Survivorship Bias
Survivorship Bias ist die Neigung, für Analysen oder Handlungsempfehlungen nur die positiven Beispiele heranzuziehen, also Dinge oder Menschen, die einen bestimmten Prozess überstanden bzw. überlebt (survived) haben.
Wenn man z.B. auf Firmengründungen schaut und nach dem Erfolgsmodellen von Menschen wie Steve Jobs und Bill Gates forscht, aber vergisst, dass zur gleichen Zeit viele Gründungen mit ähnlichen Geschäftsmodellen eben nicht zu Multi-Milliarden-Unternehmen geworden sind.
Das Konzept geht auf den ungarischen Mathematiker Abraham Wald zurück, der vor den Nazis nach Amerika fliehen musste und dort seine Fähigkeiten in den Dienst der Army stellte. Die wollte ihre Bomber besser schützen und zog dafür Auswertungen heran, die zeigten, wo die Maschinen Einschusslöcher aufwiesen. Die Empfehlung sollte sein, die Stellen mit besonders vielen Einschusslöchern besser zu panzern.
Wald wies darauf hin, dass man ja nur die Treffer an Flugzeugen auswerte, die aus dem Einsatz zurückkehrt seien (die Survivor). Man müsse sich aber vielmehr um die Stellen ohne Einschusslöcher kümmern! Denn dort sind die Flugzeuge getroffen worden, die nicht mehr aus dem Einsatz zurückkehrt sind.
One of his greatest and most famous contributions was to help the Allies figure out how to better-protect planes from enemy artillery. The dilemma was that adding armor to the plane also slowed it down and increased the fuel it consumed. The researchers needed to figure out where putting armor would have the greatest effect.
Planes coming back from bombing campaigns were often riddled with bullet holes. While many reasoned that the armor should be focused on the areas of the plane where bullets tended to land the most, Wald suggested that they consider the areas of returning planes that bullets seemingly weren’t hitting, notably the engine. After all, the planes they were examining were only the ones that had survived — they weren’t looking at the ones that had been shot down.
Abraham Wald: A Statistical Hero