Survivorship-Bias

Auf einen Blick

1. Kurze Zusammenfassung

Wenn wir Erfolg analysieren, sehen wir nur die Gewinner: die Unternehmen, die florierten, die Gebäude, die noch stehen, die Menschen, die es geschafft haben. Die Gescheiterten sehen wir nie, weil sie verschwunden sind. So entsteht ein gefährlich verzerrtes Bild der Wirklichkeit: Wir überschätzen unsere Erfolgschancen, deuten die Ursachen von Erfolg falsch und ziehen Schlüsse aus unvollständigen Daten. Die wichtigste Information ist fast immer diejenige, die fehlt.

Einfach erklärt

Der Survivorship-Bias bedeutet, dass Sie nur die Gewinner bemerken und alle vergessen, die es nicht geschafft haben. Die Gescheiterten bleiben meistens außer Sicht. Dadurch wirkt Gewinnen leichter und häufiger, als es wirklich ist.

Nehmen wir an, Sie schauen sich Videos von Kindern an, die einen schwierigen Skateboard-Trick gleich beim ersten Versuch schaffen. Bald sieht es so aus, als könnte das jeder. Aber Sie sehen nur die Clips, die jemand veröffentlichen wollte. Die Kinder, die gestürzt sind, aufgegeben haben oder den Trick nie hinbekommen, laden diese Videos nicht hoch. Ihr Feed zeigt die Glücklichen, nicht die ganze Geschichte. Mit alten Liedern ist es genauso. Hits aus der Zeit Ihrer Eltern wirken oft besser als die Musik von heute, aber die schlechten Lieder von damals sind längst vergessen.

Hier ist eine einfache Gewohnheit. Wenn etwas leicht aussieht, weil Sie nur Menschen sehen, denen es gelungen ist, fragen Sie sich: „Wer hat das versucht und ist jetzt nicht hier?“ Überlegen Sie dann, was diese Menschen Ihnen wohl erzählen würden.

2. Die Wissenschaft dahinter

2.1. Entdeckung und Geschichte

Die gedankliche Erkenntnis des Survivorship-Bias ist mehr als zwei Jahrtausende älter als die moderne Statistik, auch wenn die formale mathematische Behandlung erst im Zweiten Weltkrieg entstand.

Antike Ursprünge (5. Jahrhundert v. Chr.): Die früheste überlieferte Beobachtung stammt von Diagoras von Melos, einem griechischen Dichter und bekennenden Atheisten. Als man ihm Votivtafeln mit Bildern von Gläubigen zeigte, die einen Schiffbruch überlebt hatten, als Beweis für göttliches Eingreifen, antwortete Diagoras bekanntlich: „Ich sehe die, die gerettet wurden, aber wo sind die gemalten Bilder derer, die Schiffbruch erlitten haben?“ Diese Anekdote, von Cicero in De Natura Deorum überliefert, fasst den gesamten Mechanismus der Verzerrung zusammen: Die Überlebenden sind sichtbar und hörbar, die Toten schweigen.

Formalisierung in der Renaissance (17. Jahrhundert): Francis Bacon band diese Beobachtung in seine Lehre von den „Idolen des Geistes“ ein, genauer in die Idole des Stammes. Er hielt fest, dass der menschliche Verstand von Bejahendem stärker bewegt wird als von Verneinendem: Erfolge werden registriert, Misserfolge verschwinden aus den Aufzeichnungen.

Mathematische Behandlung im Zweiten Weltkrieg (1943): Abraham Walds Memoranden für die Statistical Research Group an der Columbia University lieferten den ersten strengen mathematischen Rahmen für den Umgang mit dem Survivorship-Bias: eine Methode, aus den Schäden an zurückgekehrten Flugzeugen abzuschätzen, wie verwundbar jedes Teil eines Flugzeugs war. Die Memoranden blieben unveröffentlicht, bis das Center for Naval Analyses sie 1980 nachdruckte, und Mangel und Samaniegos Übersichtsarbeit von 1984 im Journal of the American Statistical Association brachte sie in die statistische Lehre. Die Panzerungsanekdote, die heute mit Walds Namen verbunden ist, entstand später. Bill Casselmans Überprüfung der Unterlagen für die American Mathematical Society von 2016 fand für ihre dramatischen Teile keine Belege (siehe 2.3).

Revolution in der Finanzökonomie (1990er): Forschende wie Brown, Goetzmann, Elton, Gruber und Blake quantifizierten die Auswirkungen der Verzerrung auf die Leistungsdaten von Investmentfonds und Hedgefonds und zeigten, wie stark sie die Anlageanalyse verfälschte.

Populäre Philosophie (2000er): Nassim Nicholas Taleb hob den Survivorship-Bias in Fooled by Randomness (2001) und The Black Swan (2007) von einem statistischen Konzept zu einer philosophischen Weltsicht.

2.2. Wichtige Forschende

2.3. Wegweisende Studien

Analyse der Verwundbarkeit von Flugzeugen (Wald, 1943)

Im Zweiten Weltkrieg arbeitete die Statistical Research Group an der Columbia University für das US-Militär an der Überlebensfähigkeit von Flugzeugen. Walds Anteil an dieser Arbeit ist in einer Reihe von Memoranden erhalten, die um 1943 entstanden, 1980 vom Center for Naval Analyses veröffentlicht und von Mangel und Samaniego (1984) besprochen wurden. Das Problem, das sie behandeln, ist ein Datenproblem: Schadensberichte stammten nur von Flugzeugen, die zurückgekehrt waren, und deshalb unterschätzt das Trefferbild der Überlebenden die Schäden an jenen Teilen, die ein Flugzeug zum Absturz bringen. Wald nahm an, dass die feindlichen Treffer ungefähr gleichmäßig über das Flugzeug verteilt waren, und leitete Gleichungen her, die für jeden Abschnitt die Wahrscheinlichkeit schätzen, dass ein Treffer dort tödlich ist. Ein Abschnitt, der an zurückgekehrten Flugzeugen wenige Löcher aufweist, ist einer, in dem Treffer meist tödlich sind, weil die dort getroffenen Flugzeuge nicht zurückgekommen sind. Das üblicherweise zitierte Memorandum trägt den Titel „A Method of Estimating Plane Vulnerability Based on Damage of Survivors“.

Was die Aktenlage zeigt und was nicht: In der populären Version dieser Studie schlägt das Militär vor, Rumpf, Flügel und Heck zu panzern, wo die Einschusslöcher waren, und Wald dreht den Vorschlag um: Man solle Triebwerke und Cockpit panzern, wo keine Löcher waren. Bill Casselman, der 2016 für die American Mathematical Society schrieb, ging die Memoranden, W. Allen Wallis' Erinnerungen an die SRG und die übrigen erhaltenen Unterlagen durch und fand keine Quelle für den Vorschlag des Militärs, für Walds Umkehrung oder für den Satz, man solle dort panzern, wo keine Löcher sind. Die Memoranden enthalten überhaupt keine Empfehlungen; die SRG beantwortete die Fragen, die ihr gestellt wurden, und überließ operative Entscheidungen dem Militär. Casselmans Urteil lautet, die Geschichte „könnte durchaus wahr sein“, es stecke „ein solider Kern Wahrheit darin“, aber „für die besten Teile gibt es nur sehr wenige Belege“. Das rot gepunktete Flugzeugdiagramm, das im Netz kursiert, ist eine moderne Illustration und kein Dokument aus der Kriegszeit. Die Umkehr-Anekdote verbreitete sich in den 2010er-Jahren; Jordan Ellenbergs How Not to Be Wrong (2014) bietet eine der sorgfältigeren Rekonstruktionen und stellt sie auch als solche dar. Die Methode ist belegt. Das Drama ist es nicht.

Survivorship-Bias bei Investmentfonds (Brown, Goetzmann et al., 1992)

Diese in der Review of Financial Studies veröffentlichte Arbeit zeigte, dass gängige Finanzdatenbanken die Datensätze liquidierter oder fusionierter Fonds systematisch löschten. Da Fonds fast immer wegen schlechter Performance liquidiert werden, erzeugte diese Kürzung eine statistische Luftspiegelung. Die durchschnittliche Fondsleistung erschien besser als in Wirklichkeit, und Scheinkorrelationen zwischen Volatilität und Rendite täuschten „Können“ vor, wo es keines gab.

Survivorship-Bias und die Leistung von Investmentfonds (Elton, Gruber & Blake, 1996)

Diese wegweisende Studie verfolgte jeden Investmentfonds, der Ende 1976 existierte. Zentrale Ergebnisse:

• Der Survivorship-Bias blähte die jährlichen Renditen um etwa 0,9 % (90 Basispunkte) auf
• Die Verzerrung war bei kleinen Fonds deutlich größer als bei großen
• Fonds, die fusionierten (und oft schlechte Bilanzen in größeren Fonds versteckten), und solche, die liquidiert wurden, trugen beide zur Verzerrung bei

Diese Ergebnisse lieferten, nachdem die Verzerrung korrigiert war, starke empirische Belege für die Hypothese effizienter Märkte.

2.4. Neurologische Grundlagen

Der Survivorship-Bias entsteht aus grundlegenden Eigenschaften des menschlichen Denkens:

System-1-Denken: Das „schnelle Denken“ von Daniel Kahneman setzt die „Leichtigkeit des Erinnerns“ mit der „Häufigkeit des Auftretens“ gleich. Weil erfolgreiche Beispiele (Steve Jobs, Bill Gates) leicht abrufbar sind, halten wir ähnliche Ergebnisse intuitiv für wahrscheinlicher, als es die Basisraten rechtfertigen.

Verfügbarkeitsheuristik: Das Gehirn stützt sich bei Entscheidungen auf unmittelbar verfügbare Beispiele. Erfolge sind von Natur aus „verfügbarer“: Erfolgreiche Unternehmen sind an der Börse notiert, gescheiterte werden delistet; erfolgreiche Gebäude stehen, eingestürzte werden ersetzt.

Grenzen der Mustererkennung: Das menschliche Gehirn hat sich entwickelt, um aus wahrgenommenen Daten ursächliche Erzählungen abzuleiten, kann aber Daten, die fehlen, nicht verarbeiten. Diese grundlegende Beschränkung (wir können nur analysieren, was wir sehen) ist das neuronale Fundament des Survivorship-Bias.

Wechselwirkung mit dem Optimismus-Bias: Neuronale Schaltkreise, die mit der Selbstbewertung zusammenhängen, neigen zum Optimismus. Beim Betrachten verzerrter Überlebendendaten fördern diese Schaltkreise die Identifikation mit den Gewinnern statt mit der stillen Mehrheit der Gescheiterten und verstärken so riskantes Verhalten.

3. Evolutionäre Ursprünge

Der Survivorship-Bias hat tiefe Wurzeln in unserer Evolution als Mustererkennungsmaschinen, die oft Schnelligkeit vor Genauigkeit stellten.

Anpassungswert in der Umwelt unserer Vorfahren: Für unsere Vorfahren war es sinnvoll, sich auf erfolgreiche Strategien zu konzentrieren. Wenn eine Jagdtechnik, eine Wanderroute oder eine Nahrungsquelle Überlebende hervorbrachte, lohnte sich die Nachahmung. Die Gescheiterten, die andere Wege versucht hatten und gestorben waren, standen nicht mehr zur Verfügung. Von sichtbarem Erfolg zu lernen war eine schnelle, effiziente Heuristik.

Energiesparen: Das Gehirn verbraucht etwa 20 % unserer Stoffwechselenergie. Fehlende Daten zu analysieren (sich all die Misserfolge vorzustellen, die wir nicht sehen) ist kognitiv aufwendig. Die Evolution begünstigte Gehirne, die verfügbare Informationen effizient verarbeiteten, statt unsichtbare Alternativen erschöpfend durchzuspielen.

Merkmal, nicht Fehler: In der Umwelt unserer Vorfahren mit relativ stabilen Bedingungen und unmittelbar beobachtbaren Ergebnissen war Lernen mit Survivorship-Bias oft gut genug. Wenn Ihr Nachbar den Winter mit einer bestimmten Unterkunft überlebt hatte, war es vernünftig, sie nachzubauen. Problematisch wird die Verzerrung erst in komplexen, modernen Umgebungen, in denen Misserfolge systematisch verborgen bleiben und die Stichprobe der „Überlebenden“ massiv unrepräsentativ ist.

Die Verfügbarkeitsdiskrepanz: Unser Gehirn entwickelte sich in kleinen Gruppen, in denen die meisten relevanten Ereignisse direkt beobachtbar waren. In der modernen Gesellschaft begegnen uns Informationen, die durch mehrere Schichten der Auswahl (Medien, Märkte, Geschichte) gefiltert wurden, sodass unsere auf Verfügbarkeit beruhenden Intuitionen systematisch in die Irre führen.

4. Wie sich diese Verzerrung zeigt

4.1. Im Alltag

„Früher wurde noch richtig gebaut“: Das römische Pantheon, viktorianische Mahagonimöbel und Haushaltsgeräte aus den 1950er-Jahren, die „immer noch funktionieren“, sind statistische Ausreißer, die Jahrhunderte der Zerstörung überstanden haben. Die schlecht gebauten römischen Mietshäuser, die einstürzten, die billigen viktorianischen Möbel, die verrotteten, und die kaputten Geräte der 1950er-Jahre auf den Deponien sind unsichtbar. Wir vergleichen das Beste der Vergangenheit mit dem Durchschnitt der Gegenwart.

Der Fehlschluss der „Klassiker“: Manche behaupten, die Musik der 1960er- und 1970er-Jahre sei überlegen gewesen, weil „alle Lieder aus dieser Zeit Klassiker sind“. Das übersieht, dass Tausende abgeleitete, schlecht produzierte Lieder erschienen sind; Radiosender spielen nur die überlebenden 1 % der Hits. Wir vergleichen das gefilterte Beste der Vergangenheit mit 100 % der heutigen Produktion.

Beziehungsratschläge von glücklichen Paaren: Wer Rat zu Beziehungen sucht, fragt meist Paare, die noch zusammen sind. Von jenen, die dieselben Ansätze ausprobierten und sich scheiden ließen, hören wir selten, obwohl der Rat womöglich zu ihrem Scheitern beitrug.

Restaurantempfehlungen: Beliebte Restaurants einer Stadt sind per Definition Überlebende. Die Tausenden Restaurants, die gescheitert sind (möglicherweise mit denselben Strategien), sind geschlossen und können uns nicht davor warnen, was nicht funktioniert.

4.2. Am Arbeitsplatz

Der Mythos vom Studienabbrecher: Die Medien heben Milliardäre wie Gates, Jobs und Zuckerberg als Beleg dafür hervor, dass ein Studienabbruch zum Erfolg führt. Das übersieht Zehntausende Abbrecher mit Schulden und geringerem Lebenseinkommen. Die Basisrate für Erfolg nach einem Abbruch ist statistisch niedriger als bei Absolventen; die berühmten Beispiele sind extreme Ausreißer.

Die „So habe ich es geschafft“-Literatur: Wie Nassim Taleb anmerkt, schreiben gescheiterte Unternehmer keine Bücher mit dem Titel „Wie ich mein Start-up in den Bankrott trieb“. Erfolgreiche Unternehmer schreiben „Wie ich es geschafft habe“, und ihre Ratschläge (große Risiken eingehen, Kritiker ignorieren) könnten genau das Verhalten sein, an dem die Gescheiterten scheiterten.

Einstellung nach „erfolgreichen“ Profilen: Unternehmen erstellen Einstellungsprofile oft anhand der Merkmale ihrer besten Mitarbeitenden. Ihnen fehlen aber Daten über abgelehnte Bewerber, die ebenso gut gewesen wären, und über Eingestellte mit ähnlichen Merkmalen, die scheiterten und gingen.

Fehler bei der Zuschreibung von Leistung: Wenn Organisationen analysieren, warum bestimmte Projekte erfolgreich waren, untersuchen sie erfolgreiche Teams. Die Misserfolge, die aufgegeben oder umstrukturiert wurden oder deren Mitglieder gegangen sind, können sie nicht untersuchen. Dieselben „Erfolgsfaktoren“ waren möglicherweise in beiden Gruppen vorhanden.

4.3. In Wirtschaft und Marketing

„Erfolgsformeln“ für Unternehmertum: Die Ratgeberbranche ist ein von Überlebenden betriebenes Monopol. „Harte Arbeit“, „Beharrlichkeit“ und „Besessenheit von Qualität“ tauchen in den Geschichten erfolgreicher Unternehmer auf, doch Untersuchungen auf den Friedhöfen gescheiterter Unternehmer würden vermutlich dieselben Eigenschaften finden. Den Unterschied machen oft Glück, Timing oder äußere Ereignisse.

Kundenzeugnisse: Das Marketing zeigt zufriedene Kunden. Unzufriedene Kunden, die abgewandert sind, Rückerstattungen verlangt haben oder einfach verschwunden sind, fehlen in der Erzählung und verzerren die wahrgenommene Wirksamkeit eines Produkts.

Wettbewerbs-Benchmarking: Unternehmen vergleichen sich mit erfolgreichen Wettbewerbern und lernen ihre Strategien. Unternehmen, die ähnliche Strategien versuchten und scheiterten, wurden aber übernommen, aufgelöst oder haben ihren Kurs gewechselt, und ihre erfolglosen Strategien sind für die Analyse unsichtbar.

4.4. In Politik und Medien

Konstruktion historischer Erzählungen: Die von Überlebenden geschriebene Geschichte stellt deren Sichtweisen als maßgeblich dar. Die Standpunkte, Warnungen und Alternativen derer, die verloren, starben oder an den Rand gedrängt wurden, sind systematisch unterrepräsentiert.

Überlebende Nachrichten: Die Medien berichten über Geschichten, die die redaktionelle Auswahl überstehen. Tausende ebenso berichtenswerte Ereignisse bleiben unbeachtet und prägen die öffentliche Wahrnehmung davon, welche Probleme es gibt und welche Lösungen funktionieren.

„Lehren“ aus politischen Strategien: Politische Analysten untersuchen siegreiche Wahlkämpfe, um Erfolgsfaktoren herauszuarbeiten. Kampagnen, die dieselben Strategien nutzten und verloren, finden weniger Beachtung, was zu fehlerhaften strategischen Empfehlungen führen kann.

4.5. Im Gesundheitswesen

Das Stahlhelm-Paradox des Ersten Weltkriegs: Als im Ersten Weltkrieg Stahlhelme eingeführt wurden, meldeten die Feldlazarette einen dramatischen Anstieg von Kopfverletzungen. Manche vermuteten, die Helme seien fehlerhaft. Die Wirklichkeit: Vor den Helmen töteten Granatsplitter am Kopf Soldaten sofort (verzeichnet als gefallen, nie in einem Lazarett angekommen). Helme verwandelten Todesfälle in behandelbare Verletzungen und machten Kopfwunden in den Daten erstmals sichtbar.

Hochhaus-Syndrom bei Katzen: Eine tiermedizinische Studie von 1987 fand, dass Katzen, die aus mehr als 7 Stockwerken stürzten, weniger Verletzungen hatten als solche, die aus 5 bis 7 Stockwerken fielen, was nahelegte, höhere Stürze seien „sicherer“. Die Verzerrung: Der Datensatz enthielt nur Katzen, die zum Tierarzt gebracht wurden. Katzen, die beim Aufprall nach Stürzen aus 30 Stockwerken starben, wurden begraben, nicht behandelt. So entstand die Illusion, hohe Stürze seien sicher.

Der „Healthy-Worker-Effekt“: Studien zeigen oft, dass Industriearbeiter niedrigere Sterberaten haben als die Allgemeinbevölkerung, nicht weil Fabrikarbeit gesund wäre, sondern weil die Belegschaft Behinderte, Bettlägerige und Todkranke ausschließt. Die Beschäftigten sind vorab ausgewählte Überlebende.

Statistiken zur Traumasterblichkeit: Opfer von Unfällen in abgelegenen Gegenden zeigen manchmal eine niedrigere Krankenhaussterblichkeit als städtische Opfer. Die Wirklichkeit: Schwer verletzte Patienten aus abgelegenen Gebieten sterben auf dem langen Transport, treffen „tot ein“ („Dead on Arrival“) und fehlen in den Krankenhausstatistiken. Städtische Krankenhäuser erhalten kritische Patienten lebend, die dann im Krankenhaus sterben, was die städtischen Sterberaten in die Höhe treibt.

4.6. In Finanzwesen und Geldanlage

Leistung von Investmentfonds: Gängige Datenbanken löschten die Datensätze liquidierter Fonds. Da Fonds wegen schlechter Leistung liquidiert werden, bereinigten die Datenbanken Misserfolge weg, sodass die durchschnittliche Fondsleistung um ~0,9 % pro Jahr besser erschien als in Wirklichkeit.

Hedgefonds-Daten: Hedgefonds berichten freiwillig, was eine doppelte Verzerrung erzeugt: den Survivorship-Bias (gescheiterte Fonds hören auf zu berichten) und die Backfill- bzw. Instant-History-Verzerrung (erfolgreiche Fonds beginnen zu berichten und füllen ihre glücklichen Anfangsjahre nachträglich auf; erfolglose junge Fonds berichten nie und lösen sich auf). Malkiel und Saha (2005) bezifferten auf Grundlage der TASS-Datenbank die Survivorship-Komponente auf etwa 4,4 % pro Jahr: Von den 604 Hedgefonds, die 1996 berichteten, existierten 2004 noch weniger als ein Viertel, und die eingegangenen Fonds hatten weit weniger verdient als die Überlebenden.

Backtesting mit dem S&P 500: Die Zusammensetzung des Index ändert sich, wenn bankrotte Unternehmen entfernt und wachsende aufgenommen werden. Ein Backtest mit der aktuellen S&P-500-Liste erzielt unrealistische Renditen, weil er unbeabsichtigt 100 % Überleben sicherstellt: Jedes Unternehmen, das im Testzeitraum scheiterte, fehlt.

Die „Hot-Hand“-Illusion: Frühe Studien legten nahe, dass Fondsmanager den Markt dauerhaft schlagen könnten. Als Brown und Goetzmann den Survivorship-Bias korrigierten, verschwand ein Großteil dieses scheinbaren Könnens; die „heiße Hand“ war größtenteils das Ende einer Zufallsverteilung.

5. Fallstudien aus der Praxis

Fallstudie 1: Die Entscheidung über die Bomberpanzerung (Zweiter Weltkrieg)

• Kontext: Hohe Verluste alliierter Bomber durch feindliches Feuer veranlassten das Militär, vorzuschlagen, die Flugzeuge mit Panzerplatten zu verstärken. Panzerung erhöht jedoch das Gewicht und verringert Reichweite, Wendigkeit und Bombenlast. Sie musste optimal platziert werden.

• Was geschah: Das Militär sammelte Daten über Schäden an Flugzeugen, die von Einsätzen zurückkehrten, und gab das Problem an die Statistical Research Group weiter. Die populäre Nacherzählung ergänzt, die Kommandeure hätten die Panzerung dort gewollt, wo die zurückgekehrten Flugzeuge am häufigsten getroffen waren, an Rümpfen, Flügeln und Heck, und Wald habe sie überstimmt. Kein erhaltenes Dokument verzeichnet diesen Vorschlag oder diese Umkehrung; Casselman (2016) fand, dass die Memoranden keine Empfehlungen enthalten.

• Die Verzerrung am Werk: Was Walds Memoranden tatsächlich zeigen, ist die Argumentation, die die Legende dramatisiert. Die Daten stammten nur von Überlebenden. Flugzeuge, die in einem lebenswichtigen Abschnitt getroffen wurden, kehrten nicht zurück, also waren Treffer in diesem Abschnitt in der Stichprobe unterrepräsentiert. Wald behandelte die „fehlenden“ Löcher als Information und entwickelte Gleichungen, die daraus, wie selten solche Treffer an zurückgekehrten Flugzeugen auftraten, abschätzen, wie tödlich ein Treffer in den jeweiligen Abschnitt war.

• Folgen: Die Memoranden wurden 1980 vom Center for Naval Analyses nachgedruckt und 1984 von Mangel und Samaniego zusammengefasst; sie sind heute das Standard-Lehrbeispiel für die Korrektur einer Stichprobe von Überlebenden. Welche Panzerungsentscheidungen, wenn überhaupt, daraus folgten, ist nicht überliefert.

• Gewonnene Erkenntnisse: Fragen Sie bei der Analyse von Ergebnissen immer: „Was ist aus den Fällen geworden, die ich nicht sehen kann?“ Das Fehlen von Belegen kann selbst ein Beleg für das wichtigste Phänomen sein.

Fallstudie 2: Die Enthüllung in der Investmentfondsbranche (1990er)

• Kontext: Jahrzehntelang wurde heftig darüber gestritten, ob aktive Fondsmanager den Markt dauerhaft schlagen können („Alpha erzeugen“). Frühe Studien legten nahe, dass sie es konnten.

• Was geschah: Die Forscher Brown, Goetzmann, Elton, Gruber und Blake entdeckten, dass Finanzdatenbanken die Datensätze liquidierter oder fusionierter Fonds routinemäßig löschten. Da Fonds fast immer wegen schlechter Leistung schließen, entfernten die Datenbanken systematisch die Misserfolge.

• Die Verzerrung am Werk: Diese Kürzung erzeugte eine statistische Luftspiegelung, in der die verbleibenden „Überlebenden“-Fonds höhere Durchschnittsrenditen zu haben schienen und scheinbare Zusammenhänge zwischen Volatilität und Leistung zeigten, die Können vortäuschten.

• Folgen: Nachdem die jährliche Verzerrung von 0,9 % korrigiert war, verschwand die scheinbare Überperformance vieler aktiver Manager. Das lieferte starke Belege für die Hypothese effizienter Märkte und veränderte grundlegend, wie die Finanzforschung mit historischen Daten umgeht.

• Gewonnene Erkenntnisse: Jeder Datensatz, in dem es Ausscheiden, Schließung oder Verschwinden gibt, muss auf Survivorship-Bias geprüft werden. Was nach Können oder Überperformance aussieht, kann ein Artefakt einer zensierten Stichprobe sein.

Historisches Beispiel: Diagoras und die Tempeltafeln

Dem altgriechischen Dichter Diagoras von Melos wurden in einem Tempel Votivtafeln gezeigt, Gemälde, die Seeleute in Auftrag gegeben hatten, die zu den Göttern gebetet und Schiffbrüche überlebt hatten. Sein Freund führte dies als Beweis göttlichen Schutzes an.

Diagoras' Antwort wurde zu einem Grundtext der Philosophie der Wahrscheinlichkeit: „Ich sehe die, die gerettet wurden, aber wo sind die gemalten Bilder derer, die Schiffbruch erlitten haben?“

Die ertrunkenen Seeleute konnten keine Gemälde in Auftrag geben. Wer nur die Belege im Tempel betrachtete, würde schließen, dass Gebet Sicherheit auf See garantiert, ein Schluss, der ganz auf einer zensierten Stichprobe beruht, in der die Fähigkeit, Belege zu liefern, mit dem Überleben zusammenhing.

Diese 2.500 Jahre alte Anekdote zeigt, warum der Survivorship-Bias so tückisch ist: Nur die Überlebenden können ihre Geschichte erzählen.

6. Die Kosten dieser Verzerrung

6.1. Persönliche Kosten

Verzerrte Risikoeinschätzung: Wer nur erfolgreiche Risikoträger sieht, unterschätzt die Wahrscheinlichkeit des Scheiterns. Der Studienabbrecher, der nicht Milliardär wurde, der Unternehmer, der pleiteging, obwohl er „alles richtig machte“, der Anleger, der bei einer „sicheren Sache“ alles verlor: Ihre Erfahrungen sind unsichtbar, und andere gehen deshalb schlecht kalibrierte Risiken ein.

Falsch zugeschriebene Erfolgsfaktoren: Menschen übernehmen Verhaltensweisen von Überlebenden (Beharrlichkeit, Risikobereitschaft, Selbstvertrauen), ohne zu erkennen, dass dieselben Eigenschaften auch bei den Gescheiterten vorhanden waren. Jahre können in Strategien fließen, die nie den eigentlichen Unterschied machten.

Verschwendete Ressourcen durch Nachahmung: Wer „Erfolgsformeln“ folgt, die aus Daten mit Survivorship-Bias stammen, investiert Mühe in Ansätze, die Erfolg gar nicht bewirken. Sie korrelieren nur in der sichtbaren Stichprobe mit ihm.

Beschädigtes Selbstbild: Wenn das Befolgen von Ratschlägen Überlebender nicht zum Erfolg führt, geben sich Menschen womöglich selbst die Schuld, statt zu erkennen, dass der Rat auf fehlerhaften Daten beruhte.

6.2. Berufliche Kosten

Anlageverluste: Im Finanzwesen wurde der Survivorship-Bias mit einer Aufblähung der Jahresrendite um etwa 0,9 bis 4,4 % beziffert. Anleger, die auf der Grundlage unkorrigierter historischer Daten entscheiden, überschätzen systematisch die erwarteten Renditen und unterschätzen die Risiken.

Strategische Fehlsteuerung: Unternehmensstrategien, die aus dem Studium erfolgreicher Unternehmen abgeleitet werden, übersehen die Unternehmen, die dieselben Strategien nutzten und scheiterten. Ressourcen fließen zu Ansätzen, die sich bestätigt anfühlen, aber zufällig sein können.

Entscheidungen über Einstellung und Talente: Profile, die auf erfolgreichen Mitarbeitenden beruhen, übersehen potenziell hervorragende Kandidaten, die vom sichtbaren Muster abweichen, während die Einstellung passender Kandidaten Merkmale übernehmen kann, die mit der tatsächlichen Leistung nichts zu tun haben.

Fehlschläge in der Produktentwicklung: Wer von erfolgreichen Produkten lernt, ohne ähnliche gescheiterte Produkte zu untersuchen, investiert in Funktionen oder Ansätze, die gar keine Erfolgsfaktoren waren.

6.3. Gesellschaftliche Kosten

Historisches Missverständnis: Die von Überlebenden geschriebene Geschichte vermittelt schiefe Perspektiven. Verlorene Standpunkte, alternative Ansätze und Warnungen der Besiegten werden systematisch aus dem kollektiven Gedächtnis ausgeschlossen.

Politische Fehlsteuerung: Politik, die auf dem Studium erfolgreicher Ergebnisse (wirtschaftlich, sozial, militärisch) beruht, ohne gescheiterte Fälle mit ähnlichen Merkmalen zu berücksichtigen, führt zu fehlerhaften Eingriffen.

Kulturelle Mythenbildung: Die Erzählung vom „Selfmade-Erfolg“, durch den Survivorship-Bias verstärkt, verdeckt die Rolle von Glück, Timing und Umständen und prägt Einstellungen zu Ungleichheit und sozialer Mobilität.

Fehler bei medizinischen Protokollen: Behandlungsentscheidungen auf der Grundlage von Daten mit Survivorship-Bias übersehen womöglich, dass bestimmte Patienten untertherapiert wurden oder dass Behandlungserfolge trotz, nicht wegen bestimmter Maßnahmen eintraten.

6.4. Statistische Auswirkungen

7. Die verborgenen Vorteile

Der Survivorship-Bias ist nicht rein negativ. Er erfüllte Anpassungsfunktionen und kann in bestimmten Zusammenhängen weiterhin nützlich sein.

Effiziente Lernheuristik: In stabilen Umgebungen mit direkt beobachtbaren Ergebnissen ist Lernen von Überlebenden schnell und einigermaßen genau. Wenn die meisten Unterkünfte, die für Ihre Nachbarn funktionierten, auch für Sie funktionieren, ist das Kopieren der Überlebenden effizient.

Motivierende Funktion: Ein gewisser Kontakt mit Erfolgsgeschichten liefert Motivation und Vorbilder. Das vollständige Wissen um alle Misserfolge könnte lähmen. Entscheidend ist, den Kontakt zu dosieren, nicht ihn abzuschaffen.

Schnelle Entscheidungen: Wenn Tempo wichtiger ist als Präzision, kann der Rückgriff auf verfügbare Beispiele (die von Natur aus verzerrt sind) besser sein als eine verspätete Analyse. Nicht jede Entscheidung verdient eine umfassende Untersuchung.

Berechtigte Mustererkennung: Manchmal sind die Merkmale der Überlebenden tatsächlich ursächlich und nicht bloß korreliert. In Bereichen, in denen Ausfallursachen zufällig und Erfolgsfaktoren systematisch sind, tragen Überlebende echte Information.

Das unerwünschte Extrem: Die vollständige Beseitigung des Survivorship-Bias würde verlangen, vor jeder Entscheidung alle möglichen Misserfolge erschöpfend zu analysieren. Das ist kognitiv unmöglich und praktisch lähmend. Das Ziel ist Bewusstsein und angemessene Korrektur, nicht Beseitigung.

8. Selbsteinschätzung: Haben Sie diese Verzerrung?

8.1. Checkliste mit Warnzeichen

• Sie führen häufig erfolgreiche Personen (Jobs, Gates, Musk) als Beleg für Lebens- und Karrierestrategien an
• Sie glauben, Produkte, Musik und Handwerkskunst der Vergangenheit seien im Allgemeinen besser gewesen als die heutigen
• Sie haben bedeutende Entscheidungen getroffen, nachdem Sie nur erfolgreiche Beispiele studiert hatten
• Sie fragen selten: „Was ist aus denen geworden, die das versucht haben und gescheitert sind?“
• Sie vertrauen historischen Leistungsdaten von Fonds und Anlagen unbesehen
• Sie glauben, „Erfolg hinterlässt Spuren“, die sich bei Gewinnern zuverlässig herauslesen lassen
• Sie halten Glück und Timing in Erfolgsgeschichten, die Sie bewundern, für unbedeutend
• Sie haben Ratschläge gegeben, die auf dem beruhten, was bei Ihnen funktionierte, ohne an andere zu denken, bei denen es nicht funktionierte
• Sie finden Bücher und Podcasts nach dem Muster „So habe ich es geschafft“ sehr überzeugend
• Wenn Sie Entscheidungen analysieren, achten Sie auf die Ergebnisse statt auf den Prozess, der zu ihnen führte

Auswertung:

• 0-2 angekreuzt: Geringe Anfälligkeit
• 3-5 angekreuzt: Mäßige Anfälligkeit
• 6-8 angekreuzt: Hohe Anfälligkeit
• 9-10 angekreuzt: Sehr hohe Anfälligkeit

8.2. Fragen zur Selbstreflexion

1. Wann haben Sie zuletzt vor einer wichtigen Entscheidung gezielt nach Geschichten des Scheiterns gesucht?

2. Denken Sie an einen Erfolg, den Sie erzielt haben. Wie viele andere haben ähnliche Ansätze versucht und sind gescheitert? Wissen Sie es überhaupt?

3. An welche „offensichtlichen“ Erfolgsfaktoren glauben Sie? Wie würden Sie prüfen, ob diese Faktoren auch bei den Gescheiterten vorhanden sind?

4. Wenn Sie Rat von erfolgreichen Menschen erhalten, bedenken Sie dann, wie viele erfolglose Menschen denselben Rat gegeben haben?

5. Hat Sie jemals jemand darauf hingewiesen, dass Sie Schlüsse aus unvollständigen Daten ziehen? Wie haben Sie reagiert?

8.3. Kurzes Diagnoseszenario

Szenario: Sie überlegen, ein Unternehmen zu gründen, und lesen, dass 60 % der Unternehmen Ihrer Branche, die auf Kundenservice setzten, ihre ersten 5 Jahre überlebt haben. Das scheint ein starker Beleg dafür zu sein, dass der Fokus auf Kundenservice der Schlüssel zum Überleben ist.

Wie würden Sie das deuten?

• A) „Großartig! Ich sollte unbedingt den Kundenservice priorisieren; die Daten zeigen eindeutig, dass es funktioniert.“ → Hohe Anfälligkeit
• B) „Interessant, aber ich frage mich, wie viel Prozent der gescheiterten Unternehmen ebenfalls den Kundenservice priorisierten.“ → Mäßige Anfälligkeit
• C) „Das sagt mir nichts, solange ich die Kundenservice-Quoten unter den gescheiterten Unternehmen nicht kenne. Wenn sich 60 % der Gescheiterten ebenfalls auf Kundenservice konzentrierten, hat dieser Faktor keinen Vorhersagewert.“ → Geringe Anfälligkeit

9. Diese Verzerrung bei anderen erkennen

9.1. Verhaltensindikatoren

In der Sprache:

• Häufiger Rückgriff auf berühmte Erfolgsgeschichten als universellen Beleg
• Verallgemeinerungen aus kleinen Stichproben sichtbarer Gewinner
• Abtun von Glück und Timing in Erfolgserzählungen
• Hochrechnung von „dem, was funktioniert“, ohne unsichtbare Misserfolge anzuerkennen

Bei Entscheidungen:

• Übermäßiges Vertrauen in Fallstudien erfolgreicher Unternehmen und Personen
• Zu geringe Gewichtung von Basisraten und Misserfolgshäufigkeiten
• Benchmarking ausschließlich an erfolgreichen Wettbewerbern
• Vertrauen in historische Leistungsdaten, ohne die Datenerhebung zu hinterfragen

In Argumentationen:

• Das Vorhandensein erfolgreicher Beispiele als Beweis für die Gültigkeit einer Strategie anführen
• „X hat bei Y funktioniert“ behaupten, ohne die Z zu bedenken, bei denen X scheiterte
• Das Fehlen von Belegen (keine bekannten Misserfolge) als Beleg für das Nichtvorhandensein deuten

9.2. Gesprächsmuster als Warnsignale

Sätze, die Menschen unter dem Einfluss dieser Verzerrung sagen:

• „Schau dir [berühmten Erfolg] an. Die haben X gemacht, und es hat funktioniert!“
• „Alle erfolgreichen Leute, die ich kenne, haben die Eigenschaft Y.“
• „Die Daten zeigen, dass dieser Ansatz eine großartige Erfolgsbilanz hat.“
• „Heute baut man nicht mehr wie früher.“
• „Jedes großartige Unternehmen hat diese Eigenschaft.“

Arten von Argumenten, die sie anführen:

• Induktion aus sichtbarem Erfolg, ohne die Misserfolgsquote zu berücksichtigen
• „Beweis durch Beispiel“ ausschließlich mit überlebenden Fällen

Fragen, die sie vermeiden:

• „Wie viele haben diesen Ansatz versucht und sind gescheitert?“
• „Wie hoch ist die Basisrate des Erfolgs bei dieser Strategie?“
• „Warum sehen wir die Misserfolge in diesem Datensatz womöglich nicht?“

9.3. Situative Auslöser

Umstände, die die Verzerrung aktivieren:

• Zugang zu kuratierten Erfolgsgeschichten (Medien, Bücher, Konferenzen)
• Analyse von Datenbanken mit Mechanismen für Ausscheiden, Schließung oder Löschung
• Jede Bewertung, bei der Misserfolge aus dem Blick geraten
• Rückblickende Analyse heutiger Marktführer

Gefühlslagen, die die Anfälligkeit erhöhen:

• Optimismus gegenüber einer bereits getroffenen Entscheidung
• Wunsch, einen Ansatz zu rechtfertigen
• Bewunderung für eine erfolgreiche Persönlichkeit

Zeitdruck:

• Dringlichkeit verringert die Bereitschaft, nach widersprechenden Daten (zu Misserfolgen) zu suchen
• Fristen begünstigen verfügbare Beispiele gegenüber einer erschöpfenden Suche

10. Strategien gegen die Verzerrung (Debiasing)

10.1. Sofort anwendbare Techniken

Die Diagoras-Frage: Fragen Sie vor jeder Entscheidung, die sich auf Erfolgsbeispiele stützt, ausdrücklich: „Wo sind die Schiffbrüchigen?“ Wer hat das versucht und ist gescheitert? Warum kann ich diese Menschen nicht sehen?

Die Daten umkehren: Wenn Ihnen Merkmale von Überlebenden vorgelegt werden, konstruieren Sie gedanklich den „Friedhof der Gescheiterten“. Hätten gescheiterte Fälle diese Merkmale ebenfalls? Wenn das unbekannt ist, sind die Daten unvollständig.

Basisraten-Check: Schätzen Sie vor dem Hochrechnen aus Erfolgen den Nenner. „Welcher Anteil derer, die diesen Ansatz versuchten, war erfolgreich?“ Wenn das unbekannt ist, räumen Sie die Unsicherheit ein.

Inventar der Ausfallursachen: Listen Sie alle Wege auf, auf denen die analysierten Beispiele hätten scheitern und verschwinden können. Autohersteller, die Bankrott gingen, Restaurants, die schlossen, Fonds, die liquidiert wurden: Wohin sind sie verschwunden?

Quellen hinterfragen: Fragen Sie bei jedem Datensatz: „Wie funktioniert der Mechanismus des Ausscheidens, Löschens oder Überlebens?“ Wie werden Misserfolge entfernt? Das offenbart die Struktur der Verzerrung.

10.2. Langfristige Strategien

Misserfolge gezielt studieren: Suchen Sie nach Nachbetrachtungen, Insolvenzanalysen und Geschichten gescheiterter Start-ups. „Startup Failure Post-Mortems“ von CB Insights und ähnliche Quellen liefern die stille Evidenz, die sonst fehlt.

Pre-Mortem-Praxis: Führen Sie vor dem Start von Projekten „Pre-Mortems“ durch: Stellen Sie sich vor, das Projekt sei gescheitert, und arbeiten Sie rückwärts, um die Ursachen zu finden. So trainieren Sie den mentalen Muskel, sich Misserfolge vorzustellen.

Kalibrierung von Wahrscheinlichkeiten: Üben Sie, Basisraten zu schätzen, bevor Sie Daten nachschlagen. Halten Sie Ihre Trefferquote fest. So entsteht ein Gespür dafür, wie oft sichtbare Erfolgsquoten die wahren Erfolgsquoten übertreiben.

Historische Kontrafaktik: Erwägen Sie beim Studium der Geschichte aktiv alternative Verläufe: was beinahe geschah, wer beinahe Erfolg hatte, welche anderen Ergebnisse möglich waren. Nassim Taleb nennt das „alternative Geschichten“.

10.3. Gestaltung der Umgebung

Dateninfrastruktur: Nutzen Sie „Point-in-Time“-Datensätze, die Datensätze von Misserfolgen zu dem Zeitpunkt bewahren, an dem sie existierten, statt Datenbanken des aktuellen Zustands, die nur Überlebende zeigen.

Bibliotheken des Scheiterns: Das Wissensmanagement von Organisationen sollte gescheiterte Projekte archivieren, nicht nur erfolgreiche. Nachbetrachtungen sollten ebenso zugänglich sein wie Erfolgsfallstudien.

Advocatus-Diaboli-Protokolle: Verankern Sie institutionell Rollen, die bei strategischen Entscheidungen gezielt nach widersprechenden Belegen und fehlenden Misserfolgsdaten suchen.

Vielfältige Beratungsnetzwerke: Nehmen Sie Menschen in Ihren Beraterkreis auf, die Scheitern erlebt haben. Ihre Perspektive liefert die „stille Evidenz“, die sonst fehlt.

10.4. Wann Sie externe Einschätzungen einholen sollten

Entscheidungen, die externe Prüfung erfordern:

• Große Investitionen auf Grundlage historischer Leistungsdaten
• Strategieentscheidungen auf Grundlage von Wettbewerbsanalysen
• Karriere- und Lebensentscheidungen auf Grundlage von Erfolgsgeschichten
• Medizinische Entscheidungen auf Grundlage von Behandlungsergebnisdaten

Wen Sie hinzuziehen sollten:

• Statistiker, die mit Selektionsverzerrung vertraut sind
• Menschen, die mit dem Ansatz, den Sie erwägen, gescheitert sind
• Forschende, die die Misserfolgsquoten des jeweiligen Bereichs untersuchen
• Advocati Diaboli, die beauftragt sind, die fehlenden Daten zu finden

Wie Sie Anfragen formulieren:

• „Wie lautet hier der Nenner?“
• „Was ist aus denen geworden, die das versucht haben und gescheitert sind?“
• „Wie werden diese Daten erhoben, und wodurch verschwinden Fälle?“

11. Praktische Übungen

Übung 1: Der Spaziergang über den Friedhof der Gescheiterten

• Ziel: Ein Gespür für unsichtbare Misserfolge entwickeln
• Benötigte Zeit: 45 Minuten
• Benötigtes Material: Internetzugang, Notizbuch
• Schwierigkeitsgrad: Anfänger
• Anleitung:
  1. Wählen Sie ein Gebiet, das Sie interessiert (Start-ups, Restaurants, Produkte usw.)
  2. Nennen Sie 5 berühmte Erfolge auf diesem Gebiet
  3. Recherchieren Sie zu jedem Erfolg 3 Zeitgenossen, die ähnliche Ansätze versuchten und scheiterten
  4. Notieren Sie, welche Merkmale und Strategien die Gescheiterten mit den Erfolgreichen teilten
  5. Dokumentieren Sie, warum die Gescheiterten meist unsichtbar sind (Insolvenz, Übernahme, Löschung usw.)
• Reflexionsfragen:
  • Wie schwer war es, die Gescheiterten zu finden?
  • Welche „Erfolgsfaktoren“ tauchten bei Erfolgreichen und Gescheiterten gleichermaßen auf?
  • Wie verändert das Ihre Sicht darauf, was den Erfolg bewirkt hat?
• Häufigkeit: Monatlich, besonders vor wichtigen Entscheidungen

Übung 2: Obduktion eines Datensatzes

• Ziel: Survivorship-Bias in Datenquellen erkennen lernen
• Benötigte Zeit: 60 Minuten
• Benötigtes Material: Zugang zu einem Datensatz, den Sie nutzen (Finanz-, Geschäfts- oder Leistungsdaten)
• Schwierigkeitsgrad: Fortgeschritten
• Anleitung:
  1. Wählen Sie einen Datensatz, auf den Sie sich bei Entscheidungen verlassen
  2. Dokumentieren Sie die Methodik der Datenerhebung
  3. Bestimmen Sie alle Mechanismen, durch die Datensätze entfernt werden könnten (Schließung, Fusion, Löschung, ausbleibende Meldung)
  4. Schätzen Sie, welcher Prozentsatz der ursprünglichen Grundgesamtheit fehlen könnte
  5. Überlegen Sie, wie sich die fehlenden Daten von den vorhandenen unterscheiden könnten
• Reflexionsfragen:
  • Was würde sich ändern, wenn Sie die fehlenden Daten sehen könnten?
  • Wie sicher sollten Sie sich bei Schlussfolgerungen aus diesen Daten sein?
  • Welche Anpassungen wären angemessen?
• Häufigkeit: Immer, wenn Sie historische Daten für Entscheidungen verwenden

Übung 3: Das Pre-Mortem-Ritual

• Ziel: Misserfolg systematisch visualisieren, bevor er unsichtbar wird
• Benötigte Zeit: 30 Minuten
• Benötigtes Material: Papier, Timer
• Schwierigkeitsgrad: Experte
• Anleitung:
  1. Versammeln Sie vor dem Start eines Projekts das Team
  2. Stellen Sie einen Timer auf 20 Minuten
  3. Stellen Sie sich vor, es sei ein Jahr später und das Projekt sei völlig gescheitert
  4. Jede Person schreibt alle Gründe auf, warum es scheiterte (zunächst jeweils allein)
  5. Teilen und bündeln Sie die Ausfallursachen
• Reflexionsfragen:
  • Welche Ausfallursachen sind am wahrscheinlichsten?
  • Welche Misserfolge würden für künftige Analytiker keine Belege hinterlassen?
  • Wie können Sie verhindern, selbst zu unsichtbaren Daten eines Misserfolgs zu werden?
• Häufigkeit: Zu Beginn jedes bedeutenden Projekts

Tägliche Praxis

Die abendliche Frage nach dem Scheitern: Gehen Sie jeden Abend eine Entscheidung durch, die Sie getroffen haben, und fragen Sie: „Welche Misserfolge sehe ich nicht, die hier einfließen sollten?“

• Empfohlene Dauer: 5 Minuten
• Beste Tageszeit: Abends
• So verfolgen Sie Ihre Fortschritte: Halten Sie täglich eine Erkenntnis über einen „verborgenen Misserfolg“ im Tagebuch fest

Wöchentliche Herausforderung

Die Jagd nach stiller Evidenz: Wählen Sie jede Woche eine Überzeugung, die Sie aufgrund sichtbarer Belege hegen, und suchen Sie aktiv nach der „stillen Evidenz“, die ihr widersprechen könnte.

• Erwartete Ergebnisse nach 4 Wochen: Deutlich besseres Gespür dafür, „was fehlt“, und weniger Vertrauen in Schlüsse aus nur sichtbaren Daten
• Fragen für Ihr Tagebuch:
  • Welche Überzeugung habe ich diese Woche geprüft?
  • Welche stille Evidenz habe ich entdeckt?
  • Wie hat ihre Entdeckung mein Vertrauen verändert?

12. Für bestimmte Zielgruppen

Für Führungskräfte und Manager

Strategische Planung: Wenn Sie die Erfolge von Wettbewerbern analysieren, verlangen Sie, dass Strategieteams auch Wettbewerber untersuchen, die ähnliche Strategien nutzten und scheiterten. Die Misserfolge können zeigen, dass die beobachteten „Erfolgsfaktoren“ nicht ursächlich sind.

Analyse nach Projektende: Archivieren und untersuchen Sie gescheiterte Projekte ebenso gründlich wie erfolgreiche. Das Lernen aus Misserfolgen ist oft wertvoller, und ohne bewusste Aufbewahrung verschwindet es.

Einstellungsentscheidungen: Seien Sie vorsichtig bei Profilen, die aus Spitzenkräften abgeleitet sind. Bedenken Sie, welche abgelehnten Kandidaten Erfolg gehabt hätten und welche Eingestellten zwar zum Profil passten, aber scheiterten und gingen.

Dokumentation von Entscheidungen: Halten Sie nicht nur Ergebnisse fest, sondern auch die Informationen und Überlegungen zum Zeitpunkt der Entscheidung. So ist eine ehrliche Bewertung möglich, selbst wenn Misserfolge durch Weggang, Umstrukturierung oder Überarbeitung „verschwinden“.

Kulturaufbau: Feiern und besprechen Sie Misserfolge offen. So bleiben sie im Gedächtnis der Organisation sichtbar, statt zu verstummen.

Für Eltern und Lehrkräfte

Das Konzept vermitteln: Nutzen Sie die Diagoras-Geschichte. Sie ist für Kinder verständlich. Fragen Sie: „Was lernen wir nicht, wenn wir nur von Menschen hören, die gewonnen haben?“

Ausgewogene Erfolgsgeschichten: Erzählen Sie zu inspirierenden Geschichten auch Geschichten des Scheiterns. „Viele Menschen haben genau das versucht, was sie getan hat, und es hat nicht funktioniert. Was könnte den Unterschied gemacht haben?“

Naturwissenschaftlicher Unterricht: Der Survivorship-Bias ist ein ausgezeichneter Zugang zu Stichprobenziehung, Auswahl und Versuchsplanung. Nutzen Sie das Bomberbeispiel aus dem Zweiten Weltkrieg. Es ist anschaulich und widerspricht der Intuition, und es enthält eine zweite Lehre: Sagen Sie den Schülern, dass die Umkehr-Geschichte mit der Panzerung eine Legende ist, die auf einer echten Methode beruht, und fragen Sie sie, wie sie das überprüfen würden.

Offenheit für Misserfolge vorleben: Teilen Sie Ihre eigenen Misserfolge und das, was sie Sie gelehrt haben. Machen Sie Scheitern besprechbar statt unsichtbar.

Für Fachkräfte im Gesundheitswesen

Interpretation klinischer Studien: Achten Sie auf Muster beim Ausscheiden aus Studien. Patienten, die eine Behandlung abbrechen, können sich systematisch von denen unterscheiden, die sie fortsetzen. Die Intention-to-treat-Analyse behebt das teilweise.

Bewertung historischer Behandlungen: „Traditionelle“ Behandlungen, die „die Zeit überstanden haben“, sind möglicherweise einfach Überlebende. Unwirksame Behandlungen, die aufgegeben wurden, hinterlassen keine Belege.

Mustererkennung in der Diagnostik: Einprägsame Fälle (Überlebende im Gedächtnis) repräsentieren womöglich nicht die Basisraten. Rufen Sie beim Mustervergleich aktiv Fälle mit anderen Ergebnissen ab.

Sterblichkeitsstatistiken: Machen Sie sich klar, wie Ausschlüsse nach „Dead on Arrival“, Verlegungsmuster und Dokumentationspraktiken in Ergebnisdaten einen Survivorship-Bias erzeugen.

Für Fachkräfte im Finanzwesen

Datenbankhygiene: Verwenden Sie, wenn verfügbar, immer Datenbanken ohne Survivorship-Bias. Wenden Sie bei gängigen Datenbanken bekannte Korrekturfaktoren an (z. B. ~0,9 % für Investmentfonds).

Kundenkommunikation: Erklären Sie bei der Darstellung historischer Leistung, was fehlt. „Dieser Index zeigt Unternehmen, die heute existieren. Gescheiterte Unternehmen sind nicht enthalten, wodurch die vergangene Wertentwicklung besser aussieht, als sie war.“

Skepsis gegenüber Backtests: Point-in-Time-Daten sind unverzichtbar. Jeder Backtest mit der aktuellen Indexzusammensetzung hat faktisch 100 % Überleben erreicht, eine unmögliche Bedingung.

Due Diligence bei Hedgefonds: Berücksichtigen Sie sowohl den Survivorship-Bias als auch die Backfill-Verzerrung. Der kombinierte Effekt (~4,4 % Survivorship-Bias nach Malkiel & Saha, plus Backfill) bedeutet, dass die berichtete durchschnittliche Hedgefonds-Leistung die Wirklichkeit erheblich überzeichnet.

13. Wechselwirkungen mit anderen Verzerrungen

Verzerrungen, die den Survivorship-Bias verstärken

Verzerrungen, die dem Survivorship-Bias entgegenwirken

Typische Verzerrungsketten

Die Kaskade der Erfolgsnachahmung: Survivorship-Bias (nur Gewinner sehen) → Verfügbarkeitsheuristik (Gewinner dominieren das Gedächtnis) → Narrativer Fehlschluss (aus den Eigenschaften der Gewinner eine Kausalgeschichte konstruieren) → Overconfidence-Effekt (glauben, die Geschichte erkläre den Erfolg) → Bestätigungsfehler (Belege für die Geschichte suchen) → Fehlkalibrierung des Risikos (Misserfolgswahrscheinlichkeit unterschätzen)

Unterbrechungspunkt: Die Kette lässt sich früh durchbrechen, indem Sie ausdrücklich fragen: „Wo sind die Misserfolge?“, bevor sich die Erzählung bildet. Ist erst einmal eine überzeugende Geschichte konstruiert, wird sie viel schwerer zu erschüttern.

14. Kulturelle Perspektiven

Der Survivorship-Bias zeigt sich in allen Kulturen, kann aber durch den kulturellen Kontext verstärkt oder abgeschwächt werden.

Individualistische und kollektivistische Kulturen: In stark individualistischen Kulturen (z. B. den Vereinigten Staaten) ist die Erzählung vom „Selfmade-Erfolg“ besonders ausgeprägt, was den Survivorship-Bias bei persönlichen Leistungen möglicherweise verstärkt. In kollektivistischen Kulturen sind Misserfolge innerhalb der Eigengruppe womöglich sichtbarer, was die Verzerrung teilweise abschwächt.

Kulturen mit hoher Machtdistanz: In Kulturen mit hoher Machtdistanz werden Erfolge womöglich noch stärker gefeiert, während Misserfolge verborgen werden, um Scham zu vermeiden, was die Sichtbarkeit nur der Überlebenden bei den Ergebnissen eventuell erhöht.

Einstellungen zum Risiko: Kulturen mit höherer Risikotoleranz neigen womöglich eher dazu, Lehren aus sichtbaren Risikoträgern zu ziehen, während risikoscheue Kulturen von sich aus mehr Daten zu Misserfolgen suchen könnten.

15. Mythen und Missverständnisse

16. Expertenstimmen

Cicero erzählt, wie Diagoras von Melos votive Gemälde von Seeleuten gezeigt wurden, die Stürme überlebt hatten, als Beweis dafür, dass die Götter Gebete erhören; Diagoras fragte, wo die Gemälde derer seien, die Schiffbruch erlitten hatten und ertrunken waren. — Zusammenfassung von Cicero, De Natura Deorum (45 BCE), Book III, sec. 89

Nassim Nicholas Taleb argumentiert, dass wir die Erfolgreichen sehen und die Menschen übersehen, die scheiterten und keine Spuren hinterließen, was er stille Evidenz nennt, sodass sichtbare Erfolge unser Gefühl dafür verzerren, was funktioniert. — Zusammenfassung von Nassim Nicholas Taleb, The Black Swan: The Impact of the Highly Improbable (2007), Chapter 8

„…es ist der eigentümliche und beständige Irrtum des menschlichen Verstandes, von Bejahendem mehr bewegt und erregt zu werden als von Verneinendem, wo er sich doch beiden gegenüber gleichermaßen unbefangen verhalten sollte.“ — Francis Bacon, Novum Organum (1620), Book I, Aphorism 46, trans. Spedding, Ellis & Heath

„[Die SRG war] die außergewöhnlichste Gruppe von Statistikern, die je zusammengestellt wurde.“ — W. Allen Wallis, "The Statistical Research Group, 1942-1945," Journal of the American Statistical Association 75(370) (1980), pp. 320-330 https://doi.org/10.1080/01621459.1980.10477469

17. Wichtigste Erkenntnisse

1. Der Survivorship-Bias ist universell und uralt: Er wurde vor 2.500 Jahren von Diagoras erkannt, im Zweiten Weltkrieg von Wald formalisiert und in der modernen Finanzwelt quantifiziert (0,9 % pro Jahr bei Investmentfonds, etwa 4,4 % bei Hedgefonds nach Malkiel & Saha).

2. Die Verzerrung erzeugt systematisch irreführende Daten. Sie sind nicht bloß unvollständig, sondern aktiv irreführend, weil das Fehlen von Misserfolgen die Form der sichtbaren Verteilung verändert.

3. Was fehlt, sind oft die wichtigsten Daten. Walds Methode, die die „fehlenden“ Einschusslöcher als Treffer an Flugzeugen liest, die nie zurückkehrten, ist das Paradigma jeder Analyse des Survivorship-Bias; die Umkehr-Geschichte mit der Panzerung, die man darüber erzählt, ist unbelegt, zitieren Sie also die Methode, nicht die Legende.

4. Die finanziellen Auswirkungen sind quantifizierbar: etwa 0,9 % jährlich bei Investmentfonds, 4,4 % bei Hedgefonds und unbekannt, aber erheblich bei Fehlern im Backtesting.

5. Das Gegenmittel ist die aktive Suche nach dem Unsichtbaren. Beständig zu fragen: „Wo sind die Schiffbrüchigen?“ ist die Disziplin, die vor dieser Verzerrung schützt.

6. Korrekturmethoden existieren: Die Heckman-Korrektur, die Inverse Probability Weighting, die Kaplan-Meier-Schätzung und Point-in-Time-Datenbanken können die Verzerrung teilweise beheben.

7. Sichtbarkeit ist nicht Gültigkeit. Wie leicht wir erfolgreiche Beispiele sehen, sagt nichts darüber aus, wie repräsentativ sie für die gesamte Grundgesamtheit sind.

18. Weiterführende Quellen

Wissenschaftliche Artikel

• Brown, S. J., Goetzmann, W., Ibbotson, R. G., & Ross, S. A. (1992). Survivorship Bias in Performance Studies. Review of Financial Studies, 5(4), 553-580. https://doi.org/10.1093/rfs/5.4.553
• Elton, E. J., Gruber, M. J., & Blake, C. R. (1996). Survivorship Bias and Mutual Fund Performance. Review of Financial Studies, 9(4), 1097-1120. https://doi.org/10.1093/rfs/9.4.1097
• Wald, A. (1943). A Method of Estimating Plane Vulnerability Based on Damage of Survivors. Statistical Research Group Memorandum (reprinted by the Center for Naval Analyses, 1980).
• Mangel, M., & Samaniego, F. J. (1984). Abraham Wald's Work on Aircraft Survivability. Journal of the American Statistical Association, 79(386), 259-267. https://doi.org/10.1080/01621459.1984.10478038
• Malkiel, B. G., & Saha, A. (2005). Hedge Funds: Risk and Return. Financial Analysts Journal, 61(6), 80-88. https://doi.org/10.2469/faj.v61.n6.2775
• Casselman, B. (2016). The Legend of Abraham Wald. AMS Feature Column, American Mathematical Society, June 2016.

Bücher

• Taleb, N. N. (2001). Fooled by Randomness: The Hidden Role of Chance in Life and in the Markets. Random House.
• Taleb, N. N. (2007). The Black Swan: The Impact of the Highly Improbable. Random House.
• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.

Buchkapitel

• Bacon, F. (1620). Idols of the Tribe. In Novum Organum.
• Cicero. (45 BCE). De Natura Deorum [On the Nature of the Gods]. Book III (contains the Diagoras anecdote).

19. Übersichtskarte

20. Glossar der verwendeten Begriffe

21. Diskussionsfragen

Für Lesekreise, Unterricht oder zur Selbstreflexion:

1. Können Sie eine wichtige Lebensentscheidung benennen, die Sie hauptsächlich aufgrund sichtbarer Erfolgsgeschichten getroffen haben? Welche Misserfolge konnten Sie nicht sehen?

2. In der Legende empfiehlt Wald, dort zu panzern, wo die Einschusslöcher nicht waren; seine Memoranden schätzten nur, welche Treffer tödlich waren. Welche aktuellen Probleme könnten in beiden Fällen davon profitieren, dass man dorthin schaut, wo Schaden nicht sichtbar wird?

3. Wie könnten soziale Medien, die Erfolge hervorheben und Misserfolge verbergen, den Survivorship-Bias bei Karriere- und Lebensentscheidungen verstärken?

4. Gibt es überhaupt eine Möglichkeit, Misserfolge wirklich zu „sehen“, oder arbeiten wir immer mit Daten, die einen Survivorship-Bias enthalten? Wo liegen die Grenzen der Korrekturmethoden?

5. Taleb argumentiert, Ratschläge erfolgreicher Menschen seien womöglich nicht gültiger als Ratschläge von Gescheiterten. Wie sollten wir angesichts dieser Verzerrung über Mentoring und das Lernen von anderen denken?

Zuletzt aktualisiert: 7 November 2026