什么是幸存者偏差？定义和数据分析里的例子

什么是幸存者偏差？

幸存者偏差是只根据通过了某道筛选的样本下结论，而被筛掉的那些不在数据里。因为看不到失败的样本，幸存者身上的特征就显得像是他们活下来的原因。

经典例子来自二战。分析人员统计返航轰炸机上的弹孔分布，提议在弹孔密集的地方加装甲。统计学家亚伯拉罕·瓦尔德的看法正好相反：被打中发动机的飞机没能飞回来，所以返航飞机上没有弹孔的部位，才是真正脆弱的地方。

数据分析里常见的四种情况

1. 「优质客户都在做什么？」 你研究高频用户，发现大多数都接了集成。可很多流失用户也试过集成，只是你没去看他们。
2. 问卷和 NPS。 你只调研现有客户，因为价格或 bug 离开的人不在名单上，分数看起来比产品实际好。
3. 热门内容。 至今还有流量的老文章标题都很长，于是得出「长标题有效」。那些标题也很长却没流量的文章，早被删掉或从没排上去。
4. 案例和打法总结。 「独角兽都做了 X」，却没算上做了 X 但失败的公司。

一个同期群示例

团队查看注册 60 天后仍活跃的用户（示例数字）：

只看留下的人，「72% 用过功能 A」听起来信号很强。看完整同期群信息更多：用过功能 A 的 300 人里留下 130 人（43%），没用过的 700 人里留下 50 人（7%）。这个差距才是该比的东西，而且在说它是因果之前，还要排查混杂变量。

怎么纠正幸存者偏差

• 从漏斗起点定义人群。 在入口处圈人（全部注册用户、某个活动带来的全部访客），而不是在终点。
• 把掉队的人留下。 给流失或没激活的用户单独建一组，做同样的分析。
• 比比率，不比赢家里的占比。 问「做了 X 的人里有多少留下了」，而不是「留下的人里有多少做了 X」。
• 留意被删掉、被过滤的数据。 删掉的页面、归档的活动、到期清理的数据，都会悄悄把失败样本拿走。

在 TapCub 里排查

留存分析从同期群的起始日期出发，显示每个周期还有多少人活跃，离开的人一直留在分母里。在分群里建两个规则分群：首周做过关键行为的用户、没做过的用户，再对比两组的留存。分群支持「没做过」条件，流失用户分群也很容易建。另见相关与因果。