决策树分析

技能简介

决策树分析是一种可视化工具，用于在不确定条件下进行系统性决策。通过构建树状结构，将决策节点、随机事件与最终结果串联，计算各选项的期望价值（EV），辅助用户在投资、商业、职业等多领域做出理性选择。

业务背景

决策树分析帮助业务人员在复杂选择中理清思路。无论是评估新产品投资、判断市场进入时机，还是团队扩张决策，都能将模糊的判断转化为可视化的路径对比。通过量化各选项的期望收益与风险分布，让跨部门沟通有据可依，减少拍脑袋决策带来的资源浪费。

落地案例：某区域经理需在两个方案中抉择：A方案投入50万开拓新城市，成功概率40%，预期年收益200万；B方案投入20万深耕现有市场，成功概率70%，预期年收益80万。使用决策树分析计算期望价值后，A方案EV为80万，B方案EV为56万，结合团队资源现状，最终选择A方案并制定分阶段投入计划以降低风险。

能做什么

• 评估多选项投资或商业决策的期望收益
• 量化风险/回报场景，辅助仓位管理与进出场判断
• 结构化梳理复杂选择（产品发布、招聘、扩张等）
• 对比不同行动路径的潜在结果与概率分布

使用说明

安装指令：本技能为纯分析框架，无需安装依赖，直接调用即可使用。

使用步骤：

1. 定义选项：列出所有可能的行动方案
2. 定义结果：明确每个行动后可能发生的各类结果
3. 估计概率：为每种结果分配发生概率（0-100%）
4. 估计价值：用货币、效用单位等量化各结果的价值
5. 计算EV：期望价值 = Σ（概率 × 价值）
6. 择优执行：选择期望价值最高的选项

输入与输出

见下方输入与输出表格。

风险提示

• 概率与价值估计具有主观性，可能偏离实际情况
• 未考虑个人风险偏好与损失厌恶心理
• 模型简化现实，黑天鹅等真正不确定性无法覆盖
• 输入数据微小变动可能导致结论大幅变化
• 存在更精确方法（如随机森林），本方法侧重思维结构化

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/evgyur/decision-trees/SKILL.md
来源类型：GitHub仓库