決策樹分析,讓你的風險應對更專業

2021-01-11 網易

  「點亮」風險應對的一盞明燈

  項目風險應對時,你有沒有經常在多個應對方案之間拿不定主意?又或者在多個應對方案中不知道重點在哪?本文將通過決策樹分析法開啟一些風險應對的「靈感」。

  初 識

  所謂的決策樹分析,是在不確定因素的背景下,對可能出現的風險定量分析,用來作出有利決策的一個工具。通過在若干備選方案中對不同分支事件的產生的發展路徑分析發生概率及產生的風險(包括威脅和機會),計算每條路徑淨值,根據預期收益選出最優路徑。

  決策樹分析的應用場景非常廣泛,不經意中我們就已經用很多次決策樹分析。例如買西瓜時我們可以根據紋理、根蒂及觸感來挑好瓜;銀行在審批貸款時根據借款人的信用情況判斷是否能放款;新產品商業論證時面臨多條發展方案時根據各方案的預期收益來決策。

  初 探

  PMBOK中關於決策樹分析的計算方法的例子很詳細。但肯定還有不少人跟我一樣,看完那個例子並不知道如何下手決策樹分析?來吧,我們探索一下決策樹分析。

  1、決策樹的要素與結構

  決策樹分析的要素包括決策點(決策的出發點,可以有多個層級的決策點)、方案枝(決策的若干備選方案)、結點(每個方案枝在各種自然狀態下的收益結果)、概率枝(每種自然狀態對應的發生概率)及結果點組成。由決策點出發,從左到右根據需要決策的問題、可供選擇的各種方案、各種方案的自然狀態展現出決策樹圖。

  

  2、決策樹繪製的前提與準備

  首先要明確有哪些備選方案:決策樹分析要解決的是可選方案太多的「痛苦」,因此要先弄明白「痛苦」有哪些。舉個簡單例子,某個以新增利潤為目標的項目交付過程中,業務方發現了新的商機,發起了一項需求變更,讓業務方「痛苦」的可選方案有:

  1)、實施變更,但上線計劃要推遲一個月,研發費用100萬;

  2)、當前版本保持現狀,下個版本(2個月後)實現新需求方案,研發費用新增80萬;

  3、)當前版本實施臨時方案,效果不能完全實現,下個版本(2個月後)再完成最終方案,研發費用新增120萬。

  實際情況可能更複雜,某個備選方案自身可能就是一個決策點,這種情況就需要把這個決策點看成一個整體,繪製多階決策樹。

  其次要分析各項概率枝及預期收益:這是決策樹的關鍵,直接影響著最終決策的準確性及有效性。

  這裡有兩個重點:

  1)、概率枝的考慮要儘可能全面,

  2)、各個概率枝發生的概率和預期收益要儘可能準確,可以藉助結合數據、趨勢、環境及專家評估等工具手段。

  繼續前面變更的例子,三項變更實施方案,最主要的差異在於新商機方案投產時間對於收益等影響,通過對類似方案的運營情況及歷史數據分析,方案3採用了臨時方案的折中方案,可能會出現一定概率1200萬的利潤情況,方案1和2受投產時間影響,只可能會出現1000萬和1500萬利潤情況。

  於是,通過上面兩步走,決策樹分析樹基本可完成繪製:

  

  3、決策分析的結果與應對

  根據上面繪製的決策樹分析圖,計算出預期收益和期望值,方案1的預期收益最高,自然就是最佳決策方案。

  決策方案的確定並不意味著風險已經解決,只是在當前不確定因素前提下綜合發生概率集影響作出的最佳決策,而針對其中的不確定因素還需進一步進行風險識別並記錄到風險等級冊,制定有效風險應對措施,增加正面預期收益的發生概率,降低負面收益的發生概率。

  

  引 申

  決策樹分析還可以作為一種預測性分析的方法,通過分析當前和歷史數據對未來的事件做出預測,提前「預演」未來事件,並根據發生概率有針對性地進行有效風險應對。

  進行預測性分析的關鍵點有兩個:

  1)、對於決策結點進行有效分類,

  2)、決策結點的發生概率分析。

  1、決策結點的有效分類

  決策結點的分類,通常需要遵循以下原則:

  1)、結點包含的樣本具有相同的屬性;

  2)、結點中的樣本屬性無法再細分;

  3)、當前結點的已經是最終結點,無法繼續劃分;

  再來個例子:項目組識別到某個需求依賴外部合作方配合排期的風險,經項目組分析,對可能的結點進行歸納,繪製出下面的決策樹:

  

  從上面的劃分可以看出,不管是由誰去要求業務方去協調排期,都是同樣的屬性,都可以歸類成同一類;風險解決的結點也不難理解,達到了我們風險應對的效果,無需再劃分;上升到決策委員會則是風險解決的最終策略,無法再進一步劃分。

  2、決策結點發生概率分析

  根據每個決策事件,進一步分析其發生概率,計算每個決策結果發生的最終概率,那我們就可以把更多的精力放到高概率決策結果的應對中去。根據上面每個決策結點的概率,易知最終調整我側排期並跟相關方達成一致的概率最高,那我們就應將風險應對重點在這之前過程。

  

  總 結

  項目風險管理的核心是採取有效的風險應對措施,決策樹分析法通過理性的數據分析為風險應對提供有效的決策依據,如果你經常拿猶豫不決,如果你經常不知道風險應對的重點在哪,試試上面的決策樹分析法吧。

  需要項目管理資料合集的同學可前往網易號同名公號找小助手

  

特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺「網易號」用戶上傳並發布,本平臺僅提供信息存儲服務。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相關焦點

  • 期望理論:風險條件下的決策分析
    丹尼爾.卡尼曼DanielKahneman  阿莫斯.特沃斯基AmosTversky    本篇論文對作為一種風險條件下制定決策的描述性模型的預期效用理論(expectedutilitytheory)提出批評,並提出稱為期望理論(prospecttheory)的替代模型。在風險期望中的選擇顯示出幾個與效用理論的基本信條相矛盾的普遍效應。
  • 風險社會中的科學決策問題
    在風險社會中,我們每一次遭遇的危機事件都是不同的,需要我們在每一次應對危機事件的時候都展現出創造力。這種創造力並不是在理性追求中獲得的,而是更多地得益於行動的經驗。如果說科學決策給予行動的是一種模式化的框架,那麼,當我們將視線轉向人的創造力的時候,其實所表達的就是對注重理性的科學決策的懷疑甚至否定。但是,我們認為人的創造力是來源於經驗理性的。
  • 科學決策和創造性應對是化危為機的根本方法
    科學決策是科學執政、合理行政的基礎,是執政興國的重要方式和方法,是在當前國內外不確定環境下,發展高質量經濟,防範化解各類經濟社會風險,實現「十四五」良好開局的關鍵。當前,新冠肺炎疫情全球大流行,經濟全球化遭遇逆流,世界進入動蕩變革期,我國發展面臨的內外環境發生深刻複雜變化,科學決策和創造性應對顯得尤為重要和迫切。中央經濟工作會議指出,疫情變化和外部環境存在諸多不確定性,我國經濟恢復基礎尚不牢固。
  • 從拍腦袋下決定到科學做選擇——決策樹模型-TY聊思維5
    每個方案都有成功的概率,也有失敗的風險,也非常難以決策。所以,如果以上兩種場景在你身邊經常出現,或者你想在遇到以上情況的時候能夠選擇or決策的更加科學,那就來了解下「決策樹」這個模型吧。什麼是決策樹?百度百科對於決策樹的定義如下:「決策樹分析法是一種運用概率與圖論中的樹對決策中的不同方案進行比較,從而獲得最優方案的風險型決策方法。」
  • 關於「樹」的算法:現實生活中的決策樹
    它們被用於具有簡單線性決策面的非線性決策。決策樹對例子進行分類,方法是將它們從樹的根排序到某個葉節點,葉節點為例子進行分類。樹中的每個節點作為某個屬性的測試用例,從該節點下行的每條邊都對應於測試用例的可能答案之一。這個過程本質上屬於遞歸性質,並且對於每一個紮根於新節點的子樹都要重複進行。
  • 機器學習|決策樹的生成過程是怎樣?(一)
    本文筆者將用具體例子講述決策樹的構建過程,分析:決策樹生成過程中有什麼樣的問題?一、基本概念決策樹的定義:首先,決策樹是一種有監督的分類算法——即給定X,Y值,構建X,Y的映射關係。不同於線性回歸等是多項式,決策樹是一種樹形的結構,一般由根節點、父節點、子節點、葉子節點構成如圖所示。
  • 孔祥濤:構建適應高質量發展的重大決策社會風險評估與治理體系
    2019年10月,習近平總書記進一步指出,當今世界正經歷百年未有之大變局,國際形勢複雜多變,改革發展穩定、內政外交國防、治黨治國治軍各方面任務之繁重前所未有,我們面臨的風險挑戰之嚴峻前所未有。2020年4月,面對新冠疫情蔓延後國際風雲變幻,習近平總書記告誡全黨,要堅持底線思維,做好較長時間應對外部環境變化的思想準備和工作準備。
  • SKlearn實現鳶尾花分類:決策樹
    決策樹簡介決策樹是一種特殊的樹形結構,一般由節點和有向邊組成。其中,節點表示特徵、屬性或者一個類。而有向邊包含有判斷條件。如圖所示,決策樹從根節點開始延伸,經過不同的判斷條件後,到達不同的子節點。而上層子節點又可以作為父節點被進一步劃分為下層子節點。
  • 機器學習中決策樹的原理與算法 | 科普
    從名字來看,決策的的意思就是在眾多類別中我們需要決策出我們分類的東西是屬於哪一個類別,決策離散型的值的叫決策樹,決策連續型值的叫回歸樹。用學術一點的語言就是決策樹的輸出是離散型隨機變量,回歸樹的輸出是連續型隨機變量,這篇文章的重點是講解輸出是離散型隨機變量的決策樹,當你明白決策樹的運行機理後,回歸樹也就觸類旁通了。
  • 機器學習實戰:決策樹原來這麼簡單
    這一篇中,我們來講解監督學習中經常用到的算法,決策樹。本文章節1、決策樹介紹2、信息熵是啥3、決策樹與信息熵怎麼結合4、決策樹的剪枝5、決策樹的算法有哪些6、sklearn決策樹參數介紹7、決策樹實戰決策樹介紹決策樹是啥?
  • 心理所運用眼動軌跡分析法檢驗風險決策模型
    人類在風險環境下的決策與判斷行為,對生存和發展有重要意義,而人們如何進行風險決策是研究者們現在面臨的一大難題。為評估眼動軌跡分析法是否適用於風險決策的模型檢驗,研究人員建立了一套標準化步驟用以計算、比較並可視化兩類風險決策任務中的眼動軌跡,繼而檢驗了風險決策是否遵循加權求和的過程。
  • 機器學習-決策樹(ID3算法)
    決策樹(decision tree)是一種基本的分類與回歸方法。這裡討論用於分類的決策樹。
  • 使用Scikit-Learn了解決策樹分類
    決策樹在現實生活數據分類中的應用。創建一個管道,並使用GridSearchCV為分類任務選擇最佳參數。決策樹決策樹(以下簡稱DT)算法的思想是學習一組if/else問題來進行決策。由於這些是分類變量,因此如果我們要應用決策樹分類器並擬合數據,則首先需要創建虛擬變量。在這裡,我們可以確定一件事,即一旦創建了決策樹,根節點肯定就是特徵'Outlook_Overcast'。讓我們看一下決策樹(如下圖所示)。
  • 從決策樹到隨機森林:樹型算法的原理與實現
    然後用一種正規分析方法來分析創建決策樹的過程。考慮一個簡單的借貸公司顧客的數據集合。我們給定了所有客戶的查詢帳戶餘額、信用記錄、任職年限和先前貸款狀況。相關任務是預測顧客的風險等級是否可信。該問題可以使用下列決策樹來解決:分類和回歸樹(簡稱 CART)是 Leo Breiman 引入的術語,指用來解決分類或回歸預測建模問題的決策樹算法。
  • 進化決策樹:當機器學習從生物學中汲取靈感時
    內容本文重點關注的一個例子是進化決策樹。這類分類器使用進化算法來構建魯棒性更強,性能更好的決策樹。進化算法依賴於生物進化啟發的機制。決策樹是什麼?如何根據進化算法搭建決策樹?與其它分類器相比,進化決策樹的表現如何?數據集為了說明本文中提及的概念,我將使用航空公司乘客滿意度的調查結果數據集。有關此數據集的更多信息,請參見此處。
  • 以鳶尾花數據集為例,用Python對決策樹進行分類
    同時決策樹也存在劣勢,容易出現過度擬合就是其中之一。本教程主要介紹了用於分類的決策樹,也稱為分類樹。此外,本教程還將涵蓋:· 分類樹的解剖結構(樹的深度、根節點、決策節點、葉節點/終端節點)。接著進入下一個決策節點,「花瓣長度(cm)是否≤4.95」?這是真的,所以你可以推測花種為雜色。這只是一個例子。分類樹是如何生成的?(非數學版)分類樹學習一系列是否/然後問題,每個問題涉及一個特徵和一個分裂點。
  • Python機器學習sklearn模塊——決策樹
    決策樹可以用來解決分類與回歸問題,是一種非線性模型;一課決策樹一般包含一個根節點、若干個內部節點和若干個葉節點;生產決策樹最關鍵的是如何選擇最優劃分屬性,我們希望分支節點所包含的樣本近可能的屬於同一類別,即節點的「純度」越來越高;而評估樣本集合純度的常用指標有信息增益、增益率和基尼指數;決策樹容易出現過擬合狀況,因為它們可以通過精確的描述每個訓練樣本的 特徵而構建出複雜的決策樹
  • 機器學習之決策樹在sklearn中的實現
    小夥伴們大家好~o( ̄▽ ̄)ブ,首先聲明一下,我的開發環境是Jupyter lab,所用的庫和版本大家參考:Python 3.7.1(你的版本至少要3.4以上Scikit-learn 0.20.0 (你的版本至少要0.20Graphviz 0.8.4 (沒有畫不出決策樹哦,安裝代碼conda install python-graphviz
  • 數據分析過程:制定決策的5個步驟
    編輯導語:隨著大數據的重要性逐漸凸顯,越來越多的公司開始收集數據並且進行數據分析,分析過後利用得到的數據制定相應的決策。那麼,制定決策的這個過程應該如何去做呢?本文作者為我們總結了五個步驟,幫助我們完成數據分析、制定決策方案。
  • 讓智能分析與決策成為數字時代通用基礎設施
    同盾科技以人工智慧、雲計算、大數據三大核心技術體系為基礎,為金融、網際網路、物流、零售、政務等領域提供智能分析與決策服務,希望通過自主創新以及核心技術的攻關,以實現智能決策讓生活更美好的願景。以人工智慧和大數據技術為基礎所構建的智能決策體系,核心功能是幫助企業逐步從規則流程驅動向數據驅動、智能決策進行轉變,對以往的複雜業務流程進行重塑和改造。