决策树：将复杂决策分解为概率分支
产品经理的数学课 · 第15讲
决策树：将复杂决策分解为概率分支
当决策涉及多个阶段、多个不确定性时，决策树帮你把复杂问题拆解成清晰的概率分支。
前言
你正在决定是否开发一个新功能。但这个决策不是一步完成的：
- 首先：用户调研——结果可能是「需求强」或「需求弱」
- 然后：如果需求强，开发并上线——结果可能是「成功」或「失败」
- 最后：如果失败，是继续优化还是放弃？
这是一个多阶段、多不确定性的决策。用文字描述会很混乱，但用决策树可以清晰地可视化。
决策树是产品经理最强大的分析工具之一——它强迫你把所有可能性列出来，计算每个分支的期望值，然后选择最优路径。
核心概念
决策树的基本结构
决策树有三种节点：
- 决策节点（方块）：你要做的选择
- 机会节点（圆圈）：随机事件（你控制不了）
- 终止节点（三角）：决策结束，得到结果
┌─ 成功（60%）→ +200 万
┌─ 开发 ───┤
│ └─ 失败（40%）→ -50 万
开始 ───┤
│ ┌─ 成功（30%）→ +150 万
└─ 不开发 ──┤
└─ 失败（70%）→ -20 万决策树的计算：反向归纳
反向归纳（Backward Induction）：从右向左计算，每个节点取期望值最大（或最小）的分支。
例子：
机会节点 1（开发）：
- 成功：+200 万（60%）
- 失败：-50 万（40%）
- 期望值 = 0.6 × 200 + 0.4 × (-50) = 120 - 20 = 100 万
机会节点 2（不开发）：
- 成功：+150 万（30%）
- 失败：-20 万（70%）
- 期望值 = 0.3 × 150 + 0.7 × (-20) = 45 - 14 = 31 万
决策节点：
- 开发：期望值 100 万
- 不开发：期望值 31 万
- 选择开发（100 > 31）
多阶段决策树
更复杂的决策涉及多个阶段：
┌─ 需求强（60%）──┬─ 成功（70%）→ +300 万
│ └─ 失败（30%）→ -100 万
开始 ── 调研 ──────┤
│ ┌─ 成功（40%）→ +100 万
└─ 需求弱（40%）──┴─ 失败（60%）→ -30 万反向归纳：
需求强分支：
- 成功：300 万（70%）
- 失败：-100 万（30%）
- 期望值 = 0.7 × 300 + 0.3 × (-100) = 210 - 30 = 180 万
需求弱分支：
- 成功：100 万（40%）
- 失败：-30 万（60%）
- 期望值 = 0.4 × 100 + 0.6 × (-30) = 40 - 18 = 22 万
调研节点：
- 需求强：180 万（60%）
- 需求弱：22 万（40%）
- 期望值 = 0.6 × 180 + 0.4 × 22 = 108 + 8.8 = 116.8 万
信息价值：调研值多少钱？
在做决策之前，你可以先做调研。信息价值（Value of Information） = 有调研的期望值 - 没有调研的期望值。
例子：
没有调研直接决策：
- 开发：100 万
- 不开发：31 万
- 选择开发，期望值 = 100 万
先调研再决策：
- 调研期望值 = 116.8 万
- 假设调研成本 = 5 万
- 净期望值 = 116.8 - 5 = 111.8 万
信息价值 = 111.8 - 100 = 11.8 万
调研让你多赚了 11.8 万——调研是值得的。
敏感性分析：概率变了，结论会变吗？
决策树的结论取决于概率和收益。如果概率稍微调整，结论就变了——说明决策不够稳健。
敏感性分析：改变关键概率，看最优决策是否变化。
| 成功概率 | 开发期望值 | 不开发期望值 | 最优决策 |
|---|---|---|---|
| 60% | 100 万 | 31 万 | 开发 |
| 50% | 75 万 | 31 万 | 开发 |
| 40% | 50 万 | 31 万 | 开发 |
| 30% | 25 万 | 31 万 | 不开发 |
结论：当成功概率 < 33% 时，应该不开发。这是你的决策阈值。
产品经理的应用
应用场景一：产品发布决策
你正在决定是否发布一个新功能：
┌─ 用户喜欢（70%）→ +500 万
┌─ 发布 ───┤
│ └─ 用户不喜欢（30%）→ -100 万
开始 ───┤
│ ┌─ 竞品先发（40%）→ -200 万
└─ 延迟 ────┤
└─ 竞品未发（60%）→ +200 万反向归纳：
- 发布：0.7 × 500 + 0.3 × (-100) = 350 - 30 = 320 万
- 延迟：0.4 × (-200) + 0.6 × 200 = -80 + 120 = 40 万
选择发布（320 > 40）。
应用场景二：技术债务清理
你的系统有技术债务，你需要决定是否清理：
┌─ 清理成功（80%）→ 节省 200 万/年
┌─ 清理 ───┤
│ └─ 清理失败（20%）→ 损失 50 万
开始 ───┤
│ ┌─ 维续恶化（60%）→ 损失 300 万
└─ 不清理 ──┤
└─ 维持现状（40%）→ 损失 100 万反向归纳：
- 清理：0.8 × 200 + 0.2 × (-50) = 160 - 10 = 150 万
- 不清理：0.6 × (-300) + 0.4 × (-100) = -180 - 40 = -220 万
选择清理（150 > -220）。
应用场景三：定价策略
你正在决定新产品的定价：
┌─ 高需求（50%）→ +800 万
┌─ 定价 99 ─┤
│ └─ 低需求（50%）→ +200 万
开始 ───┤
│ ┌─ 高需求（70%）→ +600 万
└─ 定价 69 ─┤
└─ 低需求（30%）→ +100 万反向归纳：
- 定价 99：0.5 × 800 + 0.5 × 200 = 400 + 100 = 500 万
- 定价 69：0.7 × 600 + 0.3 × 100 = 420 + 30 = 450 万
选择定价 99（500 > 450）。
常见误区
误区一：概率不是 0 或 1
「要么成功，要么失败，概率各 50%」
现实中的概率很少是精确的 50/50。你需要估计概率——基于历史数据、专家判断、类比分析。
误区二：忽略信息价值
「直接做吧，调研太浪费时间」
调研可能值很多钱。信息价值 = 有调研的期望值 - 没有调研的期望值。如果信息价值 > 调研成本，调研是值得的。
误区三：过度简化
「只有成功和失败两种结果」
现实可能有多种结果：大成功、小成功、持平、小失败、大失败。结果越多，决策树越精确。
误区四：忽略顺序
「先开发再调研」
顺序很重要。先调研再开发，可以避免在需求弱时开发——调研的信息价值取决于它能改变你的决策。
PM/BA 应用
| 场景 | 决策树工具 | 决策价值 |
|---|---|---|
| 产品发布 | 多阶段决策 | 选择最优发布时机 |
| 技术债务 | 风险-收益分析 | 量化清理的价值 |
| 定价 | 概率分支 | 平衡价格和需求 |
| 调研 | 信息价值计算 | 量化调研的 ROI |
| 风险评估 | 敏感性分析 | 找出决策阈值 |
课后测验
题目 1
你正在决定是否投资一个项目：
- 投资 100 万，有 60% 概率赚 300 万，40% 概率亏 100 万
- 不投资，无收益
从期望值角度看，应该：
A. 投资
B. 不投资
C. 无所谓
D. 需要更多信息
查看答案与解析
答案：A（投资）
E(投资) = 0.6 × 300 + 0.4 × (-100) = 180 - 40 = 140 万
E(不投资) = 0 万
140 万 > 0，应该投资。
但注意：投资有 40% 的概率亏 100 万。如果你风险厌恶或资金紧张，可能不投资更好。
题目 2
你的决策树显示：没有调研时，最优决策是 A（期望值 100 万）。调研后，最优决策变成 B（期望值 150 万）。调研成本是 20 万。信息价值是多少？
A. 50 万
B. 30 万
C. 150 万
D. 100 万
查看答案与解析
答案：A（50 万）
信息价值 = 有调研的期望值 - 没有调研的期望值
= 150 万 - 100 万
= 50 万
（调研成本是 20 万，净信息价值 = 50 - 20 = 30 万，但题目问的是「信息价值」，不是「净信息价值」）
信息价值是 50 万。因为调研让你的决策从 A 变成 B，多赚了 50 万。
题目 3
你的决策树显示：当成功概率 > 40% 时，应该开发；当成功概率 < 40% 时，应该不开发。你估计成功概率是 45%。以下哪种说法最准确？
A. 应该开发（45% > 40%）
B. 应该不开发（45% < 50%，不够确定）
C. 需要更精确地估计概率（45% 接近阈值 40%）
D. 应该做更多调研
查看答案与解析
答案：C（需要更精确地估计概率）
45% 接近阈值 40%——敏感区域。在这个区域，概率的微小变化会改变最优决策。
可能的行动：
- 收集更多数据：更准确地估计成功概率
- 做敏感性分析：看哪些因素影响概率最大
- 考虑风险承受能力：如果你风险厌恶，可能在 45% 时就应该保守
A 不够稳健——45% 只比阈值高 5%
B 忽略了决策树的结论
D 不一定——调研可能无法提高概率估计的精度
本课要点
- 决策树 = 决策节点 + 机会节点 + 终止节点——可视化复杂决策
- 反向归纳：从右向左计算，每个节点取期望值最优的分支
- 信息价值：调研值多少钱？= 有调研的期望值 - 没有调研的期望值
- 敏感性分析：概率变了结论会变吗？——找出决策阈值
- 概率估计：基于历史数据、专家判断、类比分析——不是拍脑袋
延伸阅读
- Raiffa, 《Decision Analysis》 — 决策树的经典教材
- Howard, 《Decision Analysis: Applied Decision Theory》 — 信息价值的理论
- Clemen, 《Making Hard Decisions》 — 决策树的实践应用
下一步
下一课：净现值与投资回报率 — 用财务指标量化投资决策。
工具提示：画决策树时，先列出所有可能的结果（不只是成功/失败），再估计每个结果的概率和收益。结果越细致，决策越精确。