Dados: da necessidade de informação a uma base limpa

1O ciclo da gestão da informação

1. Necessidades de informação: que decisões têm de ser tomadas, por quem, e que informações as fundamentam?
2. Recolha: primeiro os dados secundários (o que já existe) e, depois, os primários, se necessário.
3. Tratamento: introdução, limpeza, estruturação, armazenamento seguro.
4. Análise: tendências, comparações, lacunas, gravidade.
5. Divulgação: painéis de controlo, mapas, 4W, notas de síntese, para o público certo e no momento certo.
6. Retorno: os produtos são utilizados? Ajusta-se.

O primeiro reflexo: não recolher o que não se vai utilizar. Cada pergunta custa tempo às pessoas inquiridas e cria um risco para os seus dados.

2Os dados de referência

• P-codes (códigos P): códigos únicos para cada unidade administrativa (região, distrito, comuna) e, por vezes, para as localidades. Evitam erros de ortografia e permitem ligar as bases de dados entre si.
• Dados operacionais comuns (COD): fronteiras administrativas e números de população de referência validados para o país, publicados nomeadamente no HDX (Humanitarian Data Exchange, plataforma do OCHA).
• Normas de dados: por exemplo, as etiquetas HXL (Humanitarian Exchange Language) acrescentadas por baixo dos cabeçalhos das tabelas para facilitar a partilha.

Utilizar sempre os mesmos códigos e a mesma versão das fronteiras que o cluster e o OCHA; caso contrário, os dados não se combinam.

3Recolha móvel e qualidade

• Ferramentas correntes: KoboToolbox e ODK (formulários no telemóvel, offline), com restrições de introdução (listas, limites, campos obrigatórios) que evitam os erros na origem.
• Testar o formulário antes do terreno, formar os inquiridores, prever a tradução das perguntas.
• Consentimento informado no início do questionário e coordenadas GPS apenas se forem necessárias.

4Limpar os dados

Antes de qualquer análise: um registo de limpeza que guarda o rasto de cada alteração (nunca correções silenciosas na base original).

• Duplicados (o mesmo agregado familiar registado duas vezes).
• Valores atípicos (um agregado de 45 pessoas, uma idade de 150 anos).
• Incoerências (criança de 3 anos casada, despesas superiores ao rendimento declarado sem explicação).
• Entrevistas demasiado curtas ou realizadas fora do horário previsto.
• Nomes de locais harmonizados com os P-codes.

5Partir das decisões: matriz de necessidades de informação e análise de dados secundários

A maior parte dos fracassos em gestão da informação não resulta de uma má ferramenta, mas de uma recolha lançada sem saber a que decisão deve servir. O resultado é conhecido: um questionário de 180 perguntas, uma base de dados que ninguém analisa por completo e um relatório publicado demasiado tarde para influenciar o planeamento. O método que se segue, utilizado pelas equipas de gestão da informação dos clusters e das grandes ONG, liga cada dado a uma decisão.

Etapa 1: inventariar as decisões (dia 1, 2 a 3 horas)

O oficial de gestão da informação (IMO) reúne, ou entrevista separadamente, as pessoas que decidem: coordenador do cluster ou chefe de missão, responsáveis de programas, logístico, responsável de segurança e, por vezes, o doador. A cada um colocam-se três perguntas: que decisão tem de tomar nos próximos três meses? em que data? o que lhe falta para a tomar? As respostas típicas são: onde pré-posicionar stocks, que municípios priorizar, que montante de transferência fixar, que modalidade adotar, onde abrir uma clínica móvel.

Etapa 2: construir a matriz de necessidades de informação

Cada decisão é desdobrada em perguntas de análise, depois em indicadores e, por fim, em fontes. A matriz torna-se o contrato entre a equipa de gestão da informação e os utilizadores: o que nela não consta não é recolhido.

Teste de pertinência: para cada pergunta do futuro questionário, o IMO deve poder apontar a linha da matriz que ela alimenta. Uma pergunta que não corresponda a nenhuma linha é eliminada, por mais que o seu autor insista.

Etapa 3: a análise de dados secundários (SDR)

Antes de qualquer recolha primária, reúne-se e analisa-se o que já existe. Numa resposta a uma crise súbita, a avaliação inicial rápida multissetorial (MIRA) do IASC prevê uma primeira análise baseada sobretudo em dados secundários nas primeiras 72 horas e, depois, um relatório consolidado no prazo de duas semanas. Numa crise prolongada, a análise de dados secundários precede cada ciclo de planeamento e alimenta o panorama das necessidades humanitárias (HNO).

1. Definir o quadro de análise: retomar as perguntas da matriz e organizá-las por setor e por zona. Este quadro servirá de grelha de classificação.
2. Pesquisar sistematicamente: HDX, ReliefWeb, relatórios do cluster, análises IPC ou Cadre Harmonisé, inquéritos nutricionais SMART, monitorização da mobilidade da OIM (DTM), avaliações multissetoriais das necessidades (MSNA), dados dos ministérios, recenseamentos, notícias da imprensa local verificadas.
3. Extrair e classificar: cada informação é registada numa tabela com a fonte, a data de recolha (e não de publicação), a zona, o método e um nível de fiabilidade.
4. Avaliar a fiabilidade: fonte conhecida e metodologia publicada, amostra representativa ou não, data recente ou não, coerência com outras fontes.
5. Identificar as lacunas: as células vazias do quadro de análise justificam a recolha primária, e só elas.

Quem faz o quê

• IMO: dinamiza a matriz, conduz a análise de dados secundários, propõe as fontes e os métodos.
• Responsáveis setoriais: validam os indicadores e os limiares técnicos (por exemplo, 15 litros por pessoa e por dia como referência Esfera para a água em situação de emergência).
• Decisores: validam a matriz e comprometem-se com as datas de utilização dos produtos.
• Responsável pela proteção de dados ou ponto focal: verifica que os dados pessoais previstos são necessários.

6Os dados de referência na prática: P-codes, COD e tabelas de correspondência

Os dados de referência são o que permite combinar a base de dados de uma ONG, a 4W do cluster, a população de referência e um mapa. Ignorá-los equivale a produzir números que não se somam com nada. As diretrizes do IASC sobre os conjuntos de dados operacionais comuns (COD) distinguem duas famílias essenciais e conjuntos de dados complementares.

Os conjuntos de dados operacionais comuns

Como se constrói um P-code

Um P-code é um identificador hierárquico: o código de um município contém o do seu distrito, que contém o da sua região. No país fictício de Valdorie, a região de Haut-Lisse tem o código VD03, o distrito de Morane VD0302 e o município de Kessa VD030205. Esta estrutura permite subir um nível por simples truncagem e verificar automaticamente que um município pertence de facto ao distrito declarado.

Um nome de lugar nunca é um identificador. O mesmo município pode ser escrito Kessa, Késsa, Kessah ou Kesa consoante o inquiridor, e dois municípios de regiões diferentes podem ter o mesmo nome. Só o P-code estabelece a ligação sem ambiguidade.

Procedimento de trabalho com os dados de referência

1. Descarregar a versão em vigor no HDX e registar o seu identificador de versão e a sua data no dicionário de dados do projeto.
2. Verificar o alinhamento com o cluster: o grupo de trabalho sobre gestão da informação (IMWG) coordenado pelo OCHA indica a versão oficial. Uma ONG que utilize uma versão anterior verá os seus municípios «desaparecer» no momento da consolidação.
3. Construir a lista de opções do formulário de recolha diretamente a partir do ficheiro COD, em cascata (região, depois distrito filtrado por região, depois município filtrado por distrito), com o P-code como valor armazenado e o nome como etiqueta apresentada.
4. Criar uma tabela de correspondência para os dados históricos ou externos: nome tal como escrito na fonte, P-code atribuído, método de atribuição, pessoa que validou.
5. Gerir as alterações: quando o governo cria um novo município, a tabela de correspondência entre a antiga e a nova divisão é conservada para que as séries temporais continuem comparáveis.

Exemplo de tabela de correspondência

As etiquetas HXL na prática

A linguagem de intercâmbio humanitário (HXL) acrescenta uma linha de etiquetas por baixo dos cabeçalhos de uma tabela. Os cabeçalhos continuam livres (em português, em árabe, abreviados), mas as etiquetas são normalizadas, o que permite às ferramentas reconhecer automaticamente as colunas. Exemplos correntes: #adm1+name e #adm1+code para a região, #adm2+code para o distrito, #org para a organização, #sector para o setor, #activity para a atividade, #targeted e #reached para as pessoas visadas e alcançadas, com atributos como +f, +m, +children ou +adults para a desagregação, e #date para a data. Uma 4W etiquetada em HXL pode ser fundida com a população COD em poucos minutos para calcular uma cobertura.

População de referência e denominadores

O denominador é a fonte de erro mais frequente nos produtos humanitários. O COD-PS fornece uma população residente projetada, muitas vezes a partir de um recenseamento antigo; nem sempre inclui as pessoas deslocadas. Para uma taxa de cobertura, é preciso especificar se o denominador é a população total, a população com necessidades (número do plano de resposta) ou a população visada. Uma cobertura de 120 % assinala quase sempre um denominador inadequado ou uma dupla contagem, raramente um êxito.

7Conceber, testar e implementar um formulário de recolha móvel

O KoboToolbox e o ODK assentam no mesmo formato, o XLSForm: um livro com uma folha survey (as perguntas), uma folha choices (as listas de respostas) e uma folha settings (título, identificador, versão). Dominar diretamente o XLSForm, em vez do editor gráfico, permite construir formulários robustos, com controlo de versões e revistos por um par.

As colunas que fazem a qualidade

Os metadados a ativar sistematicamente

• start e end: hora de início e de fim, indispensáveis para controlar a duração das entrevistas.
• today, deviceid e um identificador de inquiridor escolhido numa lista (nunca introduzido livremente).
• audit: ficheiro de registo que guarda o tempo passado em cada pergunta; permite detetar perguntas despachadas em poucos segundos ou entrevistas fabricadas.
• Um campo de consentimento no início, com fim do formulário se a pessoa recusar.

Dimensão da amostra: o cálculo que é preciso saber refazer

Para estimar uma proporção numa população, a fórmula de base é n = z² × p × (1 − p) / e², em que z vale 1,96 para um nível de confiança de 95 %, p é a proporção esperada (0,5 se não se souber, o que maximiza n) e e a margem de erro. Com 95 % de confiança e uma margem de 5 %, n = 384. Com uma margem de 10 %, n = 96. Aplica-se em seguida:

• a correção para população finita se a população for pequena: n corrigido = n / (1 + (n − 1) / N). Para um local de 1 200 agregados familiares, 384 passa a 291;
• o efeito de desenho em caso de amostragem por conglomerados (muitas vezes 1,5 a 2): multiplica-se n;
• uma margem para as não-respostas (muitas vezes 5 a 10 %);
• o cálculo por estrato: se se pretendem resultados representativos por município e por estatuto (deslocados, comunidades de acolhimento), cada estrato deve ter a sua própria dimensão de amostra. É isto que faz disparar os orçamentos: é preciso decidir com os utilizadores que níveis de desagregação são realmente necessários.

Protocolo de teste em quatro tempos

1. Revisão técnica por um segundo IMO: nomes de variáveis, restrições, saltos, listas, traduções. Contar 2 a 4 horas para um formulário de 60 perguntas.
2. Teste no escritório: preencher o formulário 20 a 30 vezes com cenários extremos (agregado de uma pessoa, agregado de 18 pessoas, recusa de consentimento, pessoa com deficiência), depois descarregar os dados e verificar que a base sai com a estrutura esperada.
3. Piloto no terreno: 10 a 20 entrevistas reais fora da amostra, realizadas pelos próprios inquiridores. Mede-se a duração real, anotam-se as perguntas mal compreendidas e as categorias em falta (o «outro» que surge com frequência).
4. Congelamento da versão: o formulário é publicado com um número de versão; qualquer alteração posterior é registada e comunicada, porque altera a estrutura da base de dados.

Formação dos inquiridores: conteúdo mínimo

Dois a três dias para um inquérito multissetorial, um dia para uma monitorização simples. O programa abrange o objetivo do inquérito e a utilização dos dados, a leitura pergunta a pergunta com a definição de cada termo (o que é um agregado familiar? quem é o chefe do agregado?), a técnica de entrevista e o consentimento, os princípios de proteção (não fazer perguntas sobre violência sem formação específica, saber encaminhar para um serviço), o manuseamento do telefone e o envio dos dados, e um dia de prática em pares com correção. Um teste escrito no final da formação permite reter apenas os inquiridores que dominam as definições.

O custo de uma pergunta suplementar não é nulo: em 800 entrevistas, um minuto a mais representa mais de 13 horas de inquérito, e cada minuto para além dos 45 a 60 minutos degrada a qualidade das respostas.

8Exemplo completo: uma avaliação multissetorial da base bruta à base limpa

Contexto fictício: na sequência de confrontos, cerca de 9 400 agregados familiares deslocados instalaram-se em três municípios do distrito de Morane (Valdorie): Kessa, Lounda e Tarbé, em locais de acolhimento e junto de famílias de acolhimento. O cluster solicita uma avaliação multissetorial para o planeamento do trimestre. A ONG fictícia «Solidarité Haut-Lisse» é encarregada da recolha, com 16 inquiridores, 2 supervisores e uma IMO.

1. Matriz e amostra

A matriz retém 41 indicadores (contra 112 na primeira versão proposta pelos setores). Os utilizadores pedem resultados por município e por estatuto (deslocados em locais, deslocados em famílias de acolhimento, população de acolhimento), ou seja, 9 estratos. Com 95 % de confiança e 10 % de margem, são necessárias 96 entrevistas por estrato, arredondadas para 100 com a margem de não-resposta, ou seja, 900 entrevistas. Por falta de orçamento, a população de acolhimento de Tarbé, pouco afetada segundo a análise de dados secundários, é coberta por um único estrato comum com Lounda: 8 estratos, 800 entrevistas visadas.

2. Recolha

Duração média medida no piloto: 38 minutos. Cada par realiza 8 a 10 entrevistas por dia; a recolha dura 6 dias. Os dados são enviados todas as noites; a IMO executa os controlos diários antes das 9 horas e transmite aos supervisores a lista das entrevistas a verificar, que estes tratam no próprio dia enquanto as equipas ainda estão na zona.

3. Resultados dos controlos

4. Extrato do registo de limpeza

5. Balanço e decisões

Das 836 entrevistas recebidas (as equipas ultrapassaram ligeiramente o objetivo), 36 são eliminadas (24 por duração, 9 duplicados de envio, 3 duplicados prováveis): a base limpa conta 800 entrevistas. O estrato «deslocados em famílias de acolhimento, Lounda» atinge apenas 87 entrevistas após a limpeza: os seus resultados serão publicados com uma margem de erro mais larga, indicada explicitamente. O inquiridor responsável pelas 19 entrevistas demasiado curtas é retirado da equipa; as suas 41 outras entrevistas são todas controladas através de chamadas telefónicas a uma amostra de 10, das quais 8 confirmadas.

A base é entregue em três ficheiros: a base bruta (nunca modificada, acesso restrito), a base limpa (sem nomes nem telefones, P-codes verificados) e o registo de limpeza, acompanhados de um dicionário de dados e de uma nota metodológica de uma página que menciona as limitações (zonas inacessíveis em Tarbé-Est, provável subdeclaração dos rendimentos).

9Estruturar e documentar a base de dados: regras, dicionário e controlos diários

Uma base limpa não é apenas uma base sem erros: é uma base que outra pessoa pode retomar, compreender e voltar a analisar seis meses depois sem telefonar ao seu autor. Os avaliadores e os auditores verificam precisamente esta reprodutibilidade.

As regras de estrutura

• Uma linha por unidade de observação (agregado familiar, indivíduo, local, distribuição), uma coluna por variável, um valor por célula. Os dados individuais dos membros do agregado ficam numa tabela separada, ligada pelo identificador do agregado.
• Identificadores únicos e estáveis, gerados pela ferramenta (UUID), nunca construídos a partir do nome.
• Nada de células fundidas, de cores portadoras de informação nem de totais na base: os cálculos fazem-se numa folha ou num script de análise separado.
• Códigos coerentes para os valores em falta: distinguir «não sabe», «recusa responder» e «não aplicável», que não têm o mesmo significado analítico.
• Datas em formato ISO (ano-mês-dia), que se ordenam corretamente e evitam inversões de dia e mês entre programas.

O dicionário de dados

O quadro de controlos diários

Durante a recolha, o IMO produz todas as manhãs um quadro por inquiridor. É a ferramenta mais eficaz para detetar uma fraude ou um mal-entendido antes que contamine toda a base.

A percentagem de respostas «não» às perguntas-filtro é um indicador clássico: um inquiridor que responde «não» para evitar as subperguntas encurta a entrevista. Uma proximidade anormal entre entrevistas pode revelar entrevistas preenchidas no mesmo sítio.

O circuito de validação

1. O IMO deteta e lista os casos suspeitos (manhã).
2. O supervisor verifica no terreno ou por telefone (durante o dia).
3. O IMO aplica a decisão e regista-a no registo de limpeza (noite).
4. No final da recolha, o coordenador MEAL ou o responsável da avaliação valida o registo e as eliminações, e assina a nota metodológica.

Regra de separação: a base bruta nunca é modificada. Qualquer transformação faz-se numa cópia ou por script, e cada transformação é documentada. É a condição para que um auditor possa reconstituir o caminho entre o dado recolhido e o número publicado.

10Erros frequentes, o olhar dos doadores e adaptações consoante o contexto

Os erros mais frequentes no terreno

O que os doadores, os avaliadores e os auditores observam

• A rastreabilidade: é possível ligar cada número reportado (pessoas alcançadas, resultados de inquérito) a uma base de dados e a um método? As verificações no terreno de doadores como a ECHO ou os auditores mandatados pelo BHA pedem habitualmente as listas e as bases de origem de uma amostra de indicadores.
• A coerência entre o relatório narrativo, o quadro de acompanhamento dos indicadores e os dados transmitidos ao cluster.
• A desagregação prometida: se a proposta anuncia dados por sexo, idade e deficiência, o formulário deve recolhê-los, por exemplo com as perguntas curtas do Grupo de Washington sobre a deficiência.
• A proteção de dados: base legal ou consentimento, acesso limitado, prazo de conservação. Os acordos de financiamento recentes incluem cláusulas de proteção de dados cujo cumprimento a organização deve ser capaz de demonstrar.
• A metodologia: dimensão da amostra justificada, limitações declaradas, número de entrevistas eliminadas e respetivos motivos.

Adaptar consoante o contexto

Em emergência, um dado aproximado disponível no momento certo vale mais do que um dado perfeito disponível demasiado tarde, desde que o seu nível de fiabilidade seja declarado com clareza.

11Perguntas de entrevista e referências-chave

Perguntas de entrevista

1. «Um coordenador pede-lhe que acrescente 40 perguntas a uma avaliação já pronta. O que faz?»

Uma boa resposta não recusa por princípio: regressa à matriz de necessidades de informação, pergunta a que decisão deve servir cada pergunta, mostra o impacto na duração e na qualidade (um minuto por entrevista multiplicado pela amostra) e propõe alternativas: dados secundários, módulo direcionado para uma subamostra, recolha posterior. Menciona a validação pela pessoa que decide.

2. «Como calcula a dimensão de uma amostra para um inquérito aos agregados familiares?»

O candidato cita a fórmula, os parâmetros (nível de confiança, margem de erro, proporção esperada), a correção para população finita, o efeito de desenho para os conglomerados, a margem de não-resposta e, sobretudo, a questão dos estratos: a dimensão calcula-se para cada nível ao qual se pretendem resultados representativos.

3. «Constata que um inquiridor produz entrevistas de 12 minutos quando a média é de 40. Como reage?»

A resposta descreve uma abordagem factual: ficheiro de auditoria, comparação dos indicadores de qualidade, verificação de uma amostra por chamada ou visita, conversa com o inquiridor, decisão documentada (formação, afastamento, eliminação das entrevistas) e reflexão sobre a causa (pressão do número de entrevistas por dia, remuneração à tarefa).

4. «Por que razão utilizar os P-codes em vez dos nomes de lugares?»

Unicidade, hierarquia, interoperabilidade com a 4W, a população de referência e os mapas; a resposta cita a gestão das versões dos limites administrativos e a tabela de correspondência.

5. «Explique a diferença entre uma base bruta, uma base limpa e um registo de limpeza.»

A resposta explica a separação, a reprodutibilidade, os direitos de acesso diferenciados (a base bruta contém muitas vezes dados pessoais) e o valor do registo para os auditores e para as análises posteriores.

6. «Que dados pessoais recolheria para uma monitorização pós-distribuição?»

O mínimo necessário: identificador do agregado familiar que permita a ligação à lista de distribuição, eventualmente um telefone para o controlo, eliminado em seguida; nenhum dado sensível sem justificação. A resposta menciona o consentimento e o prazo de conservação.

Referências-chave

• Operational Guidance for Coordinated Assessments in Humanitarian Crises e guia da abordagem MIRA: IASC.
• IASC Guidelines on Common Operational Datasets in Disaster Preparedness and Response: IASC, com os conjuntos COD publicados pelo OCHA no HDX.
• Documentação da norma HXL (Humanitarian Exchange Language) e da ferramenta HXL Proxy.
• Documentação XLSForm e guias de utilização do KoboToolbox e do ODK.
• Quadro de análise intersetorial conjunta (JIAF): grupo de trabalho global do IASC sobre a análise conjunta.
• Metodologias e guias de limpeza de dados das avaliações multissetoriais das necessidades (MSNA): REACH e IMPACT Initiatives.
• Guia da ACAPS sobre a análise de dados secundários e sobre a avaliação das fontes.
• Perguntas curtas do Grupo de Washington sobre Estatísticas da Deficiência.
• Manual Esfera (2018) para os limiares técnicos setoriais utilizados nos indicadores.