Сергей Авдошин - Информатизация бизнеса. Управление рисками

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.

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.