As estratégias de segmentação podem ser eficazes para o marketing, mas nas fases iniciais de uma epidemia conduzem a compensações prejudiciais e a dados tendenciosos.
Salve esta história
Salve esta história
O termo “rastreamento” entrou no léxico da era do coronavírus na última sexta-feira, quando o presidente Donald Trump disse que o Google estava trabalhando em uma ferramenta para determinar quem pode ser testado. Nesse caso, apenas pessoas com sintomas graves poderão fazer o teste do novo coronavírus. No entanto, a triagem ou testes direcionados são a abordagem errada no início de uma emergência de saúde pública em rápida evolução. Para realizar testes de triagem com sucesso, o governo precisará de uma grande quantidade de dados para determinar com precisão quem deve ou não receber um teste de coronavírus, o que, devido a falhas nos testes, o governo dos EUA não possui atualmente. Pior ainda, esta estratégia distorce o processo de recolha de dados, o que pode levar a erros na futura elaboração de políticas.
OPINIÃO COM FIO
SOBRE O SITE
Kaiser Fung atuou como chefe de ciência de dados em várias empresas, incluindo SiriusXM, Vimeo e American Express. Ele é o autor de Numbers Rule Your World e escreve o blog Junk Charts.
Nas fases iniciais de uma epidemia, os testes direccionados representam uma difícil solução de compromisso. Como ex-cientista de dados em grandes empresas, tendo a pensar sobre isso num contexto empresarial. No passado, desenvolvi estratégias de segmentação que permitiam aos profissionais de marketing selecionar quais clientes receberiam ofertas especiais, como “compre um e ganhe outro”. Em vez de simplesmente oferecer a promoção a todos, identificamos um subconjunto de clientes que seriam mais propensos a gastar mais ao receber o desconto. O objetivo é enviar a oferta certa para as pessoas certas, no momento certo. Esta estratégia de segmentação reduz o volume de ofertas de marketing, o que resulta em menos “falsos positivos”, ou promoções enviadas a clientes que não necessitam de motivação adicional, resultando no péssimo paradoxo de vender mais mas ganhar menos. Mas você também terá que pagar por ofertas direcionadas em vendas perdidas. O nosso sistema de previsão – mesmo com décadas de dados acumulados – não é perfeito, e alguns dos excluídos das propostas acolheriam-no com agrado.
Mas embora esta possa ser uma estratégia eficaz para o BOGO, para a saúde pública tal classificação não faz sentido. Grosso modo, a triagem reduz o volume de testes e resulta em menos “alarmes falsos” ou pessoas não infectadas que são aconselhadas a fazer o teste. Mas isso aumenta a probabilidade de as pessoas infectadas não serem detectadas. Um alarme falso, ou uma pessoa que não está infectada, mas é considerada de alto risco e é recomendada para fazer o teste, não ocorre sem uma recomendação de teste. Se menos pessoas forem elegíveis para o teste de coronavírus, menos pessoas não infectadas serão testadas. Mas mais exclusões também significam que mais pessoas infectadas não serão consideradas adequadas para testes. Quando o objetivo é conter a transmissão de um vírus, um alarme falso é menos perigoso do que perder alguém que carrega o vírus. Afinal, os positivos perdidos são pessoas infectadas que foram informadas de que não precisam ser testadas e que, portanto, podem estar espalhando o vírus sem saber.
Os testes de detecção de vírus – no sentido de atribuir o teste certo às pessoas certas – só funcionam se o método usado para prever quem deve ser testado for altamente preciso. Dado o quanto ainda não sabemos sobre este novo vírus e a nossa incapacidade de rastrear a sua propagação, é impossível fazer tais previsões de forma fiável. Pelo contrário, a actual estratégia de selecção de alvos cria uma falsa sensação de segurança. As pessoas que são informadas de que não precisam de teste acreditam que não estão infectadas. As comunidades com um baixo número de testes positivos são consideradas refúgios seguros, quando, na realidade, os testes de triagem ineficazes não detectam pessoas infectadas. Esta falácia estatística é às vezes chamada de “Ausência de evidência não é evidência de ausência”. Todos os modelos utilizados para prever a propagação desta doença baseiam-se em dados históricos – informação que recolhemos sobre casos de infecção até à data. Esses modelos são então continuamente atualizados à medida que novos dados ficam disponíveis. No início de qualquer epidemia, esses dados são escassos e os modelos são fracos. Mas actualmente a situação é ainda pior: não fazemos muitos testes, e os que fazemos – em subgrupos da população que foram submetidos a triagulação – produzem dados tendenciosos. Isto significa que os modelos iniciais utilizados para decidir quem será testado serão muito imprecisos.
Leia toda a nossa cobertura sobre o coronavírus aqui.
Pior ainda, as pessoas que o atual modelo de previsão considera “seguras” – aquelas que não viajaram, não estiveram em contacto direto com alguém que já teve um teste positivo e não apresentam sintomas graves – não serão testadas, ou seja, continuarão a fazer o teste. ser excluído do banco de dados. Voltemos ao exemplo empresarial: se um profissional de marketing enviasse ofertas apenas para clientes do sexo feminino, todas as novas entradas no banco de dados viriam de mulheres, tornando quase impossível selecionar homens para ofertas futuras, mesmo que a empresa lançasse uma nova linha de roupas masculinas. .
Quando apenas pessoas com sintomas graves são testadas, o modelo de previsão torna-se cego para aqueles com sintomas leves ou sem sintomas. Mas, como aprendemos, a Covid-19 não requer sintomas graves para se espalhar pela comunidade. Os médicos dizem que este novo coronavírus se torna altamente contagioso no início do período de incubação, às vezes antes mesmo de o paciente apresentar quaisquer sintomas. Além disso, noutros países, especialmente na Coreia do Sul, há amplas evidências de que testes agressivos e abrangentes estão a identificar grupos de casos, facilitando a contenção do vírus noutras comunidades e reduzindo a necessidade de um confinamento a nível nacional. A deturpação de dados nos EUA só levará a mais erros políticos.
Por outras palavras, o mundo enfrenta o clássico trade-off explorar-explorar-explorar. Uma estratégia orientada para objectivos favorece a exploração: envolve a confiança de que temos conhecimento suficiente para tomar medidas decisivas agora. Um regime de testes em grande escala, por outro lado, enfatiza a inteligência: é mais apropriado quando ainda não temos certeza das informações que temos.
