Helhetlig risikostyring og visualisering av risikobildet – grunnlag for best mulig beslutningsstøtte

Næringslivet står overfor hyppige endringer i eksterne forhold, noe som fordrer rask omstilling for å være i front av utviklingen og ivareta konkurransekraften. Bedrifter skal forholde seg til både risiko og muligheter, og risikoanalyser er et verktøy for beslutningstøtte i denne prosessen. Forhold som teknologiutvikling, utkontraktering, fusjoner, nye regelverk og digitalisering er bare noen av endringene som er gjeldende for mange virksomheter.

Komplekse problemstillinger med tilhørende usikkerhetsmomenter hvor mange faktorer, mye data og ulike ekspertvurderinger skal tas hensyn til, sees i sammenheng og analyseres, krever egnede og inkluderende metoder og verktøy for å oppnå en helhetlig tilnærming, noe som vil gi et best mulig grunnlag for å kunne ta solide og velfunderte beslutninger.

Gitt dagens utfordringer og behov er det relevant å spørre seg om hvorvidt verktøy som tradisjonelle risikomatriser gir det beste grunnlaget for å kunne ta beslutninger stilt overfor komplekse problemstillinger.

Sannsynlighetsbegrepet

Ved tradisjonelle risikoanalyser avdekkes aktuelle risikoer, og det samlede risikobildet presenteres ofte i en tradisjonell risikomatrise. Identifiserte uønskede hendelser plasseres i risikomatrisen i henhold til vurdering av sannsynlighet og konsekvens, og utfra en rangering av disse kan man ta stilling til hvilke risikoer virksomheten er villig til å akseptere og hvilke som krever tiltak i henhold til virksomhetens vedtatte akseptkriterier for risiko.

Tradisjonelt er risiko og risikoforståelse basert på objektiv sannsynlighet og historiske data. Dersom vi kan anta at fremtiden er en gjentakelse av fortiden, er det lite problematisk å forholde seg til en slik objektiv sannsynlighet, ofte representert ved et tall som baseres på hvor hyppig en hendelse forekommer, som et mål på risikoen for at en gitt hendelse vil inntreffe.

Dersom man for eksempel får presentert en analyse som viser at den objektive sannsynligheten for at et dataangrep inntreffer er 10-5, P(dataangrep)=10-5, gir den beregnede sannsynligheten ikke mye informasjon i seg selv annet enn at sannsynligheten er veldig lav. Men, hva betyr det i praksis for virksomheten? Som beslutningstaker ønsker man å få innblikk i hva som ligger bak dette tallet, for eksempel hvorfor sannsynligheten er lav og om den kommer til å fortsette å være lav også i fremtiden.  Gitt den teknologiske utviklingen vi står overfor, er det fornuftig å basere våre vurderinger utelukkende på historisk data, når vi vet at virksomheter utvikler seg, lærer av tidligere hendelser enten det gjelder egne eller andres, og iverksetter tiltak, samtidig som eksterne og interne forhold endrer seg uopphørlig? Det å kun beregne sannsynligheten basert på tidligere registrerte hendelser vil ikke alltid være hensiktsmessig; -fremtiden kan ikke antas å være en direkte gjentakelse av historien.

Tradisjonelle risikostyringsmetoder - utfordringer

For problemstillinger knyttet til operasjonell risiko, som omhandler mennesker og organisasjoner i sitt daglige virke, vil det ikke være mulig å anta at historien gjentar seg, og det er dermed ikke hensiktsmessig å beregne en objektiv «sann» sannsynlighet kun basert på historiske data. I denne sammenhengen oppstår det et tydelig behov for å dreie fokus mot kunnskapsbasert sannsynlighet som bygger på all tilgjengelig informasjon, innbefattet observasjoner og data, relevant kunnskap og erfaringer. Resultatet bør presenteres som en argumentasjon knyttet til virksomhetens risikonivå.

Å forholde seg til et punkt i en tradisjonell risikomatrise kan være uhåndgripelig og gir liten reell beslutningsverdi med mindre man i tillegg får informasjon om hva som ligger i sannsynlighetsbegrepet og samtidig oppnår en forståelse for hvilke årsaker og risikopåvirkende forhold som faktisk påvirker hvorvidt hendelsen inntreffer og hvilke årsaker som er særlig risikodrivende for den vurderte hendelsen. Vi ønsker at risikobildet skal gi en oversikt og forståelse av risikoen ved å belyse årsakssammenhenger, samt hvorvidt det finnes- og effekten av aktuelle tiltak. Det bør også fremkomme hvilke forutsetninger, antakelser og kunnskap som ligger til grunn for analysen og dermed også resultatene. Usikkerheten i vurderingene bør altså kommuniseres.

 
Fra risikomatriser og fokus på historikk, til visualiserte risikobilder basert på all tilgjengelig kunnskap

For å styrke underlaget for beslutninger bør en risikovurdering gi svar på følgende spørsmål:

• Er risikoen høy/lav?
• Er risikoen akseptabel?
• Hvilke påvirkende faktorer er mest kritiske?
• Hva er konsekvensene hvis det går galt?
• Hvilke tiltak har størst risikoreduserende effekt?

For å gi reell beslutningsstøtte vedrørende ulike aktiviteter og mulige tiltak, bør risikoanalysen gi oversikt over fenomenet og skape forståelse hos beslutningstaker. Risiko er ikke statisk, men utvikler seg over tid, og for å kunne ta best mulige beslutninger bør man, i tillegg til å ha kjennskap til om risikoen er høy eller lav, også ha forståelse for sammenhenger mellom ulike risikopåvirkende faktorer og det at uønskede hendelser oppstår. En slik helhetlig tilnærming vil gi nyttig informasjon om hvilke risikopåvirkende faktorer som er gjeldende og hvilke avhengigheter som eksisterer mellom dem. Dette gir informasjon som bidrar til å kunne ta velbegrunnede valg vedrørende effektive tiltak.

I eksempelet gitt ovenfor for risikoanalyse av et dataangrep, kan man spørre seg: Er sannsynligheten for et angrep vurdert som lav fordi det ikke har rammet tidligere (beregning basert utelukkende på historiske data)? Eller er den vurdert som lav fordi virksomheten nettopp har gjennomført en penetrasjonstest som viste robusthet, i tillegg til at de ansatte har vært på kurs for å lære å oppdage phishing-angrep? Den beregnede sannsynligheten er den samme, men de oppgitte begrunnelsene vitner om ulik grad av modenhet hva gjelder risikobevissthet og kontroll, og dermed ulik grad av risikoeksponering for den gitte organisasjonen.

Tradisjonelle risikomatriser er ikke et verktøy som gjør bruker i stand til selv å helhetlig vurdere risiko, den visualiserer kun resultatet av noens vurdering. Begrunnelsen for vurderingene er like viktige som sluttresultatet for å gi reell beslutningsstøtte. Det handler om å skape forståelse for-, og eierskap og tillit til de vurderingene som er gjort gjennom en synliggjøring av analysens styrker og begrensninger.

Uavhengig av om analysen er av kvalitativ eller kvantitativ karakter vil det alltid gjøres antagelser før en begynner å vurdere eller beregne risiko. Denne viktige informasjonen fremkommer ofte ikke i tradisjonelle risikomatriser. Matrisen kan derfor i beste fall være lite informativ, og i verste fall være direkte misvisende. Utover hvilke forutsetninger analysen baseres på, er kunnskap og usikkerhet viktig å inkludere i den helhetlige vurderingen. I noen analyser er vurderingene som er gjort lite kontroversielle, det er for eksempel benyttet relevante eksperter på områder eller det finnes store mengder relevante statistiske data å basere resultatene på. Analysen er med andre ord gjort med høy grad av kunnskap, det vil si at det er lite usikkerhet omkring vurderingene. I andre tilfeller kan vurderinger være gjort med liten grad av kunnskap. Beslutningstaker vil være svært avhengig av å vite hvor grundig og med hvilken grad av kunnskapsstyrke risikovurderingen er utført. Avgjørelsene vil i stor grad påvirkes av graden av usikkerhet/sikkerhet knyttet til beslutningsgrunnlaget. Et eksempel hentet fra Petroleumstilsynets (Ptil) notat «Risikobegrepet i petroleumsvirksomheten», som beskriver hvordan ulik grad av kunnskap kan påvirke opplevelsen og håndteringen av risiko, lyder som følgende: «Tenk deg at du kjører på en vei som er bred og rett, du har god oversikt (kunnskap) og liten usikkerhet omkring hvilke konsekvenser som vil møte deg. Du kan holde en relativt høy hastighet og allikevel føle deg trygg. Kontra at du kjører på en smal og svingete vei med liten oversikt og dermed stor usikkerhet omkring hva som møte deg rundt neste sving. På grunn av den store usikkerheten, vil din beslutning angående fart med stor sannsynlighet være annerledes enn i det første alternativet»

For å tilgjengeliggjøre mer av informasjonen relatert til vurderinger og resultater på en enkel og intuitiv måte, kan problemstillinger struktureres og visualiseres i grafiske risikobilder. Et visualisert risikobilde beskriver sammenhengen mellom uønskede hendelser, årsaker og risikodrivere; en grafisk presentasjon av hendelsesforløpet. Vurderinger og resultater forklares og begrunnes logisk slik at det er mulig å involvere de relevante rollene og funksjonene i organisasjonen som det er nødvendig å inkludere for å oppnå en sunn risikostyring. Visuelle risikobilder kan benyttes til å kartlegge hendelser som kan påvirke virksomhetens måloppnåelse, både på et overordnet nivå og et mer detaljert nivå.

Prosess for risikovurdering med visualiserte risikobilder

Selve prosessen for gjennomføring av risikoanalyser ved bruk av metoder som inkorporerer all tilgjengelig kunnskap og benytter visualisering som verktøy, skiller seg ikke i særlig grad fra bruk av tradisjonelle risikomatriser. Planleggingsfasen tillegges mer vekt ved bruk av visuelle nettverk, da man i forkant av analysemøter forbereder et grafisk utgangspunkt for diskusjon.

Teknologien som kan brukes for å systematisere, dokumentere og kommunisere risikobildet, heter Bayesiansk nettverk (også kjent som «Bayesian Belief Networks», kausale sannsynlighets modeller, Bayes nets, etc.). Bayesiansk nettverk er grafiske diagrammer som strukturerer kunnskap om et emne ved å beskrive influensforhold mellom nøkkelvariabler. Det består av en kvalitativ og en kvantitativ del og bygger på sannsynligheten for at noe skjer gitt den kunnskapen vi har.  Et Bayesiansk nettverk visualiserer risikobildet (kausale sammenhenger og influerende faktorer), noe som bidrar til å lette arbeidet med å etablere en felles forståelse av risikobildet og relevante årsaksmekanismer. Resultatet er en oversiktlig redegjørelse for et etablert risikobilde; et scenario, en prosess eller et system med tilhørende risikoer, inklusive tydelig fremheving av forbedringsområder som utgangspunkt for vurdering og prioritering av tiltak.

Identifikasjon av kritiske hendelser med tilhørende influerende faktorer

Arbeidet starter ved innsamling av all tilgjengelig informasjon, det vil si tidligere analyser, historiske data og annen litteratur, for eksempel vitenskapelige teorier som vedrører og er relevant for analyseobjektet.  Informasjonen brukes til å kartlegge og strukturere potensielle uønskede hendelser, trusler, årsaker, risikodrivere og eksisterende kontroller inn i et nettverk. Nettverket danner grunnlaget for det videre analysearbeidet.

Figuren nedenfor illustrerer et eksempel på hendelsen «Utlevering av sensitiv informasjon».  Denne hendelsen kan inntreffe på tre ulike måter; enten ved at en ansatt misbruker sin tilgang, ved en utilsiktet lekkasje eller ved at en ekstern uautorisert person får tilgang. De tre årsakene er hovedrisikodrivere for denne hendelsen.

Kritiske influerende faktorer-konsensus ekspertpanel

Når utgangspunktet for nettverket foreligger, gjennomføres en workshop med et ekspertpanel. Her inkluderes alle personer som har kunnskap om analyseobjektet, i tillegg til andre interessenter, det være seg alt fra teknikere til helsepersonell. Etablert nettverket i steg 1 vil danne utgangspunktet for diskusjonen og utgjøre grunnlaget for en systematisk gjennomgang. Risikoanalyseobjektet og konteksten er definert i det grafiske utgangspunktet og alle involverte vil fra første øyeblikk få en intuitiv forståelse for- og oversikt over problemstillingen. Erfaringer fra denne type verktøy viser at det gir mye engasjement blant deltakerne i kartlegging av risiko. Underveis i gjennomgangen vil nettverket oppdateres med nye tilkomster eller endringer hva gjelder årsaker, konsekvenser og kontroller/barrierer basert på utfallet av diskusjonen i workshopen. Et visuelt nettverk med en hierarkisk struktur gir støtte i arbeidet med å klargjøre hva som er årsaksfaktorer, hendelser og konsekvenser. Risikodrivere og uønskede hendelser blir på denne måten presist definert og vil være mulig å sammenstille og prioritere. Resultatet for deltakerne er en bedre oversikt over og innsikt i mekanismene som potensielt kan lede til uønskede hendelser.

Vurdering av idealtilstand vs. nå-tilstand og kunnskapsstyrke

Når et omforent risikobildet er etablert, starter arbeidet med å vurdere sannsynligheten for at risikoene kan inntreffe. I workshopen vil en starte på nederste nivå i nettverket, det vil si med rotårsakene (kalt input noder i Bayesiansk nettverk), som for eksempel kan være trusler, tilstand til organisasjonskultur eller eksisterende kontroller.

Å fastsette sannsynlighet og konsekvens i en kvalitativ analyse kan være vanskelig. Men, å fastsette kritikalitet i forhold til en referanseverdi, det vil si å fastsette hvor langt organisasjonen befinner seg i fra ønsket eller ideell tilstand for en faktor/årsak på et lavere nivå i årsakssammenhengene, vil oppleves svært konkret, og kan gjøres med større grad av kunnskap.

Angivelse av tilstand vurderes altså ved å kartlegge gapet mellom ønsket optimal tilstand, det man kan kalle en idealtilstand for rotårsaken, og faktisk tilstand per i dag. Ønsket tilstand defineres ved hjelp av organisasjonens egne prosedyrer og retningslinjer, eventuelt beste praksis, standarder eller myndighetskrav. Nå-tilstanden blir vurdert i henhold til en kvalitativ skala med fargeangivelse. Dersom avstanden til ønsket tilstand er stor, vil tilstanden til faktoren vurderes til rød. Er faktisk tilstand i motsetning lik ønsket tilstand, vurderes tilstanden til grønn. Vurderingen av tilstand til internkontroller kan for eksempel gjøres med utgangspunkt i resultatene av intern- evt. eksternrevisjon.

Faktorer vektes i forhold til hverandre, og basert på de ulike faktorenes tillagte betydning, vil tilstander aggregeres oppover i nettverket ved hjelp av kunnskapsbasert sannsynlighetsvurdering.  Det vil si at man gjør en vurdering av hvorvidt en gitt risikodriver vil inntreffe basert på den informasjonen som er gitt lenger ned i nettverket. Slik aggregeres tilstander helt til topphendelsen i nettverket, og på denne måten baseres den aggregerte sannsynligheten for at en uønsket hendelse skal inntreffe på årsakssammenhengene og tilstanden til influerende faktorer samt tilstanden til eksisterende kontroller/barrierer. Nedenfor er det illustrert hvordan et ferdigstilt visualisert risikobilde kan se ut.

Figur 6: Omforent kritikalitetsvurdert risikobilde.

Usikkerhet i vurderingene i form av mangel på informasjon, manglende forståelse eller kunnskap, visualiseres ved å benytte trafikklys knyttet til faktorene. Kunnskapsstyrke benyttes som begrep for å beskrive usikkerhet omkring tilstanden til en faktor.  Som et eksempel kan det gjøres en vurdering av en faktor uten at relevant ekspertise har fått bidratt med sin erfaring, eller til tross for at det eksisterer svært lite informasjon eller tilgjengelig kunnskap på området. Slike vurderinger vil gi analysen enkelte begrensninger som bør fremkomme eksplisitt som bakgrunn for tolkning av resultatene. «Å håndtere usikkerhet innebærer å skape en forståelse for begrensningene av vår kunnskap og ta konsekvensene av det» (Ptil).

.

 
Etablering av tiltaksliste og oppfølgingsplan

Analysen vil gi en velfundert basis for å kartlegge tiltak og diskutere effekten av disse for videre prioritering. Nettverkene vil bidra til å belyse avhengigheter der felles årsaker og influerende faktorer vil ha betydning for valg av tiltak. Tiltak kan også innebære å fremskaffe ytterligere informasjon om faktorer som hvor graden av kunnskap ikke har vært tilstrekkelig. Resultatet av en visualisering av risikobildet vil dermed være et omforent risikobilde med informasjon om årsakssammenhenger og hvordan ulike årsaker og hendelser påvirker hverandre, samt en synliggjøring av effekten av implementerte og foreslåtte risikoreduserende tiltak. Visualiseringen som verktøy er svært godt egent til å skape eierskap til risikoene blant de ansatte, og ikke minst til å kommunisere det samlede risikobildet til ledelsen og slik bidra til å forankre risikoer hvor beslutninger tas. Muligheten til å aggregere og detaljere risikobildet gjør det også velegnet til kommunikasjon av risikoeksponeringen på ulike nivåer.

Allerede kartlagte og dokumenterte hendelser kan i stor grad gjenbrukes som utgangspunkt ved tilsvarende analyser da mekanismene som kan lede til en uønsket hendelse ofte kan ha likheter selv om fenomenet som studeres har rot i ulike avdelinger, systemer eller prosesser. Nettverkene baseres så ofte som mulig på forskning og vitenskapelige teorier omkring et fenomen (for eksempel svindelteori), hvordan det kan oppstå og hvordan det utarter seg. Dette kan bidra til å løfte kvaliteten til risikoanalysene i organisasjonen. I tillegg til at kvaliteten på analysene over tid vil bedres på grunn av oppdateringer og eventuelle tilføyinger, kan det å sitte på grundig utarbeidede modeller som utgangspunkt for videre analyser av relevante hendelser, lette risikostyringsarbeidet på lang sikt. Metoden er over tid tidsbesparende og kostnadseffektiv.

 
Konklusjon

Tradisjonelle metoder for risikoanalyser presenterer ofte risikoer enkeltvis og uavhengig av hverandre. I praksis vet vi at risikoer ikke oppstår isolert eller opptrer i et vakuum. Mange risikoer har gjerne flere sammenfallende årsaker, og noen risikoer med sammenfallende årsaker kan gjerne reduseres ved ett og samme tiltak. I et komplekst og sammensatt risikobilde er det vesentlig å kunne se sammenhenger på tvers og oppnå en bedre forståelse av hva som skjer dersom flere influerende faktorer inntreffer samtidig. Dette kan gjøres på en enkel og intuitiv måte ved å visualisere risikobildet i et nettverk. Visualiseringen legger også til rette for konstruktive diskusjoner omkring risiko, og er i tillegg et utmerket verktøy for å kommunisere risikobildet til alle involverte parter.  

Erfaring med denne type verktøy viser at det skaper mye engasjement. De involverte kjenner seg igjen i «sine» kartlagte prosesser, systemer og problemstillinger, og får oversikt over hvilke farer/trusler og årsaker som kan lede til uønskede hendelser, hvilke barrierer/kontroller som eksisterer og hvor det evt. mangler sannsynlighets- eller konsekvensreduserende tiltak. Dette gir ofte opphav til fruktbare diskusjoner rundt trusler og sårbarheter, hvordan risiko kan oppstå og hendelser inntreffe. I en risikoidentifikasjonsprosess ønsker man slik kreativitet for å avdekke all mulig relevant risiko. Bruk av matrise-metodens sjekklister eller ustrukturerte diskusjoner identifiserer gjerne kjente trusler og risikoer, men stimulerer i liten grad deltagerne til å avdekke nye sammenhenger. Visuelle nettverk legger til rette for en strukturert gjennomgang som også stimulerer til kreativitet, slik at hittil ukjente risikoer, og ukjente effekter av kjente årsaksforhold og mulige samspill dem imellom, avdekkes.

Som beslutningsgrunnlag gir det visuelle risikobildet en intuitiv forståelse og oversikt. Metoden evner å inngi tillit til gitte vurderinger da det tydelig fremkommer hvilke forutsetninger vurderingene baseres på, og resultatenes validitet styrkes ved synliggjøringen av kunnskapsstyrke.

Metoden gir, til forskjell fra tradisjonell metode, følgende fordeler:

• Øker forståelse, eierskap og engasjement på tvers av organisasjonen
• Viser sammenhenger og påvirkning mellom forskjellige årsaksfaktorer og risikoer
• Illustrerer risiko både på detalj- og på agreert nivå
• Øker Management buy-in

Generelt kan man si at metodene som skal gi best mulig beslutningsstøtte i risikostyringssammenheng, bør ta høyde for senere års utvikling innen risikostyringsfaget, med økt fokus på kunnskapsdimensjon og usikkerhet. Man ser generelt en trend og en utvikling som beveger seg fra tradisjonelle risikomatriser og bruk av såkalt objektiv sannsynlighet basert på historiske data, mot en vektlegging av økt risikoforståelse og en erkjennelse av at man i stor grad opererer med subjektive sannsynligheter basert på (mye eller lite) kunnskap og erfaring. Visualisert risikoanalyse med utgangspunkt i Bayesiansk nettverk, er en metode som vil være i samsvar med dette ønsket om økt fokus på helhetlig risikoforståelse.

Referanser

• Andersen, L.B, Häger, D. (2014). Contributions to Bayesian network model design for operational risk in financial industry.
• Andersen, L.B., Häger, D. (2014). Objectivity and the measurement of operational risk, reconsidered.
• Aven, T. (2015) Risikostyring. 2. Utgave, Universitetsforlaget. 
• Aven, T., Røed, W., Wiencke, H.S. (2008). Risikoanalyse. 1. Utgave, Universitetsforlaget.
• Aven, T., Artikkel – Tradisjonell risikomatrise. Store norske leksikon
• Ptil (Petroleumstilsynet) (2016), Notat – Risikobegrepet i petroleumsvirksomheten. Petroleumstilsynet