Cómo funciona un árbol de decisiones

Muchas decisiones de una empresa se pueden escribir como una cadena de preguntas: si el cliente lleva poco tiempo, si ha tenido incidencias, si usa el producto. Un árbol de decisiones hace exactamente eso, con una diferencia importante: las preguntas no las escribe nadie a mano, las aprende de los datos.

Es uno de los modelos de aprendizaje automático más antiguos y sigue siendo de los más útiles para empezar, porque cualquiera puede seguir su razonamiento.

Qué es un árbol de decisiones#

Un árbol de decisiones es un modelo que predice algo haciendo una pregunta tras otra. Cada pregunta divide los casos en dos grupos y cada respuesta lleva a la siguiente pregunta, hasta llegar a una hoja, que es la predicción.

• Nodos: las preguntas, como «¿la satisfacción está por debajo de 6 sobre 10?».
• Ramas: las respuestas posibles, normalmente sí o no.
• Hojas: el resultado al final del recorrido, como «baja probable» o «se queda».

Si lo que se predice es una categoría (se va o se queda, convierte o no), se habla de un árbol de clasificación. Si es una cifra (cuánto comprará, cuántos días tardará), de un árbol de regresión. La lógica es la misma.

Un ejemplo: anticipar qué clientes se van a dar de baja#

Imagina una empresa con clientes de suscripción que quiere saber, antes de que ocurra, quién tiene más probabilidades de irse. Con el histórico de clientes que se quedaron y de los que se fueron, el modelo aprende un árbol como este:

Fíjate en que el árbol no ha necesitado mirar el uso semanal ni el tipo de plan para este cliente. Cada recorrido usa solo las preguntas que importan en su caso.

Cómo aprende el árbol las preguntas#

El árbol se construye de arriba abajo a partir de casos pasados en los que ya se sabe el resultado:

1. Busca la mejor primera pregunta. Prueba todas las variables y todos los cortes posibles y se queda con el que mejor separa a los clientes que se fueron de los que se quedaron.
2. Repite en cada grupo. Con cada uno de los dos grupos resultantes vuelve a buscar la pregunta que mejor los separa.
3. Se detiene a tiempo. Para cuando un grupo ya es casi homogéneo, cuando quedan muy pocos casos o cuando alcanza la profundidad máxima que se le ha fijado.

Ese último paso es clave. Un árbol sin límites sigue preguntando hasta aprenderse de memoria cada caso del histórico, y entonces acierta con los datos antiguos y falla con los nuevos. Es lo que se llama sobreajuste, y se evita limitando la profundidad, exigiendo un mínimo de casos por hoja o podando las ramas que no aportan.

Ventajas y límites#

• Se puede explicar: cualquiera puede seguir el recorrido y entender por qué se predice algo.
• Trabaja con datos numéricos y con categorías, como el tipo de plan.
• Necesita poca preparación de los datos para dar un primer resultado.
• Muestra qué variables pesan más, porque aparecen en las primeras preguntas.

• Es inestable: con pocos datos, un cambio pequeño en el histórico puede cambiar mucho el árbol.
• Tiende al sobreajuste si no se limita.
• Un solo árbol suele ser menos preciso que los modelos que combinan muchos árboles.

Esos modelos combinados, como el bosque aleatorio o el gradient boosting, entrenan decenas o cientos de árboles y juntan sus respuestas. Suelen acertar más, pero ya no se pueden leer como un único árbol. Elegir entre uno y otro es elegir cuánta transparencia necesitas para la decisión.

Si el equipo no entiende por qué el modelo dice lo que dice, no lo usará para decidir. Por eso un árbol sencillo suele ser el mejor primer paso.

El árbol de decisiones como diagrama#

Con el mismo nombre se conoce otra herramienta, más antigua y sin datos de por medio: un diagrama que se dibuja para comparar alternativas. Parte de una decisión (por ejemplo, ampliar una línea de producción o subcontratar), abre una rama por cada opción y, en cada rama, los resultados posibles con su probabilidad y su coste o beneficio estimados. Al final se elige la opción con el mejor resultado esperado.

La lógica es la misma que la del modelo: preguntas encadenadas que llevan a una conclusión. La diferencia es quién las escribe. En el diagrama las pones tú a partir de tu experiencia; en el modelo de este artículo, las aprende el algoritmo a partir del histórico.

Cuándo usar un árbol de decisiones en tu empresa#

Encaja cuando hay una decisión que se repite, un histórico con el resultado de cada caso y la necesidad de explicar el porqué. Algunos ejemplos habituales:

• Detectar a tiempo qué clientes pueden darse de baja.
• Priorizar los leads con más probabilidades de convertir; lo contamos en cómo predecir la conversión de leads.
• Anticipar retrasos en pedidos o en cobros.
• Clasificar incidencias para que lleguen antes a quien puede resolverlas.

En todos los casos el punto de partida es el mismo: la decisión que quieres mejorar y qué harás con la predicción. Lo trabajamos en nuestros servicios de análisis de datos y de inteligencia artificial aplicada.

Publicado el 2 de diciembre de 2025 · actualizado el 20 de octubre de 2026