Сергей Авдошин - Информатизация бизнеса. Управление рисками Страница 29

3. Проводится большое число прогонов, что позволяет получить множество случайных значений события, для которых могут быть рассчитаны среднее значение и стандартное отклонение (d). Каждый прогон происходит с вероятностью Р = 100/N (размер выборки). Для получения вероятности всех прогонов полученную величину Р умножаем на количество прогонов (с получением анализируемого результата).

4. Применяется правило трех сигм (при предположении о нормальности распределения вероятности), при котором значение окажется в трех интервалах:

• с вероятностью 0,68 в диапазоне ±1d);

• с вероятностью 0, 95 в диапазоне (±2d);

• с вероятностью 0, 99 в диапазоне (±3d).

Таким образом, обещая клиенту, что мы закончим проект в срок, соответствующий точке наиболее вероятного значения, мы имеем 50-процентную возможность окончить проект позднее обещанной даты (при выборе нормального распределения).

5. На основе полученных результатов принимается решение о целесообразности дальнейших действий при заданных параметрах. Например, если с вероятностью более 0,94 нижняя граница оценки проекта положительна, то проект рассматривается как проект низкого риска для заданного фактора риска.

В результате моделирования получается диаграмма, показывающая вероятности всех возможных сроков завершения проекта и вероятности возможных затрат с четким изображением наиболее вероятных затрат по проекту (рис. 16, 17).

Рис. 16. Прогноз даты завершения проекта на основании количественной оценки риска

Рис. 17. Прогноз суммарной стоимости проекта на основании количественной оценки риска

Практическое применение метода Монте-Карло продемонстрировало широкие возможности его использования, особенно в условиях неопределенности и риска. Моделирование дает более точные оценки, чем другие методы, например анализ сценариев, что обусловлено перебором промежуточных вариантов. Данный метод особенно удобен для практического применения тем, что удачно сочетается с другими экономико-статистическими методами, а также с теорией игр и другими методами исследования операций.

Однако для использования этого метода необходим большой объем исходной информации, основанной на анализе статистических данных. Вероятностные распределения различаются по каждой позиции и меняются со временем, некоторые составляющие зависят от развития в предыдущих периодах (условная вероятность), существует вероятность появления определенной последовательности статистических данных (появления ошибок, прочего). Точность предоставленных данных и прогнозных оценок напрямую повлияет на качество моделирования.

Пожалуй, самый новый метод моделирования проекта, позволяющий наиболее комплексно описать проект и с помощью имитационного моделирования процессов, протекающих в проекте, определить источники риска и даже количественно описать их.

Основной недостаток метода – необходимость большего количества времени для построения модели. Другая проблема – необходимость «притирки» модели – уточнения коэффициентов и параметров модели. В итоге метод более ресурсоемкий, по сравнению с другими методами, но предоставляет более полную и ясную картину рисков проекта.

Выводы по количественной оценке рисков

Результатами процедуры количественной оценки являются список приоритетных рисков с количественными оценками их влияния и прогноз вероятной продолжительности и стоимости проекта.

Количественная оценка рисков, проведенная в полном объеме, с использованием предложенных методик, позволяет компании определить:

• вероятность достижения конечных целей ИТ-проекта;

• прогноз степени воздействия риска на проект и оценку объемов непредвиденных затрат и материалов, которые могут потребоваться;

• риски, требующие скорейшего реагирования и повышенного внимания, а также количественную оценку влияния их последствий на проект;

• реалистичные прогнозы затрат и предполагаемые сроки завершения проекта.

Для каждого типа риска существуют свои методы анализа и конкретные особенности их реализации. Чем более простой алгоритм, тем он грубее, но при этом легче объяснить полученные результаты. Наиболее мощные алгоритмы способны находить сложные нелинейные зависимости, но их интерпретация является непростой задачей. На практике необходимо находить компромисс между точностью и простотой. Например, при анализе технико-производственных рисков, связанных с отказом оборудования, наибольшее распространение получили методы построения деревьев.

Существенную роль играют объем и качество исходных данных. Так, если имеется значительная база данных по динамике рискообразующих факторов, возможно применение методов имитационного моделирования и нейронных сетей. В противном случае вероятнее всего применение экспертных методов или методов нечеткой логики.

Принципиально важно также учитывать динамику показателей, влияющих на уровень риска. При выборе методов анализа следует принимать во внимание не только глубину расчетных данных, но и горизонт прогнозирования показателей, влияющих на уровень риска.

Большое значение имеют срочность и технические возможности проведения анализа. Если в распоряжении аналитика имеются солидный вычислительный потенциал и запас времени, возможно применение математически сложных методов – моделирования по методу Монте-Карло.

В настоящее время экономические системы и промышленные комплексы достигли такой сложности, что зачастую расчет их устойчивости невозможен без математического моделирования и элементов теории вероятностей.

4.3. Разработка реагирования на риски

Разработка реагирования включает в себя определение детальных стратегий и мероприятий в отношении главных рисков, приоритезацию этих мероприятий и создание сводного плана управления рисками. Разрабатываются мероприятия, обеспечивающие минимизацию вероятности и ослабление отрицательных последствий рисковых событий, при общем повышении вероятности успешного завершения проекта.

Процесс разработки реагирования на риски включает в себя распределение между участниками проекта ответственности за своевременное реагирование на рисковые события. Создание сбалансированной процедуры реагирования на риски предусматривает возможность выбрать меры реагирования на риски из нескольких заранее проработанных и оцененных альтернативных вариантов. Эффективность разработанных мер реагирования определяется снижением количества рисков и уменьшением серьезности их последствий на выполнение проекта. Задачи из плана управления рисками поручаются определенным членам проектной группы, и их выполнение подвергается активному мониторингу.