outra. Pode haver um terceiro fator movendo as duas, como a sazonalidade, ou a relação pode ser inversa. Para afirmar causa, é preciso um grupo de comparação ou um teste controlado.

Como evitar o viés de confirmação numa análise?

Defina a pergunta, o período e o critério de sucesso antes de olhar os dados, e escreva qual resultado faria você mudar de opinião. Pedir para alguém que discorda revisar a análise com os mesmos dados também ajuda bastante.

Inteligência artificial elimina vieses na análise?

Não elimina, mas ajuda a reduzir. Uma IA que analisa todo o período e todas as fontes não escolhe o recorte que favorece alguém. Por outro lado, se a pergunta já vier enviesada ou os dados de entrada forem filtrados, a resposta herda o problema.

A pergunta certa vale mais que o gráfico bonito

Viés não é falta de inteligência. É o jeito normal do cérebro economizar esforço, e por isso atinge tanto o estagiário quanto o CEO. A defesa não é desconfiar de tudo, e sim tornar a verificação barata: quanto mais fácil for cruzar fontes e olhar o período inteiro, menos espaço sobra para o recorte conveniente.

É exatamente esse o trabalho do Sherlok: você pergunta em português, ele cruza Meta Ads, Google Ads, GA4 e CRM no período completo e devolve a análise pronta, inclusive com o que contradiz a sua hipótese. Fica mais difícil ver só o que você queria ver.