在这个大数据时代，很多企业开始频繁的利用大数据分析赋能企业决策，让决策更加的精准和高效。那么在数据分析上就需要有专业的人员或工具进行支持，比如聘请专门的数据分析人员或是购买类似于DataFocus、Thoughtspot等BI分析工具。但无论是专家还是工具，都离不开方法的支持，用各类的数据分析方法、数据分析公式、数据洞察策略去赋能各类数据分析应用场景。而其实对于真正的决策者来说，数据分析从来赋能的不是他的决策，而是整个决策树。
何为决策树，我们先来看一个例子。
现想象一个女孩的母亲要给这个女孩介绍男朋友，于是有了下面的对话
女儿：多大年纪了？
母亲：26。
女儿：长的帅不帅？
母亲：挺帅的。
女儿：收入高不？
母亲：不算很高，中等情况。
女儿：是公务员不？
母亲：是，在税务局上班呢。
女儿：那好，我去见见。
这个女孩的决策过程就是典型的分类树决策。相当于通过年龄、长相、收入和是否公务员对将男人分为两个类别：见和不见。假设这个女孩对男人的要求是：30岁以下、长相中等以上并且是高收入者或中等以上收入的公务员，那么这个可以用下图表示女孩的决策逻辑。
决策树（Decision Tree）是一种简单但是广泛使用的分类器。通过训练数据构建决策树，可以高效的对未知的数据进行分类。决策数有两大优点：
1）决策树模型可以读性好，具有描述性，有助于人工分析；
2）效率高，决策树只需要一次构建，反复使用，每一次预测的最大计算次数不超过决策树的深度。
应用方面我相信很多人都了解，比如常见的客户数据分类，像是银行等等，就会用如下决策树：
对于企业朋友来说，数据分析的结果也会应用于类似下列流失客户数据决策树：
总而言之，数据分析赋能的是决策树而非单一决策，尤其是针对大型机构和组织，只有用决策树才能真正做到科学、错误最小化的决策，并融入数据分析体系。
