在众多数据分析模型中，决策树是最为简单直观的一种算法。它就像我们平常做决定时的过程，逐步排除可能的选项，最终得出结论。
决策树是一种监督学习方法，广泛应用于分类和回归任务。它以树状结构模拟决策过程，通过一系列如果-那么的规则进行推理。今天和大家一起来学习分享下这种分析方法。
一、决策树分析是什么？
决策树模型名称的由来就是因为其和一颗树一样，从底部的根向上生长，每个分支代表一个规则，每片叶子表示一个最终结果。
去医院看病，医生会问你：发烧吗？咳嗽吗？痰什么颜色？——每个问题都在缩小范围，几个问题下来诊断就出来了。
决策树做的就是这件事：用一连串判断把样本分到正确的类别。决策树画的是一个个框框——框框里的样本属于同一类，框框和框框之间就是决策边界。
决策树的核心价值，一句话概括：把复杂决策，变成一道可计算的数学题。
决策树的构成包括：
根节点：是树的起点，代表整个数据集；
决策节点/内部节点：每个节点代表一条决策规则
叶节点：代表决策结果
用树状结构直观展示：
决策节点（□方框）：你能控制的选择，比如"投A还是投B"
机会节点（○圆圈）：你无法控制的不确定性，比如"市场好概率70%，差概率30%"
结果节点（△三角）：每个路径的最终收益或损失
具体而言，决策树分析能够将复杂业务逻辑可视化，帮助管理者在不确定环境下做出理性决策。国内某大型消费品企业采用决策树与集成学习结合后，销售预测准确率提升至92%，库存周转率同比增长18%。
二、决策树分析基本步骤
决策树的使用步骤如下：
1. 识别需要做出决策的问题，并将其作为树的根节点。
2. 为每个可能的决策或事件的结果创建一个分支。
3. 对于每个分支，如果它导致一个需要进一步决策的情况，就创建一个新的决策节点，并为该节点的每个可能决策创建新的分支；如果它导致一个最终结果，就创建一个叶子节点。
4. 一直这样做，直到所有的分支都结束于一个叶子节点。
5. 根据每个叶子节点的结果和相应路径的概率，分析和比较不同的决策路径，以确定最佳决策。决策树可以用于各种决策问题，包括商业决策、医疗决策、工程决策等。
1.第一步：明确决策问题
关键问题：你要解决什么？有哪些可选方案？
以经典的企业扩产案例为例：某电池企业准备扩大二轮锂电池生产。
市场预测：销路好的概率0.7，销路差的概率0.3。
方案一：建大工厂，投资1000万，使用10年。销路好年盈利280万，销路差年亏损60万。
方案二：建小工厂，投资500万。销路好年盈利150万，销路差年盈利50万。
方案三：先建小工厂，3年后若销路好再扩建（投资500万，使用7年，扩建后年盈利300万）。
三个方案，怎么选？这就是决策树要解决的问题。
2.第二步：绘制决策结构
从左到右，按时间顺序展开：
3.第三步：计算期望值
这是决策树的灵魂：
期望值 = 各结果值 × 对应概率，再求和。
（1）方案一期望值：
销路好：0.7 × 280 × 10 = 1960万
销路差：0.3 × (-60) × 10 = -180万
总期望收益：1960 - 180 - 1000（投资）= 780万
（2）方案二期望值：
0.7 × 150 × 10 + 0.3 × 50 × 10 - 500 = 850万
（3）方案三期望值（关键在3年后的决策）：
3年后若销路好，扩建 vs 不扩建：
扩建：7×300 - 500 = 1600万
不扩建：7×150 = 1050万
选择扩建：（1600万>1050万）前3年150×3 = 450万
总期望：0.7×(450 + 1600) +0.3×50×10-500 =1585万
3.第四步：剪枝决策
从上面的期望净收益可以快速得出：方案三最优！
因此，可以先建小工厂试水，3年后根据市场反馈决定是否扩建——这就是决策树的"柔性策略"魅力。
3.第五步：敏感性检验
假设市场好的概率从0.7降到0.5，结果会变吗？
重新计算方案三：
0.5 × (450 + 1600) + 0.5 × 50 × 10 - 500 = 1025万
仍然是三个方案中最高的。
方案一：0.5×280×10 + 0.5×(-60)×10 -1000 = 200万；
方案二：0.5×150×10 + 0.5×50×10 -500 = 500万）。
这说明：即使市场环境变差，方案三依然稳健。
三、决策树分析适用场景
决策树分析的核心思想把数据集看作一个整体，然后根据一系列"是/否"类型的问题（基于特征），反复地将数据划分成更小的、更"纯粹"的子集。
最终，每个最末端的子集（称为"叶子节点"）里的数据，它们的平均值就是该区域的预测值。
决策树分析有2个常见的适用场景：
（一）场景一：风险策略客户分群（核心应用）
这是决策树最经典的应用场景，在贷前审批环节，风控团队需要根据申请人的多维特征，快速判断其风险等级，并匹配差异化的审批策略。
具体做法：以历史客户的违约标签（好坏样本）为目标变量，以年龄、收入、负债比、征信记录等为特征变量，训练一棵分类决策树，树的每一个叶子节点对应一个客群，每个客群内部的违约率相对一致。
策略落地：
叶子节点违约率<2% → 自动审批通过，授予高额度；
叶子节点违约率在2%~8% → 标准审批流程，可能要求补充材料；
叶子节点违约率>8% → 人工复核或直接拒绝
优势：相比一刀切的策略，决策树分群能大幅提升审批通过率的同时控制整体坏账率。
（二）场景二：策略规则生成与策略调优
在风控策略体系中，规则是最基础的决策单元，传统的规则生成依赖业务专家经验（如“年龄<22岁且无房且收入<5000 → 拒绝”），效率低且容易遗漏有效规则。
决策树能够自动化地从海量数据中挖掘出高区分度的规则。
具体做法：训练一棵决策树（可适度剪枝以避免过拟合），然后提取从根节点到每个叶子节点的完整路径，每条路径就是一条规则。例如：
规则1：近3个月征信查询次数≥5 且 月收入<3000 → 高风险
规则2：近3个月征信查询次数<5 且 历史最大逾期天数≥30 → 中高风险
规则3：近3个月征信查询次数<5 且 历史最大逾期天数=0 且年龄≥35 → 低风险
策略调优：
新规则上线前，可在历史数据上回测其命中率和坏账率；
决策树规则可以自动计算每条规则的提升度（Lift），帮助策略人员优先部署高价值规则；
对于已有规则集，决策树可以发现规则之间的交互效应（如“规则A只在客群B中有效”），从而优化规则的执行顺序。
对企业经营和决策而言，决策树不仅是一个实用工具，更是一种思维训练，它教会我们如何将复杂的风控问题拆解为一系列简单的判断，如何在“分而治之”的思路下设计精细化的策略体系。
CDA数据分析师认证贴合当下职场需求，搭建系统化数据能力体系，覆盖全行业数据分析技能，是政企、大厂认可的权威资质。零基础也能进阶，适配运营、产品、职场新人等各类人群。不用盲目自学，考取CDA，既能吃透AI工具落地逻辑，又能掌握核心业务分析能力，轻松摆脱工具内卷，解锁升职加薪、转行进阶的硬核竞争力！
