什么是决策树？符号、绘制步骤与期望值计算示例

决策树把可选行动、不确定事件和最终结果画成分支，用来比较“选择之后可能发生什么”。在商业决策中，它帮助团队梳理方案、估算损益和检验风险；在机器学习中，同名的决策树则是从数据中学习分类或预测规则的模型。两者都使用树结构，但不能混用分析步骤。

一次好决策也可能遇到坏结果。评价选择是否合理，应看当时可获得的信息、风险和约束，而不是只看事后成败。对“现在全面上线，还是先小范围试点”这样的问题，决策树可以把隐含假设展开，让团队看见分歧到底在方案、概率还是收益估计上。

准备把选择画出来时，可以查看 Boardmix 在线决策树工具，用图形、连接线和文字先搭出方案分支，再补充概率与损益。图形工具负责清晰表达，数据和决策结论仍需由团队核对。

1. 什么是决策树：先区分商业决策与机器学习

决策或事件可能引出两个或更多分支，沿着分支又出现新的选择、事件或结果，整个结构像一棵展开的树。最上游的起点称为根节点，中间节点继续分支，路径终点则记录结果。

商业决策树回答“应该选择哪个方案”

商业决策树由分析者根据业务情况建立：哪些行动可以选择、哪些事件不受自己控制、每条路径可能产生什么后果。若有合理的概率与损益估计，可以计算期望值；若信息不足，也可以先用于比较情景和明确需要补充的数据。

例如，团队可以决定采用小范围发布还是全面发布，却不能直接决定市场需求一定旺盛。前者是决策节点，后者是机会节点。将它们分开，才能避免把希望发生的结果当成可以执行的行动。

机器学习决策树回答“这条数据应如何分类或预测”

机器学习中的决策树通过特征条件划分数据，内部节点进行判断，叶节点给出类别或数值预测。IBM 的决策树介绍将其置于监督学习语境，并区分分类树与回归树。这类模型涉及训练数据、划分准则、过拟合和验证，不是给业务方案随手标几个概率就完成了建模。

如果任务是预测客户是否流失，需要合适的数据与模型评估；如果任务是在几种应对方案中作选择，则需要明确成本、收益和不确定性。以下绘制与计算方法面向后者，也就是商业决策分析。

2. 决策树的作用与适用边界

把选择画成树，可以让分析按步骤推进，并明确团队需要回答哪些问题。常见作用有三项：

• 展示备选行动与后果：将当前可选方案放在同一层比较，检查是否漏掉“暂缓”“不行动”或小规模试验等可行选项。
• 比较风险下的收益与损失：在相同时间范围和成本口径下，计算期望值，并查看最差结果是否可以承受。
• 处理多阶段选择：区分哪些信息现在已知、哪些信息要在试点后才能获得，再决定后续是否追加投入。

决策树并不会自动降低风险，更不能预测某一次结果必然发生。分支遗漏、概率估错、只算收入不算成本，都会使图看起来严谨却得出错误判断。涉及重大投资、合规或安全的决定，还需要相应的专业分析和审批。

3. 如何绘制决策树：符号与展开步骤

3.1 认识决策节点、机会节点和结果端点

常见商业决策树使用下列约定。不同工具或教材的端点样式可能不同，关键是给出一致图例，不把它们当成只允许一种画法的固定符号全集。

• 方形决策节点：由决策者选择行动，分支写“小范围发布”“全面发布”等互斥选项。
• 圆形机会节点：表示不受决策者直接控制的不确定事件，分支写事件状态及对应概率。
• 方案分支和事件分支：连接节点；前者写行动，后者写结果条件，两类信息不要混在同一层。
• 端点：记录一条路径的最终损益，可用三角形或明确的终端标记。
• 未选分支标记：可用短划线等方式标出比较后暂未采用的方案，但保留估计与理由，便于条件变化后复查。

卡内基梅隆大学决策分析讲义的决策树章节使用决策节点与机会节点表示不同类型的分支，并讨论从右向左折算的分析方法。读图时还要遵守信息出现的时间顺序：不能把试点结束后才知道的结果，拿来决定试点开始前的行动。

3.2 从主要决定开始，列出可以执行的行动

在 Boardmix 画布上，用方形写出一个明确问题，例如“新产品采用哪种发布规模？”。从方形向右画出每个可选方案，并在线上写出行动。不要把“市场很好”作为可选方案，因为团队不能直接选择市场状态。

方案需要在同一层具有可比较性。“全面发布”与“降低风险”不是平行选项，一个是行动，一个是目标。可以改为“全面发布”“限定地区发布”“暂缓发布”，再说明它们各自满足或不满足哪些约束。

3.3 添加不确定事件，再展开后续选择

每个方案后接上相关的机会节点。例如发布后可能出现“需求强”或“需求弱”。概率应来自可解释的估计，如同类项目记录、调研或明确的专家判断；没有数据时可以先写区间或待核实项，不能为让图完整而随意填数。

同一机会节点下的结果应互不重叠，并覆盖设定范围内的全部可能，概率相加为 1。多阶段树中的概率通常是“走到这个节点后”的条件概率；若试点反馈改变了判断，应使用更新后的估计，而不是重复套用起点概率。

3.4 写清端点损益，再从右向左比较

继续展开，直到每条路径都有明确端点。在端点旁记录净收益或损失，并统一币种、时间跨度和成本口径。若前面已经扣过一次试点费，终点再扣一次就会重复计费；若只写销售收入，忽略研发、交付和推广投入，则会高估方案价值。

从最右侧开始：机会节点计算“概率 × 对应结果”的总和；决策节点在可行方案中按选定标准比较。如果只有一个阶段，步骤很短；如果先试点再扩展，就需要先算试点后的选择，再向前折算。

4. 决策树计算示例：小范围发布还是全面发布？

以下是用于说明计算方法的假设案例，不是 Boardmix 客户数据或投资建议。假设两种发布方案在相同周期内比较，需求强的估计概率为 60%，需求弱为 40%。表中的净收益已经扣除该路径全部相关投入，单位为万元。

只按期望金额比较，全面发布高出 1 万元，但它的较差情景损失也更大。如果团队最多只能承受 3 万元亏损，全面发布就不满足约束。期望值较高不等于风险较低，也不等于这一次会赚到期望值。

概率不确定时，怎么判断结论是否容易改变？

把需求强的概率记为 p。在其他条件不变时，小范围发布的期望值为 10p - 2，全面发布为 25p - 10。两者相等时，p = 8/15，约为 53.3%。高于这一阈值，全面发布的期望金额较高；低于阈值，小范围发布较高。

因此，如果团队对需求强的估计范围是 40% 到 60%，选择并不稳固，继续调研可能比争论哪条分支颜色更醒目更重要。还应改变成本、售价或失败损失再算一次，检查结论是否依赖某个过于乐观的假设。

先试点再决定是否扩展，需要怎样画？

在“先试点”分支后，增加试点反馈的机会节点；每种反馈后再接“扩展或停止”的决策节点。试点成本、反馈概率以及得到反馈后对需求的判断，都需要单独估计。不能只在全面发布前画一个“试点”框，却沿用全部原数值并声称风险已降低。

要评价试点是否值得，应比较包含试点成本的完整路径与直接发布路径。若反馈不能改变任何后续行动，或反馈质量不足以影响判断，试点可能没有预期中的决策价值。需要进一步练习期望金额标准的适用性和敏感性分析时，可参照 MIT 决策分析练习。

5. 决策树常见错误与团队协作方法

持续投入，是否会提高同一次事件的成功概率？

不会仅仅因为“持续做”就自动提高。对于独立、同分布的重复事件，单次成功概率不会因前面失败或投入次数增加而改变。改进产品、获取新信息等行动可能改变业务条件，但需要重新估计其影响，不能把概率规律当作坚持就会成功的承诺。

没有可靠概率，决策树还能用吗？

可以先画行动、情景和可能损益，用乐观、基准、悲观情景看哪些方案会触碰预算或交付底线。将概率标为未知，不输出貌似精确的期望收益；等获得数据后再补充计算。对不可量化的影响，如品牌风险或团队负荷，应单独列出，不要随意换算成金额。

在 Boardmix 中，图形负责区分节点，带文字的连接线记录行动与条件，文本或表格记录概率和计算。团队可以围绕同一张图核对：遗漏了什么方案、哪些信息还未知、哪个假设一旦改变就要重做决定。使用 AI 辅助整理时，可让它列出候选情景和计算所需字段，但不得让它编造概率、替代专业审批或把图形输出当成已验证模型。

准备比较自己的方案时，从在线决策树工具与模板入口开始，将选择、机会事件和结果分别放在画布上。需要调整箭头和关系文字，可查看连接线操作说明。决定之后，保留未选方案及触发重新评估的条件，方便团队在信息变化时及时调整。