1. 一个具体问题
团队可以立即推出新服务，也可以先做小范围试验，再根据反馈决定是否投入。若把两种方案只写成一张优缺点表，很容易漏掉“试验后可以停止”的选择价值。决策树把行动、随机结果和后续选择按发生顺序画出来。
2. 一句话解释
决策树分析把可控选择与不确定事件分开表示，并从末端向前比较结果，帮助处理分阶段决策。
3. 出处与原意
决策树是决策分析中的基础工具，John F. Magee 在 1964 年的管理文章中推动了其商业应用。它有更广泛的概率与运筹学基础，不宜视为该文章独自发明。这里讨论的是选择分析树，不是机器学习中自动分类的树模型。
4. 原理与机制
决策节点表示自己能选择的分支，机会节点表示无法直接控制的结果，末端记录统一口径的净收益或效用。机会节点按条件概率加权，决策节点选取符合目标的分支，再逐层向前计算。关键是保持信息顺序：不能在尚未看到市场反应时，假装已经知道其结果。概率需要说明依据，同一机会节点下互斥且穷尽的结果概率应加总为一。现金期望不是唯一标准，还应检查最差结果与承受能力。
试验的价值来自它可能改变后续选择。如果无论结果好坏团队都决定继续，那么试验通常没有提供决策价值，尽管它仍可能有练习或交付价值。完美信息价值可以作为购买信息的理论上限，但现实信息会有误差，且需要时间与费用。把这些因素写在树上，有助于判断是现在行动、先调查，还是保留等待选项。
5. 一个完整案例
假设案例：推出课程需投入五万元，成功时总回款十二万元，失败时回款两万元，成功概率估为一半。直接推出的期望净收益为 0.5×7+0.5×(−3)=2 万元。团队另考虑先用一万元做试课；但不能直接假设试课会完美预测成功，而要估计好反馈和差反馈各自出现的概率，以及反馈后正式课程成功的条件概率。若缺少这些数据，树会清楚暴露信息缺口。团队先收集历史试课记录，而不是用一张漂亮图制造确定性。
6. 适用条件与反例
适合阶段投资、试验选择和有明显先后关系的风险决策。分支太多时树会迅速膨胀，可能需要简化或仿真。若概率主要靠拍脑袋，计算结果应配合敏感性分析，不能因为小数精确就认为结论可信。
7. 今天可以尝试的行动
为一个当前选择画两层树，标出哪些节点由你决定、哪些由环境决定。统一末端收益是否已经扣除成本，检查你在每个节点实际知道什么。然后改变最不确定的概率，看结论是否随之翻转。