我剛工作就出醜，只因不懂統計學
從一件糗事說起
話說，當年我剛畢業開始工作的時候，總覺得作為一名軟體工程師，只要做好程式設計工作就萬事大吉了。可是，我工作出的第一個大醜，卻不是因為程式設計技術不行，而是不懂統計學鬧出的笑話。下面，我就把這個故事分享給你。
那時，我剛剛畢業。進入矽谷工作兩個月後，我人生中第一個重大專案終於完成了。這天傍晚下班前，我們決定向全球發布這個新功能。新功能上線後，效果真的非常不錯，我們可以清晰地看到各項指標瘋狂上漲，短短幾個小時，就已經達到了我們對這個季度的業務預期。於是，我就開心得早早回家慶祝了。
第二天早上到公司，我發現，我們團隊辦公桌旁邊牆上掛的數據大螢幕居然壞了—因為數據太好，讓顯示系統崩潰了。我暗自笑笑，悠閒地去吃了個全套英式早餐，之後，優雅地邊喝茶邊發了內部捷報—新產品上線，12 小時打破歷史紀錄。
然後，就是各種人故意路過我的辦公桌，給我打招呼恭喜。畢竟，一個剛到職的畢業生，能在兩個月內能取得這樣的成績十分難得。很快，到下班時間了，當我即將歡快地唱起《難忘今宵》並闔上電腦離開的時候，突然，產品經理給我發訊息—「又是祝賀的消息吧？」我想，「哎，年少成名真的好煩。」——可我定睛一看，這是一個新建的工作群組，群組名稱是「事故調查」，我一下就懵了。
打開群聊一看：「Han，你的產品，出事了。」我的第一個反應就是：啥？不對，不可能，我不信！因為，我可是監測了一天回測數據，全都正常啊！我當然不可能就這樣接受這個消息，畢竟，捷報我都發了，現在有問題，真的是啪啪打臉啊！
但是，事實果然如此：客服部門收到大量用戶投訴，一大部分用戶的App 無法正常使用了。透過事故運行紀錄分析，確實是因為我寫的那部分程式碼出了問題。我只能緊急地把新產品下線，灰溜溜地低下了頭。這時，我再看同事的目光，隱隱覺得他們的眼神裡流露著嘲笑和諷刺。
哎，工作以後第一次炫耀，就這麼失敗了，以出醜告終。
出了事，就要調查原因。可是，我自己搞了好幾天都沒什麼進展。因為真的是，所有傳回來的數據都表示，用戶沒有任何異常呀！這幾乎是一個悖論：數據顯示沒問題，但是用戶就是會投訴有問題。
肯定是哪裡出錯了。
直到有一天我去公司的咖啡廳，和同事Tommy 閒聊。他問起我的近況，我就說了這件事。之後，Tommy 語重心長地跟我說：「Han，你聽說過倖存者偏差（survivorship bias）嗎？」
倖存者偏差
Tommy 跟我說，在第二次世界大戰的時候，英國空軍為了減少傷亡，分析了所有飛回來的戰鬥機的中彈統計，如下圖所示。
人們發現，安全回來的戰鬥機，都是機翼上彈痕多，而機頭和機身的彈痕分布都不明顯。因此，大家普遍都覺得，為了加固飛機，應該重點關注機翼位置。這時，一個統計學教授亞伯拉罕．沃爾德（Abraham Wald）卻說，不對，最應該加強的部分，不應該是有很多彈痕的地方，而應該是機頭和機身。因為一旦機頭和機身中彈，整個飛機會損壞嚴重而被擊落，根本就沒有機會飛回來。
聽完之後，我靈光乍現，趕緊回去重新調查我的事故。
最終發現，原來，只有對於那些沒問題的用戶，產品數據才會被成功傳回來，系統才有記錄。而對於那些App有問題的用戶，因為App會直接閃退，相關的數據回傳程式碼不會運行，因此我們後台根本沒有得到任何回傳數據！其實，它們就是那些被提前擊落的戰機啊！所以，這才造成了後端檢測數據一切正常的假象。
「倖存者偏差」是一個典型的統計學「統計偏差」概念，也是一個可以在生活中廣泛應用的原理，也可以被理解成「沉默的大多數」理論。其實質就是，在進行統計分析的時候，人們忽略了樣本的隨機性和全面性而造成了錯誤。因為人們只對部分人做了分析，從而得出了錯誤的結論。而在真實生活和工作中，往往就是因為一部分人沒有發聲，或者不能發聲，從而讓倖存者偏差更容易產生，我們一定要多多注意。
例如「讀書無用論」經常充斥在我們耳邊。經常有人會說「讀書有什麼用，你看誰誰誰，連小學都沒畢業，不還是成功了。」其實，絕大部分失敗者因為並沒有被媒體報導，而自己又沒有能力發聲被公眾注意，就等於被迫選擇了沉默，最終大眾並沒有辦法知道。如果能夠得到完整數據，並且計算確切的比例，我們可以發現，那些獲得高學歷的人，其實成功的機率更大。
還有，「飛機太不安全了，一天天總出事故」也是錯的。飛機是目前人類發明的最安全的交通工具，只不過是因為大部分空難都會被報導，讓你知道了，所以你覺得飛機出事的機率很高。而其他的如汽車等交通工具的事故，大多數並沒有被報導，因此就有了誤解。
另外，身邊還會經常出現這種現象：一部電影在影評網站上得分很差，可是周圍朋友對其評價還不錯。其實這同上面說的是一樣的道理。因為覺得電影「還能看得過去」的人，並不會在影評網站發表評論，反而是那些覺得電影很差的人，會怒氣沖沖地到網站上打上很低的分數。
再比如，「愛笑的女生運氣都不會差」，其實，運氣差的話根本笑不出來。還有，「為什麼爸媽不挑食」，因為他們在買菜的時候，都已經挑過了。
應用實戰
倖存者偏差在互聯網工作中應用非常廣泛。那麼怎麼避免倖存者偏差呢？首先，你的腦海中要時刻記著這個概念，千萬不要輕易地掉進統計偏差的陷阱。如果你是一位設計師或者產品經理，經常在產品後台收到用戶對一些功能提出的改進建議。那麼，你要不要立刻就聽他們的呢？其實，那些對產品滿意的用戶，都已經選擇了沉默。這時，你就要看看，這些「沉默的」人，是不是大多數了。你只需看看實際的整體用戶數據，計算一下，到底有多少比例的用戶在抱怨，你很快就會有答案。
再比如，你是一名新媒體小編，經營著一個臉書粉絲專頁。有時候，對於閱讀量還不錯的文章，卻發現收到了一些負面評價。這時，你可能會有點失望。我在寫我的原創公眾號「涵的硅谷成長筆記」時，一開始也常會有這個困擾。但後來我發現，文章閱讀量高，本來就已經說明有很多人認可你的觀點並且轉發了，那些寥寥無幾的負面評價，真的只是少數，不能代表全部讀者的行為。你應該讓自己的目光，多多注意到那些喜愛你的人身上。
在我們涉及那些要對「很多人」進行統計分析的時候，想想統計的樣本是不是「完全」且沒有「偏差」，是不是有某些樣本不能或者很難進入統計。只有做到這樣，我們才能有效避免偏差對工作帶來的影響。
本文摘錄自《矽谷思維》，寶鼎出版。