Quando a seleção joga, o Pix para: o que a Copa do Mundo nos ensina sobre outliers

Escrito por: Matheus Tavares

Você provavelmente já viveu essa cena: é dia de jogo da seleção (no meu caso, o Brasil), o trânsito diminui, as ruas se esvaziam e o país inteiro parece prender a respiração ao mesmo tempo. Os escritórios silenciam, as conversas se reduzem a um único assunto e, por noventa minutos, uma nação de milhões faz mais ou menos a mesma coisa, no mesmo ritmo, tudo de uma vez.

É isso que torna um jogo de Copa do Mundo tão incomum. Não é só o fato de muita gente estar assistindo, mas de a vida cotidiana se curvar em torno de um único evento, com um nível de sincronia que quase nada mais no calendário consegue igualar. Um momento como esse é, quase por definição, extraordinário: está muito fora da rotina de uma tarde comum. E momentos extraordinários são, no fim, exatamente o assunto deste texto.

Quando um país inteiro muda de comportamento junto, essa mudança não fica só nas ruas ou na frente da TV. Ela deixa uma impressão digital nos dados, e um dos lugares mais claros para observá-la é na forma como as pessoas movimentam dinheiro. Durante um jogo da seleção, o volume de transferências instantâneas cai para uma fração do que se esperaria para aquele horário. No apito final, ele volta como se nada tivesse acontecido, e no meio do caminho é possível até identificar o intervalo. 

Mas como saber que isso é realmente incomum, e não apenas uma variação normal? É aí que entra uma ideia estatística simples: o outlier, um valor que está muito fora do padrão habitual.

Afinal, o que é exatamente um outlier?

Pense na temperatura de uma tarde de outubro na sua cidade, sempre em torno da mesma marca confortável, dia após dia, até que em uma tarde ela dispara muito acima de qualquer coisa que a estação costuma trazer. Ou naquela conta de luz que sempre vem parecida e, em um mês específico, chega assustadoramente alta. Esses são outliers: valores que se afastam muito do que você esperaria naquele contexto.

A palavra-chave é contexto. Uma rajada de transferências às três da manhã seria estranha; ao meio-dia, é esperada. Um outlier é um valor que está incomumente distante do que normalmente acontece naquela situação específica.

Primeiro, é preciso saber como é o “normal”

Para reconhecer o extraordinário, você precisa conhecer muito bem o ordinário. E o ordinário, no mundo das transações, tem ritmo: a atividade segue padrões previsíveis por dia da semana e por hora do dia. Há horários de pico, há a calma da madrugada, há a diferença entre uma segunda-feira e um domingo.

É por isso que, para descobrir se um momento realmente fugiu da curva, a comparação precisa ser justa: comparar uma segunda-feira com outras segundas-feiras, e as 14h com outros períodos de 14h. Comparar o horário do jogo com a madrugada não nos diria nada. Comparar com o mesmo horário em dias semelhantes, sim.

Como se mede um outlier?

Para transformar essa intuição em algo que um computador, ou uma pessoa analista, possa de fato usar, a estatística oferece três ingredientes simples.

O primeiro é a média: o valor que normalmente esperaríamos naquele contexto. O segundo é o desvio padrão. Em termos simples, ele nos diz o quanto os valores costumam variar acima ou abaixo dessa média. Uma faixa de horário com atividade muito consistente terá um desvio padrão pequeno; uma que naturalmente varia muito terá um desvio maior.

Depois vem o z-score. Ele nos diz a que distância um momento específico está da média, medida em desvios padrão. Um z-score de 0 significa que o valor está exatamente na média. Um z-score de −1 significa que ele está um desvio padrão abaixo da média. Um z-score de −4 significa que está quatro desvios padrão abaixo do que normalmente esperaríamos.

Uma regra prática útil é que cerca de 99,7% dos valores ficam dentro de três desvios padrão em relação à média. Portanto, quando um valor passa de três, estamos diante de algo extremamente incomum. É por isso que “três desvios padrão” é frequentemente usado como uma linha divisória prática para um outlier.

Guarde esse “três”: ele vai ser útil em instantes.

A Copa do Mundo: um outlier com causa conhecida

Um jogo da seleção é o exemplo perfeito, por duas razões. Primeiro, a causa é óbvia: todo mundo parou para assistir. Segundo, ele está no calendário, então sabemos exatamente onde olhar.

E os dados não decepcionam. Durante o jogo da seleção brasileira, o volume de transferências instantâneas despencou para pouco mais da metade do que se esperaria para aquele horário, cerca de quatro a cinco desvios padrão abaixo do normal. Lembra que passar de três já é extremamente raro? Este é um outlier de manual.

E então há o detalhe que torna o gráfico especialmente divertido de ler: dá para ver o intervalo. A atividade sobe brevemente no meio do jogo, quando as pessoas resolvem algumas pendências antes de a atenção voltar para a partida no segundo tempo. À sua maneira discreta, os dados contam a história do jogo minuto a minuto.

Isso só acontece no Brasil?

Não. O mesmo padrão básico aparece quando outras seleções entram em campo, mas com algumas variações locais interessantes.

No México, país-sede da Copa do Mundo, a queda foi ainda mais acentuada: a atividade caiu mais de vinte desvios padrão abaixo do esperado. Se três já é extremamente raro, vinte é um resultado extraordinário: o tipo de leitura que seria praticamente impossível sem uma causa muito forte por trás. Lá também é possível ver a pausa do intervalo e, de bônus, um pico pouco antes do apito inicial: aquela transferência de última hora para acertar a conta do churrasco antes de a bola rolar.

Na Colômbia, a atividade caiu para menos da metade do normal durante a partida e depois disparou bem acima da média no momento em que o jogo terminou, quase como se o país inteiro voltasse a respirar (e a transacionar) de uma só vez.

Três países, três sistemas de pagamento diferentes, o mesmo comportamento humano. Isso nos dá mais confiança de que o padrão é real, e não uma coincidência: quando algo semelhante aparece em contextos independentes, fica mais difícil descartá-lo como acaso.

Certo, mas para que serve identificar outliers?

Além de gerar um gráfico divertido, identificar outliers é um dos trabalhos mais importantes para quem lida com dados, e se conecta a várias coisas que afetam o nosso dia a dia.

•  Segurança: o mesmo raciocínio básico pode ser aplicado ao comportamento de um único cliente: o que normalmente é típico para essa pessoa? Se uma transação é muito diferente do padrão habitual de alguém, ela pode levantar um alerta para uma verificação mais atenta. Tecnologia e equipes de pessoas podem então entrar em ação para ajudar a proteger o cliente. Detectar o que fica fora do padrão usual é parte central da prevenção a fraudes.

•  Manter os sistemas funcionando: entender quando a atividade sobe ou desce ajuda a dimensionar a infraestrutura para que tudo continue funcionando, inclusive naquele instante depois do gol, quando muita gente volta a transacionar de uma só vez.

•  Qualidade dos dados: às vezes um outlier não é um evento real, mas um erro de medição. Identificá-lo ajuda a evitar que essa medição ruim leve à conclusão errada.

E há um ponto sutil: não todo outlier é um problema. O jogo é um outlier por uma razão clara e explicável. O trabalho de quem cuida dos dados é justamente separar o que é esperado e explicável, como a Copa do Mundo, do que merece um olhar mais atento, como uma transação incomum sem explicação evidente. 

As ferramentas estatísticas que vimos aqui — a média, o desvio padrão e o z-score — oferecem uma primeira forma simples de fazer essa distinção.

O que o exemplo da Copa do Mundo mostra

Um país que para para torcer nos dá uma maneira surpreendentemente clara de ver uma ideia séria em ação: primeiro entender como é o “normal”, depois perceber quando algo fica muito fora disso e, por fim, perguntar por quê.

Às vezes a resposta é um jogo de Copa do Mundo. Em outras situações, o mesmo princípio pode ajudar a proteger contas, manter sistemas confiáveis e garantir que as decisões sejam baseadas em dados dignos de confiança.

Talvez seja isso o mais interessante em um outlier: identificá-lo é apenas o começo, e o que realmente importa é entender o que o causou.

Como fizemos esta análise

Todos os números deste artigo usam dados agregados e anonimizados. Nenhuma informação individual de cliente é usada ou exposta. Por definição, a análise é apresentada apenas em termos relativos e estatísticos, nunca em valores absolutos.