2.7 Анализ сценариев развития проекта
Для более полной и точной оценки проектной эффективности в условиях неопределенности рассматриваются различные сценарии реализации проекта.
Сценарием реализации проекта будем называть конкретные условия реализации или конкретное сочетание факторов неопределенности, применительно к которым осуществляется оценка эффективности и реализуемости проекта [17].
Анализ сценариев развития проекта позволяет оценить влияние на проект возможного одновременного изменения нескольких риск-факторов через вероятность каждого сценария. Этот метод представляет собой развитие метода анализа чувствительности.
Основными задачами анализа сценариев развития проекта являются:
формирование разумного перечня подлежащих рассмотрению сценариев;
учет взаимосвязи риск-факторов проекта при установлении их значений для каждого сценария;
расчет обобщающего показателя эффективности проекта (ожидаемый эффект) по значениям в отдельных сценариях [17].
Чаще всего рассчитываются три возможных сценария: пессимистический сценарий возможного изменения риск-факторов, оптимистический и наиболее вероятный сценарий. В соответствии с этими расчетами определяются новые значения показателя проекта.
Каждому сценарию должны соответствовать:
набор значений риск-факторов;
рассчитанные значения результирующих показателей;
некоторая вероятность наступления данного сценария, определяемая экспертным путем [17].
В результате расчета определяются значения результирующих показателей с учетом вероятности наступления каждого сценария. Затем рассчитывается величина ожидаемого результирующего показателя проекта, являющаяся его математическим ожиданием:
 , (2.30)
где  — величина ожидаемого результирующего показателя проекта;
 — величина результирующего показателя проекта с учетом вероятности наступления оптимистического сценария;
 — величина результирующего показателя проекта с учетом вероятности наступления нормального сценария;
 — величина результирующего показателя проекта с учетом вероятности наступления пессимистического сценария;
 — величина результирующего показателя проекта при реализации оптимистического сценария;
 — величина результирующего показателя проекта при реализации нормального сценария;
 — величина результирующего показателя проекта при реализации пессимистического сценария;
 — вероятность наступления оптимистического сценария;
 — вероятность наступления нормального сценария;
 — вероятность наступления пессимистического сценария.
При этом сумма вероятностей всех предложенных сценариев равна 1:
 (2.31)
Основные результаты расчетов записываются в таблицу 2.7 [17].
Таблица 2.7 - Сценарии развития проекта
Сценарии
|
Вероятность
|
Результирующий показатель
|
Значение показателя с учетом вероятности
|
«Оптимистичный»
|
|
|
|
«Нормальный»
|
|
|
|
«Пессимистичный»
|
|
|
|
Всего
|
1
|
—
|
|
Далее можно рассчитать среднеквадратичное отклонение и коэффициент вариации. На основе полученных данных можно принять качественную оценку различных значений коэффициента вариации в процентах, например: до 10% — слабый риск; 10 – 25% — умеренный риск; свыше 25% — высокий риск [25].
Главной проблемой практического использования сценарного подхода являются необходимость построения модели проекта и выявление связи между риск-факторами. Кроме того, к недостаткам сценарного подхода относят:
Необходимость значительного качественного исследования модели проекта, т.е. создания нескольких моделей, соответствующих каждому сценарию, включающих объемные подготовительные работы по отбору и аналитической переработке информации [30].
Достаточную неопределенность, «размытость» границ сценариев. Правильность их построения зависит от качества построения модели и исходной информации, что значительно снижает их прогностическую ценность. При построении оценок значений риск-факторов для каждого сценария допускается некий волюнтаризм [30].
Эффект ограниченного числа возможных комбинаций риск-факторов, заключающийся в том, что количество сценариев, подлежащих детальной проработке, ограничено, так же как и число риск-факторов, подлежащих варьированию. В противном случае возможно получение чрезмерно большого объема информации, чья прогностическая сила и практическая ценность сильно снижаются. Отметим, что для получения общего распределения последствий проекта необходимо использовать имитационное моделирование [30].
Сценарный метод анализа проектных рисков обладает следующими особенностями, которые можно рассматривать в качестве его преимуществ:
Учет зависимостей между риск-факторами и влияния этой зависимости на значение показателя проекта.
Построение различных вариантов осуществления проекта, дающее некоторое представление об устойчивости всего проекта в целом к изменениям.
Содержательность процесса разработки сценариев и построения моделей, позволяющая получить более четкое представление о проекте и возможностях его будущего осуществления, выявить как узкие места проекта, так и его позитивные стороны [30].
Анализ сценариев проекта позволяет получать достаточно наглядную картину для различных вариантов реализации проектов, а также предоставляет информацию о чувствительности и возможных отклонениях в проекте. Применение программных средств, например, Microsoft Excel, позволяет значительно повысить эффективность подобного метода путем увеличения числа сценариев и введения дополнительных факторов [28].
Достоинства анализа сценариев развития проекта:
учет корреляции между переменными и влияния этой корреляции на значение интегрального показателя;
построение различных вариантов осуществления проекта, дающее некоторое представление об устойчивости всего проекта в целом к изменениям внешней среды;
содержательность процесса разработки сценариев и построения моделей, позволяющая проектному аналитику получить более четкое представление о проекте и возможностях его будущего осуществления, выявить как узкие места проекта, так и его позитивные стороны.
К недостаткам анализа сценариев развития проекта относят:
Наличие субъективных оценок при разработке сценария (вероятность наступления события определяется экспертным путем).
Необходимость значительного качественного исследования модели проекта, т.е. создания нескольких моделей, соответствующих каждому сценарию проекта, включающих объемные подготовительные работы по отбору и аналитической переработке информации.
Достаточную неопределенность, «размытость» границ сценариев. Правильность их построения зависит от качества построения модели и исходной информации, что значительно снижает их прогностическую ценность. При построении оценок значений переменных для каждого сценария допускается некий волюнтаризм.
Эффект ограниченного числа возможных комбинаций переменных, заключающийся в том, что количество сценариев, подлежащих детальной проработке, ограничено, так же как и число переменных, подлежащих варьированию. В противном случае возможно получение чрезмерно большого объема информации, чья прогностическая сила и практическая ценность сильно снижаются. Стоит отметить, что для получения общего распределения последствий проекта необходимо использовать имитационное моделирование.
Применение данного метода не дает однозначного ответа на вопрос о том, следует ли все же реализовывать данный проект или следует отвергнуть его [30].
Сценарный анализ рекомендуется использовать только в тех случаях, когда количество сценариев конечно. Если же количество сценариев очень велико рекомендуется применять имитационное моделирование. Анализ сценариев развития проекта можно использовать для оценки рисков при внедрении корпоративных информационных систем. Этот метод более предпочтителен, чем анализ чувствительности, так как в нем учитываются зависимости риск-факторов, влияющих на развитие и результат проекта.
2.8 Метод построения деревьев решений проекта
В сложных ситуациях, когда трудно вычислить результат проекта с учетом возможных рисков, используют метод построения дерева решений проекта. Он позволяет оценить риски решений, имеющие обозримое количество вариантов развития. Этот метод удобно применять в случае небольшого числа риск-факторов и возможных сценариев развития проекта. Преимущество данного метода состоит в его наглядности [15].
Метод дерева решений состоит из нескольких этапов.
На первом этапе формулируется задача. Отбрасываются не относящиеся к проблеме факторы, а оставшиеся подразделяются на существенные и несущественные. Далее определяются возможности сбора информации для экспериментирования и реальных действий; составляются перечень событий, которые с определенной вероятностью могут произойти: устанавливаются временной порядок расположения событий, в исходах которых содержится полезная и доступная информация, и тех последовательных действий, которые можно предпринять.
На втором этапе строится дерево решений. Оно состоит из двух основных частей: «решений» и «вероятностных событий». Они представлены квадратами Эти решения и вероятностные события связаны.
Суть третьего этапа состоит в оценке вероятностей состояний среды, т.е. сопоставлении шансов возникновения каждого конкретного события.
Установление выигрышей (или проигрышей, как выигрышей со знаком минус) для каждой возможной комбинации альтернатив (действий) состояний среды составляют четвертый этап.
На пятом этапе решается задача.
Дерево решений — это графический инструмент для анализа проектных ситуаций, находящихся под воздействием риска. Дерево решений описывает рассматриваемую ситуацию с учетом каждой из имеющихся возможностей выбора и возможного сценария.
Дерево решений имеет пять основных элементов:
Точки принятия решений — это моменты времени, когда происходит выбор альтернатив.
Точка случайного события или точка возникновения последствий — это момент времени, когда с тем или иным результатом наступает случайное событие.
Ветви — это линии, соединяющие точки принятия решений с точками случайного события. Ветви, исходящие из точки принятия решений, показывают возможные решения, а линии, исходящие из узлов случайных событий, представляют возможные результаты случайного события [15].
Вероятности — это числовые значения, расположенные на ветвях дерева и обозначающие вероятность наступления этих событий. Сумма вероятностей в каждой точке принятия решений равна 1.
Ожидаемое значение (последствия) — это расположенное в конце ветви количественное выражение каждой альтернативы [15].
Модель создается слева направо. Построение начинается с отображения точки принятия решения, имеющей вид квадрата. Из этой точки строят количество ветвей, равное числу проектных альтернативных решений. В конце каждой ветви находится узел в виде круга, обозначающий возникновение допустимого случайного события, из которого выходят возможные результаты вероятностного события в виде ветвей. Ветви дерева берут свое начало в точке принятия решений и разрастаются до получения конечных результатов. Путь вдоль ветвей дерева состоит из последовательности отдельных решений и случайных событий [15].
В результате построения дерева решений определяется вероятность возникновения каждого варианта развития проекта и результат по каждому варианту.
На рисунке 2.11 изображен пример дерева решений для проектной ситуации, находящейся под воздействием риска [15].
Рисунок 2.11 - Пример дерева решений
В данном примере основные результаты дерева решения вычисляются следующим образом (расчеты выполняются справа налево):
Ожидаемое значение варианта 1 для случайного узла А вычисляется по формуле:
 , (2.32)
где  — ожидаемое значение варианта 1 для случайного узла А;
 — возможные результаты случайного события А;
 — вероятность наступления возможных результатов случайного события А.
Ожидаемое значение варианта 2 для случайного узла В вычисляется по формуле:
 , (2.33)
где  — ожидаемое значение варианта 2 для случайного узла В;
 — возможные результаты случайного события В;
 — вероятность наступления возможных результатов случайного события В.
Ожидаемое значение варианта 3 для случайного узла С вычисляется по формуле:
 , (2.34)
где  — ожидаемое значение варианта 3 для случайного узла С;
 — возможные результаты случайного события С;
 — вероятность наступления возможных результатов случайного события С.
Результат дерева решения — выбор такого варианта развития проекта, который наилучшим образом удовлетворяет заданным условиям (например, по наименьшей стоимости или наименьшим срокам проекта внедрения).
Ограничением практического использования метода построения дерева решений проекта является исходная предпосылка о том, что проект должен иметь обозримое или разумное число вариантов развития. Метод особенно полезен в ситуациях, когда решения, принимаемые в каждый момент времени, сильно зависят от решений, принятых ранее, и в свою очередь определяют сценарии дальнейшего развития событий [17].
Достоинства метода построения деревьев решений:
простота и наглядность реализации;
комплексная оценка всех вероятных исходов проекта;
экспертные оценки более обоснованы, так как эксперты оценивают вероятность отдельных этапов проекта, а не весь проект в целом;
возможность учета отклонений закона распределения издержек, цен и объемов продаж от нормального.
Недостатки метода построения деревьев решений:
наличие большого числа вероятных исходов решений, что приводит к снижению вероятности каждого из них.
Метод построения деревьев решений применим при оценке рисков проектов внедрения информационных систем различных классов, т.к. при ограниченном объеме информации данный метод позволяет комплексно оценить вероятность всех исходов проекта, сохраняя простоту и наглядность реализации. Он позволяет строить различные варианты осуществления проекта поэтапно. При применении метода деревьев решений эксперты могут оценивать вероятность отдельных этапов проекта, а не весь проект целиком, что делает экспертные оценки более обоснованными.
2.9 Имитационное моделирование с помощью метода Монте-Карло
В случае, когда точные оценки риск-факторов задать нельзя и можно определить только интервалы возможного колебания показателя проекта, используют метод имитационного моделирования Монте-Карло.
Анализ рисков с использованием метода моделирования Монте-Карло представляет собой сочетание методов анализа чувствительности (для определения риск-факторов, которые будут включены в модель) и анализа сценариев (так как при имитационном моделировании происходит имитация большого количества сценариев) на базе теории вероятностей. Это достаточно сложная методика, имеющая под собой, как правило, компьютерную реализацию. Результатом такого анализа выступает распределение вероятностей возможных результатов проекта [28].
Метод Монте-Карло как инструмент анализа проектных рисков позволяет провести имитацию осуществления проекта при различных условиях его реализации, основываясь на определенных заранее предположениях о случайности изменения некоторых составляющих проекта, построить распределение вероятностей показателя эффективности проекта и провести анализ этого распределения, а также рассчитать количественные показатели риска проекта [30].
В общем случае имитационное моделирование Монте-Карло — это процедура, с помощью которой математическая модель определения какого-либо показателя проекта подвергается ряду имитационных прогонов с помощью компьютера. В ходе процесса имитации строятся последовательные сценарии с использованием исходных данных, которые по смыслу проекта являются неопределенными, и потому в процессе анализа полагаются случайными величинами. Процесс имитации осуществляется таким образом, чтобы случайный выбор значений из определенных вероятностных распределений не нарушал существования известных или предполагаемых отношений взаимозависимости факторов. Результаты имитации собираются и анализируются статистически, чтобы оценить меру риска [30].
Имитационное моделирование по методу Монте-Карло можно представить в виде трех основных этапов, представленных на рисунке 2.12 [30].
Рисунок 2.12 - Этапы имитационного моделирования по методу Монте-Карло
Рассмотрим более подробно эти этапы и задачи, решаемые на каждом этапе.
Этап 1. Математическая модель. На первом этапе имитационного моделирования по методу Монте-Карло создается математическая модель. Целью построения вероятностной имитационной модели является получение посредством применения метода Монте-Карло набора значений показателя проекта для определения его эффективности и рискованности.
Для построения математической модели необходимо выполнить следующие основные задачи:
определить риск-факторы, которые будут включены в модель, например, с помощью анализа чувствительности;
определить интервалы возможного изменения риск-факторов, внутри которых эти факторы являются случайными величинами;
определить виды распределения вероятностей внутри заданных интервалов;
определить зависимость между риск-факторами [30].
Каждый проект требует создания своей уникальной модели. Но в общем случае модель для имитации можно определить следующей формулой:
 , (2.35)
где  — показатель проекта;
 — функция, задающая зависимость между риск-факторами и показателем проекта;
 — риск-факторы;
 — количество риск-факторов;
 — фиксированные параметры, которые включаются в модель в качестве числовых значений базового варианта расчета проекта;
 — количество параметров [30].
Наиболее сложной задачей первого этапа является определение вида распределения каждого риск-фактора. Поэтому необходимо корректно подготавливать исходные данные и выбирать закон распределения, который будет влиять на качество модели и результаты имитационного моделирования в целом.
Построение распределения выбранных риск-факторов может осуществляться либо на основе имеющейся статистики, либо путем экспертного заключения о виде распределения.
Таким образом, на качество информационной наполняемости математической модели влияет выбор риск-факторов, подбор законов их распределения и учет вероятностной зависимости между ними [30].
Этап 2. Осуществление имитации. Для осуществления имитации необходимо наличие компьютерной программы для проведения расчетов, т.к. математическая модель обрабатывается по методу Монте-Карло многократно (не менее 200 раз) [30].
При осуществлении каждого имитационного эксперимента значения риск-факторов выбираются случайно в рамках определенного интервала в соответствии с распределением вероятностей и условиями вероятностной зависимости. Для каждого имитационного эксперимента рассчитываются показатели эффективности проекта [30].
Механизм осуществления имитационных экспериментов состоит в следующем:
Генерирование случайных чисел выполняется путем компьютерной операции получения псевдослучайных чисел, независимых и равномерно распределенных на отрезке [0; 1]. Количество случайных чисел определяется количеством модельных переменных.
Выбирается значение для каждого риск-фактора, соответствующее случайному числу и заданному закону распределения с учетом условий вероятностной зависимости.
Осуществляется расчет показателей эффективности проекта по математической модели.
Алгоритм повторяется  раз (размер выборки) до тех пор, пока не будет получено достаточно значений для принятия решений [30].
Количество имитаций может быть сколь угодно большим и определяется требуемой точностью анализа.
Основные проблемы этапа осуществления имитации состоят:
в подборе размера случайной выборки, который зависит от количества переменных в модели, их разброса, желаемой точности получения результатов;
в определении погрешности результатов моделирования в зависимости от количества выполненных имитационных экспериментов [30].
Этап 3. Анализ результатов. Финальный этап процесса имитационного моделирования — это анализ и интерпретация результатов, полученных на этапе имитации. Каждому полученному значению интегрального показателя эффективности проекта соответствует вероятность осуществления, которая вычисляется по следующей формуле:
 , (2.36)
где – количество имитационных экспериментов [30].
Полученные показатели рассматриваются как случайные величины, которым соответствуют такие характеристики как: математическое ожидание, дисперсия, функция распределения и плотность вероятностей.
Результаты имитационного моделирования можно анализировать, исследуя свойства функции распределения или значения показателей эффективности и рискованности проекта (математическое ожидание, дисперсия, среднеквадратичное отклонение и др.) [30].
Применение имитационного моделирования с помощью метода Монте-Карло требует использования специальных математических пакетов, позволяющих описывать прогнозные модели и рассчитывать большое число случайных сценариев. Примером таких программ является специализированный программный пакет Risk-Master (Гарвардский университет). Программа Risk-Master осуществляет генерирование случайных чисел на основе использования датчика псевдослучайных чисел, которые рассчитываются по определенному алгоритму. Особенностью данного пакета является то, что он позволяет генерировать взаимосвязанные случайные числа [30].
Достоинства имитационного моделирования на базе метода Монте-Карло:
модель Монте-Карло не столь формализована и является более гибкой, чем другие имитирующие модели;
широкие возможности использования, особенно в условиях неопределенности и риска [29].
Недостатки имитационного моделирования на базе метода Монте-Карло:
неопределенность функций распределения переменных, которые используются при расчетах;
требует использования специальных математических пакетов;
применение данного метода не дает однозначного ответа на вопрос о том, следует ли все же реализовывать данный проект или следует отвергнуть его [17].
Метод имитационного моделирования рисков на базе метода Монте-Карло применим при оценке рисков проектов внедрения КИС, т.к. обладает широкими возможностями использования в условиях неопределенности, риска и отсутствия большого объема информации, к которым и относится данный класс проектов. При этом благодаря использованию специальных программных средств и компьютерной техники данный метод позволяет при многократном повторении более точно рассчитывать результирующие показатели, учитывая корреляцию между зависимыми переменными, а анализ значений результирующих показателей при сформированных сценариях позволяет оценить возможный интервал их изменения при различных условиях реализации проекта.
Контрольные вопросы
Какие методы для оценки проектных рисков Вы знаете?
Перечислите основные этапы анализа рисков.
Какими характеристиками описываются риски? Как эти характеристики связаны между собой?
Какие задачи количественного анализа рисков Вы знаете?
В чем заключаются объективный и субъективный методы определения вероятности при анализе рисков?
Как устроена кривая риска?
Какие стандартные характеристики рисков могут быть рассчитаны средствами теории вероятностей? Как это может быть сделано?
В чем заключаются критерии оптимизма, пессимизма и безразличия?
Каковы достоинства и недостатки вероятностных методов оценки рисков?
В каких случаях применяют методы экспертного анализа рисков?
Что такое качество экспертных оценок? Какие меры необходимо предпринимать для его обеспечения?
Как рассчитать оценку качества экспертов?
Какие требования необходимо предъявлять к группе экспертов?
Сформулируйте алгоритм экспертной оценки рисков.
Как оценить согласованность экспертных оценок на основе коэффициентов ранговой корреляции и конкордации?
Опишите основные математические методы для обработки экспертных оценок.
Как осуществляется SWOT-анализ проектов внедрения КИС?
В чем заключаются основные особенности нечеткой модели SWOT-анализа?
Каковы основные достоинства и недостатки SWOT-анализа при оценке рисков?
В чем заключается метод анализа чувствительности проекта?
Как проводится анализ сценариев развития проекта?
В чем заключаются преимущества и недостатки анализа сценариев?
Что такое дерево решений?
Как построить дерево решений проекта?
Как можно использовать метод имитационного моделирования при оценке рисков проекта?
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
Методологии оценки ИТ / Т. Мейор // Директор И. - 2002. - № 9.
Методы определения экономического эффекта от ИТ-проекта / Г. Галкин // Intelligent enterprise. - 2005. - №22. – с. 12-20.
Ларионова Е. Экономическая добавленная стоимость [Электронный ресурс] – Режим доступа: http://www.finanalis.ru/litra/324/2293.html
Козаченко В.Е. Управление общей стоимостью владения КИС/ Козаченко В.Е // Корпоративные системы. – 2007. – №2.
Методы и модели информационного менеджмента: учеб. Пособие / Д. В. Александров, А. В. Костров, Р. И. Макаров, Е. Р. Хорошева; под ред. А. В. Кострова. – М.: Финансы и статистика, 2007. – 336 с.
Управление рисками в торговле [Электронный ресурс] – Режим доступа: http://books.google.ru/books?id=nNqgL1YsmGUC&pg=PA151&lpg
Красоткин А. Геометрия проектов [Электронный ресурс] – Режим доступа: http://www.osp.ru/pcworld/2008/06/5365180/
Каплан Р.С., Нортон Д.П. Сбалансированная система показателей. От стратегии к действию. - М.: Олимп-Бизнес, 2006 г. – 304 с.
Каплан Р.С., Нортон Д.П. Стратегические карты: Трансформация нематериальных активов в материальные результаты. - М.: Олимп-Бизнес, 2005 г. – 482 с.
Использование метода экспертных оценок при анализе и оценке рисков системы менеджмента [Электронный ресурс] – Режим доступа: http://www.regcon.ru/jo/images/stories/risk_men_4.pdf.
Дэниел О'Лири. ERP системы. Современное планирование и управление ресурсами предприятия. – М.: Вершина, 2004. – 259 с.
Сбалансированная система показателей и Business Studio / И. В. Лощилина // BYTE/Россия. - 2007. - №9. – с. 6-10.
Денисова А. Л., Зайцев Е. В. Теория и практика экспертной оценки товаров и услуг: Учеб. пособие. – Тамбов: Изд-во Тамб. гос. техн. ун-та, 2002. – 72 с.
Сбалансированная система показателей: краткий обзор рынка программного обеспечения [Электронный ресурс] – Режим доступа: http://citcity.ru/11172/
Грекул В.И., Коровкина Н.Л., Денищенко Г.Н. Управление внедрением информационных систем [Электронный ресурс] – Режим доступа: http://www.intuit.ru/department/itmngt/isimman/
Целых А. Всесторонний анализ эффективности информационных проектов. «Сбалансированное» решение [Электронный ресурс] – Режим доступа: http://old.e-xecutive.ru/publications/ aspects/bsc/ article_1232/
Мазур И.И., Шапиро В.Д., Ольдерогге Н.Г. Управление проектами: Учебное пособие / Под общ. ред. И.И. Мазура. – 2-е изд. – М.: Омега-Л, 2004. – 664 с.
Карминский A.M., Карминский С.А., Нестеров В.П., Черников Б.В. Информатизация бизнеса. М.: Финансы и статистика, 2004. – 256с.
Евланов Л.Г., Кутузов В.А. Экспертные оценки в управлении. – М.: Экономика, 1978. – 133 с.
Методика экспертной оценки рисков при внедрении корпоративных информационных систем / Е.С. Авдеева, В.Г. Чернов, Д.А. Градусов // Современные наукоемкие технологии (региональное приложение). – 2010. - №4 (24). – С. 5-11.
Орлов А.И. Экспертные оценки: Учебное пособие – М.: МГТУ, 2002. – 31 с.
Павлов А.Н., Соколов Б.В. Методы обработки экспертно информации: учебно-метод. пособие / А.Н. Павлов, Б.В. Соколов – СПб.: ГУАП, 2005. – 42 с.
Коэффициент ранговой корреляции Спирмена [Электронный ресурс] – Режим доступа: http://www.infamed.com/stat/s05.html.
Характеристика методов экспертных оценок [Электронный ресурс] – Режим доступа: http://www.managment.aaanet.ru/issys/14.php.
Иванесенко А.Г. Управление проектами: учебное пособие / А.Г. Иванесенко, Я.И. Никонова, М.В. Каркавин – Ростов н/Д: Феникс, 2009. – 330 с. – (Высшее образование).
Нечеткая модель SWOT-анализа для оценки рисков проекта внедрения КИС на предприятии / Е.С. Авдеева, В.Г. Чернов // Приборы и системы. Управление, контроль, диагностика. – 2010. - №12. – С. 46-54.
Зачем проводить аудит информационных систем? / С. Гузик // JetInfo. - 2000. - № 10. - С. 3-9.
Кошечкин С.А. Методы количественного анализа инвестиционных проектов [Электронный ресурс] – Режим доступа: http://www.aup.ru/articles/investment/3.htm
Определение коммерческого риска при инвестициях в инновационную деятельность и методы его уменьшения [Электронный ресурс] – Режим доступа: http://www.technopark.by/business/227.html.
Волков И.М., Грачева М.В. Проектный анализ: Продвинутый курс: Учеб. пособие. – М.: ИНФРА-М, 2009. – 495 с. – (Учебники Экономического факультета МГУ им. М.В. Ломоносова).
Оглавление
Введение 3
1 Экономико-математические методы и модели оценки эффективности корпоративных информационных систем 4
1.1 Общий обзор методов и моделей оценки эффективности КИС 4
1.2 Финансовые методы оценки эффективности корпоративных информационных систем 5
1.3 Качественные методы оценки эффективности корпоративных информационных систем. 17
1.4 Оценка эффективности внедрения корпоративной информационной системы с использованием сбалансированной системы показателей 21
1.5 Реализация методики ССП в программном обеспечении 32
1.6 Методы оценки информационных систем на основе теории вероятности. 39
1.7 Выбор оптимального метода для проведения оценки эффективности внедрения корпоративной информационной системы 41
2 Экономико-математические методы и модели оценки рисков внедрения КИС 46
2.1 Общая характеристика методов оценки рисков 46
2.2 Вероятностный анализ 51
2.3 Экспертный анализ рисков 58
2.4 Метод аналогов 73
2.5 Нечеткая модель SWOT-анализа 74
2.6 Анализ чувствительности проекта 79
2.7 Анализ сценариев развития проекта 84
2.8 Метод построения деревьев решений проекта 88
2.9 Имитационное моделирование с помощью метода Монте-Карло 92
Библиографический список 99
Учебное пособие
ГРАДУСОВ Денис Александрович
ШУТОВ Антон Владимирович
ГРАДУСОВ Александр Борисович
КОРПОРАТИВНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ: ЭКОНОМИКО-МАТЕМАТИЧЕСКИЕ МЕТОДЫ И МОДЕЛИ ОЦЕНКИ ЭФФЕКТИВНОСТИ КОРПОРАТИВНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ
Редактор
Корректор
ЛР № …… от ………. Подписано в печать ……….
Формат 60х84/16. Бумага для множит. техники. Гарнитура Таймс.
Печать офсетная. Усл. печ. л. ……. Уч.-изд. л. ……. Тираж 100 экз.
Заказ
Владимирский государственный университет.
Подразделение оперативной полиграфии
Владимирского государственного университета.
Адрес университета и подразделения оперативной полиграфии:
600000, Владимир, ул. Горького, 87.
|
