{"id":4552,"date":"2026-10-15T15:13:58","date_gmt":"2026-10-15T14:13:58","guid":{"rendered":"https:\/\/www.gironi.it\/blog\/?p=4552"},"modified":"2026-10-15T15:13:58","modified_gmt":"2026-10-15T14:13:58","slug":"survivorship-bias","status":"publish","type":"post","link":"https:\/\/www.gironi.it\/blog\/survivorship-bias\/","title":{"rendered":"Survivorship bias: perch\u00e9 i case study di successo ci ingannano"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Lo abbiamo letto tutti, magari su LinkedIn con tanto di grafico in salita: \u00abAbbiamo riscritto i title di 300 pagine e in tre mesi il traffico \u00e8 cresciuto del 38%\u00bb. <br>Il case study \u00e8 onesto, i numeri sono veri, e la tentazione di copiare la ricetta \u00e8 fortissima. Ma c&#8217;\u00e8 una domanda che il post non si pone, e che conviene porsi al posto suo: <strong>quante altre aziende hanno fatto la stessa cosa, e com&#8217;\u00e8 andata a loro?<\/strong> <br>Chi ha riscritto i title e ha perso il 10% non scrive un case study. Non lo scrive nemmeno chi \u00e8 rimasto fermo. Il loro silenzio non \u00e8 un dettaglio: \u00e8 met\u00e0 dei dati.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nell&#8217;<a href=\"https:\/\/www.gironi.it\/blog\/p-value\/\">articolo sul p-value<\/a> abbiamo visto che anche i risultati \u00absignificativi\u00bb possono ingannarci. Qui l&#8217;inganno \u00e8 ancora pi\u00f9 semplice, e per questo pi\u00f9 insidioso: guardiamo solo chi ce l&#8217;ha fatta. Si chiama <strong>survivorship bias<\/strong>, il bias del sopravvissuto.<\/p>\n\n\n\n<!--more-->\n\n\n\n<p class=\"wp-block-paragraph\"><strong>In sintesi:<\/strong> il <strong>survivorship bias<\/strong> (in italiano <em>bias del sopravvissuto<\/em> o <em>di sopravvivenza<\/em>) \u00e8 l&#8217;errore che commettiamo quando traiamo conclusioni guardando solo i casi che hanno superato una selezione, ignorando quelli che sono stati scartati lungo la strada. Se la selezione dipende proprio dal risultato che stiamo misurando (si pubblica il case study solo se \u00e8 andata bene, resta online solo l&#8217;articolo che porta traffico) la media calcolata sui sopravvissuti \u00e8 distorta, a volte di molto. Lo si combatte chiedendosi sempre <strong>chi manca dal dataset e perch\u00e9<\/strong>, definendo il gruppo da studiare <em>prima<\/em> di conoscere l&#8217;esito e conservando i dati dei casi falliti.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Di cosa parleremo<\/strong>:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><a href=\"#cose\">Cos&#8217;\u00e8 il survivorship bias?<\/a><\/li><li><a href=\"#case-study\">Un esempio: 1.000 siti e 55 case study<\/a><\/li><li><a href=\"#cimitero\">Chi non torna non racconta<\/a><\/li><li><a href=\"#potatura\">Un secondo esempio: la potatura dei contenuti<\/a><\/li><li><a href=\"#dove\">Dove si nasconde il survivorship bias nella SEO<\/a><\/li><li><a href=\"#difendersi\">Come difendersi?<\/a><\/li><li><a href=\"#domande-frequenti\">Domande frequenti<\/a><\/li><li><a href=\"#prova-tu\">Prova tu<\/a><\/li><li><a href=\"#per-approfondire\">Per approfondire<\/a><\/li><\/ul>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"cose\">Cos&#8217;\u00e8 il survivorship bias?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La storia pi\u00f9 famosa arriva dalla Seconda guerra mondiale. A New York, alla Columbia University, lavorava lo <em>Statistical Research Group<\/em>, un gruppo di matematici al servizio delle forze armate americane; fra loro c&#8217;era <strong>Abraham Wald<\/strong>. <br>Il problema, nella versione che si racconta di solito, era questo: gli aerei che tornavano dalle missioni erano crivellati di colpi, ma non in modo uniforme. La fusoliera e le ali ne avevano molti, i motori pochissimi. Dove conveniva aggiungere la corazza, sapendo che non la si poteva mettere dappertutto senza appesantire troppo l&#8217;aereo?<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La risposta istintiva \u00e8 \u00abdove ci sono pi\u00f9 fori\u00bb. Wald propose l&#8217;esatto contrario: <strong>la corazza va dove i fori mancano<\/strong>. <br>Gli aerei osservati erano quelli <em>tornati<\/em>. Se sui motori dei sopravvissuti i colpi erano rari, non era perch\u00e9 i motori venissero colpiti poco: era perch\u00e9 gli aerei colpiti ai motori non tornavano. I fori mancanti erano sugli aerei abbattuti, che nessuno poteva contare.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">(La versione aneddotica semplifica parecchio: il lavoro di Wald fu un vero metodo matematico per stimare la vulnerabilit\u00e0 degli aerei a partire dai danni dei sopravvissuti. Ma il cuore del ragionamento \u00e8 proprio quello.)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dunque: <strong>il survivorship bias \u00e8 l&#8217;errore di trarre conclusioni solo dai casi che hanno superato una selezione, come se rappresentassero tutti.<\/strong> <br>Non \u00e8 un errore di calcolo: le medie sui sopravvissuti sono calcolate benissimo. \u00c8 un errore su <em>chi<\/em> entra nel calcolo. E diventa grave quando la selezione dipende dall&#8217;esito che ci interessa: gli aerei tornano <em>se<\/em> non sono stati colpiti nei punti vitali, il case study si pubblica <em>se<\/em> la strategia ha funzionato.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"case-study\">Un esempio: 1.000 siti e 55 case study<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Costruiamo l&#8217;esempio per simulazione, cos\u00ec conosciamo la verit\u00e0. Mille siti fanno la stessa modifica, per esempio riscrivono i title delle pagine principali, e <strong>la modifica non serve a niente<\/strong>: la variazione di traffico nei tre mesi successivi \u00e8 puro rumore, la normale oscillazione di un sito da un trimestre all&#8217;altro (la simuliamo con una deviazione standard del 15% circa). <br>Poi facciamo quello che succede nella realt\u00e0: scrive il case study solo chi ha visto almeno un +25%.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Genero i dati in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>set.seed(42)\nn_siti &lt;- 1000\nvar_trim1 &lt;- exp(rnorm(n_siti, 0, 0.15)) - 1   # variazione del traffico in tre mesi\npubblica  &lt;- var_trim1 &gt;= 0.25                  # chi racconta il successo<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">(Il rumore \u00e8 generato sulla scala logaritmica e poi riportato in percentuale: cos\u00ec un sito pu\u00f2 perdere al massimo il 100%, ma guadagnare anche pi\u00f9 del 100%, come accade al traffico vero.)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Calcoliamo prima la verit\u00e0, cio\u00e8 la media su tutti i mille siti, e la quota di quelli che sono migliorati:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>round(100 * mean(var_trim1), 1)       # variazione media, in %\n# [1] 0.7\nround(100 * mean(var_trim1 &gt; 0), 1)   # % di siti migliorati\n# [1] 48.5<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Come ci si aspetta da una modifica inutile, la media \u00e8 praticamente zero (+0,7%) e <strong>pi\u00f9 della met\u00e0 dei siti \u00e8 peggiorata<\/strong>. Ora guardiamo il mondo come lo vediamo noi, cio\u00e8 attraverso i case study pubblicati:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>sum(pubblica)                              # quanti case study\n# [1] 55\nround(100 * mean(var_trim1[pubblica]), 1)  # variazione media raccontata\n# [1] 34.9\nround(100 * range(var_trim1[pubblica]), 1)\n# [1] 25.1 68.9<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Escono 55 case study, con una crescita media del <strong>+34,9%<\/strong> e punte fino al +68,9%. Il 100% dei case study racconta un successo, mentre fra tutti i siti i successi sono stati meno della met\u00e0. <br>Il lettore che li raccoglie tutti e ne fa la media, scrupolosamente, conclude che riscrivere i title vale un +35% di traffico. <strong>Ogni singolo numero \u00e8 vero, e la conclusione \u00e8 completamente falsa.<\/strong><\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" src=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/10\/survivorship-case-study.png\" alt=\"La variazione di traffico dei 1.000 siti che hanno fatto la stessa modifica inutile. La distribuzione \u00e8 centrata sullo zero; i 55 siti oltre il +25% (evidenziati) sono gli unici che pubblicano un case study, e la media che leggiamo \u00e8 la loro.\"\/><figcaption class=\"wp-element-caption\">La variazione di traffico dei 1.000 siti che hanno fatto la stessa modifica inutile. La distribuzione \u00e8 centrata sullo zero; i 55 siti oltre il +25% (evidenziati) sono gli unici che pubblicano un case study, e la media che leggiamo \u00e8 la loro.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">C&#8217;\u00e8 un modo semplice per smascherare l&#8217;inganno: chiedere ai 55 vincitori come \u00e8 andato il trimestre successivo. Se la ricetta funzionasse, dovrebbero continuare a crescere. Simulo un altro trimestre di rumore:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>var_trim2 &lt;- exp(rnorm(n_siti, 0, 0.15)) - 1   # il trimestre dopo\nround(100 * mean(var_trim2[pubblica]), 1)      # i 55 vincitori, tre mesi dopo\n# [1] 2.2\nsum(var_trim2[pubblica] &gt;= 0.25)               # quanti si ripetono\n# [1] 4<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">I vincitori tornano sulla media di tutti (+2,2%), e solo 4 su 55 replicano il successo, pi\u00f9 o meno quanti ci si aspetterebbe dal caso. \u00c8 la <a href=\"https:\/\/www.gironi.it\/blog\/regressione-verso-la-media\/\">regressione verso la media<\/a>, che abbiamo gi\u00e0 incontrato: chi \u00e8 stato selezionato per un risultato estremo, alla misura successiva, tende a tornare nella norma. <strong>Survivorship bias e regressione verso la media sono due facce dello stesso problema: abbiamo scelto i casi guardando l&#8217;esito.<\/strong><\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"cimitero\">Chi non torna non racconta<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;idea \u00e8 antichissima. Cicerone racconta che al filosofo Diagora di Melo, a Samotracia, mostrarono le tavolette votive dipinte da chi era sopravvissuto a un naufragio dopo aver pregato gli d\u00e8i: non era forse la prova che le preghiere funzionano? Diagora rispose chiedendo dove fossero i ritratti di quelli che avevano pregato ed erano annegati. <br>Nassim Taleb chiama questo insieme di dati invisibili il <em>cimitero silenzioso<\/em>: i casi che non ce l&#8217;hanno fatta non scrivono, non dipingono tavolette, non tornano alla base. E proprio perch\u00e9 sono silenziosi, ci dimentichiamo che esistono.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il punto delicato \u00e8 che il cimitero silenzioso non si vede <em>per costruzione<\/em>. Non \u00e8 un dato mancante per distrazione, che con un po&#8217; di cura si pu\u00f2 recuperare: \u00e8 il meccanismo stesso che produce i dati a escluderlo. Nessun case study ci dir\u00e0 mai quanti altri hanno provato la stessa cosa.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"potatura\">Un secondo esempio: la potatura dei contenuti<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Il survivorship bias non ha bisogno di LinkedIn: pu\u00f2 nascere dentro i nostri stessi dati. Prendiamo un blog che pubblica 100 articoli all&#8217;anno dal 2020 al 2025. Ogni anno fa un audit dei contenuti, quella che in gergo si chiama <em>content pruning<\/em>: gli articoli che hanno almeno un anno e portano meno di 30 visite al mese vengono rimossi (o messi in noindex) con probabilit\u00e0 1\/2, perch\u00e9 qualcuno li giudica recuperabili e qualcun altro no. <br>Nella simulazione, e questo \u00e8 il punto, <strong>il traffico di un articolo non dipende in alcun modo dall&#8217;anno in cui \u00e8 stato scritto<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Costruisco il blog in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>set.seed(2025)\nanni &lt;- 2020:2025\npost &lt;- data.frame(anno = rep(anni, each = 100))\npost$visite &lt;- round(rlnorm(nrow(post), log(40), 1.1))   # visite al mese\npost$online &lt;- TRUE\nfor (audit in 2021:2025) {\n  candidati &lt;- post$online &amp; post$anno &lt; audit &amp; post$visite &lt; 30\n  post$online[candidati &amp; runif(nrow(post)) &lt; 0.5] &lt;- FALSE\n}<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il traffico segue una distribuzione log-normale, come accade di solito: molti articoli con poche visite, pochi articoli con moltissime. Proprio per questo come misura riassuntiva usiamo la mediana e non la media, che i pochi articoli di grande successo trascinerebbero verso l&#8217;alto.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un anno dopo l&#8217;ultimo audit, qualcuno si chiede se convenga puntare sui contenuti <em>evergreen<\/em>. Estrae dal CMS gli articoli online e calcola le visite mediane per anno di pubblicazione:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>online &lt;- post[post$online, ]\ntapply(online$visite, online$anno, median)\n#  2020 2021 2022 2023 2024 2025\n#  78.0 78.5 73.0 54.0 54.0 41.5<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il risultato sembra netto: gli articoli del 2020 portano quasi il doppio delle visite di quelli del 2025. \u00abI contenuti invecchiano bene, il traffico si accumula col tempo\u00bb. Ora guardiamo la stessa tabella su <strong>tutti<\/strong> gli articoli mai pubblicati, compresi quelli rimossi:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>tapply(post$visite, post$anno, median)\n#  2020 2021 2022 2023 2024 2025\n#  38.0 38.0 43.0 38.0 40.5 41.5<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">La crescita sparisce: l&#8217;anno di pubblicazione non conta niente, come avevamo stabilito. L&#8217;effetto \u00abet\u00e0\u00bb era interamente prodotto dagli audit. Gli articoli del 2020 hanno sub\u00ecto cinque potature e ne \u00e8 rimasto il 62%, i pi\u00f9 forti; quelli del 2025 non ne hanno subita nessuna e sono tutti l\u00ec, deboli compresi. <strong>Confrontando gruppi che hanno sub\u00ecto selezioni diverse, abbiamo misurato la selezione, non i contenuti.<\/strong><\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" src=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/10\/survivorship-potatura.png\" alt=\"Visite mensili mediane per anno di pubblicazione. Su tutti gli articoli (linea tratteggiata) il traffico non dipende dall'anno; sugli articoli ancora online (linea continua) sembra crescere con l'et\u00e0, perch\u00e9 i vecchi articoli deboli sono stati rimossi e i nuovi no. In basso, la quota di articoli sopravvissuti agli audit.\"\/><figcaption class=\"wp-element-caption\">Visite mensili mediane per anno di pubblicazione. Su tutti gli articoli (linea tratteggiata) il traffico non dipende dall&#8217;anno; sugli articoli ancora online (linea continua) sembra crescere con l&#8217;et\u00e0, perch\u00e9 i vecchi articoli deboli sono stati rimossi e i nuovi no. In basso, la quota di articoli sopravvissuti agli audit.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">C&#8217;\u00e8 un&#8217;ironia sottile: proprio chi lavora bene, e fa pulizia regolarmente, si costruisce un archivio che mente. E la menzogna \u00e8 comoda, perch\u00e9 conferma che i contenuti vecchi sono preziosi e che la potatura ha funzionato.<\/p>\n\n\n\n<div class=\"wp-block-group has-background\" style=\"background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1.5rem;padding-left:1.5rem\"><div class=\"wp-block-group__inner-container is-layout-flow wp-block-group-is-layout-flow\">\n<p>Un avvertimento: <strong>prima di guardare un risultato, chiediamoci chi \u00e8 uscito dal dataset, e perch\u00e9.<\/strong> <br>Se l&#8217;uscita dipende dall&#8217;esito che stiamo misurando (il traffico, le conversioni, il successo di una strategia), qualunque media calcolata su chi \u00e8 rimasto \u00e8 distorta, e nessun test statistico, per quanto raffinato, se ne accorger\u00e0: il test lavora sui dati che gli diamo, non su quelli che mancano.<\/p>\n<\/div><\/div>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"dove\">Dove si nasconde il survivorship bias nella SEO<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Una volta imparato a riconoscerlo, lo si trova dappertutto. Qualche esempio dalla pratica quotidiana:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><strong>Gli studi sui fattori di ranking.<\/strong> Periodicamente esce lo studio che misura le pagine in prima posizione: tante parole in media, tante immagini, tanti backlink. Ma lo studio guarda solo le prime dieci posizioni: quante pagine con le stesse caratteristiche stanno in quarta pagina? Senza di loro non sappiamo se quelle caratteristiche distinguono i vincitori o sono semplicemente comuni a tutti. (\u00c8 anche un problema di <a href=\"https:\/\/www.gironi.it\/blog\/correlazione\/\">correlazione scambiata per causazione<\/a>, ma il primo vizio \u00e8 nel campione.)<\/li><li><strong>\u00abCosa hanno in comune i siti che hanno superato il core update\u00bb.<\/strong> Senza guardare i siti con le stesse caratteristiche che invece sono crollati, l&#8217;elenco delle virt\u00f9 dei sopravvissuti non dimostra niente.<\/li><li><strong>Search Console.<\/strong> Mostra le pagine e le query che hanno ottenuto impressioni: le pagine che Google non mostra mai non compaiono, e le query anonimizzate per privacy nemmeno. Le tabelle dell&#8217;interfaccia, inoltre, si fermano alle prime mille righe. Analizzare \u00able pagine del sito\u00bb partendo da l\u00ec significa analizzare le pagine che gi\u00e0 funzionano.<\/li><li><strong>Le best practice degli A\/B test.<\/strong> Le raccolte di \u00abtest vincenti\u00bb raccontano le varianti che hanno vinto, non le dieci identiche che hanno perso altrove. E i vincitori di un <a href=\"https:\/\/www.gironi.it\/blog\/ab-testing\/\">A\/B test<\/a> fermato al momento giusto, come abbiamo visto parlando di <a href=\"https:\/\/www.gironi.it\/blog\/peeking-problem\/\">peeking<\/a>, sono sopravvissuti doppiamente selezionati.<\/li><li><strong>I portfolio e le testimonianze.<\/strong> Un&#8217;agenzia mostra i clienti cresciuti, non quelli persi; un corso mostra gli studenti che hanno trovato lavoro. Non \u00e8 disonest\u00e0: \u00e8 il modo in cui funziona la vetrina. Ma la vetrina non \u00e8 il magazzino.<\/li><li><strong>I dataset dei tool.<\/strong> I domini scaduti, i siti chiusi, le pagine eliminate escono silenziosamente dagli indici di backlink e di visibilit\u00e0. Un trend storico calcolato sui siti attivi oggi \u00e8 un trend dei sopravvissuti.<\/li><\/ul>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"difendersi\">Come difendersi?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Non esiste una formula che corregga il survivorship bias dopo il fatto: se i casi scartati sono persi, nessun calcolo li restituisce. Esistono per\u00f2 abitudini che lo prevengono.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Definire il gruppo prima di conoscere l&#8217;esito.<\/strong> \u00c8 la lezione del secondo esempio. Se vogliamo sapere come rendono gli articoli del 2020, il gruppo giusto \u00e8 <em>tutti gli articoli pubblicati nel 2020<\/em>, non quelli ancora online. Gli epidemiologi lo chiamano studio di coorte: si segue tutto il gruppo dall&#8217;inizio, morti compresi. Nella simulazione, \u00e8 esattamente la differenza fra la linea tratteggiata e quella continua.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Chiedere il denominatore.<\/strong> Davanti a un successo, la domanda \u00e8 sempre \u00absu quanti tentativi?\u00bb. Cinquantacinque case study entusiasti su mille tentativi raccontano una storia molto diversa da cinquantacinque su sessanta. Se il denominatore non \u00e8 noto, la conclusione onesta \u00e8 che non sappiamo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Conservare i morti.<\/strong> Nel nostro lavoro il cimitero silenzioso si pu\u00f2, in parte, conservare: le vecchie sitemap, l&#8217;elenco degli URL rimossi o reindirizzati con la data, gli export completi di Search Console scaricati regolarmente, i risultati di <em>tutti<\/em> gli A\/B test, non solo dei vincenti. Costa poco, e trasforma un archivio che mente in uno che si pu\u00f2 interrogare.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Confrontare con chi non ha fatto niente.<\/strong> Il modo migliore per sapere se una modifica funziona \u00e8 confrontare le pagine modificate con pagine simili lasciate com&#8217;erano, scelte prima di guardare i risultati: \u00e8 l&#8217;idea dello <a href=\"https:\/\/www.gironi.it\/blog\/split-test-seo\/\">split test SEO<\/a>. Il gruppo di controllo \u00e8, in un certo senso, il cimitero che ci costruiamo apposta.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Diffidare degli effetti grandi selezionati per successo.<\/strong> Quando un risultato ci arriva perch\u00e9 \u00e8 stato eccezionale, aspettiamoci che alla prova successiva sia meno eccezionale. Non \u00e8 pessimismo: \u00e8 quello che abbiamo visto accadere ai 55 vincitori.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"domande-frequenti\">Domande frequenti<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Qual \u00e8 l&#8217;esempio pi\u00f9 famoso di survivorship bias?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Quello degli aerei della Seconda guerra mondiale analizzati dal matematico Abraham Wald. Gli aerei che tornavano avevano pochi colpi sui motori, e la tentazione era corazzare le parti pi\u00f9 colpite. Wald cap\u00ec che i colpi sui motori mancavano perch\u00e9 gli aerei colpiti l\u00ec non tornavano: la corazza andava messa proprio dove, sui sopravvissuti, i fori non c&#8217;erano.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Survivorship bias e bias di selezione sono la stessa cosa?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Il survivorship bias \u00e8 un caso particolare del bias di selezione. Il bias di selezione si ha ogni volta che il campione analizzato non rappresenta la popolazione di interesse; nel survivorship bias il campione \u00e8 formato da chi ha superato una selezione, e la selezione dipende di solito dall&#8217;esito stesso, come il successo o la permanenza nel tempo.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Come si dice survivorship bias in italiano?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Si usano <em>bias del sopravvissuto<\/em>, <em>bias di sopravvivenza<\/em> o <em>distorsione da sopravvivenza<\/em>. Il termine inglese resta il pi\u00f9 diffuso, anche nei testi italiani.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Perch\u00e9 i case study di successo sono poco affidabili?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Non perch\u00e9 siano falsi, ma perch\u00e9 sono selezionati: si pubblicano quando la strategia ha funzionato, e restano nel cassetto quando non ha funzionato. Una raccolta di case study mostra quindi solo la coda fortunata dei risultati, e la media dei successi raccontati pu\u00f2 essere molto lontana dall&#8217;effetto reale, che pu\u00f2 anche essere nullo.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Si pu\u00f2 correggere il survivorship bias dopo aver raccolto i dati?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Solo se si recuperano le informazioni sui casi esclusi, o se si conosce con precisione il meccanismo che li ha esclusi e lo si pu\u00f2 modellare. Se gli esclusi sono semplicemente spariti, nessuna tecnica statistica li restituisce: per questo conviene prevenirlo, definendo il gruppo da studiare prima di conoscere l&#8217;esito e conservando i dati dei casi falliti.<\/p>\n\n\n\n<script type=\"application\/ld+json\">{\"@context\": \"https:\/\/schema.org\", \"@type\": \"FAQPage\", \"mainEntity\": [{\"@type\": \"Question\", \"name\": \"Qual \u00e8 l'esempio pi\u00f9 famoso di survivorship bias?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Quello degli aerei della Seconda guerra mondiale analizzati dal matematico Abraham Wald. Gli aerei che tornavano avevano pochi colpi sui motori, e la tentazione era corazzare le parti pi\u00f9 colpite. Wald cap\u00ec che i colpi sui motori mancavano perch\u00e9 gli aerei colpiti l\u00ec non tornavano: la corazza andava messa proprio dove, sui sopravvissuti, i fori non c'erano.\"}}, {\"@type\": \"Question\", \"name\": \"Survivorship bias e bias di selezione sono la stessa cosa?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Il survivorship bias \u00e8 un caso particolare del bias di selezione. Il bias di selezione si ha ogni volta che il campione analizzato non rappresenta la popolazione di interesse; nel survivorship bias il campione \u00e8 formato da chi ha superato una selezione, e la selezione dipende di solito dall'esito stesso, come il successo o la permanenza nel tempo.\"}}, {\"@type\": \"Question\", \"name\": \"Come si dice survivorship bias in italiano?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Si usano bias del sopravvissuto, bias di sopravvivenza o distorsione da sopravvivenza. Il termine inglese resta il pi\u00f9 diffuso, anche nei testi italiani.\"}}, {\"@type\": \"Question\", \"name\": \"Perch\u00e9 i case study di successo sono poco affidabili?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Non perch\u00e9 siano falsi, ma perch\u00e9 sono selezionati: si pubblicano quando la strategia ha funzionato, e restano nel cassetto quando non ha funzionato. Una raccolta di case study mostra quindi solo la coda fortunata dei risultati, e la media dei successi raccontati pu\u00f2 essere molto lontana dall'effetto reale, che pu\u00f2 anche essere nullo.\"}}, {\"@type\": \"Question\", \"name\": \"Si pu\u00f2 correggere il survivorship bias dopo aver raccolto i dati?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Solo se si recuperano le informazioni sui casi esclusi, o se si conosce con precisione il meccanismo che li ha esclusi e lo si pu\u00f2 modellare. Se gli esclusi sono semplicemente spariti, nessuna tecnica statistica li restituisce: per questo conviene prevenirlo, definendo il gruppo da studiare prima di conoscere l'esito e conservando i dati dei casi falliti.\"}}]}<\/script>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"prova-tu\">Prova tu<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Il codice dell&#8217;articolo si presta a qualche esperimento.<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>Si abbassa la soglia di pubblicazione dal +25% al +10% (<code>pubblica &lt;- var_trim1 &gt;= 0.10<\/code>): quanti case study escono ora, e quanto vale la loro media? La distorsione si riduce, ma sparisce?<\/li><li>Si d\u00e0 alla modifica un effetto vero ma piccolo, del +3%, aggiungendo <code>log(1.03)<\/code> alla media di <code>rnorm()<\/code>. Di quante volte i case study pubblicati esagerano l&#8217;effetto reale?<\/li><li>Nella potatura si porta la probabilit\u00e0 di rimozione da 1\/2 a 1 (<code>runif(nrow(post)) &lt; 1<\/code>): come cambia la tabella degli articoli online? E se la soglia passa da 30 a 60 visite?<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;ultimo esperimento \u00e8 il pi\u00f9 istruttivo: pi\u00f9 la potatura \u00e8 severa, pi\u00f9 l&#8217;archivio \u00abdimostra\u00bb che i contenuti vecchi sono migliori, senza che sia cambiato niente nei contenuti.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<p class=\"wp-block-paragraph\">Abbiamo visto che guardare solo chi \u00e8 sopravvissuto alla selezione distorce le medie, anche quando ogni dato \u00e8 vero. C&#8217;\u00e8 una trappola parente, che ci aspetta ogni volta che una notizia ci sembra molto pi\u00f9 probabile di quanto sia: dimenticare quanto \u00e8 raro, in partenza, l&#8217;evento che stiamo cercando. Un test accurato al 99%, se l&#8217;evento che cerca \u00e8 abbastanza raro, pu\u00f2 sbagliare la maggior parte delle volte che d\u00e0 l&#8217;allarme. \u00c8 la <em>base rate fallacy<\/em>, e sar\u00e0 la prossima tappa del nostro viaggio tra le trappole dei dati.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"per-approfondire\">Per approfondire<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Sul ruolo del caso nel successo e sui sopravvissuti che scambiamo per vincitori, consiglio <a href=\"https:\/\/www.amazon.it\/dp\/8842820237?tag=consulenzeinf-21&amp;ascsubtag=survivorship-bias\" rel=\"nofollow sponsored noopener\" target=\"_blank\"><em>Giocati dal caso<\/em><\/a> di Nassim Nicholas Taleb: un libro brillante e polemico, nato nel mondo della finanza ma perfetto per chi deve giudicare strategie, case study e consulenti a partire dai loro risultati.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Lo abbiamo letto tutti, magari su LinkedIn con tanto di grafico in salita: \u00abAbbiamo riscritto i title di 300 pagine e in tre mesi il traffico \u00e8 cresciuto del 38%\u00bb. Il case study \u00e8 onesto, i numeri sono veri, e la tentazione di copiare la ricetta \u00e8 fortissima. Ma c&#8217;\u00e8 una domanda che il post &hellip; <a href=\"https:\/\/www.gironi.it\/blog\/survivorship-bias\/\" class=\"more-link\">Leggi tutto<span class=\"screen-reader-text\"> &#8220;Survivorship bias: perch\u00e9 i case study di successo ci ingannano&#8221;<\/span><\/a><\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","footnotes":""},"categories":[629],"tags":[],"class_list":["post-4552","post","type-post","status-publish","format-standard","hentry","category-statistica-it"],"lang":"it","translations":{"it":4552,"en":4555},"uagb_featured_image_src":{"full":false,"thumbnail":false,"medium":false,"medium_large":false,"large":false,"1536x1536":false,"2048x2048":false,"post-thumbnail":false},"uagb_author_info":{"display_name":"Paolo Gironi","author_link":"https:\/\/www.gironi.it\/blog\/author\/autore-articoli\/"},"uagb_comment_info":0,"uagb_excerpt":"Lo abbiamo letto tutti, magari su LinkedIn con tanto di grafico in salita: \u00abAbbiamo riscritto i title di 300 pagine e in tre mesi il traffico \u00e8 cresciuto del 38%\u00bb. Il case study \u00e8 onesto, i numeri sono veri, e la tentazione di copiare la ricetta \u00e8 fortissima. Ma c&#8217;\u00e8 una domanda che il post&hellip;","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/4552","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/comments?post=4552"}],"version-history":[{"count":1,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/4552\/revisions"}],"predecessor-version":[{"id":4556,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/4552\/revisions\/4556"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=4552"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/categories?post=4552"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/tags?post=4552"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}