決定木分析とは？ 作成方法と例をご紹介

決定木は、選択肢と可能な結果の関係を分析するための図の１つです。さまざまなアクションによって生じる可能性のある結果をすべて視覚化することで、十分な情報に基づいて最適な意思決定を行うことができるようになります。

Miro では決定木分析をはじめるために必要な図形や記号、コラボレーションツールをすべてご利用いただけます。

決定木分析とは？

決定木（デシジョンツリー）とは特定の決定によって生じる可能性のある結果を視覚的に分析できるツールの１つです。この図は企業や個人がよりスマートな意思決定を下す時に活躍する図です。

また、意思決定プロセスを視覚的に分析することで新しい機会を発見することもでき、より効果的な意思決定を行うことができます。

その名が示す通り、決定木は木からインスピレーションを得た形式で作成されます。１つのコンセプトから枝分かれする形で情報が連想されていき、各枝は元の質問から派生した決定要素につながる次の情報へとつながります。

通常、これらの枝は前述の質問に対する行動または回答であり、アクションを実行した後に次の情報へと移行するようにできています。このフォーマットによって、決定内容とそれに付随するアクションが将来どのような結果を生み出すのかのマッピングを行うことができます。

決定木分析は、ビジネス推進に貢献するフレームワークです。決定内容の比較や意思決定の結果を視覚化することで、チームは情報に基づいた戦略的な意思決定を行い、長期的な計画内容の改善や計画を明確かつ簡潔に視覚化することができます。

決定木分析の簡単な例

ここでは、簡単な決定木分析の例を見て、その使い方を理解しましょう。

上記の例では、１つの質問から決定木の枝が開始しています。「空腹ですか？」という質問から始まり、その質問に対して「いいえ」と答えた場合、決定木の終点につながる枝をたどることになります。その結果「空腹でない場合は、寝るべきである」という他の意思決定内容へと到達します。

一方で冒頭の質問に「はい」と答えた場合、次の質問へと移行し「所持金は 3000 円以上持っていますか？」という別の質問が投げかけられます。そしてこの答えによって、再度異なる意思決定プロセスに進むことになります。決定木分析では、可能な限りの質問を追加し、多くの枝を経た意思決定プロセスを実現することが可能です。

決定木のメリット＆デメリット

すべての意思決定フレームワークにはそれぞれに長所と短所があります。

ここでは、決定木分析を使用するメリットとデメリットをいくつかご紹介します。

決定木のメリット

多様な場面で活用できる

決定木は個人やチーム、企業全体などあらゆる場面で活用できる汎用性の高いツールです。上記の例のようにシンプルで日常的な意思決定をマップ化するために使用することができます。また、多層的な意思決定、複雑なデータセット、機械学習アルゴリズムの視覚化にも使用できます。

理解しやすい

決定木の最も大きな利点は、理解と分析が容易であることです。たとえ複雑な意思決定であっても、イメージを使用したシンプルなレイアウトによりチームメンバー全員が直感的に決定木を理解、分析することができます。

どんなデータにも対応

決定木は、様々な数値データやカテゴリーデータを表示することができるため、機械学習から複雑な意思決定まで、様々な場面で有用です。

編集と更新も簡単

決定木は簡単に編集や更新を行うことができるフレームワークです。常に最新の情報を決定木に記入することでより効果的な意思決定を行うことが可能になります。

Miro の決定木分析ツールを使用することにより、図をいつでも編集、更新し、チームと共有することができます。

決定内容がどのような結果をもたらすか予測できる

決定木ではさまざまな選択肢の結果や影響を分析することができます。すべてのシナリオを分析することで、効果的なアクションを選定することができます。

デメリット

結果が大きく変化する

決定木では１つの情報を変更しただけで、それに続く結果が大きく変化することがあります。これによりある一定の意思決定プロセスが当初のよりもかなりかけ離れた結果をもたらすという事態につながる可能性があります。

予測結果通りにならない

決定木はあくまで意思決定による結果を予測するためのフレームワークであり、このフレームワーク内の結果が必ずしも起こるとは限りません。

複雑なデータに適していない図である

決定木は単純な図であり、複雑なシナリオに使用することができるため、何百もの変数を含む複雑な計算には適していないかもしれません。

決定木で使用される記号

決定木の作成にはいくつかの種類の記号が使用されます。これらの記号は共通言語としての役割を果たし、複数の人と図を共有する際に、すべての人が情報を理解することを可能にします。

以下では、一般的な決定木の記号を紹介します。

意思決定ノード（四角形）

図中の四角形（意思決定ノード）は、決定が必要な情報を表します。

イベントノード（円形）

イベントノードとは複数の不確実な結果に影響するイベントを示す記号を指します。

終点ノード（三角形）

図中の三角形（終点ノード）は、意思決定プロセスから発生した結果を示しています。

分岐点（線）

意思決定ツリーの分岐点は、考えられる結果や行動への道筋を表しています。

特性要因図と決定木の比較

特性要因図と決定木は非常に類似した図ですが、いくつか大きな違いがあります。

決定木が意思決定のためのフレームワークであるのに対し、特性要因図（フィッシュボーン図）は「原因と結果」を表すフレームワークとなっています。特性要因図は、あらゆるプロセスにおいて発生した問題の原因を深く掘り下げて分析することに役立ちます。つまり、決定木が「未来」に発生する結果を分析するフレームワークであり、特性要因図は「過去」に発生した結果・問題を分析するためのフレームワークであると定義することができます。

インフルエンスダイアグラムと決定木の比較

インフルエンスダイアグラム（影響図）は特性要因図よりも決定木に類似した図です。決定木とインフルエンスダイアグラムの主な違いは、インフルエンスダイアグラムが異なる変数の条件関係や依存関係を示していることです。

しかし、決定木では可能性のある各選択肢と結果について、より詳細な情報を得ることができます。決定木では、ノードの数が指数関数的に増加しますが、インフルエンスダイアグラムでは、可能な決定をよりコンパクトに表現します。より詳細な情報を表現するため、決定木はインフルエンスダイアグラムよりも複雑なフレームワークになることがあります。

また、インフルエンスダイアグラムを使用して決定木で図解した情報を要約することも可能です。このように、インフルエンスダイアグラムと決定木は同じデータを表示することができる補完的なフレームワークであるとも言えます。

決定木が活躍するシナリオ

決定木の魅力は、その柔軟性にあります。そのためさまざまな職種や個人での意思決定プロセスに使用されます。

ここでは、決定木がどのようなシナリオで使用されるのか見ていきましょう。

日常的な場面

決定木は日常の意思決定プロセスに役立てることができます。複雑な意思決定も、簡単な意思決定も、柔軟にカバーし表示することができます。

決定木を作成することにより、日常生活で生じる選択肢や意思決定プロセスを視覚的に分析することができるようになります。

ビジネスの成長と推進

決定木は、ビジネスの成長や長期的な戦略プランの策定が必要な企業にとって有益なツールであると言えます。アクションプランに時間的なリソースや金銭的なリソースを投入する前に、意思決定の結果を予測する必要があります。ビジネスマネジメントにおいて、リスクの予測や計算は非常に重要なことであり、決定木はそのようなプロセスにおいて効果的な意思決定を行うためのツールとして役立ちます。

株式の売買、投資家の獲得、新しいマーケティングキャンペーンの実施などかかわらず、経営者はスクとチャンスを慎重に見極めなければなりません。

機械学習

決定木は条件付き制御文を用いてアルゴリズムを表示することができるため、機械学習においてよく使用されます。

また、決定木は教師あり機械学習でも使用されます。この機械学習のサブカテゴリーは、入力内容を詳細に記入し、それに対応する出力を学習データとして使用することができます。この決定木を通過するデータは、特定のパラメータに連続的に分割されます。

データ分類

決定木は Python や Javascriptなどのコーディング言語で、分類や回帰のモデルとして使用されています。データセットをより小さなサブセットに分解するのに役立ち、長いデータリストを容易に分類することに活躍します。この文脈では、決定木の各枝は結果を表し、葉から根への経路は分類のためのルールを表します。

IT 業界では、コーディングプロセスを合理化し、時間を節約するために分類決定木を使用しています。

決定木の作り方

Miro の決定木（ディシジョンツリー）テンプレートは、効果的な意思決定に必要となる決定木を簡単に作成することに役立つオンラインテンプレートです。

下記では Miro でどのように決定木が作成できるのかご紹介します。

1. 質問の定義

決定木を作成する前に質問事項を理解する必要があります。すべての決定や選択は、冒頭のノードで質問から始まる必要があります。下記のシンプルな決定木が良い例となります。「この施策を始めるべきか？」という質問が図の開始地点です。

2. ブランチ（分岐点）を追加

質問を定義し、それをードに追加したら、その質問に答えるために可能なすべてのアクションを検討しましょう。それぞれの可能性や回答は、それに付随する分岐点で表現する必要があります。

上の例では「はい」と「いいえ」の2つ質問だけで分岐点を生成しています。

3. 必要に応じてノードを追加する

各ブランチの終点には追加のノードを記入する必要があります。これは、取ったアクションの結果を予測するために必要な情報となります。次のように質問をしてみましょう：「分岐点 A を選択した場合、どのような結果が生じるのか？」そして、この質問に対して文章で回答し、その文をブランチの先のノードに追加しましょう。

もし、冒頭の質問が、文に到達するまでに複数の質問を要する場合は、さらに枝を追加する必要があります。

4. 終点ノードを追加

質問や可能なアクションを出し切った後は、終点を表す三角形のノードで決定木を閉じましょう。各終点ノードは、ブランチを通して作成した意思決定プロセスの結果を示します。