Dashboards, Modelos e um pouco de lama

Como destaca Mattern, vários sistemas complexos, como as cidades, simplesmente não podem ser reduzidos a apenas alguns KPI?s, não importa...

Como destaca Mattern, vários sistemas complexos, como as cidades, simplesmente não podem ser reduzidos a apenas alguns KPI?s, não importa o quanto gostaríamos que fosse este o caso. Ultimamente o dashboard restringe nossa visão ao limitar os dados visualizados (para continuar a metáfora da carruagem). Isso pode ser útil em alguns momentos, mas também pode causar uma espécie de ?túnel? para nossa visão, limitar o que é analisado. 

Ultimamente, tenho pensado muito sobre esta questão da limitação, especialmente em relação a automação de processos e modelos computacionais. Tenho feito experiências com algumas APIs e seu uso para visualizar e descrever o conteúdo de imagens. É inacreditável o que podemos alcançar, mesmo com as APIs publicamente disponíveis. É especialmente impressionante em comparação a quatro ou cinco anos atrás, quando falávamos pela primeira vez sobre análises naturais e as vantagens de utilizar habilidades humanas para o processamento de informações visuais.

No entanto, a maioria desses modelos continuam limitados, da mesma forma em que os dashboards podem limitar os usuários. Os melhores dashboards podem ser os mais amplos, com categorias de alto nível e generalizadas. Para dar um exemplo, painéis com informações como "uma bicicleta estacionada no campo? ao invés de ter detalhes como "uma bicicleta sueca azul, com guarda-lamas preto, de pé em um gramado de relva coberto de margaridas?. E outros são dashboards muito focados, com recortes em atributos extremamente específicos. Nesse caso, é importante ter em mente que, quando o assunto sobre o que procuramos (a imagem) está além do lugar onde procuramos (a moldura), geralmente aparecem muitas dificuldades. Na melhor das hipóteses, essas limitações podem resultar em erros, principalmente quando aquilo que não faz parte dos modelos de compreensão vêm à tona. 

Mas, na pior das hipóteses, podem resultar em um falso positivo, o que pode ser um problema bastante real, principalmente quando reflete de volta ao modelo de escala.  A questão é: muitas vezes, quando tentamos entender as informações disponíveis, precisamos de muito mais do que um simples recorte, algo específico de um dado ou uma única perspectiva ? como vimos, recentemente, com algumas ferramentas de buscas. 

Precisamos de uma variedade de pontos de vista ou camadas, cada uma nos permitindo enquadrar a anterior para conseguirmos dar sentido e lançar luz sobre qualquer leitura errada ou possível equívoco de interpretação. Mattern cita o exemplo de Patrick Geddes com a torre Outlook em Edimburgo. Ela permite que as pessoas entendam o lugar, Edimburgo, desde sua totalidade, ao apreciarem a vista do local ao vivo, até os micro detalhes. Na torre é possível analisar cada informação, ao percorrer a exibição andar por andar, desde um contexto maior até o detalhe ? cidade, país, idioma, continente e mundo. 

Esse exemplo serve para mostrar que a ideia de enquadrar o todo e, em seguida reformular os dados observados é parte fundamental da pesquisa e da análise. Justamente por isso é que, há muito tempo, as pessoas passaram a criar aplicativos com análise escalonada, desde os painéis (indicações) até detalhes (análises e associações) e relatórios (compartilhamentos de insights e evidências).  

A possibilidade de ter detalhes é essencial, pois dá contexto aos dados ? mas, nem sempre são suficientes. Às vezes você precisa descer até a lama para realmente entender o que seus dados são e não o que estão dizendo ou o que você pode ou não pode ver. Não só isso, você também precisa trazer novas perspectivas para a mistura, de modo que consiga reestruturar e contextualizar novamente o que é dito. Assim como o mesmo exemplo de Geddes, com a torre Outlook em Edimburgo, onde os dados foram divididos, andar por andar, desde a visão total da cidade até os recortes como país ou idioma. Todas essas perspectivas adicionais podem ser geradas a partir de dados qualitativos ? como o caso de dados pessoais, físicos ou, até mesmo, de algo que consideramos como sujeira em algum momento.

Dashboards e modelos ajudam a processar e sintetizar a grande bagunça de dados que temos na ponta dos dedos. Mas lembre-se, você está sempre tendo uma visão reduzida do mundo e as vezes você precisa conseguir chegar no detalhe que faz toda a diferença, pois é ali que a história real, muitas vezes, está escondida.