Предугадывая развитие событий
«Развитие событий мне никак не нравилось. День начался плохо, а потом все шло хуже и хуже. А время-то всего лишь обеденное.»
Роджер Желязны, «Хроники Амбера»
Еще более сложным вариантом анализа риска проекта является имитационное моделирование (рис. 4).
Рис.
4 Графическая модель проведения анализа
на основе имитационного моделирования
(метод Монте-Карло)
В этом случае мы не просто пробуем предугадать развитие событий, мы пробуем предугадать природу поведения самих исходных данных. Ни для кого не секрет, что большинство из них подчиняются закону нормального распределения Гаусса с присущей им асимметрией и эксцессом. Эти параметры используют в имитационном моделировании, алгоритм которого может быть представлен в виде изложенной ниже последовательности шагов:
Как и в предыдущем случае, формируем модель обоснования проекта в виде набора бюджетов, используя Project Expert либо другое специализированное программное обеспечение.
Аналогично соответствующему шагу в алгоритме анализа чувствительности при имитационном моделировании также рассматриваем такую модель как черный ящик, систему, на вход которой подаются исходные данные проекта (например, цена продукта, объем предполагаемых продаж, процентная ставка дисконтирования, ставка по кредитам, предполагаемый уровень инфляции и т. д.). На выходе черного ящика «снимаем» только один параметр. Чаще всего им служит значение NPV, которое генерирует проект с такими исходными данными.
Выбираем переменный параметр и при необходимости фиксируем остальные, но в отличие от предыдущего метода расчеты половины модели ведем следующим образом. «Бомбардируем» модель случайными числами с законом распределения, характерным для поведения исходного переменного параметра при остальных зафиксированных значенях. Серии случайных чисел могут составлять последовательности, состоящие из нескольких тысяч и даже десятков тысяч значений, имитирующих изменение переменного параметра, в то время как при проведении анализа чувствительности такая серия состояла только из пяти значений.
Обрабатываем полученные значения результирующего параметра (например значения чистой приведенной стоимости) для того, чтобы определить характеристики поведения результирующей величины. Определяем асимметрию и эксцесс результирующего параметра.
Сопоставляем соответствующие законы поведения исходных параметров с законом поведения результирующей величины. Изменения в параметрах распределения результирующего параметра по отношению к параметрам поведения исходного фактора будут указывать на значимость, уровень риска и тенденцию к изменению результирующего параметра проекта.
Делаем соответствующие выводы и составляем план управления факторами риска.
Следует отметить, что в целом данный метод является достаточно трудоемким, ведь он предусматривает циклическое повторенные одних и тех же вычислений по модели много тысяч раз в процессе подстановки в качестве исходных данных серии случайных чисел, из-за которых метод получил второе название метода Монте-Карло. В этом случае на помощь менеджерам приходит специализированное программное обеспечение, например Project Expert. Отметим также возможность реализации метода даже с помощью MS Excel, но тогда получение результатов будет спряжено с трудозатратами, делающими применение данного метода неэффективным.
Практика показывает, что использование симуляции Монте-Карло оправдано прежде всего для больших и дорогостоящих проектов.