作为数字基础设施一部分的项目风险管理系统

将风险管理系统整合到企业的数字基础设施中，正成为成功实施大型工业项目的关键因素。在全球不确定性和制裁限制的背景下，传统的威胁评估方法已显得效率低下。在本次网络研讨会中，“Gazprom-Media Holding”数字基础设施发展总监Yana Krukhmaleva以最大的基础设施项目为例，分析了俄罗斯风险管理的演变，并解释了为什么该行业不可避免地向大数据方向发展。

认知偏差与专家评估的主观性

经典的定性风险分析通常依赖于专家意见，而这些意见不可避免地会受到认知偏差的影响。演讲者基于行为经济学的研究指出，人类在不确定性条件下倾向于非理性思考。在实践中，这会导致形式化的处理方式：专家要么没有深入分析威胁，要么陷入心理陷阱，例如邓宁-克鲁格效应或空想性错觉（在客观上不存在规律的地方寻找规律）。

此外，在集体评估风险时，会出现孔多塞悖论——即专家的意见分歧如此之大，以至于在数学上无法得出客观的平均评估值。为了确定意见的一致性程度，建议使用肯德尔和谐系数。如果一致性较低，项目经理必须依靠自身的专业能力，而不是平均分数，来对最终决策负责。

蒙特卡洛方法的局限性

为了摆脱定性分析的主观性，许多公司转向定量方法，特别是蒙特卡洛模拟。然而，演讲中详细探讨了这种方法的一个关键缺点：数学模型的输入数据仍然是主观的专家评估。

• 缺乏集成计划：为了使该方法正常运行，需要一个详细的、多层次的日历网络计划，并与资源和财务紧密挂钩。在大型项目中，这种计划很少在没有联系中断的单一系统中进行管理。
• 忽略风险相关性：当多个风险相互关联时，蒙特卡洛方法很难处理。在汇总相关事件时，系统无法自动考虑复杂的概率论定律。

结果，复杂的定量模型往往变成了安抚管理层的工具，描绘出一幅按时按预算完成的理想画面，但这与施工现场的实际情况毫无关系。

大数据与预测分析：风险管理的未来

从根本上提高事件概率评估客观性的唯一方法是使用大数据。创建企业数据湖（Data Lakes）可以积累关于事故、设备故障、供应链中断和外部威胁的大规模统计数据。

现阶段的关键任务是确保数据的相关性和纯洁性，在数据输入时尽可能消除人为因素。信息的收集应直接从生产设施和相关信息系统自动进行。只有在可靠的数据集基础上，才能有效应用预测分析和机器学习算法来进行真实的风险预测。

专家效率评估与IT工具选择

公司治理的一个重要问题仍然是证明风险管理部门本身的经济效益。演讲者建议使用皮尔逊双列相关系数，将专家的初步预测与事件的实际发生情况进行比较。如果该系数接近于零，则专家组的预测没有实用价值，该过程需要重新审查。

此外，还提出了软件选择的问题。使用笨重的西方系统的经验表明，它们在制裁面前很脆弱，并且对用户需求缺乏灵活性。如今，焦点正在转向俄罗斯的IT解决方案（例如RisGap平台），这些解决方案提供更直观的界面、易于实施，并且不受外部限制的影响。

您将从本次网络研讨会中学到什么：

• 为什么经典的风险评估方法在大型工业项目中会失效？
• 如何使用数学系数来发现专家评估中的不一致之处？
• 在分析项目风险时，蒙特卡洛方法的隐藏局限性是什么？
• 在为预测分析收集数据时，如何消除人为因素？
• 如何通过数学方法评估全职风险管理人员的工作效率？