System zarządzania ryzykiem projektowym jako część infrastruktury cyfrowej

Integracja systemów zarządzania ryzykiem z cyfrową infrastrukturą przedsiębiorstwa staje się krytycznym czynnikiem dla pomyślnej realizacji dużych projektów przemysłowych. W warunkach globalnej niepewności i ograniczeń sankcyjnych tradycyjne podejścia do oceny zagrożeń okazują się nieskuteczne. Podczas webinarium dyrektor ds. rozwoju infrastruktury cyfrowej Gazprom-Media Holding, Jana Kruchmalewa, analizuje ewolucję zarządzania ryzykiem w Rosji na przykładzie największych projektów infrastrukturalnych i wyjaśnia, dlaczego branża nieuchronnie zmierza w kierunku pracy z Big Data.

Błędy poznawcze i subiektywność ocen eksperckich

Klasyczna jakościowa analiza ryzyka często opiera się na opiniach ekspertów, które nieuchronnie podlegają błędom poznawczym. Opierając się na badaniach z zakresu ekonomii behawioralnej, prelegentka pokazuje, że człowiek ma tendencję do irracjonalnego myślenia w warunkach niepewności. W praktyce prowadzi to do formalnego podejścia: eksperci albo nie zagłębiają się w dogłębną analizę zagrożeń, albo wpadają w pułapki mentalne, takie jak efekt Dunninga-Krugera czy apofenia (doszukiwanie się wzorców tam, gdzie ich obiektywnie nie ma).

Ponadto przy zbiorowej ocenie ryzyka pojawia się paradoks Condorceta — sytuacja, w której opinie specjalistów różnią się na tyle, że matematyczne wyciągnięcie obiektywnej średniej oceny jest niemożliwe. W celu określenia stopnia zgodności opinii proponuje się zastosowanie współczynnika konkordancji Kendalla. Jeśli zgodność jest niska, odpowiedzialność za ostateczną decyzję powinien wziąć na siebie kierownik projektu, opierając się na własnych kompetencjach, a nie na uśrednionych wynikach.

Ograniczenia metody Monte Carlo

Próbując odejść od subiektywności analizy jakościowej, wiele firm przechodzi na metody ilościowe, w szczególności na modelowanie metodą Monte Carlo. Jednak w prezentacji szczegółowo omówiono kluczową wadę tego podejścia: danymi wejściowymi dla modelu matematycznego nadal są subiektywne oceny ekspertów.

• Brak zintegrowanych harmonogramów: Do prawidłowego działania metody wymagany jest szczegółowy, wielopoziomowy harmonogram sieciowy ze ścisłym powiązaniem zasobów i finansów. W dużych projektach takie harmonogramy rzadko są prowadzone w jednym systemie bez przerw w powiązaniach.
• Ignorowanie korelacji ryzyk: Metoda Monte Carlo słabo radzi sobie z sytuacjami, w których kilka ryzyk jest ze sobą powiązanych. System nie jest w stanie automatycznie uwzględnić złożonych praw teorii prawdopodobieństwa przy sumowaniu zdarzeń zależnych.

W rezultacie złożone modele ilościowe często stają się narzędziem uspokajania kierownictwa, rysując idealny obraz dotrzymania terminów i budżetu, który nie ma nic wspólnego z rzeczywistą sytuacją na placu budowy.

Big Data i analityka predykcyjna jako przyszłość zarządzania ryzykiem

Jedynym sposobem na radykalne zwiększenie obiektywności oceny prawdopodobieństwa zdarzeń jest wykorzystanie Big Data. Tworzenie korporacyjnych jezior danych (Data Lakes) pozwala na gromadzenie na dużą skalę statystyk dotyczących incydentów, awarii sprzętu, przerw w dostawach i zagrożeń zewnętrznych.

Kluczowym zadaniem na tym etapie jest zapewnienie trafności i czystości danych, maksymalnie eliminując czynnik ludzki przy ich wprowadzaniu. Zbieranie informacji powinno odbywać się automatycznie bezpośrednio z obiektów produkcyjnych i powiązanych systemów informatycznych. Tylko na podstawie wiarygodnych zbiorów danych możliwe jest skuteczne zastosowanie analityki predykcyjnej i algorytmów uczenia maszynowego do rzeczywistego prognozowania ryzyka.

Ocena skuteczności ekspertów i wybór narzędzi IT

Ważnym problemem ładu korporacyjnego pozostaje udowodnienie efektywności ekonomicznej samych działów zarządzania ryzykiem. Prelegentka proponuje wykorzystanie dwuseryjnego współczynnika korelacji Pearsona do porównania początkowych prognoz ekspertów z faktycznym wystąpieniem zdarzeń. Jeśli współczynnik jest bliski zeru, prognozy grupy ekspertów nie mają wartości praktycznej, a proces wymaga rewizji.

Poruszona zostaje również kwestia wyboru oprogramowania. Doświadczenie w korzystaniu z ciężkich systemów zachodnich pokazało ich podatność na sankcje i brak elastyczności w stosunku do żądań użytkowników. Dziś uwaga przenosi się na rosyjskie rozwiązania IT (np. platformę RisGap), które oferują bardziej intuicyjny interfejs, łatwość wdrożenia i niezależność od zewnętrznych ograniczeń.

Czego dowiesz się z tego webinarium:

• Dlaczego klasyczne metody oceny ryzyka zawodzą w dużych projektach przemysłowych?
• Jak wykryć niespójności w ocenach ekspertów za pomocą współczynników matematycznych?
• Jakie są ukryte ograniczenia metody Monte Carlo w analizie ryzyka projektowego?
• Jak wyeliminować czynnik ludzki podczas zbierania danych do analityki predykcyjnej?
• W jaki sposób można matematycznie ocenić skuteczność pracy etatowych menedżerów ryzyka?