Análise de dados e MEAL: folhas de cálculo, dados qualitativos e controlo dos cálculos

1O que a IA traz ao MEAL

As equipas MEAL dedicam muito tempo a tarefas repetitivas: limpar ficheiros, escrever fórmulas, produzir tabelas, codificar respostas abertas, redigir sínteses. A IA pode acelerar estas tarefas:

• Fórmulas e scripts: escrever uma fórmula de folha de cálculo (PROCX, CONTAR.SE.S, tabelas dinâmicas), um script Python ou R, uma consulta numa ferramenta de recolha de dados, e explicá-los linha a linha.
• Análise de ficheiros: o Claude e o Gemini conseguem ler um ficheiro CSV ou Excel, executar cálculos num ambiente de código e produzir tabelas ou gráficos (consoante a versão e o plano).
• Dados qualitativos: propor uma grelha de codificação, codificar respostas, agrupar por tema, extrair citações representativas.
• Redação: transformar resultados em constatações e depois em recomendações.

Mas os dados MEAL são muitas vezes pessoais (listas de agregados familiares, inquéritos nominativos). Aplica-se a regra da semana 3: apenas dados anonimizados e agregados, ou trabalho sobre uma amostra fictícia com a mesma estrutura.

2Fórmulas e scripts: o método dos dados fictícios

Método seguro e eficaz para automatizar uma análise sem expor dados:

• 1. Descreva a estrutura do seu ficheiro (nomes das colunas, tipos, exemplos de valores inventados) ou crie 10 linhas fictícias com a mesma estrutura.
• 2. Peça a fórmula ou o script: «Escreve uma fórmula que conte o número de agregados chefiados por uma mulher que receberam pelo menos 2 distribuições, por distrito».
• 3. Teste com os dados fictícios, onde conhece o resultado correto.
• 4. Aplique aos seus dados reais, na sua folha de cálculo ou no seu computador.
• 5. Controle com um cálculo independente (filtro manual, tabela dinâmica).

Com o Gemini no Google Sheets ou as funções de IA de outras folhas de cálculo, a IA atua diretamente no ficheiro: verifique então que o plano é profissional e está autorizado para esses dados.

A IA escreve a fórmula, você executa-a com os seus dados, você verifica o resultado. Os dados pessoais não saem das suas ferramentas.

3Controlar os cálculos e as estatísticas

Os modelos de linguagem podem enganar-se no cálculo mental, sobretudo em séries longas. Quando o assistente executa realmente código, os cálculos são fiáveis, mas a interpretação pode estar errada. Controlos indispensáveis:

• Denominadores: percentagem de quê? Dos inquiridos que responderam, dos agregados inquiridos, da população-alvo? As respostas em falta são excluídas?
• Amostra: um resultado sobre 250 agregados inquiridos não vale para toda a população sem um método de amostragem adequado. Peça a margem de erro.
• Média ou mediana: para rendimentos ou despesas, alguns valores extremos falseiam a média.
• Correlação não é causalidade: «os agregados que receberam a ajuda têm uma melhor pontuação de consumo alimentar» não prova que a ajuda seja a causa sem um grupo de comparação.
• Desagregação: sexo, idade, deficiência, distrito; verifique que os subtotais somam o total.

Cálculo. Amostra aleatória simples de 384 agregados: margem de erro de aproximadamente ±5 % com um nível de confiança de 95 % para uma proporção próxima de 50 %. Se a IA anunciar «62 % dos agregados da província» a partir de 60 agregados escolhidos por conveniência, a conclusão não é representativa: é preciso dizê-lo.

4Dados qualitativos: rigor e rastreabilidade

Para transcrições de grupos focais ou feedback das comunidades (anonimizados):

• Grelha de codificação: peça uma proposta a partir das suas perguntas de avaliação e depois valide-a em equipa.
• Codificação: faça codificar os excertos com a grelha validada, exigindo para cada tema o número de excertos e duas ou três citações exatas com a sua referência (grupo, lugar anonimizado).
• Controlo: volte a codificar você mesmo uma amostra (por exemplo 20 %) e compare. Se a concordância for baixa, reveja a grelha ou a instrução.
• Nuances: peça explicitamente as opiniões minoritárias e contraditórias; a IA tende a resumir em direção à maioria.
• Citações: verifique que cada citação existe palavra por palavra na fonte; uma citação reformulada não deve ser apresentada entre aspas.

O NotebookLM ou um Projeto do Claude com as transcrições como fontes facilitam este trabalho, com respostas ligadas às passagens-fonte.

5Mecanismos de feedback e de queixas

Os mecanismos de feedback e de queixas recebem por vezes centenas de mensagens (linhas telefónicas, SMS, caixas, aplicações de mensagens). A IA pode ajudar a:

• propor categorias (informação, pedido de ajuda, queixa sobre a qualidade, queixa sensível);
• resumir as tendências mensais a partir de dados agregados e anonimizados;
• redigir respostas-tipo validadas.

Limites estritos:

• as queixas sensíveis (exploração e abuso sexuais, fraude, segurança) seguem um circuito humano confidencial e nunca passam por um assistente de IA;
• a classificação automática de uma mensagem nunca deve atrasar o tratamento de uma queixa grave: uma pessoa lê as mensagens recebidas;
• as pessoas devem saber como as suas mensagens são tratadas.

6Dos resultados às recomendações

A etapa mais delicada de uma avaliação é a passagem dos dados às constatações e depois às recomendações. A IA pode propor uma estrutura clara (constatação, evidências, conclusão, recomendação, responsável, prazo), mas:

• cada constatação deve ser sustentada por pelo menos duas fontes ou métodos (triangulação);
• as recomendações devem ser realistas para a organização: orçamento, capacidades, calendário;
• os critérios de avaliação (por exemplo os critérios do CAD da OCDE: pertinência, coerência, eficácia, eficiência, impacto, sustentabilidade) estruturam a análise.

Peça depois uma crítica: «Que conclusões deste relatório não estão suficientemente sustentadas pelos dados apresentados?». Esta revisão adversa melhora claramente a qualidade.