의사결정나무분석 (Decision Tree Analysis)
쉽게 풀면
투자를 하다가 갈림길마다 어떤 선택을 할 수 있는지, 그 결과가 어떻게 갈라지는지를 나뭇가지 그림으로 그려서 최선의 길을 찾는 방법이다. 예를 들어 임상시험 1상에서 실패하면 사업을 접고, 성공하면 2상에 추가 투자하는 제약회사의 신약개발 과정이 전형적인 의사결정나무 구조를 보여준다.
왜 중요한가
의사결정나무 분석은 여러 단계의 불확실성과 그에 따른 선택을 가지 형태로 펼쳐 각 경로의 확률과 현금흐름을 계산하는 방법으로, 단계별로 투자를 확대·축소·중단할 수 있는 신약 개발이나 자원 탐사 같은 프로젝트 평가에 적합합니다. 정적인 현금흐름할인법이 놓치는 경영진의 유연성 가치를 드러내며 실물옵션 분석의 직관적 출발점입니다.
어떤 절차인가
- 구조 그리기: 의사결정 마디(사각형, 내가 고르는 곳), 우연 마디(원, 불확실한 사건), 끝마디(결과)로 나무를 그립니다.
- 숫자 채우기: 우연 마디의 가지마다 확률을, 가지·끝마디마다 현금흐름(비용·수익)을 적습니다.
- 후진귀납: 끝에서부터 거슬러 올라가며 우연 마디는 기대값(확률 가중 평균)으로, 의사결정 마디는 기대값이 큰 가지로 대체합니다. 선택되지 않은 가지는 가지치기됩니다.
- 해석: 뿌리의 기대값이 첫 결정의 가치이고, 선택된 경로가 최적 전략입니다.
언제 쓰고 무엇을 얻나
단계별로 투자를 멈출 수 있는 신약개발을 가상의 숫자로 단순화한 예입니다(할인은 생략, 단위 억원, 코드로 계산).
| 단계 | 비용 | 성공 확률 | 성공 시 가치 |
|---|---|---|---|
| 임상 1상 | 10 | 0.6 | 2상 진행 |
| 임상 2상 | 20 | 0.4 | 상업화 가치 300 |
2상 마디의 기대값은 −20 + 0.4 × 300 = 100으로 0보다 크므로 2상을 진행합니다. 1상 마디의 기대값은 −10 + 0.6 × 100 = 50입니다. 이 값이 양수이므로 이 가정 아래서는 1상부터 시작하는 것이 유리합니다.
성공 확률이 0.2로 낮아지면 2상 기대값이 −20 + 0.2 × 300 = 40으로 줄어 1상 기대값도 −10 + 0.6 × 40 = 14가 됩니다. 확률 하나가 결론을 좌우하므로 민감도 분석을 함께 보여 주는 것이 좋습니다.
논문에는 이렇게 적는다
- 나무 그림과 함께 확률의 출처(문헌, 전문가 판단, 과거 자료)와 현금흐름의 가정을 적습니다.
- 시간가치를 반영했다면 할인율을 밝힙니다. 마디마다 위험이 다른데 하나의 할인율을 쓰는 한계는 실물옵션 분석(실물옵션분석)과 비교해 논의되곤 합니다.
- 기대값만이 아니라 결과의 분포(최악·최선 경로)와 민감도 분석 결과를 제시합니다.
- 완전정보의 기대가치를 함께 계산하면 정보를 더 얻는 데 쓸 수 있는 비용의 상한을 알 수 있습니다.
논문에서는 이렇게 쓰입니다
실제 논문에서
국내 학술지 논문에서 이 용어가 쓰인 문장을 그대로 옮겼습니다. 제목·학술지·연도와 원문 링크를 함께 적었습니다.
“옵션반영 DCF는 의사결정트리에 옵션의 개념을 반영한 방법으로 단계별 개발이 요구되는 신약개발 분야에 많이 활용되고 있다.”
사업결합에 따른 바이오 신약 기술의 가치평가 : 옵션반영 DCF를 중심으로, 회계정보연구, 2018 · KCI 한국학술지인용색인 · 원문 보기 ↗
예시 문장
아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.
메기는 순차적 의사결정 문제를 나무 구조로 시각화하고 각 분기의 기대가치를 역순으로 계산하는 방법을 제시하여 불확실성 하의 투자결정 분석에 실무적 틀을 제공했다.
순차적 의사결정과 불확실성을 가지 형태로 표현해 각 경로의 기대값을 비교하는 분석 절차를 보여주는 서술입니다.
조금 더 깊게 보면
의사결정나무의 근본적 문제는 각 마디의 위험이 다른데 하나의 할인율을 적용한다는 점이며, 이 때문에 이론적으로 정확한 평가는 위험중립 확률을 쓰는 실물옵션 접근에서 나옵니다. 확률 추정이 주관적이고 가지가 많아지면 계산과 해석이 급격히 복잡해집니다.
기계학습의 의사결정나무 알고리즘과 이름이 같지만 목적과 방법이 전혀 다른 도구입니다. 계산은 말단 마디의 기대값을 먼저 구한 뒤 시간을 거슬러 올라가며 각 의사결정 마디에서 더 큰 기대값을 주는 대안을 선택하는 후진귀납 방식으로 진행되며, 이 과정에서 열등한 가지는 자동으로 가지치기된다.
주의할 점
가지마다 확률과 현금흐름을 추정해야 하므로 나무의 복잡도가 커질수록 주관적 가정이 늘어나며, 실물옵션분석과 개념이 유사하지만 옵션의 시장가격 정보를 활용하지 않는다는 차이가 있다.
헷갈리기 쉬운 용어
| 용어 | 목적 | 한 줄 설명 |
|---|---|---|
| 의사결정나무분석(재무·의사결정) | 최적 대안 선택 | 확률·현금흐름을 나무로 펼쳐 기대값을 비교 |
| 의사결정나무(기계학습) | 분류·예측 | 자료를 변수 기준으로 나눠 규칙을 학습하는 알고리즘, 이름만 같음 |
| 실물옵션분석 | 경영 유연성의 가치 평가 | 위험중립 확률 등 옵션 이론으로 가치를 매김 |
참고 문헌
- Magee, J. F. (1964). Decision trees for decision making. Harvard Business Review, 42(4), 126–138.
- Raiffa, H. (1968). Decision Analysis: Introductory Lectures on Choices under Uncertainty. Addison-Wesley.
- Brandão, L. E., Dyer, J. S., & Hahn, W. J. (2005). Using binomial decision trees to solve real-option valuation problems. Decision Analysis, 2(2), 69–88.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.