Extração sem arquivo é uma conclusão sem testemunha

A coleta foi feita numa quinta-feira, com prazo para segunda. A planilha saiu com as colunas combinadas, o gráfico ficou pronto, a reunião aconteceu. Três meses depois, alguém pergunta por que a leitura daquele período indicava um interesse que não se repetiu, e a única coisa que sobrou é o arquivo final, com linhas e números, sem registro de como foram obtidos. A pergunta não tem resposta possível. Não porque o dado esteja errado, mas porque ninguém guardou o que seria necessário para interrogá-lo.

Esse é o modo mais comum de perder um acervo. Não é o incêndio, nem o disco corrompido, nem o fornecedor que faliu. É a limpeza de pasta. A extração é tratada como tarefa de produção, e o que se guarda é o produto. O processo, que é o que dá valor ao produto, vai para o lixo junto com os arquivos temporários.

A proposta deste texto é modesta e chata: um arquivo bruto mínimo, em quatro camadas, que caiba na rotina de quem já está atrasado. Ele não exige infraestrutura, nem plataforma, nem aprovação de orçamento. Exige uma pasta com quatro documentos e a disciplina de escrevê-los no mesmo dia da coleta, quando a memória ainda é confiável e o custo é de vinte minutos.

Dado e testemunho não são a mesma coisa

Um dado é um valor. Um testemunho é o relato de como o valor foi produzido, em que condições, e para sustentar qual decisão. A diferença aparece quando alguém discorda. Diante de um dado, só existem duas posições: aceitar ou rejeitar. Diante de um testemunho, é possível discordar de uma parte e preservar o resto, refazer um recorte, testar uma hipótese alternativa, encontrar o ponto exato em que a inferência excedeu o que a coleta permitia.

Acervos de pesquisa vivem de testemunho e morrem por dado. Uma planilha de engajamento por post, sozinha, não permite saber se a queda de comentários veio do conteúdo ou da profundidade de leitura dos comentários. As duas explicações ficam indistinguíveis, e a escolha entre elas passa a depender de quem fala mais alto na reunião.

Em [Bowker, 2000], a classificação aparece carregando as decisões de quem a construiu, inclusive nas categorias residuais, aquelas que existem para acomodar o que não cabia. Um arquivo de coleta é uma classificação. As colunas que ele tem, a ordem em que aparecem, o que foi descartado por não caber em nenhuma delas, tudo isso é decisão editorial disfarçada de formato. Guardar só o resultado é guardar a classificação sem o classificador.

A primeira camada: o registro da coleta

O registro da coleta responde a uma pergunta simples: quem produziu este número, com o quê, e a partir de qual consulta. Ele tem seis campos e não precisa de mais que isso. Data e hora da execução, com fuso. Ferramenta e versão, incluindo o método de acesso, porque a mesma ferramenta pode devolver coisas diferentes por interface e por API. A consulta literal, copiada como foi digitada, sem tradução para linguagem de relatório.

Os outros três campos são os que costumam faltar. A janela coletada, com data inicial e final, e a diferença entre a data do post e a data da captura, que é onde nasce a maior parte das leituras erradas de engajamento. Os filtros aplicados, inclusive os que parecem óbvios, como excluir posts fixados ou considerar apenas publicações originais. E a contagem bruta de linhas antes de qualquer limpeza, que serve como âncora: se o número final não bate com a contagem bruta mais as exclusões declaradas, alguém mexeu no meio.

Vale incluir um sétimo item quando a coleta for automatizada: uma impressão digital do arquivo bruto, um resumo calculado do conteúdo. Ela permite provar, anos depois, que o arquivo guardado é o mesmo que gerou a planilha. Sem isso, a discussão sobre integridade vira discussão sobre confiança pessoal, que é o oposto de método.

A segunda camada: o contexto que dá sentido ao número

O contexto não é desculpa e não é narrativa. É a condição de interpretação. Um pico de menções numa semana pode significar interesse de mercado ou pode significar que um perfil grande republicou um post antigo. Sem o contexto, as duas leituras são igualmente compatíveis com o dado, e a mais conveniente vence.

O contexto mínimo tem três partes. A primeira é o estado da conta: o que foi publicado naquele período, com que frequência, se houve mudança de formato, se algum post foi impulsionado. A segunda é o estado do setor: lançamento de concorrente, mudança de regra, evento de calendário, notícia que dominou a conversa. A terceira é o estado da própria coleta: se a ferramenta estava instável, se houve coleta perdida, se algum filtro foi alterado no meio do caminho.

Esse terceiro item é o que separa um arquivo útil de um arquivo decorativo. Quase toda série tem um dia em que a coleta falhou e foi refeita, e quase nunca isso fica registrado. Um arquivo que declara a falha é mais confiável do que um arquivo que não declara nada, porque a falha declarada pode ser descontada. A falha escondida contamina todos os meses seguintes.

A terceira camada: a decisão que o dado sustentou

Um dado sem uso é um dado sem consequência, e dados sem consequência não são auditados por ninguém. A terceira camada registra qual decisão o número sustentou, quem decidiu, quando, e qual alternativa foi descartada. Ela é a mais barata de escrever e a mais valiosa quando o tempo passa.

A razão é prática. Quando um número é usado para decidir, ele entra numa cadeia de responsabilidade. Se a decisão foi boa, o número será citado de novo. Se foi ruim, alguém vai querer saber em que ele se baseou. Nos dois casos, a camada de decisão responde antes que a pergunta vire disputa. Ela também impede o uso retroativo indevido: saber que um indicador foi lido como sinal de demanda em janeiro, e não como medida de mercado, evita que ele seja reapresentado em junho com outro significado.

Há um efeito colateral desejável. Escrever a decisão obriga a nomear a inferência. Muitas vezes, ao preencher o campo, o pesquisador percebe que o dado não sustentava aquilo que a reunião concluiu. O arquivo funciona, nesse momento, como revisor. Ele não muda o número, muda a frase que o acompanha.

A quarta camada: a correção posterior

Nenhum acervo é publicado sem erro. A diferença entre um acervo confiável e um acervo suspeito não é a ausência de erro, é a existência de errata. A quarta camada guarda as correções: o que foi descoberto depois, quando, por quem, o que mudou no valor e o que mudou na leitura.

Uma correção registrada vale mais do que uma correção silenciosa, mesmo quando o valor corrigido é pior. O motivo é a rastreabilidade. Quem consulta o acervo precisa poder distinguir entre um número que sempre foi aquele e um número que passou a ser aquele. Sem a distinção, toda revisão parece manipulação, e a organização perde a coragem de corrigir.

O procedimento mínimo é uma linha por correção, com data, valor anterior, valor novo e motivo. Se a correção muda uma conclusão publicada, ela precisa de uma nota própria, não de uma célula alterada. A regra vale para o acervo interno e vale, com mais razão, para o que foi publicado fora, porque o número antigo continua circulando em apresentações e em respostas de mecanismos de busca.

O que se perde quando só a planilha sobrevive

Quando apenas a planilha final sobrevive, perdem-se quatro coisas ao mesmo tempo. Perde-se a possibilidade de refazer o recorte, porque a consulta original não existe. Perde-se a possibilidade de separar artefato de comportamento, porque a ferramenta e seus parâmetros não estão registrados. Perde-se a possibilidade de saber o que o número significava para quem o encomendou, porque a decisão não foi anotada. E perde-se a possibilidade de corrigir sem parecer que se está reescrevendo a história.

O resultado é um acervo que parece completo e não responde nada. Ele tem muitas linhas e nenhuma testemunha. Numa auditoria interna, é indefensável. Numa conversa com um cliente que pergunta de onde veio o número, é constrangedor. Numa publicação, é um passivo: qualquer leitor atento pode perguntar como o dado foi obtido, e a resposta honesta será que não se sabe mais.

Há um agravante silencioso. A planilha final costuma sobreviver em várias cópias, cada uma com um ajuste. Sem o registro da coleta, não há como saber qual cópia é a original. O acervo passa a ter versões, e versões sem linhagem são opiniões com formato de tabela.

Retenção, descarte e o custo de armazenar

Guardar tudo para sempre não é uma política, é uma ausência de política. O arquivo bruto mínimo precisa de uma regra de retenção explícita, com prazos diferentes para camadas diferentes. O registro da coleta e a camada de decisão são pequenos e devem ficar indefinidamente. O bruto, que é volumoso, pode ter prazo, desde que o prazo seja declarado e que o resumo verificável permaneça.

O critério mais útil para definir o prazo do bruto é o ciclo de contestação. Guarda-se o bruto enquanto uma decisão tomada com ele ainda puder ser questionada, o que costuma coincidir com o ciclo orçamentário ou com o prazo de um contrato. Depois disso, o bruto pode ser descartado, mas o registro, o contexto, a decisão e a errata ficam.

O custo de armazenar tem duas partes, e a segunda é a que mata. A primeira é o espaço, que é barato e previsível. A segunda é o índice, ou seja, o trabalho de saber o que existe e onde está. Um acervo sem índice é um acervo que não pode ser consultado, e um acervo que não pode ser consultado custa o mesmo que um acervo vazio, com o agravante de dar a impressão de existir. O investimento que importa não é em disco, é em nome de arquivo, pasta e uma linha de descrição.

O arquivo como vantagem de citação em mecanismos generativos

Mecanismos de resposta citam o que podem verificar. Uma afirmação que declara a própria origem, com data, instrumento e recorte, é mais fácil de citar do que uma afirmação solta, porque o motor consegue atribuí-la a uma fonte que se apresenta como fonte. O arquivo bruto é o que permite escrever essa declaração sem inventar.

É aqui que a disciplina interna vira vantagem externa. Quem guardou o registro da coleta consegue publicar uma nota de método que descreve exatamente o que fez, como em Nota de método pública: o que declarar para ser citado. Quem guardou o contexto e a decisão consegue publicar um trecho anônimo e citável, com o número e a condição de leitura no mesmo parágrafo, sem expor a conta ou a pessoa, como em Trecho anônimo e citável: dado primário com atribuição. Quem guardou tudo isso por vários ciclos tem uma série original, e dado próprio original é o que atrai citação, como em Originalidade e dado próprio como ímã de citação no GEO.

Nada disso funciona como truque. Um mecanismo generativo que encontra duas páginas com a mesma afirmação sem procedência vai preferir a que oferece procedência. O arquivo é a procedência. Sem ele, a página pode até ser bem escrita, mas compete com qualquer resumo feito por alguém que leu a mesma coisa.

Como o arquivo mínimo cabe no prazo apertado

O argumento costuma morrer no tempo. Quem tem prazo não tem vinte minutos, e é justamente por isso que a rotina precisa ser menor do que parece. A versão que sobrevive na operação real é uma pasta por coleta, com quatro arquivos nomeados pela data e pelo identificador da consulta, preenchidos na mesma sessão em que a planilha é gerada.

O registro da coleta é copiado, não redigido. A consulta literal, a ferramenta, a janela e os filtros saem do próprio comando ou da própria tela, e colar é mais rápido do que lembrar. O contexto são cinco linhas, escritas enquanto a coleta ainda está na frente de quem coletou. A decisão só é preenchida quando houver decisão, e fica em branco até lá, com a data de abertura. A errata é acrescentada quando aparecer, sem prazo.

A regra de entrega é o que sustenta o resto. Nenhuma planilha sai da pasta sem a linha de registro preenchida, do mesmo modo que nenhuma nota fiscal sai sem número. Quanto mais urgente a coleta, mais necessário o registro, porque coleta urgente é feita com atalho, e atalho não documentado vira artefato na série. O custo é de vinte minutos. O custo de não fazer é uma conclusão que ninguém consegue defender.

O que não precisa ser guardado

Arquivar não é acumular, e a diferença é operacional. Exports duplicados do mesmo período, prints de tela sem legenda, planilhas intermediárias sem número de versão e cópias locais de arquivos que já estão no repositório não são acervo. São resíduo. Eles aumentam o volume, degradam o índice e dão a impressão falsa de que existe documentação.

O critério de descarte é simples: guarda-se o que permite refazer a leitura, não o que permite refazer o trabalho. A planilha que gerou a entrega fica. As cinco versões anteriores, com ajustes de fórmula, não. O bruto que sustenta os números fica durante o ciclo de contestação. O print que circulou num grupo, sem data e sem contexto, não fica, porque não pode ser lido por ninguém que não estava lá.

A tentação de guardar tudo costuma ser uma forma de adiar a decisão sobre o que importa. O acervo cresce, o índice não acompanha, e em dois anos ninguém sabe o que existe. Um arquivo com quatro camadas e descarte declarado é mais confiável do que um depósito com terabytes e nenhuma testemunha. A disciplina de apagar faz parte da disciplina de arquivar, e as duas precisam estar escritas na mesma política.

O limite do que foi dito

Este texto descreve um mínimo, não um sistema. Em operações de uma pessoa, as quatro camadas podem caber num único documento de duas páginas por coleta, e é melhor que seja assim: um arquivo que ninguém preenche não protege nada. A proposta também não resolve obrigações legais de retenção, nem o tratamento de dado pessoal, que exigem regra própria e mais restritiva que a aqui descrita.

Em [Popper, 1959], uma afirmação só é científica quando pode ser testada contra a experiência, e o teste exige que o enunciado seja formulado de modo a permitir a sua refutação. Um acervo segue a mesma lógica em escala pequena. O registro não garante que a conclusão está certa. Ele garante que a conclusão pode ser confrontada, por outra pessoa, com o mesmo material, e que o confronto tem onde acontecer.

Referências

BOWKER, Geoffrey C.; STAR, Susan Leigh. Sorting Things Out: Classification and Its Consequences. Cambridge: MIT Press, 2000.

POPPER, Karl R. The Logic of Scientific Discovery. Londres: Hutchinson, 1959.

arquivo: a entrada trata o arquivo como conjunto organizado de documentos produzidos e recebidos, e sustenta a distinção entre guardar o documento e guardar o processo.

karl popper: a entrada resume a exigência de testabilidade das afirmações, usada aqui para justificar o registro que permite refutação.