004. 决策树

编号：004/100 · 分类：认知偏差与决策 · 难度：进阶 一句话：用树枝状图形把每个选择及其可能结果展开，计算每个路径的期望值，让不确定性变得可见和可算。

一、极简定义

决策树（Decision Tree） 是一种将决策问题可视化为树形结构的分析工具：每个分支节点代表一个决策点或概率事件，每条路径通向一个最终结果，通过回溯计算期望值来确定最优决策路径。

决策树方法起源于20世纪60年代的操作研究（Operations Research）领域，由 Howard Raiffa（1968）在《决策分析：关于选择的导论讲座》中系统化。同一时期，Hunt， Marin & Stone（1966）在机器学习领域独立发展了概念学习系统中的决策树算法。

二、核心机制

2.1 决策树的三个基本元素

2.2 期望值计算原理

决策树的每一个最终分支都有一个概率和一个结果值：

1

路径期望值 = 概率₁ × 结果₁ + 概率₂ × 结果₂ + ...

在机会节点处，取所有分支的加权平均（期望值）；在决策节点处，取期望值最高的分支。

2.3 决策树的两种构建方式

无论用哪种方式构建，期望值的计算永远是从后往前（逆向递推）——这是决策树分析的铁律。

三、理论溯源

• Raiffa & Schlaifer（1961）：《应用统计决策理论》将贝叶斯推断和决策分析结合，为决策树提供了数学基础
• Raiffa（1968）：《决策分析》一书将决策树推广为商业和管理决策的标准工具，包含大量案例
• 机器学习分支：Quinlan（1986）发明ID3算法，后发展出C4.5、CART等——决策树不仅是分析工具，也成为了自动从数据中学习决策规则的算法
• 实物期权扩展：决策树在金融领域的扩展——每个决策节点嵌入了"继续"“扩张"“放弃"的期权，形成了实物期权分析方法

四、操作框架

4.1 画一棵决策树的六步法

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

第1步：定义决策问题
    → 用一句话描述："我在____和____之间做选择"

第2步：列出选项和后续事件
    → 每个选项后可能发生什么？（自然状态、市场反应、竞争对手举动）

第3步：估算概率
    → 每个事件发生的概率（用历史数据/专家判断/贝叶斯更新）

第4步：估算每个最终路径的结果值
    → 货币化（利润/成本），或效用值（如果结果不只是钱）

第5步：从后往前计算期望值
    → 机会节点 = Σ(概率×结果)；决策节点 = max(期望值)

第6步：敏感性分析
    → "哪个概率/假设的变化会改变最优决策？" → 确定关键变量

4.2 简单示例：扩产决策

我的工厂面临决策：建新厂还是扩老厂？

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

决策：建新厂 or 扩老厂？
        ↓
    [建新厂]
    ├── 需求高(60%) → 年利润¥800万
    ├── 需求中(30%) → 年利润¥300万
    └── 需求低(10%) → 年利润-¥200万
    期望值 = 0.6×800 + 0.3×300 + 0.1×(-200) = ¥550万

    [扩老厂]
    ├── 需求高(60%) → 年利润¥500万
    ├── 需求中(30%) → 年利润¥350万
    └── 需求低(10%) → 年利润¥100万
    期望值 = 0.6×500 + 0.3×350 + 0.1×100 = ¥415万

→ 建新厂期望值更高
→ 但注意：低需求时建新厂亏¥200万！风险需单独考虑

4.3 高级技巧：用贝叶斯更新精炼概率

如果我可以花¥10万做市场调研，调研准确率为80%：

• 调研后，用贝叶斯公式更新概率
• 画出"做调研"和"不做调研"的两棵子树
• 计算调研信息的价值 = 有调研的期望值 - 无调研的期望值
• 如果信息的价值 > ¥10万，就值得做调研

五、典型应用场景

场景1：大客户定价策略

一个大客户要求降价15%，否则"可能"转投竞品。我需要决策。

• 决策节点：降价15% or 不降价
• 机会节点（不降价）：
  • 客户真的转投竞品（70%）→ 损失该客户年利润¥200万
  • 客户是虚张声势（30%）→ 保持原价，年利润不变
• 决策树分析：降价确定损失¥80万，不降价期望损失 = 0.7×(-200) + 0.3×0 = -¥140万
• → 降价损失更小，降价是理性的。但如果"客户转投"真实概率只有40%，则不降价期望损失=¥80万，与降价等价

场景2：库存备货决策

旺季前，我要决定某关键物料备多少库存：

• 备货3000件：库存成本¥30万，缺货概率5%
• 备货5000件：库存成本¥50万，缺货概率1%
• 缺货损失：每次缺货导致产线停工损失¥20万
• 决策树+期望值量化"多备货多花的库存费 vs 缺货风险期望值”

场景3：自制 vs 外包

某零件：

• 自制：设备投资¥200万 + 单位成本¥8
• 外包：单位成本¥12，无设备投资
• 关键变量：未来3年需求量 → 盈亏平衡需求量 = 200万 ÷ (12-8) = 50万件/3年
• 如果预测需求量>50万件，自制更优

六、常见误用与边界

❌ 决策树不适用的情况

1. 概率完全不可知：黑天鹅事件——你连概率范围都估计不了，决策树只是"精确的错误”
2. 各分支不是互斥的：如果"需求高"和"需求中"可能同时发生（不同产品线），就不能用简单的概率树
3. 跨期反馈效应：今天的决策改变明天的概率分布 → 需要更复杂的动态规划或蒙特卡洛模拟
4. 不可量化的价值维度：品牌声誉、员工士气、战略定位 → 这些难以货币化

⚠️ 常见陷阱

• 过度精确：把概率精确到小数点后两位，但概率的来源只是管理层的"直觉"
• 忽略低概率高影响分支：10%概率亏损¥1亿 → 期望值只是-¥1000万，但可能需要单独的风险管理
• 未对概率进行贝叶斯更新：有一份新市场报告出来，但还是用老的概率估计

七、与其他模型的关系

八、自检清单

1
2
3
4
5

□ 我的决策节点和机会节点分清楚了吗？（我能控制的 vs 我不能控制的）
□ 概率是如何估计的？来源可靠吗？是否需要贝叶斯更新？
□ 我做了敏感性分析吗？哪个变量的变化会改变最优决策？
□ 低概率高影响的分支，我有没有单独处理？（不只是期望值）
□ 我做决策树本身花了多少时间？花的这个时间值不值得？

九、我实践检视

（由我填写在实战中使用决策树的具体案例和心得）

十、深度延伸

• 奠基之作：Raiffa, H. (1968). Decision Analysis: Introductory Lectures on Choices Under Uncertainty.
• 管理应用：Hammond, J. S., Keeney, R. L., & Raiffa, H. (1998). Smart Choices: A Practical Guide to Making Better Decisions.
• 机器学习拓展：Quinlan, J. R. (1986). Induction of Decision Trees. Machine Learning, 1(1), 81-106.
• 实务操作：McNamee, P., & Celona, J. (2005). Decision Analysis for the Professional.
• 批判视角：Mintzberg批评——把丰富的管理现实简化为一棵树，可能遗漏那些"不合树"的战略洞见