本文主要解释了幸存者偏差的定义
定义
幸存者偏差（Survivorship bias）是指从筛选之后的“幸存者”样本中得到结论，从而产生的偏差。
偏差影响
这种偏差属于认知上的偏差，仅考虑了获得的样本，而忽视了未通过筛选的样本。在这种偏差下往往会出现两种常见的错误：规则推导和因果推断。
规则推导：现存的事物是曾经唯一存在过的事物。
我们会假设自己所看到是事物是过去唯一的存在，而实际上很多过去的事物并未保存至今。（商朝流只传下青铜器，但是并不表示商朝只用青铜器）
因果推断：某个机制中幸存下来的事物都会受到该机制的影响。
并不是从该机制中幸存下来说明该机制影响了该事物，而是该事物满足了该机制的条件才得以幸存。
BI软件调研分析
假设一家商业智能（BI）软件公司正在开展2周免费使用活动，一周后剩下少数用书仍在使用，并且这些用户都是数据分析师，借助该软件进行了更加复杂的分析。
按照调研的结果，可能会得到两个错误的结论：
BI软件的适用人群是数据分析师。
在下结论之前，同样需要观察那些“非幸存者”（放弃使用的用户），我们并不知道这些用户中是否也有数据分析师。如果我们的调研用户全部是数据分析师，若离开的用户比剩下的用户更多时，那么得出的结论则恰恰相反。
为了得到正确的结论，我们需要分析每一个一开始就加入使用的用户，找到真正能够区分同期群的用户特征。
BI软件让深入数据分析变得更加容易：
在调研中，我们并没有设置一个对照组来比较用户之间的分析能力，这些用户或许是在使用BI软件做最高级的任务，但是或许在其他软件上能够做更高级的事情，也获取用户本身就是资深的数据分析师，无论使用说明软件都能进行深入分析。而不是因为使用了该BI软件才能进行深入分析。
若要衡量该软件的真正价值，则需要先评估用户分析水平，然后对比在相似的分析任务，操作不同软件的表现，从而得到有说服力的结论。
个人收获
分析所有同期群的用户；衡量产品价值的时候需要和竞争对手的产品进行对比；对比用户使用前后的改变，得到产品带来的因果关系。