A África do
Sul tem passado por seu ano mais turbulento desde o fim do apartheid em 1994 consequente à corrupção e influência ilícita de interesses privados. O
país já apresentava problemas com fraude e corrupção há anos, mas atualmente há alegações de que a influente família empresarial Gupta estaria se
beneficiando indevidamente de ofertas públicas por meio de ligações com o presidente
sul-africano Jacob Zuma. Acredita-se que a família também controle a seleção de
funcionários de alto escalão em departamentos importantes.
Em
decorrência desses escândalos, a multinacional britânica de relações públicas
Bell Pottinger abriu
falência e a McKinsey, empresa de consultoria empresarial norte-americana, iniciou
uma investigação interna.
A divisão
da KPMG na África do Sul auditou a família Gupta por 15 anos. Na semana
passada, oito altos executivos foram demitidos em decorrência das conclusões de
uma investigação interna referentes a omissão diante de irregularidades em auditorias.
A empresa já perdeu dois grandes contratos (Sygnia e Sasfin) e tem
enfrentado revisões generalizadas já que os clientes
não querem manchar a sua reputação em decorrência de suas ligações com a KPMG.
WE’RE MORE FOOLED by noise than ever before, and it’s because of a nasty phenomenon called “big data.” With big data, researchers have brought cherry-picking to an industrial level.
Modernity provides too many variables, but too little data per variable. So the spurious relationships grow much, much faster than real information.
In other words: Big data may mean more information, but it also means more false information.
Big-data researchers have the option to stop doing their research once they have the right result. In options language: The researcher gets the “upside” and truth gets the “downside.” It makes him antifragile, that is, capable of benefiting from complexity and uncertainty – and at the expense of others.
But beyond that, big data means anyone can find fake statistical relationships, since the spurious rises to the surface. This is because in large data sets, large deviations are vastly more attributable to variance (or noise) than to information (or signal). It’s a property of sampling: In real life there is no cherry-picking, but on the researcher’s computer, there is. Large deviations are likely to be bogus.
We used to have protections in place for this kind of thing, but big data makes spurious claims even more tempting. And fewer and fewer papers today have results that replicate: Not only is it hard to get funding for repeat studies, but this kind of research doesn’t make anyone a hero. Despite claims to advance knowledge, you can hardly trust statistically oriented sciences or empirical studies these days.
This is not all bad news though: If such studies cannot be used to confirm, they can be effectively used to debunk — to tell us what’s wrong with a theory, not whether a theory is right.
Another issue with big data is the distinction between real life and libraries. Because of excess data as compared to real signals, someone looking at history from the vantage point of a library will necessarily find many more spurious relationships than one who sees matters in the making; he will be duped by more epiphenomena. Even experiments can be marred with bias, especially when researchers hide failed attempts or formulate a hypothesis after the results – thus fitting the hypothesis to the experiment (though the bias is smaller there).
This is the tragedy of big data: The more variables, the more correlations that can show significance. Falsity also grows faster than information; it is nonlinear (convex) with respect to data (this convexity in fact resembles that of a financial option payoff). Noise is antifragile. SOURCE: N.N. TALEB
The problem with big data, in fact, is not unlike the problem with observational studies in medical research. In observational studies, statistical relationships are examined on the researcher’s computer. In double-blind cohort experiments, however, information is extracted in a way that mimics real life. The former produces all manner of results that tend to be spurious (as last computed by John Ioannidis) more than eight times out of 10.
Yet these observational studies get reported in the media and in some scientific journals. (Thankfully, they’re not accepted by the Food and Drug Administration). Stan Young, an activist against spurious statistics, and I found a genetics-based study claiming significance from statistical data even in the reputable New England Journal of Medicine– where the results, according to us, were no better than random. Big data can tell us what's wrong, not what's right.
And speaking of genetics, why haven’t we found much of significance in the dozen or so years since we’ve decoded the human genome?
Well, if I generate (by simulation) a set of 200 variables – completely random and totally unrelated to each other – with about 1,000 data points for each, then it would be near impossible not to find in it a certain number of "significant" correlations of sorts. But these correlations would be entirely spurious. And while there are techniques to control the cherry-picking (such as the Bonferroni adjustment), they don’t catch the culprits – much as regulation didn’t stop insiders from gaming the system. You can’t really police researchers, particularly when they are free agents toying with the large data available on the web.
I am not saying here that there is no information in big data. There is plenty of information. The problem – the central issue – is that the needle comes in an increasingly larger haystack.Fonte: aqui
Fonte: McAfee (via aqui). Este ranking mostra as celebridades mais perigosas. Quando você pesquisar o nome de "Avril Lavigne" há um risco de 14,51% nos resultados; são endereços com ameaças online.
São 32 cursos, sendo 27 acadêmicos. Mas atenção: alguns cursos não foram "avaliados', por terem sido criados recentemente. É o caso da UFRN ou UFPB. Na área temos um curso nota 6, da USP, e sete (retirando o multi, que está em processo de extinção) cursos nota cinco. Destaque também para o curso da Fucape de mestrado profissional, que obteve a nota máxima para um curso de mestrado. Há 17 anos eram quatro cursos de pós-graduação !
A consultora PwC no Reino Unido revelou (1) que paga menos 13% menos às equipas negras, asiáticas e de etnias minoritárias do que a outros funcionários, noticia The Independent.
O tratamento discriminatório é abordado num relatório divulgado esta segunda-feira, que a empresa diz ter decidido publicar num esforço para chamar a atenção e incentivar as organizações a agir contra a discriminação.
“Precisamos começar a olhar para além da estreita lentidão do género, caso contrário, a verdadeira diversidade no local de trabalho não será alcançada”, disse Kevin Ellis, presidente e sócio sénior da PwC, citado pelo jornal britânico.
No Reino Unido, a partir de abril do próximo ano, as empresas que tenham mais de 250 pessoas terão que divulgar os salários de géneros nos sites (2). A PwC disse que calculou as diferenças de pagamento e bónus utilizando a mesma metodologia que o Governo exige para as diferenças de remuneração de género, com base nos dados que a empresa possui dos funcionários.
A diferença de remuneração entre os BAME (sigla utilizada no Reino Unido que agrega Negros, Asiáticos e Minorias Étnicas) é atualmente de 12,8% e a diferença de bónus do BAME é de 35,4%. Segundo a PwC, a diferença resulta de existirem funcionários não-BAME em cargos mais altos e com maior remuneração e mais funcionários do BAME em funções administrativas juniores. Fonte: Aqui
(1) Não deixa de ser corajosa a atitude da empresa.
(2) Parece o balanço social do Ibase
Postagens
