# ============================================ # ライブラリの読み込み # ============================================ import numpy as np # 数学計算用 import pandas as pd # データ処理用 import matplotlib.pyplot as plt # グラフ描画用 # 日本語フォント設定 plt.rcParams[‘font.sans-serif’] = [‘Arial Unicode MS’, ‘Yu Gothic’, ‘Hiragino Sans’] plt.rcParams[‘axes.unicode_minus’] = False # ============================================ # EMV（期待金額価値）を計算する関数 # ============================================ def calculate_emv(outcomes, probabilities): “”” EMVを計算する関数 引数: outcomes: 各結果の金額リスト probabilities: 各結果の確率リスト 戻り値: EMV（期待金額価値） “”” # 確率の合計が1になることを確認 if abs(sum(probabilities) – 1.0) > 0.001: print(“警告: 確率の合計が1ではありません”) # EMV = Σ（金額 × 確率） emv = sum(o * p for o, p in zip(outcomes, probabilities)) return emv # ============================================ # 新製品発売の意思決定 # ============================================ print(“【新製品発売の意思決定ツリー】”) print() # 選択肢1: 発売する outcomes_launch = [5000000, -2000000] # 成功時+500万、失敗時-200万 probs_launch = [0.6, 0.4] # 成功60%、失敗40% emv_launch = calculate_emv(outcomes_launch, probs_launch) print(“選択肢1: 発売する”) print(f” 成功(60%): +{outcomes_launch[0]:,}円”) print(f” 失敗(40%): {outcomes_launch[1]:,}円”) print(f” EMV = {emv_launch:,}円”) print() # 選択肢2: 発売しない emv_no_launch = 0 print(“選択肢2: 発売しない”) print(f” EMV = {emv_no_launch:,}円”) print() # 最適な選択 print(“【最適な選択】”) if emv_launch > emv_no_launch: print(f”→ 「発売する」を選択（EMV差: +{emv_launch – emv_no_launch:,}円）”) else: print(f”→ 「発売しない」を選択（EMV差: +{emv_no_launch – emv_launch:,}円）”)

# ============================================ # より複雑な意思決定ツリー # ============================================ # 選択肢が3つある場合 print(“【設備投資の意思決定ツリー】”) print() # 選択肢A: 大規模投資（1億円） print(“選択肢A: 大規模投資（投資額: 1億円）”) investment_a = -100000000 # 投資額 outcomes_a = [ 300000000, # 需要高: 売上3億円 100000000, # 需要中: 売上1億円 -50000000 # 需要低: 売上-5000万円（赤字） ] probs_a = [0.3, 0.5, 0.2] # 需要高30%, 中50%, 低20% # 利益 = 売上 – 投資額 として計算済みの値を使用 profits_a = [o + investment_a for o in outcomes_a] emv_a = calculate_emv(profits_a, probs_a) print(f” 需要高(30%): 利益{profits_a[0]:,}円”) print(f” 需要中(50%): 利益{profits_a[1]:,}円”) print(f” 需要低(20%): 利益{profits_a[2]:,}円”) print(f” EMV = {emv_a:,}円”) print() # 選択肢B: 小規模投資（3000万円） print(“選択肢B: 小規模投資（投資額: 3000万円）”) investment_b = -30000000 outcomes_b = [ 80000000, # 需要高 40000000, # 需要中 10000000 # 需要低 ] probs_b = [0.3, 0.5, 0.2] profits_b = [o + investment_b for o in outcomes_b] emv_b = calculate_emv(profits_b, probs_b) print(f” 需要高(30%): 利益{profits_b[0]:,}円”) print(f” 需要中(50%): 利益{profits_b[1]:,}円”) print(f” 需要低(20%): 利益{profits_b[2]:,}円”) print(f” EMV = {emv_b:,}円”) print() # 選択肢C: 投資しない print(“選択肢C: 投資しない”) emv_c = 0 print(f” EMV = {emv_c:,}円”) print() # 比較と最適選択 print(“【EMV比較】”) print(f”選択肢A（大規模）: {emv_a:,}円”) print(f”選択肢B（小規模）: {emv_b:,}円”) print(f”選択肢C（投資なし）: {emv_c:,}円”) print() # 最大EMVを見つける emvs = {‘大規模投資’: emv_a, ‘小規模投資’: emv_b, ‘投資しない’: emv_c} best_choice = max(emvs, key=emvs.get) print(f”【最適な選択】→ 「{best_choice}」（EMV: {emvs[best_choice]:,}円）”)

# ============================================ # 感度分析：確率が変わるとEMVはどう変わる？ # ============================================ print(“【感度分析：成功確率とEMVの関係】”) print() success_probs = np.arange(0, 1.05, 0.05) # 0%〜100% emvs_launch = [] for p_success in success_probs: p_fail = 1 – p_success emv = 5000000 * p_success + (-2000000) * p_fail emvs_launch.append(emv) # 損益分岐点（EMV = 0となる確率）を計算 # 5000000 * p + (-2000000) * (1-p) = 0 # 5000000p – 2000000 + 2000000p = 0 # 7000000p = 2000000 # p = 2000000 / 7000000 = 0.286 (約29%) breakeven_prob = 2000000 / 7000000 print(f”損益分岐点: 成功確率 {breakeven_prob*100:.1f}%”) print() print(“成功確率別のEMV:”) for p, emv in zip(success_probs[::4], emvs_launch[::4]): decision = “発売する” if emv > 0 else “発売しない” print(f” {p*100:5.1f}% → EMV {emv:>12,.0f}円 → {decision}”)

# ============================================ # 実務例：マーケティング戦略の意思決定 # ============================================ print(“【マーケティング戦略の意思決定ツリー】”) print() print(“背景:”) print(“・新規顧客獲得のためのマーケティング戦略を選択”) print(“・予算は限られているため、1つの戦略のみ実行可能”) print() # 戦略A: デジタル広告キャンペーン print(“【戦略A: デジタル広告キャンペーン】”) print(“投資額: 500万円”) cost_a = -5000000 outcomes_a = { ‘大成功’: {‘prob’: 0.2, ‘revenue’: 20000000}, # 売上2000万 ‘成功’: {‘prob’: 0.5, ‘revenue’: 10000000}, # 売上1000万 ‘失敗’: {‘prob’: 0.3, ‘revenue’: 2000000} # 売上200万 } emv_a = 0 for result, data in outcomes_a.items(): profit = data[‘revenue’] + cost_a emv_a += data[‘prob’] * profit print(f” {result}({data[‘prob’]*100:.0f}%): 売上{data[‘revenue’]/10000:.0f}万円 → 利益{profit/10000:.0f}万円”) print(f” EMV = {emv_a/10000:.0f}万円”) print() # 戦略B: インフルエンサーマーケティング print(“【戦略B: インフルエンサーマーケティング】”) print(“投資額: 300万円”) cost_b = -3000000 outcomes_b = { ‘大成功’: {‘prob’: 0.15, ‘revenue’: 15000000}, ‘成功’: {‘prob’: 0.45, ‘revenue’: 8000000}, ‘失敗’: {‘prob’: 0.4, ‘revenue’: 1000000} } emv_b = 0 for result, data in outcomes_b.items(): profit = data[‘revenue’] + cost_b emv_b += data[‘prob’] * profit print(f” {result}({data[‘prob’]*100:.0f}%): 売上{data[‘revenue’]/10000:.0f}万円 → 利益{profit/10000:.0f}万円”) print(f” EMV = {emv_b/10000:.0f}万円”) print() # 戦略C: 展示会出展 print(“【戦略C: 展示会出展】”) print(“投資額: 200万円”) cost_c = -2000000 outcomes_c = { ‘大成功’: {‘prob’: 0.1, ‘revenue’: 10000000}, ‘成功’: {‘prob’: 0.6, ‘revenue’: 5000000}, ‘失敗’: {‘prob’: 0.3, ‘revenue’: 500000} } emv_c = 0 for result, data in outcomes_c.items(): profit = data[‘revenue’] + cost_c emv_c += data[‘prob’] * profit print(f” {result}({data[‘prob’]*100:.0f}%): 売上{data[‘revenue’]/10000:.0f}万円 → 利益{profit/10000:.0f}万円”) print(f” EMV = {emv_c/10000:.0f}万円”) print() # 比較と推奨 print(“=” * 50) print(“【EMV比較と推奨】”) print(“=” * 50) print(f”戦略A（デジタル広告）: EMV {emv_a/10000:.0f}万円”) print(f”戦略B（インフルエンサー）: EMV {emv_b/10000:.0f}万円”) print(f”戦略C（展示会）: EMV {emv_c/10000:.0f}万円”) print() strategies = { ‘デジタル広告’: emv_a, ‘インフルエンサー’: emv_b, ‘展示会’: emv_c } best = max(strategies, key=strategies.get) print(f”→ 推奨: 「{best}」（EMV: {strategies[best]/10000:.0f}万円）”)

# ============================================ # リスク考慮型の意思決定 # ============================================ print(“【リスク考慮型の意思決定分析】”) print() # 各戦略のリスク指標を計算 strategies_risk = { ‘デジタル広告’: { ‘emv’: emv_a, ‘worst_case’: min([d[‘revenue’] + cost_a for d in outcomes_a.values()]), ‘best_case’: max([d[‘revenue’] + cost_a for d in outcomes_a.values()]), ‘investment’: abs(cost_a) }, ‘インフルエンサー’: { ‘emv’: emv_b, ‘worst_case’: min([d[‘revenue’] + cost_b for d in outcomes_b.values()]), ‘best_case’: max([d[‘revenue’] + cost_b for d in outcomes_b.values()]), ‘investment’: abs(cost_b) }, ‘展示会’: { ‘emv’: emv_c, ‘worst_case’: min([d[‘revenue’] + cost_c for d in outcomes_c.values()]), ‘best_case’: max([d[‘revenue’] + cost_c for d in outcomes_c.values()]), ‘investment’: abs(cost_c) } } print(“戦略比較表:”) print(“-” * 70) print(f”{‘戦略’:<15} {'EMV':>12} {‘最悪ケース’:>12} {‘最良ケース’:>12} {‘投資額’:>10}”) print(“-” * 70) for name, data in strategies_risk.items(): print(f”{name:<15} {data['emv']/10000:>10.0f}万円 {data[‘worst_case’]/10000:>10.0f}万円 {data[‘best_case’]/10000:>10.0f}万円 {data[‘investment’]/10000:>8.0f}万円”) print(“-” * 70) print() # 意思決定基準による推奨 print(“【意思決定基準別の推奨】”) print() # 1. EMV最大化（リスク中立） best_emv = max(strategies_risk, key=lambda x: strategies_risk[x][‘emv’]) print(f”① EMV最大化（リスク中立）→ {best_emv}”) # 2. 最悪ケース最大化（マキシミン基準 – リスク回避） best_maximin = max(strategies_risk, key=lambda x: strategies_risk[x][‘worst_case’]) print(f”② 最悪ケース最大化（リスク回避）→ {best_maximin}”) # 3. 最良ケース最大化（マキシマックス基準 – リスク愛好） best_maximax = max(strategies_risk, key=lambda x: strategies_risk[x][‘best_case’]) print(f”③ 最良ケース最大化（リスク愛好）→ {best_maximax}”) # 4. ROI最大化 best_roi = max(strategies_risk, key=lambda x: strategies_risk[x][‘emv’] / strategies_risk[x][‘investment’]) print(f”④ ROI最大化（効率重視）→ {best_roi}”)