O que pesquisas eleitorais nos ensinam sobre modelagem preditiva e vieses de dados

Quando a política encontra a estatística

Há alguns meses, circulou a informação de que o instituto Quaest realizaria uma nova rodada de pesquisas para testar a reação do eleitorado a variáveis como tarifas comerciais dos Estados Unidos e o apoio explícito de Donald Trump a determinados candidatos brasileiros. De início, pode parecer um tema restrito ao noticiário político, mas para quem trabalha com engenharia de dados, modelagem preditiva e inteligência artificial aplicada, esse tipo de levantamento oferece um rico estudo de caso sobre amostragem, vieses e generalização de resultados.

A verdade é que o esforço para prever intenções de voto compartilha muito mais semelhanças do que gostaríamos de admitir com o treinamento de modelos de classificação e regressão. Ambos dependem de dados representativos, variáveis bem definidas e, sobretudo, da consciência de que o ruído externo — seja uma sanção econômica, uma declaração polêmica ou uma mudança regulatória — pode alterar completamente o cenário. Como engenheiro de software que já lidou com pipelines de dados em ambientes de produção, enxergo paralelos técnicos relevantes que merecem ser discutidos.

A engenharia da amostragem: o que o polling tem a ensinar para a IA

Quando uma pesquisa eleitoral define sua amostra, ela está, em essência, resolvendo o mesmo problema que nós, engenheiros de dados, enfrentamos ao selecionar um conjunto de treinamento para um modelo. A diferença é que, no polling, o custo de uma amostra mal construída é imediato e público — a imprensa e os partidos apontam erros de previsão em tempo real. Já na indústria de tecnologia, um viés de amostragem pode passar despercebido por meses até que um modelo comece a tomar decisões discriminatórias ou financeiramente ruins.

O instituto Quaest, por exemplo, precisa equilibrar variáveis como faixa etária, renda, nível educacional, região geográfica e gênero para que a amostra reflita o perfil do eleitorado. Se houver super-representação de um grupo, o resultado pode indicar uma vantagem artificial. Em sistemas de recomendação ou modelos de scoring de crédito, o mesmo problema aparece quando sub-representamos determinadas populações, gerando algoritmos que falham justamente para quem mais precisa de previsibilidade. A lição prática é clara: antes de pensar em arquitetura de rede ou hiperparâmetros, garanta que sua base de treinamento não seja um retrato distorcido da realidade.

Tarifas, Trump e o tratamento de variáveis exógenas

O levantamento da Quaest também pretende medir como eventos externos — como as tarifas dos EUA e o apoio de Trump a Flávio Bolsonaro — impactam a intenção de voto. Isso é particularmente interessante sob a ótica da modelagem preditiva, pois estamos falando de variáveis exógenas que não estão sob controle do pesquisador nem do candidato. Em ciência de dados, essas são as chamadas "variáveis de choque", e ignorá-las é uma das maneiras mais rápidas de invalidar um modelo.

Já vivi situações em que um modelo de churn de clientes, até então com boa acurácia, começou a errar sistematicamente após uma fusão empresarial que alterou o atendimento ao cliente. Nenhum dos engenheiros havia incluído a variável "fusão" no treinamento, simplesmente porque ela não existia nos dados históricos. A solução foi aceitar que modelos preditivos requerem retreinamento frequente e, mais importante, precisam de sensores para detectar mudanças de contexto — algo que os institutos de pesquisa fazem instintivamente ao incluir perguntas sobre eventos recentes. Para nós, isso significa implementar monitoramento de drift e manter equipes de Machine Learning Operations (MLOps) que não apenas reajam a mudanças, mas as antecipem.

O dilema do viés de confirmação em pesquisas de opinião

Há um fenômeno sutil que atravessa tanto as pesquisas eleitorais quanto os sistemas de IA: o viés de confirmação do próprio analista. Quando um modelo de linguagem ou um sistema de recomendação começa a produzir resultados que "fazem sentido" para quem o desenvolveu, é tentador aceitar aquela saída como verdadeira. No contexto político, partidários de cada candidato tendem a aceitar pesquisas que favorecem seu lado e a questionar a metodologia das que apontam cenário adverso.

Na engenharia, esse viés se manifesta de forma perigosa na seleção de features. Lembro de um projeto em que estávamos desenvolvendo um modelo para prever inadimplência e um colega sugeriu excluir uma variável demográfica porque "intuitivamente" ela não parecia relevante. A exclusão teria eliminado um dos principais indicadores de risco. O paralelo com a pesquisa Quaest é direto: se o questionário for desenhado para confirmar uma hipótese prévia em vez de descobrir a realidade, os resultados serão enviesados por mais robusta que seja a amostra. A recomendação que faço para times de produtos digitais é estabelecer sessões de "defesa do adversário" durante a definição de features, onde um grupo diferente de engenheiros tenta provar que o modelo está errado antes mesmo dele ir para produção.

Processamento de linguagem natural e a codificação de opiniões

Um dos aspectos técnicos mais fascinantes da pesquisa eleitoral moderna é a transição de perguntas abertas para sistemas de análise de sentimento automatizados. No passado, institutos como o Quaest treinavam centenas de entrevistadores para aplicar questionários presenciais e codificar manualmente as respostas abertas. Hoje, há uma pressão crescente para que parte desse processo seja substituída por modelos de processamento de linguagem natural (PLN), capazes de extrair intenção de voto e percepção de candidatos a partir de transcrições de respostas.

Trabalhei em um projeto que tentava classificar o tom de mensagens em canais de suporte ao cliente usando uma abordagem similar. O desafio não era a precisão do modelo — que chegava a 89% —, mas a consistência diante de sarcasmo, gírias regionais e respostas evasivas. Em uma pesquisa eleitoral, o mesmo problema aparece quando um eleitor diz "não sei" para evitar exposição ou "talvez" como forma educada de rejeição. Modelos de PLN bem treinados conseguem capturar essas nuances, mas exigem um volume enorme de dados anotados por especialistas humanos. Para times que estão começando a implementar análise de sentimento, minha sugestão é não subestimar o custo de rotulagem e considerar que, em cenários de alto risco como intenção de voto, o erro de classificação pode ser tão grave quanto uma falha de segurança.

Governança de dados e transparência: a lição que a política nos dá

No ambiente político brasileiro, a transparência metodológica das pesquisas é um tema constante de debate. Cada instituto divulga o tamanho da amostra, a margem de erro, o nível de confiança e o período de coleta. Na indústria de tecnologia, raramente vemos esse nível de detalhamento sobre modelos preditivos. Empresas entregam scores sem explicar as variáveis utilizadas, e equipes internas muitas vezes desconhecem a procedência exata dos dados de treinamento.

Defendo que times de engenharia adotem práticas de governança de dados tão rigorosas quanto as exigidas por institutos de pesquisa. Isso significa manter registros de linhagem dos dados, documentar explicitamente as features escolhidas e, sobretudo, auditar periodicamente o desempenho do modelo em subgrupos populacionais. A falta de transparência não é apenas uma questão ética — é um risco operacional. Se um modelo de precificação ou concessão de crédito começa a apresentar viés e não é possível rastrear a origem, a correção se torna lenta e custosa. Em uma pesquisa eleitoral, a transparência metodológica permite que outros analistas repliquem o estudo e contestem resultados, algo que deveria ser padrão em qualquer entrega de ciência de dados.

O futuro da modelagem preditiva em cenários de alta volatilidade

O estudo da Quaest sobre o impacto das tarifas americanas e do apoio de Trump é, no fundo, uma tentativa de tornar modelos de intenção de voto mais robustos diante da volatilidade geopolítica. Para nós, engenheiros, a pergunta equivalente é: como construir sistemas que se mantenham relevantes quando o contexto macroeconômico ou regulatório muda drasticamente? Uma abordagem que tenho visto funcionar é a implementação de modelos híbridos, que combinam aprendizado de máquina com regras de negócio explícitas. Em vez de treinar um modelo puramente baseado em dados históricos, adiciona-se uma camada de lógica que pode ser ajustada manualmente quando eventos externos significativos ocorrem.

Isso não é elegante do ponto de vista acadêmico, mas é prático. Em um dos projetos que liderei, inserimos um "botão de pânico" no pipeline de decisão que permitia aos analistas ajustar temporariamente os pesos de certas variáveis em resposta a notícias de fusões ou falências de concorrentes. O sistema perdia um pouco da autonomia, mas ganhava em resiliência. Para institutos de pesquisa, o equivalente seria recalibrar a amostra ou adicionar novas perguntas ao questionário original quando um evento relevante ocorre a meio do levantamento. A flexibilidade metodológica não é sinal de fraqueza — é inteligência adaptativa.

Recomendações editoriais para times de produto e dados

Se há algo que a engenharia e a ciência de dados podem aprender com o rigor das pesquisas eleitorais, é que a validação constante e a humildade intelectual são virtudes profissionais. Recomendo que times de produto incorporem revisões trimestrais de seus modelos, com participação de membros de diferentes áreas — incluindo stakeholders de negócio que possam trazer visões de mercado que os engenheiros não enxergam. Além disso, sugiro que cada pipeline de dados inclua indicadores de qualidade que alertem automaticamente quando a distribuição dos dados de entrada começar a divergir da distribuição esperada, algo que os institutos de pesquisa fazem manualmente a cada nova rodada.

Por fim, vale lembrar que nenhum modelo substitui o julgamento humano. Assim como uma pesquisa eleitoral é uma fotografia de um momento — e não uma profecia —, nossos sistemas preditivos devem ser tratados como ferramentas de apoio à decisão, não como oráculos. A diferença entre um bom e um mau profissional de dados está, justamente, em saber até onde confiar no modelo e quando intervir com base em contexto que os números não capturam. Se a política nos mostra algo, é que a realidade sempre encontra uma maneira de surpreender até mesmo as amostras mais bem desenhadas.