# 생존 편향 (Survivorship Bias)

승자의 데이터만 모으다간 정작 중요한 패인을 놓칠 수 있다

# 정의

살아남은 존재만 데이터로 간주하고, 실패해 사라진 것들은 표본에서 제외하는 인지적 오류

전체 데이터 중 성공한 부류만 분석하기 때문에 결과가 왜곡될 수 밖에 없다

보이지 않는 실패 데이터를 무시한 채 성공 공식만 도출하면, 현실과 동떨어진 위험한 결론에 도달하게 된다

# 유래

제2차 세계대전 당시 통계학자 아브라함 발드(Abraham Wald)의 일화

전장에서 돌아온 전투기들의 총탄 자국을 분석해 구멍이 많이 난 날개와 동체를 보강하려 했다

하지만 발드는 정반대의 '진짜 보강해야 할 곳은 총알 자국이 없는 엔진, 그곳에 맞은 비행기들은 이미 추락해 돌아오지 못했기 때문이다' 라는 주장을 펼쳤음

그의 통찰은 생존 편향을 극복한 전설적인 사례이다

# 활용

서비스의 헤비 유저나 성공적인 경험을 한 유저의 목소리만 들을 것이 아니라, 중도 이탈한 유저의 흔적을 추적해야한다

- **이탈 유저 분석 : 
- **우리 서비스를 잘 쓰고 있는 사람들의 인터뷰도 중요하지만, 가입 직후 이탈한 사람들은 어디서 막혀 나간 것인지를 보아야 한다

- **부정적 피드백의 재발견 :
- ** 평점이 높다고 안주하지 말고, 평점을 남기지도 않고 조용히 우리 서비스를 삭제하는 다수의 침묵하는 실패자들이 겪은 불편함을 데이터를 통해 찾아내야 한다

- **편중된 벤치마킹 경계 :
- **시장에서 성공한 서비스의 UI/UX를 그대로 따라하기 전, 비슷한 시도를 했다가 사라진 수 많은 서비스들이 왜 실패했는지 그 무덤 속의 데이터를 뒤져보아야 한다

> 보이는 것이 전부라고 믿는 위험한 착각

화려한 성공 사례, 높은 유저 만족도 뒤에 숨겨진 '보이지 않는 실패 데이터'까지 읽어낼 줄 알아야 한다

For the site tree, see the [root Markdown](https://slashpage.com/haleys-archive.md).