Survivorship Bias Adalah: Kenapa Kisah Sukses Menyesatkan, dan Cara Bisnis Kecil Mencari Data yang Hilang

Jawaban langsung: Survivorship bias adalah kesalahan menarik kesimpulan hanya dari yang bertahan, karena yang gagal sudah hilang dari data. Kisah sukses founder, testimoni, dan iklan pesaing yang masih jalan adalah data yang bertahan. Sebelum Anda meniru, cari penyebutnya: berapa yang mencoba, berapa yang gagal, dan apa beda keduanya.

Kondisi utama: Bias ini muncul saat sebuah proses menyaring data sebelum data itu sampai ke Anda. Contoh proses itu adalah usaha yang tutup, pembeli yang pergi, atau iklan yang dihentikan. Batas: Bias ini tidak membuat kisah sukses menjadi salah. Bias ini membuat kisah sukses lemah sebagai bukti. Gambar pesawat bertitik merah yang viral juga bukan gambar dari memo Abraham Wald.

Kami membuka 10 sumber pada 29 Oktober 2026. Kami membaca teks penuh cetak ulang memo Wald oleh CNA (CRC 432, Juli 1980), 100 halaman PDF. Kami membaca Tabel 7 BLS untuk 3 kelompok usaha, data sampai Maret 2026. Untuk Mangel dan Samaniego (1984), Brown dkk. (1992), Carhart dkk. (2002), dan Denrell (2003), kami membaca abstrak, karena situs penerbit memasang cek bot. Sari di artikel ini memakai data dummy, bukan data klien.

Masalahnya: Anda meniru yang terlihat, bukan yang bekerja

Seorang founder bercerita di podcast. Ia membuka 3 cabang dalam 12 bulan dengan pinjaman besar, dan usahanya sukses. Anda mendengar cerita itu dan mulai menghitung pinjaman untuk cabang Anda.

Cerita itu nyata. Masalahnya, founder yang memakai cara sama lalu tutup tidak diundang ke podcast. Mereka tidak menulis buku, dan akun mereka sudah sepi. Jadi Anda hanya mendengar 1 sisi dari kelompok yang mencoba.

Pola yang sama muncul di tempat lain. Anda melihat 40 testimoni di akun pesaing, tetapi Anda tidak melihat pembeli yang minta refund. Anda melihat iklan pesaing yang jalan 60 hari, tetapi Anda tidak melihat iklan yang pesaing hentikan.

Iklan yang masih jalan juga tidak selalu untung. Pesaing dapat terus membayar iklan karena sudah keluar banyak uang. Artikel tentang sunk cost fallacy membahas jebakan itu.

Cara kerjanya: dari memo Wald 1943 ke data bisnis

Bagian ini memisahkan 3 hal: apa yang Wald tulis, apa yang orang tambahkan sesudahnya, dan apa yang riset bisnis temukan.

1. Data Wald: pesawat yang kembali, bukan pesawat yang jatuh

Abraham Wald bekerja di Statistical Research Group, Columbia University, selama Perang Dunia II. Pada 1943, kelompok itu menerbitkan 8 memo Wald untuk National Defense Research Committee. Judulnya "A Method of Estimating Plane Vulnerability Based on Damage of Survivors".

Masalah Wald adalah data yang tidak lengkap. Angkatan udara tahu jumlah pesawat yang berangkat. Mereka juga tahu jumlah lubang pada setiap pesawat yang kembali. Pesawat yang jatuh tidak dapat mereka periksa.

Wald menulis rumus untuk memperkirakan peluang pesawat jatuh dari data pesawat yang selamat saja. Menurut halaman katalog CNA, memo itu tidak pernah terbit di luar. Metodenya tetap dipakai untuk data Perang Korea dan Perang Vietnam. Center for Naval Analyses (CNA) mencetak ulang memo itu pada Juli 1980.

2. Contoh Wald: 400 pesawat, 359 kembali

Memo ke-5 memberi contoh hipotetis. 400 pesawat berangkat, dan 359 kembali. Dari 359 pesawat itu, 240 tanpa lubang, 68 punya 1 lubang, 29 punya 2 lubang, 12 punya 3 lubang, dan 10 punya 4 lubang. Totalnya 202 lubang.

Wald lalu membagi pesawat menjadi 4 bagian. Ia menganggap peluang lubang mengenai 1 bagian sama dengan bagian luasnya. Jadi bila semua lubang tidak berbahaya, mesin yang memakai 26,9% luas seharusnya membawa sekitar 26,9% lubang.

Pada pesawat yang kembali, mesin hanya membawa 19,3% lubang. Lubang mesin yang kurang itu ada di pesawat yang tidak kembali. Wald menghitung bahwa 1 lubang di mesin menjatuhkan pesawat pada 39% kasus, lawan 5% untuk badan pesawat.

Memo ke-8 memakai data hipotetis yang lebih rinci, dengan jenis peluru dan bagian pesawat. Menurut Wald, tabel seperti itu "can be used as guides for locating protective armor", atau dapat menjadi pedoman untuk menaruh pelindung. Jadi pelajarannya bukan "lindungi bagian tanpa lubang". Pelajarannya adalah bandingkan data yang selamat dengan data yang Anda harapkan dari seluruh kelompok.

3. Gambar pesawat bertitik merah bukan gambar Wald

Gambar pesawat abu-abu dengan titik merah sering menyertai kisah ini. Pada pembacaan kami, PDF memo Wald memuat teks, rumus, dan tabel. Kami tidak menemukan gambar pesawat di 100 halaman itu.

Menurut halaman berkasnya di Wikimedia Commons, gambar itu adalah ilustrasi pola kerusakan hipotetis. Deskripsinya menyebut laporan Wald tanpa ilustrasi, konsep gambar dari Cameron Moll (2005), versi baru dari McGeddon (2016), dan berkas vektor dari Martin Grandjean (2021). Jadi gambar itu berguna untuk mengajar, tetapi gambar itu bukan data perang.

Mangel dan Samaniego (1984) menulis ringkasan dan penjelasan memo Wald di Journal of the American Statistical Association. Menurut abstraknya, metode Wald dipakai pada Perang Dunia II, Perang Korea, dan Perang Vietnam. Kami tidak dapat membuka teks penuhnya.

4. Dana investasi: hanya dana yang hidup masuk data

Brown, Goetzmann, Ibbotson, dan Ross (1992) menguji klaim bahwa kinerja dana investasi masa lalu dapat meramal kinerja berikutnya. Menurut abstraknya, data yang hanya memuat dana yang bertahan dapat membuat kinerja tampak dapat diramal. Contoh angka mereka menunjukkan efek ini dapat menjelaskan bukti ramalan yang sudah terbit.

Carhart, Carpenter, Lynch, dan Musto (2002) mengukur biasnya. Bila data membuang dana yang tutup, kinerja rata-rata tampak lebih tinggi 0,07% per tahun pada sampel 1 tahun. Pada sampel lebih dari 15 tahun, bias itu naik ke 1% per tahun.

Untuk pemilik bisnis, artinya begini. Daftar "agensi nomor 1" atau "toko paling laris" yang hanya memuat yang masih hidup membuat juara lama tampak selalu juara. Data yang lebih panjang membuat bias itu lebih besar, bukan lebih kecil.

5. Usaha baru: sekitar 1 dari 3 bertahan 10 tahun

Tabel 7 data Business Employment Dynamics BLS mengikuti setiap kelompok tempat usaha swasta di AS sejak tahun buka. BLS menghitung umur dari tanggal pertama tempat usaha mencatat karyawan, menurut FAQ BLS. Data ini mengukur tempat usaha, jadi cabang baru dari 1 perusahaan dihitung sebagai 1 tempat usaha baru.

Dari 732.856 tempat usaha yang buka sampai Maret 2016, 50,7% masih buka sesudah 5 tahun. Sesudah 10 tahun, angkanya 34,2%. Sektor akomodasi dan makanan dan jasa profesional, ilmiah, dan teknis punya kurva sendiri, tetapi polanya sama: kelompok itu menyusut setiap tahun.

Jadi kisah sukses yang berumur 10 tahun berasal dari sekitar 1 dari 3 usaha yang memulai. 2 dari 3 usaha lain tidak bercerita. Data ini berasal dari AS, jadi pakai angkanya sebagai skala, bukan sebagai peluang pasti untuk usaha di Indonesia.

6. Manajemen: praktik berisiko tampak bagus pada yang bertahan

Denrell (2003) menjelaskan dampak bias ini pada nasihat bisnis. Organisasi yang dapat Anda amati adalah sisa dari proses seleksi. Buku dan media bisnis juga cenderung memilih organisasi yang sukses.

Akibatnya, praktik berisiko dapat tampak berhubungan dengan sukses pada sampel yang bertahan. Hal ini dapat terjadi walau praktik itu tidak berhubungan dengan kinerja pada seluruh populasi. Contohnya adalah pinjaman besar, ekspansi cepat, atau semua uang pada 1 kanal.

Penjelasannya sederhana. Praktik berisiko memberi hasil yang lebar: sebagian usaha naik tinggi, sebagian jatuh. Yang jatuh hilang dari sampel. Yang naik tinggi menjadi kisah sukses.

7. Batas bukti

Contoh Wald adalah data hipotetis dengan asumsi yang ia tulis sendiri. Abstrak Brown dkk. dan Carhart dkk. membahas dana investasi AS, bukan UMKM. Data BLS berasal dari AS dan hanya menghitung tempat usaha yang punya karyawan.

Rekomendasi Rama Digital: pakai kisah sukses sebagai ide untuk diuji, bukan sebagai bukti. Uji ide itu dengan penyebut, data yang gagal, dan uji kecil di bisnis Anda sendiri.

Perbandingan: 5 sumber bukti yang menyaring kegagalan

Tabel ini memuat 5 sumber bukti yang sering pemilik bisnis tiru. Setiap baris memuat yang hilang, 1 pertanyaan cek, dan data pengganti.

Untuk iklan pesaing, ada 1 batas lagi. Menurut halaman Ad Library tools milik Meta, Ad Library menampilkan semua iklan yang aktif. Iklan isu sosial, pemilu, dan politik tetap tampil 7 tahun. Iklan yang tayang di Uni Eropa tetap tersimpan 1 tahun sesudah tayanganImpresiJumlah kali iklan atau halaman Anda tampil di layar orang. Impresi bukan jumlah orang dan bukan jumlah pencarian.Buka glosarium terakhir.

Halaman itu tidak menjanjikan arsip untuk iklan biasa di luar Uni Eropa. Jadi daftar iklan pesaing yang Anda lihat condong ke iklan yang masih hidup. Iklan yang pesaing hentikan karena rugi biasanya tidak menjadi bukti di depan Anda.

Sebelum mulai: siapkan 5 hal

• 1 klaim sukses yang ingin Anda tiru, ditulis dalam 1 kalimat.
• Daftar usaha sejenis di kota atau pasar Anda, termasuk yang sudah tutup.
• Data order 3 bulan terakhir: pelanggan baru, pelanggan yang pesan lagi, dan refund.
• Daftar pelanggan yang sudah mengizinkan Anda menghubungi mereka.
• Batas anggaran uji dan 1 spreadsheet kosong.

Bila Anda belum punya data pesan ulang, mulai catat nomor pelanggan dan tanggal order dari minggu ini. Riwayat chat dan riwayat marketplace dapat menjadi sumber sementara.

Langkah 1: Tulis klaim yang ingin Anda tiru dan cari penyebutnya

Tulis klaim dalam 1 kalimat, misalnya "Brand X membuka 3 cabang dalam 12 bulan dan sukses". Di bawahnya, tulis pertanyaan penyebut: berapa usaha yang mencoba cara yang sama, dan berapa yang masih buka?

Penyebut adalah angka yang hilang dari kisah sukses. Tanpa penyebut, 1 kisah sukses dapat berasal dari 2 yang mencoba atau dari 200 yang mencoba. Sebagai skala, data BLS memberi sekitar 51 dari 100 usaha baru yang masih buka sesudah 5 tahun. Cek: klaim dan pertanyaan penyebut tertulis, dan Anda tahu di mana mencari daftar usaha yang mencoba.

Langkah 2: Cari yang gagal dan yang berhenti

Buat daftar usaha yang mencoba cara yang sama dalam 1 periode, misalnya tahun 2023. Cari yang masih buka dan yang sudah tutup. Tulis sumber untuk setiap baris.

Sumber yang dapat Anda pakai: label Tutup permanen (Permanently closed) di Google Maps, grup komunitas usaha, toko marketplace yang tidak aktif, dan akun Instagram yang berhenti posting. Tanya juga pemasok dan mantan karyawan, karena mereka melihat usaha yang tutup. Cek: tabel memuat yang berhasil dan yang gagal, dengan 1 sumber per baris.

Langkah 3: Bandingkan praktik pada kelompok berhasil dan gagal

Pilih 2 sampai 3 praktik dari kisah sukses itu, misalnya pinjaman besar, lokasi, atau lama berjualan online. Hitung berapa persen usaha yang berhasil memakai praktik itu, lalu berapa persen usaha yang gagal memakainya.

Bila praktik itu muncul sama sering pada kedua kelompok, praktik itu bukan pembeda. Ini adalah temuan Denrell (2003): praktik berisiko dapat tampak bagus hanya karena yang gagal hilang. Saat Anda menilai sukses Anda sendiri, tulis kasusnya sebagai kasus founder lain. Artikel tentang Solomon's paradox menjelaskan cara itu. Cek: setiap praktik punya 2 angka persen, 1 untuk yang berhasil dan 1 untuk yang gagal.

Langkah 4: Cari data yang hilang di bisnis Anda sendiri

Pakai cara Wald pada data Anda. Bandingkan suara dari kelompok yang bertahan dengan suara dari kelompok yang hilang. Contoh kelompok yang hilang: pelanggan yang tidak pesan lagi, lead yang tidak membalas, dan pembeli yang minta refund.

Kirim 1 pertanyaan singkat ke pelanggan yang hilang, misalnya "Apa 1 alasan Anda belum pesan lagi?". Kirim hanya ke orang yang sudah mengizinkan Anda menghubungi mereka. Lalu bandingkan isi jawaban dengan isi ulasan. Topik yang jarang muncul di ulasan tetapi sering muncul di jawaban adalah "lubang mesin" bisnis Anda. Cek: Anda punya minimal 30 jawaban dan 1 tabel perbandingan topik.

Langkah 5: Uji kecil dengan batas berhenti sebelum meniru penuh

Sebelum meniru penuh, jalankan uji kecil. Tulis 3 hal sebelum uji mulai: anggaran, tanggal selesai, dan batas berhenti. Contoh: Rp 1.500.000 untuk 14 hari, berhenti bila biaya per order di atas Rp 40.000.

Batas berhenti melindungi Anda dari sunk cost fallacy: uang yang sudah keluar bukan alasan untuk lanjut. Tanggal selesai menahan uji supaya tidak memanjang. Artikel tentang hukum Parkinson menjelaskan cara menghitung tenggat dari data. Cek: anggaran, tanggal selesai, dan batas berhenti tertulis sebelum uang pertama keluar.

Contoh simulasi: Sari dan brand kopi susu literan

Contoh ini memakai data dummy. Sari menjual kopi susu literan dengan 2 staf, lewat WhatsApp dan marketplace. Ia ingin meniru 3 hal: cabang cepat dari podcast founder, iklan gratis ongkir dari pesaing, dan testimoni pesaing.

Untuk klaim cabang cepat, Sari mendaftar 12 brand di kotanya yang membuka cabang ke-3 dalam 12 bulan pada 2023. Pada Oktober, 4 brand masih buka semua cabang. 5 brand menutup 1 cabang atau lebih, dan 3 brand tutup total.

Pinjaman besar muncul pada 75% brand yang bertahan dan 75% brand yang gagal. Jadi pinjaman bukan pembeda. Lama berjualan online muncul pada 100% brand yang bertahan dan 25% brand yang gagal. 12 brand terlalu sedikit untuk bukti, jadi Sari memakai temuan ini sebagai hipotesis.

Untuk testimoni, Sari membuka data tokonya sendiri. Dari Juli sampai September, ia mendapat 900 pelanggan baru. 300 pelanggan pesan lagi dalam 30 hari, atau 33%. 600 pelanggan tidak pesan lagi.

Ulasan hampir semuanya datang dari pelanggan yang pesan lagi. Di ulasan, keluhan pengiriman hanya 10%. Di jawaban pelanggan yang hilang, keluhan pengiriman adalah 55%. Ini sama dengan lubang mesin di contoh Wald: masalah itu jarang terlihat karena pelanggannya sudah pergi.

Uji iklan gratis ongkir memberi 28 order dari Rp 1.500.000, atau Rp 53.571 per order. Angka itu di atas batas Rp 40.000, jadi Sari menghentikan iklan pada hari ke-14. Iklan pesaing mungkin untung karena biaya pesaing berbeda, atau mungkin rugi. Sari tidak perlu tahu jawabannya untuk mengambil keputusan.

Perbaikan botol dan kurir menaikkan pelanggan yang pesan lagi dari 33% ke 42%. Angka ini contoh, dan hasil bisnis Anda dapat berbeda.

Checklist untuk 30 hari pertama

1. Tulis 1 klaim sukses yang ingin Anda tiru dan pertanyaan penyebutnya. Pemilik: Anda. Bukti: 1 kalimat klaim dan 1 kalimat pertanyaan.
2. Daftar usaha yang mencoba cara yang sama, termasuk yang tutup. Pemilik: Anda atau 1 staf. Bukti: tabel dengan sumber per baris.
3. Hitung persen praktik pada kelompok berhasil dan gagal. Pemilik: Anda. Bukti: tabel 2 kelompok.
4. Kirim 1 pertanyaan ke pelanggan yang tidak pesan lagi dan sudah memberi izin. Pemilik: admin chat. Bukti: minimal 30 jawaban.
5. Bandingkan topik di ulasan dengan topik di jawaban pelanggan yang hilang. Pemilik: Anda. Bukti: tabel topik dan persen.
6. Tulis anggaran, tanggal selesai, dan batas berhenti untuk uji kecil. Pemilik: pemilik anggaran. Bukti: catatan bertanggal sebelum uji mulai.
7. Ukur pelanggan yang pesan lagi sebelum dan sesudah perbaikan. Pemilik: Anda. Bukti: 2 angka persen dengan periode yang sama panjang.
8. Hentikan uji saat biaya per order melewati batas, atau saat tanggal selesai tiba tanpa hasil di bawah batas. Pemilik: pemilik anggaran. Bukti: catatan keputusan bertanggal.

Kapan kisah sukses tetap berguna

Kisah sukses berguna sebagai sumber ide dan sebagai contoh cara kerja. Kisah sukses juga berguna saat penyebutnya diketahui, misalnya data semua peserta program, bukan hanya alumni yang sukses.

Kisah sukses lemah sebagai bukti sebab. Hati-hati pada 3 tanda: tidak ada angka penyebut, tidak ada contoh yang gagal, dan praktiknya berisiko tinggi. Saat 3 tanda itu muncul, turunkan klaim itu menjadi hipotesis dan jalankan uji kecil.

Bias ini juga bukan alasan untuk menolak semua nasihat. Founder yang gagal juga dapat salah menilai sebab kegagalannya. Tujuannya adalah melihat kedua kelompok, bukan memilih 1 kelompok yang lain.

Pertanyaan yang sering diajukan

Apa itu survivorship bias? Survivorship bias adalah kesalahan menarik kesimpulan hanya dari yang bertahan, karena yang gagal sudah hilang dari data. Contohnya adalah meniru founder sukses tanpa melihat founder yang memakai cara sama lalu tutup.

Apa contoh survivorship bias dalam bisnis? Contohnya adalah meniru kisah sukses di podcast, membaca testimoni pesaing, meniru iklan pesaing yang masih jalan, dan membaca ulasan pelanggan yang pesan lagi saja. Di setiap contoh, kelompok yang gagal atau pergi tidak terlihat.

Apakah kisah pesawat Abraham Wald itu nyata? Memo Wald nyata. Statistical Research Group menerbitkan 8 memo itu pada 1943, dan CNA mencetak ulang pada 1980. Contoh angka di memo itu hipotetis, dan gambar pesawat bertitik merah adalah ilustrasi modern dari 2005 sampai 2021.

Apa beda survivorship bias dan selection bias? Selection bias muncul saat sampel tidak mewakili seluruh populasi. Survivorship bias adalah 1 jenis selection bias: proses yang menyaring sampel adalah bertahan atau tidak bertahan.

Bagaimana mencari data yang gagal bila pesaing tidak membukanya? Pakai sumber publik seperti label Tutup permanen di Google Maps, grup komunitas, dan toko marketplace yang tidak aktif. Untuk keputusan di bisnis Anda, data paling kuat adalah data pelanggan Anda sendiri yang pergi.

Berapa banyak usaha baru yang bertahan? Di AS, 50,7% tempat usaha yang buka sampai Maret 2016 masih buka sesudah 5 tahun, dan 34,2% sesudah 10 tahun, menurut Tabel 7 BLS. Angka Indonesia dapat berbeda.

Langkah berikutnya

Batas tetap berlaku: contoh Wald hipotetis, dan data BLS berasal dari AS. Data yang paling sering hilang di bisnis kecil adalah data pembeli yang pergi dan lead yang tidak membalas. Data Health Audit memeriksa GA4GA4Alat analitik Google yang mencatat kunjungan dan tindakan di situs Anda dalam bentuk event.Apa itu Google Analytics 4 (GA4)?, PixelPixelPotongan kode di halaman web yang memberi tahu platform iklan bahwa seseorang membuka halaman atau melakukan tindakan.Apa itu Meta Pixel?, CAPICAPIJalur server yang mengirim data konversi dari sistem Anda ke platform iklan, tanpa bergantung pada browser pembeli.Apa itu Conversions API (CAPI)?, UTMUTMLabel yang Anda tempel pada alamat halaman untuk menandai sumber kunjungan, misalnya campaign dan channel.Buka glosarium, dan event selama 1 minggu, lalu memberi daftar celah data dan prioritas perbaikan. Jadwalkan sesi 30 menit bila Anda ingin membahas 1 klaim sukses yang ingin Anda tiru bersama kami.

Sumber

• Abraham Wald, "A Method of Estimating Plane Vulnerability Based on Damage of Survivors", Statistical Research Group, Columbia University, 1943, memo SRG 85, 87, 88, 89, 96, 103, 109, dan 126. Kami membaca teks penuh cetak ulang memo Wald oleh CNA (CRC 432, Juli 1980), 100 halaman. Lihat juga halaman katalog CNA.
• Mangel dan Samaniego (1984). "Abraham Wald's Work on Aircraft Survivability", Journal of the American Statistical Association 79(386), hlm. 259 sampai 267. Kami membaca abstraknya.
• Brown, Goetzmann, Ibbotson, dan Ross (1992). "Survivorship Bias in Performance Studies", The Review of Financial Studies 5(4), hlm. 553 sampai 580. Kami membaca abstraknya di RePEc.
• Carhart, Carpenter, Lynch, dan Musto (2002). "Mutual Fund Survivorship", The Review of Financial Studies 15(5), hlm. 1439 sampai 1463. Kami membaca abstraknya.
• Denrell (2003). "Vicarious Learning, Undersampling of Failure, and the Myths of Management", Organization Science 14(3), hlm. 227 sampai 243. Kami membaca abstraknya.
• U.S. Bureau of Labor Statistics, Business Employment Dynamics, Tabel 7 data Business Employment Dynamics BLS, semua sektor swasta, data sampai Maret 2026. Kami membaca tabel penuh, juga tabel sektor akomodasi dan makanan dan jasa profesional, ilmiah, dan teknis, dan FAQ BLS.
• Wikimedia Commons, berkas "Survivorship-bias.svg", halaman berkasnya di Wikimedia Commons. Kami membaca deskripsi dan riwayat berkas.
• Meta, halaman Ad Library tools milik Meta. Kami membaca aturan tampilan iklan.

Semua sumber dibuka pada 29 Oktober 2026.