Nem cabeça-dura, nem vira-casaca: pensamento bayesiano é a matemática de atualizar crenças sem zerar o que você já sabia. Na Casa Camélia O concorrente abriu numa quinta, três portas abaixo da unidade Batel da Casa Camélia, rede de restaurantes de Curitiba. Na segunda, dois comentários do totem já o citavam ("fui conhecer o novo, voltei"), e a gerência se dividiu em dois times no grupo: o do êxodo ("vamos perder o almoço executivo, precisa de reação já") e o da modinha ("restaurante novo enche um mês e esvazia"). Marcos, o gerente da unidade, sacou o caderninho que carrega no bolso e escreveu um número, que mostrou a Helena, a fundadora: 30%. — É a minha aposta de que o vizinho leva parte do nosso almoço. Dois comentários não fazem êxodo, mas também não são zero. Cada semana de dado, eu mexo o número. O que eu não vou fazer é decidir hoje com a convicção que só vou poder ter daqui a um mês. Os dois colegas errados Todo escritório tem os dois: O cabeça-dura: nenhum dado o move. "Sempre fizemos assim." Vinte gráficos depois, a opinião é a mesma da primeira reunião. O vira-casaca: qualquer dado o arremessa. Um comentário negativo no totem e ele quer refazer o produto; um elogio no dia seguinte e está tudo ótimo de novo. Sua opinião é sempre a última informação que recebeu. Os dois erram na mesma pergunta: quanto uma evidência nova deveria mover o que eu já acreditava? Existe uma resposta matematicamente correta para isso (publicada postumamente em 1763, num teorema do reverendo inglês Thomas Bayes), e a boa notícia é que sua lógica cabe numa conversa de corredor. Pensamento bayesiano em três palavras: crença vira aposta O pensamento bayesiano pede uma mudança de postura: em vez de tratar opiniões como verdadeiras ou falsas, trate-as como apostas com graus de confiança. Não "o problema é a fila" mas "estou 70% confiante de que o problema é a fila". Feito isso, a regra de Bayes diz como a aposta deve mudar quando chega evidência: Confiança depois = confiança antes × força da evidência Dessa fórmula simples saem as lições que interessam: 1. A crença anterior conta (e deve contar). O que você sabia antes não evapora porque chegou um dado novo; ele é o ponto de partida da atualização. É a defesa matemática contra o vira-casaca: um comentário isolado não deveria demolir seis meses de dados consistentes; deveria movê-los um pouco. 2. A força da evidência é a pergunta-chave. Diante de qualquer dado novo, a pergunta bayesiana é: "esse dado seria muito mais provável se minha hipótese fosse verdadeira do que se fosse falsa?" Se sim, evidência forte: mova bastante. Se o dado é compatível com qualquer cenário ("um cliente reclamou" acontece em lojas boas e ruins), evidência fraca: mova quase nada, por mais vívido que o dado seja (viés de disponibilidade de novo). 3. Atualizar é obrigatório, nos dois sentidos. A régua vale para evidência contra E a favor. Quem só atualiza quando o dado confirma sua tese está apenas praticando o viés de confirmação com uma calculadora na mão. É a defesa matemática contra o cabeça-dura: se você declarou 70% de confiança e o teste veio contrário, o número tem que descer. A pegadinha clássica: esquecer a taxa de base O erro bayesiano mais documentado (Kahneman e Tversky o exploraram exaustivamente) é a negligência da taxa de base: deixar a evidência vívida atropelar a estatística de fundo. Um exemplo comum: uma empresa liga um alerta automático de "cliente prestes a abandonar a marca". Ele é bom: pega 9 em cada 10 clientes que realmente vão embora, e dispara à toa para apenas 1 em cada 10 dos que vão ficar. Hoje de manhã, o alerta apitou para o cliente X. Qual a chance de X estar mesmo de saída? A resposta que vem na hora é "90%". Está errada, e o erro não está na conta do alerta: está na pergunta que ninguém fez antes. Quantos clientes estão de saída, para começo de conversa? Digamos que sejam 2 em cada 100. Acompanhe 1.000 clientes: Ou seja: diante de um alerta qualquer, a chance de ser um cliente realmente de saída é de cerca de 16%, não de 90%. O detector não tem defeito nenhum. Ele foi jogado contra um evento raro, e evento raro com detector imperfeito produz mais alarme falso do que acerto, sempre. Repare que a lógica bayesiana está inteira aí dentro: a crença anterior era 2% (a taxa de base), chegou uma evidência de força conhecida (o alerta) e a aposta subiu para 16%. Isso é um salto de oito vezes, e não é pouco. O alerta funcionou; ele só não faz milagre de transformar 2% em certeza. Onde isso morde no dia a dia: qualquer sistema de alertas sobre eventos raros (fraude de resposta, risco de churn, loja "em crise") vai parecer "errado toda hora" para quem espera 90% de acerto por alerta. Não é defeito; é aritmética. A régua correta de avaliação considera a taxa de base, e o desenho correto do processo prevê a triagem dos falsos positivos. Bayesiano de corredor: o hábito em quatro frases Sem calcular nada, o espírito do teorema vira quatro hábitos de conversa: 1. Dê número à confiança. "Estou 80% confiante" em vez de "tenho certeza". O número expõe a aposta e permite cobrança honesta depois. 2. Pergunte o que a evidência distingue. "Esse dado diferencia nossas duas hipóteses, ou é compatível com as duas?" Dado que não distingue não decide nada, por mais dramático que seja. 3. Declare antes o que te moveria. "Se o teste nas 3 lojas der abaixo de X, desço minha confiança para menos da metade." É a ficha de experimento em linguagem de aposta, e elimina a renegociação da régua depois do resultado. 4. Mova-se em passos proporcionais. Evidência fraca, passo pequeno; evidência forte, passo grande; muitas evidências fracas e independentes na mesma direção, passo grande também: consistência acumulada é força. De
