NEM53 · Not Enough Meaning
Survivorship Bias
Beispiel
Jungunternehmer Max liest begeistert die Biografie von Steve Jobs. Er erfährt, dass Jobs das College abgebrochen hat und trotzdem Apple gründete. Inspiriert denkt Max: "College-Abbruch führt zum Erfolg! Ich sollte auch abbrechen und ein Startup gründen!" Was Max übersieht: Auf einen erfolgreichen Steve Jobs kommen tausende gescheiterte College-Abbrecher, deren Geschichten niemand kennt. Er sieht nur die sichtbaren Erfolge, nicht die unsichtbaren Misserfolge. Die gescheiterten Unternehmer schreiben keine Bestseller-Biografien und halten keine inspirierende Reden. Max analysiert eine extrem verzerrte Stichprobe - nur die "Überlebenden" des unternehmerischen Darwinismus. Die tatsächlichen Erfolgsraten und Risiken bleiben verborgen, weil Misserfolge unsichtbar sind.
Was ist dieser Effekt?
Survivorship Bias ist ein logischer Fehler, bei dem man sich auf erfolgreiche Fälle konzentriert und dabei die Fehlschläge übersieht, was zu fundamental verzerrten Schlussfolgerungen führt. Ein historisches Beispiel: Im Zweiten Weltkrieg analysierte man beschädigte Bomber, die zurückkehrten, um zu entscheiden, wo man sie verstärken sollte. Der Statistiker Abraham Wald erkannte: Man musste die Stellen verstärken, die bei zurückgekehrten Flugzeugen NICHT getroffen waren - denn Treffer dort führten zum Absturz, diese Flugzeuge kehrten nicht zurück. Die Analyse nur der "Überlebenden" führt zu gegenteiligen Schlüssen.
Warum ist das eine Verzerrung?
Diese Denkweise verzerrt systematisch unsere Bewertung von Erfolg, Risiko und Kausalität. Wir ziehen Lehren aus erfolgreichen Fällen, ohne die gescheiterten zu kennen - und übersehen, dass beide Gruppen dieselben Strategien verwendet haben könnten. Die Verzerrung führt zu gefährlichen Fehlschlüssen: "Raucher können alt werden" (wir sehen die Überlebenden, nicht die an Lungenkrebs Verstorbenen), "Diese Strategie funktioniert" (wir sehen die Erfolgreichen, nicht die Gescheiterten mit derselben Strategie). Der Bias betrifft Investitionen, Karriereplanung, Gesundheitsentscheidungen und Geschäftsstrategien. Er zeigt, warum repräsentative Daten wichtiger sind als inspirierende Erfolgsgeschichten - die Wahrheit liegt oft bei den Unsichtbaren.