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. Wir sehen niemals die Fehlschläge, weil sie verschwunden sind. Dies erzeugt ein gefährlich verzerrtes Bild der Realität, in der wir unsere eigenen Erfolgschancen überschätzen, die wahren Ursachen für Erfolg falsch identifizieren und Schlussfolgerungen aus unvollständigen Daten ziehen. Die kritischste Information ist fast immer die Information, die fehlt.

2. Die Wissenschaft dahinter

2.1. Entdeckung und Geschichte

Die intellektuelle Anerkennung des Survivorship Bias geht der modernen Statistik um über zwei Jahrtausende voraus, obwohl seine formale mathematische Behandlung erst während des Zweiten Weltkriegs aufkam.

Antike Ursprünge (5. Jahrhundert v. Chr.): Die früheste dokumentierte Beobachtung stammt von Diagoras von Melos, einem griechischen Dichter und bekannten Atheisten. Als man ihm bemalte Tafeln von Gläubigen zeigte, die Schiffbrüche überlebt hatten, als Beweis für göttliches Eingreifen, antwortete Diagoras berühmt: „Ich sehe diejenigen, die gerettet wurden, aber wo sind diejenigen gemalt, die Schiffbruch erlitten haben?“ Diese Anekdote, von Cicero in De Natura Deorum bewahrt, erfasst den gesamten Mechanismus des Bias – Überlebende sind sichtbar und laut; die Toten schweigen.

Formalisierung in der Renaissance (17. Jahrhundert): Francis Bacon integrierte diese Beobachtung in seine Theorie der „Idole des Geistes“, speziell die Idole des Stammes (Idola tribus). Er stellte fest, dass der menschliche Verstand mehr durch Bejahungen als durch Verneinungen bewegt wird – Erfolge werden registriert, während Misserfolge aus den Aufzeichnungen verschwinden.

Mathematische Behandlung im Zweiten Weltkrieg (1943): Abraham Walds Arbeit mit der Statistical Research Group an der Columbia University lieferte den ersten rigorosen mathematischen Rahmen zur Behandlung des Survivorship Bias und veränderte Operations Research und militärische Strategie für immer.

Revolution in der Finanzökonomie (1990er): Forscher wie Brown, Goetzmann, Elton, Gruber und Blake quantifizierten die Auswirkungen des Bias auf die Leistungsdaten von Investmentfonds und Hedgefonds und demonstrierten seine tiefgreifenden Auswirkungen auf die Anlageanalyse.

Populärphilosophie (2000er): Nassim Nicholas Taleb erhob den Survivorship Bias von einem statistischen Konzept zu einer philosophischen Weltanschauung in Narren des Zufalls (Fooled by Randomness, 2001) und Der Schwarze Schwan (The Black Swan, 2007).

2.2. Wichtige Forscher

2.3. Meilensteinstudien

Verwundbarkeitsanalyse von Flugzeugen (Wald, 1943)

Während des Zweiten Weltkriegs wurde die Statistical Research Group gebeten zu bestimmen, wo Panzerungen an Bomberflugzeugen angebracht werden sollten. Das Militär präsentierte Daten, die Einschusslochkonzentrationen an zurückkehrenden Flugzeugen zeigten: schwere Schäden am Rumpf, an den Tragflächen und am Heck, aber minimale Schäden an den Triebwerken und Cockpits.

Die intuitive Schlussfolgerung des Militärs war, die Bereiche zu panzern, die die meisten Treffer erhielten. Walds kontraintuitive Erkenntnis kehrte diese Empfehlung vollständig um: Panzert die Triebwerke und Cockpits – die Bereiche mit keinen beobachteten Schäden.

Seine Begründung: Feindliches Feuer war wahrscheinlich zufällig über die Flugzeuge verteilt. Die „fehlenden“ Einschusslöcher in den Triebwerken waren kein Beweis dafür, dass Triebwerke nicht getroffen wurden – sie waren der Beweis dafür, dass Flugzeuge, die an den Triebwerken getroffen wurden, nicht zurückkehrten. Das Militär hatte überlebbare Schäden untersucht, keine tödlichen Schäden.

Wald formalisierte dies in seinem Memorandum „A Method of Estimating Plane Vulnerability Based on Damage of Survivors“, in dem er feststellte, dass die beobachtete Trefferdichte bei Überlebenden umgekehrt proportional zur Tödlichkeit von Treffern in diesem Bereich ist.

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

Dieses in der Review of Financial Studies veröffentlichte Papier demonstrierte, dass Standard-Finanzdatenbanken systematisch Aufzeichnungen von liquidierten oder fusionierten Fonds löschten. Da Fonds fast immer aufgrund schlechter Leistung liquidiert werden, schuf diese Verkürzung (Truncation) eine statistische Illusion – die durchschnittliche Fondsleistung schien besser als die Realität und erzeugte scheinbare Korrelationen zwischen Volatilität und Renditen, die „Fähigkeit“ nachahmten, wo keine existierte.

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

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

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

Diese Ergebnisse lieferten starke empirische Unterstützung für die Markteffizienzhypothese (Efficient Market Hypothesis), sobald der Bias korrigiert wurde.

2.4. Neurologische Basis

Der Survivorship Bias entsteht aus grundlegenden Eigenschaften der menschlichen Kognition:

System-1-Denken: Daniel Kahnemans System des „schnellen Denkens“ verwechselt „Leichtigkeit des Erinnerns“ mit „Häufigkeit des Auftretens“. Weil erfolgreiche Beispiele (Steve Jobs, Bill Gates) leicht abrufbar sind, weisen wir ähnlichen Ergebnissen intuitiv eine höhere Wahrscheinlichkeit zu, als die Basisraten rechtfertigen würden.

Verfügbarkeitsheuristik: Das Gehirn verlässt sich bei der Bewertung von Entscheidungen auf sofort verfügbare Beispiele. Erfolge sind von Natur aus „verfügbarer“ – erfolgreiche Unternehmen sind an Börsen notiert, während gescheiterte Unternehmen von der Liste gestrichen werden; erfolgreiche Gebäude stehen, während eingestürzte ersetzt werden.

Grenzen der Mustererkennung: Das menschliche Gehirn hat sich entwickelt, um kausale Narrative aus wahrgenommenen Daten zu extrahieren, kann aber keine Daten verarbeiten, die abwesend sind. Diese fundamentale Begrenzung – wir können nur analysieren, was wir sehen können – ist die neuronale Grundlage des Survivorship Bias.

Zusammenspiel mit Optimismus-Bias: Neuronale Schaltkreise, die mit der Selbsteinschätzung verbunden sind, tendieren zum Optimismus. Bei der Betrachtung überlebensverzerrter Daten fördern diese Schaltkreise die Identifikation mit den Gewinnern anstelle der stillen Mehrheit der Verlierer und verstärken so riskantes Verhalten.

3. Evolutionäre Ursprünge

Der Survivorship Bias ist tief in unserem evolutionären Erbe als mustererkennende Maschinen verwurzelt, die in Umgebungen operieren, in denen Geschwindigkeit oft wichtiger war als Präzision.

Adaptiver Wert in angestammten Umgebungen: Für unsere Vorfahren machte es Sinn, sich auf erfolgreiche Strategien zu konzentrieren. Wenn eine Jagdtechnik, eine Migrationsroute oder eine Nahrungsquelle Überlebende hervorbrachte, war es wert, sie zu imitieren. Die Misserfolge – diejenigen, die andere Ansätze ausprobierten und starben – standen für Rückfragen nicht zur Verfügung. Von sichtbaren Erfolgen zu lernen war eine schnelle, effiziente Heuristik.

Energieerhaltung: Das Gehirn verbraucht etwa 20 % unserer Stoffwechselenergie. Die Analyse abwesender Daten – die Vorstellung all der Misserfolge, die wir nicht sehen können – ist kognitiv aufwendig. Die Evolution bevorzugte Gehirne, die verfügbare Informationen effizient verarbeiteten, anstatt unsichtbare Alternativen erschöpfend zu modellieren.

Feature, kein Bug: In angestammten Umgebungen mit relativ stabilen Bedingungen und sofort beobachtbaren Ergebnissen war durch Überlebende verzerrtes Lernen oft gut genug. Wenn Ihr Nachbar den Winter mit einem bestimmten Unterschlupfdesign überlebte, war es vernünftig, es zu kopieren. Der Bias wird nur in komplexen, modernen Umgebungen problematisch, in denen Misserfolge systematisch verborgen bleiben und die Stichprobe der „Überlebenden“ massiv unrepräsentativ ist.

Das Verfügbarkeits-Missverhältnis: Unsere Gehirne haben sich in kleinen Gruppen entwickelt, in denen die meisten relevanten Ereignisse direkt beobachtbar waren. In der modernen Gesellschaft stoßen wir auf Informationen, die durch mehrere Ebenen der Selektion (Medien, Märkte, Geschichte) gefiltert wurden, was unsere auf Verfügbarkeit basierenden Intuitionen systematisch in die Irre führt.

4. Wie sich dieser Bias manifestiert

4.1. Im Alltag

„So etwas wird heute nicht mehr hergestellt“: Das römische Pantheon, viktorianische Mahagonimöbel und Haushaltsgeräte aus den 1950er Jahren, die „immer noch funktionieren“, sind statistische Ausreißer, die Jahrhunderte der Zerstörung überlebt haben. Die schäbig gebauten römischen Mietshäuser, die einstürzten, billige viktorianische Möbel, die verrotteten, und kaputte 50er-Jahre-Geräte auf Mülldeponien sind unsichtbar. Wir vergleichen das Beste der Vergangenheit mit dem Durchschnitt der Gegenwart.

Der „Klassiker“-Musik-Irrtum: Die Leute behaupten, die Musik der 1960er-70er Jahre sei überlegen gewesen, weil „alle Songs aus dieser Zeit Klassiker sind“. Dies ignoriert, dass Tausende von abgeleiteten, schlecht produzierten Songs veröffentlicht wurden – Radiosender spielen nur das überlebende 1 % der Hits. Wir vergleichen das gefilterte Beste der Vergangenheit mit 100 % der heutigen Produktion.

Beziehungsratschläge von glücklichen Paaren: Wenn wir Beziehungsratschläge suchen, konsultieren wir in der Regel Paare, die noch zusammen sind. Wir hören selten von denen, die die gleichen Ansätze ausprobierten und sich scheiden ließen, möglicherweise indem sie Ratschläge befolgten, die zu ihrem Scheitern beitrugen.

Restaurant-Empfehlungen: Beliebte Restaurants in einer Stadt sind per Definition Überlebende. Die Tausenden von Restaurants, die gescheitert sind – möglicherweise mit identischen Strategien – haben geschlossen und können uns nicht davor warnen, was nicht funktioniert.

4.2. Am Arbeitsplatz

Der Studienabbrecher-Mythos: Die Medien heben Milliardäre wie Gates, Jobs und Zuckerberg als Beweis dafür hervor, dass ein Studienabbruch zum Erfolg führt. Das ignoriert Zehntausende von Abbrechern mit Schulden und geringerem Lebenseinkommen. Die Basisrate für den Erfolg von Studienabbrechern ist statistisch gesehen niedriger als die von Absolventen; die berühmten Beispiele sind extreme Ausreißer.

„Wie ich erfolgreich wurde“-Literatur: Wie Nassim Taleb anmerkt, schreiben gescheiterte Unternehmer keine Bücher mit dem Titel „Wie ich mein Startup in den Bankrott trieb“. Erfolgreiche Unternehmer schreiben „Wie ich es geschafft habe“, und ihr Rat (große Risiken eingehen, Kritiker ignorieren) könnte genau das Verhalten sein, das Verlierer scheitern ließ.

Einstellungen basierend auf „erfolgreichen“ Profilen: Unternehmen erstellen häufig Einstellungsprofile basierend auf den Merkmalen ihrer Top-Performer. Aber ihnen fehlen Daten zu abgelehnten Kandidaten, die möglicherweise genauso gut abgeschnitten hätten, oder zu denjenigen, die mit ähnlichen Eigenschaften eingestellt wurden, dann scheiterten und gingen.

Attributionsfehler bei der Leistung: Bei der Analyse, warum bestimmte Projekte erfolgreich waren, Organisationen untersuchen erfolgreiche Teams. Sie können die Misserfolge nicht untersuchen, die aufgegeben, umstrukturiert oder deren Mitglieder das Team verlassen haben – und finden möglicherweise heraus, dass dieselben „Erfolgsfaktoren“ in beiden vorhanden waren.

4.3. In Wirtschaft und Marketing

„Erfolgsformeln“ für Unternehmertum: Die Beratungsbranche ist ein Monopol, das von Überlebenden geführt wird. „Harte Arbeit“, „Beharrlichkeit“ und „Besessenheit von Qualität“ tauchen in den Geschichten erfolgreicher Unternehmer auf, aber Umfragen auf den Friedhöfen gescheiterter Unternehmer würden wahrscheinlich identische Eigenschaften finden. Das Unterscheidungsmerkmal ist oft Glück, Timing oder äußere Ereignisse.

Produkt-Testimonials: Das Marketing präsentiert zufriedene Kunden. Unzufriedene Kunden, die absprangen, Rückerstattungen forderten oder einfach verschwanden, fehlen im Narrativ und verzerren die wahrgenommene Produktwirksamkeit.

Wettbewerbs-Benchmarking: Unternehmen vergleichen sich mit erfolgreichen Wettbewerbern und lernen aus deren Strategien. Aber Unternehmen, die ähnliche Strategien ausprobierten und scheiterten, wurden übernommen, aufgelöst oder haben sich umorientiert – ihre erfolglosen Strategien sind für die Analyse unsichtbar.

4.4. In Politik und Medien

Konstruktion historischer Narrative: Die Geschichte, geschrieben von Überlebenden, präsentiert deren Perspektiven als definitiv. Die Standpunkte, Warnungen und Alternativen derer, die verloren haben, gestorben sind oder marginalisiert wurden, sind systematisch unterrepräsentiert.

Nachrichten-Überleben: Die Medien berichten über Geschichten, die die redaktionelle Selektion überleben. Tausende von ebenso berichtenswerten Ereignissen bleiben unbemerkt und prägen die öffentliche Wahrnehmung darüber, welche Probleme existieren und welche Lösungen funktionieren.

„Lektionen“ politischer Strategie: Politikanalysten studieren siegreiche Kampagnen, um Erfolgsfaktoren zu extrahieren. Aber Kampagnen, die identische Strategien anwandten und verloren, erhalten weniger Aufmerksamkeit, was möglicherweise zu fehlerhaften strategischen Empfehlungen führt.

4.5. Im Gesundheitswesen

Das Helm-Paradoxon des Ersten Weltkriegs: Als im Ersten Weltkrieg Stahlhelme eingeführt wurden, meldeten Feldlazarette einen dramatischen Anstieg von Kopfverletzungen. Einige meinten, die Helme seien fehlerhaft. Die Realität: Vor den Helmen töteten Schrapnelle am Kopf die Soldaten sofort (als KIA registriert, erreichten nie Lazarette). Helme verwandelten Todesfälle in behandelbare Verletzungen und machten Kopfwunden in den Daten zum ersten Mal sichtbar.

Das „High-Rise-Syndrom“ bei Katzen: Eine tierärztliche Studie aus dem Jahr 1987 ergab, dass Katzen, die aus >7 Stockwerken fielen, weniger Verletzungen aufwiesen als solche, die aus 5-7 Stockwerken fielen, was darauf hindeutete, dass höhere Stürze „sicherer“ seien. Der Bias: Der Datensatz enthielt nur Katzen, die zum Tierarzt gebracht wurden. Katzen, die beim Aufprall aus 30-stöckigen Stürzen starben, wurden begraben und nicht behandelt – was eine Illusion von Sicherheit bei Stürzen aus großer Höhe erzeugte.

Der „Healthy-Worker-Effekt“: Studien zeigen oft, dass Industriearbeiter niedrigere Sterblichkeitsraten aufweisen als die Allgemeinbevölkerung – nicht weil Fabrikarbeit gesund ist, sondern weil die Belegschaft Behinderte, Bettlägerige und unheilbar Kranke ausschließt. Arbeiter sind vorselektierte Überlebende.

Trauma-Mortalitätsstatistiken: Unfallopfer in abgelegenen Gebieten weisen manchmal eine geringere Sterblichkeit im Krankenhaus auf als städtische Opfer. Realität: Schwerverletzte Patienten in abgelegenen Gebieten sterben während des langen Transports, kommen als „Dead on Arrival“ an und werden von der Krankenhausstatistik ausgeschlossen. Städtische Krankenhäuser erhalten kritische Patienten lebend, die dann im Krankenhaus sterben, was die städtischen Sterblichkeitsraten in die Höhe treibt.

4.6. In Finanzen und Investitionen

Performance von Investmentfonds: Standarddatenbanken löschten Aufzeichnungen von liquidierten Fonds. Da Fonds aufgrund schlechter Performance liquidiert werden, bereinigten die Datenbanken Misserfolge, wodurch die durchschnittliche Fondsperformance jährlich um ~0,9 % höher erschien als in der Realität.

Hedgefonds-Daten: Hedgefonds erstatten freiwillig Bericht, was zu einem doppelten Bias führt: Survivorship-Bias (gescheiterte Fonds hören auf zu berichten) und Backfill-/Instant-History-Bias (erfolgreiche Fonds beginnen zu berichten und füllen ihre glücklichen frühen Jahre nach; erfolglose frühe Fonds berichten nie und werden aufgelöst). Malkiel schätzte diesen kombinierten Bias auf eine jährliche Renditeinflation von ~4,4 %.

S&P-500-Backtesting: Die Indexzusammensetzung ändert sich, wenn bankrotte Unternehmen entfernt und wachsende hinzugefügt werden. Das Backtesting anhand der aktuellen S&P-500-Liste erzielt unrealistische Renditen, indem es unbeabsichtigt eine Überlebensrate von 100 % sicherstellt – jedes Unternehmen, das während des Testzeitraums gescheitert ist, wird ausgeschlossen.

Die „Hot-Hand“-Illusion: Frühe Studien deuteten darauf hin, dass Fondsmanager den Markt beständig schlagen könnten. Als Brown und Goetzmann um den Survivorship Bias korrigierten, verschwand ein Großteil dieses scheinbaren Könnens – die „Hot Hand“ (glückliche Hand) war größtenteils das hintere Ende einer Zufallsverteilung.

5. Praxisbezogene Fallstudien

Fallstudie 1: Die Entscheidung zur Bomberpanzerung (Zweiter Weltkrieg)

• Kontext: Schwere Verluste von alliierten Bomberflugzeugen durch feindliches Feuer veranlassten das Militär vorzuschlagen, Flugzeuge mit Panzerplatten zu verstärken. Panzerung fügt jedoch Gewicht hinzu, reduziert Reichweite, Manövrierfähigkeit und Bombenkapazität – sie musste optimal platziert werden.

• Was geschah: Das Militär sammelte umfangreiche Daten zu Einschusslöchern in Bombern, die von Einsätzen zurückkehrten. Die Daten zeigten eine hohe Schadensdichte an Rümpfen, Tragflächen und am Heck, aber minimale Schäden an Triebwerken und Cockpits. Militärkommandeure schlussfolgerten, dass die Panzerung dorthin sollte, wo die Flugzeuge am meisten getroffen wurden.

• Der wirkende Bias: Abraham Wald erkannte, dass die Daten nur Überlebende repräsentierten. Flugzeuge, die in den Triebwerken und Cockpits getroffen wurden, kehrten nicht zurück – sie stürzten in den Ärmelkanal oder auf deutsche Felder ab. Die „fehlenden“ Einschusslöcher waren kein Beweis dafür, dass Triebwerke nicht getroffen wurden; sie waren der Beweis dafür, dass Triebwerkstreffer tödlich waren.

• Konsequenzen: Wald empfahl, Triebwerke und Cockpits zu panzern. Seine Methoden retteten unzählige Leben und Flugzeuge und wurden auch im Korea- und Vietnamkrieg weiter verwendet.

• Gelernte Lektionen: Wenn man Ergebnisse analysiert, sollte man sich immer fragen: „Was ist mit den Fällen passiert, die ich nicht sehen kann?“ Das Fehlen von Beweisen kann selbst ein Beweis für das wichtigste Phänomen sein.

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

• Kontext: Jahrzehntelang tobte eine Debatte darüber, ob aktive Fondsmanager den Markt dauerhaft schlagen könnten („Alpha generieren“). Frühe Studien ließen darauf schließen, dass sie es könnten.

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

• Der wirkende Bias: Diese Verkürzung schuf ein statistisches Trugbild, bei dem die verbleibenden „Überlebens“-Fonds höhere Durchschnittsrenditen zu haben schienen und scheinbare Zusammenhänge zwischen Volatilität und Performance zeigten, die Geschicklichkeit vortäuschten.

• Konsequenzen: Nachdem der jährliche Bias von 0,9 % korrigiert worden war, verschwand die scheinbare Outperformance vieler aktiver Manager, was die Markteffizienzhypothese stark unterstützte und die Art und Weise, wie die Finanzforschung historische Daten verarbeitet, revolutionierte.

• Gelernte Lektionen: Jeder Datensatz mit Abbrüchen, Schließungen oder dem Verschwinden von Daten muss auf Survivorship Bias analysiert werden. Was wie Können oder Outperformance aussieht, können Artefakte einer zensierten Stichprobe sein.

Historisches Beispiel: Diagoras und die Tempeltafeln

Dem antiken griechischen Dichter Diagoras von Melos wurden in einem Tempel Votivtafeln gezeigt – Gemälde, die von Seeleuten in Auftrag gegeben worden waren, die zu den Göttern gebetet und Schiffbrüche überlebt hatten. Sein Freund präsentierte dies als Beweis für göttlichen Schutz.

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

Die ertrunkenen Matrosen konnten keine Gemälde in Auftrag geben. Ein Beobachter, der nur die Beweise im Tempel untersucht, würde schlussfolgern, dass Gebete Sicherheit auf See garantieren – eine Schlussfolgerung, die ausschließlich aus einer zensierten Stichprobe gezogen wurde, bei der die Fähigkeit, Beweise zu liefern, mit dem Überleben korrelierte.

Diese 2.500 Jahre alte Anekdote fasst zusammen, warum der Survivorship Bias so gefährlich ist: Die Überlebenden sind die Einzigen, die ihre Geschichte erzählen können.

6. Die Kosten dieses Bias

6.1. Persönliche Kosten

Verzerrte Risikobewertung: Wenn Individuen nur erfolgreiche Risikoträger sehen, unterschätzen sie die Wahrscheinlichkeit des Scheiterns. Der Studienabbrecher, der kein Milliardär wurde, der Unternehmer, der bankrott ging, obwohl er „alles richtig gemacht hat“, der Investor, der alles bei einer „sicheren Sache“ verlor – ihre Erfahrungen sind unsichtbar, was andere dazu verleitet, schlecht kalibrierte Risiken einzugehen.

Falsch zugeschriebene Erfolgsfaktoren: Menschen übernehmen Verhaltensweisen von Überlebenden (Beharrlichkeit, Risikobereitschaft, Selbstvertrauen), ohne zu erkennen, dass dieselben Eigenschaften auch bei Gescheiterten vorhanden waren. Jahre können mit Strategien verbracht werden, die nie die tatsächlichen Differenzierungsmerkmale waren.

Verschwendete Ressourcen durch Imitation: Das Befolgen von „Erfolgsformeln“, die aus von Überlebenden verzerrten Daten abgeleitet wurden, führt dazu, dass Anstrengungen in Ansätze investiert werden, die eigentlich keinen Erfolg verursachen – sondern in der sichtbaren Stichprobe nur damit korrelieren.

Beschädigtes Selbstbild: Wenn das Befolgen von Ratschlägen von Überlebenden nicht zum Erfolg führt, geben Individuen möglicherweise sich selbst die Schuld, anstatt zu erkennen, dass der Rat auf fehlerhaften Daten basierte.

6.2. Berufliche Kosten

Investitionsverluste: Im Finanzwesen wurde der Survivorship Bias auf eine jährliche Renditeinflation von etwa 0,9-4,4 % quantifiziert. Investoren, die Entscheidungen auf der Grundlage unkorrigierter historischer Daten treffen, überschätzen systematisch erwartete Renditen und unterschätzen Risiken.

Strategische Irreführung: Geschäftsstrategien, die durch die Untersuchung erfolgreicher Unternehmen abgeleitet werden, übersehen die Unternehmen, die identische Strategien verwendeten und scheiterten. Ressourcen fließen in Ansätze, die sich als validiert anfühlen, aber möglicherweise zufällig sind.

Einstellungs- und Talententscheidungen: Profile, die auf erfolgreichen Mitarbeitern basieren, übersehen potenziell hervorragende Kandidaten, die vom sichtbaren Muster abweichen, während die Einstellung von Personen, die dem Profil entsprechen, Eigenschaften replizieren kann, die in keinem Zusammenhang mit der tatsächlichen Leistung stehen.

Fehlschläge in der Produktentwicklung: Das Lernen aus erfolgreichen Produkten, ohne ähnliche gescheiterte Produkte zu studieren, führt zu Investitionen in Features oder Ansätze, die eigentlich keine Erfolgsfaktoren waren.

6.3. Gesellschaftliche Kosten

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

Politische Irreführung: Richtlinien, die auf der Untersuchung erfolgreicher (wirtschaftlicher, sozialer, militärischer) Ergebnisse basieren, ohne Misserfolge mit ähnlichen Merkmalen zu berücksichtigen, führen zu fehlerhaften Interventionen.

Kulturelle Mythenbildung: Das Narrativ des „Self-Made-Erfolgs“, verstärkt durch den Survivorship Bias, verschleiert die Rolle von Glück, Timing und Umständen und prägt die Einstellung zu Ungleichheit und sozialer Mobilität.

Fehler im medizinischen Protokoll: Behandlungsentscheidungen, die auf den Daten von Überlebenden basieren, übersehen möglicherweise, dass bestimmte Patienten unterversorgt wurden oder dass erfolgreiche Ergebnisse trotz – und nicht wegen – spezifischer Interventionen eintraten.

6.4. Statistische Auswirkungen

7. Die verborgenen Vorteile

Der Survivorship Bias ist nicht rein negativ – er diente adaptiven Funktionen und kann in bestimmten Kontexten immer noch Wert bieten.

Effiziente Lernheuristik: In stabilen Umgebungen mit direkt beobachtbaren Ergebnissen ist das Lernen von Überlebenden schnell und relativ genau. Wenn die meisten Unterschlupfdesigns, die für Ihre Nachbarn funktioniert haben, auch für Sie funktionieren werden, ist das Kopieren von Überlebenden effizient.

Motivierende Funktion: Eine gewisse Konfrontation mit Erfolgsgeschichten bietet Motivation und Vorbilder zum Nacheifern. Das vollständige Bewusstsein aller Misserfolge könnte lähmend wirken. Der Schlüssel ist die Kalibrierung der Konfrontation, nicht deren Beseitigung.

Schnelle Entscheidungsfindung: Wenn Geschwindigkeit wichtiger ist als Präzision, kann die Verwendung verfügbarer (von Natur aus überlebensverzerrter) Beispiele besser sein als eine verzögerte Analyse. Nicht jede Entscheidung rechtfertigt eine vollständige Untersuchung.

Legitime Mustererkennung: Manchmal sind Merkmale von Überlebenden tatsächlich kausal und nicht nur korreliert. In Bereichen, in denen Fehlermodi zufällig und Erfolgsfaktoren systematisch sind, tragen Überlebende tatsächliche Informationen in sich.

Das unerwünschte Extrem: Die vollständige Eliminierung des Survivorship Bias würde vor jeder Entscheidung eine erschöpfende Analyse aller möglichen Fehler erfordern. Dies ist kognitiv unmöglich und praktisch lähmend. Das Ziel ist Bewusstsein und angemessene Korrektur, nicht Eliminierung.

8. Selbsteinschätzung: Haben Sie diesen Bias?

8.1. Checkliste der Warnzeichen

• Sie führen häufig erfolgreiche Personen (Jobs, Gates, Musk) als Beweise für Lebens-/Karrierestrategien an
• Sie glauben, dass vergangene Produkte/Musik/Handwerkskunst der heutigen allgemein überlegen waren
• Sie haben bedeutende Entscheidungen basierend auf dem Studium ausschließlich erfolgreicher Beispiele getroffen
• Sie fragen selten: „Was passierte mit denen, die das ausprobiert haben und gescheitert sind?“
• Sie vertrauen historischen Fonds-/Investment-Leistungsdaten für bare Münze
• Sie glauben, dass „Erfolg Spuren hinterlässt“, die verlässlich von Gewinnern extrahiert werden können
• Sie tun Glück/Timing als unbedeutende Faktoren in Erfolgsgeschichten, die Sie bewundern, ab
• Sie haben Ratschläge basierend darauf gegeben, was für Sie funktioniert hat, ohne andere zu berücksichtigen, bei denen es nicht funktioniert hat
• Sie finden „Wie ich erfolgreich wurde“-Bücher/Podcasts sehr überzeugend
• Bei der Analyse von Entscheidungen konzentrieren Sie sich auf Ergebnisse anstatt auf den Prozess, der zu ihnen führte

Auswertung:

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

8.2. Fragen zur Selbstreflexion

1. Wann haben Sie das letzte Mal aktiv nach Fehlergeschichten gesucht, bevor Sie eine wichtige Entscheidung getroffen haben?

2. Denken Sie an einen Erfolg, den Sie erreicht haben – wie viele andere haben ähnliche Ansätze ausprobiert und sind gescheitert? Wissen Sie das überhaupt?

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

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

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

8.3. Schnelles Diagnoseszenario

Szenario: Sie erwägen, ein Unternehmen zu gründen, und lesen, dass 60 % der Unternehmen in Ihrer Branche, die sich auf den Kundenservice konzentrierten, ihre ersten 5 Jahre überlebten. Das scheint ein starker Beweis dafür zu sein, dass der Fokus auf den Kundenservice der Schlüssel zum Überleben ist.

Wie würden Sie das interpretieren?

• A) „Großartig! Ich sollte auf jeden Fall dem Kundenservice Priorität einräumen – die Daten zeigen deutlich, dass es funktioniert.“ → Hohe Anfälligkeit
• B) „Interessant, aber ich frage mich, wie viel Prozent der gescheiterten Unternehmen ebenfalls dem Kundenservice Priorität eingeräumt haben.“ → Moderate Anfälligkeit
• C) „Dies sagt mir nichts, ohne die Kundenserviceraten bei gescheiterten Unternehmen zu kennen. Wenn 60 % der Gescheiterten sich ebenfalls auf den Kundenservice konzentrierten, hat dieser Faktor keinen prädiktiven Wert.“ → Geringe Anfälligkeit

9. Erkennung dieses Bias bei anderen

9.1. Verhaltensindikatoren

In der Sprache:

• Häufige Verwendung berühmter Erfolgsgeschichten als universeller Beweis
• Verallgemeinerungen aus kleinen Stichproben sichtbarer Gewinner
• Ablehnung von Glücks-/Timingfaktoren in Erfolgsnarrativen
• Extrapolation davon, „was funktioniert“, ohne unsichtbare Misserfolge anzuerkennen

Bei der Entscheidungsfindung:

• Übermäßiges Vertrauen in Fallstudien erfolgreicher Unternehmen/Personen
• Untergewichtung von Basisraten und Fehlerhäufigkeiten
• Benchmarking ausschließlich gegen erfolgreiche Wettbewerber
• Vertrauen in historische Leistungsdaten, ohne die Datenerhebung zu hinterfragen

In Argumentationen:

• Die Existenz erfolgreicher Beispiele als Beweis für die Gültigkeit einer Strategie nutzen
• Argumentieren, „X funktionierte bei Y“, ohne Zs zu berücksichtigen, bei denen X scheiterte
• Das Fehlen von Beweisen (keine bekannten Misserfolge) als Beweis für das Nichtvorhandensein interpretieren

9.2. Konversationale Warnsignale (Red Flags)

Sätze, die Menschen sagen, wenn sie unter diesem Bias stehen:

• „Sieh dir [berühmter Erfolg] an – sie haben X getan, und es hat funktioniert!“
• „Alle erfolgreichen Menschen, die ich kenne, haben Merkmal Y.“
• „Die Daten zeigen, dass dieser Ansatz eine großartige Erfolgsbilanz aufweist.“
• „So etwas wie früher wird heute nicht mehr hergestellt.“
• „Jedes großartige Unternehmen hat diese Eigenschaft.“

Arten von Argumenten, die sie vorbringen:

• Induktion aus sichtbarem Erfolg ohne Berücksichtigung der Ausfallrate
• „Beweis durch Beispiel“ unter ausschließlicher Verwendung überlebender Fälle

Fragen, die sie vermeiden zu stellen:

• „Wie viele haben diesen Ansatz ausprobiert und sind gescheitert?“
• „Was ist die Basisrate des Erfolgs für diese Strategie?“
• „Warum sehen wir die Fehler in diesem Datensatz möglicherweise nicht?“

9.3. Situative Auslöser

Umstände, die den Bias aktivieren:

• Zugang zu kuratierten Erfolgsgeschichten (Medien, Bücher, Konferenzen)
• Analyse von Datenbanken mit Dropout-/Schließungs-/Löschungsmechanismen
• Jede Bewertung, bei der Fehler aus dem Blickfeld verschwinden
• Retrospektive Analyse aktueller Marktführer

Emotionale Zustände, die die Verwundbarkeit erhöhen:

• Optimismus über eine bereits getroffene Entscheidung
• Der Wunsch, einen Ansatz zu rechtfertigen
• Bewunderung für eine erfolgreiche Persönlichkeit

Zeitdruck:

• Dringlichkeit verringert die Wahrscheinlichkeit, nach entkräftenden (Fehler-)Daten zu suchen
• Deadlines begünstigen verfügbare Beispiele gegenüber erschöpfender Suche

10. Kognitive Debiasing-Strategien

10.1. Sofortige Techniken

Die Diagoras-Frage: Bevor Sie eine Entscheidung auf der Grundlage von Erfolgsbeispielen treffen, fragen Sie explizit: „Wo sind die Schiffbrüchigen?“ Wer hat das ausprobiert und ist gescheitert? Warum kann ich sie nicht sehen?

Die Daten invertieren: Wenn Ihnen Überlebensmerkmale präsentiert werden, konstruieren Sie gedanklich den „Friedhof der Misserfolge“. Hätten gescheiterte Fälle auch diese Eigenschaften? Wenn dies unbekannt ist, sind die Daten unvollständig.

Basisraten-Check: Bevor Sie von Erfolgen extrapolieren, schätzen Sie den Nenner. „Von allen, die diesen Ansatz versucht haben, wie viele waren erfolgreich?“ Wenn unbekannt, erkennen Sie die Unsicherheit an.

Inventar der Fehlermodi: Listen Sie alle Möglichkeiten auf, wie die analysierten Beispiele hätten scheitern und verschwinden können. Autofirmen, die bankrott gingen, Restaurants, die schlossen, Fonds, die liquidiert wurden – wohin sind sie gegangen?

Quellen-Hinterfragung: Fragen Sie sich bei jedem Datensatz: „Was ist der Dropout-/Löschungs-/Überlebensmechanismus?“ Wie werden Fehler entfernt? Dies deckt die Bias-Struktur auf.

10.2. Langfristige Strategien

Misserfolge absichtlich studieren: Suchen Sie nach Post-Mortems, Insolvenzanalysen, Geschichten über gescheiterte Startups. „Startup Failure Post-Mortems“ von CB Insights und ähnliche Ressourcen liefern die stille Evidenz, die typischerweise fehlt.

Pre-Mortem-Praxis: Führen Sie vor Beginn von Projekten „Pre-Mortems“ durch – stellen Sie sich vor, das Projekt ist gescheitert, und arbeiten Sie rückwärts, um die Ursachen zu identifizieren. Dies trainiert den mentalen Muskel, sich Fehler vorzustellen.

Wahrscheinlichkeitskalibrierung: Üben Sie das Schätzen von Basisraten, bevor Sie Daten nachschlagen. Verfolgen Sie Ihre Genauigkeit. Dies baut eine Intuition dafür auf, wie oft sichtbare Erfolgsraten die wahren Erfolgsraten überbewerten.

Historische Kontrafaktuale: Wenn Sie Geschichte studieren, ziehen Sie aktiv alternative Pfade in Betracht – was fast passiert wäre, wer fast erfolgreich gewesen wäre, welche anderen Ergebnisse möglich waren. Nassim Taleb nennt diese „alternative Historien“.

10.3. Umgebungsdesign

Dateninfrastruktur: Verwenden Sie „Point-in-Time“-Datensätze, die Aufzeichnungen von Fehlern zu dem Zeitpunkt bewahren, an dem sie existierten, anstatt Datensätze über den aktuellen Zustand, die nur Überlebende anzeigen.

Fehlerbibliotheken: Das organisationale Wissensmanagement sollte gescheiterte Projekte archivieren, nicht nur erfolgreiche. Post-Mortems sollten genauso zugänglich sein wie Erfolgsfallstudien.

Advocatus-Diaboli-Protokolle: Institutionalisieren Sie Rollen, die bei strategischen Entscheidungen gezielt nach widerlegenden Beweisen und fehlenden Fehlerdaten suchen.

Diverse Beratungsnetzwerke: Nehmen Sie Menschen in Ihren Beraterkreis auf, die Misserfolge erlebt haben. Ihre Perspektive liefert die „stille Evidenz“, die typischerweise fehlt.

10.4. Wann man externen Input einholen sollte

Entscheidungstypen, die externe Validierung erfordern:

• Größere Investitionen basierend auf historischen Leistungsdaten
• Strategieentscheidungen basierend auf Wettbewerbsanalysen
• Karriere-/Lebensentscheidungen basierend auf Erfolgsgeschichten
• Medizinische Entscheidungen basierend auf Behandlungsoutcomedaten

Wen man konsultieren sollte:

• Statistiker, die mit Selektionsbias vertraut sind
• Menschen, die bei dem Ansatz, den Sie in Betracht ziehen, gescheitert sind
• Forscher, die die Fehlerraten der spezifischen Domäne untersuchen
• Teufelsadvokaten (Devil's advocates), die beauftragt sind, die fehlenden Daten zu finden

Wie man Anfragen formuliert:

• „Was ist hier der Nenner?“
• „Was ist mit denen passiert, die das ausprobiert haben und gescheitert sind?“
• „Wie werden diese Daten erhoben, und was führt dazu, dass Fälle verschwinden?“

11. Praktische Übungen

Übung 1: Der Spaziergang über den Friedhof der Misserfolge

• Ziel: Intuition für unsichtbare Fehler entwickeln
• Benötigte Zeit: 45 Minuten
• Benötigte Materialien: Internetzugang, Notizbuch
• Schwierigkeitsgrad: Anfänger
• Anweisungen:
  1. Wählen Sie eine Domäne, die Sie interessiert (Startups, Restaurants, Produkte usw.)
  2. Identifizieren Sie 5 berühmte Erfolge in dieser Domäne
  3. Recherchieren Sie für jeden Erfolg 3 Zeitgenossen, die ähnliche Ansätze ausprobierten und scheiterten
  4. Notieren Sie, welche Eigenschaften/Strategien die Fehlschläge mit den Erfolgen teilten
  5. Dokumentieren Sie, warum die Misserfolge typischerweise unsichtbar sind (Bankrott, Übernahme, Löschung usw.)
• Reflexionsfragen:
  • Wie schwer war es, die Misserfolge zu finden?
  • Welche „Erfolgsfaktoren“ tauchten sowohl bei Erfolgen als auch bei Misserfolgen auf?
  • Wie verändert dies Ihre Sicht darauf, was den Erfolg verursacht hat?
• Häufigkeit: Monatlich, besonders vor wichtigen Entscheidungen

Übung 2: Datensatz-Autopsie

• Ziel: Lernen, Survivorship Bias in Datenquellen zu identifizieren
• Benötigte Zeit: 60 Minuten
• Benötigte Materialien: Zugang zu einem Datensatz, den Sie verwenden (Finanz-, Geschäfts-, Leistungsdaten)
• Schwierigkeitsgrad: Fortgeschritten
• Anweisungen:
  1. Wählen Sie einen Datensatz aus, auf den Sie sich bei Entscheidungen verlassen
  2. Dokumentieren Sie die Methode der Datenerhebung
  3. Identifizieren Sie alle Mechanismen, durch die Aufzeichnungen entfernt werden könnten (Schließung, Fusion, Löschung, Nichtmeldung)
  4. Schätzen Sie ab, welcher Prozentsatz der ursprünglichen Population fehlen könnte
  5. Überlegen Sie, wie sich die fehlenden Daten von den überlebenden Daten unterscheiden könnten
• Reflexionsfragen:
  • Was würde sich ändern, wenn Sie die fehlenden Daten sehen könnten?
  • Wie zuversichtlich sollten Sie bei Schlussfolgerungen sein, die aus diesen Daten gezogen werden?
  • Welche Anpassungen könnten angemessen sein?
• Häufigkeit: Wann immer Sie historische Daten für Entscheidungen nutzen

Übung 3: Pre-Mortem-Ritual

• Ziel: Misserfolge systematisch visualisieren, bevor sie unsichtbar werden
• Benötigte Zeit: 30 Minuten
• Benötigte Materialien: Papier, Timer
• Schwierigkeitsgrad: Experte
• Anweisungen:
  1. Versammeln Sie das Team, bevor Sie ein Projekt starten
  2. Stellen Sie einen Timer auf 20 Minuten
  3. Stellen Sie sich vor, es ist ein Jahr vergangen und das Projekt ist komplett gescheitert
  4. Jede Person notiert alle Gründe, warum es gescheitert ist (zunächst unabhängig voneinander)
  5. Teilen und konsolidieren Sie die Fehlermodi
• Reflexionsfragen:
  • Welche Fehlermodi sind am wahrscheinlichsten?
  • Welche Ausfälle würden für zukünftige Analysten keine Beweise hinterlassen?
  • Wie können Sie verhindern, zu unsichtbaren, gescheiterten Daten zu werden?
• Häufigkeit: Zu Beginn jedes bedeutenden Projekts

Tägliche Praxis

Die abendliche Misserfolgs-Frage: Überprüfen Sie jeden Abend eine von Ihnen getroffene Entscheidung und fragen Sie: „Welche Fehler sehe ich nicht, die dies informieren sollten?“

• Empfohlene Dauer: 5 Minuten
• Beste Tageszeit: Abend
• Wie man Fortschritte verfolgt: Halten Sie täglich eine Erkenntnis über „verborgene Fehler“ in einem Journal fest

Wöchentliche Herausforderung

Jagd nach der stillen Evidenz: Wählen Sie jede Woche eine Überzeugung aus, die Sie aufgrund sichtbarer Beweise haben, und suchen Sie aktiv nach der „stillen Evidenz“, die ihr widersprechen könnte.

• Erwartete Ergebnisse nach 4 Wochen: Deutlich verbesserte Intuition für die Frage nach dem „Was fehlt“ und geringeres Vertrauen in Schlussfolgerungen aus rein sichtbaren Daten
• Journaling-Prompts zur Reflexion:
  • Welchen Glauben habe ich diese Woche untersucht?
  • Welche stille Evidenz habe ich entdeckt?
  • Wie hat das Finden mein Vertrauensniveau verändert?

12. Für spezifische Zielgruppen

Für Führungskräfte und Manager

Strategische Planung: Wenn Sie Erfolge von Mitbewerbern analysieren, ordnen Sie an, dass die Strategieteams auch Mitbewerber studieren, die ähnliche Strategien verwendet haben und gescheitert sind. Die Misserfolge könnten aufdecken, dass beobachtete „Erfolgsfaktoren“ nicht kausal sind.

Post-Projekt-Analyse: Archivieren und studieren Sie gescheiterte Projekte ebenso rigoros wie erfolgreiche. Das Lernen aus Fehlern ist oft wertvoller, und ohne bewusste Bewahrung verschwindet es.

Einstellungsentscheidungen: Seien Sie vorsichtig bei Profilen, die von Top-Performern abgeleitet sind. Überlegen Sie, welche Kandidaten abgelehnt wurden, die hätten erfolgreich sein können, und welche Einstellungen dem Profil entsprachen, aber scheiterten und das Unternehmen verließen.

Entscheidungsdokumentation: Protokollieren Sie nicht nur die Ergebnisse, sondern auch die Informationen und die Begründung zum Zeitpunkt der Entscheidung. Dies ermöglicht eine ehrliche Bewertung, selbst wenn Misserfolge durch Weggang, Umstrukturierung oder Überarbeitung „verschwinden“.

Kulturaufbau: Feiern und diskutieren Sie Fehler offen. Dies hält sie im organisationalen Gedächtnis sichtbar, anstatt sie zum Schweigen zu bringen.

Für Eltern und Erzieher

Das Konzept lehren: Verwenden Sie die Geschichte von Diagoras – sie ist für Kinder zugänglich. Fragen Sie: „Wenn wir nur von Leuten hören, die gewonnen haben, was lernen wir dann nicht?“

Erfolgsgeschichte-Balance: Wenn Sie inspirierende Geschichten teilen, teilen Sie auch Geschichten vom Scheitern. „Viele Leute haben genau das versucht, was sie getan hat, und es hat nicht funktioniert. Was könnte den Unterschied ausgemacht haben?“

Naturwissenschaftlicher Unterricht: Der Survivorship Bias ist ein hervorragender Einstieg zum Verständnis von Stichproben, Selektion und experimentellem Design. Verwenden Sie das Beispiel der Weltkriegsbomber – es ist anschaulich und kontraintuitiv.

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

Für medizinisches Fachpersonal

Interpretation klinischer Studien: Achten Sie auf Dropout-Muster. Patienten, die die Behandlung abbrechen, können sich systematisch von denen unterscheiden, die sie fortsetzen. Eine Intention-to-Treat-Analyse adressiert dies teilweise.

Historische Behandlungsbewertung: „Traditionelle“ Behandlungen, die „den Test der Zeit bestanden“ haben, sind möglicherweise einfach nur Überlebende. Unwirksame Behandlungen, die aufgegeben wurden, hinterlassen keine Spuren.

Mustererkennung in der Diagnostik: Einprägsame Fälle (Überlebende im Gedächtnis) repräsentieren möglicherweise nicht die Basisraten. Erinnern Sie sich beim Abgleich von Mustern aktiv an Fälle mit anderen Ausgängen.

Mortalitätsstatistiken: Verstehen Sie, wie „Dead on Arrival“-Ausschlüsse, Verlegungsmuster und Dokumentationspraktiken einen Survivorship Bias in den Ergebnisdaten erzeugen.

Für Finanzexperten

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

Kundenkommunikation: Wenn Sie die historische Performance zeigen, erklären Sie, was fehlt. „Dieser Index zeigt Unternehmen, die heute existieren. Unternehmen, die gescheitert sind, sind nicht enthalten, was die vergangene Performance besser aussehen lässt, als sie war.“

Skepsis beim Backtesting: Point-in-Time-Daten sind unerlässlich. Jedes Backtesting mit der aktuellen Indexzusammensetzung hat faktisch ein 100%iges Überleben erreicht – eine unmögliche Bedingung.

Hedgefonds Due Diligence: Berücksichtigen Sie sowohl Survivorship- als auch Backfill-Bias. Der kombinierte Effekt (~4,4 % laut Malkiel) bedeutet, dass die gemeldete durchschnittliche Hedgefonds-Performance die Realität erheblich überbewertet.

13. Wechselwirkungen mit anderen Biases

Biases, die den Survivorship Bias verstärken

Biases, die dem Survivorship Bias entgegenwirken

Häufige Bias-Ketten

Die Erfolgsemulations-Kaskade: Survivorship Bias (nur Gewinner sehen) → Verfügbarkeitsheuristik (Gewinner dominieren das Gedächtnis) → Narrativer Fehlschluss (kausale Geschichte aus Gewinner-Merkmalen konstruieren) → Übermäßiges Selbstvertrauen (glauben, dass die Geschichte den Erfolg erklärt) → Bestätigungsfehler (Beweise suchen, die die Geschichte stützen) → Risikofehlkalkulation (Fehlerwahrscheinlichkeit unterschätzen)

Unterbrechungspunkt: Die Kette kann frühzeitig unterbrochen werden, indem explizit gefragt wird: „Wo sind die Misserfolge?“, bevor sich das Narrativ bildet. Sobald eine überzeugende Geschichte konstruiert ist, wird es viel schwieriger, sie umzustoßen.

14. Kulturelle Perspektiven

Der Survivorship Bias manifestiert sich in allen Kulturen, kann aber durch den kulturellen Kontext verstärkt oder abgemildert werden.

Individualistische vs. kollektivistische Kulturen: In stark individualistischen Kulturen (z. B. den Vereinigten Staaten) ist das Narrativ des „Self-Made-Erfolgs“ besonders prominent, was den Survivorship Bias im Kontext persönlicher Erfolge potenziell verstärkt. Kollektivistische Kulturen haben möglicherweise eine größere Sichtbarkeit von Misserfolgen innerhalb von Eigengruppen, was den Bias teilweise abmildert.

Kulturen mit hoher Machtdistanz: In Kulturen mit hoher Machtdistanz werden Erfolge möglicherweise noch mehr gefeiert, während Misserfolge verborgen bleiben, um Scham zu vermeiden, was die Sichtbarkeit von reinen Überlebens-Ergebnissen potenziell erhöht.

Risikoeinstellungen: Kulturen mit höherer Risikotoleranz sind möglicherweise anfälliger dafür, Lehren aus sichtbaren Risikoträgern zu ziehen, während risikoaverse Kulturen möglicherweise natürlicher nach mehr Fehlerdaten suchen.

15. Mythen und Missverständnisse

16. Experteneinsichten

„Ich sehe diejenigen, die gerettet wurden, aber wo sind diejenigen gemalt, die Schiffbruch erlitten haben?“ — Diagoras von Melos, 5. Jahrhundert v. Chr.

„Der Friedhof der gescheiterten Restaurants ist sehr still. Sogar die großartigsten Gedankenexperimente und Bücher haben sehr wenig darüber geschrieben, wie man im Restaurantgeschäft NICHT scheitert, weil Menschen, die scheitern, keine Bücher schreiben.“ — Nassim Nicholas Taleb, Narren des Zufalls

„Der menschliche Verstand wird mehr durch Bejahungen als durch Verneinungen bewegt.“ — Francis Bacon, Novum Organum

„[Die SRG war] die außergewöhnlichste Gruppe von Statistikern, die jemals organisiert wurde.“ — W. Allen Wallis, Direktor der Statistical Research Group

17. Wichtigste Erkenntnisse

1. Der Survivorship Bias ist universell und uralt – anerkannt von Diagoras vor 2.500 Jahren, formalisiert von Wald im Zweiten Weltkrieg und quantifiziert im modernen Finanzwesen.

2. Der Bias erzeugt systematisch trügerische Daten – nicht nur unvollständig, sondern aktiv irreführend, weil das Fehlen von Fehlern die Form der sichtbaren Verteilung verändert.

3. Was fehlt, ist oft die wichtigste Information – Walds Erkenntnis, dass sich die „fehlenden“ Einschusslöcher auf abgestürzten Flugzeugen befanden, ist das Paradigma für jede Survivorship-Bias-Analyse.

4. Die finanziellen Auswirkungen sind quantifizierbar – etwa 0,9 % jährlich bei Investmentfonds, 4,4 % bei Hedgefonds und unbekannt, aber beträchtlich bei Backtesting-Fehlern.

5. Das Gegenmittel ist die aktive Suche nach dem Unsichtbaren – sich ständig zu fragen: „Wo sind die Schiffbrüchigen?“, ist die Disziplin, die vor diesem Bias schützt.

6. Korrekturmethoden existieren – Heckman-Korrektur, inverse Wahrscheinlichkeitsgewichtung (IPW), Kaplan-Meier-Schätzer und Point-in-Time-Datenbanken können den Bias teilweise adressieren.

7. Sichtbarkeit ist keine Gültigkeit – die Leichtigkeit, mit der wir erfolgreiche Beispiele sehen, sagt uns nichts über ihre Repräsentativität für die Gesamtpopulation aus.

18. Weitere Ressourcen

Wissenschaftliche Papiere

• 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.
• Elton, E. J., Gruber, M. J., & Blake, C. R. (1996). Survivorship Bias and Mutual Fund Performance. Review of Financial Studies, 9(4), 1097-1120.
• Wald, A. (1943). A Method of Estimating Plane Vulnerability Based on Damage of Survivors. Statistical Research Group Memorandum.

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 v. Chr.). De Natura Deorum [Über die Natur der Götter]. Buch III (enthält die Anekdote von Diagoras).

19. Zusammenfassungskarte

20. Glossar der verwendeten Begriffe

21. Diskussionsfragen

Für Buchclubs, Klassenzimmer oder zur Selbstreflexion:

1. Können Sie eine wichtige Lebensentscheidung identifizieren, die Sie hauptsächlich auf der Grundlage sichtbarer Erfolgsgeschichten getroffen haben? Welche Fehler konnten Sie nicht sehen?

2. Wald empfahl, dort zu panzern, wo die Einschusslöcher nicht waren. Welche aktuellen Probleme könnten davon profitieren, dorthin zu schauen, wo Schäden nicht auftreten?

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

4. Gibt es irgendeine Möglichkeit, Fehler wirklich zu „sehen“, oder arbeiten wir immer mit durch Überlebende verzerrten Daten? Was sind die Grenzen von Korrekturmethoden?

5. Taleb argumentiert, dass Ratschläge von erfolgreichen Menschen möglicherweise nicht gültiger sind als Ratschläge von Gescheiterten. Wie sollten wir angesichts dieses Bias über Mentoring und das Lernen von anderen denken?