ビジネスは常に、意思決定（目標を達成するために必要な行動を選択すること）の連続です。ただ、この意思決定が勘や経験だけに基づくものだったり、単なる前例踏襲だったりすると、周囲から「なぜ、その選択をしたの？」と尋ねられたときに論理的な説明ができません。そこで紹介したいのが、「樹形図（決定木）」を作って考え得る行動の選択肢を洗い出し、最良のものを選び出すフレームワーク「ディシジョンツリー」です。

１　ディシジョンツリーとは

ディシジョンツリー（Decision Tree）とは、「決定木」や「決定木分析」と訳されるもので、

何かの意思決定をする際、考え得る選択肢の中から最良のものを選び出すフレームワーク

です。決定木と呼ばれる理由は、

木の形をした「樹形図（決定木）」を作って、欲しい答え（目標変数）にたどり着くための条件（説明変数）を見つけるから

です。
ディシジョンツリーを使うことで、勘や経験だけでなく、定量的な分析に基づいた判断がしやすくなります。この記事では、ディシジョンツリーにおいて必要な知識とその作り方、そして書き込みシートを紹介します。

２　ディシジョンツリーで大切な分類木と回帰木

1）分類木とは？

分類木とは、

顧客の購買データなどを、年齢や年収などで区分しながら作成する樹形図

です。例えば、図表1では、ECサイトで商品Aという高額商品を購入した顧客データから見込み客を選定しています。

図表1では、「年齢40代以上、年収600万円以上」の人が最も有力な見込み客となっています。分類木には、

早めに出てくる分岐ほど力が強くなる（重要度が高い）

という特徴があります。例えば、年代で別々の広告手法を模索しているなら「年齢」、地域なら「居住地」などが分岐の条件になります。

2）回帰木とは？

回帰木とは、

取り得る行動を「結果の数値」「発生する確率」に応じて分岐させ、各分岐の期待値（結果の数値×発生する確率）を算出するための樹形図

です。例えば、図表2では、見込み客に商品をPRするために、Web広告を「出す」「出さない」を判断するのに回帰木を使っています。ここでは、

としています。
なお、樹形図の「□」「○」「◁」の意味は次の通りです。

□（意思決定ノード、決定ノード）：自分で分岐を選べる（意思決定によって決まる）
○（確率ノード、イベントノード）：自分で分岐を選べない（確率によって決まる）
◁（終点ノード）：これ以上は行動を起こさないので、分岐しない（終点である）

図表2は、おおまかなイメージを示したものなので、収益や確率の具体的な数値を記載していません（Web広告を出さない場合については、収益は「100％」の確率で「0円」となります）。次章でもう少し詳しく説明します。

３　ディシジョンツリーの作り方

1）Web広告を出すか否か

ここまでの流れを確認しましょう。
あなたは商品Aを販売するに当たり、「分類木」を使ったディシジョンツリーで、見込み客を選定しました。見込み客は、40代以上の年収600万円以上の層でした（図表1を参照）。
次に、「回帰木」を使ったディシジョンツリーで、この層に商品Aを効果的にPRする方法としてWeb広告を検討しました。Web広告費は100万円で、Web広告が「好調」なら収益は300万円、「不調」なら収益は30万円と想定しています。そのディシジョンツリーは図表3の通りです。なお、あなたはWeb広告が好調となる確率を20％と推定しています。

図表3の場合、ディシジョンツリーの作成手順とポイントは次の通りです。

1.「決定」の分岐を示す
意思決定の可能性の分岐です。図表3では、Web広告を「出す」「出さない」の2分岐になります。

2.「結果」の分岐を示す
意思決定によって生じる「結果」の可能性であり、その確率は作成者が決めます。図表3では、Web広告を「出す」場合、その「好調」「不調」の2分岐になります。

3.全ての分岐を終点まで洗い出す
「結果」の分岐の先でさらに行動を起こす場合、「決定」の分岐（成功した場合どうするのか、失敗した場合どうするのかなど）を付け足します。何も行動を起こさない場合、そこが分岐の終点となります。図表3では、Web広告を「出す」場合の結果（2分岐）と、「出さない」場合の結果（分岐なし）が終点です。最後に、終点ごとに収益を書き込みます。

2）Web広告を出すか否か、広告調査を実施するか否か

図表3は、Web広告を出すか否かのみを決定するディシジョンツリーですが、実際のビジネスの意思決定はもっと複雑です。例えば、Web広告を検討する際に、リサーチ会社に「広告調査」（ターゲットにリーチしやすい広告媒体やデザインなど）を依頼するか否かも検討するといった具合です。
この広告調査を組み入れて、Web広告を「出す」「出さない」を判断したディシジョンツリーは図表4の通りです。なお、広告調査を「実施しない」場合の分岐は図表3と同じなので、ここでは一旦置いておきます。

図表4の場合、ディシジョンツリーの作成手順とポイントは次の通りです。

1.「決定」の分岐を示す
図表4では、広告調査を「実施する」「実施しない」の2分岐になります。

2.「結果」の分岐を示す
広告調査を「実施する」「実施しない」の分岐の先に、「結果」の分岐を付け足し、発生する結果とその確率を書き込みます。

3.全ての分岐を終点まで洗い出す
「結果」の分岐にWeb広告を「出す」「出さない」という「決定」の分岐を付け足します。図表4では、この意思決定が終点となります。最後に、終点ごとに収益を書き込みます。
そして、図表3（広告調査を実施しない場合の分岐）と図表4（広告調査を実施する場合の分岐）を組み合わせた完成形が図表5であり、A～Gの7つの終点ができています。

樹形図が完成したら期待値を計算します。手順とポイントは次の通りです。

4.終点での期待値を計算する
期待値は、（結果の数値）×（発生する確率）で求められます。上から順に、広告調査を実施する分岐（終点A～D）では、

となります。
次に、広告調査を実施しない分岐（終点E～G）では、

となります。

5.不要な選択肢を刈り取る
次に、不要な選択肢を刈り取ります。不要な選択肢とは、簡単に言うと「論理的におかしい選択肢」のことです。図表6のように「☓（バツ）」を付けます。

　図表6の場合、

という選択肢が刈り取りの対象です。選択肢を刈るときに大事なのが、

です。ディシジョンツリーはあくまで数値で結果を得るものなので、感覚を交えた判断は結果を出した後に行います。また、「何を刈り取ったのか」を見返したり、「なぜ刈り取ったのか」を社内で話し合ったりすることがあるので、×印を付けるなどにとどめ、後から確認できるようにします。

6.初めの選択肢ごとの期待値を集計する
最後に、初めの選択肢ごとの期待値を求めます。

ここでいう初めの選択肢とは、

の3つです。具体的には、図表7の緑枠で囲った部分（α群、β群、γ群）ごとの期待値を出します。また、

「結果」の分岐の先では、関わってくる数値全てに割合が影響する

という点に注意が必要です。例えば、20％で分岐している先でかかる費用が100万円なら、期待値から引くべき費用は20万円（100万円×20％）です。
以上を踏まえると、α群、β群、γ群それぞれの期待値は次のようになります。なお、広告調査の費用は20万円とします。

この場合、最も期待値が高いのはα群です。従って、今回は、

広告調査を「実施」し、「好調」となる場合、Web広告を「出す」

という選択を取ることとなります。
また、今回は広告調査を実施する前の段階でディシジョンツリーを作成していますが、実際に広告調査を行った場合には、その結果を踏まえて数字（収益や確率）を修正し、再度ディシジョンツリーを作り直すと、より精度の高いものになります。

４　ディシジョンツリーで特に陥りやすいポイント

1）過学習になっている（条件を増やし過ぎていないですか？）

過学習になる、つまり分岐が増え過ぎるとディシジョンツリーの良さを潰してしまうことになります。理想としては、図表8のように、

縦に見て4分岐前後が最適

とされます。

もしも分岐が多くなるようであれば、図表3と図表4で実践したように、小さなディシジョンツリーを別々に作って見比べて判断するとよいでしょう。

2）結果に違和感がある

ディシジョンツリーの結果が出たものの、「この結果は本当に妥当なのか？」と違和感を覚えることがあります。期待値の計算結果と勘や経験、どちらが正しいのかを考える前に、

参考となるデータ、設定した数値、想定され得る選択肢の数などの条件が足りているか

を確認してみましょう。また、

「結果」の発生する確率や予測した収益などの見積もりに違和感はないか

も確かめてみましょう。数字を設定するのは作成者自身なので絶対の正解はありませんが、社内の他の人にも意見を聞いてみて納得が得られない場合、数字の見直しが必要かもしれません。

５　書き込みシート

最後に、実際にディシジョンツリーで意思決定を行うための書き込みシートを紹介します。プリントアウトしてお使いください。図表9は、1～3つの意思決定で悩んでいるときにお使いいただけます。

図表10は、2段階の意思決定が発生するときにお使いいただけます。

以上（2022年12月作成）

画像：AVA Bitter-Shutterstock