Il sistema di gestione dei rischi di progetto come parte dell'infrastruttura digitale

L'integrazione dei sistemi di gestione dei rischi nell'infrastruttura digitale aziendale sta diventando un fattore critico per il successo dei grandi progetti industriali. In un contesto di incertezza globale e di restrizioni sanzionatorie, gli approcci tradizionali alla valutazione delle minacce si dimostrano inefficaci. Nel corso del webinar, Yana Krukhmaleva, Direttore dello Sviluppo dell'Infrastruttura Digitale di "Gazprom-Media Holding", analizza l'evoluzione del risk management in Russia prendendo come esempio i maggiori progetti infrastrutturali e spiega perché il settore si stia inevitabilmente muovendo verso l'utilizzo dei Big Data.

Distorsioni cognitive e soggettività delle valutazioni degli esperti

La classica analisi qualitativa dei rischi si basa spesso su opinioni di esperti, che sono inevitabilmente soggette a distorsioni cognitive. Basandosi su studi di economia comportamentale, la relatrice dimostra che le persone tendono a pensare in modo irrazionale in condizioni di incertezza. Nella pratica, ciò porta a un approccio formale: gli esperti o non si immergono in un'analisi profonda delle minacce, o cadono in trappole mentali, come l'effetto Dunning-Kruger o l'apofenia (la ricerca di schemi dove oggettivamente non esistono).

Inoltre, nella valutazione collettiva dei rischi si verifica il paradosso di Condorcet: una situazione in cui le opinioni degli specialisti divergono a tal punto che è matematicamente impossibile ricavare una valutazione media oggettiva. Per identificare il grado di concordanza delle opinioni, si propone di utilizzare il coefficiente di concordanza di Kendall. Se la concordanza è bassa, la responsabilità della decisione finale deve essere assunta dal project manager, basandosi sulle proprie competenze e non su punteggi medi.

Limiti del metodo Monte Carlo

Nel tentativo di allontanarsi dalla soggettività dell'analisi qualitativa, molte aziende stanno passando a metodi quantitativi, in particolare alla simulazione Monte Carlo. Tuttavia, la presentazione esamina in dettaglio il difetto principale di questo approccio: i dati di input per il modello matematico sono ancora valutazioni soggettive degli esperti.

• Mancanza di pianificazioni integrate: Per funzionare correttamente, il metodo richiede un diagramma reticolare dettagliato e multilivello con una rigida allocazione di risorse e finanze. Nei grandi progetti, tali pianificazioni sono raramente mantenute in un unico sistema senza interruzioni dei collegamenti.
• Ignorare la correlazione dei rischi: Il metodo Monte Carlo gestisce male le situazioni in cui più rischi sono interconnessi. Il sistema non è in grado di tenere conto automaticamente delle complesse leggi della teoria della probabilità quando si sommano eventi dipendenti.

Di conseguenza, i complessi modelli quantitativi si trasformano spesso in uno strumento per rassicurare la direzione, dipingendo un quadro ideale di rispetto dei tempi e del budget che non ha nulla a che fare con la reale situazione in cantiere.

Big Data e analisi predittiva come futuro del risk management

L'unico modo per aumentare radicalmente l'oggettività della valutazione della probabilità degli eventi è l'uso dei Big Data. La creazione di data lake aziendali (Data Lakes) consente di accumulare statistiche su larga scala relative a incidenti, guasti alle apparecchiature, interruzioni delle forniture e minacce esterne.

Il compito chiave in questa fase è garantire la pertinenza e la pulizia dei dati, eliminando il più possibile il fattore umano durante il loro inserimento. La raccolta delle informazioni deve avvenire automaticamente e direttamente dagli impianti di produzione e dai sistemi informativi correlati. Solo sulla base di set di dati affidabili è possibile applicare efficacemente l'analisi predittiva e gli algoritmi di machine learning per una reale previsione dei rischi.

Valutazione dell'efficacia degli esperti e scelta degli strumenti IT

Un problema importante nella governance aziendale rimane la dimostrazione dell'efficienza economica degli stessi dipartimenti di risk management. La relatrice propone di utilizzare il coefficiente di correlazione biseriale di Pearson per confrontare le previsioni iniziali degli esperti con l'effettivo verificarsi degli eventi. Se il coefficiente è vicino allo zero, le previsioni del gruppo di esperti non hanno alcun valore pratico e il processo richiede una revisione.

Viene sollevata anche la questione della scelta del software. L'esperienza nell'uso di pesanti sistemi occidentali ha mostrato la loro vulnerabilità alle sanzioni e la rigidità rispetto alle richieste degli utenti. Oggi l'attenzione si sta spostando verso soluzioni IT russe (ad esempio, la piattaforma RisGap), che offrono un'interfaccia più intuitiva, facilità di implementazione e indipendenza da restrizioni esterne.

Cosa imparerai da questo webinar:

• Perché i metodi classici di valutazione dei rischi falliscono nei grandi progetti industriali?
• Come identificare le incongruenze nelle valutazioni degli esperti utilizzando coefficienti matematici?
• Quali sono i limiti nascosti del metodo Monte Carlo nell'analisi dei rischi di progetto?
• Come eliminare il fattore umano nella raccolta dei dati per l'analisi predittiva?
• In che modo è possibile valutare matematicamente l'efficacia del lavoro dei risk manager interni?