의사결정 나무 분석: 예시, 단계, 기대값

요약

의사 결정 트리는 선택을 분기하는 결정 노드와 기회 노드로 매핑한 다음, 기대 값을 되돌려 최상의 전략을 찾습니다. (비즈니스 기법 — ML 알고리즘이 아닙니다.)

•사각형 = 당신의 선택, 원 = 세상의 선택 — 확률은 우연한 가지에 있고, 보상은 잎사귀에 있습니다.
•오른쪽에서 왼쪽으로 되돌리기: 기회 노드에서 평균, 결정 노드에서 최선 선택 — 루트는 각 옵션의 기대 값을 보여줍니다.
•그것의 초능력은 시퀀싱입니다: 단계적 약속과 정보 우선 구매 전략이 가시적이고 가치 있게 됩니다.
•확률은 약점이다 — 논증 트리에서 그것들은 입력된 추측 대신 증거가 있는 주장으로 변한다

의사 결정 트리 분석이란 무엇인지 (그리고 우리가 의미하는 의사 결정 트리는 무엇인지)

오늘 '의사 결정 트리'를 검색하면 대부분 찾는 것은 기계 학습 알고리즘 — 데이터를 특성에 따라 분류하는 분류기입니다. 이 페이지는 더 오래된 인간 도구인 의사 결정 분석 트리에 관한 것으로, 불확실성 하에서 선택을 통해 추론하는 기법으로 하워드 라이파의 의사 결정 분석 (1968)과 하버드/스탠포드 의사 결정 분석 전통에서 정립되었습니다.

문법은 간단합니다. 결정 노드 (사각형으로 표시됨)는 선택하는 지점입니다. 우연 노드 (원형)는 세상이 선택하는 지점입니다 — 승인이 이루어지거나 이루어지지 않거나, 수요가 높거나 낮습니다 — 각 가지는 당신이 추정한 확률을 담고 있습니다. 종단 노드 (잎사귀)는 그곳에 도달했을 때의 보상을 담고 있습니다. 시간은 왼쪽에서 오른쪽으로 흐릅니다: 먼저 약속이 이루어지고, 그 후에 하류 결과가 발생합니다.

분석은 롤백입니다: 잎사귀에서 시작하여 거꾸로 작업하면서, 각 기회 노드는 그 확률 가중 평균으로 축소되고, 각 결정 노드는 최상의 사용 가능한 가지로 축소됩니다 — 왜냐하면 그곳에 도달하면 최상의 가지를 선택할 것이기 때문입니다. 루트에 도달하는 것은 각 초기 옵션의 기대값이며, 종종 더 유용한 것이 있습니다: 단계적 전략('파일럿 먼저, 그 다음 결정')이 대담한 헌신과 아무것도 하지 않는 것보다 우세하다는 발견입니다. 도구 상자에서의 위치: 의사 결정 모델; 돈 문제의 정적 버전은 비용-편익 분석를 참조하십시오.

사용할 때와 사용하지 말아야 할 때

의사 결정 트리는 다음과 같은 경우에 유용합니다:

✓결정은 순차적입니다. 현재의 선택은 나중의 선택을 열거나 닫습니다 — 조종사, 단계적 투자, 확장 옵션 구조. 이것이 나무의 고유 영역이며, 평면 비교로는 볼 수 없는 것입니다.
✓불확실성은 이산적이며 추정할 수 있습니다. 규제 승인, 거래 성사, 기술 이정표 — 진정으로 확률 범위를 설정할 수 있는 사건들입니다.
✓당신은 정보에 가치가 있다고 의심합니다. 나무는 '먼저 연구를 수행하라'는 가지의 가치를 평가합니다 — 헌신하기 전에 지식을 구매하는 것의 기대 가치, 의사 결정 분석의 진정으로 깊은 기여 중 하나입니다.

그리고 그들이 잘못 인도하는 곳:

✗회사의 운명이 걸린 내기. 기대 가치는 반복 가능한 결정에 대한 올바른 기준입니다; 일회성 생존 내기에서는 파산의 10% 확률이 매력적인 평균으로 상쇄되지 않습니다. 위험 태도는 분석에 포함되어야 하며, 단순한 기대 가치는 이를 무시합니다.
✗누구도 방어할 수 없는 확률. 나무의 출력은 그 추정치의 품질을 상속받습니다; 0.6이 가지에 입력되면 그것은 주장이고, 아무도 그 이유를 말할 수 없다면, 산술은 연극입니다. (아래는 이 주장의 나무 연결입니다.)
✗조합 폭발. 모든 불확실성을 모델링하면 트리가 읽을 수 없게 된다. 기술은 실제로 결정을 이끄는 두세 가지 불확실성을 선택하는 것이다.
✗깊은 모호성. 결과를 나열할 수조차 없을 때, 확률은 이르다 — 그것이 시나리오 계획의 영역이다.

단계별로, 예제와 함께

예시 시나리오: 제품을 지금 출시할지 아니면 먼저 인증 연구를 진행할지 결정하는 가상의 바이오텍 도구 스타트업. 절차:

1근본 결정을 정리하라. 첫 번째 사각형에서 세 가지 가지가 나옵니다: 지금 출시하기; 먼저 인증 연구를 진행하기 (1년, 비용 발생); 제품을 보류하기.
2각 지점의 불확실성을 매핑합니다. 지금 출시 → 기회 노드: 시장이 인증되지 않은 제품을 수용합니다 (추정 40%) 또는 거부합니다 (60%). 먼저 연구 → 기회 노드: 인증이 부여됩니다 (70%) 또는 거부됩니다 (30%); 부여되면, 추가 결정 사각형: 인증된 제품 출시 (더 높은 수용, 추정 80%) 또는 기술 라이센스 아웃.
3리프에 지불금을 첨부하십시오. 각 최종 상태는 값을 가집니다: 인증된 출시 성공은 큰 보상입니다; 실패한 비인증 출시 는 손실과 평판 손상(명시적으로 비용이 발생함)입니다; 보류는 매몰된 개발 비용을 뺀 제로입니다.
4롤백. 각 기회 노드를 확률에 따라 평균화하고, 각 결정 사각형에서 최상의 가지를 유지합니다. 숫자가 연도의 지연에도 불구하고 학습 우선이 즉시 시작보다 더 가치 있게 만든다고 가정해 보십시오 — 인증이 수용에 미치는 영향이 기다림의 비용을 충분히 상쇄합니다.
5추정치를 강조하세요. 출시 즉시 승리하는 수용 확률은 얼마입니까? 답이 55%이고 귀하의 정직한 범위가 30–50%라면 결론은 견고합니다. 만약 전환점이 중간 범위에 있다면 결정은 추정치에 달려 있으며, 그 추정치는 6단계의 면밀한 검토를 받을 자격이 있습니다.
6하중 지지 숫자를 조사하라. 70% 인증 추정치는 어디서 왔는가 — 유사한 승인? 변호사의 판단? 수치가 믿어지기 전에 그 근거를 명확하고 도전 가능하게 만들어라.

결정 트리와 논증 트리 — 경쟁자가 아닌 보완물

이름이 혼란을 초래하므로, 여기 명확한 구분이 있습니다. 의사 결정 트리는 다음을 계산합니다: 이러한 확률과 보상을 고려할 때, 어떤 전략이 가장 가치가 있습니까? 주장 트리는 다음과 같이 추론합니다: 이러한 확률과 보상이 실제로 신뢰할 수 있습니까? 의사 결정 품질 측면에서, 의사 결정 트리는 대안 (단계별 분석에서 놓치는 것 포함)과 정보 (명시적으로 제시된 추정치)를 구조화합니다; 주장 트리는 바로 그 입력에 대한 타당한 추론을 제공합니다:

각 확률 → 주장

"인증은 약 70%의 확률로 성공합니다"는 유사한 승인, 자문 의견과 함께 그 근거를 지닌 주장이 되며, 도전과 지원이 첨부되고 그룹의 면밀한 검토를 반영하는 평가가 포함됩니다.

각 보상 → 미니 사례

대성공의 리프 가치란 예측이며, 그 가정(가격, 채택률)은 누군가가 숫자가 작용하기 전에 공격할 수 있는 하위 주장이 됩니다.

권장 전략 → 근본 주장

"연구를 먼저 실행하라"는 롤백을 주요 증거로 하여 그 뿌리에 자리 잡고 있으며, 민감도 전환점은 명명된 열린 질문으로 남아 있습니다.

추정치 이동 → 나무 업데이트

변호사가 승인 확률을 수정하고, 청구가 업데이트되며, 롤백이 재계산되고, 추천의 가시적 지원이 변화할 때 — 오래된 스프레드시트는 없다.

한 문장 버전

결정 트리는 산술을 수행하고, 논증 트리는 입력을 수집합니다. 숫자를 도전할 수 있는 곳에서 실행하세요 — 왜 추론 링크가 어떤 프레임워크도 제공하지 않는 것인지에 대한 내용은 결정 품질을 참조하세요.

의사 결정 트리 vs 대안들

당신의 질문이…	닿으세요	결정 트리는 왜 안 되나요?
원샷 비교, 불확실성 미미	비용-편익 분석	나무 기계는 가지가 없으면 아무것도 더하지 않는다.
유연성 자체가 가치입니다 — 기다리기, 단계, 포기	실제 옵션 사고	옵션 로직은 시장 가격으로 구성된 프레이밍으로 트리를 확장합니다.
결과를 열거할 수 없으며, 확률화할 수도 없습니다.	시나리오 계획	알 수 없는 미래에 대한 확률은 잘못된 위안이다.
먼 미래의 보상의 할인은 핵심이다.	NPV 및 IRR: 한계	나무는 모든 할인 판단을 상속받습니다.

자주 묻는 질문

비즈니스에서 의사 결정 트리 분석이란 무엇인가요?

결정 분석 기법 — 이름을 공유하는 기계 학습 알고리즘과는 구별되는 — 은 결정을 분기 다이어그램으로 매핑합니다: 선택하는 결정 노드(사각형), 불확실한 사건이 추정 확률로 해결되는 기회 노드(원), 그리고 잎사귀에서의 보상. 잎사귀에서 되돌아가면(기회 노드에서의 확률 가중 평균, 결정 노드에서의 최선의 분기) 각 초기 옵션의 기대 가치를 도출합니다. 전형적인 저작물은 하워드 라이파의 결정 분석(1968)입니다. 이 기법의 독특한 강점은 평면 비교로는 볼 수 없는 순차적 결정 — 조종사, 단계적 약속 — 을 처리하는 것입니다.

결정 트리에서 기대값을 어떻게 계산하나요?

잎사귀에서 거꾸로 작업하세요. 각 기회 노드에서 각 가지의 수익을 그 확률로 곱하고 합산하세요 — 그 평균이 노드의 값이 됩니다. 각 결정 노드에서는 가장 좋은 가지의 값을 선택하세요, 왜냐하면 그 지점에 도달하면 그것을 선택할 것이기 때문입니다. 루트까지 반복하세요, 그곳에서 각 초기 옵션은 그 기대 가치를 가집니다. 그런 다음 스트레스 테스트를 수행하세요: 추천이 뒤집히는 확률을 찾아보고, 그 뒤집힘 지점을 당신의 솔직한 불확실성 범위와 비교하세요 — 당신의 범위 내에서 뒤집히는 결론은 실제로 면밀한 검토가 필요한 추정에 달려 있습니다.

예상 가치를 사용하지 말아야 할 때는 언제인가요?

결정이 일회적이고 하락이 용납되지 않을 때. 기대값은 반복 가능한 결정에 대한 올바른 기준으로, 평균이 실제로 여러 번의 추첨에서 나타나는 경우입니다. 회사의 운명이 걸린 상황에서는 평균이 더 높지만 파산의 의미 있는 가능성이 있는 전략이 더 나은 것이 아닙니다 — 위험 태도는 분석에 정당하게 포함되어야 합니다. 실용적인 대응: 결과를 원금이 아닌 효용에 따라 가중치를 두고, 최악의 경우를 제한하기 위해 전략을 제약하거나, 재앙적인 분기를 조기에 종료할 수 있도록 결정을 단계로 재구성합니다 — 종종 나무가 드러내는 것이기도 합니다.

결정 트리의 확률은 어디에서 오는 것인가요?

판단에서 — 그리고 그것이 이 방법의 정직한 약점이다. 가지에서의 0.7은 누군가가 유사한 사례, 전문가 의견 또는 기본 비율을 바탕으로 한 주장이며, 나무의 출력은 그 주장만큼만 좋다. 이 규율: 모든 추정치 옆에 근거를 작성하고, 하중을 지탱하는 것들을 스트레스 테스트하며, 도전받을 수 있는 포럼을 제공하라. 여기서 주장의 나무가 결정 나무를 보완한다: 각 확률은 증거와 반증을 가진 주장으로 변하고, 이를 판단하기에 가장 적합한 사람들이 평가한다.

결정 트리와 논증 트리의 차이점은 무엇인가요?

그들은 서로 다른 질문에 답하고 연결되어 있을 때 가장 잘 작동합니다. 의사 결정 트리는 다음을 계산합니다: 이러한 확률과 보상을 고려할 때, 어떤 전략이 가장 좋은 기대 가치를 가지는가? 논증 트리는 다음과 같이 추론합니다: 이러한 확률과 보상이 신뢰할 수 있는가 — 무엇이 그것들을 지지하고, 무엇이 그것들을 공격하며, 추천에 대한 주장은 도전 앞에서 어떻게 유지되는가? 실제로, 의사 결정 트리의 입력(각 추정치, 각 보상 예측)은 논증 트리에서 주장으로 존재하며, 그 출력(추천 전략)은 뿌리에 위치하고 롤백이 주요 증거로 작용합니다.

당신의 추정치가 틀릴 수 있는 곳을 제공하세요.

증거가 있는 주장으로서의 확률, 미니 사례로서의 보상, 입력이 변경될 때 업데이트되는 추천 — 논의된 숫자에 대한 결정 트리 산술.

무료 시작 — 신용 카드 필요 없음

개인에게는 영원히 무료입니다.

의사 결정 나무 분석: 선택, 기회 및 그 가치 매핑

의사 결정 트리 분석

요약