话说，当年我刚毕业开始工作的时候，总觉得作为一名软件工程师，只要做好程序设计工作就万事大吉了。可是，我工作出的第一个大丑，却不是因为程序设计技术不行，而是不懂统计学闹出的笑话。下面，我就把这个故事分享给你。
数据的亮眼表现只是泡沫？
那时，我刚刚毕业。进入硅谷工作两个月后，我人生中第一个重大项目终于完成了。这天傍晚下班前，我们决定向全球发布这个新功能。新功能上线后，效果真的非常不错，我们可以清晰地看到各项指标疯狂上涨，短短几个小时，就已经达到了我们对这个季度的业务预期。于是，我就开心得早早回家庆祝了。
第二天早上到公司，我发现，我们团队办公桌旁边墙上挂的数据大屏幕居然坏了——因为数据太好，让显示系统崩溃了。我暗自笑笑，悠闲地去吃了个全套英式早餐，之后，优雅地边喝茶边发了内部捷报——新产品上线，12小时打破历史记录。
然后，就是各种人故意路过我的办公桌，给我打招呼恭喜。毕竟，一个刚到职的毕业生，能在两个月内能取得这样的成绩十分难得。很快，到下班时间了，当我即将欢快地唱起《难忘今宵》并阖上计算机离开的时候，突然，产品经理给我发消息——“又是祝贺的消息吧？”我想，“哎，年少成名真的好烦。”——可我定睛一看，这是一个新建的工作群组，群组名称是“事故调查”，我一下就懵了。
项目的戏剧性转折：以为获得令人称羡的成果，却遭客户投诉
打开群聊一看：“Han，你的产品，出事了。”我的第一个反应就是：啥？不对，不可能，我不信！因为，我可是监测了一天回测数据，全都正常啊！我当然不可能就这样接受这个消息，毕竟，捷报我都发了，现在有问题，真的是啪啪打脸啊！
但是，事实果然如此：客服部门收到大量用户投诉，一大部分用户的App无法正常使用了。通过事故运行记录分析，确实是因为我写的那部分程序代码出了问题。我只能紧急地把新产品下线，灰溜溜地低下了头。这时，我再看同事的目光，隐隐觉得他们的眼神里流露着嘲笑和讽刺。
哎，工作以后第一次炫耀，就这么失败了，以出丑告终。
出了事，就要调查原因。可是，我自己搞了好几天都没什么进展。因为真的是，所有传回来的数据都表示，用户没有任何异常呀！这几乎是一个悖论：数据显示没问题，但是用户就是会投诉有问题。
肯定是哪里出错了。
直到有一天我去公司的咖啡厅，和同事Tommy闲聊。他问起我的近况，我就说了这件事。之后，Tommy语重心长地跟我说：“Han，你听说过幸存者偏差（survivorship bias）吗？”
用“幸存者偏差”解释错误认知生成的原因
Tommy跟我说，在第二次世界大战的时候，英国空军为了减少伤亡，分析了所有飞回来的战斗机的中弹统计，如下图所示。
人们发现，安全回来的战斗机，都是机翼上弹痕多，而机头和机身的弹痕分布都不明显。因此，大家普遍都觉得，为了加固飞机，应该重点关注机翼位置。这时，一个统计学教授亚伯拉罕．沃尔德（Abraham Wald）却说，不对，最应该加强的部分，不应该是有很多弹痕的地方，而应该是机头和机身。因为一旦机头和机身中弹，整个飞机会损坏严重而被击落，根本就没有机会飞回来。
听完之后，我灵光乍现，赶紧回去重新调查我的事故。
最终发现，原来，只有对于那些没问题的用户，产品数据才会被成功传回来，系统才有记录。而对于那些App有问题的用户，因为App会直接闪退，相关的数据回传程序代码不会运行，因此我们后台根本没有得到任何回传数据！其实，它们就是那些被提前击落的战机啊！所以，这才造成了后端检测数据一切正常的假象。
“幸存者偏差”在生活中的案例数不清
“幸存者偏差”是一个典型的统计学“统计偏差”概念，也是一个可以在生活中广泛应用的原理，也可以被理解成“沉默的大多数”理论。其实质就是，在进行统计分析的时候，人们忽略了样本的随机性和全面性而造成了错误。因为人们只对部分人做了分析，从而得出了错误的结论。而在真实生活和工作中，往往就是因为一部分人没有发声，或者不能发声，从而让幸存者偏差更容易产生，我们一定要多多注意。
例如“读书无用论”经常充斥在我们耳边。经常有人会说“读书有什么用，你看谁谁谁，连小学都没毕业，不还是成功了。”其实，绝大部分失败者因为并没有被媒体报道，而自己又没有能力发声被公众注意，就等于被迫选择了沉默，最终大众并没有办法知道。如果能够得到完整数据，并且计算确切的比例，我们可以发现，那些获得高学历的人，其实成功的几率更大。
还有，“飞机太不安全了，一天天总出事故”也是错的。飞机是目前人类发明的最安全的交通工具，只不过是因为大部分空难都会被报道，让你知道了，所以你觉得飞机出事的几率很高。而其他的如汽车等交通工具的事故，大多数并没有被报道，因此就有了误解。
另外，身边还会经常出现这种现象：一部电影在影评网站上得分很差，可是周围朋友对其评价还不错。其实这同上面说的是一样的道理。因为觉得电影“还能看得过去”的人，并不会在影评网站发布评论，反而是那些觉得电影很差的人，会怒气冲冲地到网站上打上很低的分数。
再比如，“爱笑的女生运气都不会差”，其实，运气差的话根本笑不出来。还有，“为什么爸妈不挑食”，因为他们在买菜的时候，都已经挑过了。
职场上也存在“幸存者偏差”？
幸存者偏差在网络工作中应用非常广泛。那么怎么避免幸存者偏差呢？
首先，你的脑海中要时刻记着这个概念，千万不要轻易地掉进统计偏差的陷阱。如果你是一位设计师或者产品经理，经常在产品后台收到用户对一些功能提出的改进建议。那么，你要不要立刻就听他们的呢？其实，那些对产品满意的用户，都已经选择了沉默。这时，你就要看看，这些“沉默的”人，是不是大多数了。你只需看看实际的整体用户数据，计算一下，到底有多少比例的用户在抱怨，你很快就会有答案。
再比如，你是一名新媒体小编，经营着一个脸书粉丝专页。有时候，对于阅读量还不错的文章，却发现收到了一些负面评价。这时，你可能会有点失望。我在写我的原创公众号“涵的硅谷增长笔记”时，一开始也常会有这个困扰。但后来我发现，文章阅读量高，本来就已经说明有很多人认可你的观点并且转发了，那些寥寥无几的负面评价，真的只是少数，不能代表全部读者的行为。你应该让自己的目光，多多注意到那些喜爱你的人身上。
在我们涉及那些要对“很多人”进行统计分析的时候，想想统计的样本是不是“完全”且没有“偏差”，是不是有某些样本不能或者很难进入统计。只有做到这样，我们才能有效避免偏差对工作带来的影响。
其他常见的统计偏差类型
除了幸存者偏差，下面再介绍其他三个常见的统计偏差案例。
1. 回忆偏差（recall bias）
它是指人们对于自己过去的评价，会因当前状况的不同而产生变化。
例如两个当年英语成绩都是100分的孩子，多年以后，一个出国留学了，另一个在发展。他们对自己小的时候的英语能力评判，往往是不一致的。那个出国留学的孩子，很可能印象中自己的英语从小就很好；而另一个在发展的孩子，很可能认为自己从小英语就不好。可事实是两个人小时候英语分数都很高。
查尔斯．惠伦（Charles Wheelan）在他的书《聪明学统计的13又1/2堂课》（Naked statistics）中，介绍了一个很著名的实验。1993年，一名哈佛大学的研究者进行了一项实验。有两组妇女，一组患有乳腺癌，而另一组健康。通过调查发现，患有乳腺癌的妇女，相比健康妇女，在她们年轻时有显著的高脂肪饮食习惯。
但是，这其实并不是一项医疗研究，而是统计偏差实验。
研究者早在多年前，就已经对两组妇女的所有人进行了饮食习惯的记录。而那时，她们均身体健康，而且她们的饮食习惯其实都很清淡。但是，多年以后，当一部分妇女遗憾地患病以后，她们对早年的自身行为居然有了偏差。她们会把当前身体患病的一部分原因，归结于年轻时吃饭过于油腻。可见，患病不仅改变了这些妇女的现在、未来，甚至还改变了她们脑海中对于过去的记忆。
2. 健康者偏差（healthy user bias）
它是指选择的实验受试者本身的行为，对实验结果影响更大。
来看一个著名的“紫色睡衣”实验。
有这样一个统计结果：98%的哈佛毕业生，在他们小时候都穿过紫色睡衣。而在麻省监狱的犯人，只有3%的人在小时候穿过紫色睡衣。于是，人们得出结论：小时候穿紫色睡衣对个人发展十分重要，国家因此强制要求所有人在小时候穿紫色睡衣。
这科学吗？显然不。
紫色睡衣不重要，让孩子穿上这些睡衣的父母和家庭才重要——他们往往是经济条件和教育资源更好的家庭。正如《纽约时报》（The New York Times）健康专栏作家盖瑞．陶布斯（Gary Taubes）解释的那样：“简单地说，按医嘱服药或吃他们认为有益健康的食物的人，跟那些不这样做的人，有着根本上的不同。”
3. 发布机会偏差（publication bias）
媒体界流传一句话：“好事不出门，坏事传千里”。通常，一个公司或者名人的负面新闻，一定比正面消息传播得更广泛。因为人们喜欢八卦，更有人“唯恐天下不乱”。久而久之，为了流量，很多媒体就会偏向于发布负面内容，而对那些正向的或常规的新闻报道视而不见。
这样，就造成了信息传播本身的偏误。例如，你是一名科学家，做了一项统计调查，最终发现：小时候去网吧，对青少年近视其实没有太大影响。那这篇报道就很有可能无法刊登，因为和“网吧对青少年有害”这样的普遍负面认知不符。如果你切换几个采样对象，其实容易改变统计结论，变成“去网吧，会有很大几率造成青少年近视”就好了，再配上一个“网吧，正摧毁亿万青少年”的标题，那么这篇报道的阅读量一定会超过10万。
所以，因为发布偏差，公众日常接受的很多报道，尤其是负面报道，几乎都不能代表某个实例或者企业的全部真实信息，我们应当尽量保持理智和客观的态度对待公关事件。