Analysis of the Sequence of Risk States in the Implementation of Information Projects
DOI:
https://doi.org/10.22394/1726-1139-2021-4-159-173Keywords:
information project, project execution risks, risk management methods, random process, discrete Markov chain, random sequence of events, random sequence indicators, machine learning methods, cluster analysisAbstract
The article deals with the issues of risk management of information projects. We propose not a deductive approach traditionally used in risk analysis, based on knowledge of the main provisions and their concretization in a real situation, but an inductive approach that requires data accumulation and the construction of training data sets as a result of a retrospective analysis of the progress and implementation of individual projects. It is proposed to use methods of trajectory analysis of sequences of events, each of which characterizes the state of risk of project implementation. To test this approach, random sequences of risk events are generated and data analysis methods are applied to these sequences.Downloads
References
Бирюкова С. Анализ последовательностей в R: TraMineR. М.: НИУ ВШЭ, 2014. URL: https://www.hse.ru (дата обращения: 02.01.2021).
Горбач А. Н., Цейтлин Н. А. Покупательское поведение: анализ спонтанных последовательностей и регрессионных моделей в маркетинговых исследованиях. Киев: Освiта УкраЇны, 2011. 220 с.
Каталевский Д. Ю. Основы имитационного моделирования и системного анализа в управлении: учеб. пособие. М.: Изд-во Московского университета, 2011.
Кучеренко Д. В., Матвеев А. В. Анализ структуры проектных организаций государственных информационных систем органов исполнительной власти Санкт-Петербурга // Материалы II международной научно-практической конференции "Актуальные теоретические и прикладные вопросы управления социально-экономическими системами". Москва, 10-11 декабря 2020. М.: Институт развития дополнительного профессионального образования, 2020. С. 270-274.
Левенштейн В. И. Двоичные коды с исправлением выпадений, вставок и замещений символов // Доклады Академии наук СССР. 1965. № 4. С. 845-848.
Мастицкий С. Э., Шитиков В. К. Классификация, регрессия и другие алгоритмы Data Mining с использованием R. URL https://github.com/ranalytics/data-mining (дата обращения: 02.01.2021).
Наумов В. Н., Кучеренко Д. В. Планирование трудозатрат на создание и развитие государственных информационных систем и их функциональных программных комплексов // Управленческое консультирование. 2017. № 6. C. 140-154.
Наумов В. Н., Наумов П. В. Прогнозирования рисков проектирования информационных систем // Автоматизация процессов управления. 2019. № 4. С. 34-44.
Павлов А. Н. Эффективное управление проектами на основе стандарта PMI PMBOK 6 Edition. М.: Лаборатория знаний, 2019.
Форрестер Дж. Мировая динамика. СПб.: Terra Fantastica, 2003.
Форрестер Дж. Основы кибернетики предприятия (индустриальная динамика). М.: Прогресс, 1971.
PMBOK. Руководство к Своду знаний по управлению проектами. 6-е изд. М.: Олимпбизнес, 2016.
Buettner D. Dynamic COQUALMO: Defect profiling over development cycles// Conference: Proceedings of the International Conference on Software Process: Trustworthy Software Development Processes. URL: https://www.researchgate.net/publication/225240099_Dynamic_COQUALMO_Defect_profiling_over_development_cycles./ (дата обращения: 07.01.2021).
Chulani S., Boehm D. Modeling Software Defect Introduction and Removal: COQUALMO (COnstructive QUALity MOdel). URL: https://www.researchgate.net/publication/228778578_Modeling_software_defect_introduction_and_roval_COQUALMO_COnstructive_QUALity_MOdel/ (дата обращения: 06.01.2021).
Gabadinho A., Ritschard G., Studer M., Müller N. S. Mining Sequence Data in R with the TraMineR package: A user's guide. Department of Econometrics and Laboratory of Demography, University of Geneva. URL: https://www.researchgate.net/publication/342889620_Mining_sequence_data_in_R_with_the_TraMineR_package_A_user's_guide/ (дата обращения 5.01.2021).
Gabadinho A., Ritschard G., Müller N. S., Studer M. Analyzing and Visualizing State Sequences in R with TraMineR// Journal of Statistical Software 2011. № 40 (4). P. 1-37.
Mayer D. The Complexity of Some Problems on Subsequences and Super sequences // Journal of the ACM. Vol. 25, Iss. 2. April 1978. P. 322-336.
Sequence Analysis in Demographic Research Special Issue on Longitudinal Methodology// Canadian Studies in Population. 2001. Vol. 28(2). P. 439-458.
Software Project Risk Assessment and Efforts Contingency Model based on COCOMO Cost Factor COCOMO.. URL: https://www.researchgate.net/publication/236679817 (дата обращения: 28.09.2019).
Studer M., Ritschard G. A Comparative Review of Sequence Dissimilarity Measures// LIVES Working Papers, 33. NCCR LIVES, Switzerland, 2014. URL: https://www.livesnccr.ch/sites/default/files/pdf/publication/33_lives_wp_studer_sequencedissmeasures.pdf (дата обращения: 03.01.2020).
Studer M., Ritschard G. What matters in differences between life trajectories: A comparative review of sequence dissimilarity measures // Journal of the Royal Statistical Society, Series A. 2016. Vol. 179, Iss. 2. P. 481-511.
Valerdi R., Boehm Barry W. COSYSMO: A system engineering cost model. URL: http://csse.usc.edu/TECHRPTS/2010/usc-csse-2010-508/usc-csse-2010-508.pdf (дата обращения: 20.09.2019).
Valerdi R., John E. Gaffney Jr. Reducing Risk and Uncertainty in COSYSMO Size and Cost Drivers: Some Techniques for Enhancing Accuracy. 2007.. URL: https://www.researchgate.net/publication/229034929Reducing_Risk_and_Uncertainty_in_COSYSMO_Size_and_Cost_Drivers_Some_Techniques_for_Enhancing_Accuracy (дата обращения: 28.09.2019).
Wagner R. A., Fischer M. J. The string-to-string correction problem // Journal of the ACM. 1974. Vol. 21. Iss. 1. P. 168-173.
