Podcast na Základy analýzy a řízení rizik

Kapitoly

Úvod do analýzy rizik

Cíl analýzy rizik

Příčiny a scénáře

Dva pohledy na pravděpodobnost

Příklad z praxe

Subjektivní pravděpodobnost

Rozdělení pravděpodobnosti

Závěr

Přepis

Anna: Většina studentů si myslí, že analýza rizik je jenom nudný seznam toho, co se může pokazit. Ale je v tom jeden háček, který 80 % lidí přehlédne.

Adam: Přesně tak. A právě tenhle háček rozhoduje o úspěchu u zkoušky. Je to rozdíl mezi tím, jestli jen vidíte špičku ledovce, nebo chápete, co je pod hladinou.

Anna: A o tom to dnes bude. Posloucháte Studyfi Podcast.

Anna: Tak jo, Adame, pojďme na to. Co je tedy skutečným cílem analýzy rizik?

Adam: Cílem není jen říct, 'co' se může stát. Klíčové je zjistit, 'jaká je pravděpodobnost', že se to stane, a 'jak velké budou následky'. V podstatě odhadujeme míru rizika a určujeme, jak spolehlivý ten náš odhad je.

Anna: Dobře, to dává smysl. Ale jak na to v praxi?

Adam: Rozdělujeme to na dvě hlavní části. Zaprvé, analyzujeme příčiny. Ptáme se: Proč by k nebezpečné události vůbec mohlo dojít? Byla to lidská chyba, technická porucha, nebo třeba špatná organizace? Používáme k tomu metody jako brainstorming nebo Ishikawův diagram. Zadruhé, analyzujeme vývoj scénářů. Co se stane, když už událost nastane? Bude to jen malý, lokalizovaný požár, nebo shoří celá budova?

Anna: Chápu. Ale jak se vlastně měří ta „pravděpodobnost“? To není jen nějaký odhad od boku, že ne?

Adam: Dobrá otázka! Vůbec ne. Existují dva hlavní způsoby, jak se na pravděpodobnost dívat. Jeden je objektivní, založený na datech – tomu říkáme frekventistická pravděpodobnost. Ten druhý je subjektivní, spíš expertní odhad, a to je bayesovská pravděpodobnost.

Anna: Ukaž nám příklad.

Adam: Jasně. U té frekventistické je to snadné. Představ si, že firma deset let sleduje výpadky serveru a za tu dobu k nim došlo dvakrát. Pravděpodobnost je tedy dva lomeno deseti, což je nula celá dvě. To znamená, že pravděpodobnost ročního výpadku je asi dvacet procent. Je to prostě o sledování četnosti jevu při velkém počtu opakování.

Anna: Takže když chci zjistit pravděpodobnost, že mi ráno dojde kafe, musím si to deset let zapisovat?

Adam: Přesně tak! Nebo můžeš použít ten druhý, subjektivní přístup. Ale o tom si povíme zase příště a ukážeme si, jak na to chytřeji.

Anna: Tak jo, Adame, jsem napjatá. Jak mi ten subjektivní přístup pomůže s mým kávovým problémem bez desetiletého deníčku?

Adam: Jednoduše! Říká se mu Bayesovská pravděpodobnost. Tady pravděpodobnost není jen o datech, ale je to míra naší důvěry, že se něco stane.

Anna: Takže můj pocit, že kafe určitě dojde, protože jsem líná jít nakoupit, se počítá?

Adam: Přesně! Započítáváš aktuální znalosti a zkušenosti. Bezpečnostní expert taky odhaduje riziko kyberútoku nejen podle statistik, ale i podle aktuálních hrozeb a svých znalostí.

Anna: Dobře, to dává smysl. A co když řešíme konkrétní typy problémů? Existují na to nějaké nástroje?

Adam: Jasně. Na to máme rozdělení pravděpodobnosti. Třeba binomické použiješ, když máš jen dvě možnosti — úspěch, nebo neúspěch. Třeba jestli student udělá zkoušku.

Anna: Takže ano/ne, funguje/nefunguje…

Adam: Přesně. Pak je Poissonovo rozdělení pro počet náhodných, vzácných událostí za nějaký čas. Třeba počet poruch serveru za den.

Anna: A co to nejznámější, to normální rozdělení?

Adam: To je ta slavná Gaussova křivka. Popisuje jevy, které se hromadí kolem průměru, třeba výška lidí. Většina má průměrnou výšku, extrémů je málo.

Anna: Super! Takže abychom to shrnuli, máme dva hlavní pohledy na pravděpodobnost a k tomu různé typy rozdělení podle toho, jaký problém řešíme. Díky tomu teď můžeme lépe chápat svět kolem nás.

Adam: Přesně tak. Není to žádná magie, jen skvělý nástroj. Díky za poslech.

Anna: Mějte se hezky a u dalšího dílu Studyfi podcastu nashledanou!