Proč se většina organizací vyhýbá kvantitativnímu hodnocení rizik?

Žádný proces ERM, který by efektivně pomáhal společnosti pochopit hrozby a příležitosti pro dosažení cílů, nebude pouze vytvářet seznam rizik. To sice může být dostatečné pro regulátora, ale neznamená to vůbec nic pro to, aby to pomohlo vedoucím pracovníkům lépe řídit organizaci.

Po identifikaci pak společnosti učiní zásadní krok, kterým je vyhodnocení rizik, aby pochopily, kterým z nich by měly dát přednost. Koneckonců, jak poznáte, že se společnost zaměřuje na správná rizika a příležitosti?“

Všeobecně řečeno, existují dvě metody hodnocení rizik – kvalitativní a kvantitativní.

Kvalitativní hodnocení používá popisné prvky pro hodnocení konkrétního rizika, obvykle ve formě stupnice 1-5 nebo vysoké, střední či nízké, zatímco kvantitativní používá tvrdá čísla, například dopad v dolarech nebo jinou metriku.

Kvalitativní metody jsou zdaleka nejpoužívanější, ale jak tvrdí mnozí myšlenkoví vůdci v oblasti řízení rizik, jsou zatíženy zkreslením a poskytují pouze statický pohled na riziko, a proto nejsou užitečné pro rozhodování. Kvantitativní metody jsou považovány za objektivnější a poskytují lepší pochopení toho, jak rizika ovlivňují organizaci, ale vyžadují určitou úroveň analýzy dat a modelovacích schopností, které mnoho organizací prostě nemá.

To však není hlavní důvod, proč se mnoho organizací vyhýbá kvantitativním metodám hodnocení rizik.

Běžně panuje názor, že pouze vybraná odvětví, jako jsou finanční služby založené na číslech a výrobní společnosti, jsou vybavena tak, aby mohla využívat kvantitativní hodnocení rizik.

Banky mají pokladnici metrik, z nichž lze čerpat data, jako je míra nesplácení úvěrů, úrokové výnosy, poměry rezerv a další. Na druhém místě je výroba, která má celou řadu metrik, jež používá k pochopení výkonnosti a efektivity, včetně propustnosti, využití kapacity, hlášených zdravotních a bezpečných incidentů a mnoha dalších.

Přestože finanční firmy mají s kvantitativním hodnocením největší zkušenosti, pravdou je, že každá organizace, bez ohledu na odvětví nebo sektor, bude mít data, která může použít…

Pokud nejste striktně papíroví (upřímně doufám, že v dnešní době nejste), každá organizace v každém sektoru a odvětví bude mít čísla. Mohou to být čísla týkající se finanční výkonnosti (v případě neziskových organizací fundraisingu), udržení a fluktuace zaměstnanců a ukazatele služeb zákazníkům (například počet hovorů za týden nebo takzvané Net Promoter Score).

Pokud jsou tato čísla správně použita a sdělena, mohou o rizicích vypovídat robustněji a akčněji než jakákoli kvalitativní hodnocení v rozmezí 1-5 nebo nízká-střední-vysoká.

Dovolte mi to rozvést…

Při typickém, kvalitativním hodnocení rizik jsou vedoucí pracovníci a vedoucí obchodních jednotek požádáni, aby ohodnotili dopad a pravděpodobnost rizika. S těmito statickými hodnoceními v ruce může být vytvořena heat mapa, což je podle COSO jednoduše „…grafické znázornění pravděpodobnosti a dopadu jednoho nebo více rizik.“

Problém s heat mapami a jinými podobnými grafickými znázorněními spočívá v tom, že předpokládají, že rizika existují na jednom místě grafu. To může být zavádějící a do jisté míry i nebezpečné, protože dopady se mohou měnit v závislosti na pravděpodobnosti události.

Konečným cílem kvantifikace rizik je pochopení pravděpodobnosti úspěchu…

Ve své poslední knize Rozhodněte se uspět: Proč a jak uplatňovat efektivní řízení rizik při rozhodování, Hans Læssøe vysvětluje:

Účelem řízení rizik při rozhodování je zlepšit výsledek, a proto se vaše pozornost nemá soustředit na samotnou nejistotu, riziko nebo příležitost – ale na parametr výkonnosti vašeho rozhodnutí/projektu.

Jak zkoumám v tomto příspěvku a často opakuji, odborníci na rizika musí komunikovat jazykem, který osoby s rozhodovací pravomocí ocení a pochopí. Proto musí být měření rizik prováděno způsobem, který je pro vedoucí pracovníky důležitý. Při správném použití a ve správném kontextu mohou data tento proces podpořit.

Takto by to zhruba mělo fungovat…

Vaše organizace má cíl (např. zvýšit příjmy) a různé cíle pro dosažení tohoto cíle (např. vyvinout nové produkty, přeorientovat stávající produkty na nový trh).

Vy jako odborník na rizika můžete v koordinaci s příslušnými zainteresovanými stranami vypracovat scénáře týkající se těchto cílů. Jak vysvětluji v předchozím příspěvku o základních otázkách pro efektivní plánování scénářů, účelem na vysoké úrovni je zajistit, aby cíle a úkoly byly správné.

Kolem těchto scénářů pak lze identifikovat rizika. Veškeré relevantní údaje lze použít k vytvoření modelů nebo simulací Monte Carlo, které pak mohou určit pravděpodobnost splnění konkrétního cíle.

Uvádím jeden příklad z Hansovy knihy, který poskytuje konkrétní čísla o pravděpodobnosti splnění konkrétních cílů projektu:

Z tohoto grafu vidíme, že existuje 57% šance, že projekt bude dokončen v požadovaném termínu, a 82% šance, že se projekt vejde do přijatelných rozpočtových cílů. Vedoucí pracovníci mohou na základě těchto informací určit, zda má projekt pokračovat tak, jak je, být upraven, nebo od něj upustit.

Ale jak získat data?

Aby však modely a simulace fungovaly, musíte mít data, čímž se dostáváme zpět k jádru dnešního tématu.

Jak jsem již řekl, každá organizace bude mít data. Nicméně i bez přímých čísel, jako jsou tržby nebo spokojenost zákazníků, je možné přiřadit číselné hodnoty různým nehmotným hodnotám, včetně reputace. Dalšími příklady nehmotných hodnot kromě reputace jsou efektivita řízení, produktivita výzkumu, politická nejistota – seznam je nekonečný.

Kniha (…a doprovodný pracovní sešit) How to Measure Anything: Finding the Value of „Intangibles“ in Business od Douglase Hubbarda poskytuje nástroje a metody, které mohou organizace použít k přiřazení čísel k různým metrikám.

Jak však jeho kniha vysvětluje, účelem měření a analýz pro rozhodování není dosáhnout dokonalého výsledku, ale snížit nejistotu, aby vedoucí pracovníci mohli učinit co nejlepší rozhodnutí.

Ačkoli by bylo moudré nespěchat s modelováním, kvantitativní metody jsou stále nezbytnější, zejména s tím, jak svět stále více směřuje k automatizaci a společnost má menší toleranci k problémům nebo chybným krokům.

Jak vaše organizace překonává problém s daty, aby mohla posoudit rizika pro rozhodování vedoucích pracovníků?