幸存者偏差（Survivorship bias）是一种常见的逻辑谬误，意思是没有考虑到筛选的过程，忽略了被筛选掉的关键信息，只看到经过筛选后而产生的结果。

先讲个故事。

二战时，无奈德国空防强大，盟军战机损毁严重。于是军方便找来科学家统计飞机受损情况，以便进行改进。

军方一开始是要求在弹孔密集处加强装甲，想想没毛病啊，中弹多的地方理应加强防护。

可是这时候一个统计学家站出来 —— 实名反对以上答案！

应该在中弹少的部位加装装甲！

• 因为没被击中要害部位的飞机才能返航，进入统计样本
• 中弹多的部位依然返航了，说明这些地方并不是致命伤
• 而弹孔少的部位中弹的飞机，都因为被击落而飞不回来

故事有美化，但论文还是真实存在的：

A Method of Estimating Plane Vulnerability Based on Damage of Survivors

一种根据幸存飞机损伤情况推测飞机要害部位的方法。

这位统计学家叫 Abraham Wald。

幸存者偏差的本质就是 选择偏倚。

类比到互联网行业中，目标市场的每一个潜在用户都是一架飞机。

然后，每一个节点，包括但不仅限于一条糟糕的广告、一次不畅的沟通、一场流于形式的会议，都会是一枚枚子弹。

而穿越了层层阻碍成功注册使用你的产品的用户，就是安全飞回来的飞机。

那么，你收集到的反馈来自哪里？

答案已经不言自明。

你最容易得到反馈的人，恰恰是经常使用产品的人。

你最能知晓的产品问题，都是那些打在非致命伤上的弹孔而已。

当然，对于一个成熟的产品，用户量足够（飞回来的飞机够多）可以不用过于担心流失的用户，直接定义为非用户群即可。

但是对于一个新生的产品，这就是个大问题了。我应该在哪里加强我的装甲，我如何把有限的资源进行更优配置？

幸存者偏差直接影响的就是新产品的功能迭代。

功能迭代一般都从最容易收集到反馈的用户那里获得。

通过询问 the current top users 最希望在产品中看到哪些改进，从而构建新功能。