Использование моделирования при оценке и анализе рисков

При первоначальном планировании проекта менеджеру необходимо получить оценки его параметров максимально быстро. Поэтому считается допустимым использование грубых, но быстро просчитываемых без использования специальных инструментов математических моделей. Основным требованием к таким моделям является их минимальное соответствие специфике предметной области проекта. Такую модель для высокотехнологических венчурных проектов мы представили выше: она описывает проекты по разработке новых продуктов и показывает, как риски и меры по управлению ими влияют на перспективность проекта. При этом она опирается на достаточно простые расчеты по входным параметрам, которые задаются при помощи экспертных оценок.

Однако когда необходимо произвести более точный анализ перспективности проекта, следует более внимательно относиться к содержанию и характеру рассматриваемых рисков, а также и к специфике продукта, который ожидается получить в результате реализации венчурного проекта. В таком случае грубых быстро просчитываемых моделей становится недостаточно.

Помимо обобщенной стандартной модели риска Смита и Мерритта, существует большое количество других подходов к моделированию различных аспектов рисков, неопределенности и задач принятия решений. Наиболее подробно они описываются в работе Якова Хеймса. Среди этих методов, позволяющих принимать проектные решения с большей точностью обоснований, можно отметить ряд таких, которые необходимо более детально рассмотреть в приложении к специфике высокотехиологических проектов. Рассмотрим модели, представляющие особый интерес.

  • Иерархичное «голографическое» моделирование предметной области (Hierarchical Holographical Modeling), в которой ведется проект, за счет многостороннего и многоаспектного (с точек зрения многих заинтересованных сторон) позволяет более полно и исчерпывающе выявлять все связанные с ним риски.
  • Деревья решений (Decision Trees) помогают представить задачу управления рисками в виде обратной задачи — принятия решений в условиях неопределенности. За счет этой модели можно проводить более точный анализ всех точек принятия решений в проекте, которые в итоге определяют его коммерческую перспективность. Использование этой методики позволяет выявить те точки принятия решений, которые являются критическими для проекта и сфокусировать работу по снижению неопределенности именно на них.
  • Матрицы решений (Decision Matrix) позволяют более полно рассматривать все возможные решения в каждой отдельной точке их принятия. Это избавляет менеджера от стремления к бинарности в рассмотрении вариантов решений, к которому могут склонять деревья решений.
  • Метод секционированного многокритериального анализа рисков (Partitioned Multiobjective Risk Method) позволяет лучше обрабатывать ситуации рисков с низкой правдоподобностью, но высоким уровнем суммарных потерь. Такие риски будут характеризоваться средним или низким уровнем ожидаемых потерь, однако в случае высокотехнологических проектов, они являются недопустимыми. Примером таких рисков может быть риск одновременного провала нескольких критических фундаментальнонаучных экспериментов, вероятность которого может оцениваться экспертами-учеными как низкая. Ущерб для проекта при этом будет состоять в невозможности создания прибыльного коммерческого продукта, т.е. будет фатальным. При анализе такой риск должен попадать в перечень рисков, подлежащих контролю, тогда как рассмотрение исключительно по критерию ожидаемых потерь может отнести его к рискам незначительным.
  • Анализ деревьев многокритериальных решений (Multiobjective Decision Trees) применим в ситуации, когда в проекте преследуется одновременно несколько подцелей. В случае высокотехнологического проекта по разработке нового продукта мы наблюдаем именно такую ситуацию, поскольку задачей менеджера в нем является оптимизация по всем четырем параметрам, влияющим на кумулятивную прибыль от продукта.
  • Многокритериальный метод анализа последствий рисков (Multiobjectivc Risk Impact Analysis Method) опирается на метод секционированного многокритериального анализа рисков и позволяет более полно описывать последствия рисков и то, к каким потерям они приводят. Это делается за счет выявления не только прямых эффектов от события риска, но и их влияния на все напрямую не связанные аспекты проекта, его окружения и продукта.
  • Построение Байесовских сетей доверия (БСД) (Bayesian analysis) для моделирования рисков рассматривается не только в указанной выше работе Хсймса, но и во многих других исследовательских работах. Основная польза от использования БСД состоит в их способности адаптироваться к получению новой информации и выдавать новые более точные выходные значения для всех параметров рисков, при ее поступлении.
  • Деревья отказов (Fault Trees), а также метод анализа видов и последствий отказов позволяет обнаруживать ранее не выявленные источники риска, связанные непосредственно с продуктом.
  • Метод многокритериального статистического анализа (Multiobjective Statistical Method) является разновидностью метода статистических испытаний (Монте-Карло) для задач расчета оценок параметров рисков. Он позволяет просчитать результаты различных граничных сочетаний рисков и их параметров.
 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ     След >