Hvad er beslutning træanalyse? 5 trin til at træffe bedre beslutninger
Resumé
Beslutning træanalyse indebærer visuelt at beskrive de potentielle resultater, omkostninger og konsekvenser af en kompleks afgørelse. Disse træer er særligt nyttige til at analysere kvantitative data og træffe en beslutning baseret på tal. I denne artikel vil vi forklare, hvordan vi bruger et beslutningstræ til at beregne den forventede værdi af hvert resultat og vurdere det bedste handlingsforløb. Plus, få et eksempel på, hvad et færdigt beslutningstræ vil se ud.
Har du nogensinde lavet en beslutning om at vide, at dit valg ville have store konsekvenser? Hvis du har, ved du, at det er særligt svært at bestemme det bedste handlingsforløb, når du ikke er sikker på, hvad resultaterne bliver.
Beslutning træanalyse kan hjælpe dig med at visualisere virkningen af, at dine beslutninger vil have, så du kan finde det bedste handlingsforløb. I denne artikel vil vi vise dig, hvordan du opretter et beslutningstræ, så du kan bruge det i heleProjektledelsesproces .
Hvad er et beslutningstræ?
Et beslutningstræ er enFlowChart, der startermed en hovedide og derefter grene ud på grund af konsekvenserne af dine beslutninger. Det hedder et "beslutningstræ", fordi modellen typisk ligner et træ med grene.
Disse træer anvendes til beslutning træanalyse, som indebærer visuelt at beskrive de potentielle resultater, omkostninger og konsekvenser af en kompleks afgørelse. Du kan bruge et beslutningstræ til at beregne den forventede værdi af hvert resultat baseret på de beslutninger og konsekvenser, der førte til det. Så ved at sammenligne resultaterne med hinanden kan du hurtigt vurdere det bedste handlingsforløb. Du kan også bruge et beslutningstræ til at løse problemer, styre omkostninger og afsløre muligheder.
Beslutning træ symboler.
Et beslutningstræ indeholder følgende symboler:
Alternative filialer:Alternative filialer er to linjer, der grener ud fra en beslutning om dit beslutningstræ. Disse grene viser to resultater eller beslutninger, der stammer fra den oprindelige beslutning på dit træ.
Beslutningsnoder:Beslutningsknuder er kvadrater og repræsenterer en beslutning, der træffes på dit træ. Hvert beslutningstræ starter med en beslutningsknude.
CHANCE NODES:Chance Nodes er cirkler, der viser flere mulige resultater.
End noder:End noder er trekanter, der viser et endeligt resultat.
En beslutning træanalyse kombinerer disse symboler med noter, der forklarer dine beslutninger og resultater, og eventuelle relevante værdier for at forklare dine overskud eller tab. Du kan manuelt tegne dit beslutningstræ eller bruge et flowchartværktøj til at kortlægge dit træ digitalt.
Hvad er beslutning træanalyse brugt til?
Du kan bruge beslutning træanalyse til at træffe beslutninger på mange områder, herunder operationer, budgetplanlægning, ogprojektledelse. Om muligt omfatter kvantitative data og tal for at skabe et effektivt træ. Jo flere data du har, jo lettere vil det være for dig at bestemme forventede værdier og analysere løsninger baseret på tal.
For eksempel, hvis du forsøger at bestemme hvilket projekt der er mest omkostningseffektivt, kan du bruge et beslutningstræ til at analysere de potentielle resultater af hvert projekt og vælge det projekt, der sandsynligvis vil resultere i højeste indtjening.
Sådan oprettes et beslutningstræ
Følg disse fem trin for at oprette et beslutningstrædiagram for at analysere usikre resultater og nå den mest logiske løsning.
1. Start med din ide
Start dit diagram med en hovedide eller beslutning. Du starter dit træ med en beslutningskode, før du tilføjer enkeltgrene til de forskellige beslutninger, du beslutter dig for.
For eksempel, hvis du vil oprette en app, men ikke kan beslutte, om du vil opbygge en ny eller opgradere en eksisterende, skal du bruge et beslutningstræ til at vurdere de mulige resultater af hver.
I dette tilfælde er den oprindelige beslutningsknude:
Opret en app
De tre muligheder-eller grene-du bestemmer dig mellem er:
Opbygning af en ny planlægning app
Opgradering af en eksisterende planlægning app
Opbygning af en hold produktivitet app
2. Tilføj chance og beslutningsnoder
Efter at have tilføjet din hovedide til træet, fortsæt med at tilføje chance eller beslutningsnoder efter hver beslutning om at udvide dit træ yderligere. En chance node kan have brug for en alternativ gren efter det, fordi der kunne være mere end et potentielt resultat for at vælge denne beslutning.
For eksempel, hvis du beslutter dig for at opbygge en ny planlægning app, er der en chance for, at dine indtægter fra appen vil være stor, hvis det lykkes med kunderne. Der er også en chance, som appen vil være mislykket, hvilket kan resultere i en lille indtægt. Kortlægning Begge potentielle resultater i dit beslutningstræ er nøglen.
3. Udvid, indtil du når slutpunkter
Fortsæt med at tilføje chance og beslutningstænger til dit beslutningstræ, indtil du ikke kan udvide træet yderligere. På dette tidspunkt skal du tilføje ende noder til dit træ for at betegne færdiggørelsen af træskabelsesprocessen.
Når du har gennemført dit træ, kan du begynde at analysere hver af beslutningerne.
4. Beregn træværdier
Ideelt set vil dit beslutningstræ have kvantitative data i forbindelse med det. De mest almindelige data, der anvendes i beslutningstræer, er monetær værdi.
For eksempel vil det koste din virksomhed et bestemt beløb for at bygge eller opgradere en app. Det vil også koste mere eller mindre penge for at oprette en app over en anden. At skrive disse værdier i dit træ under hver beslutning kan hjælpe dig ibeslutningstagningsproces .
Du kan også prøve at estimere forventet værdi, du opretter, enten store eller små, for hver beslutning. Når du kender prisen på hvert resultat, og sandsynligheden for det vil du forekomme, kan du beregne den forventede værdi af hvert resultat ved hjælp af følgende formel:
Forventet værdi (EV)= (Første mulige udfald X Sandsynlighed for Outcome) + (andet muligt resultat X Sandsynlighed for Outcome) - Omkostninger
Beregn den forventede værdi ved at multiplicere begge mulige resultater af sandsynligheden for, at hvert resultat vil forekomme og derefter tilføje disse værdier. Du skal også trække eventuelle indledende omkostninger fra din samlede.
5. Evaluere resultater
Når du har dine forventede resultater for hver beslutning, skal du bestemme hvilken beslutning der er bedst for dig baseret på mængden af risiko, du er villig til at tage. Den højeste forventede værdi kan ikke altid være den, du vil gå til. Det er fordi, selvom det kunne resultere i en høj belønning, betyder det også at tage det højeste niveau afProjektrisiko. .
Husk på, at den forventede værdi i beslutning træanalyse kommer fra en sandsynlighedsalgoritme. Det er op til dig og dit hold for at bestemme, hvordan man bedst vurderer træets resultater.
Fordele og ulemper ved beslutning træanalyse
Brugt korrekt, beslutning træanalyse kan hjælpe dig med at træffe bedre beslutninger, men det har også sine ulemper. Så længe du forstår de mangler, der er forbundet med beslutningstræer, kan du høste fordelene ved dette beslutningstagningsværktøj.
Pros.
Når du kæmper med en kompleks beslutning og jonglering af mange data, kan beslutning træer hjælpe dig med at visualisere de mulige konsekvenser eller udbetalinger forbundet med hvert valg.
Gennemsigtig:Den bedste del om beslutningstræer er, at de giver en fokuseret tilgang til beslutningstagning for dig og dit team. Når du analyserer hver beslutning og beregner deres forventede værdi, har du en klar ide om, hvilken beslutning der giver mest mening for dig at bevæge dig fremad med.
Effektiv:Beslutning træer er effektive, fordi de kræver lidt tid og få ressourcer til at skabe. Andre beslutningstagningsværktøjer som undersøgelser,brugerprøvning, eller prototyper kan tage måneder og mange penge at fuldføre. Et beslutningstræ er en enkel og effektiv måde at bestemme, hvad de skal gøre.
Fleksibel:Hvis du kommer op med en ny ide, når du har oprettet dit træ, kan du tilføje denne beslutning i træet med lidt arbejde. Du kan også tilføje filialer for mulige resultater, hvis du får oplysninger under din analyse.
Ulemper
Der er ulemper over for et beslutningstræ, der gør det til et mindre end perfekt beslutningstagningsværktøj. Ved at forstå disse ulemper kan du bruge dit træ som en del af en større prognosningsproces.
Kompleks:Mens beslutningstræer ofte kommer til bestemte slutpunkter, kan de blive komplekse, hvis du tilføjer for mange beslutninger til dit træ. Hvis dit træ grener i mange retninger, kan du have svært ved at holde træet under wraps og beregne dine forventede værdier. Den bedste måde at bruge et beslutningstræ på er at holde det enkelt, så det forårsager ikke forvirring eller mister sine fordele. Dette kan betyde at bruge andre beslutningstagningsværktøjer til at indsnævre dine muligheder, og derefter bruge et beslutningstræ, når du kun har få muligheder tilbage.
Ustabil:Det er vigtigt at holde værdierne i dit beslutningstræstald, så dine ligninger forbliver nøjagtige. Hvis du ændrer selv en lille del af dataene, kan de større data falde fra hinanden.
Risikabel:Fordi beslutningsnet bruger en sandsynlighedsalgoritme, er den forventede værdi, du beregner, et estimat, ikke en præcis forudsigelse af hvert resultat. Det betyder, at du skal tage disse estimeringer med et saltkorn. Hvis du ikke tilstrækkeligt vejer sandsynligheden og udbetalingen af dine resultater, kan du tage en masse risiko med den beslutning, du vælger.
Beslutning træanalyse eksempel
I beslutningstræets analyseeksempel nedenfor kan du se, hvordan du vil kortlægge dit trædiagram, hvis du valgte mellem bygning eller opgradering af en ny softwareapp.
Når træet grene ud, involverer dine resultater store og små indtægter, og dine projektomkostninger er taget ud af dine forventede værdier.
Beslutningsknudepunkter fra dette eksempel :
Byg ny planlægning app: $ 50k
Opgrader Eksisterende Planlægning APP: $ 25k
Build Team Productivity App: $ 75k
Chance Nodes fra dette eksempel:
Store og små indtægter til beslutning 1: 40 og 55%
Store og små indtægter til beslutning to: 60 og 38%
Store og små indtægter til beslutning 3: 55 og 45%
Slut noder fra dette eksempel:
Potentielt overskud til beslutning 1: $ 200K eller $ 150K
Potentielt overskud til beslutning to: $ 100k eller $ 80k
Potentielle overskud til beslutning Tre: $ 250K eller $ 200K
Selvom opbygningen af en ny team produktivitet app vil koste de fleste penge til holdet, viser beslutnings træanalysen, at dette projekt også ville resultere i den mest forventede værdi for virksomheden.
Brug et beslutningstræ til at finde det bedste resultat
Du kan tegne et beslutningstræ med hånden, men ved hjælp af beslutning træ software til at kortlægge mulige løsninger vil det gøre det nemmere at tilføje forskellige elementer til dit flowchart, foretage ændringer, når det er nødvendigt, og beregne træværdier. MedUDN Task Manager'S Lucidchart integration, kan du opbygge et detaljeret diagram og dele det med dit hold i en centraliseretProjektstyringsværktøj .
Beslutning træ software vil få dig til at føle dig sikker på dine beslutningskompetencer, så du kan med succes lede dit team og styre projekter.