'/%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 выжившего
Это одна из самых частых ошибок в продуктовой и маркетинговой аналитике. Она опасна тем, что данные выглядят достоверно и непротиворечиво.
Как проявляется
- Анализ только активных пользователей без учёта тех, кто ушёл.
- Истории успеха стартапов без учёта закрывшихся.
- Изучение «лучших клиентов» без сравнения с худшими.
- Анализ ответивших на опрос без учёта тех, кто не ответил.
Как с этим бороться
- Прямо включать в анализ «выбывших»: ушедших клиентов, отказавшихся респондентов, провалившиеся проекты.
- Смотреть когорты целиком, а не только активную их часть.
- Задавать вопрос «кого тут не хватает в данных» и проверять, насколько это критично.
Когда применять и когда нет
Применять
- В когортном анализе
- При изучении кейсов успеха и историй из бизнес-литературы
- В любых выборках, где часть наблюдений могла «выпасть»
Не применять
- Когда задача — действительно посмотреть только на оставшихся клиентов (например, для апселла активной базы), но даже тогда полезно помнить, что выводы нельзя переносить на всех
Примеры применения
Маркетинг анализирует «лучших клиентов с самым высоким LTV» и выясняет, что почти все они пришли через канал X. Возникает идея «надо вложить в канал X больше денег». При проверке полной картины оказывается, что через канал X приходит много и плохих клиентов, которые быстро уходят. Просто среди оставшихся «выживших» этот канал доминирует, но эффективность канала с учётом оттока — посредственная.
Часто задаваемые вопросы
Да, классическая история про работу Абрахама Вальда: военные хотели укрепить части самолётов, где было больше всего пробоин у вернувшихся. Вальд указал на обратное: укреплять надо те части, где у вернувшихся пробоин нет, потому что попадание туда роняло самолёт и он не возвращался. Это самый известный пример систематической ошибки выжившего.
Это близкие, но не идентичные понятия. Selection bias — общий класс ошибок отбора (например, опросы только довольных клиентов). Survivorship bias — частный случай: мы видим только тех, кто «дошёл», и не видим выбывших. Все ошибки выжившего — это selection bias, но не наоборот.