- 論理的意思決定の基礎を学習
- 数値評価で客観性重視
- 経験が未来戦略を創る
複数の選択肢があり、どの道を選ぶべきか迷うときは、選択後に起こりうることを順番に整理すると、判断の根拠を共有しやすくなります。そのための代表的な方法がデシジョンツリーです。選択肢や将来の出来事を枝分かれする形で表し、結果や確率、費用などを整理することで、検討の全体像を見えるようにします。
デシジョンツリーという言葉は、意思決定の手順を図にする方法と、データから分類・予測のルールを作る分析手法の両方を指します。どちらも樹形図を使いますが、前者は選択肢と将来のシナリオを比較するため、後者は過去のデータをもとに結果を分類・予測するために使います。目的を区別して理解すると、必要な作り方や評価方法を選びやすくなります。
図を描けば自動的に正解が決まるわけではありません。目的の置き方、選択肢の漏れ、確率やデータの質、評価する指標によって、結論は変わります。デシジョンツリーの基本用語から、期待値の計算、機械学習での分類木・回帰木、活用時の注意点まで順に整理し、実務で判断材料として役立てるための考え方を解説します。
デシジョンツリーとは何か:樹形図で選択肢と結果を整理する
デシジョンツリーは、ある問いや目的を起点に、選べる行動や発生しうる出来事を枝分かれさせ、最終的な結果までを樹形図で表す方法です。「決定木」と呼ばれることもあります。英語のdecision treeを日本語にした名称で、枝が伸びていく図の形が木に似ていることから、この名が使われています。判断の過程を一つずつたどれるため、選択肢の比較やデータ分析に用いられます。
たとえば、新しいサービスを始めるか検討する場合、「実施する」「見送る」という判断から始め、実施した場合は「需要が高い」「需要が低い」などの展開を考えます。その先に、売上や費用、必要な追加対応などを記入すれば、選択と結果のつながりが見えてきます。文章だけでは混ざりやすい「自分たちが選べる行動」と「選んだ後に起こること」を分けて考えられる点が特徴です。
意思決定で使うデシジョンツリーでは、各選択肢の結果に金額や時間、品質などを割り当てて比較することがあります。発生確率が見積もれる場合は、確率も加えて期待値を計算できます。一方、数値化が難しい判断では、リスク、実行可能性、顧客への影響などを基準にして、定性的に比較することも可能です。図の目的に合わせて、数値と説明を使い分けます。
機械学習でいうデシジョンツリーは、データを条件に沿って分割し、結果を分類したり数値を予測したりするモデルです。年齢や利用状況などの情報を使い、顧客がサービスを継続するかどうかを予測する、といった用途があります。樹形図の見た目は似ていますが、こちらは過去のデータから分岐条件を学習させるものです。人が選択肢を並べて検討する図と、データ分析用のモデルを混同しないことが出発点になります。
用途によって異なるデシジョンツリーの二つの使い方
デシジョンツリーを使う前に、何を明らかにしたいのかを確認します。人が選択肢を比べたいのか、データから分類ルールや予測値を得たいのかによって、図に含める情報も、結果の評価方法も異なるためです。両方の用途に共通するのは、条件と結果の関係を段階的に示すことですが、作成者や計算の仕方まで同じとは限りません。
前者は、事業投資、プロジェクト計画、業務改善など、これから取る行動を選ぶ場面に向いています。後者は、顧客の購入・解約の傾向、問い合わせの分類、数値の予測など、データを使って規則性を調べる場面で利用されます。以下では、二つの用途をそれぞれ分けて見ていきます。
意思決定を支援するツリー
意思決定支援では、最初の分岐に「自分たちで選べる行動」を置きます。たとえば、業務システムを刷新するか、現行の仕組みを改修するか、当面は変更しないかという選択肢です。その先には、導入後に起こりうる状況や、判断を左右する不確実な出来事をつなげます。最後に費用や便益、実施期間、業務への影響などを書き、選択肢ごとの違いを比較します。
この用途では、分岐の意味を明確にすることが大切です。自分で決定できる事項と、市場の反応や技術上の問題のように自分では制御できない事項を同じ種類の分岐として扱うと、責任の所在や対応策が曖昧になります。行動の選択と偶然に左右される結果を区別しておけば、どこで意思決定が必要なのか、どのリスクに備えるべきなのかを関係者が把握しやすくなります。
また、意思決定支援のツリーは、一度決めたら終わりという図ではありません。新しい調査結果が得られたときや、プロジェクトの節目を迎えたときに、確率や費用、選択肢を見直せます。とくに段階的な投資では、初期調査の結果を確認してから次の投資を判断するなど、途中で判断を更新する設計が有効です。将来の判断時点を図に入れることで、状況に応じた対応も検討できます。
機械学習における決定木分析
機械学習の決定木は、過去のデータを条件によって分割し、目的とする結果を分類・予測するモデルです。機械学習とは、データからパターンを学び、新しいデータに対して予測や判定を行う技術を指します。モデルを作る際は、予測したい結果を目的変数、結果に関係しそうな入力項目を説明変数と呼びます。たとえば、契約継続の有無を目的変数、利用頻度や問い合わせ履歴を説明変数にできます。
分類木は、結果をいくつかのグループに分けるタイプです。「購入する/しない」「問い合わせの種類」「契約を継続する/解約する」のように、結果がカテゴリで表されるときに使います。回帰木は、売上や所要時間など、連続した数値を予測するタイプです。どちらも条件によってデータを分割しますが、最終的に出力するものがカテゴリか数値かで区別されます。
分析結果は、たとえば「利用期間が短く、問い合わせ回数が多い利用者は解約リスクが高い」といった条件の組み合わせとして表れます。条件をたどって結論に至る形なので、複雑なモデルと比べて説明しやすい場合があります。ただし、分岐が多くなれば図が複雑になり、少数のデータに合わせすぎると新しいデータで予測が外れやすくなります。読みやすさと予測性能を合わせて評価する必要があります。
二つの用途を混同しないための確認
会議で「デシジョンツリーを作る」と話すときは、どちらの用途を指すのかを最初に確かめると、必要な準備をそろえやすくなります。意思決定支援なら、取りうる行動、将来のシナリオ、評価指標や確率の見積もりが中心です。機械学習なら、目的変数と説明変数、学習用データ、評価用データ、モデルの精度や再現性などが重要になります。
両者を組み合わせることもあります。たとえば、機械学習のモデルが顧客の離反可能性を予測し、その予測をもとに、担当者がどのような対応を取るかを意思決定ツリーで整理する方法です。ただし、予測結果は行動そのものではありません。予測が正しいか、対応に必要な費用や顧客への影響はどうかを検討し、実行するかどうかを別途判断する必要があります。
特に注意したいのは、分析で見つかった条件を、原因と即断しないことです。決定木が示すのは、手元のデータにおいて結果と結びついていた条件です。たとえば、問い合わせ回数と解約に関連が見つかっても、問い合わせが解約を直接引き起こしたとは限りません。もともと不具合を抱えた顧客が問い合わせと解約の両方を経験している可能性もあります。追加の調査や業務知識を合わせて解釈します。
デシジョンツリーを構成する要素と図の読み方
意思決定を表すデシジョンツリーでは、分岐点をノード、ノード同士をつなぐ線を枝と呼びます。ノードには、選択する地点、確率的な出来事が分かれる地点、最終結果を示す地点などがあります。図の記号は資料や分野によって違いがあるため、正方形や円の形だけに頼らず、凡例やラベルで意味を説明すると誤解を防げます。
意思決定ノードは、実行する人や組織が選択できる地点を示し、一般に四角形で表されます。例として「自社で開発する」「外部サービスを利用する」などがあります。各枝には選択肢の名前を付けます。選択肢の枝を作るときは、実際に選べる行動だけを並べ、実行できない理想案や結果の予測を混在させないようにします。
確率ノード、またはチャンスノードは、行動を選んだ後に起こる不確実な出来事を示し、円形で表すことがあります。「需要が高い/低い」「期限内に完了する/遅延する」のような分岐が該当します。確率を記入する場合は、同じノードから出る枝が互いに重ならず、想定する結果を漏れなく含むようにします。その条件を満たせば、枝に付ける確率の合計は1、百分率なら100%になります。
終点ノードは、そこから先に分岐しない最終結果です。結果の名前だけでなく、評価に必要な金額、所要時間、品質、損失などを記入すると比較しやすくなります。機械学習の木では、終点にあたる部分を葉と呼び、分類結果や予測値を示します。図を読むときは、起点から枝をたどり、どの条件を経て結果に至るのかを確認します。枝のラベルが曖昧だと、同じ図を見ても異なる解釈になりやすいため、具体的な言葉を使います。
作成手順:目的の設定から分岐の整理まで
デシジョンツリーは、先に図を描き始めるよりも、何を決めるための図なのかを言葉で定義してから作るほうが効率的です。目的が曖昧なまま選択肢を増やすと、途中で評価軸が変わり、枝の追加や作り直しが続くことがあります。作成の前に、判断する人、判断する時期、利用できる情報、最終的に決めたい事項を確認します。
作成後は、図を関係者と読み合わせて、選択肢の漏れや前提の違いを見直します。数値を置く場合には、その根拠や幅も共有します。ここでは、意思決定を支援するツリーを作る際の流れを、三つの観点に分けて説明します。
問いと評価基準を決める
最初に、ツリーで答えたい問いを一文にします。「新しい顧客管理システムを導入すべきか」「繁忙期の問い合わせにどの体制で対応するか」など、判断対象が特定できる表現が適しています。問いが「業務を改善するにはどうすればよいか」のように広すぎる場合は、対象業務や期間、判断する範囲を絞ります。決定の主体が複数あるときは、誰が最終判断するかも確認します。
続いて、候補を比べる評価基準を決めます。費用対効果を重視するのか、導入までの時間を短くするのか、顧客への影響や運用リスクを優先するのかによって、望ましい選択肢は変わります。基準が複数ある場合は、何を優先するか、最低限満たす条件は何かを分けて考えます。目的と評価基準を別々に書き出すと、「何を決める図か」と「何をもってよい結果とするか」を混同しにくくなります。
評価基準は、あとから都合よく変更しないよう、作成時点で関係者と合意しておくことが重要です。たとえば、導入費用だけで候補を比較していたのに、結論を出す段階で運用負荷を加えると、当初の評価と別の判断になります。基準を追加する必要が生じた場合は、追加理由と影響を記録し、各選択肢を同じ条件で再評価します。数値化しにくい基準も、定義をそろえれば比較材料として使えます。
選択肢と将来の出来事を分けて展開する
次に、最初の意思決定ノードから、実際に選べる行動を枝として配置します。候補は、現時点で実行可能な選択肢に限定します。「何もしない」「現状を維持する」も有効な比較対象になりえます。候補を並べたら、各選択肢を選んだ後に起こりうる出来事を洗い出し、結果が分かれる地点に確率ノードを置きます。行動と結果を同じ枝にまとめず、段階を追って表現します。
将来の出来事を考える際は、担当者一人の見込みだけに頼らず、過去の実績、専門家の意見、顧客調査、技術検証など、利用できる根拠を確認します。確率を十分に見積もれない場合は、無理に精密な数字を置かず、幅や高・中・低のシナリオを使う方法があります。その際も、どの情報をもとに判断したかを残し、確率が変わったときに更新できる状態にします。
枝を増やすときには、同じ結果を別の言葉で重複させていないか、考慮すべき結果が欠けていないかを点検します。たとえば「計画どおり」「予定より早い」「予定より遅い」と分けるなら、それぞれの定義が重なっていないことを確かめます。また、すべての枝を細部まで展開する必要はありません。判断を変える可能性のある分岐を優先し、意思決定に影響しない枝はまとめることで、図の読みやすさを保てます。
終点の評価とレビューを行う
各終点には、評価基準に沿った結果を記入します。金銭で比較するなら、売上だけでなく導入費、運用費、追加対応費などを同じ期間・同じ基準で扱います。時間を重視するなら、準備期間や運用開始後の作業時間も考えます。数値に幅がある場合は、単一の値に置き換えて隠すのではなく、楽観・標準・慎重な見込みを並べると、前提による違いを把握できます。
図ができたら、作成に参加していない人にも、起点から終点まで一度たどってもらいます。選択肢の意味が伝わるか、確率の合計が適切か、費用を二重に引いていないか、最終的な評価が目的と合っているかを確認します。専門用語や略語は必要に応じて説明を添え、図だけで意図が読めない場合は、前提や評価方法を短い注記として示します。
最後に、決定事項だけでなく、見送った案とその理由、結果を見直す条件、次の確認時期も残します。デシジョンツリーは判断時点の情報を整理するものであり、未来を確定させるものではありません。前提が変わったときに、どの確率や費用を更新するのか、どの分岐点で再判断するのかが分かると、図を実際の運用に結びつけられます。
期待値の計算で選択肢を比べる方法
確率と金額を扱う意思決定では、期待値を使って複数の結果を一つの指標に整理できます。期待値とは、それぞれの結果の値に発生確率を掛け、合計した値です。結果が一度だけ起こると断定するものではなく、同じ条件の判断を繰り返したときの平均的な見込みを表します。発生確率が見積もれ、結果を共通の単位で評価できる場合に役立ちます。
簡単な例として、ある施策を実施した場合、成功すると便益が得られ、うまくいかない場合は便益が得られないと仮定します。成功確率をp、成功時の便益をB、失敗時の便益をL、実施費用をCとすれば、期待値は「p×B+(1-p)×L-C」と表せます。ここで扱う数値は、計算方法を示すための仮定です。実際の判断では、自社のデータや検証結果に基づく値を使います。
将来の途中で新たな判断がある場合は、終点から起点に向かって計算します。まず、最も先の確率ノードで、各結果の値に確率を掛けて合算します。次に、その値を一つ前の選択肢へ戻し、選択肢ごとの費用を差し引くなどして比べます。意思決定ノードでは、設定した評価基準に照らして選ぶ枝を決めます。このように後ろから計算する方法は、複数段階の判断を整理するうえで有効です。
期待値が高い選択肢が、常に組織にとって最適とは限りません。損失が許容範囲を超える、資金繰りに影響する、法令や安全上の条件を満たさないといった場合は、平均値だけで決められません。期待値に加え、最悪時の損失、結果のばらつき、実行可能性、撤退できるかどうかを確認します。リスクを避けたいのか、一定の損失を許容して成長機会を取るのか、意思決定者の方針も判断に反映させます。
デシジョンツリーのメリットと限界
デシジョンツリーの利点は、選択肢から結果に至る筋道を視覚的にたどれることです。結論だけでなく、どの条件や前提を経て判断に至ったかを示せるため、関係者間で認識をそろえやすくなります。担当者の直感だけで話を進めるのではなく、どの情報を根拠にしたかを明示でき、議論が必要な箇所も見つけやすくなります。
複雑な判断を段階に分けられることも利点です。選択肢が多い問題を一度に比較すると、論点が混在しがちです。デシジョンツリーなら、最初に行動を選び、その後に起こる可能性を確認し、さらに次の判断へ進むという順番を表せます。途中で追加調査をする選択肢を入れることもできるため、情報を得てから決める場合と、すぐ決める場合を比較できます。
一方、結果は入力した前提に左右されます。選択肢を漏らしたり、確率を誤って見積もったり、評価軸を偏らせたりすれば、図が整っていても判断は適切とは限りません。数値が細かく記載されているほど確かな分析に見えることがありますが、根拠が弱い値を小数点以下まで示しても、確実性が高まるわけではありません。数値の出所と不確かさを併記する姿勢が欠かせません。
また、枝が増えすぎると、全体を読み取る負担が大きくなります。人の判断を支援する図では、細部を網羅することより、重要な選択と結果を把握できることが大切です。機械学習の決定木では、細かく分岐させることで学習データにはよく当てはまっても、新しいデータで予測が外れる過学習が起こりえます。用途ごとの限界を理解し、図の単純さと情報量、予測精度のバランスを取ります。
作成時によくある失敗と見直し方
よくある失敗の一つは、問いが広すぎることです。「売上を伸ばすには」「顧客満足度を高めるには」といった大きなテーマをそのまま起点にすると、対策案が際限なく増え、何を決めるための図なのか見失いやすくなります。対象となる商品、顧客、期間、担当部署などを限定し、判断可能な問いに変えると、必要な選択肢と評価基準を整理しやすくなります。
選択肢が網羅されていない場合も、結果に偏りが生まれます。複数案を比較していても、「何もしない」「小規模に試す」「段階的に進める」といった現実的な選択肢が抜けていれば、比較そのものが不十分です。最初から完璧な案を並べる必要はありませんが、関係者に候補を出してもらい、実施可能性や制約を確認しながら補います。案の数を増やすことが目的ではなく、判断に影響する代替案を押さえることが重要です。
確率の扱いでは、枝同士の重複や抜けに注意します。「成功」と「予定どおり進行」が同時に起こるような分岐は、結果の定義が異なるため、同じ確率ノードで比較すると解釈が難しくなります。分岐ごとに、互いに重ならない結果を設定し、合計が想定する全体をカバーしているかを確認します。十分な根拠がない場合は、確率を断定せず、複数の想定で結論がどう変わるかを示します。
評価指標の不統一も判断を誤らせます。ある案は初期費用だけ、別の案は数年間の運用費まで含めると、公平な比較になりません。対象期間、費用に含める項目、便益の算定方法をそろえます。顧客満足や安全性など、金額に置き換えにくい要素を無視するのも避けたいところです。数値評価と定性的な評価を分けて記載し、数値に反映できない重要事項は、最終判断の条件として明示します。
機械学習で使う場合の評価と他の分析手法との違い
機械学習のデシジョンツリーでは、学習に使ったデータでの当てはまりだけを見てモデルを選ぶのは危険です。学習データに過度に適合すると、未知のデータに対する性能が低下することがあるためです。学習に使わない検証用データで予測を確かめ、分類なら正解率や適合率・再現率など、目的に合った指標を使います。どの指標を重視するかは、誤分類したときの影響によって変わります。
過学習を抑える方法の一つが、木の深さや分岐の条件を制限することです。また、枝刈りとは、作成された木から効果の小さい分岐を取り除き、複雑さを抑える処理を指します。細かな分岐を減らせば説明しやすくなる一方、単純化しすぎると重要なパターンを捉えられない可能性があります。モデルの評価では、予測性能と理解しやすさのどちらを優先するか、用途に沿って調整します。
ランダムフォレストは、複数の決定木を組み合わせて予測する手法です。単一の木より予測が安定する場合がありますが、複数の木の判断を集約するため、一つの明快な樹形図として説明するのは難しくなることがあります。デシジョンツリー単体は説明のしやすさが持ち味であり、ランダムフォレストは予測性能の向上を目指す選択肢です。どちらがよいかは、結果を誰がどう使うかで判断します。
回帰分析は、変数間の関係を数式で表して数値を予測する分析手法です。決定木は条件による分岐で予測を行うため、結果の見せ方や前提が異なります。ロジックツリーは、課題や原因、解決策を階層的に分解して、論点を整理する考え方です。名前や図の形は似ていても、目的が異なります。課題を分解したいならロジックツリー、選択を比較したいなら意思決定用のデシジョンツリー、データから予測規則を得たいなら決定木分析というように使い分けます。
実務で継続して活用するための運用の工夫
デシジョンツリーは、図を作成して承認を得た時点で役割を終えるものではありません。実行後に結果を振り返り、想定と現実の差を確かめることで、次の判断に活用できます。たとえば、予測した確率と実際の発生状況を比較し、見積もりが偏っていたなら、次回の確率や評価方法を調整します。見込みと実績を記録する仕組みをあらかじめ決めておくと、経験が個人の記憶にとどまりにくくなります。
図の管理では、作成日、版、作成者、前提、参照したデータ、承認者を明記します。市場環境やコスト、制度が変わったのに古い図を使い続けると、以前は妥当だった判断が現状に合わなくなるためです。更新の責任者と見直し時期を決め、重要な前提が変わったときには臨時で再検討します。変更箇所が追えるように履歴を残しておけば、判断の変化も説明できます。
作図には、紙や表計算ソフト、プレゼンテーションソフト、図の作成ツールなどを使えます。小規模な検討なら、紙や表計算ソフトで十分な場合もあります。複数人で同時に編集する場合は、共有やコメント、変更履歴を扱える環境が便利です。ツールを選ぶ際は、図の美しさだけでなく、共同編集の要否、情報管理のルール、出力形式、利用者の習熟度を考慮します。特定の製品を使わなければ作れないわけではありません。
会議で使うときは、図を見せる前に判断の問いと評価基準を共有します。分岐条件や確率に意見が分かれた場合は、図を結論の押し付けに使わず、どの前提が異なるのかを確認する材料にします。決定後には、誰がいつまでに何を行うのか、どの結果が出たら再判断するのかを明確にします。こうした運用を続けることで、デシジョンツリーは一度限りの説明図ではなく、判断と実行をつなぐ記録になります。
まとめ:デシジョンツリーを判断の道筋として使う
デシジョンツリーは、問いから選択肢、将来の出来事、最終結果へと続く道筋を樹形図に整理する方法です。意思決定の支援に使う場合は、行動と不確実な結果を区別し、評価基準や必要に応じて確率・費用を加えます。機械学習で使う場合は、過去のデータから条件分岐を学習し、分類や数値予測に役立てます。見た目が似ていても目的が異なるため、最初に用途を明確にすることが大切です。
作成時には、判断する問いを具体化し、実行可能な選択肢を洗い出し、分岐や終点を一貫した基準で整理します。数値を使うときは根拠を記録し、期待値だけでなく損失や不確実性も確認します。機械学習では、学習データへの当てはまりだけで評価せず、未知のデータで性能を検証し、複雑になりすぎた木を調整します。図が整っていることと、結論が正しいことは別だと理解しておきましょう。
デシジョンツリーの価値は、正解を自動で示すことではなく、どの前提や条件が判断を左右しているかを明らかにする点にあります。作成後も実績を見て前提を更新し、関係者と判断の理由や次の行動を共有します。まずは、選択肢が二つ以上あり、結果を比べたい身近な業務課題を一つ選び、短い樹形図に整理してみてください。小さく試して見直すことで、複雑な判断にも応用しやすくなります。
グロービス式と呼びたくなる、強制力の強いアウトプットの機会・グループワークがあることでモチベーションを持続させ走り抜けた感覚です。
データ分析の基本をまなぶことで、普段聞いていて点だった単語や考え方が線で繋がりました。
ビジネスパーソンの教養として、挑戦してよかったです。