Árvore De Possibilidades

Como montar uma árvore de possibilidades que na verdade funciona

Muita gente desenha árvores de possibilidades e depois não consegue usar nada disso na prática. O problema geralmente não é a teoria, é a forma como a estrutura é construída. Começa-se desenhando ramos que parecem lógicos no papel, mas quando chega a hora de calcular probabilidades ou avaliar custos, tudo vira um emaranhado. Vou explicar primeiro o método de construção, depois falar do conceito, porque na minha experiência é mais fácil entender o que é a árvore depois de ver como ela é montada passo a passo.

Montando a árvore de possibilidades na prática

O processo começa pelos nós de decisão. Você identifica os pontos onde alguém precisa escolher entre alternativas. Cada escolha gera um ramo. Nos finais desses ramos vêm os nós de evento, que representam resultados incertos. Cada resultado possível recebe uma probabilidade. O nó final é onde você coloca o valor: custo, ganho, tempo perdido, o que for relevante para a decisão. Eu costumo recomendar começar pelo fim. É contra intuitivo, mas funciona melhor. Você pensa nos resultados finais primeiro, depois volta para trás e constrói os ramos que levam até eles. Isso evita que você crie ramos sem saída ou eventos sem consequência mensurável. Aqui vai um exemplo simples de como isso se encaixa. Suponha que você está avaliando se contrata um fornecedor novo ou continua com o atual. O nó de decisão tem dois ramos: contratar ou não. Se contratar, há um nó de evento com duas possibilidade: o fornecedor entrega no prazo ou atrasa. Cada cenário recebe uma probabilidade e um valor de custo. Se não contratar, o valor é simplesmente o custo continuado do fornecedor atual. A escolha fica clara quando você calcula o valor esperado de cada ramo.

Dentro da árvore de possibilidades você trabalha com três tipos de elementos: nós de decisão, representados por quadrados; nós de chance, representados por círculos; e folhas, que são os valores finais nos extremos dos ramos. Todo nó de decisão tem ramos que somam opções mutually exclusive. Todo nó de chance tem ramos que cobrem todos os resultados possíveis, e a soma das probabilidades deve ser exatamente 1,0. Se não for, algo está errado. O cálculo em si é feito por retroceding, ou rollback. Você começa do final da árvore e volta para a raiz. Em cada nó de chance, você multiplica cada valor de folha pela sua probabilidade e soma os resultados para obter o valor esperado daquele nó. Em cada nó de decisão, você escolhe o ramo com o melhor valor esperado. Esse processo resolve a árvore inteira de trás para frente. Na prática, o rollback leva cerca de 10 a 15 minutos para árvores com até 20 ramos, se você tiver os dados organizados. Árvores maiores passam de uma hora e começam a perder fiabilidade porque os dados precisam ser muito mais precisos. É nesse ponto que muita gente trava.

Um problema específico que eu encontrei foi com árvores envolvendo custos de falha recorrente. Eu estava modelando um projeto de migração de sistema e o ramo de "falha na migração" tinha um custo que variava conforme o tempo de parada. A probabilidade de downtime não era fixa, dependia de quantas vezes o sistema falhava durante o processo. Meu workaround foi transformar aquele nó de chance único em uma sequência de três nós encadeados, representando cada fase de teste, e atribuir uma probabilidade condicional para cada falha. Isso mudou a estrutura de 8 ramos para 14, mas o resultado ficou muito mais realista. Levei 40 minutos a mais para montar, mas a diferença no valor esperado foi de 23% em relação ao modelo simplificado. O que iniciantes costumam errar é tratar probabilidades como números fixos quando elas não são. Probabilidades mudam conforme novas informações aparecem. Se você tem dados históricos, use-os. Se não tem, o melhor é usar ranges e fazer análise de sensibilidade, variando as probabilidades em +-10% e vendo o quanto o resultado muda. Se a decisão troca de ramo com pequenas variações, o modelo é instável e você precisa de mais dados antes de decidir. Outro erro comum é misturar causas e efeitos no mesmo nível da árvore. Cada ramo deve representar um evento ou uma decisão distinta. Se um resultado depende de outro que ainda não foi modelado, você tem dois nós no mesmo nível, o que quebra a lógica da árvore.

Árvores de possibilidades também têm limitações sérias. Elas não funcionam bem quando há dependências complexas entre eventos, porque a estrutura ramificada assume independência ou dependência direta que é difícil de capturar. Quando o número de ramos ultrapassa cerca de 50, a árvore fica ilegível e o valor esperado perde significância. Nesse caso, simulação de Monte Carlo é mais eficiente. Eu uso árvores para decisões com até 15 ramos e transições claras. Para problemas maiores, monto um modelo de simulação separado e uso a árvore apenas para validar os fluxos principais. Para construir a árvore, você não precisa de software caro. Uma planilha resolve. Crie colunas para nó, tipo (decisão ou chance), ramo, probabilidade e valor. Use fórmulas para calcular o valor esperado automaticamente. Ferramentas como @RISK ou EvenRisk ajudam, mas a lógica é a mesma. O importante é manter os dados organizados desde o início. Se quiser baixar templates prontos, existem modelos open source no GitHub e repositórios de universidades. Procure por "decision tree template spreadsheet" e teste com seus próprios dados antes de confiar no resultado.