'/%3e%3cpath%20d='M83.8172%20112C100.688%20112%20111.886%2098.2694%20112%2083.8882H44.0245C25.8409%2083.8882%2016.001%2094.3169%2016.001%20112H83.8172Z'%20fill='url(%23paint1_linear_101_577)'/%3e%3cpath%20d='M44.1725%2044.1138H16.0008C15.9465%2051.0963%2018.504%2058.2306%2024.2977%2064.0225L44.1706%2083.8881L52.8986%2075.3569L61.7636%2066.7019C63.2767%2065.2244%2063.2786%2062.7888%2061.7636%2061.3094L44.1725%2044.1138Z'%20fill='%233A5FFF'/%3e%3cpath%20d='M83.8248%2083.8862H111.996C112.051%2076.9037%20109.493%2069.7693%20103.7%2063.9774L83.8267%2044.1118L75.0986%2052.6431L66.2337%2061.2981C64.7206%2062.7756%2064.7187%2065.2112%2066.2337%2066.6906L83.8248%2083.8862Z'%20fill='%233A5FFF'/%3e%3cdefs%3e%3clinearGradient%20id='paint0_linear_101_577'%20x1='16.001'%20y1='30.055'%20x2='111.998'%20y2='30.055'%20gradientUnits='userSpaceOnUse'%3e%3cstop%20stop-color='%2370ADFE'/%3e%3cstop%20offset='0.62'%20stop-color='%233A5FFF'/%3e%3c/linearGradient%3e%3clinearGradient%20id='paint1_linear_101_577'%20x1='111.998'%20y1='97.9451'%20x2='16.001'%20y2='97.9451'%20gradientUnits='userSpaceOnUse'%3e%3cstop%20stop-color='%2370ADFE'/%3e%3cstop%20offset='0.62'%20stop-color='%233A5FFF'/%3e%3c/linearGradient%3e%3c/defs%3e%3c/svg%3e)
Систематическая ошибка отбора
Selection bias — фоновая угроза любой неэкспериментальной аналитики. Она тише систематической ошибки выжившего, но встречается чаще.
Где особенно часто возникает
- Онлайн-опросы и NPS-исследования: отвечают самые активные и самые недовольные.
- Анализ кейсов: смотрят только закрытые сделки, забывая про незакрытые и отвалившиеся ещё на пресейле.
- Воронки в продукте: считают конверсию по тем, кто дошёл до конкретного шага, не учитывая, кто вообще даже не начал.
- Бенчмарки рынка: их составляют по компаниям, согласившимся участвовать, а это уже сильно смещённая группа.
Что делать
- Описывать аудиторию выборки явно: «эти выводы относятся только к...».
- Стараться сделать сбор более случайным или хотя бы понятно структурированным.
- Сверять метрики с альтернативными источниками, в которых смещение устроено иначе.
Когда применять и когда нет
Применять
- В любых опросах, NPS и UX-исследованиях
- При работе с публичными бенчмарками
- При воронках, в которых часть пользователей системно не попадает в анализ
Не применять
- Когда речь о действительно сплошной выборке (например, все транзакции системы) — но даже там бывают свои смещения
Примеры применения
Компания публикует «бенчмарк по рынку»: средняя выручка SaaS-стартапа на seed-стадии — 50 тысяч долларов в месяц. Цифра выглядит правдоподобно, но это среднее по стартапам, согласившимся участвовать в опросе — а это сильно смещённая выборка успешных и амбициозных команд. Стартап, который сравнивает себя с этим бенчмарком, рискует ставить нереалистичные цели и принимать ошибочные решения о найме.
Часто задаваемые вопросы
Survivorship bias — частный случай selection bias, когда в выборке остались только «выжившие». Selection bias шире: сюда же относятся опросы только активных, бенчмарки только согласившихся участвовать, кейсы только закрытых сделок.
Иногда — частично, через перевзвешивание выборки или сравнение со внешними источниками. Полностью «починить» ошибочный сбор уже постфактум обычно нельзя: лучше честно ограничить выводы тем сегментом, который был корректно собран.