Анализ деревьев решений: пример, шаги, EV

Кратко говоря

Дерево решений отображает выбор в виде разветвляющихся узлов решений и узлов вероятностей, а затем возвращает ожидаемые значения, чтобы найти лучшую стратегию. (Бизнес-техника — а не алгоритм машинного обучения.)

•Квадраты = ваши выборы, круги = выборы мира — с вероятностями на случайных ветвях и выплатами на листьях
•Откат справа налево: среднее значение на узлах шанса, выбор наилучшего на узлах решения — корень показывает ожидаемую ценность каждого варианта
•Его суперсила — это секвенирование: поэтапные обязательства и стратегии «сначала информация о покупке» становятся видимыми и ценными
•Вероятности являются слабым местом — на дереве аргументов они становятся утверждениями с доказательствами вместо введенных догадок

Что такое анализ деревьев решений (и о каком дереве решений идет речь)

Ищите «дерево решений» сегодня, и большинство того, что вы найдете, — это алгоритм машинного обучения — классификатор, который делит данные по признакам. Эта страница посвящена более старому, человеческому инструменту: дереву анализа решений, технике, канонизированной в книге Анализ решений Ховарда Райффы (1968) и традиции анализа решений Гарварда/Стэнфорда, для рассуждений о выборе в условиях неопределенности.

Грамматика небольшая. Узлы решений (изображенные в виде квадратов) — это точки, где вы делаете выбор. Узлы случайности (круги) — это точки, где выбирает мир — одобрение приходит или нет, спрос высокий или низкий — каждая ветвь несет вашу оценочную вероятность. Конечные узлы (листья) несут выплату за то, что вы оказались там. Время течет слева направо: сначала обязательства, затем последствия.

Анализ — это откат: начиная с листьев и двигаясь назад, каждый узел шанса сворачивается в его среднее значение с учетом вероятности, каждый узел решения — в его лучшую доступную ветвь — потому что, когда вы доберетесь до этого момента, вы выберете лучшую ветвь. То, что приходит к корню, — это ожидаемая ценность каждого начального варианта, и часто что-то более полезное: открытие того, что поэтапная стратегия ('сначала пилот, затем решение') превосходит как смелую приверженность, так и бездействие. Где это находится в инструментариуме: модели принятия решений; для статической версии вопроса о деньгах смотрите анализ затрат и выгод.

Когда использовать это — и когда не стоит

Деревья решений оправдывают себя, когда:

✓Решение является последовательным. Выборы сейчас открывают или закрывают выборы позже — пилоты, поэтапные инвестиции, структуры с опцией расширения. Это родная территория дерева, и именно это не видно при плоских сравнениях.
✓Неопределенность дискретна и поддается оценке. Регуляторное одобрение, закрытие сделки, технический этап — события, для которых вы можете честно указать диапазон вероятностей.
✓Вы подозреваете, что информация имеет ценность. Деревья оценивают ветвь «сначала проведите исследование» — ожидаемую ценность покупки знаний перед принятием решения, один из действительно глубоких вкладов анализа решений.

И где они вводят в заблуждение:

✗Ставки на выживание компании. Ожидаемая ценность является правильным критерием для повторяемых решений; для единовременных ставок на выживание 10% шанс на крах не компенсируется привлекательным средним значением. Отношение к риску должно учитываться в анализе, а наивная ожидаемая ценность игнорирует это.
✗Вероятности, которые никто не может защитить. Выход дерева наследует качество своих оценок; 0.6, введенное в ветвь, является утверждением, и если никто не может сказать, почему, арифметика — это театр. (Это связь между аргументом и деревом ниже.)
✗Комбинаторный взрыв. Моделируйте каждую неопределенность, и дерево становится нечитаемым. Искусство заключается в выборе двух или трех неопределенностей, которые на самом деле влияют на решение.
✗Глубокая неопределенность. Когда вы даже не можете перечислить результаты, вероятности преждевременны — это территория планирования сценариев.

Шаг за шагом, с примером решения

Иллюстративный сценарий: вымышленный стартап в области биотехнологий решает, запускать ли свой продукт сейчас или сначала провести сертификационное исследование. Процедура:

1Сформулируйте основное решение. Три направления от первого квадрата: запустить сейчас; сначала провести сертификационное исследование (один год, с затратами); отложить продукт.
2Сопоставьте неопределенности по каждому направлению. Запустите сейчас → узел вероятности: рынок принимает несертифицированный продукт (оценка 40%) или отклоняет его (60%). Сначала изучите → узел вероятности: сертификация предоставлена (70%) или отклонена (30%); если предоставлена, дальнейший квадрат решения: запустить сертифицированный (более высокая приемлемость, оценка 80%) или лицензировать технологию.
3Прикрепите выплаты к конечным состояниям. Каждое конечное состояние имеет свою ценность: успешный сертифицированный запуск — это большая выплата; неудачный несертифицированный запуск — это убыток плюс ущерб репутации (явно учтенный); приостановка — это ноль минус затраченные на разработку средства.
4Откат. Усредните каждую узловую вероятность по её вероятностям; на каждом квадрате решения сохраняйте лучший вариант. Предположим, что цифры делают изучение в первую очередь более ценным, чем запуск сейчас, несмотря на задержку в год — повышение сертификации для принятия более чем компенсирует ожидание.
5Подчеркните оценки. При какой вероятности принятия предложение "запускать сейчас" выигрывает? Если ответ 55%, а ваш честный диапазон 30–50%, то вывод является надежным; если точка переворота находится в среднем диапазоне, решение зависит от оценки — и эта оценка заслуживает тщательной проверки на этапе 6.
6Допрашивайте опорные цифры. Оценка сертификации в 70% пришла откуда-то — сопоставимые одобрения? мнение консультанта? Сделайте основание явным и оспариваемым, прежде чем арифметика будет воспринята за правду.

Деревья решений и деревья аргументов — дополнения, а не соперники

Названия могут вызвать путаницу, поэтому вот четкое разделение. Дерево решений вычисляет: учитывая эти вероятности и выплаты, какая стратегия стоит больше всего? Дерево аргументов рассуждает: являются ли эти вероятности и выплаты действительно достоверными? В терминах качества решений дерево решений структурирует альтернативы (включая те, которые упускает плоский анализ) и информацию (оценки становятся явными); дерево аргументов предоставляет обоснованное рассуждение именно о тех входных данных:

Каждая вероятность → требование

"Сертификация проходит с вероятностью ~70%" становится аргументом, несущим свою основу — сопоставимые одобрения, мнение консультанта — с прикрепленными вызовами и поддержкой, а также рейтингом, который отражает проверку группы.

Каждый платеж → мини-кейс

Значение листа большого успеха является прогнозом; его предположения (ценообразование, уровень принятия) становятся подаргументами, которые кто-то может атаковать, прежде чем число начнет действовать.

Оценки перемещаются → дерево обновляется

Когда юрист пересматривает шансы на одобрение, обновляется требование, пересчитывается откат, и видимая поддержка рекомендации изменяется — никаких устаревших таблиц.

Однофразовая версия

Дерево решений выполняет арифметические операции; дерево аргументов обрабатывает входные данные. Запускайте числа там, где их можно оспорить — смотрите качество решений, чтобы понять, почему связь рассуждений является той, которую ни одна структура не предоставляет.

Деревья решений против альтернатив

Если ваш вопрос…	Достигать	Почему бы не использовать дерево решений
Одноразовое сравнение, незначительная неопределенность	Анализ затрат и выгод	Деревянная техника ничего не добавляет без ветвей.
Гибкость сама по себе является ценностью — ждать, этап, отказаться	Мышление реальных опций	Логика опционов расширяет дерево с учетом рыночной оценки.
Результаты нельзя перечислить, не говоря уже о вероятностном оценивании.	Сценарное планирование	Вероятности на непознаваемые будущие — это ложное утешение.
Скидка на отдаленные выплаты является ключевым моментом.	NPV и IRR: пределы	Деревья унаследуют каждое решение о скидке.

Часто задаваемые вопросы

Что такое анализ деревьев решений в бизнесе?

Техника анализа решений — отличная от алгоритма машинного обучения, который носит то же имя — отображает решение в виде разветвленной диаграммы: узлы решений (квадраты), где вы выбираете, узлы случайностей (круги), где неопределенные события разрешаются с оценочными вероятностями, и выплаты на листьях. Обратный расчет от листьев (взвешенные по вероятности средние значения на узлах случайностей, лучший вариант на узлах решений) дает ожидаемую стоимость каждого начального варианта. Классическое изложение представлено в книге Ховарда Райффы "Анализ решений" (1968). Его отличительная сила заключается в обработке последовательных решений — пилотов, поэтапных обязательств — которые не могут быть замечены при простых сравнениях.

Как рассчитать ожидаемое значение в дереве решений?

Работайте от листьев к корням. На каждом узле возможности умножайте выплату каждого ветвления на его вероятность и суммируйте — это среднее значение становится значением узла. На каждом узле решения берите значение лучшего доступного ветвления, потому что, когда вы достигнете этой точки, вы выберете его. Повторяйте до корня, где каждая начальная опция несет свою ожидаемую стоимость. Затем проведите стресс-тест: найдите вероятность, при которой рекомендация меняется, и сравните эту точку изменения с вашим честным диапазоном неопределенности — вывод, который меняется внутри вашего диапазона, зависит от оценки, которая заслуживает серьезного анализа.

Когда не следует использовать ожидаемое значение?

Когда решение одноразовое, а последствия неприемлемы. Ожидаемое значение является правильным критерием для повторяемых решений, где средние значения действительно материализуются за множество выборок. Для ставок, ставящих на кон всю компанию, стратегия с более высоким средним, но значительным шансом на крах, не является лучшей — отношение к риску законно должно учитываться в анализе. Практические ответы: взвешивайте результаты по полезности, а не по чистым деньгам, ограничивайте стратегии, чтобы ограничить худший случай, или структурируйте решение поэтапно, чтобы можно было рано выйти из катастрофической ветви — часто именно это и показывает дерево.

Откуда берутся вероятности в дереве решений?

От суждения — и это честная слабая сторона метода. 0.7 на ветке — это утверждение, сделанное кем-то на основе сопоставимых случаев, экспертного мнения или базовых показателей, и результат дерева так же хорош, как и эти утверждения. Дисциплина: записывать основание рядом с каждой оценкой, подвергать стресс-тестированию те, которые несут основную нагрузку, и предоставлять им форум, где их можно оспорить. Вот где аргументное дерево дополняет дерево решений: каждая вероятность становится утверждением с доказательствами и контрдоказательствами, оцененными людьми, которые лучше всего подходят для его оценки.

В чем разница между деревом решений и деревом аргументов?

Они отвечают на разные вопросы и лучше всего работают в связке. Дерево решений вычисляет: учитывая эти вероятности и выплаты, какая стратегия имеет наилучшее ожидаемое значение? Аргументное дерево рассуждает: являются ли эти вероятности и выплаты достоверными — что их поддерживает, что их атакует, и как обоснование рекомендации выдерживает испытание? На практике входные данные дерева решений (каждая оценка, каждый прогноз выплаты) существуют как утверждения в аргументном дереве, а его выход (рекомендуемая стратегия) находится у корня с откатом в качестве основного доказательства.

Связанные рамки

Анализ затрат и выгод

Честная оценка затрат и выгод: шаги монетизации, оценочные суждения внутри итогов и нематериальные факторы, которые подрывают наивный анализ затрат и выгод.

Дайте своим оценкам возможность быть ошибочными.

Вероятности как утверждения с доказательствами, выплаты как мини-кейсы и рекомендация, которая обновляется при изменении входных данных — арифметика деревьев решений на аргументированных числах.

Начать бесплатно — без кредитной карты

Бесплатно навсегда для физических лиц

Анализ деревьев решений: картирование выборов, шансов и их стоимости

Анализ деревьев решений