Miksi useimmat organisaatiot välttävät kvantitatiivista riskinarviointia?

Mikään ERM-prosessi, joka auttaa yritystä tehokkaasti ymmärtämään tavoitteiden saavuttamiseen liittyviä uhkia ja mahdollisuuksia, ei luo pelkkää riskiluetteloa. Vaikka se saattaa riittääkin sääntelyviranomaiselle, se ei merkitse yhtään mitään auttaakseen johtoa johtamaan organisaatiota paremmin.

Tunnistamisen jälkeen yritykset ottavat tärkeän vaiheen, jossa ne arvioivat riskejä ymmärtääkseen, mitkä niistä olisi asetettava etusijalle. Loppujen lopuksi, mistä tiedät, että yritys keskittyy oikeisiin riskeihin ja mahdollisuuksiin?

Laaja-alaisesti ottaen riskien arvioinnissa on kaksi menetelmää – kvalitatiivinen ja kvantitatiivinen.

Kvalitatiivisessa arvioinnissa käytetään kuvailevia elementtejä tietyn riskin luokittelemiseksi, yleensä asteikolla 1-5 tai suurena, keskisuurena tai pienenä, kun taas kvantitatiivisessa arvioinnissa käytetään kovia lukuja, kuten dollarin suuruista vaikutusta tai jotakin muuta mittaria.

Kvalitatiiviset menetelmät ovat ylivoimaisesti yleisimmin käytettyjä, mutta kuten monet riskienhallinnan ajattelijat väittävät, se on täynnä harhaa ja antaa vain staattisen näkemyksen riskistä eikä siksi ole hyödyllinen päätöksenteossa. Kvantitatiivisten menetelmien katsotaan olevan objektiivisempia ja antavan paremman käsityksen siitä, miten riskit vaikuttavat organisaatioon, mutta ne edellyttävät jonkinasteista data-analyysia ja mallinnusvalmiuksia, joita monilla organisaatioilla ei yksinkertaisesti ole.

Ei tämä kuitenkaan ole ensisijainen syy siihen, miksi monet organisaatiot karttavat kvantitatiivisia riskinarviointimenetelmiä.

Yleinen käsitys on, että vain valikoiduilla toimialoilla, kuten numeroihin perustuvilla rahoituspalveluilla ja teollisuusyrityksillä, on valmiudet hyödyntää kvantitatiivista riskinarviointia.

Pankeilla on aarreaitta, josta voi poimia tietoja, kuten lainojen maksuhäiriöprosentti, korkotulot, varantosuhteet ja paljon muuta. Toiseksi valmistusteollisuudella on erilaisia mittareita, joita he käyttävät suorituskyvyn ja tehokkuuden ymmärtämiseen, mukaan lukien läpimeno, kapasiteetin käyttöaste, raportoitavat terveys- ja turvallisuustapahtumat ja paljon muuta.

Vaikka rahoitusalan yrityksillä on eniten kokemusta kvantitatiivisesta arvioinnista, totuus on, että jokaisella organisaatiolla, toimialasta tai sektorista riippumatta, on dataa, jota ne voivat käyttää…

Jos et ole tiukasti paperipohjainen (toivon vilpittömästi, ettet ole sitä nykypäivänä), jokaisella organisaatiolla jokaisella sektorilla ja jokaisella teollisuudenalalla on olemassa numeroita. Näihin voi sisältyä numeroita taloudellisesta suorituskyvystä (varainkeruu voittoa tavoittelemattoman organisaation tapauksessa), työntekijöiden pysyvyydestä ja vaihtuvuudesta sekä asiakaspalvelumittareista (kuten puheluista viikossa tai niin sanotusta Net Promoter Score -luvusta).

Oikein käytettynä ja viestittynä nämä luvut voivat kertoa riskeistä vankemman ja toimintakelpoisemman tarinan kuin mitkään laadulliset 1-5 tai matala-keskikorkea-korkea-luokitukset.

Kerron tarkemmin…

Tyypillisessä laadullisessa riskinarvioinnissa johtajia ja liiketoimintayksiköiden päälliköitä pyydetään luokittelemaan riskin vaikutus ja todennäköisyys. Näiden staattisten pisteytysten perusteella voidaan laatia lämpökartta, joka COSO:n mukaan on yksinkertaisesti ”…graafinen esitys yhden tai useamman riskin todennäköisyydestä ja vaikutuksesta.”

Lämpökarttojen ja muiden samankaltaisten graafisten esitystapojen ongelmana on se, että niissä oletetaan, että riskit ovat olemassa yhdessä pisteessä kuvaajassa. Tämä voi olla harhaanjohtavaa ja jossain määrin jopa vaarallista, sillä vaikutukset voivat muuttua tapahtuman todennäköisyyden perusteella.

Riskien kvantifioinnin perimmäinen tavoite on ymmärtää onnistumisen todennäköisyys…

Uudemmassa kirjassaan Decide to Succeed: Why and How to Apply Effective Decision Risk Management (Miksi ja miten soveltaa tehokasta päätöksenteon riskienhallintaa), Hans Læssøe selittää:

Päätöksen riskienhallinnan tarkoituksena on parantaa lopputulosta, ja siksi sinun ei pidä keskittyä itse epävarmuuteen, riskiin tai tilaisuuteen – vaan päätöksesi/hankkeesi tuloksellisuusparametriin.

Kuten tutkin asiaa tässä postauksessani ja toistan sitä useasti, riskienhallinta-ammattilaisten on kommunikoitava sellaisella kielellä, jota päättäjät osaavat arvostaa ja joka on ymmärrettävissä. Siksi riskien mittaaminen on tehtävä tavalla, jolla on merkitystä johtajille. Oikein käytettynä ja oikeassa asiayhteydessä data voi tukea tätä prosessia.

Hän toimii suurin piirtein näin…

Organisaatiollasi on tavoite (esim. liikevaihdon kasvattaminen) ja erilaisia tavoitteita tavoitteen saavuttamiseksi (esim. uusien tuotteiden kehittäminen, olemassa olevien tuotteiden uudelleenkäyttö uusille markkinoille).

Sinä riskiammattilaisena voit koordinoidusti asiaankuuluvien sidosryhmien kanssa laatia skenaarioita näiden tavoitteiden ympärille. Kuten selitän aiemmassa postauksessa tehokkaan skenaariosuunnittelun olennaisista kysymyksistä, korkean tason tarkoituksena on varmistaa, että päämäärät ja tavoitteet ovat oikeita.

Tämän jälkeen näiden skenaarioiden ympärille voidaan tunnistaa riskejä. Kaikkia asiaankuuluvia tietoja voidaan käyttää sellaisten mallien tai Monte Carlo -simulaatioiden kehittämiseen, joiden avulla voidaan sitten määrittää tietyn tavoitteen saavuttamisen todennäköisyys.

Tässä on yksi esimerkki Hansin kirjasta, jossa esitetään konkreettisia lukuja hankkeen tiettyjen tavoitteiden saavuttamisen todennäköisyydestä:

Tämästä kaaviosta näemme, että on 57 prosentin todennäköisyys, että hanke saadaan valmiiksi halutussa aikataulussa, ja 82 prosentin todennäköisyys, että hanke tulee hyväksyttävien budjetointitavoitteiden sisään. Johtajat voivat käyttää näitä tietoja päättääkseen, pitäisikö projektia viedä eteenpäin sellaisenaan, muuttaa vai hylätä se.

Mutta miten saan dataa?

Mallien ja simulaatioiden toimivuuden edellytyksenä on kuitenkin, että sinulla on dataa, mikä vie meidät takaisin tämänpäiväisen aiheen ytimeen.

Kuten sanoin aiemmin, jokaisella organisaatiolla on dataa. Kuitenkin jopa ilman suoria numeroita, kuten liikevaihtoa tai asiakastyytyväisyyttä, on mahdollista antaa numeerisia arvoja erilaisille aineettomille arvoille, kuten maineelle. Muita esimerkkejä aineettomista hyödykkeistä maineen lisäksi ovat johtamisen tehokkuus, tutkimuksen tuottavuus, poliittinen epävarmuus – lista on loputon.

Douglas Hubbardin kirja (…ja siihen liittyvä työkirja) How to Measure Anything: Finding the Value of ”Intangibles” in Business (Kuinka mitata mitä tahansa: ”aineettomien hyödykkeiden” arvon löytäminen liiketoiminnassa) tarjoaa työkaluja ja menetelmiä, joita organisaatiot voivat käyttää numeroiden asettamiseen erilaisille mittareille.

Kuten hänen kirjassaan kuitenkin selitetään, päätöksentekoa varten tehtävän mittaamisen ja analysoinnin tarkoituksena ei ole tuottaa täydellistä tulosta, vaan vähentää epävarmuutta, jotta johtajat voivat tehdä parhaan mahdollisen päätöksen.

Vaikka olisi viisasta olla kiirehtimättä mallintamisen pariin, kvantitatiiviset menetelmät ovat yhä välttämättömämpiä, etenkin kun maailma jatkaa siirtymistään kohti yhä suurempaa automatisointia ja yhteiskunta ei enää niin hyvin siedä ongelmia tai harha-askeleitakin.

Miten organisaatiossasi selviydytään datan tuomasta haasteesta, joka on tarpeen, jotta voidaan arvioida riskejä, jotka liittyvät johtajien päätöksentekoon?