Pensa per un momento di partecipare a una gigantesca lotteria dove le possibilità di vincere sono una su un milione.
Dopo l’estrazione, se chiedessi al vincitore i suoi segreti per il successo, potresti essere indotto a pensare che vincere sia facile.
Ma questa conclusione sarebbe basata su un fondamentale errore di valutazione, un inganno noto come il bias del sopravvissuto o survivorship bias.
Questo particolare tipo di errore ci porta a concentrarci esclusivamente su chi ha avuto successo, tralasciando completamente le storie di chi non ce l’ha fatta.
Di conseguenza, finiamo per avere una visione distorta della realtà, perché ignoriamo una parte significativa dell’informazione, concentrandoci solo su chi “ce l’ha fatta“, trascurando coloro che non sono stati così fortunati.
Questo può portarci a conclusioni sbagliate perché non stiamo considerando l’intera storia.
Per capire meglio, facciamo un salto indietro nel tempo, durante la Seconda Guerra Mondiale.
Il gruppo di ricerca statistica della Columbia University, guidato dallo statistico Abraham Wald, si trovò di fronte a un dilemma: come ridurre al minimo le perdite dei bombardieri sotto il fuoco nemico?
Guardando l’immagine precedente possiamo vedere con i puntini rossi le zone colpite sugli aerei.
Inizialmente, questi segnali visivi avevano portato i militari a pensare che fosse necessario rinforzare proprio queste parti, quelle più esposte al fuoco nemico.
Tuttavia, la proposta di Wald prendeva una direzione completamente differente.
Invece di concentrarsi sulle aree già colpite, egli suggerì di prestare maggiore attenzione alle parti intatte.
Wald riteneva che gli aerei che riuscivano a tornare nonostante i danni indicassero quali zone potessero essere colpite senza compromettere la missione.
Pertanto, le aree non danneggiate dovevano essere quelle cruciali per la sopravvivenza dell’aereo: se fossero state colpite, probabilmente l’aereo non sarebbe riuscito a fare ritorno.
Questa intuizione di Wald non solo salvò molte vite ma segnò anche una pietra miliare nello sviluppo della ricerca operativa, una disciplina che applica metodi analitici per prendere decisioni migliori.
Questo concetto ha un valore immenso anche al di fuori del contesto bellico, specialmente nell’era dell’analisi dei dati.
Concentrandosi solo sui “sopravvissuti“, ovvero sui dati che emergono dopo un processo di selezione – come le aziende che prosperano, gli studenti che completano gli studi, o i pazienti che superano una malattia – si rischia di trarre conclusioni ingannevoli.
Analizzare soltanto le storie di successo, ad esempio, può portarci a ignorare importanti lezioni dalle innumerevoli realtà che non hanno avuto la stessa fortuna.
Riconoscere il bias del sopravvissuto è cruciale per chi lavora con i dati, affinché le analisi siano complete e le decisioni prese siano informate e considerate.
In un mondo sempre più guidato dai dati, comprendere la storia completa è più importante che mai.
Comprendere il bias del sopravvissuto nell’analisi dati
Il bias del sopravvissuto può influenzare profondamente l’analisi dei dati, spingendo chi li analizza a conclusioni potenzialmente fuorvianti e non corrette.
Questo succede perché l’insieme dei dati considerati può non riflettere l’intera gamma di possibili esiti, ma soltanto quelli che sono emersi vincenti da un determinato filtro o processo di selezione.
Prendiamo, ad esempio, lo studio sui fattori che portano al successo delle startup tecnologiche.
Se ci limitiamo a raccogliere dati solamente da quelle startup che hanno ottenuto notevoli finanziamenti o sono state acquisite da grandi aziende, potremmo individuare alcuni pattern ricorrenti, come competenze specifiche nel team fondatore, un certo modello di business o l’impiego di tecnologie all’avanguardia.
Tuttavia, affidandoci esclusivamente a questo insieme di dati, finiamo per ignorare una vasta porzione di realtà altrettanto rilevanti: tutte quelle startup che, nonostante potessero vantare caratteristiche simili o persino superiori, non hanno conseguito lo stesso grado di successo a causa di circostanze avverse come un mercato non ricettivo, tempistiche non favorevoli o problemi legati al finanziamento.
Consideriamo ora il caso di un’azienda manifatturiera, specializzata nella produzione di componenti elettronici, che si propone di analizzare le prestazioni delle proprie linee produttive per identificare e replicare le pratiche delle linee più efficienti al fine di ottimizzare l’intero processo produttivo.
L’azienda inizia valutando le linee produttive in base ai risultati ottenuti negli ultimi sei mesi, focalizzandosi su quelle che hanno registrato meno fermi macchina e tempi di ciclo ridotti, presupponendo che queste rappresentino le “best practices” da emulare.
Questa scelta, però, costituisce un tipico esempio di bias del sopravvissuto: l’attenzione è rivolta solo alle linee che hanno già dimostrato ottime performance, trascurando quelle che, nonostante potenziali recenti miglioramenti o sfide affrontate, non hanno ancora avuto l’opportunità di mostrare i risultati a causa di un periodo di valutazione troppo ristretto.
Questo approccio rischia di portare a diverse conseguenze negative, tra cui la sovrastima dell’efficacia delle attuali procedure nelle linee considerate efficienti, ignorando fattori esterni che possono avere influito sul loro successo, come variazioni nella domanda o nella qualità delle materie prime, o ancora la presenza di personale particolarmente qualificato, difficile da replicare in altre circostanze.
Inoltre, si rischia di sottovalutare il potenziale di linee che hanno introdotto di recente innovazioni o miglioramenti, i cui effetti potrebbero non essere ancora pienamente visibili.
Queste potrebbero, se opportunamente valorizzate, superare in termini di efficienza quelle attualmente giudicate come tali, a patto di ricevere le stesse attenzioni e risorse.
Il bias del sopravvissuto rappresenta una trappola concettuale sottile ma potente che può distorcere l’analisi dei dati e, di conseguenza, le decisioni aziendali basate su questi ultimi.
Che si tratti di valutare il successo delle startup o di ottimizzare le linee produttive in un contesto manifatturiero, è fondamentale adottare un approccio olistico che consideri tanto i successi quanto i fallimenti o le sfide incontrate.
Riconoscere e mitigare il bias del sopravvissuto non è solo una questione di rigore analitico, ma è una pratica essenziale per garantire che le decisioni aziendali siano basate su un quadro realistico e completo della situazione.
Questo richiede di andare oltre i dati immediatamente disponibili o più evidenti, esplorando e comprendendo anche quelli meno visibili o apparentemente contraddittori.
L’adozione di un approccio più inclusivo nell’analisi dei dati non solo aiuta a evitare conclusioni errate ma apre anche la strada a scoperte innovative e a strategie più efficaci.
Comprendere e superare il bias del sopravvissuto è un passo cruciale verso la costruzione di un’organizzazione resiliente, capace di apprendere tanto dai propri successi quanto dai fallimenti.
Identificare e superare il bias del sopravvissuto
Il bias del sopravvissuto si può infiltrare nell’analisi dei dati in modo subdolo, piegando le conclusioni a suo favore e influenzando negativamente le decisioni che si basano su questi dati.
È quindi cruciale per chi lavora con dati e analisi imparare a riconoscerlo e a gestirlo adeguatamente.
Esploriamo qui alcune strategie efficaci per smascherarlo e neutralizzarlo.
Per iniziare, è fondamentale esaminare attentamente se il campione di dati scelto riflette in maniera fedele l’intera popolazione di interesse oppure se tende a escludere alcuni esiti o gruppi in maniera sistematica.
Una valutazione critica dei criteri attraverso cui i dati vengono inclusi o esclusi può rivelare la presenza di potenziali bias.
Confrontando gruppi diversi all’interno dello stesso insieme di dati, si possono identificare incongruenze che indicano un bias.
Se, ad esempio, ci concentriamo unicamente sui clienti attuali trascurando quelli del passato, potremmo scoprire che esistono differenze significative nei comportamenti o nelle preferenze che non avevamo considerato.
A volte, sono proprio le informazioni che mancano a suggerire la presenza di un bias.
La ricerca di lacune nei dati, dove informazioni su fallimenti, ritiri o altri tipi di insuccessi dovrebbero essere presenti, può indicare che stiamo ignorando una parte cruciale della realtà che stiamo analizzando.
Per affrontare e mitigare questi bias, possiamo avvalerci di metodi e pratiche specifiche.
L’analisi di sensibilità, ad esempio, è uno strumento potente per testare come piccole variazioni nei dati possono influenzare i risultati dell’analisi.
Questo approccio può rivelare se le nostre conclusioni rimangono solide sotto diversi scenari o se cambiano drasticamente alla luce di nuove informazioni, comprese quelle che inizialmente potrebbero essere state escluse.
Adottare strategie di campionamento che includano esplicitamente i casi di insuccesso o fallimento può aiutare a garantire che la nostra analisi consideri un ventaglio di esiti più ampio, riducendo così il rischio di giungere a conclusioni erronee.
Inoltre, l’implementazione di analisi controfattuali, che immaginano come gli eventi avrebbero potuto svolgersi in circostanze differenti, fornisce preziosi insight sugli effetti di vari scenari, anche quelli non direttamente osservati nei dati a nostra disposizione.
Attraverso queste strategie, possiamo migliorare significativamente l’integrità e l’affidabilità delle nostre analisi, evitando le distorsioni causate dal bias del sopravvissuto e assicurandoci che le decisioni prese siano informate e basate su una comprensione completa dei dati.
Bias del sopravvissuto: Titanic
Il naufragio del Titanic nel 1912 rappresenta un tragico evento storico che offre un esempio lampante di come il bias del sopravvissuto possa distorcere l’analisi dei dati.
Dati
- Passeggeri totali: 2.224
- Sopravvissuti: 705
- Morti: 1.519
Analisi superficiale
Esaminando solo i dati dei sopravvissuti, si potrebbe erroneamente concludere che:
- le donne avevano maggiori probabilità di sopravvivere rispetto agli uomini: 63% donne contro 20% uomini.
- I passeggeri di prima classe avevano maggiori probabilità di sopravvivere rispetto a quelli di seconda e terza classe: 66% contro 42% contro 25%.
Tuttavia, questa analisi non tiene conto di diversi fattori cruciali che hanno influenzato la sopravvivenza, come:
1. Distribuzione di sesso e classe sociale
- C’erano molte più donne che uomini a bordo del Titanic: circa 1.300 donne contro 890 uomini.
- Le scialuppe di salvataggio erano posizionate principalmente nelle aree di prima e seconda classe, rendendole meno accessibili ai passeggeri di terza classe.
2. Procedure di evacuazione
- Le donne e i bambini furono evacuati per primi.
- Gli uomini, in età lavorativa, furono invitati a rimanere a bordo e ad aiutare con l’evacuazione, sacrificando le proprie possibilità di sopravvivenza.
3. Fattori esterni
- La sopravvivenza poteva dipendere da altri fattori, come la posizione sulla nave, la capacità di nuotare o l’accesso alle scialuppe di salvataggio.
Il bias del sopravvissuto distorce l’analisi, facendo sembrare che le donne e i passeggeri di prima classe avessero maggiori probabilità di sopravvivere quando in realtà era dovuto a fattori esterni, come le procedure di evacuazione e la distribuzione di sesso e classe sociale a bordo.
L’analisi del Titanic evidenzia l’importanza di considerare tutti i dati disponibili e non solo quelli dei sopravvissuti.
Bisogna esaminare quindi i fattori che hanno influenzato la sopravvivenza e non limitarsi a guardare le statistiche grezze.
Un’analisi più accurata dovrebbe includere:
- il confronto dei tassi di sopravvivenza tra uomini e donne all’interno di ciascuna classe sociale;
- valutare l’impatto delle procedure di evacuazione sulla sopravvivenza;
- considerare altri fattori che potrebbero aver influenzato la sopravvivenza.
Il bias del sopravvissuto non è una sfida solo nell’analisi storica come quella del Titanic, ma un ostacolo in qualsiasi indagine dati.
La consapevolezza di questo bias e l’implementazione di strategie per mitigarlo sono cruciali per evitare conclusioni errate.
L’esame del caso del Titanic sottolinea l’importanza di adottare un punto di vista critico e onnicomprensivo, considerando tutti i fattori rilevanti per ottenere una comprensione completa e veritiera degli eventi.
Cosa fare per evitare il bias del sopravvissuto nelle tue analisi dati?
Riconoscere e affrontare questo bias non è solo una questione di accuratezza analitica, ma anche di integrità e responsabilità nell’interpretazione dei dati.
Il bias del sopravvissuto può manifestarsi in qualsiasi analisi di dati, indipendentemente dal campo di studio o dall’ambito applicativo.
Essere consapevoli della sua esistenza è il primo passo cruciale per affrontarlo efficacemente.
Una comprensione completa e accurata di qualsiasi fenomeno richiede l’analisi di tutti i dati disponibili, inclusi quelli che potrebbero sembrare contraddittori o che non si allineano con le aspettative o le conclusioni iniziali.
Mantenere un approccio critico e interrogativo nei confronti dei dati e delle proprie analisi permette di evitare di trarre conclusioni affrettate o distorte.
Se non hai mai intrapreso questo percorso questo potrebbe apparire complesso, ma collaborare con il partner giusto può rendere ogni fase più gestibile e chiara.
Noi di DataDeep, mettiamo a disposizione la nostra esperienza attraverso consulenze personalizzate, progettate per adattarsi perfettamente alle tue necessità specifiche e per trasferire il know-how necessario a instaurare una cultura aziendale orientata ai dati.
Il nostro intento è quello di equipaggiare la tua azienda con le conoscenze e le abilità richieste per muoversi con dimestichezza nel contesto Data-Driven e nella gestione dei bias, fornendo gli strumenti per sfruttare al massimo le potenzialità offerte dai dati.
Se vuoi scoprire come possiamo supportarti nello sviluppo del tuo progetto, offrendo una panoramica dettagliata delle nostre aree di competenza e dei servizi disponibili, ti invitiamo a visitare: DataDeep – Studio di fattibilità
Da qui potremmo iniziare a mettere le basi di un approccio orientato ai dati per ogni processo aziendale.
