درختان تصمیم رایج ترین ابزار داده کاوی هستند که درک، پیاده سازی و کاربرد آسان داشته و از نظر محاسباتی ارزان می باشند. این ساختار دسته بندی را با پیش بینی یک خروجی قیاسی از دسته ها و یا ورودی های حقیقی انجام می دهد. مسئله ی اورفیت بر روی نمونه های اموزشی مسئله ای مهم در یادگیری درختی است. زیرا که نمونه های اموزشی فقط نمونه ای از تمامی نمونه های ممکن هستند ، ممکن است ما به درخت شاخه هایی را بیفزاییم که کارایی درخت را بر روی نمونه های آموزشی افزایش داده اما کارایی برای نمونه های خارج این مجموعه کاهش یابد. با توجه به موارد ذکر شده اگر چه در شرکت های کوچک برای مدیریت داده ها نیاز به استفاده از راهکارهای داده کاوی مانند درخت تصمیم گیری نیست ، ولی استفاده از این روش در شرکت ها و جاهایی که داده ها حجیم هستند و همچنین نیاز است که داده ها بصورت هوشمند مدیریت شوند نیاز به بکارگیری این دانش و روش حتمی است.دانش داده کاوی بخصوص روش درخت تصمیم گیری، سازمانها را قادر می سازد تا از سرمایه داده هایشان بهره بردارینمایند . این ابزار برای پشتیبان فرایند تصمیم گیری استفاده می گردد. داده کاوی باپردازش جامع داده و انجام فرایند تصمیم سازی از طریق استخراج دانش با ارزش از داده،تصمیم گیری را برای مدیران سازمان تسهیل می نماید.استخراج اطلاعات مناسب از میان انبوه داده‏ها و تبدیل آنها به دانش مورد نیاز سازمانها، بویژه در تصمیم گیری‏های سازمانی، نیازمند استفاده از روش‏های نوین در این حوزه است. روش درخت تصمیم گیری یکی از این ابزار و رویکردهاست که در فضای مدیریت دانش سازمان‏ها به کشف دانش از پایگاه داده ها کمک می‏کند.