ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ (Survivorship Bias)

ਇੱਕ ਝਲਕ ਵਿੱਚ (At a Glance)

1. ਸੰਖੇਪ ਸਾਰਾਂਸ਼ (Quick Summary)

ਜਦੋਂ ਅਸੀਂ ਸਫਲਤਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਸਿਰਫ ਜੇਤੂਆਂ ਨੂੰ ਹੀ ਦੇਖਦੇ ਹਾਂ - ਉਹ ਕੰਪਨੀਆਂ ਜੋ ਵਧੀਆਂ-ਫੁੱਲੀਆਂ, ਉਹ ਇਮਾਰਤਾਂ ਜੋ ਅਜੇ ਵੀ ਖੜ੍ਹੀਆਂ ਹਨ, ਉਹ ਲੋਕ ਜੋ ਸਫਲ ਹੋਏ। ਅਸੀਂ ਅਸਫਲਤਾਵਾਂ ਨੂੰ ਕਦੇ ਨਹੀਂ ਦੇਖਦੇ ਕਿਉਂਕਿ ਉਹ ਗਾਇਬ ਹੋ ਗਈਆਂ ਹਨ। ਇਹ ਅਸਲੀਅਤ ਦੀ ਇੱਕ ਖਤਰਨਾਕ ਅਤੇ ਵਿਗੜੀ ਹੋਈ ਤਸਵੀਰ ਬਣਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਅਸੀਂ ਸਫਲਤਾ ਦੀਆਂ ਆਪਣੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਦਾ ਵੱਧ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦੇ ਹਾਂ, ਸਫਲਤਾ ਦੇ ਕਾਰਨਾਂ ਦੀ ਗਲਤ ਪਛਾਣ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਅਧੂਰੇ ਡੇਟਾ ਤੋਂ ਸਿੱਟੇ ਕੱਢਦੇ ਹਾਂ। ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਗਭਗ ਹਮੇਸ਼ਾ ਉਹ ਜਾਣਕਾਰੀ ਹੁੰਦੀ ਹੈ ਜੋ ਗਾਇਬ ਹੁੰਦੀ ਹੈ।

2. ਇਸ ਦੇ ਪਿੱਛੇ ਦਾ ਵਿਗਿਆਨ (The Science Behind It)

2.1. ਖੋਜ ਅਤੇ ਇਤਿਹਾਸ (Discovery and History)

ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ ਦੀ ਬੌਧਿਕ ਮਾਨਤਾ ਆਧੁਨਿਕ ਅੰਕੜਾ ਵਿਗਿਆਨ ਤੋਂ ਦੋ ਹਜ਼ਾਰ ਸਾਲ ਤੋਂ ਵੀ ਪਹਿਲਾਂ ਦੀ ਹੈ, ਹਾਲਾਂਕਿ ਇਸਦਾ ਰਸਮੀ ਗਣਿਤਿਕ ਇਲਾਜ ਦੂਜੇ ਵਿਸ਼ਵ ਯੁੱਧ ਦੌਰਾਨ ਉਭਰਿਆ।

ਪ੍ਰਾਚੀਨ ਮੂਲ (5ਵੀਂ ਸਦੀ ਈਸਾ ਪੂਰਵ): ਸਭ ਤੋਂ ਪੁਰਾਣਾ ਦਸਤਾਵੇਜ਼ੀ ਨਿਰੀਖਣ ਡਾਇਗੋਰਸ ਆਫ਼ ਮੇਲੋਸ (Diagoras of Melos) ਤੋਂ ਆਉਂਦਾ ਹੈ, ਜੋ ਇੱਕ ਯੂਨਾਨੀ ਕਵੀ ਅਤੇ ਜਾਣਿਆ-ਪਛਾਣਿਆ ਨਾਸਤਿਕ ਸੀ। ਜਦੋਂ ਉਸਨੂੰ ਸਮੁੰਦਰੀ ਜਹਾਜ਼ ਦੇ ਡੁੱਬਣ ਤੋਂ ਬਚਣ ਵਾਲੇ ਸ਼ਰਧਾਲੂਆਂ ਦੀਆਂ ਚਿੱਤਰਿਤ ਤਖ਼ਤੀਆਂ ਰੱਬੀ ਦਖਲਅੰਦਾਜ਼ੀ ਦੇ ਸਬੂਤ ਵਜੋਂ ਦਿਖਾਈਆਂ ਗਈਆਂ, ਤਾਂ ਡਾਇਗੋਰਸ ਨੇ ਮਸ਼ਹੂਰ ਜਵਾਬ ਦਿੱਤਾ: "ਮੈਂ ਉਨ੍ਹਾਂ ਨੂੰ ਦੇਖਦਾ ਹਾਂ ਜਿਨ੍ਹਾਂ ਨੂੰ ਬਚਾਇਆ ਗਿਆ ਸੀ, ਪਰ ਉਹ ਕਿੱਥੇ ਪੇਂਟ ਕੀਤੇ ਗਏ ਹਨ ਜੋ ਸਮੁੰਦਰੀ ਜਹਾਜ਼ ਦੇ ਟੁੱਟਣ ਨਾਲ ਮਾਰੇ ਗਏ ਸਨ?" ਸਿਸੇਰੋ (Cicero) ਦੁਆਰਾ ਡੀ ਨਟੂਰਾ ਡੀਓਰਮ (De Natura Deorum) ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕੀਤੀ ਗਈ ਇਹ ਘਟਨਾ, ਪੱਖਪਾਤ ਦੇ ਪੂਰੇ ਤੰਤਰ ਨੂੰ ਕੈਪਚਰ ਕਰਦੀ ਹੈ - ਬਚਣ ਵਾਲੇ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ ਅਤੇ ਆਵਾਜ਼ ਉਠਾਉਂਦੇ ਹਨ; ਮਰੇ ਹੋਏ ਚੁੱਪ ਹਨ।

ਪੁਨਰਜਾਗਰਣ ਰਸਮੀਕਰਨ (17ਵੀਂ ਸਦੀ): ਫ੍ਰਾਂਸਿਸ ਬੇਕਨ (Francis Bacon) ਨੇ ਇਸ ਨਿਰੀਖਣ ਨੂੰ ਆਪਣੇ "ਆਈਡਲਸ ਆਫ਼ ਦਿ ਮਾਈਂਡ" (Idols of the Mind) ਦੇ ਸਿਧਾਂਤ ਵਿੱਚ, ਖਾਸ ਕਰਕੇ ਆਈਡਲਸ ਆਫ਼ ਦਿ ਟ੍ਰਾਈਬ (Idols of the Tribe) ਵਿੱਚ ਜੋੜਿਆ। ਉਸਨੇ ਨੋਟ ਕੀਤਾ ਕਿ ਮਨੁੱਖੀ ਬੁੱਧੀ ਨਕਾਰਾਤਮਕ ਨਾਲੋਂ ਸਕਾਰਾਤਮਕ ਦੁਆਰਾ ਵਧੇਰੇ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੀ ਹੈ - ਸਫਲਤਾਵਾਂ ਦਰਜ ਹੁੰਦੀਆਂ ਹਨ ਜਦੋਂ ਕਿ ਅਸਫਲਤਾਵਾਂ ਰਿਕਾਰਡ ਤੋਂ ਗਾਇਬ ਹੋ ਜਾਂਦੀਆਂ ਹਨ।

ਦੂਜੇ ਵਿਸ਼ਵ ਯੁੱਧ ਦੌਰਾਨ ਗਣਿਤਿਕ ਇਲਾਜ (1943): ਕੋਲੰਬੀਆ ਯੂਨੀਵਰਸਿਟੀ ਵਿੱਚ ਸਟੈਟਿਸਟੀਕਲ ਰਿਸਰਚ ਗਰੁੱਪ (Statistical Research Group) ਦੇ ਨਾਲ ਅਬਰਾਹਿਮ ਵਾਲਡ (Abraham Wald) ਦੇ ਕੰਮ ਨੇ ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਨ ਲਈ ਪਹਿਲਾ ਸਖ਼ਤ ਗਣਿਤਿਕ ਢਾਂਚਾ ਪ੍ਰਦਾਨ ਕੀਤਾ, ਜਿਸ ਨੇ ਕਾਰਜਸ਼ੀਲ ਖੋਜ ਅਤੇ ਫੌਜੀ ਰਣਨੀਤੀ ਨੂੰ ਹਮੇਸ਼ਾ ਲਈ ਬਦਲ ਦਿੱਤਾ।

ਵਿੱਤੀ ਅਰਥ ਸ਼ਾਸਤਰ ਕ੍ਰਾਂਤੀ (1990 ਦਾ ਦਹਾਕਾ): ਬ੍ਰਾਊਨ (Brown), ਗੋਏਟਜ਼ਮੈਨ (Goetzmann), ਐਲਟਨ (Elton), ਗਰੂਬਰ (Gruber) ਅਤੇ ਬਲੇਕ (Blake) ਸਮੇਤ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਮਿਉਚੁਅਲ ਫੰਡ ਅਤੇ ਹੈੱਜ ਫੰਡ ਪ੍ਰਦਰਸ਼ਨ ਡੇਟਾ 'ਤੇ ਪੱਖਪਾਤ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਮਾਪਿਆ, ਜੋ ਨਿਵੇਸ਼ ਵਿਸ਼ਲੇਸ਼ਣ 'ਤੇ ਇਸਦੇ ਡੂੰਘੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

ਪ੍ਰਸਿੱਧ ਦਰਸ਼ਨ (2000 ਦਾ ਦਹਾਕਾ): ਨਸੀਮ ਨਿਕੋਲਸ ਤਾਲੇਬ (Nassim Nicholas Taleb) ਨੇ ਫੂਲਡ ਬਾਏ ਰੈਂਡਮਨੇਸ (Fooled by Randomness) (2001) ਅਤੇ ਦਿ ਬਲੈਕ ਸਵਾਨ (The Black Swan) (2007) ਵਿੱਚ ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ ਨੂੰ ਇੱਕ ਅੰਕੜਾ ਸੰਕਲਪ ਤੋਂ ਇੱਕ ਦਾਰਸ਼ਨਿਕ ਵਿਸ਼ਵ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਵਿੱਚ ਉੱਚਾ ਕੀਤਾ।

2.2. ਪ੍ਰਮੁੱਖ ਖੋਜਕਰਤਾ (Key Researchers)

2.3. ਇਤਿਹਾਸਕ ਅਧਿਐਨ (Landmark Studies)

ਏਅਰਕ੍ਰਾਫਟ ਕਮਜ਼ੋਰੀ ਵਿਸ਼ਲੇਸ਼ਣ (Wald, 1943)

ਦੂਜੇ ਵਿਸ਼ਵ ਯੁੱਧ ਦੌਰਾਨ, ਸਟੈਟਿਸਟੀਕਲ ਰਿਸਰਚ ਗਰੁੱਪ ਨੂੰ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਕਿਹਾ ਗਿਆ ਸੀ ਕਿ ਬੰਬਾਰ ਜਹਾਜ਼ਾਂ 'ਤੇ ਸ਼ਸਤਰ (armor) ਕਿੱਥੇ ਰੱਖਣਾ ਹੈ। ਫੌਜ ਨੇ ਵਾਪਸ ਆਉਣ ਵਾਲੇ ਜਹਾਜ਼ਾਂ 'ਤੇ ਗੋਲੀਆਂ ਦੇ ਛੇਕ ਦੀ ਗਾੜ੍ਹਾਪਣ ਦਰਸਾਉਂਦਾ ਡੇਟਾ ਪੇਸ਼ ਕੀਤਾ: ਫਿਊਜ਼ਲੇਜ, ਖੰਭਾਂ ਅਤੇ ਪੂਛ 'ਤੇ ਭਾਰੀ ਨੁਕਸਾਨ, ਪਰ ਇੰਜਣਾਂ ਅਤੇ ਕਾਕਪਿਟਾਂ 'ਤੇ ਬਹੁਤ ਘੱਟ ਨੁਕਸਾਨ।

ਫੌਜ ਦਾ ਅਨੁਮਾਨਿਤ ਸਿੱਟਾ ਉਨ੍ਹਾਂ ਖੇਤਰਾਂ ਨੂੰ ਬਖਤਰਬੰਦ ਕਰਨਾ ਸੀ ਜਿੱਥੇ ਸਭ ਤੋਂ ਵੱਧ ਹਿੱਟ ਪ੍ਰਾਪਤ ਹੋ ਰਹੇ ਸਨ। ਵਾਲਡ ਦੀ ਵਿਰੋਧੀ-ਅਨੁਭਵੀ ਸੂਝ ਨੇ ਇਸ ਸਿਫਾਰਸ਼ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਉਲਟਾ ਦਿੱਤਾ: ਇੰਜਣਾਂ ਅਤੇ ਕਾਕਪਿਟਾਂ ਨੂੰ ਬਖਤਰਬੰਦ ਕਰੋ—ਉਹ ਖੇਤਰ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਕੋਈ ਨੁਕਸਾਨ ਨਹੀਂ ਦੇਖਿਆ ਗਿਆ।

ਉਸਦਾ ਤਰਕ: ਦੁਸ਼ਮਣ ਦੀ ਗੋਲੀਬਾਰੀ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਜਹਾਜ਼ਾਂ ਵਿੱਚ ਬੇਤਰਤੀਬੇ ਤੌਰ 'ਤੇ ਵੰਡੀ ਗਈ ਸੀ। ਇੰਜਣਾਂ ਵਿੱਚ "ਗੁੰਮ" ਗੋਲੀਆਂ ਦੇ ਛੇਕ ਇਸ ਗੱਲ ਦਾ ਸਬੂਤ ਨਹੀਂ ਸਨ ਕਿ ਇੰਜਣਾਂ ਨੂੰ ਟੱਕਰ ਨਹੀਂ ਲੱਗ ਰਹੀ ਸੀ—ਉਹ ਇਸ ਗੱਲ ਦਾ ਸਬੂਤ ਸਨ ਕਿ ਇੰਜਣਾਂ ਵਿੱਚ ਟੱਕਰ ਲੱਗਣ ਵਾਲੇ ਜਹਾਜ਼ ਵਾਪਸ ਨਹੀਂ ਆਏ ਸਨ। ਫੌਜ ਬਚਣ ਯੋਗ ਨੁਕਸਾਨ ਦੀ ਜਾਂਚ ਕਰ ਰਹੀ ਸੀ, ਘਾਤਕ ਨੁਕਸਾਨ ਦੀ ਨਹੀਂ।

ਵਾਲਡ ਨੇ ਆਪਣੇ ਮੈਮੋਰੰਡਮ "A Method of Estimating Plane Vulnerability Based on Damage of Survivors" ਵਿੱਚ ਇਸ ਨੂੰ ਰਸਮੀ ਰੂਪ ਦਿੱਤਾ, ਇਹ ਸਥਾਪਿਤ ਕਰਦੇ ਹੋਏ ਕਿ ਬਚਣ ਵਾਲਿਆਂ 'ਤੇ ਦੇਖੀ ਗਈ ਹਿੱਟ ਘਣਤਾ ਉਸ ਖੇਤਰ ਵਿੱਚ ਹਿੱਟਾਂ ਦੀ ਘਾਤਕਤਾ ਦੇ ਉਲਟ ਅਨੁਪਾਤਕ ਹੈ।

ਮਿਉਚੁਅਲ ਫੰਡ ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ (Brown, Goetzmann, et al., 1992)

Review of Financial Studies ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ, ਇਸ ਪੇਪਰ ਨੇ ਦਿਖਾਇਆ ਕਿ ਮਿਆਰੀ ਵਿੱਤੀ ਡੇਟਾਬੇਸ ਯੋਜਨਾਬੱਧ ਤਰੀਕੇ ਨਾਲ ਖਤਮ ਕੀਤੇ ਗਏ ਜਾਂ ਵਿਲੀਨ ਕੀਤੇ ਗਏ ਫੰਡਾਂ ਦੇ ਰਿਕਾਰਡ ਨੂੰ ਮਿਟਾ ਦਿੰਦੇ ਹਨ। ਕਿਉਂਕਿ ਫੰਡ ਲਗਭਗ ਹਮੇਸ਼ਾ ਮਾੜੇ ਪ੍ਰਦਰਸ਼ਨ ਕਾਰਨ ਖਤਮ ਹੋ ਜਾਂਦੇ ਹਨ, ਇਸ ਕਟੌਤੀ ਨੇ ਇੱਕ ਅੰਕੜਾਤਮਕ ਮ੍ਰਿਗਤ੍ਰਿਸ਼ਨਾ ਪੈਦਾ ਕੀਤੀ—ਜਿਸ ਨਾਲ ਔਸਤ ਫੰਡ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਅਸਲੀਅਤ ਨਾਲੋਂ ਬਿਹਤਰ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ ਅਤੇ ਅਸਥਿਰਤਾ ਅਤੇ ਰਿਟਰਨਾਂ ਵਿਚਕਾਰ ਜਾਅਲੀ ਸਬੰਧ ਪੈਦਾ ਹੁੰਦੇ ਹਨ ਜੋ "ਹੁਨਰ" ਦੀ ਨਕਲ ਕਰਦੇ ਹਨ ਜਿੱਥੇ ਕੋਈ ਨਹੀਂ ਸੀ।

ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ ਅਤੇ ਮਿਉਚੁਅਲ ਫੰਡ ਪ੍ਰਦਰਸ਼ਨ (Elton, Gruber & Blake, 1996)

ਇਸ ਇਤਿਹਾਸਕ ਅਧਿਐਨ ਨੇ 1976 ਦੇ ਅੰਤ ਵਿੱਚ ਮੌਜੂਦ ਹਰੇਕ ਮਿਉਚੁਅਲ ਫੰਡ ਨੂੰ ਟਰੈਕ ਕੀਤਾ। ਮੁੱਖ ਖੋਜਾਂ:

• ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ ਨੇ ਸਾਲਾਨਾ ਰਿਟਰਨ ਨੂੰ ਲਗਭਗ 0.9% (90 ਅਧਾਰ ਅੰਕ) ਵਧਾ ਦਿੱਤਾ ਹੈ
• ਵੱਡੇ ਫੰਡਾਂ ਨਾਲੋਂ ਛੋਟੇ ਫੰਡਾਂ ਲਈ ਪੱਖਪਾਤ ਕਾਫ਼ੀ ਵੱਡਾ ਸੀ
• ਫੰਡ ਜੋ ਵਿਲੀਨ ਹੋ ਗਏ ਸਨ (ਅਕਸਰ ਵੱਡੇ ਫੰਡਾਂ ਵਿੱਚ ਮਾੜੇ ਰਿਕਾਰਡ ਛੁਪਾਉਂਦੇ ਹਨ) ਅਤੇ ਜੋ ਖਤਮ ਹੋ ਗਏ, ਦੋਵਾਂ ਨੇ ਪੱਖਪਾਤ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਇਆ

ਇਹਨਾਂ ਖੋਜਾਂ ਨੇ ਕੁਸ਼ਲ ਮਾਰਕੀਟ ਪਰਿਕਲਪਨਾ (Efficient Market Hypothesis) ਲਈ ਮਜ਼ਬੂਤ ਅਨੁਭਵੀ ਸਮਰਥਨ ਪ੍ਰਦਾਨ ਕੀਤਾ ਜਦੋਂ ਪੱਖਪਾਤ ਨੂੰ ਠੀਕ ਕੀਤਾ ਗਿਆ।

2.4. ਤੰਤੂ ਵਿਗਿਆਨਿਕ ਆਧਾਰ (Neurological Basis)

ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ ਮਨੁੱਖੀ ਬੋਧ (cognition) ਦੀਆਂ ਬੁਨਿਆਦੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਤੋਂ ਉੱਭਰਦਾ ਹੈ:

ਸਿਸਟਮ 1 ਸੋਚ (System 1 Thinking): ਡੈਨੀਅਲ ਕਾਹਨੇਮੈਨ (Daniel Kahneman) ਦਾ "ਤੇਜ਼ ਸੋਚਣ ਵਾਲਾ" (fast thinking) ਸਿਸਟਮ "ਵਾਪਰਨ ਦੀ ਬਾਰੰਬਾਰਤਾ" (frequency of occurrence) ਦੇ ਨਾਲ "ਯਾਦ ਰੱਖਣ ਦੀ ਸੌਖ" (ease of recall) ਨੂੰ ਮਿਲਾਉਂਦਾ ਹੈ। ਕਿਉਂਕਿ ਸਫਲ ਉਦਾਹਰਣਾਂ (ਸਟੀਵ ਜੌਬਸ, ਬਿਲ ਗੇਟਸ) ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਯਾਦ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਸੀਂ ਅਨੁਭਵੀ ਤੌਰ 'ਤੇ ਮੂਲ ਦਰਾਂ (base rates) ਦੀ ਵਾਰੰਟੀ ਨਾਲੋਂ ਸਮਾਨ ਨਤੀਜਿਆਂ ਨੂੰ ਉੱਚ ਸੰਭਾਵਨਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਾਂ।

ਉਪਲਬਧਤਾ ਹਿਊਰਿਸਟਿਕ (Availability Heuristic): ਫੈਸਲਿਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਸਮੇਂ ਦਿਮਾਗ ਤੁਰੰਤ ਉਪਲਬਧ ਉਦਾਹਰਣਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਸਫਲਤਾਵਾਂ ਸੁਭਾਵਕ ਤੌਰ 'ਤੇ ਵਧੇਰੇ "ਉਪਲਬਧ" ਹੁੰਦੀਆਂ ਹਨ—ਸਫਲ ਕੰਪਨੀਆਂ ਸਟਾਕ ਐਕਸਚੇਂਜਾਂ 'ਤੇ ਸੂਚੀਬੱਧ ਹੁੰਦੀਆਂ ਹਨ ਜਦੋਂ ਕਿ ਅਸਫਲ ਕੰਪਨੀਆਂ ਨੂੰ ਸੂਚੀਬੱਧ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ; ਸਫਲ ਇਮਾਰਤਾਂ ਖੜ੍ਹੀਆਂ ਹੁੰਦੀਆਂ ਹਨ ਜਦੋਂ ਕਿ ਡਿੱਗੀਆਂ ਹੋਈਆਂ ਇਮਾਰਤਾਂ ਨੂੰ ਬਦਲ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ।

ਪੈਟਰਨ ਮਾਨਤਾ ਸੀਮਾਵਾਂ (Pattern Recognition Limitations): ਮਨੁੱਖੀ ਦਿਮਾਗ ਅਨੁਭਵੀ ਡੇਟਾ ਤੋਂ ਕਾਰਕ ਬਿਰਤਾਂਤ ਕੱਢਣ ਲਈ ਵਿਕਸਤ ਹੋਇਆ ਹੈ ਪਰ ਉਸ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨਹੀਂ ਕਰ ਸਕਦਾ ਜੋ ਮੌਜੂਦ ਨਹੀਂ ਹੈ। ਇਹ ਬੁਨਿਆਦੀ ਸੀਮਾ - ਅਸੀਂ ਸਿਰਫ ਉਸ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰ ਸਕਦੇ ਹਾਂ ਜੋ ਅਸੀਂ ਦੇਖ ਸਕਦੇ ਹਾਂ - ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ ਦੀ ਤੰਤੂ-ਵਿਗਿਆਨਕ ਬੁਨਿਆਦ ਹੈ।

ਆਸ਼ਾਵਾਦ ਪੱਖਪਾਤ ਇੰਟਰੈਕਸ਼ਨ (Optimism Bias Interaction): ਸਵੈ-ਮੁਲਾਂਕਣ ਨਾਲ ਜੁੜੇ ਤੰਤੂ ਸਰਕਟ ਆਸ਼ਾਵਾਦ ਵੱਲ ਝੁਕਦੇ ਹਨ। ਜਦੋਂ ਸਰਵਾਈਵਰ-ਪੱਖਪਾਤੀ ਡੇਟਾ ਨੂੰ ਦੇਖਦੇ ਹੋ, ਤਾਂ ਇਹ ਸਰਕਟ ਅਸਫਲਤਾਵਾਂ ਦੀ ਸ਼ਾਂਤ ਬਹੁਗਿਣਤੀ ਦੀ ਬਜਾਏ ਜੇਤੂਆਂ ਨਾਲ ਪਛਾਣ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦੇ ਹਨ, ਜੋਖਮ ਭਰੇ ਵਿਵਹਾਰ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਦੇ ਹਨ।

3. ਵਿਕਾਸਵਾਦੀ ਮੂਲ (Evolutionary Origins)

ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ ਸਾਡੀ ਵਿਕਾਸਵਾਦੀ ਵਿਰਾਸਤ ਵਿੱਚ ਡੂੰਘੀ ਤਰ੍ਹਾਂ ਜੁੜਿਆ ਹੋਇਆ ਹੈ ਜਿਵੇਂ ਕਿ ਪੈਟਰਨ-ਪਛਾਣ ਵਾਲੇ ਇੰਜਣ ਅਜਿਹੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ ਜਿੱਥੇ ਗਤੀ ਅਕਸਰ ਸ਼ੁੱਧਤਾ ਨੂੰ ਪਛਾੜ ਦਿੰਦੀ ਹੈ।

ਪੁਸ਼ਤੈਨੀ ਵਾਤਾਵਰਣ ਵਿੱਚ ਅਨੁਕੂਲ ਮੁੱਲ (Adaptive Value in Ancestral Environments): ਸਾਡੇ ਪੂਰਵਜਾਂ ਲਈ, ਸਫਲ ਰਣਨੀਤੀਆਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਨਾ ਸਮਝਦਾਰੀ ਵਾਲੀ ਗੱਲ ਸੀ। ਜੇਕਰ ਕਿਸੇ ਸ਼ਿਕਾਰ ਦੀ ਤਕਨੀਕ, ਪ੍ਰਵਾਸ ਮਾਰਗ, ਜਾਂ ਭੋਜਨ ਦੇ ਸਰੋਤ ਨੇ ਬਚਣ ਵਾਲਿਆਂ ਨੂੰ ਪੈਦਾ ਕੀਤਾ, ਤਾਂ ਇਹ ਨਕਲ ਕਰਨ ਯੋਗ ਸੀ। ਅਸਫਲਤਾਵਾਂ-ਜਿਨ੍ਹਾਂ ਨੇ ਵੱਖ-ਵੱਖ ਪਹੁੰਚਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਅਤੇ ਮਰ ਗਏ-ਸਲਾਹ ਲਈ ਉਪਲਬਧ ਨਹੀਂ ਸਨ। ਦਿਸਦੀ ਸਫਲਤਾ ਤੋਂ ਸਿੱਖਣਾ ਇੱਕ ਤੇਜ਼, ਕੁਸ਼ਲ ਹਿਊਰਿਸਟਿਕ ਸੀ।

ਊਰਜਾ ਸੰਭਾਲ (Energy Conservation): ਦਿਮਾਗ ਸਾਡੀ ਪਾਚਕ ਊਰਜਾ ਦਾ ਲਗਭਗ 20% ਖਪਤ ਕਰਦਾ ਹੈ। ਗੈਰਹਾਜ਼ਰ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ - ਉਨ੍ਹਾਂ ਸਾਰੀਆਂ ਅਸਫਲਤਾਵਾਂ ਦੀ ਕਲਪਨਾ ਕਰਨਾ ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਸੀਂ ਨਹੀਂ ਦੇਖ ਸਕਦੇ - ਬੋਧਾਤਮਕ ਤੌਰ 'ਤੇ ਮਹਿੰਗਾ ਹੈ। ਵਿਕਾਸਵਾਦ ਨੇ ਉਨ੍ਹਾਂ ਦਿਮਾਗਾਂ ਦਾ ਪੱਖ ਪੂਰਿਆ ਜੋ ਅਦਿੱਖ ਵਿਕਲਪਾਂ ਦਾ ਵਿਸਤ੍ਰਿਤ ਮਾਡਲਿੰਗ ਕਰਨ ਦੀ ਬਜਾਏ ਉਪਲਬਧ ਜਾਣਕਾਰੀ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਸੰਸਾਧਿਤ ਕਰਦੇ ਹਨ।

ਵਿਸ਼ੇਸ਼ਤਾ, ਬੱਗ ਨਹੀਂ (Feature, Not Bug): ਮੁਕਾਬਲਤਨ ਸਥਿਰ ਸਥਿਤੀਆਂ ਅਤੇ ਤੁਰੰਤ ਦੇਖਣਯੋਗ ਨਤੀਜਿਆਂ ਵਾਲੇ ਜੱਦੀ ਵਾਤਾਵਰਣ ਵਿੱਚ, ਸਰਵਾਈਵਰਸ਼ਿਪ-ਪੱਖਪਾਤੀ ਸਿੱਖਿਆ ਅਕਸਰ ਕਾਫ਼ੀ ਚੰਗੀ ਹੁੰਦੀ ਸੀ। ਜੇ ਤੁਹਾਡਾ ਗੁਆਂਢੀ ਇੱਕ ਖਾਸ ਆਸਰਾ ਡਿਜ਼ਾਈਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਰਦੀਆਂ ਵਿੱਚ ਬਚ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਸਦੀ ਨਕਲ ਕਰਨਾ ਉਚਿਤ ਸੀ। ਪੱਖਪਾਤ ਸਿਰਫ ਗੁੰਝਲਦਾਰ, ਆਧੁਨਿਕ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਸਮੱਸਿਆ ਵਾਲਾ ਬਣ ਜਾਂਦਾ ਹੈ ਜਿੱਥੇ ਅਸਫਲਤਾਵਾਂ ਨੂੰ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਲੁਕਾਇਆ ਜਾਂਦਾ ਹੈ ਅਤੇ "ਬਚੇ ਹੋਏ" ਦਾ ਨਮੂਨਾ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਪ੍ਰਤੀਨਿਧ ਨਹੀਂ ਹੁੰਦਾ।

ਉਪਲਬਧਤਾ ਬੇਮੇਲ (The Availability Mismatch): ਸਾਡੇ ਦਿਮਾਗ ਛੋਟੇ ਸਮੂਹਾਂ ਵਿੱਚ ਵਿਕਸਤ ਹੋਏ ਜਿੱਥੇ ਸਭ ਤੋਂ ਸੰਬੰਧਿਤ ਘਟਨਾਵਾਂ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਦੇਖਣਯੋਗ ਸਨ। ਆਧੁਨਿਕ ਸਮਾਜ ਵਿੱਚ, ਅਸੀਂ ਅਜਿਹੀ ਜਾਣਕਾਰੀ ਦਾ ਸਾਹਮਣਾ ਕਰਦੇ ਹਾਂ ਜਿਸਨੂੰ ਚੋਣ ਦੀਆਂ ਕਈ ਪਰਤਾਂ (ਮੀਡੀਆ, ਬਾਜ਼ਾਰਾਂ, ਇਤਿਹਾਸ) ਦੁਆਰਾ ਫਿਲਟਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜੋ ਸਾਡੇ ਉਪਲਬਧਤਾ-ਅਧਾਰਿਤ ਅਨੁਭਵਾਂ ਨੂੰ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਗੁੰਮਰਾਹ ਕਰਦਾ ਹੈ।

4. ਇਹ ਪੱਖਪਾਤ ਕਿਵੇਂ ਪ੍ਰਗਟ ਹੁੰਦਾ ਹੈ (How This Bias Manifests)

4.1. ਰੋਜ਼ਾਨਾ ਜੀਵਨ ਵਿੱਚ (In Everyday Life)

"ਉਹ ਹੁਣ ਉਵੇਂ ਨਹੀਂ ਬਣਾਉਂਦੇ ਜਿਵੇਂ ਉਹ ਬਣਾਉਂਦੇ ਸਨ" ("They Don't Make Them Like They Used To"): ਰੋਮਨ ਪੈਂਥੀਓਨ, ਵਿਕਟੋਰੀਅਨ ਮਹੋਗਨੀ ਫਰਨੀਚਰ, ਅਤੇ 1950 ਦੇ ਦਹਾਕੇ ਦੇ ਉਪਕਰਣ ਜੋ "ਅਜੇ ਵੀ ਕੰਮ ਕਰਦੇ ਹਨ" ਅੰਕੜਾਤਮਕ ਆਊਟਲਾਇਰ (outliers) ਹਨ ਜੋ ਸਦੀਆਂ ਦੀ ਤਬਾਹੀ ਤੋਂ ਬਚ ਗਏ ਹਨ। ਘਟੀਆ ਢੰਗ ਨਾਲ ਬਣਾਏ ਗਏ ਰੋਮਨ ਟੈਨੇਮੈਂਟਸ ਜੋ ਢਹਿ-ਢੇਰੀ ਹੋ ਗਏ, ਸਸਤੇ ਵਿਕਟੋਰੀਅਨ ਫਰਨੀਚਰ ਜੋ ਸੜ ਗਏ, ਅਤੇ ਲੈਂਡਫਿਲਾਂ ਵਿੱਚ ਟੁੱਟੇ ਹੋਏ 1950 ਦੇ ਉਪਕਰਣ ਅਦਿੱਖ ਹਨ। ਅਸੀਂ ਵਰਤਮਾਨ ਦੀ ਔਸਤ ਦੇ ਮੁਕਾਬਲੇ ਅਤੀਤ ਦੇ ਸਭ ਤੋਂ ਵਧੀਆ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹਾਂ।

"ਕਲਾਸਿਕ" ਸੰਗੀਤ ਭਰਮ ("Classic" Music Fallacy): ਲੋਕ ਦਾਅਵਾ ਕਰਦੇ ਹਨ ਕਿ 1960-70 ਦੇ ਦਹਾਕੇ ਦਾ ਸੰਗੀਤ ਉੱਤਮ ਸੀ ਕਿਉਂਕਿ "ਉਸ ਯੁੱਗ ਦੇ ਸਾਰੇ ਗਾਣੇ ਕਲਾਸਿਕ ਹਨ।" ਇਹ ਇਸ ਗੱਲ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦਾ ਹੈ ਕਿ ਹਜ਼ਾਰਾਂ ਡੈਰੀਵੇਟਿਵ, ਮਾੜੇ ਢੰਗ ਨਾਲ ਤਿਆਰ ਕੀਤੇ ਗਏ ਗਾਣੇ ਜਾਰੀ ਕੀਤੇ ਗਏ ਸਨ - ਰੇਡੀਓ ਸਟੇਸ਼ਨ ਸਿਰਫ ਬਚੇ ਹੋਏ 1% ਹਿੱਟ ਹੀ ਚਲਾਉਂਦੇ ਹਨ। ਅਸੀਂ ਅੱਜ ਦੇ 100% ਆਉਟਪੁੱਟ ਦੇ ਮੁਕਾਬਲੇ ਅਤੀਤ ਦੇ ਫਿਲਟਰ ਕੀਤੇ ਗਏ ਸਭ ਤੋਂ ਵਧੀਆ ਗੀਤਾਂ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹਾਂ।

ਖੁਸ਼ਹਾਲ ਜੋੜਿਆਂ ਤੋਂ ਰਿਸ਼ਤੇ ਦੀ ਸਲਾਹ (Relationship Advice from Happy Couples): ਰਿਸ਼ਤੇ ਦੀ ਸਲਾਹ ਮੰਗਣ ਵੇਲੇ, ਅਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਉਨ੍ਹਾਂ ਜੋੜਿਆਂ ਨਾਲ ਸਲਾਹ ਕਰਦੇ ਹਾਂ ਜੋ ਅਜੇ ਵੀ ਇਕੱਠੇ ਹਨ। ਅਸੀਂ ਉਨ੍ਹਾਂ ਲੋਕਾਂ ਤੋਂ ਸ਼ਾਇਦ ਹੀ ਸੁਣਦੇ ਹਾਂ ਜਿਨ੍ਹਾਂ ਨੇ ਉਹੀ ਪਹੁੰਚ ਅਪਣਾਈ ਅਤੇ ਤਲਾਕ ਵਿੱਚ ਖਤਮ ਹੋਏ, ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਸਲਾਹ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹੋਏ ਜਿਸ ਨੇ ਉਨ੍ਹਾਂ ਦੀ ਅਸਫਲਤਾ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਇਆ।

ਰੈਸਟੋਰੈਂਟ ਦੀਆਂ ਸਿਫ਼ਾਰਿਸ਼ਾਂ (Restaurant Recommendations): ਇੱਕ ਸ਼ਹਿਰ ਵਿੱਚ ਪ੍ਰਸਿੱਧ ਰੈਸਟੋਰੈਂਟ, ਪਰਿਭਾਸ਼ਾ ਦੁਆਰਾ, ਬਚੇ ਹੋਏ ਹਨ। ਹਜ਼ਾਰਾਂ ਰੈਸਟੋਰੈਂਟ ਜੋ ਅਸਫਲ ਹੋਏ—ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਇਕੋ ਜਿਹੀਆਂ ਰਣਨੀਤੀਆਂ ਨਾਲ—ਬੰਦ ਹੋ ਗਏ ਹਨ ਅਤੇ ਸਾਨੂੰ ਇਸ ਬਾਰੇ ਚੇਤਾਵਨੀ ਨਹੀਂ ਦੇ ਸਕਦੇ ਕਿ ਕੀ ਕੰਮ ਨਹੀਂ ਕਰਦਾ।

4.2. ਕੰਮ ਵਾਲੀ ਥਾਂ 'ਤੇ (In the Workplace)

ਕਾਲਜ ਡ੍ਰੌਪਆਊਟ ਮਿੱਥ (The College Dropout Myth): ਮੀਡੀਆ ਗੇਟਸ, ਜੌਬਸ ਅਤੇ ਜ਼ੁਕਰਬਰਗ ਵਰਗੇ ਅਰਬਪਤੀਆਂ ਨੂੰ ਇਸ ਸਬੂਤ ਵਜੋਂ ਉਜਾਗਰ ਕਰਦਾ ਹੈ ਕਿ ਪੜ੍ਹਾਈ ਛੱਡਣ ਨਾਲ ਸਫਲਤਾ ਮਿਲਦੀ ਹੈ। ਇਹ ਕਰਜ਼ੇ ਅਤੇ ਘੱਟ ਜੀਵਨ ਭਰ ਦੀ ਕਮਾਈ ਵਾਲੇ ਹਜ਼ਾਰਾਂ ਡ੍ਰੌਪਆਊਟਸ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦਾ ਹੈ। ਡ੍ਰੌਪਆਊਟ ਸਫਲਤਾ ਦੀ ਮੂਲ ਦਰ ਗ੍ਰੈਜੂਏਟਾਂ ਨਾਲੋਂ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਘੱਟ ਹੈ; ਮਸ਼ਹੂਰ ਉਦਾਹਰਣਾਂ ਅਤਿਅੰਤ ਆਊਟਲਾਇਰ ਹਨ।

"ਮੈਂ ਕਿਵੇਂ ਸਫਲ ਹੋਇਆ" ਸਾਹਿਤ ("How I Succeeded" Literature): ਜਿਵੇਂ ਕਿ ਨਸੀਮ ਤਾਲੇਬ ਨੋਟ ਕਰਦੇ ਹਨ, ਅਸਫਲ ਉੱਦਮੀ "ਮੈਂ ਆਪਣੇ ਸਟਾਰਟਅੱਪ ਨੂੰ ਕਿਵੇਂ ਦੀਵਾਲੀਆ ਕੀਤਾ" ਸਿਰਲੇਖ ਵਾਲੀਆਂ ਕਿਤਾਬਾਂ ਨਹੀਂ ਲਿਖਦੇ। ਸਫਲ ਉੱਦਮੀ ਲਿਖਦੇ ਹਨ "ਹਾਉ ਆਈ ਮੇਡ ਇਟ", ਅਤੇ ਉਹਨਾਂ ਦੀ ਸਲਾਹ (ਵੱਡੇ ਜੋਖਮ ਲਓ, ਆਲੋਚਕਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰੋ) ਬਿਲਕੁਲ ਉਹੀ ਵਿਵਹਾਰ ਹੋ ਸਕਦਾ ਹੈ ਜਿਸ ਕਾਰਨ ਅਸਫਲਤਾਵਾਂ ਅਸਫਲ ਹੋਈਆਂ।

"ਸਫਲ" ਪ੍ਰੋਫਾਈਲਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਨਿਯੁਕਤੀ (Hiring Based on "Successful" Profiles): ਕੰਪਨੀਆਂ ਅਕਸਰ ਆਪਣੇ ਚੋਟੀ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲਿਆਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਹਾਇਰਿੰਗ ਪ੍ਰੋਫਾਈਲ ਬਣਾਉਂਦੀਆਂ ਹਨ। ਪਰ ਉਨ੍ਹਾਂ ਕੋਲ ਰੱਦ ਕੀਤੇ ਉਮੀਦਵਾਰਾਂ ਦਾ ਡੇਟਾ ਘਾਟ ਹੈ ਜਿਨ੍ਹਾਂ ਨੇ ਬਰਾਬਰ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਹੋ ਸਕਦਾ ਹੈ, ਜਾਂ ਉਨ੍ਹਾਂ 'ਤੇ ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਜਿਹੇ ਗੁਣਾਂ ਨਾਲ ਰੱਖਿਆ ਗਿਆ ਸੀ ਜੋ ਅਸਫਲ ਰਹੇ ਅਤੇ ਛੱਡ ਗਏ।

ਕਾਰਗੁਜ਼ਾਰੀ ਵਿਸ਼ੇਸ਼ਤਾ ਤਰੁੱਟੀਆਂ (Performance Attribution Errors): ਇਹ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਸਮੇਂ ਕਿ ਕੁਝ ਪ੍ਰੋਜੈਕਟ ਕਿਉਂ ਸਫਲ ਹੋਏ, ਸੰਸਥਾਵਾਂ ਸਫਲ ਟੀਮਾਂ ਦਾ ਅਧਿਐਨ ਕਰਦੀਆਂ ਹਨ। ਉਹ ਅਸਫਲਤਾਵਾਂ ਦਾ ਅਧਿਐਨ ਨਹੀਂ ਕਰ ਸਕਦੇ ਜਿਨ੍ਹਾਂ ਨੂੰ ਛੱਡ ਦਿੱਤਾ ਗਿਆ ਸੀ, ਪੁਨਰਗਠਿਤ ਕੀਤਾ ਗਿਆ ਸੀ, ਜਾਂ ਜਿਨ੍ਹਾਂ ਦੇ ਮੈਂਬਰ ਛੱਡ ਗਏ ਸਨ - ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਇਹ ਲੱਭਦੇ ਹੋਏ ਕਿ ਉਹੀ "ਸਫਲਤਾ ਦੇ ਕਾਰਕ" ਦੋਵਾਂ ਵਿੱਚ ਮੌਜੂਦ ਸਨ।

4.3. ਵਪਾਰ ਅਤੇ ਮਾਰਕੀਟਿੰਗ ਵਿੱਚ (In Business and Marketing)

ਉੱਦਮਤਾ "ਸਫਲਤਾ ਫਾਰਮੂਲੇ" (Entrepreneurship "Success Formulas"): ਸਲਾਹ ਉਦਯੋਗ ਬਚਣ ਵਾਲਿਆਂ ਦੁਆਰਾ ਚਲਾਇਆ ਜਾਂਦਾ ਇੱਕ ਏਕਾਧਿਕਾਰ ਹੈ। ਸਫਲ ਉੱਦਮੀਆਂ ਦੀਆਂ ਕਹਾਣੀਆਂ ਵਿੱਚ "ਸਖ਼ਤ ਮਿਹਨਤ," "ਲਗਨ" ਅਤੇ "ਗੁਣਵੱਤਾ ਨਾਲ ਜਨੂੰਨ" ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ, ਪਰ ਅਸਫਲ ਉੱਦਮੀਆਂ ਦੇ ਕਬਰਸਤਾਨਾਂ ਦੇ ਸਰਵੇਖਣਾਂ ਵਿੱਚ ਇੱਕੋ ਜਿਹੇ ਗੁਣ ਮਿਲਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ। ਅੰਤਰ ਅਕਸਰ ਕਿਸਮਤ, ਸਮਾਂ, ਜਾਂ ਬਾਹਰੀ ਘਟਨਾਵਾਂ ਦਾ ਹੁੰਦਾ ਹੈ।

ਉਤਪਾਦ ਪ੍ਰਸੰਸਾ ਪੱਤਰ (Product Testimonials): ਮਾਰਕੀਟਿੰਗ ਸੰਤੁਸ਼ਟ ਗਾਹਕਾਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੀ ਹੈ। ਅਸੰਤੁਸ਼ਟ ਗਾਹਕ ਜੋ ਮੰਥਨ ਕਰਦੇ ਹਨ, ਰਿਫੰਡ ਦੀ ਬੇਨਤੀ ਕਰਦੇ ਹਨ, ਜਾਂ ਬਸ ਅਲੋਪ ਹੋ ਜਾਂਦੇ ਹਨ ਬਿਰਤਾਂਤ ਤੋਂ ਗੈਰਹਾਜ਼ਰ ਹੁੰਦੇ ਹਨ, ਸਮਝੇ ਗਏ ਉਤਪਾਦ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਵਿਗਾੜਦੇ ਹਨ।

ਪ੍ਰਤੀਯੋਗੀ ਬੈਂਚਮਾਰਕਿੰਗ (Competitive Benchmarking): ਕੰਪਨੀਆਂ ਆਪਣੀਆਂ ਰਣਨੀਤੀਆਂ ਸਿੱਖਦੇ ਹੋਏ, ਸਫਲ ਮੁਕਾਬਲੇਬਾਜ਼ਾਂ ਦੇ ਮੁਕਾਬਲੇ ਬੈਂਚਮਾਰਕ ਕਰਦੀਆਂ ਹਨ। ਪਰ ਜਿਨ੍ਹਾਂ ਕੰਪਨੀਆਂ ਨੇ ਅਜਿਹੀਆਂ ਰਣਨੀਤੀਆਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਅਤੇ ਅਸਫਲ ਰਹੀਆਂ, ਉਹਨਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰ ਲਿਆ ਗਿਆ ਹੈ, ਭੰਗ ਕਰ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਜਾਂ ਧੁਰਾ ਬਣਾਇਆ ਗਿਆ ਹੈ - ਉਹਨਾਂ ਦੀਆਂ ਅਸਫਲ ਰਣਨੀਤੀਆਂ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਅਦਿੱਖ ਹਨ।

4.4. ਰਾਜਨੀਤੀ ਅਤੇ ਮੀਡੀਆ ਵਿੱਚ (In Politics and Media)

ਇਤਿਹਾਸਕ ਬਿਰਤਾਂਤ ਨਿਰਮਾਣ (Historical Narrative Construction): ਬਚੇ ਹੋਏ ਲੋਕਾਂ ਦੁਆਰਾ ਲਿਖਿਆ ਗਿਆ ਇਤਿਹਾਸ, ਉਹਨਾਂ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣਾਂ ਨੂੰ ਨਿਸ਼ਚਤ ਵਜੋਂ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਜਿਹੜੇ ਲੋਕ ਹਾਰ ਗਏ, ਮਰ ਗਏ, ਜਾਂ ਹਾਸ਼ੀਏ 'ਤੇ ਰਹਿ ਗਏ ਉਨ੍ਹਾਂ ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਦ੍ਰਿਸ਼ਟੀਕੋਣਾਂ, ਚੇਤਾਵਨੀਆਂ, ਅਤੇ ਵਿਕਲਪਾਂ ਨੂੰ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਘੱਟ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ।

ਨਿਊਜ਼ ਸਰਵਾਈਵਰਸ਼ਿਪ (News Survivorship): ਮੀਡੀਆ ਉਨ੍ਹਾਂ ਕਹਾਣੀਆਂ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ ਜੋ ਸੰਪਾਦਕੀ ਚੋਣ ਤੋਂ ਬਚਦੀਆਂ ਹਨ। ਹਜ਼ਾਰਾਂ ਬਰਾਬਰ ਨਿਊਜ਼ਯੋਗ ਘਟਨਾਵਾਂ ਅਣਰਿਪੋਰਟ ਹੋ ਜਾਂਦੀਆਂ ਹਨ, ਇਹ ਦਰਸਾਉਂਦੀਆਂ ਹਨ ਕਿ ਕਿਹੜੀਆਂ ਸਮੱਸਿਆਵਾਂ ਮੌਜੂਦ ਹਨ ਅਤੇ ਕਿਹੜੇ ਹੱਲ ਕੰਮ ਕਰਦੇ ਹਨ।

ਰਾਜਨੀਤਿਕ ਰਣਨੀਤੀ "ਸਬਕ" (Political Strategy "Lessons"): ਸਿਆਸੀ ਵਿਸ਼ਲੇਸ਼ਕ ਸਫਲਤਾ ਦੇ ਕਾਰਕਾਂ ਨੂੰ ਕੱਢਣ ਲਈ ਜਿੱਤਣ ਵਾਲੀਆਂ ਮੁਹਿੰਮਾਂ ਦਾ ਅਧਿਐਨ ਕਰਦੇ ਹਨ। ਪਰ ਜਿਨ੍ਹਾਂ ਮੁਹਿੰਮਾਂ ਨੇ ਇੱਕੋ ਜਿਹੀਆਂ ਰਣਨੀਤੀਆਂ ਵਰਤੀਆਂ ਅਤੇ ਹਾਰ ਗਈਆਂ ਉਨ੍ਹਾਂ ਵੱਲ ਘੱਟ ਧਿਆਨ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਨੁਕਸਦਾਰ ਰਣਨੀਤਕ ਸਿਫ਼ਾਰਸ਼ਾਂ ਹੁੰਦੀਆਂ ਹਨ।

4.5. ਸਿਹਤ ਸੰਭਾਲ ਵਿੱਚ (In Healthcare)

ਡਬਲਯੂਡਬਲਯੂਆਈ ਹੈਲਮੇਟ ਵਿਰੋਧਾਭਾਸ (The WWI Helmet Paradox): ਜਦੋਂ ਪਹਿਲੇ ਵਿਸ਼ਵ ਯੁੱਧ ਵਿੱਚ ਸਟੀਲ ਹੈਲਮੇਟ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਸਨ, ਤਾਂ ਫੀਲਡ ਹਸਪਤਾਲਾਂ ਨੇ ਸਿਰ ਦੀਆਂ ਸੱਟਾਂ ਵਿੱਚ ਨਾਟਕੀ ਵਾਧੇ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਸੀ। ਕਈਆਂ ਨੇ ਸੁਝਾਅ ਦਿੱਤਾ ਕਿ ਹੈਲਮੇਟ ਨੁਕਸਦਾਰ ਸਨ। ਅਸਲੀਅਤ: ਹੈਲਮੇਟ ਤੋਂ ਪਹਿਲਾਂ, ਸਿਰ 'ਤੇ ਛਰੇ ਲੱਗਣ ਨਾਲ ਸੈਨਿਕਾਂ ਦੀ ਤੁਰੰਤ ਮੌਤ ਹੋ ਜਾਂਦੀ ਸੀ (ਕੇਆਈਏ (KIA) ਵਜੋਂ ਰਿਕਾਰਡ ਕੀਤੇ ਗਏ, ਕਦੇ ਹਸਪਤਾਲ ਨਹੀਂ ਪਹੁੰਚੇ)। ਹੈਲਮੇਟ ਨੇ ਮੌਤਾਂ ਨੂੰ ਇਲਾਜਯੋਗ ਸੱਟਾਂ ਵਿੱਚ ਬਦਲ ਦਿੱਤਾ, ਜਿਸ ਨਾਲ ਪਹਿਲੀ ਵਾਰ ਡੇਟਾ ਵਿੱਚ ਸਿਰ ਦੇ ਜ਼ਖ਼ਮਾਂ ਨੂੰ ਦਿਸਣਯੋਗ ਬਣਾਇਆ ਗਿਆ।

ਬਿੱਲੀਆਂ ਵਿੱਚ ਹਾਈ-ਰਾਈਜ਼ ਸਿੰਡਰੋਮ (High-Rise Syndrome in Cats): ਇੱਕ 1987 ਦੇ ਵੈਟਰਨਰੀ ਅਧਿਐਨ ਵਿੱਚ ਪਾਇਆ ਗਿਆ ਕਿ >7 ਮੰਜ਼ਿਲਾਂ ਤੋਂ ਡਿੱਗਣ ਵਾਲੀਆਂ ਬਿੱਲੀਆਂ ਨੂੰ 5-7 ਮੰਜ਼ਿਲਾਂ ਤੋਂ ਡਿੱਗਣ ਵਾਲੀਆਂ ਬਿੱਲੀਆਂ ਨਾਲੋਂ ਘੱਟ ਸੱਟਾਂ ਲੱਗੀਆਂ, ਜੋ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਉੱਚੀਆਂ ਡਿੱਗਣ ਵਾਲੀਆਂ "ਸੁਰੱਖਿਅਤ" ਸਨ। ਪੱਖਪਾਤ: ਡੇਟਾਸੈਟ ਵਿੱਚ ਸਿਰਫ ਪਸ਼ੂਆਂ ਦੇ ਡਾਕਟਰਾਂ ਕੋਲ ਲਿਆਂਦੀਆਂ ਗਈਆਂ ਬਿੱਲੀਆਂ ਸ਼ਾਮਲ ਸਨ। 30-ਮੰਜ਼ਿਲਾ ਡਿੱਗਣ ਕਾਰਨ ਪ੍ਰਭਾਵ 'ਤੇ ਮਰਨ ਵਾਲੀਆਂ ਬਿੱਲੀਆਂ ਨੂੰ ਦਫ਼ਨਾਇਆ ਗਿਆ ਸੀ, ਇਲਾਜ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ - ਜਿਸ ਨਾਲ ਉੱਚ-ਡਿੱਗਣ ਦੀ ਸੁਰੱਖਿਆ ਦਾ ਭਰਮ ਪੈਦਾ ਹੋਇਆ।

"ਸਿਹਤਮੰਦ ਵਰਕਰ ਪ੍ਰਭਾਵ" (The "Healthy Worker Effect"): ਅਧਿਐਨ ਅਕਸਰ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਉਦਯੋਗਿਕ ਕਾਮਿਆਂ ਦੀ ਮੌਤ ਦਰ ਆਮ ਆਬਾਦੀ ਨਾਲੋਂ ਘੱਟ ਹੁੰਦੀ ਹੈ - ਇਸ ਲਈ ਨਹੀਂ ਕਿ ਫੈਕਟਰੀ ਦਾ ਕੰਮ ਸਿਹਤਮੰਦ ਹੈ, ਸਗੋਂ ਇਸ ਲਈ ਕਿਉਂਕਿ ਕਾਰਜਬਲ ਅਪਾਹਜ, ਬਿਸਤਰੇ ਵਾਲੇ ਅਤੇ ਗੰਭੀਰ ਰੂਪ ਵਿੱਚ ਬਿਮਾਰਾਂ ਨੂੰ ਬਾਹਰ ਕੱਢਦਾ ਹੈ। ਕਾਮੇ ਪਹਿਲਾਂ ਤੋਂ ਚੁਣੇ ਹੋਏ ਬਚਣ ਵਾਲੇ ਹਨ।

ਟਰਾਮਾ ਮੌਤ ਦਰ ਦੇ ਅੰਕੜੇ (Trauma Mortality Statistics): ਦੂਰ-ਦੁਰਾਡੇ ਦੇ ਦੁਰਘਟਨਾ ਦੇ ਸ਼ਿਕਾਰ ਲੋਕ ਕਈ ਵਾਰ ਸ਼ਹਿਰੀ ਪੀੜਤਾਂ ਨਾਲੋਂ ਹਸਪਤਾਲ ਵਿੱਚ ਘੱਟ ਮੌਤ ਦਰ ਦਿਖਾਉਂਦੇ ਹਨ। ਅਸਲੀਅਤ: ਲੰਬੇ ਆਵਾਜਾਈ ਦੇ ਦੌਰਾਨ ਗੰਭੀਰ ਰੂਪ ਵਿੱਚ ਜ਼ਖਮੀ ਰਿਮੋਟ ਮਰੀਜ਼ਾਂ ਦੀ ਮੌਤ ਹੋ ਜਾਂਦੀ ਹੈ, "ਡੈੱਡ ਆਨ ਅਰਾਈਵਲ" (Dead on Arrival) ਪਹੁੰਚਦੇ ਹਨ ਅਤੇ ਹਸਪਤਾਲ ਦੇ ਅੰਕੜਿਆਂ ਤੋਂ ਬਾਹਰ ਰੱਖੇ ਜਾਂਦੇ ਹਨ। ਸ਼ਹਿਰੀ ਹਸਪਤਾਲ ਨਾਜ਼ੁਕ ਮਰੀਜ਼ਾਂ ਨੂੰ ਜ਼ਿੰਦਾ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ, ਜੋ ਫਿਰ ਹਸਪਤਾਲ ਵਿੱਚ ਮਰ ਜਾਂਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਸ਼ਹਿਰੀ ਮੌਤ ਦਰ ਵਧ ਜਾਂਦੀ ਹੈ।

4.6. ਵਿੱਤ ਅਤੇ ਨਿਵੇਸ਼ ਵਿੱਚ (In Finance and Investing)

ਮਿਉਚੁਅਲ ਫੰਡ ਪ੍ਰਦਰਸ਼ਨ (Mutual Fund Performance): ਸਟੈਂਡਰਡ ਡੇਟਾਬੇਸ ਨੇ ਖਤਮ ਕੀਤੇ ਫੰਡਾਂ ਦੇ ਰਿਕਾਰਡ ਮਿਟਾ ਦਿੱਤੇ ਹਨ। ਕਿਉਂਕਿ ਮਾੜੀ ਕਾਰਗੁਜ਼ਾਰੀ ਕਾਰਨ ਫੰਡ ਖਤਮ ਹੋ ਜਾਂਦੇ ਹਨ, ਡੇਟਾਬੇਸ ਅਸਫਲਤਾਵਾਂ ਨੂੰ ਸ਼ੁੱਧ ਕਰ ਰਹੇ ਸਨ, ਜਿਸ ਨਾਲ ਔਸਤ ਫੰਡ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਅਸਲੀਅਤ ਨਾਲੋਂ ਸਾਲਾਨਾ ~0.9% ਵੱਧ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ।

ਹੈੱਜ ਫੰਡ ਡੇਟਾ (Hedge Fund Data): ਹੈੱਜ ਫੰਡ ਆਪਣੀ ਮਰਜ਼ੀ ਨਾਲ ਰਿਪੋਰਟ ਕਰਦੇ ਹਨ, ਦੋਹਰਾ ਪੱਖਪਾਤ ਪੇਸ਼ ਕਰਦੇ ਹਨ: ਸਰਵਾਈਵਰਸ਼ਿਪ (ਅਸਫਲ ਫੰਡ ਰਿਪੋਰਟ ਕਰਨਾ ਬੰਦ ਕਰ ਦਿੰਦੇ ਹਨ) ਅਤੇ ਬੈਕਫਿਲ/ਤੁਰੰਤ ਇਤਿਹਾਸ ਪੱਖਪਾਤ (ਸਫਲ ਫੰਡ ਰਿਪੋਰਟ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹਨ ਅਤੇ ਆਪਣੇ ਖੁਸ਼ਕਿਸਮਤ ਸ਼ੁਰੂਆਤੀ ਸਾਲਾਂ ਨੂੰ ਬੈਕਫਿਲ ਕਰਦੇ ਹਨ; ਅਸਫਲ ਸ਼ੁਰੂਆਤੀ ਫੰਡ ਕਦੇ ਰਿਪੋਰਟ ਨਹੀਂ ਕਰਦੇ ਅਤੇ ਭੰਗ ਹੋ ਜਾਂਦੇ ਹਨ)। ਮਲਕੀਲ (Malkiel) ਨੇ ਇਸ ਸੰਯੁਕਤ ਪੱਖਪਾਤ ਨੂੰ ~4.4% ਸਾਲਾਨਾ ਰਿਟਰਨ ਮਹਿੰਗਾਈ ਦਾ ਅਨੁਮਾਨ ਲਗਾਇਆ ਹੈ।

S&P 500 ਬੈਕਟੈਸਟਿੰਗ (S&P 500 Backtesting): ਦੀਵਾਲੀਆ ਕੰਪਨੀਆਂ ਨੂੰ ਹਟਾਏ ਜਾਣ ਅਤੇ ਵਧਣ ਵਾਲੀਆਂ ਕੰਪਨੀਆਂ ਨੂੰ ਸ਼ਾਮਲ ਕੀਤੇ ਜਾਣ ਨਾਲ ਸੂਚਕਾਂਕ ਦੀ ਰਚਨਾ ਬਦਲਦੀ ਹੈ। ਮੌਜੂਦਾ S&P 500 ਸੂਚੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਬੈਕਟੈਸਟਿੰਗ ਅਣਜਾਣੇ ਵਿੱਚ 100% ਬਚਾਅ ਨੂੰ ਯਕੀਨੀ ਬਣਾ ਕੇ ਗੈਰ-ਯਥਾਰਥਵਾਦੀ ਰਿਟਰਨ ਪ੍ਰਾਪਤ ਕਰਦੀ ਹੈ - ਟੈਸਟ ਦੀ ਮਿਆਦ ਦੇ ਦੌਰਾਨ ਅਸਫਲ ਹੋਣ ਵਾਲੀ ਹਰ ਕੰਪਨੀ ਨੂੰ ਬਾਹਰ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ।

"ਹਾਟ ਹੈਂਡ" ਭਰਮ (The "Hot Hand" Illusion): ਸ਼ੁਰੂਆਤੀ ਅਧਿਐਨਾਂ ਨੇ ਸੁਝਾਅ ਦਿੱਤਾ ਸੀ ਕਿ ਫੰਡ ਮੈਨੇਜਰ ਲਗਾਤਾਰ ਮਾਰਕੀਟ ਨੂੰ ਹਰਾ ਸਕਦੇ ਹਨ। ਜਦੋਂ ਬ੍ਰਾਊਨ ਅਤੇ ਗੋਏਟਜ਼ਮੈਨ ਨੇ ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ ਲਈ ਠੀਕ ਕੀਤਾ, ਤਾਂ ਇਸ ਸਪੱਸ਼ਟ ਹੁਨਰ ਦਾ ਬਹੁਤਾ ਹਿੱਸਾ ਗਾਇਬ ਹੋ ਗਿਆ—"ਗਰਮ ਹੱਥ" ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਇੱਕ ਬੇਤਰਤੀਬ ਵੰਡ ਦਾ ਪੂਛ ਦਾ ਅੰਤ ਸੀ।

5. ਅਸਲ-ਸੰਸਾਰ ਦੇ ਕੇਸ ਸਟੱਡੀਜ਼ (Real-World Case Studies)

ਕੇਸ ਸਟੱਡੀ 1: ਬੰਬਰ ਆਰਮਰ ਫੈਸਲਾ (WWII) (The Bomber Armor Decision)

• ਸੰਦਰਭ (Context): ਦੁਸ਼ਮਣ ਦੀ ਗੋਲੀਬਾਰੀ ਵਿੱਚ ਮਿੱਤਰ ਦੇਸ਼ਾਂ ਦੇ ਬੰਬਾਰ ਜਹਾਜ਼ਾਂ ਦੇ ਭਾਰੀ ਨੁਕਸਾਨ ਨੇ ਫੌਜ ਨੂੰ ਜਹਾਜ਼ਾਂ ਨੂੰ ਬਸਤਰਬੰਦ (armor) ਪਲੇਟਿੰਗ ਨਾਲ ਮਜ਼ਬੂਤ ਕਰਨ ਦਾ ਪ੍ਰਸਤਾਵ ਦੇਣ ਲਈ ਪ੍ਰੇਰਿਤ ਕੀਤਾ। ਹਾਲਾਂਕਿ, ਸ਼ਸਤਰ ਭਾਰ ਵਧਾਉਂਦਾ ਹੈ, ਸੀਮਾ (range), ਚਾਲ-ਚਲਣ ਅਤੇ ਬੰਬ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ - ਇਸ ਨੂੰ ਅਨੁਕੂਲ ਤੌਰ 'ਤੇ ਰੱਖਿਆ ਜਾਣਾ ਸੀ।

• ਕੀ ਹੋਇਆ (What happened): ਫੌਜ ਨੇ ਮਿਸ਼ਨਾਂ ਤੋਂ ਵਾਪਸ ਆਉਣ ਵਾਲੇ ਬੰਬਾਰਾਂ ਵਿੱਚ ਗੋਲੀਆਂ ਦੇ ਛੇਕ 'ਤੇ ਵਿਆਪਕ ਡੇਟਾ ਇਕੱਠਾ ਕੀਤਾ। ਡੇਟਾ ਨੇ ਫਿਊਜ਼ਲੇਜ, ਖੰਭਾਂ ਅਤੇ ਪੂਛ 'ਤੇ ਉੱਚ ਨੁਕਸਾਨ ਦੀ ਘਣਤਾ ਦਿਖਾਈ, ਪਰ ਇੰਜਣਾਂ ਅਤੇ ਕਾਕਪਿਟਾਂ 'ਤੇ ਬਹੁਤ ਘੱਟ ਨੁਕਸਾਨ ਦਿਖਾਇਆ। ਫੌਜੀ ਕਮਾਂਡਰਾਂ ਨੇ ਸਿੱਟਾ ਕੱਢਿਆ ਕਿ ਸ਼ਸਤਰ ਉੱਥੇ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜਿੱਥੇ ਜਹਾਜ਼ਾਂ ਨੂੰ ਸਭ ਤੋਂ ਵੱਧ ਨੁਕਸਾਨ ਹੋ ਰਿਹਾ ਸੀ।

• ਪੱਖਪਾਤ ਕਿਵੇਂ ਕੰਮ ਕਰ ਰਿਹਾ ਸੀ (The bias at work): ਅਬਰਾਹਿਮ ਵਾਲਡ ਨੇ ਪਛਾਣ ਲਿਆ ਕਿ ਡੇਟਾ ਸਿਰਫ ਬਚਣ ਵਾਲਿਆਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇੰਜਣਾਂ ਅਤੇ ਕਾਕਪਿਟਾਂ ਵਿੱਚ ਟੱਕਰ ਲੱਗਣ ਵਾਲੇ ਜਹਾਜ਼ ਵਾਪਸ ਨਹੀਂ ਆਏ—ਉਹ ਇੰਗਲਿਸ਼ ਚੈਨਲ ਜਾਂ ਜਰਮਨ ਖੇਤਾਂ ਵਿੱਚ ਹਾਦਸਾਗ੍ਰਸਤ ਹੋ ਗਏ। "ਗੁੰਮ" ਗੋਲੀਆਂ ਦੇ ਛੇਕ ਇਸ ਗੱਲ ਦਾ ਸਬੂਤ ਨਹੀਂ ਸਨ ਕਿ ਇੰਜਣਾਂ ਨੂੰ ਟੱਕਰ ਨਹੀਂ ਲੱਗੀ ਸੀ; ਉਹ ਇਸ ਗੱਲ ਦਾ ਸਬੂਤ ਸਨ ਕਿ ਇੰਜਣ ਦੀਆਂ ਟੱਕਰਾਂ ਘਾਤਕ ਸਨ।

• ਨਤੀਜੇ (Consequences): ਵਾਲਡ ਨੇ ਇੰਜਣਾਂ ਅਤੇ ਕਾਕਪਿਟਾਂ ਨੂੰ ਬਖਤਰਬੰਦ ਕਰਨ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ। ਉਸ ਦੇ ਤਰੀਕਿਆਂ ਨੇ ਅਣਗਿਣਤ ਜਾਨਾਂ ਅਤੇ ਜਹਾਜ਼ਾਂ ਨੂੰ ਬਚਾਇਆ, ਅਤੇ ਕੋਰੀਆਈ ਅਤੇ ਵੀਅਤਨਾਮ ਯੁੱਧਾਂ ਵਿੱਚ ਇਸਦੀ ਵਰਤੋਂ ਜਾਰੀ ਰਹੀ।

• ਸਿੱਖੇ ਗਏ ਸਬਕ (Lessons learned): ਨਤੀਜਿਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਸਮੇਂ, ਹਮੇਸ਼ਾ ਪੁੱਛੋ: "ਉਨ੍ਹਾਂ ਮਾਮਲਿਆਂ ਦਾ ਕੀ ਹੋਇਆ ਜੋ ਮੈਂ ਨਹੀਂ ਦੇਖ ਸਕਦਾ?" ਸਬੂਤਾਂ ਦੀ ਅਣਹੋਂਦ ਆਪਣੇ ਆਪ ਵਿੱਚ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਣ ਘਟਨਾ ਦਾ ਸਬੂਤ ਹੋ ਸਕਦੀ ਹੈ।

ਕੇਸ ਸਟੱਡੀ 2: ਮਿਉਚੁਅਲ ਫੰਡ ਉਦਯੋਗ ਦਾ ਖੁਲਾਸਾ (1990 ਦਾ ਦਹਾਕਾ) (The Mutual Fund Industry Revelation)

• ਸੰਦਰਭ (Context): ਦਹਾਕਿਆਂ ਤੱਕ, ਇਸ ਗੱਲ 'ਤੇ ਬਹਿਸ ਹੁੰਦੀ ਰਹੀ ਕਿ ਕੀ ਸਰਗਰਮ ਫੰਡ ਮੈਨੇਜਰ ਲਗਾਤਾਰ ਮਾਰਕੀਟ ਨੂੰ ਮਾਤ ਦੇ ਸਕਦੇ ਹਨ ("ਅਲਫ਼ਾ ਪੈਦਾ ਕਰੋ")। ਸ਼ੁਰੂਆਤੀ ਅਧਿਐਨਾਂ ਨੇ ਸੁਝਾਅ ਦਿੱਤਾ ਕਿ ਉਹ ਕਰ ਸਕਦੇ ਹਨ।

• ਕੀ ਹੋਇਆ (What happened): ਖੋਜਕਰਤਾਵਾਂ ਬ੍ਰਾਊਨ, ਗੋਏਟਜ਼ਮੈਨ, ਐਲਟਨ, ਗਰੂਬਰ ਅਤੇ ਬਲੇਕ ਨੇ ਖੋਜ ਕੀਤੀ ਕਿ ਵਿੱਤੀ ਡੇਟਾਬੇਸ ਨਿਯਮਿਤ ਤੌਰ 'ਤੇ ਖਤਮ ਕੀਤੇ ਗਏ ਜਾਂ ਵਿਲੀਨ ਕੀਤੇ ਫੰਡਾਂ ਦੇ ਰਿਕਾਰਡ ਮਿਟਾ ਦਿੰਦੇ ਹਨ। ਕਿਉਂਕਿ ਫੰਡ ਲਗਭਗ ਹਮੇਸ਼ਾ ਖਰਾਬ ਪ੍ਰਦਰਸ਼ਨ ਕਾਰਨ ਬੰਦ ਹੋ ਜਾਂਦੇ ਹਨ, ਡੇਟਾਬੇਸ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਅਸਫਲਤਾਵਾਂ ਨੂੰ ਹਟਾ ਰਹੇ ਸਨ।

• ਪੱਖਪਾਤ ਕਿਵੇਂ ਕੰਮ ਕਰ ਰਿਹਾ ਸੀ (The bias at work): ਇਸ ਛਾਂਟੀ ਨੇ ਇੱਕ ਅੰਕੜਾਤਮਕ ਮ੍ਰਿਗਤ੍ਰਿਸ਼ਨਾ ਪੈਦਾ ਕੀਤੀ ਜਿੱਥੇ ਬਾਕੀ ਬਚੇ "ਸਰਵਾਈਵਰ" ਫੰਡਾਂ ਦੀ ਔਸਤ ਰਿਟਰਨ ਵੱਧ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ ਅਤੇ ਅਸਥਿਰਤਾ ਅਤੇ ਕਾਰਗੁਜ਼ਾਰੀ ਦੇ ਵਿਚਕਾਰ ਸਪੱਸ਼ਟ ਸਬੰਧ ਦਿਖਾਏ ਗਏ ਜੋ ਹੁਨਰ ਦੀ ਨਕਲ ਕਰਦੇ ਹਨ।

• ਨਤੀਜੇ (Consequences): ਇੱਕ ਵਾਰ 0.9% ਸਾਲਾਨਾ ਪੱਖਪਾਤ ਨੂੰ ਠੀਕ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਬਹੁਤ ਸਾਰੇ ਸਰਗਰਮ ਪ੍ਰਬੰਧਕਾਂ ਦੀ ਸਪੱਸ਼ਟ ਬਿਹਤਰ ਕਾਰਗੁਜ਼ਾਰੀ ਗਾਇਬ ਹੋ ਗਈ, ਜਿਸ ਨੇ ਕੁਸ਼ਲ ਮਾਰਕੀਟ ਪਰਿਕਲਪਨਾ (Efficient Market Hypothesis) ਲਈ ਮਜ਼ਬੂਤ ਸਮਰਥਨ ਪ੍ਰਦਾਨ ਕੀਤਾ ਅਤੇ ਵਿੱਤੀ ਖੋਜ ਇਤਿਹਾਸਕ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਸੰਭਾਲਦੀ ਹੈ, ਇਸ ਵਿੱਚ ਕ੍ਰਾਂਤੀ ਲਿਆ ਦਿੱਤੀ।

• ਸਿੱਖੇ ਗਏ ਸਬਕ (Lessons learned): ਡ੍ਰੌਪਆਊਟ, ਕਲੋਜ਼ਰ, ਜਾਂ ਗਾਇਬ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਡੇਟਾਸੈਟ ਦਾ ਸਰਵਾਈਵਰਸ਼ਿਪ ਪੱਖਪਾਤ ਲਈ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜੋ ਹੁਨਰ ਜਾਂ ਉੱਤਮ ਪ੍ਰਦਰਸ਼ਨ ਵਰਗਾ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ ਉਹ ਸੈਂਸਰ ਕੀਤੇ ਨਮੂਨੇ ਦੇ ਨਕਲੀ ਨਤੀਜੇ ਹੋ ਸਕਦੇ ਹਨ।

ਇਤਿਹਾਸਕ ਉਦਾਹਰਣ: ਡਾਇਗੋਰਸ ਅਤੇ ਮੰਦਰ ਦੀਆਂ ਤਖ਼ਤੀਆਂ (Historical Example: Diagoras and the Temple Tablets)

ਪ੍ਰਾਚੀਨ ਯੂਨਾਨੀ ਕਵੀ ਡਾਇਗੋਰਸ ਆਫ਼ ਮੇਲੋਸ ਨੂੰ ਇੱਕ ਮੰਦਿਰ ਵਿੱਚ ਵੋਟਿਵ ਤਖ਼ਤੀਆਂ (votive tablets) ਦਿਖਾਈਆਂ ਗਈਆਂ ਸਨ - ਉਨ੍ਹਾਂ ਮਲਾਹਾਂ ਦੁਆਰਾ ਸ਼ੁਰੂ ਕੀਤੀਆਂ ਪੇਂਟਿੰਗਾਂ ਜਿਨ੍ਹਾਂ ਨੇ ਦੇਵਤਿਆਂ ਨੂੰ ਪ੍ਰਾਰਥਨਾ ਕੀਤੀ ਸੀ ਅਤੇ ਸਮੁੰਦਰੀ ਜਹਾਜ਼ਾਂ ਦੇ ਡੁੱਬਣ ਤੋਂ ਬਚ ਗਏ ਸਨ। ਉਸਦੇ ਦੋਸਤ ਨੇ ਇਸਨੂੰ ਰੱਬੀ ਸੁਰੱਖਿਆ ਦੇ ਸਬੂਤ ਵਜੋਂ ਪੇਸ਼ ਕੀਤਾ।

ਡਾਇਗੋਰਸ ਦਾ ਜਵਾਬ ਸੰਭਾਵਨਾ ਦੇ ਫਲਸਫੇ ਵਿੱਚ ਇੱਕ ਬੁਨਿਆਦੀ ਪਾਠ ਬਣ ਗਿਆ: "ਮੈਂ ਉਨ੍ਹਾਂ ਨੂੰ ਦੇਖਦਾ ਹਾਂ ਜਿਨ੍ਹਾਂ ਨੂੰ ਬਚਾਇਆ ਗਿਆ ਸੀ, ਪਰ ਉਹ ਕਿੱਥੇ ਪੇਂਟ ਕੀਤੇ ਗਏ ਹਨ ਜੋ ਸਮੁੰਦਰੀ ਜਹਾਜ਼ ਦੇ ਟੁੱਟਣ ਨਾਲ ਮਾਰੇ ਗਏ ਸਨ?"

ਡੁੱਬੇ ਮਲਾਹ ਪੇਂਟਿੰਗਾਂ ਨਹੀਂ ਬਣਵਾ ਸਕਦੇ ਸਨ। ਸਿਰਫ ਮੰਦਰ ਦੇ ਸਬੂਤਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਵਾਲਾ ਨਿਰੀਖਕ ਇਹ ਸਿੱਟਾ ਕੱਢੇਗਾ ਕਿ ਪ੍ਰਾਰਥਨਾ ਸਮੁੰਦਰ ਵਿੱਚ ਸੁਰੱਖਿਆ ਦੀ ਗਾਰੰਟੀ ਦਿੰਦੀ ਹੈ - ਇੱਕ ਸਿੱਟਾ ਜੋ ਪੂਰੀ ਤਰ੍ਹਾਂ ਇੱਕ ਸੈਂਸਰ ਕੀਤੇ ਨਮੂਨੇ ਤੋਂ ਲਿਆ ਗਿਆ ਹੈ ਜਿੱਥੇ ਸਬੂਤ ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਯੋਗਤਾ ਬਚਾਅ ਨਾਲ ਸੰਬੰਧਿਤ ਸੀ।

ਇਹ 2,500 ਸਾਲ ਪੁਰਾਣਾ ਕਿੱਸਾ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ ਇੰਨਾ ਘਾਤਕ ਕਿਉਂ ਹੈ: ਬਚਣ ਵਾਲੇ ਹੀ ਉਹ ਹੁੰਦੇ ਹਨ ਜੋ ਆਪਣੀ ਕਹਾਣੀ ਦੱਸ ਸਕਦੇ ਹਨ।

6. ਇਸ ਪੱਖਪਾਤ ਦੀ ਕੀਮਤ (The Cost of This Bias)

6.1. ਨਿੱਜੀ ਕੀਮਤਾਂ (Personal Costs)

ਵਿਗੜਿਆ ਹੋਇਆ ਜੋਖਮ ਮੁਲਾਂਕਣ (Distorted Risk Assessment): ਸਿਰਫ ਸਫਲ ਜੋਖਮ ਲੈਣ ਵਾਲਿਆਂ ਨੂੰ ਦੇਖ ਕੇ, ਵਿਅਕਤੀ ਅਸਫਲਤਾ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਘੱਟ ਸਮਝਦੇ ਹਨ। ਉਹ ਕਾਲਜ ਡ੍ਰੌਪਆਊਟ ਜੋ ਅਰਬਪਤੀ ਨਹੀਂ ਬਣਿਆ, ਉਹ ਉਦਯੋਗਪਤੀ ਜੋ "ਸਭ ਕੁਝ ਠੀਕ ਕਰਦੇ ਹੋਏ" ਦੀਵਾਲੀਆ ਹੋ ਗਿਆ, ਉਹ ਨਿਵੇਸ਼ਕ ਜਿਸਨੇ "ਯਕੀਨੀ ਚੀਜ਼" 'ਤੇ ਸਭ ਕੁਝ ਗੁਆ ਦਿੱਤਾ—ਉਨ੍ਹਾਂ ਦੇ ਅਨੁਭਵ ਅਦਿੱਖ ਹਨ, ਜਿਸ ਨਾਲ ਦੂਸਰੇ ਲੋਕ ਮਾੜੇ-ਅਨੁਮਾਨਿਤ ਜੋਖਮ ਲੈਂਦੇ ਹਨ।

ਗਲਤ ਸਫਲਤਾ ਕਾਰਕ (Misattributed Success Factors): ਲੋਕ ਬਚਣ ਵਾਲਿਆਂ ਦੇ ਵਿਵਹਾਰ (ਦ੍ਰਿੜਤਾ, ਜੋਖਮ ਲੈਣਾ, ਵਿਸ਼ਵਾਸ) ਨੂੰ ਇਹ ਪਛਾਣੇ ਬਿਨਾਂ ਅਪਣਾਉਂਦੇ ਹਨ ਕਿ ਇਹੋ ਜਿਹੇ ਗੁਣ ਅਸਫਲਤਾਵਾਂ ਵਿੱਚ ਵੀ ਮੌਜੂਦ ਸਨ। ਉਹਨਾਂ ਰਣਨੀਤੀਆਂ 'ਤੇ ਸਾਲ ਬਿਤਾਏ ਜਾ ਸਕਦੇ ਹਨ ਜੋ ਕਦੇ ਵੀ ਅਸਲ ਵੱਖਰੇ ਕਰਨ ਵਾਲੇ ਕਾਰਕ (differentiators) ਨਹੀਂ ਸਨ।

ਨਕਲ ਕਰਨ 'ਤੇ ਬਰਬਾਦ ਹੋਏ ਸਰੋਤ (Wasted Resources on Imitation): ਸਰਵਾਈਵਰ-ਪੱਖਪਾਤੀ ਡੇਟਾ ਤੋਂ ਲਏ ਗਏ "ਸਫਲਤਾ ਫਾਰਮੂਲੇ" ਦਾ ਪਾਲਣ ਕਰਨ ਨਾਲ ਉਹਨਾਂ ਪਹੁੰਚਾਂ ਵਿੱਚ ਨਿਵੇਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਸਫਲਤਾ ਦਾ ਕਾਰਨ ਨਹੀਂ ਬਣਦੇ - ਸਿਰਫ ਦਿਖਾਈ ਦੇਣ ਵਾਲੇ ਨਮੂਨੇ ਵਿੱਚ ਇਸ ਨਾਲ ਸਬੰਧਿਤ ਹੁੰਦੇ ਹਨ।

ਨੁਕਸਾਨਿਆ ਹੋਇਆ ਸਵੈ-ਚਿੱਤਰ (Damaged Self-Image): ਜਦੋਂ ਸਰਵਾਈਵਰ-ਪ੍ਰਾਪਤ ਸਲਾਹ ਦਾ ਪਾਲਣ ਕਰਨਾ ਸਫਲਤਾ ਵੱਲ ਨਹੀਂ ਲਿਜਾਂਦਾ, ਤਾਂ ਵਿਅਕਤੀ ਇਹ ਮੰਨਣ ਦੀ ਬਜਾਏ ਆਪਣੇ ਆਪ ਨੂੰ ਦੋਸ਼ੀ ਠਹਿਰਾ ਸਕਦੇ ਹਨ ਕਿ ਸਲਾਹ ਨੁਕਸਦਾਰ ਡੇਟਾ 'ਤੇ ਅਧਾਰਤ ਸੀ।

6.2. ਪੇਸ਼ੇਵਰ ਕੀਮਤਾਂ (Professional Costs)

ਨਿਵੇਸ਼ ਦੇ ਨੁਕਸਾਨ (Investment Losses): ਵਿੱਤ ਵਿੱਚ, ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ ਦੀ ਮਾਤਰਾ ਲਗਭਗ 0.9-4.4% ਸਾਲਾਨਾ ਰਿਟਰਨ ਮਹਿੰਗਾਈ ਵਜੋਂ ਮਾਪੀ ਗਈ ਹੈ। ਅਸੋਧੇ ਇਤਿਹਾਸਕ ਡੇਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਫੈਸਲੇ ਲੈਣ ਵਾਲੇ ਨਿਵੇਸ਼ਕ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਉਮੀਦ ਕੀਤੇ ਰਿਟਰਨਾਂ ਦਾ ਵੱਧ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦੇ ਹਨ ਅਤੇ ਜੋਖਮਾਂ ਨੂੰ ਘੱਟ ਸਮਝਦੇ ਹਨ।

ਰਣਨੀਤਕ ਗਲਤ-ਨਿਰਦੇਸ਼ਨ (Strategic Misdirection): ਸਫਲ ਕੰਪਨੀਆਂ ਦਾ ਅਧਿਐਨ ਕਰਨ ਤੋਂ ਪ੍ਰਾਪਤ ਵਪਾਰਕ ਰਣਨੀਤੀਆਂ ਉਨ੍ਹਾਂ ਕੰਪਨੀਆਂ ਨੂੰ ਛੱਡ ਦਿੰਦੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਨੇ ਇੱਕੋ ਜਿਹੀਆਂ ਰਣਨੀਤੀਆਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਅਤੇ ਅਸਫਲ ਰਹੀਆਂ। ਸਰੋਤ ਉਨ੍ਹਾਂ ਪਹੁੰਚਾਂ ਵੱਲ ਵਹਿੰਦੇ ਹਨ ਜੋ ਪ੍ਰਮਾਣਿਤ ਮਹਿਸੂਸ ਕਰਦੇ ਹਨ ਪਰ ਬੇਤਰਤੀਬੇ ਹੋ ਸਕਦੇ ਹਨ।

ਨਿਯੁਕਤੀ ਅਤੇ ਪ੍ਰਤਿਭਾ ਦੇ ਫੈਸਲੇ (Hiring and Talent Decisions): ਸਫਲ ਕਰਮਚਾਰੀਆਂ 'ਤੇ ਆਧਾਰਿਤ ਪ੍ਰੋਫਾਈਲ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਸ਼ਾਨਦਾਰ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਖੁੰਝਾ ਦਿੰਦੇ ਹਨ ਜੋ ਦਿਖਾਈ ਦੇਣ ਵਾਲੇ ਪੈਟਰਨ ਤੋਂ ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਉਨ੍ਹਾਂ ਨੂੰ ਭਰਤੀ ਕਰਨਾ ਜੋ ਮੇਲ ਖਾਂਦੇ ਹਨ ਉਹਨਾਂ ਗੁਣਾਂ ਦੀ ਨਕਲ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਅਸਲ ਪ੍ਰਦਰਸ਼ਨ ਨਾਲ ਸਬੰਧਤ ਨਹੀਂ ਹਨ।

ਉਤਪਾਦ ਵਿਕਾਸ ਅਸਫਲਤਾਵਾਂ (Product Development Failures): ਸਮਾਨ ਅਸਫਲ ਉਤਪਾਦਾਂ ਦਾ ਅਧਿਐਨ ਕੀਤੇ ਬਿਨਾਂ ਸਫਲ ਉਤਪਾਦਾਂ ਤੋਂ ਸਿੱਖਣ ਨਾਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਜਾਂ ਪਹੁੰਚਾਂ ਵਿੱਚ ਨਿਵੇਸ਼ ਹੁੰਦਾ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਸਫਲਤਾ ਦੇ ਕਾਰਕ ਨਹੀਂ ਸਨ।

6.3. ਸਮਾਜਿਕ ਕੀਮਤਾਂ (Societal Costs)

ਇਤਿਹਾਸਕ ਗਲਤਫਹਿਮੀ (Historical Misunderstanding): ਬਚਣ ਵਾਲਿਆਂ ਦੁਆਰਾ ਲਿਖਿਆ ਗਿਆ ਇਤਿਹਾਸ ਵਿਗੜੇ ਹੋਏ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਹਾਰੇ ਹੋਏ ਦ੍ਰਿਸ਼ਟੀਕੋਣ, ਵਿਕਲਪਕ ਪਹੁੰਚ, ਅਤੇ ਹਾਰਨ ਵਾਲਿਆਂ ਦੀਆਂ ਚੇਤਾਵਨੀਆਂ ਨੂੰ ਸਮੂਹਿਕ ਯਾਦਦਾਸ਼ਤ ਤੋਂ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਬਾਹਰ ਰੱਖਿਆ ਗਿਆ ਹੈ।

ਨੀਤੀਗਤ ਗਲਤ-ਨਿਰਦੇਸ਼ਨ (Policy Misdirection): ਸਮਾਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੀਆਂ ਅਸਫਲਤਾਵਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖੇ ਬਿਨਾਂ ਸਫਲ ਨਤੀਜਿਆਂ (ਆਰਥਿਕ, ਸਮਾਜਿਕ, ਫੌਜੀ) ਦਾ ਅਧਿਐਨ ਕਰਨ 'ਤੇ ਆਧਾਰਿਤ ਨੀਤੀਆਂ ਨੁਕਸਦਾਰ ਦਖਲਅੰਦਾਜ਼ੀ ਵੱਲ ਲੈ ਜਾਂਦੀਆਂ ਹਨ।

ਸੱਭਿਆਚਾਰਕ ਮਿੱਥ-ਨਿਰਮਾਣ (Cultural Myth-Making): "ਸੈਲਫ-ਮੇਡ ਸਫਲਤਾ" ਬਿਰਤਾਂਤ, ਸਰਵਾਈਵਰਸ਼ਿਪ ਪੱਖਪਾਤ ਦੁਆਰਾ ਵਧਾਇਆ ਗਿਆ, ਕਿਸਮਤ, ਸਮੇਂ ਅਤੇ ਹਾਲਾਤਾਂ ਦੀ ਭੂਮਿਕਾ ਨੂੰ ਛੁਪਾਉਂਦਾ ਹੈ, ਅਸਮਾਨਤਾ ਅਤੇ ਸਮਾਜਿਕ ਗਤੀਸ਼ੀਲਤਾ ਪ੍ਰਤੀ ਰਵੱਈਏ ਨੂੰ ਆਕਾਰ ਦਿੰਦਾ ਹੈ।

ਮੈਡੀਕਲ ਪ੍ਰੋਟੋਕੋਲ ਗਲਤੀਆਂ (Medical Protocol Errors): ਸਰਵਾਈਵਰ-ਪੱਖਪਾਤੀ ਡੇਟਾ 'ਤੇ ਅਧਾਰਤ ਇਲਾਜ ਦੇ ਫੈਸਲੇ ਇਸ ਗੱਲ ਤੋਂ ਖੁੰਝ ਸਕਦੇ ਹਨ ਕਿ ਕੁਝ ਮਰੀਜ਼ਾਂ ਦਾ ਘੱਟ ਇਲਾਜ ਕੀਤਾ ਗਿਆ ਸੀ ਜਾਂ ਸਫਲ ਨਤੀਜੇ ਵਿਸ਼ੇਸ਼ ਦਖਲਅੰਦਾਜ਼ੀ ਕਾਰਨ ਨਹੀਂ, ਬਲਕਿ ਇਸਦੇ ਬਾਵਜੂਦ ਸਨ।

6.4. ਅੰਕੜਾਤਮਕ ਪ੍ਰਭਾਵ (Statistical Impact)

7. ਲੁਕਵੇਂ ਲਾਭ (The Hidden Benefits)

ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਕਾਰਾਤਮਕ ਨਹੀਂ ਹੈ - ਇਸਨੇ ਅਨੁਕੂਲ ਕਾਰਜਾਂ ਦੀ ਸੇਵਾ ਕੀਤੀ ਹੈ ਅਤੇ ਅਜੇ ਵੀ ਖਾਸ ਸੰਦਰਭਾਂ ਵਿੱਚ ਮੁੱਲ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ।

ਕੁਸ਼ਲ ਸਿਖਲਾਈ ਹਿਊਰਿਸਟਿਕ (Efficient Learning Heuristic): ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਦੇਖਣਯੋਗ ਨਤੀਜਿਆਂ ਵਾਲੇ ਸਥਿਰ ਵਾਤਾਵਰਣ ਵਿੱਚ, ਬਚਣ ਵਾਲਿਆਂ ਤੋਂ ਸਿੱਖਣਾ ਤੇਜ਼ ਅਤੇ ਵਾਜਬ ਤੌਰ 'ਤੇ ਸਹੀ ਹੈ। ਜੇਕਰ ਜ਼ਿਆਦਾਤਰ ਆਸਰਾ ਡਿਜ਼ਾਈਨ ਜੋ ਤੁਹਾਡੇ ਗੁਆਂਢੀਆਂ ਲਈ ਕੰਮ ਕਰਦੇ ਹਨ, ਤੁਹਾਡੇ ਲਈ ਕੰਮ ਕਰਨਗੇ, ਤਾਂ ਬਚਣ ਵਾਲਿਆਂ ਦੀ ਨਕਲ ਕਰਨਾ ਕੁਸ਼ਲ ਹੈ।

ਪ੍ਰੇਰਣਾਦਾਇਕ ਕਾਰਜ (Motivational Function): ਸਫਲਤਾ ਦੀਆਂ ਕਹਾਣੀਆਂ ਦਾ ਕੁਝ ਐਕਸਪੋਜਰ ਨਕਲ ਕਰਨ ਲਈ ਪ੍ਰੇਰਣਾ ਅਤੇ ਮਾਡਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਸਾਰੀਆਂ ਅਸਫਲਤਾਵਾਂ ਦੀ ਪੂਰੀ ਜਾਗਰੂਕਤਾ ਅਧਰੰਗ ਕਰ ਸਕਦੀ ਹੈ। ਕੁੰਜੀ ਐਕਸਪੋਜਰ ਨੂੰ ਕੈਲੀਬਰੇਟ ਕਰ ਰਹੀ ਹੈ, ਇਸਨੂੰ ਖਤਮ ਕਰਨਾ ਨਹੀਂ।

ਤੇਜ਼ ਫੈਸਲੇ ਲੈਣਾ (Rapid Decision-Making): ਜਦੋਂ ਗਤੀ ਸ਼ੁੱਧਤਾ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ, ਉਪਲਬਧ ਉਦਾਹਰਣਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ (ਸੁਭਾਵਕ ਤੌਰ 'ਤੇ ਸਰਵਾਈਵਰ-ਪੱਖਪਾਤੀ) ਦੇਰੀ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਨਾਲੋਂ ਬਿਹਤਰ ਹੋ ਸਕਦਾ ਹੈ। ਹਰ ਫੈਸਲਾ ਪੂਰੀ ਜਾਂਚ ਦੀ ਵਾਰੰਟੀ ਨਹੀਂ ਦਿੰਦਾ।

ਵੈਧ ਪੈਟਰਨ ਖੋਜ (Legitimate Pattern Detection): ਕਈ ਵਾਰ ਸਰਵਾਈਵਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸੱਚਮੁੱਚ ਕਾਰਕ ਹੁੰਦੀਆਂ ਹਨ, ਨਾ ਕਿ ਸਿਰਫ਼ ਸਹਿ-ਸਬੰਧਤ। ਉਹਨਾਂ ਡੋਮੇਨਾਂ ਵਿੱਚ ਜਿੱਥੇ ਅਸਫਲਤਾ ਦੇ ਢੰਗ ਬੇਤਰਤੀਬੇ ਹੁੰਦੇ ਹਨ ਅਤੇ ਸਫਲਤਾ ਦੇ ਕਾਰਕ ਯੋਜਨਾਬੱਧ ਹੁੰਦੇ ਹਨ, ਬਚਣ ਵਾਲੇ ਅਸਲ ਜਾਣਕਾਰੀ ਲੈ ਕੇ ਜਾਂਦੇ ਹਨ।

ਅਣਚਾਹੇ ਅਤਿ (The Undesirable Extreme): ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ ਦੇ ਪੂਰਨ ਖਾਤਮੇ ਲਈ ਕਿਸੇ ਵੀ ਫੈਸਲੇ ਤੋਂ ਪਹਿਲਾਂ ਸਾਰੀਆਂ ਸੰਭਾਵਿਤ ਅਸਫਲਤਾਵਾਂ ਦੇ ਵਿਸਤ੍ਰਿਤ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਲੋੜ ਹੋਵੇਗੀ। ਇਹ ਬੋਧਾਤਮਕ ਤੌਰ 'ਤੇ ਅਸੰਭਵ ਅਤੇ ਵਿਵਹਾਰਕ ਤੌਰ 'ਤੇ ਅਧਰੰਗ ਕਰਨ ਵਾਲਾ ਹੈ। ਟੀਚਾ ਜਾਗਰੂਕਤਾ ਅਤੇ ਢੁਕਵਾਂ ਸੁਧਾਰ ਹੈ, ਖਾਤਮਾ ਨਹੀਂ।

8. ਸਵੈ-ਮੁਲਾਂਕਣ: ਕੀ ਤੁਹਾਡੇ ਵਿੱਚ ਇਹ ਪੱਖਪਾਤ ਹੈ? (Self-Assessment: Do You Have This Bias?)

8.1. ਚੇਤਾਵਨੀ ਚਿੰਨ੍ਹ ਚੈਕਲਿਸਟ (Warning Signs Checklist)

• ਤੁਸੀਂ ਜੀਵਨ/ਕੈਰੀਅਰ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਦੇ ਸਬੂਤ ਵਜੋਂ ਅਕਸਰ ਸਫਲ ਲੋਕਾਂ (ਜੌਬਸ, ਗੇਟਸ, ਮਸਕ) ਦਾ ਹਵਾਲਾ ਦਿੰਦੇ ਹੋ
• ਤੁਸੀਂ ਮੰਨਦੇ ਹੋ ਕਿ ਪਿਛਲੇ ਉਤਪਾਦ/ਸੰਗੀਤ/ਕਲਾਕਾਰੀ ਅੱਜ ਦੇ ਮੁਕਾਬਲੇ ਆਮ ਤੌਰ 'ਤੇ ਉੱਤਮ ਸਨ
• ਤੁਸੀਂ ਸਿਰਫ਼ ਸਫਲ ਉਦਾਹਰਣਾਂ ਦਾ ਅਧਿਐਨ ਕਰਨ ਦੇ ਆਧਾਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਫੈਸਲੇ ਲਏ ਹਨ
• ਤੁਸੀਂ ਸ਼ਾਇਦ ਹੀ ਪੁੱਛਦੇ ਹੋ "ਉਨ੍ਹਾਂ ਲੋਕਾਂ ਦਾ ਕੀ ਹੋਇਆ ਜਿਨ੍ਹਾਂ ਨੇ ਇਸ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਅਤੇ ਅਸਫਲ ਰਹੇ?"
• ਤੁਸੀਂ ਇਤਿਹਾਸਕ ਫੰਡ/ਨਿਵੇਸ਼ ਪ੍ਰਦਰਸ਼ਨ ਡੇਟਾ 'ਤੇ ਫੇਸ ਵੈਲਯੂ (face value) 'ਤੇ ਭਰੋਸਾ ਕਰਦੇ ਹੋ
• ਤੁਸੀਂ ਵਿਸ਼ਵਾਸ ਕਰਦੇ ਹੋ ਕਿ "ਸਫਲਤਾ ਸੁਰਾਗ ਛੱਡਦੀ ਹੈ" ਜੋ ਜੇਤੂਆਂ ਤੋਂ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਕੱਢੇ ਜਾ ਸਕਦੇ ਹਨ
• ਤੁਸੀਂ ਸਫਲਤਾ ਦੀਆਂ ਕਹਾਣੀਆਂ ਜਿਨ੍ਹਾਂ ਦੀ ਤੁਸੀਂ ਪ੍ਰਸ਼ੰਸਾ ਕਰਦੇ ਹੋ, ਵਿੱਚ ਕਿਸਮਤ/ਸਮੇਂ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਕਾਰਕਾਂ ਵਜੋਂ ਖਾਰਜ ਕਰਦੇ ਹੋ
• ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਦੂਜਿਆਂ 'ਤੇ ਵਿਚਾਰ ਕੀਤੇ ਬਿਨਾਂ ਕਿ ਇਹ ਕਿਸ ਲਈ ਕੰਮ ਨਹੀਂ ਕਰਦਾ ਸੀ, ਉਸ ਦੇ ਅਧਾਰ 'ਤੇ ਸਲਾਹ ਦਿੱਤੀ ਹੈ ਜੋ ਤੁਹਾਡੇ ਲਈ ਕੰਮ ਕਰਦਾ ਸੀ
• ਤੁਹਾਨੂੰ "ਮੈਂ ਕਿਵੇਂ ਸਫਲ ਹੋਇਆ" ਕਿਤਾਬਾਂ/ਪੌਡਕਾਸਟ ਬਹੁਤ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਲੱਗਦੇ ਹਨ
• ਫੈਸਲਿਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਸਮੇਂ, ਤੁਸੀਂ ਨਤੀਜਿਆਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਦੇ ਹੋ ਨਾ ਕਿ ਉਸ ਪ੍ਰਕਿਰਿਆ 'ਤੇ ਜੋ ਉਨ੍ਹਾਂ ਤੱਕ ਲੈ ਜਾਂਦੀ ਹੈ

ਸਕੋਰਿੰਗ (Scoring):

• 0-2 ਚੁਣੇ ਗਏ: ਘੱਟ ਸੰਵੇਦਨਸ਼ੀਲਤਾ (Low susceptibility)
• 3-5 ਚੁਣੇ ਗਏ: ਦਰਮਿਆਨੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ (Moderate susceptibility)
• 6-8 ਚੁਣੇ ਗਏ: ਉੱਚ ਸੰਵੇਦਨਸ਼ੀਲਤਾ (High susceptibility)
• 9-10 ਚੁਣੇ ਗਏ: ਬਹੁਤ ਉੱਚ ਸੰਵੇਦਨਸ਼ੀਲਤਾ (Very high susceptibility)

8.2. ਸਵੈ-ਪ੍ਰਤੀਬਿੰਬ ਪ੍ਰਸ਼ਨ (Self-Reflection Questions)

1. ਤੁਸੀਂ ਪਿਛਲੀ ਵਾਰ ਕਿਸੇ ਮਹੱਤਵਪੂਰਨ ਫੈਸਲੇ ਲੈਣ ਤੋਂ ਪਹਿਲਾਂ ਸਰਗਰਮੀ ਨਾਲ ਅਸਫਲਤਾ ਦੀਆਂ ਕਹਾਣੀਆਂ ਦੀ ਭਾਲ ਕਦੋਂ ਕੀਤੀ ਸੀ?

2. ਆਪਣੀ ਪ੍ਰਾਪਤ ਕੀਤੀ ਕਿਸੇ ਸਫਲਤਾ ਬਾਰੇ ਸੋਚੋ-ਕਿੰਨੇ ਹੋਰਾਂ ਨੇ ਇਸੇ ਤਰ੍ਹਾਂ ਦੀਆਂ ਪਹੁੰਚਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਅਤੇ ਅਸਫਲ ਰਹੇ? ਕੀ ਤੁਸੀਂ ਅਸਲ ਵਿੱਚ ਜਾਣਦੇ ਹੋ?

3. ਤੁਸੀਂ ਕਿਹੜੇ "ਸਪੱਸ਼ਟ" ਸਫਲਤਾ ਕਾਰਕਾਂ ਵਿੱਚ ਵਿਸ਼ਵਾਸ ਕਰਦੇ ਹੋ? ਤੁਸੀਂ ਇਹ ਕਿਵੇਂ ਪਰਖੋਗੇ ਕਿ ਕੀ ਇਹ ਕਾਰਕ ਅਸਫਲਤਾਵਾਂ ਵਿੱਚ ਵੀ ਮੌਜੂਦ ਹਨ?

4. ਜਦੋਂ ਤੁਸੀਂ ਸਫਲ ਲੋਕਾਂ ਤੋਂ ਸਲਾਹ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹੋ, ਤਾਂ ਕੀ ਤੁਸੀਂ ਵਿਚਾਰ ਕਰਦੇ ਹੋ ਕਿ ਕਿੰਨੇ ਅਸਫਲ ਲੋਕਾਂ ਨੇ ਉਹੀ ਸਲਾਹ ਦਿੱਤੀ?

5. ਕੀ ਕਦੇ ਕਿਸੇ ਨੇ ਇਸ਼ਾਰਾ ਕੀਤਾ ਹੈ ਕਿ ਤੁਸੀਂ ਅਧੂਰੇ ਡੇਟਾ ਤੋਂ ਸਿੱਟੇ ਕੱਢ ਰਹੇ ਹੋ? ਤੁਸੀਂ ਕਿਵੇਂ ਜਵਾਬ ਦਿੱਤਾ?

8.3. ਤੁਰੰਤ ਡਾਇਗਨੌਸਟਿਕ ਦ੍ਰਿਸ਼ (Quick Diagnostic Scenario)

ਸਥਿਤੀ (Scenario): ਤੁਸੀਂ ਕਾਰੋਬਾਰ ਸ਼ੁਰੂ ਕਰਨ ਬਾਰੇ ਵਿਚਾਰ ਕਰ ਰਹੇ ਹੋ ਅਤੇ ਪੜ੍ਹ ਰਹੇ ਹੋ ਕਿ ਤੁਹਾਡੇ ਉਦਯੋਗ ਵਿੱਚ 60% ਕਾਰੋਬਾਰ ਜਿਨ੍ਹਾਂ ਨੇ ਗਾਹਕ ਸੇਵਾ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕੀਤਾ ਹੈ, ਉਹਨਾਂ ਦੇ ਪਹਿਲੇ 5 ਸਾਲਾਂ ਵਿੱਚ ਬਚ ਗਏ ਹਨ। ਇਹ ਮਜ਼ਬੂਤ ਸਬੂਤ ਜਾਪਦਾ ਹੈ ਕਿ ਬਚਾਅ ਲਈ ਗਾਹਕ ਸੇਵਾ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਨਾ ਮੁੱਖ ਹੈ।

ਤੁਸੀਂ ਇਸਦੀ ਵਿਆਖਿਆ ਕਿਵੇਂ ਕਰੋਗੇ?

• A) "ਬਹੁਤ ਵਧੀਆ! ਮੈਨੂੰ ਯਕੀਨੀ ਤੌਰ 'ਤੇ ਗਾਹਕ ਸੇਵਾ ਨੂੰ ਤਰਜੀਹ ਦੇਣੀ ਚਾਹੀਦੀ ਹੈ - ਡੇਟਾ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਇਹ ਕੰਮ ਕਰਦਾ ਹੈ।" → ਉੱਚ ਸੰਵੇਦਨਸ਼ੀਲਤਾ (High susceptibility)
• B) "ਦਿਲਚਸਪ, ਪਰ ਮੈਨੂੰ ਹੈਰਾਨੀ ਹੈ ਕਿ ਅਸਫਲ ਕਾਰੋਬਾਰਾਂ ਵਿੱਚੋਂ ਕਿੰਨੇ ਪ੍ਰਤੀਸ਼ਤ ਨੇ ਗਾਹਕ ਸੇਵਾ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ।" → ਦਰਮਿਆਨੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ (Moderate susceptibility)
• C) "ਅਸਫਲ ਕਾਰੋਬਾਰਾਂ ਵਿੱਚ ਗਾਹਕ ਸੇਵਾ ਦਰਾਂ ਨੂੰ ਜਾਣੇ ਬਿਨਾਂ ਇਹ ਮੈਨੂੰ ਕੁਝ ਨਹੀਂ ਦੱਸਦਾ। ਜੇਕਰ 60% ਅਸਫਲਤਾਵਾਂ ਨੇ ਗਾਹਕ ਸੇਵਾ 'ਤੇ ਵੀ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕੀਤਾ, ਤਾਂ ਇਸ ਕਾਰਕ ਦਾ ਕੋਈ ਭਵਿੱਖਬਾਣੀ ਮੁੱਲ ਨਹੀਂ ਹੈ।" → ਘੱਟ ਸੰਵੇਦਨਸ਼ੀਲਤਾ (Low susceptibility)

9. ਦੂਜਿਆਂ ਵਿੱਚ ਇਸ ਪੱਖਪਾਤ ਦੀ ਪਛਾਣ ਕਰਨਾ (Identifying This Bias in Others)

9.1. ਵਿਵਹਾਰਕ ਸੰਕੇਤਕ (Behavioral Indicators)

ਬੋਲਣ ਵਿੱਚ (In Speech):

• ਯੂਨੀਵਰਸਲ ਸਬੂਤ ਵਜੋਂ ਮਸ਼ਹੂਰ ਸਫਲਤਾ ਦੀਆਂ ਕਹਾਣੀਆਂ ਦੀ ਅਕਸਰ ਵਰਤੋਂ
• ਦਿਖਾਈ ਦੇਣ ਵਾਲੇ ਜੇਤੂਆਂ ਦੇ ਛੋਟੇ ਨਮੂਨਿਆਂ ਤੋਂ ਆਮਕਰਨ
• ਸਫਲਤਾ ਦੇ ਬਿਰਤਾਂਤਾਂ ਵਿੱਚ ਕਿਸਮਤ/ਸਮੇਂ ਦੇ ਕਾਰਕਾਂ ਨੂੰ ਖਾਰਜ ਕਰਨਾ
• ਅਣਦੇਖੀ ਅਸਫਲਤਾਵਾਂ ਨੂੰ ਸਵੀਕਾਰ ਕੀਤੇ ਬਿਨਾਂ "ਕੀ ਕੰਮ ਕਰਦਾ ਹੈ" ਤੋਂ ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ

ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ (In Decision-Making):

• ਸਫਲ ਕੰਪਨੀਆਂ/ਲੋਕਾਂ ਦੇ ਕੇਸ ਅਧਿਐਨਾਂ 'ਤੇ ਜ਼ਿਆਦਾ ਨਿਰਭਰਤਾ
• ਬੇਸ ਦਰਾਂ (base rates) ਅਤੇ ਅਸਫਲਤਾ ਦੀ ਬਾਰੰਬਾਰਤਾ ਨੂੰ ਘੱਟ ਭਾਰ ਦੇਣਾ
• ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਸਫਲ ਪ੍ਰਤੀਯੋਗੀਆਂ ਦੇ ਵਿਰੁੱਧ ਬੈਂਚਮਾਰਕਿੰਗ
• ਡੇਟਾ ਇਕੱਤਰ ਕਰਨ 'ਤੇ ਸਵਾਲ ਕੀਤੇ ਬਿਨਾਂ ਇਤਿਹਾਸਕ ਪ੍ਰਦਰਸ਼ਨ ਡੇਟਾ 'ਤੇ ਭਰੋਸਾ

ਦਲੀਲਾਂ ਵਿੱਚ (In Arguments):

• ਰਣਨੀਤੀ ਦੀ ਵੈਧਤਾ ਦੇ ਸਬੂਤ ਵਜੋਂ ਸਫਲ ਉਦਾਹਰਣਾਂ ਦੀ ਮੌਜੂਦਗੀ ਦੀ ਵਰਤੋਂ ਕਰਨਾ
• ਜ਼ੈੱਡ (Zs) ਜਿਨ੍ਹਾਂ ਲਈ ਐਕਸ (X) ਅਸਫਲ ਰਿਹਾ, 'ਤੇ ਵਿਚਾਰ ਕੀਤੇ ਬਿਨਾਂ "ਐਕਸ (X) ਨੇ ਵਾਈ (Y) ਲਈ ਕੰਮ ਕੀਤਾ" ਦਾ ਤਰਕ ਦੇਣਾ
• ਸਬੂਤ ਦੀ ਅਣਹੋਂਦ (ਕੋਈ ਜਾਣੀ-ਪਛਾਣੀ ਅਸਫਲਤਾਵਾਂ ਨਹੀਂ) ਨੂੰ ਗੈਰਹਾਜ਼ਰੀ ਦੇ ਸਬੂਤ ਵਜੋਂ ਵਿਆਖਿਆ ਕਰਨਾ

9.2. ਗੱਲਬਾਤ ਦੇ ਲਾਲ ਝੰਡੇ (Conversational Red Flags)

ਇਸ ਪੱਖਪਾਤ ਦੇ ਅਧੀਨ ਲੋਕ ਕੀ ਕਹਿੰਦੇ ਹਨ:

• "[ਮਸ਼ਹੂਰ ਸਫਲਤਾ] ਨੂੰ ਦੇਖੋ-ਉਨ੍ਹਾਂ ਨੇ ਐਕਸ (X) ਕੀਤਾ, ਅਤੇ ਇਸਨੇ ਕੰਮ ਕੀਤਾ!"
• "ਜਿਨ੍ਹਾਂ ਵੀ ਸਫਲ ਲੋਕਾਂ ਨੂੰ ਮੈਂ ਜਾਣਦਾ ਹਾਂ ਉਨ੍ਹਾਂ ਵਿੱਚ ਵਾਈ (Y) ਗੁਣ ਹਨ।"
• "ਡੇਟਾ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਇਸ ਪਹੁੰਚ ਦਾ ਸ਼ਾਨਦਾਰ ਟਰੈਕ ਰਿਕਾਰਡ ਹੈ।"
• "ਉਹ ਚੀਜ਼ਾਂ ਉਸ ਤਰ੍ਹਾਂ ਨਹੀਂ ਬਣਾਉਂਦੇ ਜਿਵੇਂ ਉਹ ਬਣਾਉਂਦੇ ਸਨ।"
• "ਹਰ ਮਹਾਨ ਕੰਪਨੀ ਵਿੱਚ ਇਹ ਵਿਸ਼ੇਸ਼ਤਾ ਹੁੰਦੀ ਹੈ।"

ਉਹ ਕਿਸ ਕਿਸਮ ਦੀਆਂ ਦਲੀਲਾਂ ਦਿੰਦੇ ਹਨ:

• ਅਸਫਲਤਾ ਦਰ 'ਤੇ ਵਿਚਾਰ ਕੀਤੇ ਬਿਨਾਂ ਦਿਖਾਈ ਦੇਣ ਵਾਲੀ ਸਫਲਤਾ ਤੋਂ ਪ੍ਰੇਰਣਾ
• ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਬਚਣ ਵਾਲੇ ਕੇਸਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ "ਉਦਾਹਰਨ ਦੁਆਰਾ ਸਬੂਤ"

ਸਵਾਲ ਪੁੱਛਣ ਤੋਂ ਉਹ ਬਚਦੇ ਹਨ:

• "ਕਿੰਨੇ ਲੋਕਾਂ ਨੇ ਇਸ ਪਹੁੰਚ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਅਤੇ ਅਸਫਲ ਰਹੇ?"
• "ਇਸ ਰਣਨੀਤੀ ਲਈ ਸਫਲਤਾ ਦੀ ਮੂਲ ਦਰ ਕੀ ਹੈ?"
• "ਅਸੀਂ ਇਸ ਡੇਟਾਸੈਟ ਵਿੱਚ ਅਸਫਲਤਾਵਾਂ ਕਿਉਂ ਨਹੀਂ ਦੇਖ ਸਕਦੇ?"

9.3. ਸਥਿਤੀ ਸੰਬੰਧੀ ਟਰਿੱਗਰ (Situational Triggers)

ਪੱਖਪਾਤ ਨੂੰ ਸਰਗਰਮ ਕਰਨ ਵਾਲੇ ਹਾਲਾਤ:

• ਚੁਣੀਆਂ ਗਈਆਂ ਸਫਲਤਾ ਦੀਆਂ ਕਹਾਣੀਆਂ ਤੱਕ ਪਹੁੰਚ (ਮੀਡੀਆ, ਕਿਤਾਬਾਂ, ਕਾਨਫਰੰਸਾਂ)
• ਡ੍ਰੌਪਆਊਟ/ਕਲੋਜ਼ਰ/ਡਿਲੀਸ਼ਨ ਵਿਧੀ ਵਾਲੇ ਡੇਟਾਬੇਸ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ
• ਕੋਈ ਵੀ ਮੁਲਾਂਕਣ ਜਿੱਥੇ ਅਸਫਲਤਾਵਾਂ ਦ੍ਰਿਸ਼ ਤੋਂ ਗਾਇਬ ਹੋ ਜਾਂਦੀਆਂ ਹਨ
• ਮੌਜੂਦਾ ਮਾਰਕੀਟ ਲੀਡਰਾਂ ਦਾ ਪਿਛੋਕੜ ਵਿਸ਼ਲੇਸ਼ਣ

ਭਾਵਨਾਤਮਕ ਅਵਸਥਾਵਾਂ ਜੋ ਕਮਜ਼ੋਰੀ ਨੂੰ ਵਧਾਉਂਦੀਆਂ ਹਨ:

• ਪਹਿਲਾਂ ਹੀ ਲਏ ਗਏ ਫੈਸਲੇ ਬਾਰੇ ਆਸ਼ਾਵਾਦ
• ਕਿਸੇ ਪਹੁੰਚ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾਉਣ ਦੀ ਇੱਛਾ
• ਇੱਕ ਸਫਲ ਚਿੱਤਰ ਲਈ ਪ੍ਰਸ਼ੰਸਾ

ਸਮੇਂ ਦਾ ਦਬਾਅ:

• ਜ਼ਰੂਰੀਤਾ ਨਾ-ਮਨਜ਼ੂਰ (ਅਸਫਲਤਾ) ਡੇਟਾ ਦੀ ਮੰਗ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ
• ਸਮਾਂ-ਸੀਮਾਵਾਂ ਵਿਸਤ੍ਰਿਤ ਖੋਜ ਨਾਲੋਂ ਉਪਲਬਧ ਉਦਾਹਰਣਾਂ ਦਾ ਸਮਰਥਨ ਕਰਦੀਆਂ ਹਨ

10. ਬੋਧਾਤਮਕ ਡੀਬਾਇਸਿੰਗ ਰਣਨੀਤੀਆਂ (Cognitive Debiasing Strategies)

10.1. ਤੁਰੰਤ ਤਕਨੀਕਾਂ (Immediate Techniques)

ਡਾਇਗੋਰਸ ਸਵਾਲ (The Diagoras Question): ਸਫਲਤਾ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਦੇ ਅਧਾਰ 'ਤੇ ਕਿਸੇ ਵੀ ਫੈਸਲੇ ਤੋਂ ਪਹਿਲਾਂ, ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਪੁੱਛੋ: "ਜਹਾਜ਼ ਦੇ ਟੁੱਟਣ ਵਾਲੇ ਕਿੱਥੇ ਹਨ?" ਕਿਸਨੇ ਇਸਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਅਤੇ ਅਸਫਲ ਰਿਹਾ? ਮੈਂ ਉਨ੍ਹਾਂ ਨੂੰ ਕਿਉਂ ਨਹੀਂ ਦੇਖ ਸਕਦਾ?

ਡੇਟਾ ਨੂੰ ਉਲਟਾਓ (Invert the Data): ਜਦੋਂ ਬਚਣ ਵਾਲਿਆਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਪੇਸ਼ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਤਾਂ ਮਾਨਸਿਕ ਤੌਰ 'ਤੇ "ਅਸਫਲਤਾ ਦਾ ਕਬਰਸਤਾਨ" ਬਣਾਓ। ਕੀ ਅਸਫਲ ਕੇਸਾਂ ਵਿੱਚ ਵੀ ਇਹ ਗੁਣ ਹੋਣਗੇ? ਜੇਕਰ ਅਣਜਾਣ ਹੈ, ਤਾਂ ਡੇਟਾ ਅਧੂਰਾ ਹੈ।

ਬੇਸ ਰੇਟ ਦੀ ਜਾਂਚ (Base Rate Check): ਸਫਲਤਾਵਾਂ ਤੋਂ ਬਾਹਰ ਕੱਢਣ ਤੋਂ ਪਹਿਲਾਂ, ਭਾਜਕ (denominator) ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਓ। "ਜਿਨ੍ਹਾਂ ਨੇ ਵੀ ਇਸ ਪਹੁੰਚ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ, ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ ਕਿੰਨੇ ਅੰਸ਼ ਸਫਲ ਹੋਏ?" ਜੇਕਰ ਅਣਜਾਣ ਹੈ, ਤਾਂ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਸਵੀਕਾਰ ਕਰੋ।

ਅਸਫਲਤਾ ਮੋਡ ਵਸਤੂ ਸੂਚੀ (Failure Mode Inventory): ਉਨ੍ਹਾਂ ਸਾਰੇ ਤਰੀਕਿਆਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਜਿਨ੍ਹਾਂ ਦੁਆਰਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤੀਆਂ ਉਦਾਹਰਣਾਂ ਅਸਫਲ ਹੋ ਸਕਦੀਆਂ ਸਨ ਅਤੇ ਅਲੋਪ ਹੋ ਸਕਦੀਆਂ ਸਨ। ਕਾਰ ਕੰਪਨੀਆਂ ਜੋ ਦੀਵਾਲੀਆ ਹੋ ਗਈਆਂ, ਰੈਸਟੋਰੈਂਟ ਜੋ ਬੰਦ ਹੋ ਗਏ, ਫੰਡ ਜੋ ਖਤਮ ਹੋ ਗਏ - ਉਹ ਕਿੱਥੇ ਗਏ?

ਸਰੋਤ ਸਵਾਲ (Source Questioning): ਕਿਸੇ ਵੀ ਡੇਟਾਸੈਟ ਲਈ, ਪੁੱਛੋ: "ਡ੍ਰੌਪਆਉਟ/ਹਟਾਉਣ/ਬਚਾਅ ਦੀ ਵਿਧੀ ਕੀ ਹੈ?" ਅਸਫਲਤਾਵਾਂ ਕਿਵੇਂ ਦੂਰ ਹੁੰਦੀਆਂ ਹਨ? ਇਹ ਪੱਖਪਾਤ ਦੀ ਬਣਤਰ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦਾ ਹੈ।

10.2. ਲੰਬੇ ਸਮੇਂ ਦੀਆਂ ਰਣਨੀਤੀਆਂ (Long-Term Strategies)

ਅਸਫਲਤਾਵਾਂ ਦਾ ਜਾਣਬੁੱਝ ਕੇ ਅਧਿਐਨ ਕਰੋ (Study Failures Intentionally): ਪੋਸਟ-ਮਾਰਟਮ, ਦੀਵਾਲੀਆਪਨ ਵਿਸ਼ਲੇਸ਼ਣ, ਅਸਫਲ ਸਟਾਰਟਅੱਪ ਕਹਾਣੀਆਂ ਦੀ ਭਾਲ ਕਰੋ। CB ਇਨਸਾਈਟਸ ਦੇ "ਸਟਾਰਟਅੱਪ ਫੇਲਿਓਰ ਪੋਸਟ-ਮਾਰਟਮਜ਼" ਅਤੇ ਸਮਾਨ ਸਰੋਤ ਉਹ ਚੁੱਪ ਸਬੂਤ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਗਾਇਬ ਹੁੰਦੇ ਹਨ।

ਪ੍ਰੀ-ਮਾਰਟਮ ਅਭਿਆਸ (Pre-Mortem Practice): ਪ੍ਰੋਜੈਕਟ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, "ਪ੍ਰੀ-ਮਾਰਟਮ" ਕਰੋ-ਕਲਪਨਾ ਕਰੋ ਕਿ ਪ੍ਰੋਜੈਕਟ ਅਸਫਲ ਹੋ ਗਿਆ ਹੈ ਅਤੇ ਕਾਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਪਿੱਛੇ ਵੱਲ ਕੰਮ ਕਰੋ। ਇਹ ਅਸਫਲਤਾਵਾਂ ਦੀ ਕਲਪਨਾ ਕਰਨ ਦੀ ਮਾਨਸਿਕ ਮਾਸਪੇਸ਼ੀ ਦੀ ਕਸਰਤ ਕਰਦਾ ਹੈ।

ਸੰਭਾਵਨਾ ਕੈਲੀਬ੍ਰੇਸ਼ਨ (Probability Calibration): ਡੇਟਾ ਲੱਭਣ ਤੋਂ ਪਹਿਲਾਂ ਬੇਸ ਦਰਾਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਦਾ ਅਭਿਆਸ ਕਰੋ। ਆਪਣੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਟਰੈਕ ਕਰੋ। ਇਹ ਇਸ ਗੱਲ ਲਈ ਸੂਝ ਪੈਦਾ ਕਰਦਾ ਹੈ ਕਿ ਕਿੰਨੀ ਵਾਰ ਦਿਖਾਈ ਦੇਣ ਵਾਲੀਆਂ ਸਫਲਤਾ ਦਰਾਂ ਸੱਚੀ ਸਫਲਤਾ ਦਰਾਂ ਨੂੰ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਦੱਸਦੀਆਂ ਹਨ।

ਇਤਿਹਾਸਕ ਪ੍ਰਤੀ-ਤੱਥ (Historical Counterfactuals): ਇਤਿਹਾਸ ਦਾ ਅਧਿਐਨ ਕਰਦੇ ਸਮੇਂ, ਸਰਗਰਮੀ ਨਾਲ ਵਿਕਲਪਕ ਮਾਰਗਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰੋ-ਕੀ ਲਗਭਗ ਹੋਇਆ ਸੀ, ਕੌਣ ਲਗਭਗ ਸਫਲ ਹੋਇਆ, ਹੋਰ ਕਿਹੜੇ ਨਤੀਜੇ ਸੰਭਵ ਸਨ। ਨਸੀਮ ਤਾਲੇਬ ਇਨ੍ਹਾਂ ਨੂੰ "ਵਿਕਲਪਿਕ ਇਤਿਹਾਸ" ਕਹਿੰਦੇ ਹਨ।

10.3. ਵਾਤਾਵਰਣ ਸੰਬੰਧੀ ਡਿਜ਼ਾਈਨ (Environmental Design)

ਡੇਟਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ (Data Infrastructure): "ਪੁਆਇੰਟ-ਇਨ-ਟਾਈਮ" ਡੇਟਾਸੈਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ ਜੋ ਅਸਫਲਤਾਵਾਂ ਦੇ ਰਿਕਾਰਡ ਨੂੰ ਉਸੇ ਪਲ ਸੁਰੱਖਿਅਤ ਰੱਖਦੇ ਹਨ ਜਿਸ ਪਲ ਉਹ ਮੌਜੂਦ ਸਨ, ਮੌਜੂਦਾ-ਸਟੇਟ ਡੇਟਾਬੇਸ ਦੀ ਬਜਾਏ ਜੋ ਸਿਰਫ ਬਚੇ ਹੋਏ ਦਿਖਾਉਂਦੇ ਹਨ।

ਅਸਫਲਤਾ ਲਾਇਬ੍ਰੇਰੀਆਂ (Failure Libraries): ਸੰਗਠਨਾਤਮਕ ਗਿਆਨ ਪ੍ਰਬੰਧਨ ਨੂੰ ਨਾ ਸਿਰਫ਼ ਸਫਲ ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ, ਸਗੋਂ ਅਸਫਲ ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਵੀ ਆਰਕਾਈਵ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਪੋਸਟ-ਮਾਰਟਮ ਵੀ ਸਫਲਤਾ ਦੇ ਕੇਸ ਅਧਿਐਨਾਂ ਵਾਂਗ ਪਹੁੰਚਯੋਗ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ।

ਡੈਵਿਲਜ਼ ਐਡਵੋਕੇਟ ਪ੍ਰੋਟੋਕੋਲ (Devil's Advocate Protocols): ਅਜਿਹੀਆਂ ਭੂਮਿਕਾਵਾਂ ਨੂੰ ਸੰਸਥਾਗਤ ਬਣਾਓ ਜੋ ਰਣਨੀਤਕ ਫੈਸਲਿਆਂ ਵਿੱਚ ਅਸਵੀਕਾਰ ਕਰਨ ਵਾਲੇ ਸਬੂਤ ਅਤੇ ਗੁੰਮ ਹੋਏ ਅਸਫਲਤਾ ਡੇਟਾ ਦੀ ਖਾਸ ਤੌਰ 'ਤੇ ਖੋਜ ਕਰਦੀਆਂ ਹਨ।

ਵਿਭਿੰਨ ਸਲਾਹਕਾਰ ਨੈੱਟਵਰਕ (Diverse Advisory Networks): ਆਪਣੇ ਸਲਾਹਕਾਰ ਸਰਕਲ ਵਿੱਚ ਉਨ੍ਹਾਂ ਲੋਕਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰੋ ਜਿਨ੍ਹਾਂ ਨੇ ਅਸਫਲਤਾ ਦਾ ਅਨੁਭਵ ਕੀਤਾ ਹੈ। ਉਨ੍ਹਾਂ ਦਾ ਨਜ਼ਰੀਆ ਆਮ ਤੌਰ 'ਤੇ ਗਾਇਬ "ਚੁੱਪ ਸਬੂਤ" ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

10.4. ਬਾਹਰੀ ਇਨਪੁਟ ਕਦੋਂ ਲੈਣਾ ਹੈ (When to Seek External Input)

ਫੈਸਲੇ ਦੀਆਂ ਕਿਸਮਾਂ ਜਿਨ੍ਹਾਂ ਲਈ ਬਾਹਰੀ ਪ੍ਰਮਾਣਿਕਤਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ:

• ਇਤਿਹਾਸਕ ਪ੍ਰਦਰਸ਼ਨ ਡੇਟਾ 'ਤੇ ਅਧਾਰਤ ਵੱਡੇ ਨਿਵੇਸ਼
• ਪ੍ਰਤੀਯੋਗੀ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਅਧਾਰ 'ਤੇ ਰਣਨੀਤੀ ਫੈਸਲੇ
• ਸਫਲਤਾ ਦੀਆਂ ਕਹਾਣੀਆਂ 'ਤੇ ਅਧਾਰਤ ਕੈਰੀਅਰ/ਜੀਵਨ ਦੇ ਫੈਸਲੇ
• ਇਲਾਜ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਡੇਟਾ 'ਤੇ ਅਧਾਰਤ ਡਾਕਟਰੀ ਫੈਸਲੇ

ਕਿਸ ਨਾਲ ਸਲਾਹ ਕਰਨੀ ਹੈ:

• ਚੋਣ ਪੱਖਪਾਤ ਤੋਂ ਜਾਣੂ ਅੰਕੜਾ ਵਿਗਿਆਨੀ
• ਉਹ ਲੋਕ ਜੋ ਤੁਹਾਡੇ ਦੁਆਰਾ ਵਿਚਾਰੇ ਜਾ ਰਹੇ ਤਰੀਕੇ ਵਿੱਚ ਅਸਫਲ ਰਹੇ ਹਨ
• ਖੋਜਕਰਤਾ ਜੋ ਖਾਸ ਡੋਮੇਨ ਦੀ ਅਸਫਲਤਾ ਦਰਾਂ ਦਾ ਅਧਿਐਨ ਕਰਦੇ ਹਨ
• ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਲੱਭਣ ਲਈ ਨਿਯੁਕਤ ਡੈਵਿਲਜ਼ ਐਡਵੋਕੇਟ

ਬੇਨਤੀਆਂ ਨੂੰ ਕਿਵੇਂ ਤਿਆਰ ਕਰਨਾ ਹੈ:

• "ਇੱਥੇ ਭਾਜਕ (denominator) ਕੀ ਹੈ?"
• "ਉਨ੍ਹਾਂ ਦਾ ਕੀ ਹੋਇਆ ਜਿਨ੍ਹਾਂ ਨੇ ਇਹ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਅਤੇ ਅਸਫਲ ਰਹੇ?"
• "ਇਹ ਡੇਟਾ ਕਿਵੇਂ ਇਕੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਕਿਹੜੇ ਕਾਰਨ ਕਰਕੇ ਕੇਸ ਗਾਇਬ ਹੁੰਦੇ ਹਨ?"

11. ਵਿਹਾਰਕ ਅਭਿਆਸ (Practical Exercises)

ਅਭਿਆਸ 1: ਅਸਫਲਤਾ ਦੇ ਕਬਰਸਤਾਨ ਦੀ ਸੈਰ (Exercise 1: The Failure Cemetery Walk)

• ਉਦੇਸ਼ (Objective): ਅਦਿੱਖ ਅਸਫਲਤਾਵਾਂ ਲਈ ਅਨੁਭਵ ਵਿਕਸਿਤ ਕਰੋ
• ਲੋੜੀਂਦਾ ਸਮਾਂ (Time required): 45 ਮਿੰਟ
• ਲੋੜੀਂਦੀ ਸਮੱਗਰੀ (Materials needed): ਇੰਟਰਨੈੱਟ ਪਹੁੰਚ, ਨੋਟਬੁੱਕ
• ਮੁਸ਼ਕਲ ਪੱਧਰ (Difficulty level): ਸ਼ੁਰੂਆਤੀ (Beginner)
• ਹਦਾਇਤਾਂ (Instructions):
  1. ਇੱਕ ਅਜਿਹਾ ਡੋਮੇਨ ਚੁਣੋ ਜਿਸ ਵਿੱਚ ਤੁਹਾਡੀ ਦਿਲਚਸਪੀ ਹੈ (ਸਟਾਰਟਅੱਪਸ, ਰੈਸਟੋਰੈਂਟ, ਉਤਪਾਦ ਆਦਿ)
  2. ਉਸ ਡੋਮੇਨ ਵਿੱਚ 5 ਮਸ਼ਹੂਰ ਸਫਲਤਾਵਾਂ ਦੀ ਪਛਾਣ ਕਰੋ
  3. ਹਰੇਕ ਸਫਲਤਾ ਲਈ, 3 ਸਮਕਾਲੀਆਂ ਦੀ ਖੋਜ ਕਰੋ ਜਿਨ੍ਹਾਂ ਨੇ ਅਜਿਹੀ ਪਹੁੰਚ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਅਤੇ ਅਸਫਲ ਰਹੇ
  4. ਨੋਟ ਕਰੋ ਕਿ ਅਸਫਲਤਾਵਾਂ ਨੇ ਸਫਲਤਾਵਾਂ ਦੇ ਨਾਲ ਕਿਹੜੇ ਗੁਣ/ਰਣਨੀਤੀਆਂ ਸਾਂਝੀਆਂ ਕੀਤੀਆਂ
  5. ਦਸਤਾਵੇਜ਼ ਬਣਾਓ ਕਿ ਅਸਫਲਤਾਵਾਂ ਆਮ ਤੌਰ 'ਤੇ ਅਦਿੱਖ ਕਿਉਂ ਹੁੰਦੀਆਂ ਹਨ (ਦੀਵਾਲੀਆਪਨ, ਪ੍ਰਾਪਤੀ, ਮਿਟਾਉਣਾ, ਆਦਿ)
• ਪ੍ਰਤੀਬਿੰਬ ਪ੍ਰਸ਼ਨ (Reflection questions):
  • ਅਸਫਲਤਾਵਾਂ ਨੂੰ ਲੱਭਣਾ ਕਿੰਨਾ ਔਖਾ ਸੀ?
  • ਸਫਲਤਾਵਾਂ ਅਤੇ ਅਸਫਲਤਾਵਾਂ ਦੋਵਾਂ ਵਿੱਚ ਕਿਹੜੇ "ਸਫਲਤਾ ਕਾਰਕ" ਦਿਖਾਈ ਦਿੱਤੇ?
  • ਇਹ ਸਫਲਤਾ ਦੇ ਕਾਰਨਾਂ ਬਾਰੇ ਤੁਹਾਡੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨੂੰ ਕਿਵੇਂ ਬਦਲਦਾ ਹੈ?
• ਬਾਰੰਬਾਰਤਾ (Frequency): ਮਾਸਿਕ, ਖਾਸ ਕਰਕੇ ਵੱਡੇ ਫੈਸਲਿਆਂ ਤੋਂ ਪਹਿਲਾਂ

ਅਭਿਆਸ 2: ਡੇਟਾਸੈਟ ਆਟੋਪਸੀ (Exercise 2: Dataset Autopsy)

• ਉਦੇਸ਼ (Objective): ਡੇਟਾ ਸਰੋਤਾਂ ਵਿੱਚ ਸਰਵਾਈਵਰਸ਼ਿਪ ਪੱਖਪਾਤ ਨੂੰ ਪਛਾਣਨਾ ਸਿੱਖੋ
• ਲੋੜੀਂਦਾ ਸਮਾਂ (Time required): 60 ਮਿੰਟ
• ਲੋੜੀਂਦੀ ਸਮੱਗਰੀ (Materials needed): ਤੁਹਾਡੇ ਦੁਆਰਾ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਡੇਟਾਸੈਟ ਤੱਕ ਪਹੁੰਚ (ਵਿੱਤੀ, ਵਪਾਰਕ, ਪ੍ਰਦਰਸ਼ਨ ਡੇਟਾ)
• ਮੁਸ਼ਕਲ ਪੱਧਰ (Difficulty level): ਵਿਚਕਾਰਲਾ (Intermediate)
• ਹਦਾਇਤਾਂ (Instructions):
  1. ਉਹ ਡੇਟਾਸੈਟ ਚੁਣੋ ਜਿਸ 'ਤੇ ਤੁਸੀਂ ਫੈਸਲਿਆਂ ਲਈ ਭਰੋਸਾ ਕਰਦੇ ਹੋ
  2. ਡੇਟਾ ਇਕੱਤਰ ਕਰਨ ਦੀ ਵਿਧੀ ਨੂੰ ਦਸਤਾਵੇਜ਼ ਬਣਾਓ
  3. ਉਨ੍ਹਾਂ ਸਾਰੀਆਂ ਵਿਧੀਆਂ ਦੀ ਪਛਾਣ ਕਰੋ ਜਿਨ੍ਹਾਂ ਦੁਆਰਾ ਰਿਕਾਰਡਾਂ ਨੂੰ ਹਟਾਇਆ ਜਾ ਸਕਦਾ ਹੈ (ਬੰਦ ਕਰਨਾ, ਰਲੇਵਾਂ ਕਰਨਾ, ਮਿਟਾਉਣਾ, ਗੈਰ-ਰਿਪੋਰਟਿੰਗ)
  4. ਅੰਦਾਜ਼ਾ ਲਗਾਓ ਕਿ ਅਸਲ ਆਬਾਦੀ ਦਾ ਕਿੰਨਾ ਪ੍ਰਤੀਸ਼ਤ ਗਾਇਬ ਹੋ ਸਕਦਾ ਹੈ
  5. ਵਿਚਾਰ ਕਰੋ ਕਿ ਗੁੰਮ ਹੋਇਆ ਡੇਟਾ ਬਚੇ ਹੋਏ ਡੇਟਾ ਤੋਂ ਕਿਵੇਂ ਵੱਖਰਾ ਹੋ ਸਕਦਾ ਹੈ
• ਪ੍ਰਤੀਬਿੰਬ ਪ੍ਰਸ਼ਨ (Reflection questions):
  • ਜੇਕਰ ਤੁਸੀਂ ਗੁੰਮ ਹੋਇਆ ਡੇਟਾ ਦੇਖ ਸਕਦੇ ਹੋ ਤਾਂ ਕੀ ਬਦਲ ਜਾਵੇਗਾ?
  • ਤੁਹਾਨੂੰ ਇਸ ਡੇਟਾ ਤੋਂ ਕੱਢੇ ਗਏ ਸਿੱਟਿਆਂ ਵਿੱਚ ਕਿੰਨਾ ਵਿਸ਼ਵਾਸ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ?
  • ਕਿਹੜੇ ਸਮਾਯੋਜਨ (adjustments) ਢੁਕਵੇਂ ਹੋ ਸਕਦੇ ਹਨ?
• ਬਾਰੰਬਾਰਤਾ (Frequency): ਜਦੋਂ ਵੀ ਫੈਸਲਿਆਂ ਲਈ ਇਤਿਹਾਸਕ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ

ਅਭਿਆਸ 3: ਪ੍ਰੀ-ਮਾਰਟਮ ਰੀਤੀ (Exercise 3: Pre-Mortem Ritual)

• ਉਦੇਸ਼ (Objective): ਅਸਫਲਤਾ ਦੇ ਅਦਿੱਖ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਵਿਵਸਥਿਤ ਢੰਗ ਨਾਲ ਉਸਦੀ ਕਲਪਨਾ ਕਰੋ
• ਲੋੜੀਂਦਾ ਸਮਾਂ (Time required): 30 ਮਿੰਟ
• ਲੋੜੀਂਦੀ ਸਮੱਗਰੀ (Materials needed): ਕਾਗਜ਼, ਟਾਈਮਰ
• ਮੁਸ਼ਕਲ ਪੱਧਰ (Difficulty level): ਉੱਨਤ (Advanced)
• ਹਦਾਇਤਾਂ (Instructions):
  1. ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਟੀਮ ਨੂੰ ਇਕੱਠਾ ਕਰੋ
  2. 20 ਮਿੰਟ ਲਈ ਟਾਈਮਰ ਸੈੱਟ ਕਰੋ
  3. ਕਲਪਨਾ ਕਰੋ ਕਿ ਇਹ ਹੁਣ ਤੋਂ ਇੱਕ ਸਾਲ ਬਾਅਦ ਹੈ ਅਤੇ ਪ੍ਰੋਜੈਕਟ ਪੂਰੀ ਤਰ੍ਹਾਂ ਫੇਲ੍ਹ ਹੋ ਗਿਆ ਹੈ
  4. ਹਰੇਕ ਵਿਅਕਤੀ ਉਹ ਸਾਰੇ ਕਾਰਨ ਲਿਖਦਾ ਹੈ ਕਿ ਇਹ ਕਿਉਂ ਅਸਫਲ ਰਿਹਾ (ਪਹਿਲਾਂ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ)
  5. ਅਸਫਲਤਾ ਦੇ ਤਰੀਕਿਆਂ ਨੂੰ ਸਾਂਝਾ ਕਰੋ ਅਤੇ ਮਜ਼ਬੂਤ ਕਰੋ
• ਪ੍ਰਤੀਬਿੰਬ ਪ੍ਰਸ਼ਨ (Reflection questions):
  • ਕਿਹੜੇ ਅਸਫਲਤਾ ਢੰਗ (failure modes) ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਿਤ ਹਨ?
  • ਕਿਹੜੀਆਂ ਅਸਫਲਤਾਵਾਂ ਭਵਿੱਖ ਦੇ ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਲਈ ਕੋਈ ਸਬੂਤ ਨਹੀਂ ਛੱਡਣਗੀਆਂ?
  • ਤੁਸੀਂ ਅਦਿੱਖ ਅਸਫਲ ਡੇਟਾ ਬਣਨ ਤੋਂ ਕਿਵੇਂ ਰੋਕ ਸਕਦੇ ਹੋ?
• ਬਾਰੰਬਾਰਤਾ (Frequency): ਹਰ ਮਹੱਤਵਪੂਰਨ ਪ੍ਰੋਜੈਕਟ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ

ਰੋਜ਼ਾਨਾ ਅਭਿਆਸ (Daily Practice)

ਸ਼ਾਮ ਦੇ ਸਮੇਂ ਅਸਫਲਤਾ ਦਾ ਸਵਾਲ (The Evening Failure Question): ਹਰ ਸ਼ਾਮ, ਤੁਹਾਡੇ ਦੁਆਰਾ ਲਏ ਗਏ ਇੱਕ ਫੈਸਲੇ ਦੀ ਸਮੀਖਿਆ ਕਰੋ ਅਤੇ ਪੁੱਛੋ: "ਮੈਂ ਕਿਹੜੀਆਂ ਅਸਫਲਤਾਵਾਂ ਨਹੀਂ ਦੇਖ ਰਿਹਾ ਹਾਂ ਜੋ ਇਸਨੂੰ ਸੂਚਿਤ ਕਰ ਸਕਦੀਆਂ ਹਨ?"

• ਸੁਝਾਈ ਗਈ ਮਿਆਦ: 5 ਮਿੰਟ
• ਦਿਨ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਸਮਾਂ: ਸ਼ਾਮ
• ਪ੍ਰਗਤੀ ਨੂੰ ਕਿਵੇਂ ਟਰੈਕ ਕਰਨਾ ਹੈ: ਪ੍ਰਤੀ ਦਿਨ ਇੱਕ "ਲੁਕੀ ਹੋਈ ਅਸਫਲਤਾ" (hidden failure) ਸੂਝ ਨੂੰ ਜਰਨਲ ਕਰੋ

ਹਫਤਾਵਾਰੀ ਚੁਣੌਤੀ (Weekly Challenge)

ਚੁੱਪ ਸਬੂਤਾਂ ਦੀ ਭਾਲ (Silent Evidence Hunt): ਹਰ ਹਫ਼ਤੇ, ਦਿਸਣਯੋਗ ਸਬੂਤਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਇੱਕ ਵਿਸ਼ਵਾਸ ਚੁਣੋ ਅਤੇ ਸਰਗਰਮੀ ਨਾਲ "ਚੁੱਪ ਸਬੂਤਾਂ" ਦੀ ਖੋਜ ਕਰੋ ਜੋ ਇਸਦਾ ਖੰਡਨ ਕਰ ਸਕਦੇ ਹਨ।

• 4 ਹਫ਼ਤਿਆਂ ਬਾਅਦ ਸੰਭਾਵਿਤ ਨਤੀਜੇ: "ਕੀ ਗੁੰਮ ਹੈ" ਪੁੱਛਣ ਲਈ ਸੂਝ ਵਿੱਚ ਕਾਫ਼ੀ ਸੁਧਾਰ ਹੋਇਆ ਹੈ ਅਤੇ ਸਿਰਫ਼ ਦਿਸਣਯੋਗ ਡੇਟਾ ਤੋਂ ਸਿੱਟਿਆਂ ਵਿੱਚ ਭਰੋਸਾ ਘਟਿਆ ਹੈ
• ਪ੍ਰਤੀਬਿੰਬ ਲਈ ਜਰਨਲਿੰਗ ਪ੍ਰੋਂਪਟ:
  • ਇਸ ਹਫ਼ਤੇ ਮੈਂ ਕਿਸ ਵਿਸ਼ਵਾਸ ਦੀ ਜਾਂਚ ਕੀਤੀ?
  • ਮੈਨੂੰ ਕਿਹੜਾ ਚੁੱਪ ਸਬੂਤ ਮਿਲਿਆ?
  • ਇਸਨੂੰ ਲੱਭਣ ਨਾਲ ਮੇਰੇ ਵਿਸ਼ਵਾਸ ਦੇ ਪੱਧਰ ਵਿੱਚ ਕਿਵੇਂ ਬਦਲਾਅ ਆਇਆ?

12. ਖਾਸ ਦਰਸ਼ਕਾਂ ਲਈ (For Specific Audiences)

ਨੇਤਾਵਾਂ ਅਤੇ ਪ੍ਰਬੰਧਕਾਂ ਲਈ (For Leaders and Managers)

ਰਣਨੀਤਕ ਯੋਜਨਾਬੰਦੀ (Strategic Planning): ਪ੍ਰਤੀਯੋਗੀ ਸਫਲਤਾਵਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਸਮੇਂ, ਇਹ ਲਾਜ਼ਮੀ ਕਰੋ ਕਿ ਰਣਨੀਤੀ ਟੀਮਾਂ ਉਹਨਾਂ ਪ੍ਰਤੀਯੋਗੀਆਂ ਦਾ ਵੀ ਅਧਿਐਨ ਕਰਨ ਜਿਨ੍ਹਾਂ ਨੇ ਸਮਾਨ ਰਣਨੀਤੀਆਂ ਵਰਤੀਆਂ ਅਤੇ ਅਸਫਲ ਰਹੇ। ਅਸਫਲਤਾਵਾਂ ਇਹ ਪ੍ਰਗਟ ਕਰ ਸਕਦੀਆਂ ਹਨ ਕਿ ਦੇਖਿਆ ਗਿਆ "ਸਫਲਤਾ ਕਾਰਕ" ਕਾਰਕ ਨਹੀਂ ਹਨ।

ਪ੍ਰੋਜੈਕਟ ਤੋਂ ਬਾਅਦ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ (Post-Project Analysis): ਸਫਲ ਪ੍ਰੋਜੈਕਟਾਂ ਵਾਂਗ ਸਖ਼ਤੀ ਨਾਲ ਅਸਫਲ ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਆਰਕਾਈਵ ਕਰੋ ਅਤੇ ਅਧਿਐਨ ਕਰੋ। ਅਸਫਲਤਾਵਾਂ ਤੋਂ ਸਿੱਖਣਾ ਅਕਸਰ ਵਧੇਰੇ ਕੀਮਤੀ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਜਾਣਬੁੱਝ ਕੇ ਸੰਭਾਲ ਕੀਤੇ ਬਿਨਾਂ, ਇਹ ਅਲੋਪ ਹੋ ਜਾਂਦਾ ਹੈ।

ਨਿਯੁਕਤੀ ਦੇ ਫੈਸਲੇ (Hiring Decisions): ਚੋਟੀ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲਿਆਂ ਤੋਂ ਪ੍ਰਾਪਤ ਪ੍ਰੋਫਾਈਲਾਂ ਬਾਰੇ ਸੁਚੇਤ ਰਹੋ। ਵਿਚਾਰ ਕਰੋ ਕਿ ਕਿਹੜੇ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਰੱਦ ਕੀਤਾ ਗਿਆ ਸੀ ਜੋ ਸ਼ਾਇਦ ਸਫਲ ਹੋ ਗਏ ਹੋਣ, ਅਤੇ ਕਿਹੜੇ ਨਿਯੁਕਤ ਕੀਤੇ ਗਏ ਜੋ ਪ੍ਰੋਫਾਈਲ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਸਨ ਪਰ ਅਸਫਲ ਰਹੇ ਅਤੇ ਛੱਡ ਗਏ।

ਫੈਸਲੇ ਦੇ ਦਸਤਾਵੇਜ਼ (Decision Documentation): ਨਾ ਸਿਰਫ ਨਤੀਜਿਆਂ ਨੂੰ ਰਿਕਾਰਡ ਕਰੋ ਬਲਕਿ ਫੈਸਲੇ ਦੇ ਸਮੇਂ ਦੀ ਜਾਣਕਾਰੀ ਅਤੇ ਤਰਕ ਨੂੰ ਵੀ ਰਿਕਾਰਡ ਕਰੋ। ਇਹ ਈਮਾਨਦਾਰ ਮੁਲਾਂਕਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਭਾਵੇਂ ਅਸਫਲਤਾਵਾਂ ਵਿਦਾਇਗੀ, ਪੁਨਰਗਠਨ, ਜਾਂ ਸੰਸ਼ੋਧਨ ਦੁਆਰਾ "ਗਾਇਬ" ਹੋ ਜਾਣ।

ਸੱਭਿਆਚਾਰਕ ਨਿਰਮਾਣ (Culture Building): ਅਸਫਲਤਾਵਾਂ ਦਾ ਜਸ਼ਨ ਮਨਾਓ ਅਤੇ ਖੁੱਲ੍ਹ ਕੇ ਚਰਚਾ ਕਰੋ। ਇਹ ਉਹਨਾਂ ਨੂੰ ਚੁੱਪ ਰਹਿਣ ਦੀ ਬਜਾਏ ਸੰਗਠਨਾਤਮਕ ਯਾਦਦਾਸ਼ਤ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ।

ਮਾਪਿਆਂ ਅਤੇ ਅਧਿਆਪਕਾਂ ਲਈ (For Parents and Educators)

ਸੰਕਲਪ ਸਿਖਾਉਣਾ (Teaching the Concept): ਡਾਇਗੋਰਸ (Diagoras) ਦੀ ਕਹਾਣੀ ਦੀ ਵਰਤੋਂ ਕਰੋ - ਇਹ ਬੱਚਿਆਂ ਲਈ ਪਹੁੰਚਯੋਗ ਹੈ। ਪੁੱਛੋ: "ਜੇ ਅਸੀਂ ਸਿਰਫ਼ ਜਿੱਤਣ ਵਾਲੇ ਲੋਕਾਂ ਤੋਂ ਹੀ ਸੁਣਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਕੀ ਨਹੀਂ ਸਿੱਖਦੇ?"

ਸਫਲਤਾ ਦੀ ਕਹਾਣੀ ਦਾ ਸੰਤੁਲਨ (Success Story Balance): ਪ੍ਰੇਰਣਾਦਾਇਕ ਕਹਾਣੀਆਂ ਸਾਂਝੀਆਂ ਕਰਦੇ ਸਮੇਂ, ਅਸਫਲਤਾ ਦੀਆਂ ਕਹਾਣੀਆਂ ਵੀ ਸਾਂਝੀਆਂ ਕਰੋ। "ਬਹੁਤ ਸਾਰੇ ਲੋਕਾਂ ਨੇ ਉਹੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਜੋ ਉਸਨੇ ਕੀਤੀ ਸੀ ਅਤੇ ਇਹ ਕੰਮ ਨਹੀਂ ਆਇਆ। ਕੀ ਫਰਕ ਪੈ ਸਕਦਾ ਸੀ?"

ਵਿਗਿਆਨ ਸਿੱਖਿਆ (Science Education): ਸਰਵਾਈਵਰਸ਼ਿਪ ਪੱਖਪਾਤ ਨਮੂਨੇ, ਚੋਣ ਅਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਡਿਜ਼ਾਈਨ ਨੂੰ ਸਮਝਣ ਲਈ ਇੱਕ ਸ਼ਾਨਦਾਰ ਗੇਟਵੇ ਹੈ। ਡਬਲਯੂਡਬਲਯੂਆਈ (WWII) ਬੰਬਰ ਉਦਾਹਰਣ ਦੀ ਵਰਤੋਂ ਕਰੋ-ਇਹ ਸਪਸ਼ਟ ਅਤੇ ਵਿਰੋਧੀ-ਅਨੁਭਵੀ (counterintuitive) ਹੈ।

ਅਸਫਲਤਾ ਦੇ ਖੁੱਲੇਪਣ ਨੂੰ ਮਾਡਲ ਕਰਨਾ (Modeling Failure Openness): ਆਪਣੀਆਂ ਖੁਦ ਦੀਆਂ ਅਸਫਲਤਾਵਾਂ ਸਾਂਝੀਆਂ ਕਰੋ ਅਤੇ ਉਨ੍ਹਾਂ ਨੇ ਤੁਹਾਨੂੰ ਕੀ ਸਿਖਾਇਆ। ਅਸਫਲਤਾ ਨੂੰ ਅਦਿੱਖ ਹੋਣ ਦੀ ਬਜਾਏ ਚਰਚਾਯੋਗ ਬਣਾਓ।

ਸਿਹਤ ਸੰਭਾਲ ਪੇਸ਼ੇਵਰਾਂ ਲਈ (For Healthcare Professionals)

ਕਲੀਨਿਕਲ ਅਜ਼ਮਾਇਸ਼ ਵਿਆਖਿਆ (Clinical Trial Interpretation): ਡ੍ਰੌਪਆਊਟ ਪੈਟਰਨਾਂ ਪ੍ਰਤੀ ਸੁਚੇਤ ਰਹੋ। ਇਲਾਜ ਬੰਦ ਕਰਨ ਵਾਲੇ ਮਰੀਜ਼ ਇਲਾਜ ਜਾਰੀ ਰੱਖਣ ਵਾਲੇ ਮਰੀਜ਼ਾਂ ਤੋਂ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ। ਇੰਟੈਂਸ਼ਨ-ਟੂ-ਟਰੀਟ (Intention-to-treat) ਵਿਸ਼ਲੇਸ਼ਣ ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਇਸ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਦਾ ਹੈ।

ਇਤਿਹਾਸਕ ਇਲਾਜ ਮੁਲਾਂਕਣ (Historical Treatment Evaluation): "ਰਵਾਇਤੀ" ਇਲਾਜ ਜੋ "ਸਮੇਂ ਦੀ ਕਸੌਟੀ 'ਤੇ ਖਰੇ ਉਤਰੇ" ਹਨ, ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਸਿਰਫ਼ ਬਚਣ ਵਾਲੇ ਹੋਣ। ਬੇਅਸਰ ਇਲਾਜ ਜਿਨ੍ਹਾਂ ਨੂੰ ਛੱਡ ਦਿੱਤਾ ਗਿਆ ਸੀ, ਕੋਈ ਸਬੂਤ ਨਹੀਂ ਛੱਡਦੇ।

ਡਾਇਗਨੌਸਟਿਕ ਪੈਟਰਨ ਮਾਨਤਾ (Diagnostic Pattern Recognition): ਯਾਦਗਾਰੀ ਕੇਸ (ਯਾਦ ਵਿੱਚ ਬਚਣ ਵਾਲੇ) ਬੇਸ ਦਰਾਂ ਨੂੰ ਨਹੀਂ ਦਰਸਾਉਂਦੇ ਹਨ। ਪੈਟਰਨ-ਮੈਚਿੰਗ ਕਰਦੇ ਸਮੇਂ ਸਰਗਰਮੀ ਨਾਲ ਵੱਖ-ਵੱਖ ਨਤੀਜਿਆਂ ਵਾਲੇ ਕੇਸਾਂ ਨੂੰ ਯਾਦ ਕਰੋ।

ਮੌਤ ਦਰ ਦੇ ਅੰਕੜੇ (Mortality Statistics): ਸਮਝੋ ਕਿ ਕਿਵੇਂ "ਡੈੱਡ ਆਨ ਅਰਾਈਵਲ" ਛੋਟਾਂ, ਟ੍ਰਾਂਸਫਰ ਪੈਟਰਨ, ਅਤੇ ਦਸਤਾਵੇਜ਼ੀ ਅਭਿਆਸ ਨਤੀਜਿਆਂ ਦੇ ਡੇਟਾ ਵਿੱਚ ਸਰਵਾਈਵਰਸ਼ਿਪ ਪੱਖਪਾਤ ਪੈਦਾ ਕਰਦੇ ਹਨ।

ਵਿੱਤੀ ਪੇਸ਼ੇਵਰਾਂ ਲਈ (For Financial Professionals)

ਡੇਟਾਬੇਸ ਸਫਾਈ (Database Hygiene): ਉਪਲਬਧ ਹੋਣ 'ਤੇ ਹਮੇਸ਼ਾ ਸਰਵਾਈਵਰਸ਼ਿਪ-ਬਾਇਅਸ-ਮੁਕਤ ਡੇਟਾਬੇਸ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਮਿਆਰੀ ਡੇਟਾਬੇਸ ਲਈ, ਜਾਣੇ-ਪਛਾਣੇ ਸੁਧਾਰ ਕਾਰਕ ਲਾਗੂ ਕਰੋ (ਜਿਵੇਂ ਕਿ, ਮਿਉਚੁਅਲ ਫੰਡਾਂ ਲਈ ~0.9%)।

ਗਾਹਕ ਸੰਚਾਰ (Client Communication): ਇਤਿਹਾਸਕ ਪ੍ਰਦਰਸ਼ਨ ਦਿਖਾਉਂਦੇ ਸਮੇਂ, ਸਮਝਾਓ ਕਿ ਕੀ ਗੁੰਮ ਹੈ। "ਇਹ ਸੂਚਕਾਂਕ ਉਹਨਾਂ ਕੰਪਨੀਆਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਅੱਜ ਮੌਜੂਦ ਹਨ। ਅਸਫਲ ਹੋਣ ਵਾਲੀਆਂ ਕੰਪਨੀਆਂ ਸ਼ਾਮਲ ਨਹੀਂ ਹਨ, ਜੋ ਪਿਛਲੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਅਸਲ ਨਾਲੋਂ ਬਿਹਤਰ ਬਣਾਉਂਦੀਆਂ ਹਨ।"

ਬੈਕਟੈਸਟ ਸੰਦੇਹਵਾਦ (Backtest Skepticism): ਪੁਆਇੰਟ-ਇਨ-ਟਾਈਮ ਡੇਟਾ ਜ਼ਰੂਰੀ ਹੈ। ਮੌਜੂਦਾ ਸੂਚਕਾਂਕ ਰਚਨਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਕਿਸੇ ਵੀ ਬੈਕਟੈਸਟ ਨੇ ਅਸਰਦਾਰ ਢੰਗ ਨਾਲ 100% ਬਚਾਅ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ - ਇੱਕ ਅਸੰਭਵ ਸਥਿਤੀ।

ਹੈੱਜ ਫੰਡ ਡਿਊ ਡਿਲੀਜੈਂਸ (Hedge Fund Due Diligence): ਸਰਵਾਈਵਰਸ਼ਿਪ ਅਤੇ ਬੈਕਫਿਲ ਪੱਖਪਾਤ ਦੋਵਾਂ ਦਾ ਹਿਸਾਬ ਲਗਾਓ। ਸੰਯੁਕਤ ਪ੍ਰਭਾਵ (~4.4% ਪ੍ਰਤੀ ਮਲਕੀਲ) ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਰਿਪੋਰਟ ਕੀਤੀ ਔਸਤ ਹੈੱਜ ਫੰਡ ਕਾਰਗੁਜ਼ਾਰੀ ਅਸਲੀਅਤ ਨੂੰ ਕਾਫ਼ੀ ਜ਼ਿਆਦਾ ਦਰਸਾਉਂਦੀ ਹੈ।

13. ਹੋਰ ਪੱਖਪਾਤਾਂ ਨਾਲ ਗੱਲਬਾਤ (Interactions with Other Biases)

ਪੱਖਪਾਤ ਜੋ ਸਰਵਾਈਵਰਸ਼ਿਪ ਪੱਖਪਾਤ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ (Biases That Amplify Survivorship Bias)

ਪੱਖਪਾਤ ਜੋ ਸਰਵਾਈਵਰਸ਼ਿਪ ਪੱਖਪਾਤ ਦਾ ਮੁਕਾਬਲਾ ਕਰਦੇ ਹਨ (Biases That Counteract Survivorship Bias)

ਆਮ ਪੱਖਪਾਤ ਚੇਨ (Common Bias Chains)

ਸਫਲਤਾ ਨਕਲ ਝਰਨਾ (The Success Emulation Cascade): ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ (ਸਿਰਫ ਜੇਤੂਆਂ ਨੂੰ ਦੇਖੋ) → ਉਪਲਬਧਤਾ ਹਿਊਰਿਸਟਿਕ (ਜੇਤੂ ਯਾਦਦਾਸ਼ਤ 'ਤੇ ਹਾਵੀ ਹੁੰਦੇ ਹਨ) → ਬਿਰਤਾਂਤਕ ਭਰਮ (ਜੇਤੂ ਗੁਣਾਂ ਤੋਂ ਕਾਰਜਕਾਰਨ ਕਹਾਣੀ ਬਣਾਓ) → ਅਤਿ-ਵਿਸ਼ਵਾਸ (ਵਿਸ਼ਵਾਸ ਕਰੋ ਕਿ ਕਹਾਣੀ ਸਫਲਤਾ ਦੀ ਵਿਆਖਿਆ ਕਰਦੀ ਹੈ) → ਪੁਸ਼ਟੀਕਰਨ ਪੱਖਪਾਤ (ਕਹਾਣੀ ਦਾ ਸਮਰਥਨ ਕਰਨ ਵਾਲੇ ਸਬੂਤ ਲੱਭੋ) → ਜੋਖਮ ਗਲਤ-ਕੈਲੀਬ੍ਰੇਸ਼ਨ (ਅਸਫਲਤਾ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਘੱਟ ਸਮਝੋ)

ਰੁਕਾਵਟ ਬਿੰਦੂ (Interruption Point): ਬਿਰਤਾਂਤ ਦੇ ਬਣਨ ਤੋਂ ਪਹਿਲਾਂ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਇਹ ਪੁੱਛ ਕੇ ਕਿ "ਅਸਫਲਤਾਵਾਂ ਕਿੱਥੇ ਹਨ?" ਚੇਨ ਨੂੰ ਜਲਦੀ ਤੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇੱਕ ਵਾਰ ਜਦੋਂ ਕੋਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਕਹਾਣੀ ਬਣ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਹਟਾਉਣਾ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦਾ ਹੈ।

14. ਸੱਭਿਆਚਾਰਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ (Cultural Perspectives)

ਸਰਵਾਈਵਰਸ਼ਿਪ ਪੱਖਪਾਤ ਸਾਰੇ ਸੱਭਿਆਚਾਰਾਂ ਵਿੱਚ ਪ੍ਰਗਟ ਹੁੰਦਾ ਹੈ ਪਰ ਸੱਭਿਆਚਾਰਕ ਸੰਦਰਭ ਦੁਆਰਾ ਇਸਨੂੰ ਵਧਾਇਆ ਜਾਂ ਸੰਚਾਲਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਵਿਅਕਤੀਵਾਦੀ ਬਨਾਮ ਸਮੂਹਿਕ ਸੱਭਿਆਚਾਰ (Individualistic vs. Collectivistic Cultures): ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਿਅਕਤੀਵਾਦੀ ਸੱਭਿਆਚਾਰਾਂ ਵਿੱਚ (ਜਿਵੇਂ ਕਿ ਸੰਯੁਕਤ ਰਾਜ), "ਸੈਲਫ-ਮੇਡ ਸਫਲਤਾ" ਬਿਰਤਾਂਤ ਖਾਸ ਤੌਰ 'ਤੇ ਪ੍ਰਮੁੱਖ ਹੈ, ਜੋ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਨਿੱਜੀ ਪ੍ਰਾਪਤੀ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਸਰਵਾਈਵਰਸ਼ਿਪ ਪੱਖਪਾਤ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ। ਸਮੂਹਿਕ ਸੱਭਿਆਚਾਰਾਂ ਵਿੱਚ ਸਮੂਹਾਂ ਦੇ ਅੰਦਰ ਅਸਫਲਤਾਵਾਂ ਦੀ ਵਧੇਰੇ ਦਿੱਖ ਹੋ ਸਕਦੀ ਹੈ, ਜੋ ਪੱਖਪਾਤ ਨੂੰ ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਸੰਚਾਲਿਤ ਕਰਦੇ ਹਨ।

ਹਾਈ ਪਾਵਰ ਡਿਸਟੈਂਸ ਸੱਭਿਆਚਾਰ (High Power Distance Cultures): ਉੱਚ ਸ਼ਕਤੀ ਦੀ ਦੂਰੀ ਵਾਲੇ ਸਭਿਆਚਾਰਾਂ ਵਿੱਚ, ਸਫਲਤਾਵਾਂ ਦਾ ਹੋਰ ਵੀ ਜਸ਼ਨ ਮਨਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਜਦੋਂ ਕਿ ਸ਼ਰਮ ਤੋਂ ਬਚਣ ਲਈ ਅਸਫਲਤਾਵਾਂ ਨੂੰ ਲੁਕਾਇਆ ਜਾਂਦਾ ਹੈ, ਜੋ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਨਤੀਜਿਆਂ ਦੀ ਸਿਰਫ਼ ਸਰਵਾਈਵਰ ਦਿੱਖ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ।

ਜੋਖਮ ਪ੍ਰਤੀ ਰਵੱਈਏ (Risk Attitudes): ਉੱਚ ਜੋਖਮ ਸਹਿਣਸ਼ੀਲਤਾ ਵਾਲੇ ਸੱਭਿਆਚਾਰ ਦਿਸਣ ਵਾਲੇ ਜੋਖਮ ਲੈਣ ਵਾਲਿਆਂ ਤੋਂ ਸਬਕ ਸਿੱਖਣ ਦੀ ਜ਼ਿਆਦਾ ਸੰਭਾਵਨਾ ਰੱਖਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਜੋਖਮ-ਵਿਰੋਧੀ ਸੱਭਿਆਚਾਰ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਵਧੇਰੇ ਅਸਫਲਤਾ ਡੇਟਾ ਦੀ ਖੋਜ ਕਰ ਸਕਦੇ ਹਨ।

15. ਮਿੱਥਾਂ ਅਤੇ ਗਲਤ ਧਾਰਨਾਵਾਂ (Myths and Misconceptions)

16. ਮਾਹਿਰਾਂ ਦੀ ਸੂਝ (Expert Insights)

"ਮੈਂ ਉਨ੍ਹਾਂ ਨੂੰ ਦੇਖਦਾ ਹਾਂ ਜਿਨ੍ਹਾਂ ਨੂੰ ਬਚਾਇਆ ਗਿਆ ਸੀ, ਪਰ ਉਹ ਕਿੱਥੇ ਪੇਂਟ ਕੀਤੇ ਗਏ ਹਨ ਜੋ ਸਮੁੰਦਰੀ ਜਹਾਜ਼ ਦੇ ਟੁੱਟਣ ਨਾਲ ਮਾਰੇ ਗਏ ਸਨ?" — ਡਾਇਗੋਰਸ ਆਫ਼ ਮੇਲੋਸ (Diagoras of Melos), 5ਵੀਂ ਸਦੀ ਈਸਾ ਪੂਰਵ

"ਅਸਫਲ ਰੈਸਟੋਰੈਂਟਾਂ ਦਾ ਕਬਰਸਤਾਨ ਬਹੁਤ ਸ਼ਾਂਤ ਹੈ। ਰੈਸਟੋਰੈਂਟ ਕਾਰੋਬਾਰ ਵਿੱਚ ਕਿਵੇਂ ਅਸਫਲ ਨਾ ਹੋਣਾ ਹੈ ਇਸ ਬਾਰੇ ਸਭ ਤੋਂ ਮਹਾਨ ਵਿਚਾਰਾਂ ਦੇ ਪ੍ਰਯੋਗਾਂ ਅਤੇ ਕਿਤਾਬਾਂ ਨੇ ਬਹੁਤ ਘੱਟ ਲਿਖਿਆ ਹੈ ਕਿਉਂਕਿ ਅਸਫਲ ਹੋਣ ਵਾਲੇ ਲੋਕ ਕਿਤਾਬਾਂ ਨਹੀਂ ਲਿਖਦੇ ਹਨ।" — ਨਸੀਮ ਨਿਕੋਲਸ ਤਾਲੇਬ (Nassim Nicholas Taleb), ਫੂਲਡ ਬਾਏ ਰੈਂਡਮਨੇਸ (Fooled by Randomness)

"ਮਨੁੱਖੀ ਬੁੱਧੀ ਨਕਾਰਾਤਮਕ ਨਾਲੋਂ ਸਕਾਰਾਤਮਕ ਦੁਆਰਾ ਵਧੇਰੇ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੀ ਹੈ।" — ਫ੍ਰਾਂਸਿਸ ਬੇਕਨ (Francis Bacon), ਨੋਵਮ ਆਰਗੈਨਮ (Novum Organum)

"[The SRG was] ਹੁਣ ਤੱਕ ਦਾ ਸੰਗਠਿਤ ਅੰਕੜਾ ਵਿਗਿਆਨੀਆਂ ਦਾ ਸਭ ਤੋਂ ਅਸਧਾਰਨ ਸਮੂਹ।" — ਡਬਲਯੂ. ਐਲਨ ਵਾਲਿਸ (W. Allen Wallis), ਸਟੈਟਿਸਟੀਕਲ ਰਿਸਰਚ ਗਰੁੱਪ ਦੇ ਡਾਇਰੈਕਟਰ

17. ਮੁੱਖ ਨੁਕਤੇ (Key Takeaways)

1. ਸਰਵਾਈਵਰਸ਼ਿਪ ਬਾਇਅਸ ਸਰਵ-ਵਿਆਪਕ ਅਤੇ ਪ੍ਰਾਚੀਨ ਹੈ-2,500 ਸਾਲ ਪਹਿਲਾਂ ਡਾਇਗੋਰਸ ਦੁਆਰਾ ਮਾਨਤਾ ਪ੍ਰਾਪਤ, ਦੂਜੇ ਵਿਸ਼ਵ ਯੁੱਧ ਵਿੱਚ ਵਾਲਡ ਦੁਆਰਾ ਰਸਮੀ ਰੂਪ ਵਿੱਚ, ਅਤੇ ਆਧੁਨਿਕ ਵਿੱਤ ਵਿੱਚ ਮਾਪੀ ਗਈ।

2. ਪੱਖਪਾਤ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਧੋਖੇਬਾਜ਼ ਡੇਟਾ ਬਣਾਉਂਦਾ ਹੈ-ਨਾ ਸਿਰਫ਼ ਅਧੂਰਾ ਬਲਕਿ ਸਰਗਰਮੀ ਨਾਲ ਗੁੰਮਰਾਹਕੁੰਨ ਕਿਉਂਕਿ ਅਸਫਲਤਾਵਾਂ ਦੀ ਅਣਹੋਂਦ ਦਿਖਾਈ ਦੇਣ ਵਾਲੀ ਵੰਡ ਦੇ ਆਕਾਰ ਨੂੰ ਬਦਲ ਦਿੰਦੀ ਹੈ।

3. ਜੋ ਗੁੰਮ ਹੈ ਉਹ ਅਕਸਰ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਡੇਟਾ ਹੁੰਦਾ ਹੈ-ਵਾਲਡ ਦੀ ਇਹ ਸੂਝ ਕਿ "ਗੁੰਮ" ਗੋਲੀਆਂ ਦੇ ਛੇਕ ਹਾਦਸਾਗ੍ਰਸਤ ਜਹਾਜ਼ਾਂ 'ਤੇ ਸਨ, ਸਾਰੇ ਸਰਵਾਈਵਰਸ਼ਿਪ ਪੱਖਪਾਤ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਪੈਰਾਡਾਈਮ ਹੈ।

4. ਵਿੱਤੀ ਪ੍ਰਭਾਵ ਨੂੰ ਮਾਪਿਆ ਜਾ ਸਕਦਾ ਹੈ—ਮਿਉਚੁਅਲ ਫੰਡਾਂ ਲਈ ਸਾਲਾਨਾ ਲਗਭਗ 0.9%, ਹੈੱਜ ਫੰਡਾਂ ਲਈ 4.4%, ਅਤੇ ਬੈਕਟੈਸਟਿੰਗ ਤਰੁੱਟੀਆਂ ਲਈ ਅਣਜਾਣ ਪਰ ਕਾਫ਼ੀ।

5. ਐਂਟੀਡੋਟ (antidote) ਅਦਿੱਖ ਲਈ ਸਰਗਰਮ ਖੋਜ ਹੈ-ਲਗਾਤਾਰ ਪੁੱਛਣਾ ਕਿ "ਸਮੁੰਦਰੀ ਜਹਾਜ਼ ਦੇ ਟੁੱਟਣ ਵਾਲੇ ਕਿੱਥੇ ਹਨ?" ਅਨੁਸ਼ਾਸਨ ਹੈ ਜੋ ਇਸ ਪੱਖਪਾਤ ਤੋਂ ਬਚਾਉਂਦਾ ਹੈ।

6. ਸੁਧਾਰ ਦੇ ਤਰੀਕੇ ਮੌਜੂਦ ਹਨ—ਹੇਕਮੈਨ ਸੁਧਾਰ, ਉਲਟ ਸੰਭਾਵਨਾ ਵਜ਼ਨ, ਕੈਪਲਨ-ਮੇਅਰ ਅਨੁਮਾਨ, ਅਤੇ ਪੁਆਇੰਟ-ਇਨ-ਟਾਈਮ ਡੇਟਾਬੇਸ ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਪੱਖਪਾਤ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰ ਸਕਦੇ ਹਨ।

7. ਦ੍ਰਿਸ਼ਟੀਗਤਤਾ ਵੈਧਤਾ ਨਹੀਂ ਹੈ-ਜਿਸ ਆਸਾਨੀ ਨਾਲ ਅਸੀਂ ਸਫਲ ਉਦਾਹਰਣਾਂ ਨੂੰ ਦੇਖਦੇ ਹਾਂ ਉਹ ਸਾਨੂੰ ਪੂਰੀ ਆਬਾਦੀ ਦੀ ਉਨ੍ਹਾਂ ਦੀ ਪ੍ਰਤੀਨਿਧਤਾ ਬਾਰੇ ਕੁਝ ਨਹੀਂ ਦੱਸਦਾ।

18. ਹੋਰ ਸਰੋਤ (Further Resources)

ਅਕਾਦਮਿਕ ਪੇਪਰ (Academic Papers)

• 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.

ਕਿਤਾਬਾਂ (Books)

• 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.

ਕਿਤਾਬ ਦੇ ਅਧਿਆਏ (Book Chapters)

• 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. ਸੰਖੇਪ ਕਾਰਡ (Summary Card)

20. ਵਰਤੇ ਗਏ ਸ਼ਬਦਾਂ ਦੀ ਗਲੌਸਰੀ (Glossary of Terms Used)

21. ਚਰਚਾ ਪ੍ਰਸ਼ਨ (Discussion Questions)

ਕਿਤਾਬ ਕਲੱਬਾਂ, ਕਲਾਸਰੂਮਾਂ, ਜਾਂ ਸਵੈ-ਪ੍ਰਤੀਬਿੰਬ ਲਈ (For book clubs, classrooms, or self-reflection):

1. ਕੀ ਤੁਸੀਂ ਮੁੱਖ ਤੌਰ 'ਤੇ ਦਿਖਾਈ ਦੇਣ ਵਾਲੀ ਸਫਲਤਾ ਦੀਆਂ ਕਹਾਣੀਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਲਏ ਗਏ ਜੀਵਨ ਦੇ ਇੱਕ ਵੱਡੇ ਫੈਸਲੇ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦੇ ਹੋ? ਤੁਸੀਂ ਕਿਹੜੀਆਂ ਅਸਫਲਤਾਵਾਂ ਦੇਖਣ ਦੇ ਯੋਗ ਨਹੀਂ ਸੀ?

2. ਵਾਲਡ ਨੇ ਸ਼ਸਤਰ ਬਣਾਉਣ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਿੱਥੇ ਬੁਲੇਟ ਹੋਲ ਨਹੀਂ ਸਨ। ਮੌਜੂਦਾ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਇਹ ਦੇਖਣ ਨਾਲ ਕੀ ਫਾਇਦਾ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਨੁਕਸਾਨ ਕਿੱਥੇ ਨਹੀਂ ਦਿਖਾਈ ਦੇ ਰਿਹਾ ਹੈ?

3. ਸੋਸ਼ਲ ਮੀਡੀਆ, ਜੋ ਸਫਲਤਾਵਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ ਅਤੇ ਅਸਫਲਤਾਵਾਂ ਨੂੰ ਛੁਪਾਉਂਦਾ ਹੈ, ਕੈਰੀਅਰ ਅਤੇ ਜੀਵਨ ਦੇ ਫੈਸਲਿਆਂ ਵਿੱਚ ਸਰਵਾਈਵਰਸ਼ਿਪ ਪੱਖਪਾਤ ਨੂੰ ਕਿਵੇਂ ਵਧਾ ਸਕਦਾ ਹੈ?

4. ਕੀ ਸੱਚਮੁੱਚ ਅਸਫਲਤਾਵਾਂ ਨੂੰ "ਦੇਖਣ" ਦਾ ਕੋਈ ਤਰੀਕਾ ਹੈ, ਜਾਂ ਕੀ ਅਸੀਂ ਹਮੇਸ਼ਾ ਸਰਵਾਈਵਰ-ਪੱਖਪਾਤੀ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰ ਰਹੇ ਹਾਂ? ਸੁਧਾਰ ਦੇ ਤਰੀਕਿਆਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਕੀ ਹਨ?

5. ਤਾਲੇਬ ਦੀ ਦਲੀਲ ਹੈ ਕਿ ਸਫਲ ਲੋਕਾਂ ਦੀ ਸਲਾਹ ਅਸਫਲ ਲੋਕਾਂ ਦੀ ਸਲਾਹ ਨਾਲੋਂ ਵਧੇਰੇ ਜਾਇਜ਼ ਨਹੀਂ ਹੋ ਸਕਦੀ। ਇਸ ਪੱਖਪਾਤ ਦੇ ਮੱਦੇਨਜ਼ਰ ਸਾਨੂੰ ਸਲਾਹਕਾਰ (mentorship) ਅਤੇ ਦੂਜਿਆਂ ਤੋਂ ਸਿੱਖਣ ਬਾਰੇ ਕਿਵੇਂ ਸੋਚਣਾ ਚਾਹੀਦਾ ਹੈ?