Дополнительные интересные Эффект Выжившего (Survivorship Bias): Мы фокусируемся только на успешных примерах, игнорируя тех, кто «не выжил» (классика в бизнесе и инвестициях).

[RenatDagaz]

Эффект выжившего (survivorship bias, или survivor bias) — это форма выборочного искажения (sampling bias), при которой анализ или выводы строятся только на «выживших» объектах, людях или примерах, прошедших через жёсткий отбор или фильтр, в то время как данные о «невыживших» (погибших, обанкротившихся, провалившихся) игнорируются или остаются невидимыми.

Результат — чрезмерно оптимистичные выводы, переоценка вероятности успеха и ложные причинно-следственные связи. Мы видим яркие истории победителей и думаем: «Если они смогли так сделать, то и я смогу». При этом забываем, что видим только верхушку айсберга, а основная масса «погибла» по тем же самым причинам, которые мы теперь считаем неважными.

Это не просто «игнорирование неудач» — это системная ошибка, потому что неудачи часто невидимы: компании закрываются и исчезают из баз данных, самолёты не возвращаются, люди не пишут книги о своих провалах.

История и ключевые фигуры​

Классический и самый известный пример относится ко Второй мировой войне. Военные аналитики изучали бомбардировщики, вернувшиеся с заданий, и отмечали места попаданий пуль и осколков (крылья, фюзеляж, хвост). Они планировали усилить бронёй именно эти повреждённые зоны, считая их самыми уязвимыми.

Абрахам Вальд (Abraham Wald, 1902–1950), венгерский математик, работавший в Statistical Research Group (SRG) при Колумбийском университете, указал на критическую ошибку. Он спросил: «А где повреждения на тех самолётах, которые не вернулись?»

Вальд понял: возвращавшиеся самолёты показывали места, где машина может получить повреждения и всё равно долететь. Значит, зоны без отметин (двигатели, кабина) — самые опасные: попадание туда приводило к тому, что самолёт не возвращался вовсе. Нужно было бронировать именно те области, где на «выживших» повреждений почти не было.

Рекомендация Вальда спасла множество жизней. Его работа считается одним из основополагающих примеров операционного исследования (operations research). Вальд погиб в авиакатастрофе в 1950 году в Индии.

Термин «survivorship bias» стал широко использоваться позже, особенно в статистике, финансах и психологии. Концепция связана с более широким понятием selection bias (выборочное искажение), но survivorship bias — его специфическая разновидность, когда «выживание» само по себе является фильтром.

Механизмы действия​

1. Невидимость неудач — данные о провалах часто отсутствуют: обанкротившиеся компании удаляются из индексов, закрытые взаимные фонды исчезают из баз, провалившиеся стартапы не попадают в СМИ.
2. Доступность ярких историй — мозг легче обрабатывает успешные нарративы (биографии миллиардеров, кейсы unicorn-компаний). Неудачи неинтересны и редко документируются.
3. Hindsight bias в связке — задним числом мы находим «причины успеха» у выживших, хотя те же самые действия часто приводили к провалу у других.
4. Психологический комфорт — верить в «формулу успеха» приятнее, чем признавать роль удачи, тайминга и случайности.

Примеры из исследований и реальной жизни​

1. Вторая мировая война (классика)Как описано выше: анализ только вернувшихся самолётов привёл бы к неправильному распределению брони. Вальд перевернул логику и спас жизни.

2. Инвестиции и финансы

• Взаимные фонды: Многие исследования показывают высокую среднюю доходность фондов. Но если включить фонды, которые закрылись или были слиты из-за плохих результатов (их часто исключают из баз данных), реальная средняя доходность падает на несколько процентов в год. Выжившие фонды выглядят лучше, чем они есть на самом деле.
• Индексы вроде S&P 500: В них остаются только успешные компании. Те, что обанкротились или сильно упали, исключаются. Историческая доходность рынка кажется выше.
• Hedge-фонды: Многие закрываются после убытков, и их результаты исчезают из отчётов.

3. Бизнес и стартапы (особенно в Silicon Valley)

• Мы слышим истории Марка Цукерберга, Илона Маска, Билла Гейтса (бросивших учёбу). Кажется, что бросить университет — путь к успеху. Но миллионы других дропаутов не стали миллиардерами — их истории невидимы.
• «90% стартапов проваливаются» — на самом деле в венчурном секторе цифра ближе к 99%+ для настоящих прорывных проектов. Мы видим Airbnb, Uber, Dropbox и думаем, что «правильный» подход гарантирует успех. На деле тысячи команд с похожими идеями, командами и усилиями исчезли бесследно.
• Книги и лекции успешных основателей часто страдают этим bias: они анализируют только победителей и находят «общие черты», игнорируя, что те же черты были у тысяч неудачников.

4. Другие примеры

• Музыка и искусство: Мы изучаем биографии Битлз или Ван Гога и ищем «секрет гения». Но миллионы талантливых музыкантов и художников так и не пробились — их не слышно.
• Коты, падающие с высоты (любопытный факт): Коты, упавшие с 5–6 этажей, часто получают больше травм, чем с 10+ этажей. Выжившие после высокого падения — те, кто успел расслабиться и распределить удар. Те, кто погиб при падении с малой высоты, не входят в статистику выживших.
• Долголетие: Средняя продолжительность жизни в прошлом кажется ниже, потому что многие дети не доживали до взрослого возраста — выжившие до старости искажают картину.

Критика, ограничения и связь с другими эффектами​

• Survivorship bias часто путают с selection bias в целом или cherry-picking (выборочным подбором данных). Разница: survivorship — это когда фильтр именно «выживание/существование на момент анализа».
• Он усиливает другие искажения: confirmation bias (мы ищем подтверждения своим идеям только среди победителей), hindsight bias («я всегда знал, что так будет»).
• Ограничение: не всегда неудачи полностью невидимы. В современных данных (базы стартапов вроде Crunchbase, graveyard-списки) их можно частично учесть, но полностью — редко.

Практическое значение и как бороться​

Эффект выжившего особенно опасен в:

• Принятии решений о карьере, инвестициях, бизнесе.
• Чтении биографий и «секретов успеха».
• Оценке стратегий (маркетинг, трейдинг, образование).

Как минимизировать:

• Задавайте вопрос: «Какие данные о невыживших я могу получить или хотя бы оценить?»
• Ищите «кладбища» — списки провалившихся компаний, закрытых фондов, неуспешных проектов в той же нише.
• Используйте полные датасеты (включая delisted компании).
• Помните о base rate (базовой частоте): 90–99% провалов — это норма, а не исключение.
• При анализе успеха спрашивайте: «Что делали те, кто пытался то же самое и не преуспел?»
• В бизнесе и VC: изучайте post-mortems провалов, а не только success stories.

Эффект выжившего — мощное напоминание, что успех часто выглядит неизбежным только задним числом, а реальность полна невидимых неудач. Он учит скептицизму к красивым историям и уважению к роли удачи, тайминга и скрытых факторов.