Como funciona a lógica por trás de escolher um número de 1 a 3
A maior parte das pessoas subestima o que acontece quando um sistema pede para escolher um número de 1 a 3. Parece trivial, mas é um dos padrões mais usados em protótipos rápidos, testes A/B com amostras pequenas e triagem inicial de dados. Eu já perdi tempo demais tentando justificar essa escolha para clientes que queriam complexidade desnecessária num processo que se resolve com uma linha.
Escolha um número de 1 a 3: o básico que ninguém ensina
O funcionamento real não depende de algoritmos complexos. Você gera um número aleatório inteiro entre 1 e 3 usando a função standard do ambiente que estiver usando. Em JavaScript, Math.floor(Math.random() * 3) + 1. Em Python, random.randint(1, 3). Pronto. A armadilha é achar que precisa de mais do que isso. O problema que eu encontrei na prática foi com distribuições enviesadas em ambientes que usam sementes fixas para reproduzibilidade. Quando você roda um teste de repetição com seed, o "aleatório" vira sequencial. Já vi um script de segmentação de usuários cair porque o gerador reprodutível entregava sempre a mesma ordem, e o time de QA não percebeu por três sprints. A solução foi injetar um timestamp ou usar um gerador com entropy externa antes da escolha final. Simples, mas só aparece quando o bug já está em produção.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Quando usar e quando fugir disso
Escolher um número de 1 a 3 funciona bem para triagem inicial, onde o objetivo é apenas separar itens em três grupos sem peso definido. Eu uso rotineiramente para dividir tráfego em fases de linting, formatação e revisão manual em pipelines pequenos. O tempo de setup cai de cerca de 40 minutos para 6 minutos porque você elimina a necessidade de configurar weights ou balances complexos num primeiro momento. O limite real é quando você precisa de representatividade estatística. Três grupos pequenos demais não permitem inferência confiável. Se o seu dataset tem menos de 300 registros e você divide em três, cada fatia pode ter ruído suficiente para distorcer a leitura. Nesse caso, o correto é usar quatro ou cinco grupos, ou simplesmente não randomizar e aplicar uma separação determinística baseada em ID hash. Hash mod 3 é mais previsível e eviona o viés de seed que citei acima.
Erros comuns que aceleram a solução
O erro mais frequente é tratar a escolha como se fosse neutra quando na verdade o índice interfere no downstream. Se o grupo 1 vai para um serviço e o 3 para outro, a diferença pode ser de infraestrutura e não de resultado. Anotar qual número corresponde a qual destino antes de rodar qualquer coisa economiza horas de debugging. Já perdi meia manhãando discrepância que era apenas um mapeamento errado entre labels e filas de processamento. Outro ponto: não confunda escolha humana com escolha algorítmica. Quando você pede para um usuário escolher um número de 1 a 3, a distribuição real tende a favorecer o 2 e o 3, com preferência documentada pelo efeito de borde. Se o objetivo é randomness genuína, delegue ao sistema. Se o objetivo é testar viés humano, aí sim use a participação direta.
Dica prática sem ser chato
Se você está montando algo rápido, use uma tabela de mapeamento fixa no código. Nunca deixe a lógica de decisão espalhada por condicionais soltas. Um dicionário ou enum resolve em dois minutos e evita que alguém lembre de mudar um label numa branch e esqueça no. Isso é o tipo de coisa que parece obviedade até o deploy quebrar.
