原文摘要
决策树
像树一样层层分支，不断递进的决策工具，就是“决策树”
西蒙说：管理就是决策。而决策树，就是一种把决策节点画成树的辅助决策工具，一种寻找最优方案的画图法。
往“决策树”中引入了一个“概率”。这种被概率化了的决策树，又叫：概率树（Probability Tree）
用决策树进行决策
增加了“不确定性"后，应该怎么用“决策树"，或者“概率树"决策呢？
假设满意的最高分是10分，不满意的最高分是-10分，现在你要做一件事情，给“脾气”和“有钱”这两个不确定的条件，所产生的四个组合，诚实的打个分。
如果他真的脾气好，也真的未来很有钱，你有意？如果真是这样，那是100%.
的满意啊！打10分。
如果他的脾气虽然很好，但是很不幸，因为运气问题、能力问题，最后真的还是一生穷困，你有多满意？嗯，虽然没钱，但好歹脾气好。这就是命吧。如果真这样，我的满意度是3分。
如果不幸他的脾气很差，最后还没钱呢？这简直就是渣男啊，-10分！
如果脾气差，但最后一不小心很有钱呢？这是一个好问题。要不要为了钱忍呢？忍一辈子很难啊，我还是打-5分吧。
在80%好脾气，30%会有钱的不确定下，你是见，还是不见呢？如果决定不见，你”
没有得失，收益是“0”，但是如果见呢？那就有四种可能性：
脾气差，但有钱的概率是20%X 30%=6%。对这种情况，你打了-5分。也就是这条概率分支，你的收益是：6%x（-5分）=-0.3分。
脾气差，没钱呢？概率是：20%x 70%=14%，收益是：14%x（-10分）＝-1.4分。
脾气又好又有钱的概率是：80%x 30%= 24%，收益是：24%x 10分= 2.4分。.
脾气好但是没钱的概率是：80%x70%=56%，收益是：56%x3分=1.68分。
所以，如果你选择了见，你的总收益是：（-0.3分）+（-1.4）分+2.4分+ 1.68分= 2.38分。你决定见的总体收益是2.38分，不见的收益是0。所以，怎么样？应该赶紧画个妆出门，去相亲
什么是决策树？决策树，就是一种把决策节点画成树的辅助决策工具，-种寻找最优方案的画图法。
什么是概率树？概率树在决策树的基础上，增加了对条件发生概率的预测，和对结果收益的评估，然后加权平均得到一个“期望值”，用这个期望值，作为依据，辅助决策。
德尔菲法
德尔菲法是一种预测方法，它是在20世纪40年代由O.赫尔姆和N.达尔克首创，经过T.J.戈尔登和兰德公司进一步发展而成的。古希腊有一座名城，叫德尔菲，相传城中阿波罗圣殿能预测未来。德尔菲法，因此得名。简单来说，德尔菲法就是“把专家的独立观点不断收敛”的预测法
用德尔菲法，是怎么来预测书籍的销量
第一，邀请专家
从各个领域，邀请20位真正权威的专家，比如经验丰富的出版人，新华书店、机场书店等线下渠道负责人，当当、亚马逊、京东等电商渠道负责人，文化产业资深人士，读书俱乐部负责人，书评家，读者等等。
同时，准备一些基础素材，比如同品类的书，同风格的书，在过去几年的全渠道销量数据，作者的背景，图书的全文，作为专家们预测的依据。
第二，独立预测。
不要把20个专家召集在一起开会讨论。因为大家的江湖地位不同，有一些专家一旦发言，对另-些专家的影响会很大。
请每位专家独立的，认真地，根据提供的数据，自己的经验，提供三个数字：你认为的最低销售量，最高销售量，和最可能销售量是多少，并给出理由。
第三，统计回归。
接着，把20位专家的意见收集起来，归纳整理后，匿名返回给各位专家，然后要求专家们参考别人的意见，对自己的预测重新考虑。
接着，再把20位专家的意见收集起来，归纳整理后，再匿名返回给各位专家，请大家做第三次预测，第四次预测。第四次预测时，大部分专家已经不再修改自己的意见，彼此预测的也越来越接近（专业术语叫：收敛）
第四，分析结果。
经过计算，20位专家最终预测结果，最低销量平均是26万册，最高销量平均是60万册，最可能销量平均是46万册。
然后，我们用“主观概率加权平均法”，赋予最低销量25%的概率，最高销量25%的概率，最可能销量50%的概率，于是可以算出，专家们预计最终的销量是：
26万册X25%+46万册X50%+60万册x 25%= 44万册
德尔菲法的注意点
第一，必须避免专家们面对面的集体讨论，而是由专家单独提出意见。
第二，专家不一定是咨询公司，也可以是第一线的管理人员，甚至是客户。
KT法
什么是KT法？兰德公司的凯普纳和特雷高，受美国宇航局委托，对1500位善于分析问题、做出决策的人进行调查，把他们“高明做法”中的逻辑抽取出来，变成流程化的方法。这套方法，后来就用他们俩名字的首字母，K和T命名。这就是：KT法。
案例：
你是一家IT公司，主营业务是帮用户把原有的IT系统迁移到云计算上。除了总部上海，你在杭州，南京，无锡还有三个实施团队。这三个团队很努力，但毕竟不在眼皮子底下工作。为了提高地方团队的主人翁意识，你请律师一起，精心设计了一个和地方团队“利益共享，风险共担”的“合伙人制度"，并满心期待这三个团队会感激涕零，把公司当成自己家，像打了鸡血一样的拼命干活。
但是万万没想到，杭州、南京团队的反应很抵触，不肯在“合伙人制度"上签字。你很恼火，想强逼大家签字。结果，杭州负责人刚烈地提出辞职。你感觉遭受了1万点打击。
我们试着用一下KT法的四大步骤分析下
第一，状况分析。
什么是问题？问题就是应该的结果和实际的结果之间的差异。
应该的结果是：团队积极性受到巨大激励。实际的结果是：两个团队拒签“合伙人制度”。这个差异，就是目前的状况，需要解决的问题。
第二，问题分析。
首先，你可以用3W1E法（WHAT对象；WHEN何时；WHERE何地；和EXTENT程度），对问题做“是/而不是"的精准描述。
对象：是杭州、南京的团队负责人，而不是无锡的团队负责人；
何时：是公布“合伙人计划”之后，而不是公布合伙人计划之前；
何地：是杭州、南京，而不是无锡；程度：是2/3的地方拒签，而不是另外的1/3
然后，你可以假设到底是什么原因：
1，杭州、南京团队负责人都是坏人；
2，公司没有狼性文化；
3，合伙人制度有问题。
现在，你可以用这三点假设原因，对照3W1E的描述，分析哪个是最可能的原因
因为“杭州、南京团队负责人都是坏人”吗？这和“何时”这个条件不符。为什么在公布合伙人计划之前没问题，公布计划后他们突然变坏了？
因为“公司没有狼性文化”吗？这和“何地”这个条件不符，为什么杭州、南京有问题，无锡没问题？
因为“合伙人制度有问题”吗？你请一位咨询专家，仔细看了一遍你的“合伙人制度"，大吃一惊：
1，公司从项目总金额中，提留15%收入，这其实已经把公司置f安全之地，根本没打算和员工“合伙”。
2，提留15%收入后，无锡尚有利润，而杭州、南京的项目，完全无利润可言。他们去年有项目奖金，但在新的“合伙人制度”下，颗粒无收。
3.销售不在“合伙人制度”中。为了完成任务，他们可能会签回一些垃圾项目，把项目变成“绞肉机”。
第三，决策分析。
那怎么调整？你用“目标分类法"，设定了调整的“必须目标”（MUST）：同样努力的前提下，员工收入不能减少；和“希望目标"（WANT）：在公司利润不减的前提下，如能做大蛋糕，员工最多可得三倍奖金。
在此基础上，你评估了三个方案：
1，取消“合伙人制度”，继续沿用基于KPI的奖金制；
2，在原有的“合伙人制度”下，取消公司15%的预留，与员工同风险，共利润；
3，设计“鸡尾酒式的合伙人制度”。常规利润，用奖金制；超额利润，用分成制。
第一个方案，实现了必须目标，但是实现不了希望目标；第二个方案，有机会实现希望目标，但必须目标反而有风险；第三个方案，实现必须目标，员工收入不减；拼命的话，有可能实现希望目标：数钱数到手抽筋。
第四，潜在问题分析。
第三个方案没有解决“销售签回垃圾项目"的问题，是个潜在问题。怎么办？做个调整，销售一半的奖金的基数是销售额，另一半的基数是最终利润。
麦穗理论
苏格拉底带着学生们来到一片麦田前，说：你们走进麦田，一直往前不要回头，途中摘下一支，只能摘一支，最大的麦穗。
第一个学生走进麦田。他很快就看见一支又大又漂亮的麦穗，于是就很高兴地摘下了这支麦穗。可是，他继续往前走时，发现有很多麦穗比他摘的那支要大得多。他很后悔下手早了，只好遗憾地走完了全程。
第二个学生吸取了教训。每当他要摘时，总是提醒自己，后面还有更好的。不知不觉，他就走到了终点，却一支麦穗都没摘。他也很后悔，没有把握住机会，总觉得有更大的在后面，最后错过了全世界。
第三个学生吸取了前两者的教训。他把麦田分为三段，走过第一段麦田时，只观察不下，在第一段把分为大、中、小三类；走过第二段时，他还是只观察不下手，验证第一段的判断是否正确；走到第三段，也就是最后三分之一时，他摘下了遇到的第一支，属于大类中的麦穗。这可能不是最大一支但他心满意足地走完了全程。
西蒙的“满意决策”论。他认为：一切决策都是折中，只是在当时情况下可选的最佳行动方案。为了满意，而不是最优，你的决策应该遵循以下原则：
第一，定下最基本的满意标准；
第二，考察现有的可选方案；
第三，如果有可选方案满足最基本的满意标准，就不再寻找更优方案。
确定“最基本满意标准”的方法
苏格拉底的这第三个学生，其实就是提供了一个确定"最基本的满意标准”的方法：第一个三分之一，观察，并把“大类”麦穗作为“最基本的满意标准”；第二个三分之一，验证这个标准；第三个三分之一，采用西蒙的“满意决策”论，摘下“大类”中的第一支，就不再寻找更优方案。
关于如何确定“最基本的满意标准"，《指导生活的算法》的作者布莱恩·克里斯汀和汤姆·格里菲斯，提供了另一个方法：分两段就行，第一段的37%用于确定“最基本的满意标准”，第二段的63%，选择满足“最基本的满意标准”的第一个方案。
比如，你打算在19岁-40岁之间，也就是用21年寻找理想的人生伴侣。如果你相信37%理论，那就可用这21年的37%，7.77年来交往不同的男士。到19 +7.77=26.77岁时，坐下来，确定“最基本的满意标准"。然后，嫁给从那一天开始你遇到的，第一个好于这个标准的男士，并不再寻找更优方案。
再比如，你想在1个月之内买房子。那你可以先用37%的时间，也就是11天看房，确定"最基本的满意标准"，然后从第12天开始，遇见第一个好于这个标准的，就毫不犹豫地下手。
基于数据决策
你可以把“决策"，理解为与这个世界的博弈。如果你能知道这个世界的底牌，就更有可能赢得比赛。这个世界的底牌，就是信息。更准确地说，是信息的载体：数据。
比如：你在避暑胜地丽江拿了块地，打算开发旅游项目。立刻，你面临一个重要决策：客源是定位于本地呢，还是外市、外省？
你请专业咨询公司帮你做调查。调查数据表明，丽江的客源54%来自广东。你决定针对广东人的喜好设计丽江的避暑产品。
这就是“基于数据的决策”。
"看清世界的底牌”的三种方法
第一，对显性数据的统计。
关于自身运营的显性数据，可以建立IT系统；关于行业趋势的显性数据，可以购买统计报告。
第二，对隐性数据的调查。
但对于一些隐性数据，比如用户希望交通工具有什么创新？这是用户内心的偏好。要掌握它们，你可以用“调查”的方法。
但用户不知道自己可以要什么，这是调查的难度所在。怎么办呢？你可以试试“焦点小组”。
微软在产品发布前，常会邀请典型用户，比如办公室文员，家庭妇女到装有单向玻璃的观察室，请他们独立完成一项任务，比如网上购物，并用摄像头记录他们的所有行为。工程师们站在玻璃的另一边，看着用户“居然"这都不会，那都不会，捶胸顿足。但，这才是真实的用户，大家坐下来研究所有细节，一条一条改。
这就是焦点小组。看他怎么做，而不是怎么说
第三，对全体数据的分析。
过去，与这个世界博弈，你看不到他的底牌。但到了互联网时代，这个世界突然把底牌一摊，都给你看。我们与这个世界的博弈，从信息匮乏时代，走向了信息泛滥时代。
那怎么办？要从信息匮乏时代的“增加数据"，变为信息泛滥时代的“减少数据”。
这就是现在如日中天的大数据。
但现在有些车企，在汽车出厂时安装了数据设备，监测你开了多少公里，会不会打着左转向灯向右转，会不会踩着刹车转弯，然后为每个人的保费单独定价。这样，我就可以少交保费了。这就是利用精准到个体的大数据，帮助决策。
那你拥有庞大的数据，我能不能用呢？试着和拥有数据的机构合作
阿里用它的大数据，做了“芝麻信用分”，把数据变成信用产品。作为酒店，你可以说：芝麻信用分750以上，不用交押金了。这样，你的酒店体验，也会大大提升。
