O mesmo encanador contado quatro vezes - e por que não lançamos a correção
Medido em 72 respostas: 454 nomes extraídos para 424 empresas reais. A correção óbvia absorveu 61 duplicatas - e fez sumir 72 comércios de verdade. Não lançamos.
Neste artigo
Ontem contamos que o nosso extrator não sabia ler japonês, coreano, chinês nem árabe. Corrigido, ele lê. Hoje vem a pergunta seguinte: o que ele lê está certo?
As 72 respostas coletadas ontem - seis mercados, dois ofícios, três assistentes - bastavam para descobrir, sem pagar uma única chamada nova. Relemos todas.
Um encanador, quatro linhas
Dentro de uma mesma tabela de concorrentes em Tóquio, a empresa Kurashian aparece sob quatro rótulos diferentes: o nome sozinho, o nome seguido de dois-pontos e uma frase de descrição, o nome entre parênteses, e o nome com uma menção de ranking colada. Quatro linhas, uma empresa.
Em Dubai, a Urban Company aparece três vezes - uma para cada forma do nome antigo. Em Lyon, Ring Twice, Yoojo, ThreeBestRated e StarOfService aparecem duas vezes cada: uma sozinhas, outra seguidas de um travessão e da palavra Lyon.
Uma tabela que mostra o mesmo rival em três linhas não erra só na conta: ela dilui a participação dele e falseia o ranking.
O balanço, nome por nome nos seis mercados: 454 cadeias extraídas para 424 empresas reais. Trinta duplicatas. O japonês concentra metade, mas o francês também tem - e é esse detalhe que tornou a causa interessante.
Duas causas, e uma atinge todo mundo
A primeira é questão de alfabeto, como ontem. Nosso separador corta o nome no primeiro sinal: « Marca - ótimas avaliações » vira « Marca ». A lista de sinais está escrita em caracteres ASCII. Só que japonês e chinês escrevem dois-pontos e parênteses em largura plena, sem espaço em volta: nada casa, e o nome fica com a frase inteira.
A segunda não tem nada de exótico. O corte só valia para nomes achados numa lista com marcadores. Os que o assistente põe em negrito no meio do texto nunca passavam por ele. É por isso que « Ring Twice » e « Ring Twice - Lyon » contam como dois em Lyon: o francês era afetado desde sempre, e ninguém tinha medido.
A correção, escrita e medida
Uma única regra de separação, compartilhada por todos os caminhos de extração, ampliada com a pontuação de largura plena. Umas trinta linhas. Repassada nas 72 respostas: 454 cadeias viram 424. Kurashian volta a ser uma empresa, a Urban Company também.
Depois contamos o que entrava e o que saía, resposta por resposta - e foi aí que estragou.
61 duplicatas absorvidas.
Era o objetivo.
72 nomes perdidos
- entre eles a Maison Deschamps, uma padaria de Lyon de verdade, que era extraída antes e não é mais.
85 entradas novas
, incluindo « confira as qualificações » e « o reflexo do boca a boca ». Conselhos, não comércios.
Por que uma correção certa quebra outra coisa
Vale entender o mecanismo, porque ele não aparece no código. Um nome com mais de quarenta caracteres é rejeitado: é uma trava antiga, escrita para barrar frases. Em japonês, uma pergunta do assistente costuma ter quarenta e cinco caracteres, então caía. Cortada no parêntese, fica com vinte e um: passa.
A trava de tamanho estava, portanto, filtrando ruído por acidente nas escritas sem espaços. Ao corrigir o corte, tiramos essa proteção involuntária. E como uma tabela de concorrentes só mostra oito nomes, cada pedaço de conselho que entra empurra um real para fora.
Não lançamos. A correção está escrita, medida e guardada no repositório com esses números. Ela sai quando a detecção de conselhos funcionar nas quatro escritas: esse é o trabalho de verdade, e exige escrever essas regras língua por língua.
O que isso muda para você
Conte as linhas de uma tabela de concorrentes antes de acreditar nela.
Se um nome está lá duas vezes sob duas formas, o ranking é falso e as participações estão diluídas.
Uma ferramenta pode errar nos dois sentidos ao mesmo tempo.
A nossa inflava o número de rivais e deixava passar conselhos: corrigir um desmascarou o outro.
Pergunte o que está sendo contado, não só quanto.
« Oito concorrentes » não diz nada enquanto não se sabe se os oito são empresas.
Desconfie de um número que nunca se mexe.
O teto de oito foi atingido em quase todas as nossas medições: era um teto, não um resultado.
Os limites
72 respostas, seis mercados, dois ofícios, uma única manhã de coleta: é uma sondagem. A separação entre « empresa » e « conselho » foi feita à mão, e entra aí um tanto de julgamento - um nome como « Configuração Profissional » pode ser uma empresa. As trinta duplicatas não pedem julgamento: são cadeias que começam pelo mesmo nome.
Publicamos uma correção não lançada porque é essa a informação útil. Uma ferramenta de medição que só contasse os próprios acertos mediria mal, e contaria pior ainda.