Інтегрована модель управління ризиками у розподілених ІТ-командах

2025;
: cc. 214 - 225
1
Національний університет «Львівська політехніка»
2
Національний університет “Львівська політехніка”, кафедра інформаційних систем та мереж

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.

  1. 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/
  2. Atlassian.   (n.d.).   What   is   a   risk   register   and   how   to   create   one.   https://www.atlassian.com/work- management/project-management/risk-register
  3. 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
  4. Benson,   R.,   &   Kellner,   D.   (2020).   Monte   Carlo   simulation   for   reliability.   IEEE.https://ieeexplore. ieee.org/document/9153600
  5. 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
  6. 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
  7. Harness. (n.d.). Benefits of chaos engineering & more. Retrieved from: https://www.harness.io/blog/chaos- engineering-benefits
  8. Harness.  (n.d.).  Harness  chaos  engineering  (CE)  key  capabilities.  Retrieved  from:  https://www.harness. io/blog/harness-chaos-engineering-ce-key-capabilities
  9. 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
  10. 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
  11. 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
  12. 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
  13. 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
  14. 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
  15. 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
  16. Project Management Institute [PMI]. (2021). A Guide to the Project Management Body of Knowledge (PMBOK® Guide) (7th ed.). PMI.
  17. 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
  18. 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