决策树

核心原理

决策树是决策分析的核心工具，由罗纳德·霍华德（Ronald Howard）在1960年代系统发展。决策树由三种节点构成：决策节点（方形，表示决策者可控的选择）、机会节点（圆形，表示概率性事件）和结果节点（三角形或终端，表示最终收益）。分析过程采用"逆向归纳"（backward induction）——从终端节点开始，计算每个机会节点的期望值，然后在每个决策节点选择期望值最大的分支。决策树的价值在于：（1）结构化——将复杂决策分解为可管理的子决策；（2）透明化——使隐含假设（概率估计、价值判断）显性化；（3）可计算——通过期望值计算提供明确的决策建议；（4）可沟通——图形化表达便于团队讨论和共识形成。在更高级的版本中，决策树与贝叶斯更新结合（"决策树中的信息价值"），可以计算"完美信息"或"样本信息"的价值，指导信息收集的优先级。

跨学科背景

运筹学中，决策树是"决策分析"的标准工具；机器学习中的"决策树算法"（ID3、C4.5、CART）是监督学习的经典方法；博弈论中的"扩展形式博弈"是多人决策树的推广；医学中，决策树被用于临床决策支持（如是否进行手术）；法学中，诉讼决策分析用决策树评估和解vs审判的期望价值；项目管理中，决策树用于评估不同风险应对策略；人工智能中，蒙特卡洛树搜索（MCTS）将决策树与随机采样结合，在围棋等复杂游戏中达到超人类水平。

应用场景

• 新药开发：制药公司用决策树评估"继续临床III期试验"vs"终止项目"，节点包括试验成功概率、上市后的销售额、竞争对手动态。
• 法律诉讼：律师用决策树评估"接受和解"vs"继续诉讼"，节点包括胜诉概率、赔偿金额范围、诉讼成本、时间延迟。
• 产品开发：团队用决策树评估"先推出MVP测试市场"vs"直接开发完整产品"，节点包括市场反应概率、迭代成本、先发优势。
• 个人职业：用决策树评估"接受海外工作机会"vs"留在国内"，节点包括适应成功概率、职业成长、家庭影响、回国选项。

落地方法

1. 问题结构化：明确决策目标、时间范围、关键不确定性和可选行动，绘制初步决策树骨架。
2. 概率估计：为每个机会节点分配概率，优先使用数据（基础比率、历史频率），辅以专家判断，记录置信区间。
3. 价值量化：为每个终端结果分配货币价值或效用值，对于多目标问题使用多属性效用理论（MAUT）。
4. 逆向归纳计算：从终端向根节点计算每个节点的期望值，在决策节点选择最优分支。
5. 敏感性分析：改变关键概率和价值假设，观察最优决策是否稳健；识别"关键变量"——小幅改变就改变最优决策的变量。

故事 / 案例

1985年，英特尔面临一个生死抉择：存储器业务（公司的起源和核心）因日本竞争而持续亏损，微处理器业务（新兴且不确定）虽然增长但规模尚小。CEO安迪·格鲁夫和董事长戈登·摩尔用决策树分析了两个选项：选项A，继续投资存储器，期望价值为负（因日本企业的成本优势不可逾越）；选项B，退出存储器，全力投入微处理器，期望价值为正（因IBM PC采用英特尔芯片带来的网络效应）。格鲁夫后来回忆，关键转折点是摩尔的一个问题："如果我们被董事会开除，新CEO会怎么做？"答案是"退出存储器"。于是格鲁夫说："那我们为什么不自己走出这扇门，再自己走回来呢？"英特尔退出了存储器市场，专注于微处理器，最终成为全球最大的半导体公司。这个案例说明，决策树不仅是计算工具，更是"迫使面对真相"的认知装置——它将模糊的不安转化为清晰的数字，使逃避变得困难。

常见误区

• 过度复杂化：构建过于庞大的决策树，包含数十个节点和分支，导致分析瘫痪和概率估计的不可靠。
• 伪精确性：将高度不确定的概率估计为精确小数（如"成功概率37.2%"），赋予分析虚假的确定性。
• 忽视认知偏差：概率估计受可得性启发、过度自信等偏差影响，决策树的结果 Garbage In, Garbage Out。

延伸阅读