23 февраля 2016г.
Практика современной инженерной деятельности показывает, что управление программными проектами отождествляется с директивным исполнением плановых мероприятий, сформированных при открытии проекта. Для современной инженерии характерна высокая степень неопределенности и стохастическая динамика условий выполнения работ. Это обстоятельство является причиной возникновения событий и ситуаций, являющихся источниками рисков и требующих постоянной корректировки плана выполнения проекта (процесса). Современная проектная деятельность должна строиться на принципах гибкости, которая является главной предпосылкой обеспечения ее рисковой устойчивости. Для успешного формирования методологии обеспечения рисковой устойчивости необходимо решить ряд задач управления рисками, в числе которых ключевую позицию занимает задача о комплексном риске, а также исследование факторов жизненного цикла программного проекта порождающих рисковые угрозы, анализ и классификацию рисков.
Вопрос создания общей методологии оценки комплексного риска проектных работ является фундаментом, определяющим рисковую устойчивость проекта в целом и позволяющим оценить риски на высших проектных уровнях (риски этапов, риски стадий, интегральный риск проекта).
Другой важной исследовательской задачей процесса управления рисками является вопрос классификации рисков. Это обусловлено тем, что с одной стороны в основе оценки и минимизации комплексных рисков проектных работ лежит анализ единичных рисков проекта, который включает процесс их идентификации, основанный на использовании классификаторов. С другой стороны, создание классификатора направлено на структурирование большого объема субъективной информации циркулирующей на этапе анализа рисков.
В перечне процедур идентификации проектных рисков процедура классификации рисков ещѐ не достигла завершенного уровня разработки. Поэтому формирование обобщѐнного классификатора проектных рисков является назревшей актуальной задачей.
Построение классификаторов основывается на описании классифицируемой сущности как понятия, т.е. на описании этой сущности упорядоченным иерархическим множеством атрибутов-категорий.
В работе применяется описательная модель проектного риска в виде двухуровневой информационной структуры, построенной на использовании качественных и количественных показателей (Табл.1).
В данной модели система качественных показателей риска задает классы характеристик, нуждающихся в детализации. Для выполнения работ такого
рода обычно используется механизм фасетной
классификации [1], который является
эффективным инструментом системного описания абстрагированных сущностей
на понятийном уровне.
Фасетные классификаторы
относятся к группе
классификаторов комбинаторного типа. В простейшем варианте фасетный
классификатор представляет собой связный двухуровневый древовидный граф, вершины которого задают состав атрибутов, описывающих классифицируемую сущность,
а рѐбра - структуру отношений между этими атрибутами.
В иерархической системе фасетного классификатора (Табл.1) нулевым уровнем
классификатора является вершина R, задающая классифицируемую сущность. Множество вершин D первого иерархического уровня задаѐт множество элементов
первой ступени декомпозиции классифицируемой сущности. Эти вершины играют
роль дискриминаторов и описывают аспекты
классификации. Второй иерархический уровень классификатора образован вершинами A графа, которые задают семейство подмножеств атрибутов- категорий, в которых каждое из подмножеств является декомпозицией соответствующего дискриминатора и представляет собой набор альтернативных реализаций этого дискриминатора. В общем случае фасетная
классификационная структура содержит I дискриминаторов, которые декомпозированы на группы,
включающие
по 
атрибутов-категорий. [2,3,4]
Таким образом, вершины нижнего уровня представляют собой
множество атрибутов-категорий классифицируемой сущности, которые
в совокупности описывают на понятийном уровне K возможных вариантов реализации этой сущности. При этом каждая k-тая альтернативная
реализация описывается неповторяющимся сочетанием
ij-тых вершин нижнего уровня классификатора, извлеченных по одной из каждой i-той группы, связанной с каждым
из I имеющихся дискриминаторов классификатора (Рисунок 2).
Где R – Классифицируемая сущность (Риск), 𝐷𝑖 – Дискриминаторы сущности R, 𝐴𝑖𝑗 – Атрибуты дискриминаторов 𝐷𝑖.
Данные, полученные при аналитическом обзоре рассматриваемой нами проблемы, позволяют констатировать, что в рассмотренных публикациях [] не предложены разработки, которые можно было бы без изменений использовать в качестве классификатора проектных рисков. Однако материалы этих работ создают необходимые предпосылки для формирования такого классификатора путем систематизации опубликованных данных и расширения этой информации данными, накопленными практическим опытом работы в области управления рисками. Такая работа была проделана в рамках настоящего исследования и представлена в Табл.2 и 3.
Уровню дискриминаторов условно предшествует уровень с пятью показателями, которые группируют дискриминаторы по качественным показателям (Рисунок 1).Второй уровень декомпозиции классифицируемой сущности содержит множества атрибутов-категорий, описывающих реализации каждого из дискриминаторов сущности «риск». Практическое применение классификатора имеет два аспекта: информационная поддержка идентификации ожидаемых проектных рисков и специфицирование проектных рисков, выявленных на стадии мониторинга.
В составе первого аспекта классификатор рисков выступает в роли обобщѐнной системной модели контрольного списка проектных рисков. Так, в предложенном классификаторе (рисунок 1) множество дискриминаторов 𝐷𝑖разбивает классификационные признаки и их реализации 𝐴𝑖𝑗 на пять групп - вид риска (𝐷1−7), источник риска (𝐷8−10), причина риска (𝐷11−12), объект рисковой атаки (𝐷13−14), исход риска (𝐷15−17). Эти группы образуют набор подмножеств атрибутов риска, освещающих главные описательные аспекты проектных рисковых угроз. [4,5]
Таким образом, классификатор сущности «риск» 𝐴𝑖𝑗|𝑖=1,𝐼 ,𝑗=1,𝐽 ∈ 𝐷𝑖|𝑖=1,𝐼 ∈𝑅предлагает менеджеру проектных рисков системное описание множества рисков, имевших место в предшествующих аналогичных проектах. Это обобщѐнное множество играет роль эталонного набора, на котором идентифицируется подмножество рисков R, ожидаемых в рассматриваемом конкретном проекте. Выполнение этой процедуры осуществляется по принципу совпадения специфических признаков конкретного проекта, спроецированных на систему атрибутов обобщѐнного классификатора проектных рисков. Представленные в работе результаты по решению задачи классификации состава контролируемых рисков проекта на этапе анализа рисков для этапа мониторинга позволяют существенно повысить эффективность процесса управления рисками в условиях нечеткости исходных проектных данных. Дальнейшим расширением представленного метода является разработка средств автоматической классификации рисков программного проекта методами нечеткой кластеризации, который направлен на определение рационального состава рисков проекта и повышение эффективности процесса управления рисками.
Список литературы
1. Минькович Т.В. Классификация моделей в литературе по информатике // Информатика и образование. - 2001. - № 9. - С. 24-29.
2. Псоянц В.Г. Модель качественного анализа оценки проектных рисков // Сборник современное общество, образование и наука. – Тамбов, 2014.
3. Таганов Р.А., Таганов А.И. Метод нечеткой кластеризации рисков для формализации анализа рисков программного проекта //Материалы III Международного научно-практического семинара«Интегрированные модели и мягкие вычисления в искусственном интеллекте». Коломна, 2005. - http:imscal.rk9.ru/2005.
4. Таганов А.И., Таганов Р.А., Суворов А.В. Классификация рисков проекта методами нечеткого кластерного анализа // Материалы 15-й Международной науч. техн. конф. «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций». Часть 2. Рязань: РГРТУ, 2008. - С. 22-24.
5. Таганов А.И., Таганов Р.А. Метод определения оптимальной альтернативы реагирования на этапе мониторинга рисков // Вестник Рязанского государственного радиотехнического университета, 2003. №11. С. 115 -118.
