સર્વાઇવરશિપ બાયસ (બચી ગયેલાનો પૂર્વગ્રહ)

એક નજરમાં

1. ઝડપી સારાંશ

જ્યારે આપણે સફળતાનું વિશ્લેષણ કરીએ છીએ, ત્યારે આપણે માત્ર વિજેતાઓને જ જોઈએ છીએ - એવી કંપનીઓ જે સમૃદ્ધ થઈ, ઇમારતો જે હજુ પણ ઉભી છે, લોકો જે સફળ થયા. આપણે ક્યારેય નિષ્ફળતાઓ જોતા નથી કારણ કે તે અદૃશ્ય થઈ ગઈ છે. આ વાસ્તવિકતાનું ભયજનક રીતે વિકૃત ચિત્ર બનાવે છે જ્યાં આપણે આપણી સફળતાની તકોને વધારે પડતો અંદાજ આપીએ છીએ, સફળતાનું કારણ શું છે તે ખોટી રીતે ઓળખીએ છીએ અને અધૂરા ડેટા પરથી નિષ્કર્ષ કાઢીએ છીએ. સૌથી મહત્વપૂર્ણ માહિતી લગભગ હંમેશા તે માહિતી છે જે ખૂટે છે.

2. તેની પાછળનું વિજ્ઞાન

2.1. શોધ અને ઇતિહાસ

સર્વાઇવરશિપ બાયસની બૌદ્ધિક ઓળખ આધુનિક આંકડાશાસ્ત્ર કરતાં બે સહસ્ત્રાબ્દી કરતાં પણ જૂની છે, જોકે તેની ઔપચારિક ગાણિતિક સારવાર બીજા વિશ્વયુદ્ધ દરમિયાન ઉભરી આવી હતી.

પ્રાચીન મૂળ (5મી સદી બીસીઇ): સૌથી જૂનું દસ્તાવેજી અવલોકન ગ્રીક કવિ અને જાણીતા નાસ્તિક મેલોસના ડાયાગોરાસ તરફથી આવે છે. જ્યારે દૈવી હસ્તક્ષેપના પુરાવા તરીકે જહાજ ભંગાણમાંથી બચી ગયેલા ઉપાસકોની પેઇન્ટેડ ગોળીઓ દર્શાવવામાં આવી, ત્યારે ડાયાગોરાસે પ્રખ્યાત જવાબ આપ્યો: "હું જોઉં છું કે જેઓ બચી ગયા છે, પરંતુ જેઓ જહાજ ભંગાણમાં ડૂબી ગયા હતા તેઓ ક્યાં દોરવામાં આવ્યા છે?" આ કિસ્સો, સિસેરો દ્વારા ડી નેચુરા ડિઓરમમાં સાચવવામાં આવ્યો છે, તે પૂર્વગ્રહની સમગ્ર પદ્ધતિને પકડી પાડે છે - બચી ગયેલા લોકો દૃશ્યમાન અને અવાજવાળા હોય છે; મૃતકો મૌન હોય છે.

પુનરુજ્જીવન ઔપચારિકરણ (17મી સદી): ફ્રાન્સિસ બેકને આ અવલોકનને તેમના "મનના મૂર્તિઓ" (Idols of the Mind) સિદ્ધાંતમાં, ખાસ કરીને આદિજાતિની મૂર્તિઓ (Idols of the Tribe) માં એકીકૃત કર્યું. તેમણે નોંધ્યું કે માનવ બુદ્ધિ નકારાત્મક કરતા હકારાત્મક બાબતોથી વધુ પ્રભાવિત થાય છે - સફળતાઓ નોંધાય છે જ્યારે નિષ્ફળતાઓ રેકોર્ડમાંથી અદૃશ્ય થઈ જાય છે.

બીજા વિશ્વયુદ્ધની ગાણિતિક સારવાર (1943): કોલંબિયા યુનિવર્સિટી ખાતે સ્ટેટિસ્ટિકલ રિસર્ચ ગ્રુપ સાથે અબ્રાહમ વાલ્ડના કાર્યએ સર્વાઇવરશિપ બાયસને સંબોધવા માટે પ્રથમ સખત ગાણિતિક માળખું પૂરું પાડ્યું, જેણે ઓપરેશનલ સંશોધન અને લશ્કરી વ્યૂહરચનાને કાયમ માટે બદલી નાખી.

નાણાકીય અર્થશાસ્ત્ર ક્રાંતિ (1990ના દાયકા): બ્રાઉન, ગોએટ્ઝમેન, એલ્ટન, ગ્રુબર અને બ્લેક સહિતના સંશોધકોએ મ્યુચ્યુઅલ ફંડ અને હેજ ફંડ પરફોર્મન્સ ડેટા પર પૂર્વગ્રહની અસરનું પ્રમાણ નક્કી કર્યું, રોકાણ વિશ્લેષણ પર તેની ગહન અસરો દર્શાવી.

લોકપ્રિય ફિલસૂફી (2000ના દાયકા): નસીમ નિકોલસ તાલેબે ફૂલ્ડ બાય રેન્ડમનેસ (2001) અને ધ બ્લેક સ્વાન (2007) માં સર્વાઇવરશિપ બાયસને આંકડાકીય ખ્યાલમાંથી દાર્શનિક વિશ્વ દૃષ્ટિકોણમાં ઉન્નત કર્યો.

2.2. મુખ્ય સંશોધકો

2.3. સીમાચિહ્નરૂપ અભ્યાસો

વિમાનની નબળાઈ વિશ્લેષણ (વાલ્ડ, 1943)

બીજા વિશ્વયુદ્ધ દરમિયાન, બોમ્બર એરક્રાફ્ટ પર બખ્તર ક્યાં મૂકવું તે નક્કી કરવા માટે સ્ટેટિસ્ટિકલ રિસર્ચ ગ્રુપને કહેવામાં આવ્યું હતું. સૈન્યએ પરત ફરતા વિમાનો પર બુલેટ હોલની સાંદ્રતા દર્શાવતો ડેટા રજૂ કર્યો: ફ્યુઝલેજ, પાંખો અને પૂંછડી પર ભારે નુકસાન, પરંતુ એન્જિન અને કોકપિટ્સ પર ન્યૂનતમ નુકસાન.

લશ્કરનો સાહજિક નિષ્કર્ષ એવા વિસ્તારોમાં બખ્તર લગાવવાનો હતો જે સૌથી વધુ હિટ મેળવતા હતા. વાલ્ડની વિરોધી-સાહજિક આંતરદૃષ્ટિએ આ ભલામણને સંપૂર્ણપણે ઉલટાવી દીધી: એન્જિન અને કોકપિટ્સ પર બખ્તર લગાવો - એવા વિસ્તારોમાં જ્યાં કોઈ નુકસાન જોવા મળ્યું ન હતું.

તેમનો તર્ક: દુશ્મનની ગોળીબાર વિમાનમાં અવ્યવસ્થિત રીતે વિતરિત થવાની સંભાવના હતી. એન્જિનમાં "ખૂટતા" બુલેટ છિદ્રો એ પુરાવા ન હતા કે એન્જિન હિટ નહોતા થઈ રહ્યા - તે પુરાવા હતા કે એન્જિનમાં હિટ થયેલા વિમાનો પાછા ફર્યા ન હતા. લશ્કર જીવી શકાય તેવા નુકસાનની તપાસ કરી રહ્યું હતું, જીવલેણ નુકસાનની નહીં.

વાલ્ડે તેમના મેમોરેન્ડમ "અ મેથડ ઓફ એસ્ટીમેટીંગ પ્લેન વલ્નરેબિલીટી બેસ્ડ ઓન ડેમેજ ઓફ સર્વાઇવર્સ" માં આને ઔપચારિક સ્વરૂપ આપ્યું, એ સ્થાપિત કર્યું કે બચી ગયેલા વિમાનો પર જોવા મળતી હિટ ડેન્સિટી તે વિસ્તારની હિટની ઘાતકતાના વ્યસ્ત પ્રમાણમાં હોય છે.

મ્યુચ્યુઅલ ફંડ સર્વાઇવરશિપ બાયસ (બ્રાઉન, ગોએટ્ઝમેન, એટ અલ., 1992)

રિવ્યૂ ઓફ ફાઇનાન્સિયલ સ્ટડીઝ માં પ્રકાશિત થયેલા આ પેપરમાં દર્શાવવામાં આવ્યું છે કે પ્રમાણભૂત નાણાકીય ડેટાબેઝે ફડચામાં ગયેલા અથવા વિલીન થયેલા ફંડના રેકોર્ડને વ્યવસ્થિત રીતે કાઢી નાખ્યા છે. મોટાભાગે ફંડ નબળા પ્રદર્શનને કારણે ફડચામાં જાય છે, આ કાઢી નાખવાથી એક આંકડાકીય મૃગજળ સર્જાયું - સરેરાશ ફંડનું પ્રદર્શન વાસ્તવિકતા કરતાં વધુ સારું દેખાય છે અને અસ્થિરતા અને વળતર વચ્ચે નકલી સહસંબંધો ઊભા થયા છે જે કોઈ અસ્તિત્વમાં ન હોય તેવા "કૌશલ્ય" ની નકલ કરે છે.

સર્વાઇવરશિપ બાયસ અને મ્યુચ્યુઅલ ફંડ પરફોર્મન્સ (એલ્ટન, ગ્રુબર અને બ્લેક, 1996)

આ સીમાચિહ્નરૂપ અભ્યાસ 1976 ના અંતમાં અસ્તિત્વમાં રહેલા દરેક મ્યુચ્યુઅલ ફંડને ટ્રૅક કરે છે. મુખ્ય તારણો:

• સર્વાઇવરશિપ બાયસના કારણે વાર્ષિક વળતર આશરે 0.9% (90 બેસિસ પોઈન્ટ્સ) વધ્યું છે.
• મોટા ફંડની સરખામણીમાં નાના ફંડ માટે પૂર્વગ્રહ નોંધપાત્ર રીતે મોટો હતો.
• જે ફંડ વિલીન થયા (મોટેભાગે મોટા ફંડમાં નબળા રેકોર્ડ છુપાવવા) અને જે ફડચામાં ગયા તે બંનેએ પૂર્વગ્રહમાં ફાળો આપ્યો.

આ તારણોએ કાર્યક્ષમ બજાર પૂર્વધારણા (Efficient Market Hypothesis) માટે મજબૂત પ્રયોગમૂલક સમર્થન પૂરું પાડ્યું, એકવાર પૂર્વગ્રહ સુધારી લેવામાં આવ્યો.

2.4. ન્યુરોલોજીકલ આધાર

સર્વાઇવરશિપ બાયસ માનવ સમજશક્તિની મૂળભૂત લાક્ષણિકતાઓમાંથી ઉદ્ભવે છે:

સિસ્ટમ 1 થિંકિંગ: ડેનિયલ કાહ્નમેનની "ઝડપી વિચારસરણી" સિસ્ટમ "યાદ કરવામાં સરળતા" અને "ઘટનાની આવર્તન" ને જોડે છે. કારણ કે સફળ ઉદાહરણો (સ્ટીવ જોબ્સ, બિલ ગેટ્સ) સરળતાથી યાદ આવે છે, અમે બેઝ રેટ્સ દ્વારા ખાતરી આપવામાં આવેલ પરિણામો કરતાં સમાન પરિણામોની ઉચ્ચ સંભાવના આપમેળે નક્કી કરીએ છીએ.

અવેલેબિલિટી હ્યુરિસ્ટિક: જ્યારે નિર્ણયોનું મૂલ્યાંકન કરતી વખતે, મગજ તરત જ ઉપલબ્ધ ઉદાહરણો પર આધાર રાખે છે. સફળતાઓ સ્વાભાવિક રીતે વધુ "ઉપલબ્ધ" છે - સફળ કંપનીઓ સ્ટોક એક્સચેન્જો પર સૂચિબદ્ધ થાય છે જ્યારે નિષ્ફળ કંપનીઓને દૂર કરવામાં આવે છે; સફળ ઇમારતો ઊભી રહે છે જ્યારે પડી ગયેલી ઇમારતો બદલવામાં આવે છે.

પેટર્ન રેકગ્નિશન મર્યાદાઓ: માનવ મગજ જોયેલા ડેટામાંથી કારણભૂત કથાઓ કાઢવા માટે વિકસિત થયું છે પરંતુ તે ગેરહાજર ડેટાની પ્રક્રિયા કરી શકતું નથી. આ મૂળભૂત મર્યાદા - આપણે જે જોઈ શકીએ છીએ તેનું જ વિશ્લેષણ કરી શકીએ છીએ - તે સર્વાઇવરશિપ બાયસનો ન્યુરલ આધાર છે.

આશાવાદ પૂર્વગ્રહ ક્રિયાપ્રતિક્રિયા: સ્વ-મૂલ્યાંકન સાથે સંકળાયેલ ન્યુરલ સર્કિટ આશાવાદ તરફ વળે છે. સર્વાઇવર-પક્ષપાતી ડેટા જોતી વખતે, આ સર્કિટ્સ નિષ્ફળતાની શાંત બહુમતીને બદલે વિજેતાઓ સાથે ઓળખને પ્રોત્સાહિત કરે છે, જોખમી વર્તનને મજબૂત કરે છે.

3. ઉત્ક્રાંતિવાદી મૂળ

સર્વાઇવરશિપ બાયસ આપણા ઉત્ક્રાંતિના વારસામાં ઊંડા મૂળ ધરાવે છે કારણ કે તે એવા વાતાવરણમાં પેટર્ન-રેકગ્નિશન એન્જિન તરીકે કામ કરે છે જ્યાં ઝડપ ઘણીવાર ચોકસાઈ કરતાં વધુ મહત્વની હોય છે.

પૂર્વજોના વાતાવરણમાં અનુકૂલનશીલ મૂલ્ય: અમારા પૂર્વજો માટે, સફળ વ્યૂહરચનાઓ પર ધ્યાન કેન્દ્રિત કરવું અર્થપૂર્ણ હતું. જો કોઈ શિકારની તકનીક, સ્થળાંતર માર્ગ, અથવા ખોરાકનો સ્રોત બચી ગયેલા લોકો પેદા કરે છે, તો તેની નકલ કરવા યોગ્ય હતી. નિષ્ફળતાઓ - જેમણે જુદા જુદા અભિગમો અજમાવ્યા અને મૃત્યુ પામ્યા - તે પરામર્શ માટે ઉપલબ્ધ ન હતા. દૃશ્યમાન સફળતામાંથી શીખવું એ ઝડપી, કાર્યક્ષમ હ્યુરિસ્ટિક હતું.

ઉર્જા સંરક્ષણ: મગજ આપણી ચયાપચય ઊર્જાના આશરે 20% વાપરે છે. ગેરહાજર ડેટાનું વિશ્લેષણ કરવું - એવી બધી નિષ્ફળતાઓની કલ્પના કરવી જે આપણે જોઈ શકતા નથી - તે જ્ઞાનાત્મક રીતે ખર્ચાળ છે. ઉત્ક્રાંતિએ એવા મગજની તરફેણ કરી કે જે અદ્રશ્ય વિકલ્પોનું સંપૂર્ણ મોડેલિંગ કરવાને બદલે ઉપલબ્ધ માહિતીની કાર્યક્ષમ પ્રક્રિયા કરે.

વિશેષતા, ભૂલ નહીં: પ્રમાણમાં સ્થિર પરિસ્થિતિઓ અને તાત્કાલિક અવલોકન કરી શકાય તેવા પરિણામોવાળા પૂર્વજોના વાતાવરણમાં, સર્વાઇવરશિપ-બાયસ્ડ શિક્ષણ ઘણીવાર પૂરતું સારું હતું. જો તમારો પાડોશી કોઈ ચોક્કસ આશ્રયસ્થાન ડિઝાઇનનો ઉપયોગ કરીને શિયાળામાં બચી ગયો હોય, તો તેની નકલ કરવી વ્યાજબી હતું. પૂર્વગ્રહ માત્ર જટિલ, આધુનિક વાતાવરણમાં સમસ્યારૂપ બને છે જ્યાં નિષ્ફળતાઓ વ્યવસ્થિત રીતે છુપાયેલી હોય છે અને "બચી ગયેલા" લોકોનો નમૂનો મોટા પ્રમાણમાં અપ્રતિનિધિત્વ ધરાવે છે.

ઉપલબ્ધતાની અસંગતતા: આપણા મગજ નાના જૂથોમાં વિકસિત થયા છે જ્યાં મોટાભાગની સંબંધિત ઘટનાઓ સીધી અવલોકન કરી શકાય તેવી હતી. આધુનિક સમાજમાં, આપણે એવી માહિતીનો સામનો કરીએ છીએ જે પસંદગીના બહુવિધ સ્તરો (મીડિયા, બજારો, ઇતિહાસ) દ્વારા ફિલ્ટર કરવામાં આવી છે, જે આપણી ઉપલબ્ધતા-આધારિત અંતર્જ્ઞાનને વ્યવસ્થિત રીતે ગેરમાર્ગે દોરે છે.

4. આ પૂર્વગ્રહ કેવી રીતે પ્રગટ થાય છે

4.1. રોજિંદા જીવનમાં

"તેઓ હવે પહેલાં જેવું બનાવતા નથી": રોમન પેન્થિઓન, વિક્ટોરિયન મહોગની ફર્નિચર, અને 1950ના ઉપકરણો જે "હજુ પણ કામ કરે છે" તે આંકડાકીય આઉટલીયર્સ છે જે સદીઓના વિનાશમાંથી બચી ગયા છે. રોમન ટેનામેન્ટ્સ જે તૂટી પડ્યા હતા, સસ્તા વિક્ટોરિયન ફર્નિચર જે સડી ગયા હતા અને લેન્ડફિલ્સમાં પડેલા તૂટેલા 1950 ના ઉપકરણો અદ્રશ્ય છે. આપણે ભૂતકાળના શ્રેષ્ઠની વર્તમાન સરેરાશ સાથે સરખામણી કરીએ છીએ.

"ક્લાસિક" સંગીત ભ્રમણા: લોકો દાવો કરે છે કે 1960-70 ના દાયકાનું સંગીત શ્રેષ્ઠ હતું કારણ કે "તે યુગના તમામ ગીતો ક્લાસિક છે." આ અવગણના કરે છે કે હજારો ડેરિવેટિવ, નબળા ઉત્પાદિત ગીતો રજૂ કરવામાં આવ્યા હતા - રેડિયો સ્ટેશનો માત્ર બચેલા 1% હિટ ગીતો વગાડે છે. અમે આજના 100% આઉટપુટ સાથે ભૂતકાળના ફિલ્ટર કરેલા શ્રેષ્ઠની તુલના કરીએ છીએ.

સુખી યુગલો તરફથી સંબંધની સલાહ: સંબંધની સલાહ લેતી વખતે, આપણે સામાન્ય રીતે એવા યુગલોનો સંપર્ક કરીએ છીએ જેઓ હજુ પણ સાથે છે. અમે ભાગ્યે જ એવા લોકો પાસેથી સાંભળીએ છીએ જેમણે સમાન અભિગમ અજમાવ્યો હતો અને છૂટાછેડામાં સમાપ્ત થયા હતા, જે સંભવિતપણે સલાહને અનુસરે છે જેણે તેમની નિષ્ફળતામાં ફાળો આપ્યો હતો.

રેસ્ટોરન્ટ ભલામણો: શહેરમાં લોકપ્રિય રેસ્ટોરાં, વ્યાખ્યા મુજબ, બચેલા છે. હજારો રેસ્ટોરન્ટ્સ જે નિષ્ફળ ગયા - સંભવતઃ સમાન વ્યૂહરચનાઓ સાથે - તે બંધ થઈ ગયા છે અને શું કામ કરતું નથી તે વિશે અમને ચેતવણી આપી શકતા નથી.

4.2. કાર્યસ્થળમાં

કૉલેજ ડ્રોપઆઉટ દંતકથા: ગેટ્સ, જોબ્સ અને ઝકરબર્ગ જેવા અબજોપતિઓને ડ્રોપઆઉટ સફળતા તરફ દોરી જાય છે તેવા પુરાવા તરીકે મીડિયા હાઇલાઇટ કરે છે. આ હજારો ડ્રોપઆઉટ્સને અવગણે છે જેઓ દેવું ધરાવે છે અને આજીવન કમાણી ઓછી કરે છે. સ્નાતકો કરતા ડ્રોપઆઉટ સફળતાનો બેઝ રેટ આંકડાકીય રીતે ઓછો છે; પ્રખ્યાત ઉદાહરણો આત્યંતિક આઉટલીયર્સ છે.

"હાઉ આઇ સક્સીડેડ" સાહિત્ય: નાસીમ તાલેબ નોંધે છે તેમ, નિષ્ફળ ઉદ્યોગસાહસિકો "હાઉ આઇ બેન્કરપ્ટ માય સ્ટાર્ટઅપ" શીર્ષકવાળા પુસ્તકો લખતા નથી. સફળ ઉદ્યોગસાહસિકો લખે છે "મેં તે કેવી રીતે કર્યું," અને તેમની સલાહ (મોટા જોખમો લો, ટીકાકારોની અવગણના કરો) કદાચ ચોક્કસ વર્તન હોઈ શકે છે જેના કારણે નિષ્ફળતાઓ નિષ્ફળ ગઈ.

"સફળ" પ્રોફાઇલ્સના આધારે હાયરિંગ: કંપનીઓ ઘણીવાર તેમના ટોચના પર્ફોર્મર્સની લાક્ષણિકતાઓના આધારે હાયરિંગ પ્રોફાઇલ્સ બનાવે છે. પરંતુ તેમની પાસે નકારવામાં આવેલા ઉમેદવારો અંગે ડેટાનો અભાવ છે જેઓ સમાન રીતે સારું પ્રદર્શન કરી શક્યા હોત, અથવા સમાન લક્ષણો સાથે રાખવામાં આવેલા લોકો અંગે જેઓ નિષ્ફળ ગયા અને છોડી દીધા.

પર્ફોર્મન્સ એટ્રિબ્યુશન એરર્સ: અમુક પ્રોજેક્ટ શા માટે સફળ થયા તેનું વિશ્લેષણ કરતી વખતે, સંસ્થાઓ સફળ ટીમોનો અભ્યાસ કરે છે. તેઓ એવી નિષ્ફળતાઓનો અભ્યાસ કરી શકતા નથી જે ત્યજી દેવામાં આવી હતી, પુનર્ગઠન કરવામાં આવી હતી અથવા જેના સભ્યો જતા રહ્યા હતા - સંભવિતપણે એ શોધતા હતા કે બંનેમાં સમાન "સફળતાના પરિબળો" હાજર હતા.

4.3. બિઝનેસ અને માર્કેટિંગમાં

એન્ટરપ્રેન્યોરશિપ "સક્સેસ ફોર્મ્યુલાસ": સલાહ ઉદ્યોગ એ બચી ગયેલા લોકો દ્વારા ચલાવવામાં આવતો ઇજારો છે. સફળ ઉદ્યોગસાહસિકોની વાર્તાઓમાં "સખત મહેનત," "દ્રઢતા," અને "ગુણવત્તા માટેનું વળગણ" જોવા મળે છે, પરંતુ નિષ્ફળ ઉદ્યોગસાહસિકોના કબ્રસ્તાનના સર્વેક્ષણોમાં સંભવતઃ સમાન લક્ષણો જોવા મળશે. તફાવત ઘણીવાર નસીબ, સમય અથવા બાહ્ય ઘટનાઓ હોય છે.

પ્રોડક્ટ પ્રશંસાપત્રો (Testimonials): માર્કેટિંગ સંતુષ્ટ ગ્રાહકો દર્શાવે છે. જે અસંતુષ્ટ ગ્રાહકો મંથન કરે છે, રિફંડની વિનંતી કરે છે, અથવા ફક્ત અદૃશ્ય થઈ ગયા છે તેઓ વર્ણનમાંથી ગેરહાજર હોય છે, જે કથિત ઉત્પાદનની અસરકારકતાને વિકૃત કરે છે.

સ્પર્ધાત્મક બેન્ચમાર્કિંગ: કંપનીઓ સફળ સ્પર્ધકો સામે બેન્ચમાર્ક કરે છે, તેમની વ્યૂહરચનાઓ શીખે છે. પરંતુ સમાન વ્યૂહરચના અજમાવનાર અને નિષ્ફળ ગયેલી કંપનીઓને હસ્તગત, વિસર્જન અથવા પીવોટ કરવામાં આવી છે - તેમની અસફળ વ્યૂહરચનાઓ વિશ્લેષણ માટે અદ્રશ્ય છે.

4.4. રાજકારણ અને મીડિયામાં

ઐતિહાસિક વાર્તાનું નિર્માણ: બચેલા લોકો દ્વારા લખાયેલો ઇતિહાસ, તેમના પરિપ્રેક્ષ્યને નિર્ણાયક તરીકે રજૂ કરે છે. હારી ગયેલા, મૃત્યુ પામેલા અથવા હાંસિયામાં ધકેલાઈ ગયેલા લોકો દ્વારા પ્રસ્તાવિત દૃષ્ટિકોણ, ચેતવણીઓ અને વિકલ્પો વ્યવસ્થિત રીતે ઓછા રજૂ થાય છે.

ન્યૂઝ સર્વાઇવરશિપ: સંપાદકીય પસંદગીમાં બચેલી વાર્તાઓને મીડિયા આવરી લે છે. હજારો સમાન સમાચાર લાયક ઘટનાઓ અહેવાલ વિના જાય છે, જે કઈ સમસ્યાઓ અસ્તિત્વમાં છે અને કયા ઉકેલો કાર્ય કરે છે તે વિશે લોકોની ધારણાને આકાર આપે છે.

રાજકીય વ્યૂહરચના "પાઠ": રાજકીય વિશ્લેષકો સફળતાના પરિબળો કાઢવા માટે વિજેતા ઝુંબેશનો અભ્યાસ કરે છે. પરંતુ જે ઝુંબેશ સમાન વ્યૂહરચનાનો ઉપયોગ કરતી હતી અને હારી ગઈ હતી તેઓ ઓછું ધ્યાન મેળવે છે, જે સંભવિત રીતે ખામીયુક્ત વ્યૂહાત્મક ભલામણો તરફ દોરી જાય છે.

4.5. હેલ્થકેરમાં

WWI હેલ્મેટ પેરાડોક્સ: જ્યારે ડબલ્યુડબલ્યુઆઈમાં સ્ટીલના હેલ્મેટ રજૂ કરવામાં આવ્યા હતા, ત્યારે ફીલ્ડ હોસ્પિટલોમાં માથાની ઇજાઓમાં નાટ્યાત્મક વધારો નોંધાયો હતો. કેટલાક સૂચવે છે કે હેલ્મેટ ખામીયુક્ત હતા. વાસ્તવિકતા: હેલ્મેટ પહેલાં, માથામાં વાગતો શ્રાપનલ સૈનિકોને તરત જ મારી નાખતો (KIA તરીકે નોંધાયેલ, ક્યારેય હોસ્પિટલ પહોંચતો નહીં). હેલ્મેટે જાનહાનિને સારવાર યોગ્ય ઇજાઓમાં રૂપાંતરિત કરી, પ્રથમ વખત ડેટામાં માથાના ઘાને દૃશ્યમાન બનાવ્યા.

બિલાડીઓમાં હાઈ-રાઈઝ સિન્ડ્રોમ: 1987ના વેટરનરી અભ્યાસમાં જાણવા મળ્યું છે કે 7 કરતાં વધુ માળથી નીચે પડતી બિલાડીઓને 5-7 માળથી નીચે પડતી બિલાડીઓ કરતાં ઓછી ઈજા થઈ હતી, જે સૂચવે છે કે ઉંચો પતન "સલામત" હતો. પૂર્વગ્રહ: ડેટાસેટમાં ફક્ત તે બિલાડીઓનો સમાવેશ થાય છે જેમને પશુચિકિત્સક પાસે લાવવામાં આવી હતી. 30 માળના પતનથી અથડામણ પર મૃત્યુ પામેલી બિલાડીઓને દાટી દેવામાં આવી હતી, તેમની સારવાર કરવામાં આવી ન હતી - ઉચ્ચ-પતન સુરક્ષાનો ભ્રમ ઊભો કરે છે.

"હેલ્ધી વર્કર ઇફેક્ટ": અભ્યાસ વારંવાર દર્શાવે છે કે સામાન્ય વસ્તી કરતાં ઔદ્યોગિક કામદારોનો મૃત્યુ દર ઓછો હોય છે - કારખાનાનું કામ સ્વાસ્થ્યપ્રદ છે એટલા માટે નહીં, પરંતુ કારણ કે કાર્યબળમાંથી વિકલાંગ, પથારીવશ અને બીમાર લોકોને બાકાત રાખવામાં આવે છે. કામદારો અગાઉથી પસંદ કરાયેલા બચી ગયેલા છે.

ટ્રોમા મોર્ટાલિટી સ્ટેટિસ્ટિક્સ: રિમોટ અકસ્માત પીડિતો ક્યારેક શહેરી પીડિતો કરતાં હોસ્પિટલમાં મૃત્યુદર ઓછો દર્શાવે છે. વાસ્તવિકતા: ગંભીર રીતે ઇજાગ્રસ્ત રિમોટ દર્દીઓ લાંબા પરિવહન દરમિયાન મૃત્યુ પામે છે, હોસ્પિટલના આંકડામાંથી "ડેડ ઓન અરાઇવલ" અને બાકાત થઈ જાય છે. શહેરી હોસ્પિટલોમાં ગંભીર દર્દીઓ જીવંત મળે છે, જેઓ પછી હોસ્પિટલમાં મૃત્યુ પામે છે, શહેરી મૃત્યુદરને વધારે છે.

4.6. ફાઇનાન્સ અને રોકાણમાં

મ્યુચ્યુઅલ ફંડ પરફોર્મન્સ: સ્ટાન્ડર્ડ ડેટાબેઝે ફડચામાં ગયેલા ફંડ્સના રેકોર્ડ કાઢી નાખ્યા. નબળા પ્રદર્શનને કારણે ફંડ ફડચામાં જાય છે, તેથી ડેટાબેઝ નિષ્ફળતાઓને દૂર કરી રહ્યા હતા, સરેરાશ ફંડનું પ્રદર્શન વાસ્તવિકતા કરતા વાર્ષિક ~0.9% વધારે દેખાય છે.

હેજ ફંડ ડેટા: હેજ ફંડ્સ સ્વેચ્છાએ રિપોર્ટ કરે છે, બેવડો પૂર્વગ્રહ રજૂ કરે છે: સર્વાઇવરશિપ (નિષ્ફળ ભંડોળ રિપોર્ટિંગ બંધ કરે છે) અને બેકફિલ/ઇન્સ્ટન્ટ હિસ્ટ્રી બાયસ (સફળ ફંડ રિપોર્ટિંગ શરૂ કરે છે અને તેમના શરૂઆતના સારા વર્ષો બેકફિલ કરે છે; અસફળ શરૂઆતના ફંડ્સ ક્યારેય રિપોર્ટ કરતા નથી અને વિસર્જન કરે છે). માલ્કીલે આ સંયુક્ત પૂર્વગ્રહનો અંદાજ વાર્ષિક વળતરના ફુગાવાના આશરે 4.4% આંક્યો.

S&P 500 બેકટેસ્ટિંગ: નાદાર કંપનીઓને દૂર કરવામાં આવતાં અને વિકસતી કંપનીઓ ઉમેરવામાં આવતાં ઇન્ડેક્સની રચના બદલાય છે. અજાણતાં 100% અસ્તિત્વને સુનિશ્ચિત કરીને વર્તમાન S&P 500 યાદીનો ઉપયોગ કરીને બેકટેસ્ટિંગ અવાસ્તવિક વળતર મેળવે છે - પરીક્ષણ સમયગાળા દરમિયાન નિષ્ફળ ગયેલી દરેક કંપનીને બાકાત રાખવામાં આવે છે.

"હોટ હેન્ડ" ઇલ્યુઝન: શરૂઆતના અભ્યાસોએ સૂચવ્યું હતું કે ફંડ મેનેજરો બજારને સતત હરાવી શકે છે. જ્યારે બ્રાઉન અને ગોએટ્ઝમેને સર્વાઇવરશિપ બાયસ માટે સુધારો કર્યો, ત્યારે આ સ્પષ્ટ કૌશલ્યનો મોટો ભાગ અદૃશ્ય થઈ ગયો - "હોટ હેન્ડ" મોટે ભાગે રેન્ડમ વિતરણનો પૂંછડીનો છેડો હતો.

5. વાસ્તવિક દુનિયાના કેસ સ્ટડીઝ

કેસ સ્ટડી 1: ધ બોમ્બર આર્મર ડિસિઝન (બીજા વિશ્વયુદ્ધ)

• સંદર્ભ: દુશ્મનની ગોળીબારને કારણે સાથી દેશોના બોમ્બર એરક્રાફ્ટના ભારે નુકસાનને કારણે લશ્કરે વિમાનોને બખ્તર પ્લેટિંગથી મજબૂત કરવાનો પ્રસ્તાવ મૂક્યો. જો કે, બખ્તર વજન ઉમેરે છે, જે રેન્જ, દાવપેચની ક્ષમતા અને બોમ્બ ક્ષમતા ઘટાડે છે - તેને શ્રેષ્ઠ રીતે મૂકવું પડ્યું.

• શું થયું: સૈન્યએ મિશન પરથી પરત ફરતા બોમ્બર્સમાં બુલેટ છિદ્રો પર વ્યાપક ડેટા એકત્રિત કર્યો. ડેટાએ ફ્યુઝલેજ, પાંખો અને પૂંછડીઓ પર ઉચ્ચ નુકસાનની ઘનતા દર્શાવી, પરંતુ એન્જિન અને કોકપિટ્સ પર ન્યૂનતમ નુકસાન. લશ્કરી કમાન્ડરોએ તારણ કાઢ્યું કે બખ્તર ત્યાં જવું જોઈએ જ્યાં વિમાનો સૌથી વધુ હિટ થઈ રહ્યા હતા.

• કાર્યરત પૂર્વગ્રહ: અબ્રાહમ વાલ્ડે ઓળખ્યું કે ડેટા માત્ર બચી ગયેલા લોકોનું પ્રતિનિધિત્વ કરે છે. એન્જિન અને કોકપિટમાં અથડાયેલા વિમાનો પાછા ફર્યા ન હતા - તેઓ ઇંગ્લિશ ચેનલ અથવા જર્મન ખેતરોમાં ક્રેશ થયા હતા. "ગુમ થયેલ" બુલેટ છિદ્રો એ પુરાવા ન હતા કે એન્જિન હિટ થયા ન હતા; તે પુરાવા હતા કે એન્જિનની હિટ જીવલેણ હતી.

• પરિણામો: વાલ્ડે એન્જિન અને કોકપિટ્સમાં બખ્તર મૂકવાની ભલામણ કરી. તેમની પદ્ધતિઓએ અસંખ્ય લોકો અને વિમાનોને બચાવ્યા, અને કોરિયન અને વિયેતનામ યુદ્ધોમાં તેનો ઉપયોગ થતો રહ્યો.

• શીખેલા પાઠ: પરિણામોનું વિશ્લેષણ કરતી વખતે, હંમેશા પૂછો: "જે કેસ હું જોઈ શકતો નથી તેનું શું થયું?" પુરાવાની ગેરહાજરી પોતે જ સૌથી મહત્વપૂર્ણ ઘટનાનો પુરાવો હોઈ શકે છે.

કેસ સ્ટડી 2: મ્યુચ્યુઅલ ફંડ ઇન્ડસ્ટ્રી રેવિલેશન (1990ના દાયકા)

• સંદર્ભ: દાયકાઓ સુધી, સક્રિય ફંડ મેનેજરો સતત બજારને હરાવી શકે છે કે કેમ તે અંગે ચર્ચા ચાલતી હતી ("આલ્ફા જનરેટ કરો"). પ્રારંભિક અભ્યાસોએ સૂચવ્યું કે તેઓ કરી શકે છે.

• શું થયું: સંશોધકો બ્રાઉન, ગોએટ્ઝમેન, એલ્ટન, ગ્રુબર અને બ્લેકને જાણવા મળ્યું કે નાણાકીય ડેટાબેઝ નિયમિતપણે ફડચામાં ગયેલા અથવા વિલીન થયેલા ફંડના રેકોર્ડને કાઢી નાખે છે. મોટેભાગે ફંડ નબળા પ્રદર્શનને કારણે બંધ થાય છે, ડેટાબેઝ વ્યવસ્થિત રીતે નિષ્ફળતાઓને દૂર કરી રહ્યા હતા.

• કાર્યરત પૂર્વગ્રહ: આના કારણે એક આંકડાકીય મૃગજળ સર્જાયું જ્યાં બાકી રહેલા "બચી ગયેલા" ફંડમાં સરેરાશ વધુ વળતર જોવા મળ્યું અને અસ્થિરતા અને પ્રદર્શન વચ્ચેના દેખીતા સંબંધો દર્શાવ્યા જે કૌશલ્યની નકલ કરે છે.

• પરિણામો: એકવાર 0.9% વાર્ષિક પૂર્વગ્રહ સુધારાઈ ગયા પછી, ઘણા સક્રિય મેનેજરોનું દેખીતું આઉટપરફોર્મન્સ અદૃશ્ય થઈ ગયું, જે કાર્યક્ષમ બજાર પૂર્વધારણા માટે મજબૂત સમર્થન પૂરું પાડે છે અને ઐતિહાસિક ડેટાને ફાઇનાન્સિયલ રિસર્ચ કેવી રીતે હેન્ડલ કરે છે તેમાં ક્રાંતિ લાવે છે.

• શીખેલા પાઠ: કોઈપણ ડેટાસેટ કે જેમાં ડ્રોપઆઉટ, બંધ થવું અથવા અદ્રશ્ય થવું સામેલ હોય તેનું સર્વાઇવરશિપ બાયસ માટે વિશ્લેષણ કરવું આવશ્યક છે. કૌશલ્ય કે આઉટપરફોર્મન્સ જેવું દેખાય છે તે સેન્સર્ડ નમૂનાની કલાકૃતિઓ હોઈ શકે છે.

ઐતિહાસિક ઉદાહરણ: ડાયાગોરાસ અને ટેમ્પલ ટેબ્લેટ્સ

પ્રાચીન ગ્રીક કવિ મેલોસના ડાયાગોરાસને એક મંદિરમાં વ્રતની ગોળીઓ બતાવવામાં આવી હતી - જે ખલાસીઓએ દેવતાઓને પ્રાર્થના કરી હતી અને જહાજ ભંગાણમાંથી બચી ગયા હતા તેમના દ્વારા બનાવવામાં આવેલ ચિત્રો. તેમના મિત્રએ આને દૈવી સુરક્ષાના પુરાવા તરીકે રજૂ કર્યું.

ડાયાગોરાસનો પ્રતિભાવ સંભાવનાના ફિલસૂફીમાં પાયાનો ગ્રંથ બન્યો: "હું જોઉં છું કે જેઓ બચી ગયા છે, પરંતુ જેઓ જહાજ ભંગાણમાં ડૂબી ગયા હતા તેઓ ક્યાં દોરવામાં આવ્યા છે?"

ડૂબી ગયેલા ખલાસીઓ ચિત્રો બનાવી શક્યા ન હતા. ફક્ત મંદિરના પુરાવાઓની તપાસ કરનાર નિરીક્ષક નિષ્કર્ષ પર આવશે કે પ્રાર્થના સમુદ્રમાં સલામતીની ખાતરી આપે છે - સેન્સર્ડ નમૂનામાંથી સંપૂર્ણ રીતે લેવામાં આવેલ નિષ્કર્ષ જ્યાં પુરાવા આપવાની ક્ષમતા અસ્તિત્વ સાથે સંબંધિત હતી.

આ 2,500-વર્ષ-જૂની વાર્તા એ સમાવે છે કે શા માટે સર્વાઇવરશિપ બાયસ એટલો હાનિકારક છે: બચી ગયેલા લોકો જ પોતાની વાર્તા કહી શકે છે.

6. આ પૂર્વગ્રહની કિંમત

6.1. વ્યક્તિગત ખર્ચ

વિકૃત જોખમ આકારણી: માત્ર સફળ જોખમ લેનારાઓને જોઈને, વ્યક્તિઓ નિષ્ફળતાની સંભાવનાને ઓછો અંદાજ આપે છે. કૉલેજ છોડી દીધેલ વ્યક્તિ જે અબજોપતિ ન બન્યો, ઉદ્યોગસાહસિક જે "બધું બરાબર" કરીને નાદાર થઈ ગયો, રોકાણકાર જેણે "નિશ્ચિત બાબત" પર બધું ગુમાવ્યું - તેમના અનુભવો અદ્રશ્ય છે, જે અન્ય લોકોને નબળા કેલિબ્રેટેડ જોખમો લેવા તરફ દોરી જાય છે.

ખોટા સફળતાના પરિબળો: લોકો બચેલા લોકોના વર્તનને અપનાવે છે (દ્રઢતા, જોખમ લેવાની વૃત્તિ, આત્મવિશ્વાસ) એ ઓળખ્યા વિના કે સમાન લક્ષણો નિષ્ફળતાઓમાં હાજર હતા. એવા અભિગમો પાછળ વર્ષો વિતાવી શકાય છે જે ક્યારેય વાસ્તવિક તફાવત કરનારા ન હતા.

અનુકરણ પર વેડફાતા સંસાધનો: સર્વાઇવર-પક્ષપાતી ડેટામાંથી તારવેલા "સફળતાના સૂત્રો" ને અનુસરવાથી એવા અભિગમોમાં રોકાણ કરવામાં આવે છે જે વાસ્તવમાં સફળતાનું કારણ નથી - તે માત્ર દૃશ્યમાન નમૂના સાથે સંબંધ ધરાવે છે.

નુકસાન પામેલી સ્વ-છબી: જ્યારે સર્વાઇવર-પ્રાપ્ત સલાહને અનુસરવાથી સફળતા મળતી નથી, ત્યારે વ્યક્તિઓ એ વાતને ઓળખવાને બદલે પોતાની જાતને દોષ આપી શકે છે કે સલાહ ખામીયુક્ત ડેટા પર આધારિત હતી.

6.2. વ્યાવસાયિક ખર્ચ

રોકાણમાં નુકસાન: ફાઇનાન્સમાં, સર્વાઇવરશિપ બાયસનું વાર્ષિક વળતરના ફુગાવાના આશરે 0.9-4.4% આંકવામાં આવ્યું છે. અસુધારેલ ઐતિહાસિક ડેટાના આધારે નિર્ણયો લેતા રોકાણકારો વ્યવસ્થિત રીતે અપેક્ષિત વળતરને વધુ પડતો અંદાજ આપે છે અને જોખમોને ઓછો અંકે છે.

વ્યૂહાત્મક ગેરમાર્ગે દોરવણી: સફળ કંપનીઓના અભ્યાસમાંથી મેળવેલી વ્યાપારી વ્યૂહરચના એ કંપનીઓને ચૂકી જાય છે જેઓ સમાન વ્યૂહરચનાઓનો ઉપયોગ કરે છે અને નિષ્ફળ જાય છે. સંસાધનો એવા અભિગમો તરફ વહે છે જે માન્ય લાગે છે પરંતુ તે રેન્ડમ હોઈ શકે છે.

હાયરિંગ અને ટેલેન્ટ નિર્ણયો: સફળ કર્મચારીઓ પર આધારિત પ્રોફાઇલ્સ સંભવિત ઉત્કૃષ્ટ ઉમેદવારોને ચૂકી જાય છે જેઓ દૃશ્યમાન પેટર્નથી અલગ હોય છે, જ્યારે જેઓ મેચ થાય છે તેમને નોકરી પર રાખવાથી વાસ્તવિક કામગીરી સાથે સંબંધ ન હોય તેવા લક્ષણોની નકલ થઈ શકે છે.

ઉત્પાદન વિકાસમાં નિષ્ફળતાઓ: સમાન નિષ્ફળ ઉત્પાદનોનો અભ્યાસ કર્યા વિના સફળ ઉત્પાદનોમાંથી શીખવાથી એવા લક્ષણો અથવા અભિગમોમાં રોકાણ થાય છે જે વાસ્તવમાં સફળતાના પરિબળો ન હતા.

6.3. સામાજિક ખર્ચ

ઐતિહાસિક ગેરસમજ: બચી ગયેલા લોકો દ્વારા લખાયેલ ઈતિહાસ વિકૃત દ્રષ્ટિકોણ રજૂ કરે છે. ખોવાયેલા દૃષ્ટિકોણ, વૈકલ્પિક અભિગમો અને પરાજિત લોકોની ચેતવણીઓ સામૂહિક સ્મૃતિમાંથી વ્યવસ્થિત રીતે બાકાત છે.

નીતિની ગેરમાર્ગે દોરવણી: સમાન લાક્ષણિકતાઓ ધરાવતી નિષ્ફળતાઓનો હિસાબ રાખ્યા વિના સફળ પરિણામો (આર્થિક, સામાજિક, લશ્કરી) ના અભ્યાસ પર આધારિત નીતિઓ ખામીયુક્ત દરમિયાનગીરીઓ તરફ દોરી જાય છે.

સાંસ્કૃતિક દંતકથા-નિર્માણ: સર્વાઇવરશિપ બાયસ દ્વારા પ્રબળ થયેલી "સ્વ-નિર્મિત સફળતા" ની વાર્તા, નસીબ, સમય અને સંજોગોની ભૂમિકાને અસ્પષ્ટ બનાવે છે, અસમાનતા અને સામાજિક ગતિશીલતા પ્રત્યેના વલણને આકાર આપે છે.

તબીબી પ્રોટોકોલ ભૂલો: સર્વાઇવર-બાયસ્ડ ડેટાના આધારે લેવામાં આવેલા સારવારના નિર્ણયો એ ચૂકી શકે છે કે અમુક દર્દીઓની સારવાર ઓછી કરવામાં આવી હતી અથવા સફળ પરિણામો હોવા છતાં, ચોક્કસ દરમિયાનગીરીઓને કારણે નહીં.

6.4. આંકડાકીય અસર

7. છુપાયેલા ફાયદા

સર્વાઇવરશિપ બાયસ માત્ર નકારાત્મક નથી - તે અનુકૂલનશીલ કાર્યો પૂરા પાડે છે અને હજુ પણ ચોક્કસ સંદર્ભોમાં મૂલ્ય પ્રદાન કરી શકે છે.

કાર્યક્ષમ શીખવા માટેનું હ્યુરિસ્ટિક: સીધા અવલોકન કરી શકાય તેવા પરિણામો સાથેના સ્થિર વાતાવરણમાં, બચી ગયેલા લોકો પાસેથી શીખવું ઝડપી અને વ્યાજબી રીતે સચોટ છે. જો તમારા પડોશીઓ માટે કામ કરતી મોટાભાગની આશ્રય ડિઝાઇન તમારા માટે કામ કરશે, તો બચી ગયેલા લોકોની નકલ કરવી કાર્યક્ષમ છે.

પ્રેરક કાર્ય: સફળતાની વાર્તાઓનું થોડું એક્સપોઝર અનુકરણ કરવા માટે પ્રેરણા અને મોડેલો પ્રદાન કરે છે. બધી નિષ્ફળતાઓની સંપૂર્ણ જાગૃતિ લકવાગ્રસ્ત બની શકે છે. ચાવી એ એક્સપોઝરને માપાંકિત કરવાની છે, તેને દૂર કરવાની નહીં.

ઝડપી નિર્ણય-નિર્માણ: જ્યારે ચોકસાઇ કરતા ઝડપ વધુ મહત્વની હોય, ત્યારે ઉપલબ્ધ ઉદાહરણો (સ્વાભાવિક રીતે સર્વાઇવર-પક્ષપાતી) નો ઉપયોગ વિલંબિત વિશ્લેષણ કરતાં વધુ સારો હોઈ શકે છે. દરેક નિર્ણય સંપૂર્ણ તપાસની ખાતરી આપતો નથી.

વાજબી પેટર્ન ડિટેક્શન: ક્યારેક સર્વાઇવર લક્ષણો ખરેખર કારણભૂત હોય છે, માત્ર સહસંબંધ ધરાવતા નથી. એવા ડોમેન્સમાં જ્યાં નિષ્ફળતાના મોડ્સ રેન્ડમ છે અને સફળતાના પરિબળો વ્યવસ્થિત છે, બચી ગયેલા લોકો વાસ્તવિક માહિતી વહન કરે છે.

અનિચ્છનીય આત્યંતિક: સર્વાઇવરશિપ બાયસને સંપૂર્ણ રીતે દૂર કરવા માટે કોઈપણ નિર્ણય લેતા પહેલા તમામ સંભવિત નિષ્ફળતાઓનું સંપૂર્ણ વિશ્લેષણ કરવું જરૂરી છે. આ જ્ઞાનાત્મક રીતે અશક્ય અને વ્યવહારિક રીતે લકવાગ્રસ્ત છે. ધ્યેય જાગૃતિ અને યોગ્ય સુધારણા છે, નાબૂદી નહીં.

8. સ્વ-મૂલ્યાંકન: શું તમને આ પૂર્વગ્રહ છે?

8.1. ચેતવણી ચિહ્નોની ચેકલિસ્ટ

• તમે જીવન/કારકિર્દીની વ્યૂહરચનાઓ માટે પુરાવા તરીકે વારંવાર સફળ લોકો (જોબ્સ, ગેટ્સ, મસ્ક) ટાંકો છો
• તમે માનો છો કે ભૂતકાળના ઉત્પાદનો/સંગીત/કારીગરી આજના સમય કરતાં સામાન્ય રીતે ચડિયાતા હતા
• તમે માત્ર સફળ ઉદાહરણોનો અભ્યાસ કરીને નોંધપાત્ર નિર્ણયો લીધા છે
• તમે ભાગ્યે જ પૂછો છો કે "જેમણે આનો પ્રયાસ કર્યો અને નિષ્ફળ ગયા તેમનું શું થયું?"
• તમે ઐતિહાસિક ફંડ/રોકાણ કામગીરી ડેટા પર સીધો વિશ્વાસ કરો છો
• તમે માનો છો કે "સફળતા સંકેતો છોડે છે" જે વિજેતાઓ પાસેથી વિશ્વસનીય રીતે મેળવી શકાય છે
• તમે પ્રશંસા કરો છો તે સફળતાની વાર્તાઓમાં નોંધપાત્ર પરિબળો તરીકે નસીબ/સમયને ફગાવી દો છો
• તમારા માટે શું કામ કર્યું છે તેના આધારે તમે સલાહ આપી છે, એ વિચાર્યા વિના કે અન્ય લોકો માટે તે કામ નહોતું કર્યું
• તમને "હાઉ આઇ સક્સીડેડ" પુસ્તકો/પોડકાસ્ટ ખૂબ જ સમજાવટભર્યા લાગે છે
• નિર્ણયોનું વિશ્લેષણ કરતી વખતે, તમે પ્રક્રિયાના બદલે પરિણામો પર ધ્યાન કેન્દ્રિત કરો છો જે તેમને તરફ દોરી જાય છે

સ્કોરિંગ:

• 0-2 તપાસેલ: ઓછી સંવેદનશીલતા
• 3-5 તપાસેલ: મધ્યમ સંવેદનશીલતા
• 6-8 તપાસેલ: ઉચ્ચ સંવેદનશીલતા
• 9-10 તપાસેલ: ખૂબ જ ઉચ્ચ સંવેદનશીલતા

8.2. સ્વ-ચિંતન પ્રશ્નો

1. છેલ્લી વખત ક્યારે તમે કોઈ નોંધપાત્ર નિર્ણય લેતા પહેલા સક્રિય રીતે નિષ્ફળતાની વાર્તાઓ શોધી હતી?

2. તમે જે સફળતા હાંસલ કરી છે તેના વિશે વિચારો - અન્ય કેટલા લોકોએ સમાન અભિગમો અજમાવ્યા અને નિષ્ફળ ગયા? શું તમે ખરેખર જાણો છો?

3. તમે કયા "સ્પષ્ટ" સફળતાના પરિબળોમાં વિશ્વાસ કરો છો? તમે કેવી રીતે ચકાસશો કે આ પરિબળો નિષ્ફળતાઓમાં પણ હાજર છે કે નહીં?

4. જ્યારે તમને સફળ લોકો પાસેથી સલાહ મળે છે, ત્યારે શું તમે વિચારો છો કે કેટલા અસફળ લોકોએ સમાન સલાહ આપી હતી?

5. શું કોઈએ ક્યારેય ધ્યાન દોર્યું છે કે તમે અધૂરા ડેટામાંથી તારણો કાઢી રહ્યા છો? તમે કેવી પ્રતિક્રિયા આપી?

8.3. ઝડપી ડાયગ્નોસ્ટિક દૃશ્ય

દૃશ્ય: તમે વ્યવસાય શરૂ કરવાનું વિચારી રહ્યા છો અને વાંચ્યું છે કે ગ્રાહક સેવા પર ધ્યાન કેન્દ્રિત કરતા તમારા ઉદ્યોગના 60% વ્યવસાયો તેમના પ્રથમ 5 વર્ષ બચી ગયા છે. અસ્તિત્વ ટકાવી રાખવા માટે ગ્રાહક સેવા પર ધ્યાન કેન્દ્રિત કરવું એ મુખ્ય બાબત છે તે આ મજબૂત પુરાવા જેવું લાગે છે.

તમે આનું અર્થઘટન કેવી રીતે કરશો?

• A) "સરસ! મારે ચોક્કસપણે ગ્રાહક સેવાને પ્રાધાન્ય આપવું જોઈએ - ડેટા સ્પષ્ટપણે દર્શાવે છે કે તે કાર્ય કરે છે." → ઉચ્ચ સંવેદનશીલતા
• B) "રસપ્રદ છે, પરંતુ મને આશ્ચર્ય થાય છે કે નિષ્ફળ ગયેલા વ્યવસાયોમાંથી કેટલા ટકા લોકોએ ગ્રાહક સેવાને પણ પ્રાધાન્ય આપ્યું હતું." → મધ્યમ સંવેદનશીલતા
• C) "નિષ્ફળ વ્યવસાયોમાં ગ્રાહક સેવા દરો જાણ્યા વિના આ મને કંઈપણ કહેતું નથી. જો 60% નિષ્ફળતાઓએ ગ્રાહક સેવા પર પણ ધ્યાન કેન્દ્રિત કર્યું હોય, તો આ પરિબળનું કોઈ અનુમાનાત્મક મૂલ્ય નથી." → ઓછી સંવેદનશીલતા

9. અન્યમાં આ પૂર્વગ્રહને ઓળખવો

9.1. વર્તણૂક સૂચકો

ભાષણમાં:

• સાર્વત્રિક પુરાવા તરીકે પ્રખ્યાત સફળતાની વાર્તાઓનો વારંવાર ઉપયોગ
• દૃશ્યમાન વિજેતાઓના નાના નમૂનાઓમાંથી સામાન્યીકરણ
• સફળતાના કથાઓમાં નસીબ/સમયના પરિબળોને બરતરફ કરવા
• ન જોઈ શકાતી નિષ્ફળતાઓને સ્વીકાર્યા વિના "શું કાર્ય કરે છે" પરથી અનુમાન લગાવવું

નિર્ણય લેવામાં:

• સફળ કંપનીઓ/લોકોના કેસ સ્ટડીઝ પર વધુ પડતો આધાર
• બેઝ રેટ અને નિષ્ફળતાની આવર્તનને ઓછું મહત્વ આપવું
• વિશિષ્ટ રીતે સફળ સ્પર્ધકો સામે બેન્ચમાર્કિંગ
• ડેટા સંગ્રહ પર પ્રશ્ન કર્યા વિના ઐતિહાસિક કામગીરી ડેટામાં વિશ્વાસ

દલીલોમાં:

• વ્યૂહરચના માન્યતાના પુરાવા તરીકે સફળ ઉદાહરણોના અસ્તિત્વનો ઉપયોગ
• દલીલ કરવી કે "X એ Y માટે કામ કર્યું" એવા Z ને ધ્યાનમાં લીધા વિના કે જેના માટે X નિષ્ફળ ગયું
• ગેરહાજરીના પુરાવા તરીકે પુરાવાની ગેરહાજરીનું (કોઈ જાણીતી નિષ્ફળતા નથી) અર્થઘટન કરવું

9.2. વાતચીતના રેડ ફ્લેગ્સ

જ્યારે લોકો આ પૂર્વગ્રહ હેઠળ હોય ત્યારે કહે છે તે શબ્દસમૂહો:

• "જુઓ [પ્રખ્યાત સફળતા] - તેઓએ X કર્યું, અને તે કામ કર્યું!"
• "હું જાણું છું તે બધા સફળ લોકોમાં Y લક્ષણ છે."
• "ડેટા બતાવે છે કે આ અભિગમનો મહાન ટ્રેક રેકોર્ડ છે."
• "તેઓ હવે પહેલાં જેવું બનાવતા નથી."
• "દરેક મહાન કંપનીની આ લાક્ષણિકતા હોય છે."

તેઓ જે પ્રકારની દલીલો કરે છે:

• નિષ્ફળતા દરની વિચારણા કર્યા વિના દૃશ્યમાન સફળતામાંથી પ્રેરણા
• માત્ર બચેલા કેસોનો ઉપયોગ કરીને "ઉદાહરણ દ્વારા સાબિતી"

પ્રશ્નો જે તેઓ પૂછવાનું ટાળે છે:

• "કેટલા લોકોએ આ અભિગમ અજમાવ્યો અને નિષ્ફળ ગયા?"
• "આ વ્યૂહરચના માટે સફળતાનો બેઝ રેટ શું છે?"
• "શા માટે આપણે આ ડેટાસેટમાં નિષ્ફળતાઓ જોઈ શકતા નથી?"

9.3. પરિસ્થિતિકીય ટ્રિગર્સ

સંજોગો કે જે પૂર્વગ્રહને સક્રિય કરે છે:

• ક્યુરેટ કરેલ સફળતાની વાર્તાઓની ઍક્સેસ (મીડિયા, પુસ્તકો, પરિષદો)
• ડ્રોપઆઉટ/બંધ/કાઢી નાખવાની પદ્ધતિઓ સાથે ડેટાબેઝનું વિશ્લેષણ
• કોઈપણ મૂલ્યાંકન જ્યાં નિષ્ફળતાઓ દૃશ્યમાંથી અદૃશ્ય થઈ જાય છે
• વર્તમાન માર્કેટ લીડર્સનું પૂર્વવર્તી વિશ્લેષણ

ભાવનાત્મક સ્થિતિઓ જે નબળાઈ વધારે છે:

• પહેલેથી લીધેલા નિર્ણય વિશે આશાવાદ
• અભિગમને યોગ્ય ઠેરવવાની ઈચ્છા
• સફળ વ્યક્તિ પ્રત્યે પ્રશંસા

સમયનું દબાણ:

• તાકીદ અસ્વીકાર્ય (નિષ્ફળતા) ડેટા શોધવાની સંભાવના ઘટાડે છે
• સમયમર્યાદા સંપૂર્ણ શોધને બદલે ઉપલબ્ધ ઉદાહરણોની તરફેણ કરે છે

10. જ્ઞાનાત્મક ડીબાયસિંગ વ્યૂહરચનાઓ

10.1. તાત્કાલિક તકનીકો

ડાયાગોરાસનો પ્રશ્ન: સફળતાના ઉદાહરણો પર આધારિત કોઈપણ નિર્ણય લેતા પહેલા, સ્પષ્ટપણે પૂછો: "જહાજ ભંગાણવાળા ક્યાં છે?" આનો પ્રયાસ કોણે કર્યો અને કોણ નિષ્ફળ ગયું? હું તેમને શા માટે જોઈ શકતો નથી?

ડેટાને ઉલટાવો: જ્યારે સર્વાઇવર લાક્ષણિકતાઓ રજૂ કરવામાં આવે, ત્યારે માનસિક રીતે "નિષ્ફળતા કબ્રસ્તાન" નું નિર્માણ કરો. શું નિષ્ફળ કેસોમાં પણ આ લક્ષણો હશે? જો અજાણ હોય, તો ડેટા અધૂરો છે.

બેઝ રેટ ચેક: સફળતાઓમાંથી અનુમાન લગાવતા પહેલા, છેદ (denominator) નો અંદાજ કાઢો. "જેણે આ અભિગમ અજમાવ્યો, તેમાંથી કેટલા ભાગના લોકો સફળ થયા?" જો અજાણ હોય, તો અનિશ્ચિતતા સ્વીકારો.

નિષ્ફળતા મોડ ઈન્વેન્ટરી: વિશ્લેષણ કરેલ ઉદાહરણો જે રીતે નિષ્ફળ થઈ શકે છે અને અદૃશ્ય થઈ શકે છે તે તમામ રીતોની સૂચિ બનાવો. નાદાર થઈ ગયેલી કાર કંપનીઓ, બંધ પડેલી રેસ્ટોરાં, ફડચામાં ગયેલા ભંડોળ - તેઓ ક્યાં ગયા?

સ્ત્રોત પર પ્રશ્ન: કોઈપણ ડેટાસેટ માટે, પૂછો: "ડ્રોપઆઉટ/ડિલીશન/સર્વાઇવલ મિકેનિઝમ શું છે?" નિષ્ફળતાઓ કેવી રીતે દૂર કરવામાં આવે છે? આ પૂર્વગ્રહનું માળખું છતી કરે છે.

10.2. લાંબા ગાળાની વ્યૂહરચનાઓ

નિષ્ફળતાઓનો ઇરાદાપૂર્વક અભ્યાસ કરો: પોસ્ટ-મોર્ટમ્સ, નાદારી વિશ્લેષણ, નિષ્ફળ સ્ટાર્ટઅપ વાર્તાઓ શોધો. સીબી ઇનસાઇટ્સનું "સ્ટાર્ટઅપ ફેલ્યોર પોસ્ટ-મોર્ટમ્સ" અને સમાન સંસાધનો સામાન્ય રીતે ખૂટતા મૌન પુરાવા પૂરા પાડે છે.

પ્રી-મોર્ટમ પ્રેક્ટિસ: પ્રોજેક્ટ શરૂ કરતા પહેલા, "પ્રી-મોર્ટમ્સ" કરો - કલ્પના કરો કે પ્રોજેક્ટ નિષ્ફળ ગયો છે અને કારણો શોધવા માટે પાછળની તરફ કામ કરો. આ નિષ્ફળતાઓની કલ્પના કરવાના માનસિક સ્નાયુની કસરત કરે છે.

સંભાવના માપાંકન: ડેટા જોતાં પહેલાં બેઝ રેટનો અંદાજ કાઢવાની પ્રેક્ટિસ કરો. તમારી ચોકસાઈને ટ્રૅક કરો. દૃશ્યમાન સફળતા દરો કેટલી વાર સાચા સફળતા દરોને વધારે પડતો દર્શાવે છે તેના માટે આ અંતર્જ્ઞાન બનાવે છે.

ઐતિહાસિક પ્રતિ-તથ્યો: ઈતિહાસનો અભ્યાસ કરતી વખતે, સક્રિયપણે વૈકલ્પિક માર્ગોનો વિચાર કરો - લગભગ શું થયું, લગભગ કોણ સફળ થયું, અન્ય કયા પરિણામો શક્ય હતા. નાસીમ તાલેબ આને "વૈકલ્પિક ઈતિહાસ" કહે છે.

10.3. પર્યાવરણીય ડિઝાઇન

ડેટા ઇન્ફ્રાસ્ટ્રક્ચર: "પોઇન્ટ-ઇન-ટાઇમ" ડેટાસેટ્સનો ઉપયોગ કરો જે ફક્ત બચી ગયેલા લોકોને દર્શાવતા વર્તમાન-સ્થિતિના ડેટાબેઝને બદલે, જે ક્ષણે તેઓ અસ્તિત્વમાં હતા તે સમયે નિષ્ફળતાઓના રેકોર્ડ્સને સાચવે છે.

નિષ્ફળતા પુસ્તકાલયો: સંસ્થાકીય જ્ઞાન વ્યવસ્થાપને માત્ર સફળ પ્રોજેક્ટ્સ જ નહીં, પણ નિષ્ફળ પ્રોજેક્ટ્સને પણ સાચવવા જોઈએ. સફળતાના કેસ સ્ટડીઝ જેટલા જ પોસ્ટ-મોર્ટમ સુલભ હોવા જોઈએ.

ડેવિલ્સ એડવોકેટ પ્રોટોકોલ: એવી ભૂમિકાઓને સંસ્થાકીય બનાવો જે ખાસ કરીને વ્યૂહાત્મક નિર્ણયોમાં અસ્વીકાર્ય પુરાવા અને ગુમ થયેલ નિષ્ફળતા ડેટાને શોધે છે.

વિવિધ સલાહકાર નેટવર્ક્સ: એવા લોકોનો સમાવેશ કરો કે જેમણે તમારા સલાહકાર વર્તુળમાં નિષ્ફળતાનો અનુભવ કર્યો હોય. તેમનો પરિપ્રેક્ષ્ય સામાન્ય રીતે ખૂટતા "મૌન પુરાવા" પૂરા પાડે છે.

10.4. બાહ્ય ઇનપુટ ક્યારે મેળવવું

નિર્ણયના પ્રકારો કે જેને બાહ્ય માન્યતાની જરૂર છે:

• ઐતિહાસિક પ્રદર્શન ડેટા પર આધારિત મુખ્ય રોકાણો
• સ્પર્ધકના વિશ્લેષણના આધારે વ્યૂહરચના નિર્ણયો
• સફળતાની વાર્તાઓ પર આધારિત કારકિર્દી/જીવન નિર્ણયો
• સારવાર પરિણામ ડેટા પર આધારિત તબીબી નિર્ણયો

કોનો સંપર્ક કરવો:

• પસંદગીના પૂર્વગ્રહથી પરિચિત આંકડાશાસ્ત્રીઓ
• જેઓ તમે વિચારી રહ્યા છો તે અભિગમમાં નિષ્ફળ ગયા છે
• સંશોધકો જેઓ ચોક્કસ ડોમેનના નિષ્ફળતા દરોનો અભ્યાસ કરે છે
• ગુમ થયેલ ડેટા શોધવા માટે સોંપાયેલ ડેવિલ્સ એડવોકેટ્સ

વિનંતીઓ કેવી રીતે ફ્રેમ કરવી:

• "અહીં છેદ (denominator) શું છે?"
• "જેમણે આનો પ્રયાસ કર્યો અને નિષ્ફળ ગયા તેમનું શું થયું?"
• "આ ડેટા કેવી રીતે એકત્રિત કરવામાં આવે છે, અને કયા કારણોસર કેસો અદૃશ્ય થાય છે?"

11. વ્યવહારુ કસરતો

કસરત 1: નિષ્ફળતા કબ્રસ્તાનની મુલાકાત

• ઉદ્દેશ્ય: અદ્રશ્ય નિષ્ફળતાઓ માટે અંતર્જ્ઞાન વિકસાવો
• જરૂરી સમય: 45 મિનિટ
• જરૂરી સામગ્રી: ઇન્ટરનેટ એક્સેસ, નોટબુક
• મુશ્કેલી સ્તર: પ્રારંભિક
• સૂચનાઓ:
  1. તમે જે ડોમેનમાં રસ ધરાવો છો તે પસંદ કરો (સ્ટાર્ટઅપ્સ, રેસ્ટોરન્ટ્સ, પ્રોડક્ટ્સ વગેરે)
  2. તે ડોમેનમાં 5 પ્રખ્યાત સફળતાઓને ઓળખો
  3. દરેક સફળતા માટે, 3 સમકાલીન લોકોનું સંશોધન કરો જેમણે સમાન અભિગમો અજમાવ્યા અને નિષ્ફળ ગયા
  4. નિષ્ફળતાઓએ સફળતાઓ સાથે કયા લક્ષણો/વ્યૂહરચનાઓ શેર કરી તેની નોંધ લો
  5. નિષ્ફળતાઓ શા માટે સામાન્ય રીતે અદ્રશ્ય હોય છે તેના દસ્તાવેજ બનાવો (નાદારી, એક્વિઝિશન, ડિલીશન, વગેરે.)
• પ્રતિબિંબ પ્રશ્નો:
  • નિષ્ફળતાઓ શોધવાનું કેટલું મુશ્કેલ હતું?
  • સફળતા અને નિષ્ફળતા બંનેમાં કયા "સફળતાના પરિબળો" દેખાયા?
  • આનાથી સફળતાનું કારણ શું છે તે અંગેના તમારા દૃષ્ટિકોણમાં કેવી રીતે ફેરફાર થાય છે?
• આવર્તન: માસિક, ખાસ કરીને મોટા નિર્ણયો પહેલાં

કસરત 2: ડેટાસેટ ઓટોપ્સી

• ઉદ્દેશ્ય: ડેટા સ્ત્રોતોમાં સર્વાઇવરશિપ બાયસને ઓળખતા શીખવું
• જરૂરી સમય: 60 મિનિટ
• જરૂરી સામગ્રી: તમે ઉપયોગ કરો છો તે ડેટાસેટની ઍક્સેસ (નાણાકીય, વ્યવસાય, પ્રદર્શન ડેટા)
• મુશ્કેલી સ્તર: મધ્યવર્તી
• સૂચનાઓ:
  1. નિર્ણયો લેવા માટે તમે જે ડેટાસેટ પર આધાર રાખો છો તે પસંદ કરો
  2. ડેટા એકત્રીકરણ પદ્ધતિનું દસ્તાવેજીકરણ કરો
  3. તમામ પદ્ધતિઓને ઓળખો જેના દ્વારા રેકોર્ડ દૂર થઈ શકે (બંધ, વિલીનીકરણ, ડિલીશન, નોન-રિપોર્ટિંગ)
  4. અંદાજ લગાવો કે મૂળ વસ્તીની કેટલા ટકા ગુમ થઈ શકે છે
  5. વિચારો કે ગુમ થયેલ ડેટા બચેલા ડેટાથી કેવી રીતે અલગ હોઈ શકે છે
• પ્રતિબિંબ પ્રશ્નો:
  • જો તમે ગુમ થયેલ ડેટા જોઈ શકો તો શું બદલાશે?
  • આ ડેટામાંથી કાઢવામાં આવેલા તારણોમાં તમારે કેટલો વિશ્વાસ રાખવો જોઈએ?
  • કયા ગોઠવણો યોગ્ય હોઈ શકે છે?
• આવર્તન: જ્યારે પણ નિર્ણયો માટે ઐતિહાસિક ડેટાનો ઉપયોગ કરો ત્યારે

કસરત 3: પ્રી-મોર્ટમ રિચ્યુઅલ

• ઉદ્દેશ્ય: નિષ્ફળતા અદ્રશ્ય થાય તે પહેલાં તેની વ્યવસ્થિત કલ્પના કરવી
• જરૂરી સમય: 30 મિનિટ
• જરૂરી સામગ્રી: કાગળ, ટાઈમર
• મુશ્કેલી સ્તર: અદ્યતન
• સૂચનાઓ:
  1. પ્રોજેક્ટ શરૂ કરતા પહેલા, ટીમને ભેગી કરો
  2. 20 મિનિટ માટે ટાઈમર સેટ કરો
  3. કલ્પના કરો કે હવેથી એક વર્ષ પછી પ્રોજેક્ટ સંપૂર્ણપણે નિષ્ફળ ગયો છે
  4. દરેક વ્યક્તિ તે નિષ્ફળ જવાના તમામ કારણો લખે છે (પ્રથમ સ્વતંત્ર રીતે)
  5. નિષ્ફળતા મોડ્સ શેર કરો અને એકીકૃત કરો
• પ્રતિબિંબ પ્રશ્નો:
  • કયા નિષ્ફળતા મોડ્સ સૌથી વધુ સંભવિત છે?
  • કઈ નિષ્ફળતાઓ ભવિષ્યના વિશ્લેષકો માટે કોઈ પુરાવા છોડશે નહીં?
  • અદ્રશ્ય નિષ્ફળ ડેટા બનતા તમે કેવી રીતે અટકાવી શકો?
• આવર્તન: દરેક નોંધપાત્ર પ્રોજેક્ટની શરૂઆતમાં

દૈનિક પ્રેક્ટિસ

સાંજનો નિષ્ફળતા પ્રશ્ન: દરરોજ સાંજે, તમે લીધેલા એક નિર્ણયની સમીક્ષા કરો અને પૂછો: "હું કઈ નિષ્ફળતાઓ જોઈ રહ્યો નથી કે જેણે આને જાણ કરવી જોઈએ?"

• સૂચિત સમયગાળો: 5 મિનિટ
• દિવસનો શ્રેષ્ઠ સમય: સાંજ
• પ્રગતિને કેવી રીતે ટ્રૅક કરવી: દરરોજ જર્નલમાં એક "છુપી નિષ્ફળતા" આંતરદૃષ્ટિ નોંધો

સાપ્તાહિક પડકાર

સાયલન્ટ એવિડન્સ હન્ટ: દર અઠવાડિયે, દૃશ્યમાન પુરાવાઓ પર આધારિત તમે ધરાવો છો તે એક માન્યતા પસંદ કરો અને સક્રિયપણે "મૌન પુરાવા" શોધો જે તેનો વિરોધાભાસ કરી શકે છે.

• 4 અઠવાડિયા પછી અપેક્ષિત પરિણામો: "શું ખૂટે છે" તે પૂછવા માટે નોંધપાત્ર રીતે સુધારેલ અંતર્જ્ઞાન અને માત્ર-દૃશ્યમાન ડેટા પરથી તારણોમાં ઘટાડેલો વિશ્વાસ
• પ્રતિબિંબ માટે જર્નલિંગ સંકેતો:
  • આ અઠવાડિયે મેં કઈ માન્યતા તપાસી?
  • મને કયો મૌન પુરાવો મળ્યો?
  • તેને શોધવાથી મારા આત્મવિશ્વાસના સ્તરમાં કેવી રીતે ફેરફાર થયો?

12. વિશિષ્ટ પ્રેક્ષકો માટે

નેતાઓ અને મેનેજરો માટે

વ્યૂહાત્મક આયોજન: સ્પર્ધકોની સફળતાઓનું વિશ્લેષણ કરતી વખતે, વ્યૂહરચના ટીમોએ એવા સ્પર્ધકોનો પણ અભ્યાસ કરવો ફરજિયાત બનાવો કે જેમણે સમાન વ્યૂહરચનાઓનો ઉપયોગ કર્યો હોય અને નિષ્ફળ ગયા હોય. નિષ્ફળતાઓ એ જાહેર કરી શકે છે કે જોવામાં આવેલા "સફળતાના પરિબળો" કારણભૂત નથી.

પોસ્ટ-પ્રોજેક્ટ વિશ્લેષણ: નિષ્ફળ પ્રોજેક્ટ્સને આર્કાઇવ કરો અને સફળ પ્રોજેક્ટ્સ જેટલો જ કઠોરતાથી અભ્યાસ કરો. નિષ્ફળતાઓમાંથી શીખવું ઘણીવાર વધુ મૂલ્યવાન હોય છે, અને ઇરાદાપૂર્વકની જાળવણી વિના, તે અદૃશ્ય થઈ જાય છે.

હાયરિંગ નિર્ણયો: ટોચના પર્ફોર્મર્સ પરથી મેળવેલા પ્રોફાઇલ્સ વિશે સાવચેત રહો. એ ધ્યાનમાં લો કે કયા ઉમેદવારોને નકારવામાં આવ્યા હતા જે સફળ થઈ શક્યા હોત, અને કયા હાયર્સ પ્રોફાઇલ સાથે મેળ ખાતા હતા પરંતુ નિષ્ફળ ગયા અને છોડી દીધા.

નિર્ણય દસ્તાવેજીકરણ: માત્ર પરિણામો જ નહીં પરંતુ નિર્ણયના સમયે માહિતી અને તર્ક પણ રેકોર્ડ કરો. આ પ્રસ્થાન, પુનર્ગઠન અથવા સુધારણા દ્વારા નિષ્ફળતાઓ "અદૃશ્ય" થઈ જાય ત્યારે પણ પ્રમાણિક મૂલ્યાંકનની મંજૂરી આપે છે.

સંસ્કૃતિનું નિર્માણ: નિષ્ફળતાઓની ઉજવણી કરો અને ખુલ્લેઆમ ચર્ચા કરો. આ તેમને મૌન રાખવાને બદલે સંસ્થાકીય સ્મૃતિમાં દૃશ્યમાન રાખે છે.

માતાપિતા અને શિક્ષકો માટે

ખ્યાલ શીખવવો: ડાયાગોરાસની વાર્તાનો ઉપયોગ કરો - તે બાળકો માટે સુલભ છે. પૂછો: "જો આપણે માત્ર જીતનારાઓ પાસેથી જ સાંભળીએ, તો આપણે શું નથી શીખતા?"

સક્સેસ સ્ટોરી બેલેન્સ: પ્રેરણાદાયી વાર્તાઓ શેર કરતી વખતે, નિષ્ફળતાની વાર્તાઓ પણ શેર કરો. "ઘણા લોકોએ તે જ કરવાનો પ્રયાસ કર્યો જે તેણીએ કર્યું અને તે કામ ન થયું. શું તફાવત કરી શક્યો હોત?"

વિજ્ઞાન શિક્ષણ: સર્વાઇવરશિપ બાયસ એ સેમ્પલિંગ, સિલેક્શન અને પ્રાયોગિક ડિઝાઇનને સમજવા માટેનો ઉત્તમ માર્ગ છે. બીજા વિશ્વયુદ્ધના બોમ્બર ઉદાહરણનો ઉપયોગ કરો - તે આબેહૂબ અને કાઉન્ટરઇન્ટ્યુટિવ છે.

નિષ્ફળતા નિખાલસતાનું મોડેલિંગ: તમારી પોતાની નિષ્ફળતાઓ અને તેઓએ તમને શું શીખવ્યું તે શેર કરો. નિષ્ફળતાને અદ્રશ્ય કરવાને બદલે ચર્ચા કરી શકાય તેવી બનાવો.

હેલ્થકેર પ્રોફેશનલ્સ માટે

ક્લિનિકલ ટ્રાયલ ઇન્ટરપ્રિટેશન: ડ્રોપઆઉટ પેટર્ન પ્રત્યે સાવચેત રહો. સારવાર બંધ કરનારા દર્દીઓ ચાલુ રાખનારાઓ કરતાં વ્યવસ્થિત રીતે અલગ હોઈ શકે છે. ઇન્ટેન્શન-ટુ-ટ્રીટ વિશ્લેષણ આંશિક રીતે આને સંબોધિત કરે છે.

ઐતિહાસિક સારવાર મૂલ્યાંકન: "પરંપરાગત" સારવારો કે જે "સમયની કસોટી પર ખરી ઉતરી છે" તે કદાચ ફક્ત બચેલા હોઈ શકે છે. બિનઅસરકારક સારવારો કે જે છોડી દેવામાં આવી હતી તે કોઈ પુરાવા છોડતી નથી.

ડાયગ્નોસ્ટિક પેટર્ન રેકગ્નિશન: યાદગાર કેસો (મેમરીમાં બચી ગયેલા) કદાચ બેઝ રેટનું પ્રતિનિધિત્વ કરતા ન હોય. પેટર્ન-મેચિંગ વખતે અલગ-અલગ પરિણામોવાળા કેસોને સક્રિયપણે યાદ કરો.

મૃત્યુદરના આંકડા: "ડેડ ઓન અરાઇવલ" બાકાત, ટ્રાન્સફર પેટર્ન અને દસ્તાવેજીકરણ પ્રથાઓ કેવી રીતે પરિણામ ડેટામાં સર્વાઇવરશિપ બાયસ બનાવે છે તે સમજો.

નાણાકીય પ્રોફેશનલ્સ માટે

ડેટાબેઝ હાઈજીન: જ્યારે ઉપલબ્ધ હોય ત્યારે હંમેશા સર્વાઇવરશિપ-બાયસ-મુક્ત ડેટાબેઝનો ઉપયોગ કરો. સ્ટાન્ડર્ડ ડેટાબેસેસ માટે, જાણીતા કરેક્શન ફેક્ટર્સ લાગુ કરો (દા.ત., મ્યુચ્યુઅલ ફંડ્સ માટે ~0.9%).

ગ્રાહક સંચાર: ઐતિહાસિક પ્રદર્શન દર્શાવતી વખતે, શું ખૂટે છે તે સમજાવો. "આ ઇન્ડેક્સ એવી કંપનીઓ દર્શાવે છે જે આજે અસ્તિત્વમાં છે. નિષ્ફળ ગયેલી કંપનીઓનો સમાવેશ થતો નથી, જે ભૂતકાળની કામગીરીને વાસ્તવિકતા કરતાં વધુ સારી બનાવે છે."

બેકટેસ્ટ સ્કેપ્ટિસિઝમ: પોઇન્ટ-ઇન-ટાઇમ ડેટા આવશ્યક છે. વર્તમાન અનુક્રમણિકા રચનાનો ઉપયોગ કરીને કોઈપણ બેકટેસ્ટ અસરકારક રીતે 100% અસ્તિત્વ પ્રાપ્ત કરે છે - જે એક અશક્ય સ્થિતિ છે.

હેજ ફંડ ડ્યુ ડિલિજન્સ: સર્વાઇવરશિપ અને બેકફિલ બાયસ બંને માટે એકાઉન્ટ. સંયુક્ત અસર (~4.4% માલ્કીલ દીઠ) નો અર્થ એ છે કે નોંધાયેલ સરેરાશ હેજ ફંડ કામગીરી વાસ્તવિકતાને નોંધપાત્ર રીતે વધારે દર્શાવે છે.

13. અન્ય પૂર્વગ્રહો સાથેની ક્રિયાપ્રતિક્રિયાઓ

પૂર્વગ્રહો જે સર્વાઇવરશિપ બાયસને વધારે છે

પૂર્વગ્રહો જે સર્વાઇવરશિપ બાયસનો સામનો કરે છે

સામાન્ય પૂર્વગ્રહ સાંકળો

ધ સક્સેસ ઇમ્યુલેશન કાસ્કેડ: સર્વાઇવરશિપ બાયસ (ફક્ત વિજેતાઓને જુઓ) → ઉપલબ્ધતા હ્યુરિસ્ટિક (વિજેતાઓ મેમરી પર પ્રભુત્વ ધરાવે છે) → વર્ણનાત્મક ભ્રમણા (વિજેતા લક્ષણોમાંથી કારણભૂત વાર્તા બનાવો) → અતિશય આત્મવિશ્વાસ (માનો છો કે વાર્તા સફળતાને સમજાવે છે) → પુષ્ટિકરણ પૂર્વગ્રહ (વાર્તાને સમર્થન આપતા પુરાવા શોધો) → રિસ્ક મિસ્કેલિબ્રેશન (નિષ્ફળતાની સંભાવનાને ઓછો અંદાજ આપો)

ઇન્ટરપ્શન પોઈન્ટ: વાર્તાની રચના થાય તે પહેલા સ્પષ્ટપણે પૂછીને કે "નિષ્ફળતાઓ ક્યાં છે?" આ સાંકળને વહેલી તકે તોડી શકાય છે. એકવાર એક આકર્ષક વાર્તા રચાઈ જાય, પછી તેને બેસાડવી વધુ મુશ્કેલ બની જાય છે.

14. સાંસ્કૃતિક પરિપ્રેક્ષ્યો

સર્વાઇવરશિપ બાયસ તમામ સંસ્કૃતિઓમાં પ્રગટ થાય છે પરંતુ સાંસ્કૃતિક સંદર્ભ દ્વારા તેને વિસ્તૃત અથવા મધ્યમ કરી શકાય છે.

વ્યક્તિવાદી વિરુદ્ધ સામૂહિક સંસ્કૃતિઓ: અત્યંત વ્યક્તિવાદી સંસ્કૃતિઓમાં (દા.ત., યુનાઇટેડ સ્ટેટ્સ), "સ્વ-નિર્મિત સફળતા" ની વાર્તા ખાસ કરીને અગ્રણી છે, જે વ્યક્તિગત સિદ્ધિના સંદર્ભોમાં સર્વાઇવરશિપ બાયસને સંભવિતપણે વિસ્તૃત કરે છે. સામૂહિક સંસ્કૃતિઓમાં જૂથોમાં નિષ્ફળતાઓની વધુ દૃશ્યતા હોઈ શકે છે, જે પૂર્વગ્રહને આંશિક રીતે મધ્યમ કરે છે.

હાઇ પાવર ડિસ્ટન્સ કલ્ચર્સ: હાઇ પાવર ડિસ્ટન્સ ધરાવતી સંસ્કૃતિઓમાં, સફળતાઓની વધુ ઉજવણી થઈ શકે છે જ્યારે શરમ ટાળવા માટે નિષ્ફળતાઓને છુપાવવામાં આવે છે, સંભવિત રીતે માત્ર-બચી ગયેલા પરિણામોની દૃશ્યતામાં વધારો કરે છે.

જોખમનું વલણ: ઉચ્ચ જોખમ સહિષ્ણુતા ધરાવતી સંસ્કૃતિઓ દૃશ્યમાન જોખમ લેનારાઓ પાસેથી પાઠ લેવાની સંભાવના ધરાવે છે, જ્યારે જોખમ-વિરોધી સંસ્કૃતિઓ સ્વાભાવિક રીતે વધુ નિષ્ફળતાના ડેટાની શોધ કરી શકે છે.

15. દંતકથાઓ અને ગેરસમજો

16. નિષ્ણાતની આંતરદૃષ્ટિ

"હું જોઉં છું કે જેઓ બચી ગયા છે, પરંતુ જેઓ જહાજ ભંગાણમાં ડૂબી ગયા હતા તેઓ ક્યાં દોરવામાં આવ્યા છે?" — મેલોસના ડાયાગોરાસ, 5મી સદી બીસીઇ

"નિષ્ફળ રેસ્ટોરન્ટ્સનું કબ્રસ્તાન ખૂબ શાંત છે. સૌથી મહાન વિચાર પ્રયોગો અને પુસ્તકોએ રેસ્ટોરન્ટ વ્યવસાયમાં કેવી રીતે નિષ્ફળ ન થવું તે વિશે બહુ ઓછું લખ્યું છે કારણ કે જે લોકો નિષ્ફળ જાય છે તેઓ પુસ્તકો લખતા નથી." — નસીમ નિકોલસ તાલેબ, ફૂલ્ડ બાય રેન્ડમનેસ

"માનવ બુદ્ધિ નકારાત્મક કરતા હકારાત્મક બાબતોથી વધુ પ્રભાવિત થાય છે." — ફ્રાન્સિસ બેકન, નોવમ ઓર્ગેનમ

"[SRG એ] અત્યાર સુધીનું સૌથી અસાધારણ આંકડાશાસ્ત્રીઓનું જૂથ હતું." — ડબલ્યુ. એલન વાલિસ, સ્ટેટિસ્ટિકલ રિસર્ચ ગ્રુપના ડિરેક્ટર

17. મુખ્ય મુદ્દાઓ

1. સર્વાઇવરશિપ બાયસ સાર્વત્રિક અને પ્રાચીન છે—2,500 વર્ષ પહેલાં ડાયાગોરાસ દ્વારા ઓળખવામાં આવ્યો, બીજા વિશ્વયુદ્ધમાં વાલ્ડ દ્વારા ઔપચારિક સ્વરૂપ આપવામાં આવ્યું, અને આધુનિક ફાઇનાન્સમાં તેનું પરિમાણીકરણ થયું.

2. પૂર્વગ્રહ વ્યવસ્થિત રીતે ભ્રામક ડેટા બનાવે છે—માત્ર અધૂરો જ નહીં પરંતુ સક્રિયપણે ગેરમાર્ગે દોરનાર છે કારણ કે નિષ્ફળતાઓની ગેરહાજરી દૃશ્યમાન વિતરણના આકારને બદલી નાખે છે.

3. જે ખૂટે છે તે ઘણીવાર સૌથી મહત્વપૂર્ણ ડેટા હોય છે—વાલ્ડની આંતરદૃષ્ટિ કે "ગુમ થયેલ" બુલેટ છિદ્રો ક્રેશ થયેલા વિમાનો પર હતા તે તમામ સર્વાઇવરશિપ બાયસ વિશ્લેષણ માટેનો દાખલો છે.

4. નાણાકીય અસર જથ્થાત્મક છે—મ્યુચ્યુઅલ ફંડ્સ માટે વાર્ષિક આશરે 0.9%, હેજ ફંડ્સ માટે 4.4%, અને બેકટેસ્ટિંગ ભૂલો માટે અજ્ઞાત પરંતુ નોંધપાત્ર છે.

5. મારણ એ અદ્રશ્યની સક્રિય શોધ છે—સતત પૂછવું કે "જહાજ ભંગાણવાળા ક્યાં છે?" તે એક શિસ્ત છે જે આ પૂર્વગ્રહ સામે રક્ષણ આપે છે.

6. સુધારણા પદ્ધતિઓ અસ્તિત્વમાં છે—હેકમેન કરેક્શન, ઇન્વર્સ પ્રોબેબિલિટી વેઇટિંગ, કપલાન-મેયર અંદાજ, અને પોઇન્ટ-ઇન-ટાઇમ ડેટાબેઝ આંશિક રીતે પૂર્વગ્રહને સંબોધિત કરી શકે છે.

7. દૃશ્યતા એ માન્યતા નથી—જે સરળતાથી આપણે સફળ ઉદાહરણો જોઈએ છીએ તે સંપૂર્ણ વસ્તીમાં તેમની રજૂઆત વિશે આપણને કંઈ કહેતું નથી.

18. વધુ સંસાધનો

શૈક્ષણિક પેપર્સ

• બ્રાઉન, એસ. જે., ગોએટ્ઝમેન, ડબલ્યુ., ઇબોટ્સન, આર. જી., અને રોસ, એસ. એ. (1992). સર્વાઇવરશિપ બાયસ ઇન પરફોર્મન્સ સ્ટડીઝ. રિવ્યૂ ઓફ ફાઇનાન્સિયલ સ્ટડીઝ, 5(4), 553-580.
• એલ્ટન, ઇ. જે., ગ્રુબર, એમ. જે., અને બ્લેક, સી. આર. (1996). સર્વાઇવરશિપ બાયસ એન્ડ મ્યુચ્યુઅલ ફંડ પરફોર્મન્સ. રિવ્યૂ ઓફ ફાઇનાન્સિયલ સ્ટડીઝ, 9(4), 1097-1120.
• વાલ્ડ, એ. (1943). અ મેથડ ઓફ એસ્ટીમેટીંગ પ્લેન વલ્નરેબિલીટી બેસ્ડ ઓન ડેમેજ ઓફ સર્વાઇવર્સ. સ્ટેટિસ્ટિકલ રિસર્ચ ગ્રુપ મેમોરેન્ડમ.

પુસ્તકો

• તાલેબ, એન. એન. (2001). ફૂલ્ડ બાય રેન્ડમનેસ: ધ હિડન રોલ ઓફ ચાન્સ ઇન લાઇફ એન્ડ ઇન ધ માર્કેટ્સ. રેન્ડમ હાઉસ.
• તાલેબ, એન. એન. (2007). ધ બ્લેક સ્વાન: ધ ઇમ્પેક્ટ ઓફ ધ હાઇલી ઇમ્પ્રોબેબલ. રેન્ડમ હાઉસ.
• કાહ્નમેન, ડી. (2011). થિંકિંગ, ફાસ્ટ એન્ડ સ્લો. ફેરર, સ્ટ્રોસ એન્ડ ગીરોક્સ.

પુસ્તકના પ્રકરણો

• બેકન, એફ. (1620). આઇડોલ્સ ઓફ ધ ટ્રાઇબ. નોવમ ઓર્ગેનમ માં.
• સિસેરો. (45 બીસીઇ). ડી નેચુરા ડિઓરમ [દેવતાઓના સ્વભાવ પર]. પુસ્તક III (ડાયાગોરાસ કિસ્સા સમાવે છે).

19. સારાંશ કાર્ડ

20. ઉપયોગમાં લેવાતા શબ્દોની ગ્લોસરી

21. ચર્ચાના પ્રશ્નો

બુક ક્લબ, ક્લાસરૂમ અથવા સ્વ-ચિંતન માટે:

1. શું તમે દૃશ્યમાન સફળતાની વાર્તાઓ પર આધારિત તમે લીધેલા કોઈ મોટા જીવન નિર્ણયને ઓળખી શકો છો? કઈ નિષ્ફળતાઓ તમે જોઈ શક્યા ન હતા?

2. વાલ્ડે ભલામણ કરી કે બખ્તર ત્યાં મૂકો જ્યાં બુલેટના છિદ્રો નહોતા. વર્તમાનની કઈ સમસ્યાઓમાં જ્યાં નુકસાન દેખાતું નથી ત્યાં જોવાથી ફાયદો થઈ શકે છે?

3. સોશિયલ મીડિયા, જે સફળતાઓને પ્રકાશિત કરે છે અને નિષ્ફળતાઓને છુપાવે છે, કારકિર્દી અને જીવનના નિર્ણયોમાં સર્વાઇવરશિપ બાયસને કેવી રીતે વધારી શકે છે?

4. શું ખરેખર નિષ્ફળતાઓને "જોવાનો" કોઈ રસ્તો છે, અથવા આપણે હંમેશા સર્વાઇવર-બાયસ્ડ ડેટા સાથે કામ કરીએ છીએ? સુધારણા પદ્ધતિઓની મર્યાદાઓ શું છે?

5. તાલેબ દલીલ કરે છે કે સફળ લોકોની સલાહ નિષ્ફળ લોકોની સલાહ કરતાં વધુ માન્ય હોઈ શકતી નથી. આ પૂર્વગ્રહને જોતાં મેન્ટરશિપ અને અન્ય લોકો પાસેથી શીખવા વિશે આપણે કેવી રીતે વિચારવું જોઈએ?