Você já ouviu falar de Análise de Hipóteses Concorrentes (ou ACH, Analysis of Competing Hypothesis, em inglês)? Trata-se de um método de análise voltado a identificar a hipótese mais provável de ocorrer em um determinado cenário. Ele é particularmente útil para eliminar viés da análise, ao confrontar dados e informações a teses estabelecidas. Também é uma boa forma de mostrar aos decisores de onde se originou cada conclusão do analista – já que o método exige a montagem de uma matriz que pode ser facilmente visualizada.

Ficará mais fácil de explicar como o método funciona se usarmos um exemplo. Digamos que um dos competidores acabou de mudar de sede, para uma área maior, o que chamou a atenção dos decisores na sua empresa. Eles estão preocupados que o competidor possa aumentar a produção significativamente e abocanhar market share.

O método em si é simples. O primeiro passo é identificar as hipóteses possíveis para um determinado cenário, nesse caso a mudança de sede. Uma hipótese possível, como já levantado, é um investimento no aumento da produção. Mas também pode ser um movimento do competidor para evitar pagamento de aluguel. Ou ainda significar um reposicionamento com aumento do portfólio de produtos e entrada em outros segmentos. Para nosso exemplo não ficar muito extenso, vamos considerar apenas essas três hipóteses.

A partir disso, é preciso ir atrás da informação que vai dizer se uma hipótese é consistente ou inconsistente. Nesse estágio, se faz a coleta das evidências, argumentos e premissas que apontam para uma ou outra hipótese. Nesse exemplo, avaliamos o comportamento da equipe de vendas, a ampliação de maquinário, a propriedade da nova sede (se alugada ou própria), o volume de matéria-prima, contratações, consumo de energia e a área da nova sede em comparação com a anterior.

Normalmente, uma análise ACH leva em conta muito mais hipóteses e coleta mais evidências do que no exemplo. Justo nisso reside o poder dessa ferramenta: facilita a análise de um grande volume de informações e possibilidades. Dá para usar uma planilha para organizar a informação ou ainda um software como o que usamos no exemplo, o PARC ACH 2.0. O programa é gratuito e foi desenvolvido pelo Palo Alto Research Center em conjunto com Richards Heuer Jr., o analista que criou a metodologia. Infelizmente, o software não está mais disponível para download na página do PARC. Como a licença permite sua distribuição gratuita com fins não comerciais, disponibilizamos uma cópia compactada do arquivo de instalação.

O próximo passo é classificar cada evidência conforme ela se relaciona com a hipótese:

• Muito consistente (CC)
• Consistente (C)
• Não aplicável (NA)
• Inconsistente (I)
• Muito inconsistente (II)

Também dá para refinar o modelo usando pesos para credibilidade e relevância. Informações mais relevantes e mais críveis ganham peso maior na análise e isso se reflete nas conclusões.

O interessante desse método é que o foco é em agir como advogado do diabo, questionando a validade de cada hipótese. O resultado é um processo de eliminação, em que a hipótese mais provável é a que tem menos inconsistências, e não a que tem mais consistências. Claro que para chegar a boas conclusões é preciso ir refinando a análise. A confirmação de uma hipótese abre espaço para hipóteses adjacentes.

No exemplo, se fosse confirmada a expansão do portfólio, uma nova análise possível seria em torno dos produtos a serem adicionados. Para fazer uma boa análise ACH – ou qualquer boa análise, na verdade – é importante questionar as conclusões. No caso da ACH, é recomendável ver qual item pesou mais na avaliação das hipóteses e checar se há outras interpretações possíveis para aquela informação. Outra maneira de ganhar em confiabilidade nos resultados de uma análise ACH é envolver mais de um analista no processo. Com mais de um par de olhos sobre a questão, a análise ganha nuances e contextos que fortalecem as conclusões.