У статті представлено інтегрований підхід до управління проєктними ризиками в розподілених ІТ-командах, що поєднує експериментальну методологію «Інженерія хаосу», імовірнісне моделювання на основі методу Монте-Карло та системну структуру «Реєстру ризиків». Метою дослідження є створення науково обґрунтованої моделі управління ризиками в розподілених ІТ- командах, яка інтегрує часову динаміку ризиків, їх каскадні взаємозв’язки та адаптивне оновлення параметрів на основі зворотного зв’язку, отриманого в процесі експериментів згідно методології «Інженерія хаосу». У межах запропонованого підходу формалізовано ключові ризикові параметри розподілених команд: часові затримки, комунікаційні та інформаційні бар’єри, стабільність системи, ефективність проксі-ролей, рівень змінності команди та функціональна розподіленість. Для кожного параметра визначено відповідні статистичні розподіли, що дозволяє здійснювати точні прогнози на основі симуляцій.
Запропонована модель поєднує кількісну оцінку ризиків методом Монте-Карло з даними з Реєстру ризиків та динамічною адаптацією вагових коефіцієнтів залежно від чутливості параметрів. Адаптація здійснюється з використанням зваженого методу згладжування, що враховує зворотний вплив системи. Модель також охоплює каскадні взаємозалежності ризиків через матрицю залежностей та інтегрує підхід методології «Інженерія хаосу» для експериментального тестування стійкості системи. Створено структуру реєстру ризиків, яка дозволяє здійснювати систематизовану оцінку ймовірності, масштабу впливу, загальну оцінку ризиків та метод оцінювання кожного параметра. Розроблено також приклад JSON-структури, що забезпечує цифрову передачу параметрів між компонентами моделі.
- Amazon Web Services. (2022). Netflix and the Evolution of Chaos Engineering. AWS Customer Stories. Retrieved from https://aws.amazon.com/solutions/case-studies/netflix-reinvent-2022-evolution-of-chaos-engineering/
- Atlassian. (n.d.). What is a risk register and how to create one. https://www.atlassian.com/work- management/project-management/risk-register
- Bass, J. M. (2022). Large-scale agile. In Agile Processes in Software Engineering and Extreme Programming (pp. 247–258). Springer. https://link.springer.com/chapter/10.1007/978-3-031-05469-3_18
- Benson, R., & Kellner, D. (2020). Monte Carlo simulation for reliability. IEEE.https://ieeexplore. ieee.org/document/9153600
- Fogli, M., Giannelli, C., Poltronieri, F., Stefanelli, C., & Tortonesi, M. (2023). Chaos engineering for resilience assessment of digital twins. IEEE. 1134 – 1143. https://ieeexplore.ieee.org/document/10091206
- Gremlin. (2023). Chaos Engineering: The History, Principles, and Practice. Gremlin Community. Retrieved from https://www.gremlin.com/community/tutorials/chaos-engineering-the-history-principles-and-practice
- Harness. (n.d.). Benefits of chaos engineering & more. Retrieved from: https://www.harness.io/blog/chaos- engineering-benefits
- Harness. (n.d.). Harness chaos engineering (CE) key capabilities. Retrieved from: https://www.harness. io/blog/harness-chaos-engineering-ce-key-capabilities
- Hopkinson, M. (2023). Practical project risk management: A brief guide to risk registers. PM World Journal. https://pmworldjournal.com/wp-content/uploads/2023/04/pmwj128-Apr2023-Hopkinson-risk-registers-a-brief-guide.pdf
- Hulett, D. (2012). Integrated Cost-Schedule Risk Analysis. Gower Publishing. Retrieved from https://books.google.com.ua/books?id=Ql8vNYcyDAIC&printsec=frontcover&source=gbs_book_other_versions_r&redir_esc=y#v=onepage&q&f=false
- Hulett, D. T. (2017). Monte Carlo simulation for integrated cost-schedule risk analysis: Concepts, methods, and tools for risk analysis and mitigation. In Project management: Concepts, methodologies, tools, and applications(pp. 1103–1121). IGI Global. https://www.igi-global.com/chapter/monte-carlo-simulation-for-integrated-cost- schedule-risk-analysis/172634
- Khurana, S. K., Wassay, M. A., & Verma, K. (2022). A review on risk management framework for large scale scrum. IEEE. https://ieeexplore.ieee.org/abstract/document/10097409/keywords#keywords
- Li, C., Wu, Z., & Zhu, N. (2019). Monte Carlo based risk analysis method for multi-attribute decision methods. IEEE. https://ieeexplore.ieee.org/document/8799284
- Lunesu, M. I., Tonelli, R., Marchesi, L., & Marchesi, M. (2021). Assessing the risk of software development in agile methodologies using simulation. IEEE. 134240 – 134258. https://ieeexplore.ieee.org/abstract/ document/9548910
- Miranda, P., Faria, J. P., Correia, F. F., Fares, A., et al. (2021). An analysis of Monte Carlo simulations for forecasting software projects. ACM. 10.1145/3412841.3442030
- Project Management Institute [PMI]. (2021). A Guide to the Project Management Body of Knowledge (PMBOK® Guide) (7th ed.). PMI.
- Poltronieri, F., Tortonesi, M., Stefanelli, C. (2021). ChaosTwin: A chaos engineering and digital twin approach for the design of resilient IT services. IEEE. https://ieeexplore.ieee.org/abstract/document/9615519
- Tudor, C., & Tudor, M. (2016). On using Monte Carlo simulations for project risk management. In Handbook of Research on Effective Project Management through the Integration of Knowledge and Innovation (pp. 155–172). IGI Global. 10.4018/978-1-5225-0335-4.ch008. https://www.researchgate.net/publication/344951235_On_Using_Monte_Carlo_Simulations_for_Project_Risk_Management