O Efeito Goleiro-Artilheiro: Por Que Fundir Ciência de Dados e Analytics na Mesma Diretoria Cria um Juiz Que Também é Jogador em 2026

Sumário

O gatilho: uma nomeação que parece rotina, mas não é
A separação de poderes que ninguém discute em Analytics
O caso GA4: quando quem constrói o modelo também escolhe como medi-lo
O espelho eleitoral: American Analytics e o empate técnico que ensina sobre vieses
Os três sintomas do Efeito Goleiro-Artilheiro
Como reconstruir a separação de poderes no seu time de dados
O que fazer antes de fundir cargos

O Gatilho: Uma Nomeação Que Parece Rotina, Mas Não É

Gustavo Moura acaba de assumir a diretoria de Ciência de Dados e Analytics da Nestlé.

À primeira vista, é apenas mais uma movimentação executiva no noticiário corporativo. Um nome, um cargo, um press release.

Mas olhe de novo para o título do cargo.

Não é "Diretor de Ciência de Dados". Não é "Diretor de Analytics". É os dois, na mesma cadeira, sob a mesma caneta.

Isso não é um detalhe semântico. É uma decisão estrutural com consequências profundas — e a maioria das empresas está tomando essa decisão sem perceber o que está em jogo.

Em 2026, fundir Data Science e Analytics numa única diretoria virou tendência de organograma. Parece eficiência. Parece integração. Parece, inclusive, modernidade.

O problema é que essa fusão apaga uma linha que deveria ser intransponível: a linha entre quem constrói o modelo e quem julga se o modelo funciona.

É o mesmo erro estrutural que, em outro contexto, já discutimos ao analisar por que nomear um diretor de dados não garante poder real sobre o Analytics da empresa. Lá, o problema era falta de poder. Aqui, é o oposto perigoso: poder demais, concentrado, sem contrapeso.

Chamo isso de Efeito Goleiro-Artilheiro: quando a mesma pessoa marca o gol e apita se foi gol.

A Separação de Poderes Que Ninguém Discute em Analytics

Toda empresa séria entende que auditoria financeira não pode ser feita pelo mesmo time que fecha o caixa. É por isso que existem auditorias independentes, comitês de compliance, controles internos separados da operação.

Ninguém questiona esse princípio em finanças.

Mas em dados, essa separação simplesmente não existe na maioria das organizações — e ninguém nota, porque o dano é silencioso.

O Paralelo com Governança Corporativa

Data Science constrói modelos. Cria previsões. Treina algoritmos. Define hipóteses de causa e efeito.

Analytics, por definição, deveria ser o time que mede, valida e questiona se esses modelos estão gerando resultado real.

São papéis que precisam de tensão saudável entre si — não de fusão.

Função	Papel Ideal	Risco se Fundido
Ciência de Dados	Constrói modelos e previsões	Tende a validar o próprio trabalho
Analytics	Audita resultado e mede impacto real	Perde independência para questionar
Liderança única	Reporta resultado ao board	Reporta o que o próprio time criou

Quando as duas funções respondem à mesma pessoa, com as mesmas metas de bônus, a pergunta "esse modelo realmente funciona?" deixa de ser uma auditoria e vira uma autoavaliação.

Ninguém reprova a própria prova. É assim que projetos de Data Science sobrevivem anos sem gerar ROI mensurável — porque quem mediria o fracasso é quem construiu o projeto.

O Caso GA4: Quando Quem Constrói o Modelo Também Escolhe Como Medi-lo

O Google Analytics acaba de liberar janelas de atribuição customizadas. Na teoria, é uma evolução técnica bem-vinda: mais flexibilidade, mais controle, mais precisão para cada modelo de negócio.

Na prática, é uma faca de dois gumes perigosamente afiada.

Quem escolhe a janela de atribuição — 7 dias, 30 dias, 90 dias — pode literalmente escolher qual campanha "ganhou" o crédito da conversão. É estatística com volante nas mãos de quem tem interesse no resultado.

Se o mesmo time que constrói o modelo de mídia paga é quem define a janela de atribuição que valida esse modelo, você recriou o Efeito Goleiro-Artilheiro dentro do próprio Google Analytics.

Já exploramos essa engenharia de narrativa em detalhes no artigo sobre o Efeito Alfaiate Invisível, onde mostramos como a atribuição customizada pode virar uma pesquisa eleitoral manipulada dentro da sua própria empresa.

A lição aqui é a mesma: flexibilidade técnica sem governança separada é uma arma apontada para dentro.

Perguntas que todo executivo deveria fazer agora

Quem escolhe a janela de atribuição na minha empresa?
Essa pessoa é avaliada pelo resultado dessa mesma métrica?
Existe alguém fora do time de mídia validando o modelo escolhido?

Se a resposta para a terceira pergunta for "não", você tem um goleiro marcando os próprios gols.

O Espelho Eleitoral: American Analytics e o Empate Técnico Que Ensina Sobre Vieses

A pesquisa American Analytics colocou Flávio Bolsonaro e Lula em empate técnico em São Paulo. Números que, dependendo do instituto, da metodologia e da margem de erro considerada, mudam de narrativa completamente.

Esse não é um fenômeno isolado da política. É a mesma lógica estatística que rege qualquer dashboard corporativo movido por margem de erro, intervalo de confiança e escolha metodológica.

Já mostramos como institutos divergem sobre a mesma eleição em São Paulo, e como sua empresa sofre exatamente do mesmo mal ao tratar a régua estatística como elástica conforme a conveniência.

E já alertamos, ao analisar a convergência de pesquisas sobre Tarcísio e Haddad, que convergência de dados pode esconder o maior risco silencioso do seu Analytics: a ilusão de certeza onde só existe ruído estatístico.

Empate técnico não é ausência de diferença. É ausência de certeza estatística suficiente para afirmar diferença. A confusão entre essas duas ideias já decidiu orçamentos de marketing inteiros baseados em ruído.

A mesma armadilha que discutimos ao explicar por que a IA do Google Ads pode estar otimizando sua verba com base em ruído estatístico, não em dados reais, se aplica integralmente aqui: quando o mesmo time cria o modelo e interpreta o resultado, o ruído vira verdade absoluta — porque ninguém de fora está questionando.

Os Três Sintomas do Efeito Goleiro-Artilheiro na Sua Empresa

Antes de reestruturar qualquer organograma, identifique se o problema já existe hoje.

1. O Relatório Que Nunca Erra

Se todo dashboard do time de dados sempre mostra performance positiva, isso não é sorte. É seleção de métrica.

2. A Ausência de Segunda Opinião

Se nenhum modelo, campanha ou projeção passa por validação de um time independente antes de virar decisão de board, você não tem Analytics. Você tem propaganda interna.

3. O Bônus Alinhado ao Próprio Julgamento

Se a remuneração do time que constrói o modelo depende da métrica que o mesmo time escolhe reportar, o incentivo está estruturalmente quebrado.

Checklist rápido — sua empresa tem o Efeito Goleiro-Artilheiro?

O mesmo líder aprova o modelo e reporta o resultado ao board

Não existe auditoria externa (ou de outra área) sobre projeções de dados

A janela de atribuição ou metodologia é definida pelo time que mais se beneficia dela

Bônus e KPIs do time técnico coincidem exatamente com as métricas que eles mesmos calculam

Ninguém no board sabe explicar como o modelo chegou àquele número

Se você marcou três ou mais itens, o problema não é hipotético. É operacional.

Como Reconstruir a Separação de Poderes no Seu Time de Dados

A solução não é reverter a integração entre Ciência de Dados e Analytics. É reconstruir a governança que deveria acompanhá-la.

Pilar	O Que Fazer	Responsável Ideal
Construção	Criar modelos, hipóteses e algoritmos	Ciência de Dados
Validação	Auditar resultado real vs. projetado	Analytics independente
Metodologia	Definir janelas, margens e critérios	Comitê cruzado (não o time que se beneficia)
Reporte final	Apresentar ao board com contexto de incerteza	Liderança sênior neutra

O ponto central é simples: quem constrói não deveria ser o único a validar.

Isso não significa criar burocracia. Significa criar um segundo par de olhos com incentivo diferente do primeiro.

O Papel do Board Nessa Nova Governança

Boards que aprovam fusões de diretoria sem perguntar "quem audita quem?" estão assinando um cheque em branco para viés estrutural.

A pergunta certa não é "esse modelo funciona?". É "quem, além de quem o construiu, confirma que funciona?"

O Que Fazer Antes de Fundir Cargos (Data Science + Analytics)

Se sua empresa está considerando — ou já fez — a fusão dessas duas funções sob uma única liderança, siga este roteiro antes de comemorar a "eficiência":

Mapeie os incentivos. Quem ganha bônus por qual métrica, e quem calcula essa métrica?
Crie uma segunda instância de validação. Mesmo que informal, alguém fora do time precisa questionar os números antes do board.
Documente a metodologia de atribuição e modelagem. Se ninguém consegue explicar em uma frase como o número foi calculado, o número não deveria ser usado para decisão estratégica.
Estabeleça um limite de autoridade. O diretor pode construir o modelo, mas não deveria ser o único a validar seu sucesso perante o conselho.
Revise trimestralmente. Vieses estruturais não aparecem em uma reunião — aparecem em padrões ao longo de meses.

A eficiência de ter uma única cadeira de comando é real. O risco de ter um único ponto de verdade também é.

Conclusão: O Cargo Certo, a Governança Errada

A nomeação de Gustavo Moura na Nestlé não é o problema. É o sintoma de uma tendência de mercado que precisa de mais debate: fusões de liderança em dados sem discussão paralela sobre separação de poderes.

O mesmo vale para o GA4 com suas novas janelas de atribuição, e para institutos de pesquisa que constroem e interpretam seus próprios números em cenários de empate técnico.

Em todos os casos, a pergunta é a mesma: quem julga o juiz?

Sua empresa não precisa desmontar a integração entre Ciência de Dados e Analytics. Precisa garantir que, por trás da eficiência, exista uma segunda voz — independente, incentivada de forma diferente, e disposta a dizer "esse número não se sustenta" quando necessário.

Essa é a diferença entre um time de dados que informa decisões e um time de dados que apenas confirma o que já queria ouvir.