（10501期）Decision Trees – 结构化决策 · 期望值分析

结构化决策 · 期望值分析 结构化决策分析工具，通过决策树与期望值计算，系统化评估投资、职业、商业等复杂选择的风险与收益。 使用说明 Decision Trees — 结构化决策分析框架 核心用法 Decision Trees 是一种经典的运筹学分析工具，通过构建树状结构将复杂决策可视化。用户首先列出所有可选行动（决策节点），再为每个行动标注可能的结果及其发生概率（机会节点），最终计算各分支的期望值（EV = Σ概率×价值），以数值化方式支撑理性选择。Skill 内置 Python 计算器，支持交互式输入与 JSON 批量分析，可快速生成带可视化的评估报告。 显著优点 极低门槛：纯教育性内容，无需任何技术背景即可理解树形逻辑；Python 脚本仅依赖标准库，零安装成本。 结构化强制：迫使决策者显式思考所有分支、概率与后果，避免认知盲区。 跨域通用：涵盖投资仓位管理、产品发布、职业转换、供应商选择等十余个典型场景。 透明可审计：白盒逻辑，每一步计算均可人工复核，适合团队共识决策。 潜在局限 主观脆弱性：概率与价值估算常依赖经验猜测，微小偏差可能导致结论剧变。 风险中性假设：默认决策者无损失厌恶，忽略真实心理账户效应。 复杂度过载：分支过多时树形爆炸，手工维护困难；对非量化因素（声誉、伦理）支持有限。 黑天鹅盲区：无法处理真正的不确定性（未知概率事件）。 适合人群 面临二选一或多选困境、希望"算清楚账"的个人 需向团队/上级量化呈现决策依据的产品经理、投资分析师 学习运筹学、行为经济学，希望实践 EV 计算的学生 常规风险 误用风险：将主观估算当作"科学结论"，忽视置信区间。 过度简化：强行量化不可比维度，导致错误排序。 心理反弹：理性结果与直觉冲突时，可能引发决策拖延或抵触。 使用建议 建议将本 Skill 作为"结构化思考起点"而非"终极答案"，输出时务必提示用户关注最坏情景、核对概率总和为 100%，并结合个人风险承受能力做最终判断。 原始说明 Decision tree analysis for complex decision-making across all domains. Use when user needs to evaluate multiple options with uncertain outcomes, assess risk/reward scenarios, or structure choices systematically. Applicable to business, investment, personal decisions, operations, career choices, product strategy, and any situation requiring structured evaluation. Triggers include decision tree, should I, what if, evaluate options, compare alternatives, risk analysis.