点击上方蓝色【数据攻略】关注+星标~

第一时间获取最新内容

大家好，我是六哥~

本篇是六哥分享 『日常工作』 干货的第四篇。

提到 “ 幸存者偏差 ” 这一词

大伙儿或许都听过，也都知道大致是什么含义。

但实际在工作中，

很多数据分析师都会落入此“ 陷阱 ”，被数据表象 “ 蒙骗 ”；

同样，在生活中，亦如此。

很多人做选择、做决定，常常在不知觉中被部分参考信息 “ 带偏 ”。

本篇，就用大白话的方式

结合实例，来唠一唠：

什么是 “幸存者”偏差？有啥问题？如何避免？

（附日常工作case）

一、啥是幸存者偏差

    【1】经典案例

    【2】如何理解

三、有啥危害

四、常见工作Case

五、如何避免

（ 文末有六哥的一点小感悟）

【1】经典案例

大概意思就是说：

战争时期，英法两国空战损失的轰炸机和飞行员很多。为增强轰炸机防御能力、降低损失，决定对飞机加固，但由于技术有限，只能选择最脆弱区域增加装甲。

针对在哪个位置加固产生了分歧。

▼ 军方认为：从 返回的 轰炸机发现飞机上的弹孔主要集中在机身中央和机翼。因此研究人员提出，在这些部位添加装甲。

而大部分坠毁的轰炸机（无法得到观测样本）应当是座舱和机尾受到了严重损伤。因此必须加厚座舱和机尾的装甲。

从中可以看出，军方从“幸存飞机”研究的特征，当然无法代表“坠毁飞机” 整体特征，所以导致所得结论有误。

以下引自官方定义：

幸存者偏差（Survivorship Bias）指的是人通常会注意到某种经过筛选之后所产生的结果，同时忽略了这个筛选的过程，而被忽略的过程往往包含着关键性的信息。

【2】如何理解

有两种方式可以辅助理解：

• 概率角度：条件概率。即，通常看到的结果，其实隐含前提假设，导致最终结论成立的条件被忽视掩盖；
• 样本角度：样本的代表性。即，观察到的部分样本，极有可能有偏，无法代表整体样本空间的特征，导致“以偏概全”的现象发生；

由于观察的对象只是总群体中的某一切面

很有可能只是一小撮“典型”

所以“管中窥豹”的方式导致可能落入 “幸存者偏差” 的陷阱。

造成此问题的出现，主要是因为：

• 对所遇场景不熟悉、缺乏识别能力，导致无法察觉到关键信息的决定性作用；

• 缺乏全局思想和整体概念，没习惯 “思前想后、追根溯源” 的分析思维，导致未捕获到样本的完整性、代表性可能缺失的隐患。

不言而喻，理解了为啥会出现后

就知道可能带来的损失有哪些。

▼ 生活中，给判断、做决定，盲目乐观，极易与个人最初目标背道相驰。

下面说2个工作中常遇到的经典案例：

经典Case1: 流失用户已静默

▼ 分析 & 启示：

原因就在于，那些对平台功能、产品不满意的用户早已流失，

分析师却将分析的重点仅放在了还在平台的高活跃用户身上。

所以，为了策略整体效果

除了分析高活跃用户的行为，

经典Case2：发券策略虚假繁荣

▼ 分析 & 启示：

首先应该明确业务的核心目标群体是什么；

然后判断筛选后的群体 所被隐藏的 筛选条件，是否影响数据结论；

比如，可以辅助从用券数量（量级角度）摸底了解影响面，确保样本的完整性、代表性，而非直接使用 用券率 这种比率型指标，忽略量级，导致有失偏颇的结论发生。

最后再进行进一步分析、下结论。

分析前，确保样本的随机性和完整代表性：

• 样本随机性：分析下结论的过程中，必须确保统计的样本和未统计的样本不存在偏差，确保样本选取的随机性。

• 样本完整性：基于某种筛选的出来的样本分析得到的数据结果往往不可信，所以不要从一组不完整的数据中得出结论。要养成检测样本完整性、代表性的习惯。

分析中，保证客观公正的态度，学会自查验证：

• 客观姿态：在分析的过程中，往往更容易接受自己“期望”的结果。所以要始终保持客观公正态度，不能轻信所谓的直觉。
• 自查验证：
• 交叉验证：可以从多个维度进行交叉论证展开得到结论。

• 剩余样本：重视未使用样本，在分析的过程中，思考未使用样本的数据对当前结论是否有决定性的影响。这一步的论证非常依赖对业务的理解和把握。

【写到最后的一点感悟】

很多人做选择（包括我自己）

通常只会看到 面儿上 的 “优胜” 信息

经常性忽视深藏 里儿的 “劣汰”信息

我总认为，他人成功的参考信息，

可能多少夹杂着些无法复制的主观因素。

才是真正能帮助绝大多数刚起步的普通人，如何避坑避雷，走好关键的第一步

共勉。

Ps. 微信推文改了规则

看完记得点个 “赞”  和 “在看” ~

不然我会消失的

如若盼 追更 【日常学习】干货系列 

欢迎大家转发，点亮在看

往期好文推荐