Derfor minder din tidsplan om en køretur i myldretiden – og hvorfor ét tal sjældent fortæller hele historien

De fleste af os laver risikovurderinger hver dag. Vi kalder det bare ikke risikostyring.

Vi kigger på klokken, trafikken og vejret og tænker: “Hvis jeg kører nu, er jeg nok fremme om 25 minutter.”

Det lyder ganske fornuftigt. Problemet er bare ordet “nok”. For hvad betyder det egentlig?

Er der 90 procent sandsynlighed for, at turen tager højst 25 minutter? Er den 60 procent? Eller er 25 minutter bare det tal, ruteplanlæggeren viser os på skærmen, og som vi efterfølgende behandler som en form for urokkelig naturlov?

Lad os tage en ganske almindelig køretur som eksempel: Fra Københavns Lufthavn, op over Amager via Amager Strandvej og videre over Knippelsbro mod centrum og Rådhuspladsen. En overskuelig tur med masser af kendte variabler.

Indtil virkeligheden begynder.

Første risiko: Det røde lys

På ruten skal vi gennem en lang række signalregulerede kryds. Lad os for eksemplets skyld antage, at der er omkring 18 relevante trafiksignaler.

Hvis sandsynligheden for at skulle stoppe ved hvert enkelt signal i gennemsnit er 35 procent, kunne man umiddelbart tænke: “35 procent er jo ikke så meget.”

Det er rigtigt ved ét trafiklys. Men vi skal ikke gennem ét. Vi skal gennem 18.

Hvis vi i en simpel model antager, at trafiklysene er uafhængige af hinanden, er sandsynligheden for grønt ved ét signal 65 procent. Sandsynligheden for grønt ved alle 18 kryds i træk bliver derfor 0,65 ganget med sig selv 18 gange.

Resultatet er omkring 0,04 procent. Med andre ord er sandsynligheden for at skulle stoppe mindst én gang på turen tæt på 100 procent.

Det er selvfølgelig en stærkt forenklet beregning, fordi trafiksignaler i virkeligheden ofte er koordinerede og derfor ikke er uafhængige. Netop dét bliver interessant lidt senere.

Det betyder ikke, at trafikken er gået i stå. Det betyder bare, at det er urealistisk at planlægge turen ud fra en forventning om en ubrudt “grøn bølge” hele vejen fra Kastrup til Rådhuspladsen – selv om det naturligvis ville være rart.

Risiko er mere end bare rødt lys

Hvis vi virkelig vil forstå rejsetiden, bliver vi nødt til at kigge på mere end trafiksignaler. På en tur gennem København kan vores rejsetid påvirkes af en lang række faktorer:

• Rødt lys
• Tæt trafik og flaskehalse
• Akut vejarbejde
• Langsomme busser og lastbiler
• Uheld eller motorstop
• Omkørsler og spærrede vognbaner
• En uventet broåbning
• Og den bilist foran os, der opdager sin afkørsel cirka tre meter for sent.

Nogle af disse hændelser sker ofte og har en lille konsekvens for den samlede tid. Andre sker sjældent, men kan have en betydelig konsekvens. Dette skel er et helt centralt princip i professionel risikostyring.

Sandsynlighed er kun halvdelen af historien

Forestil dig to forskellige hændelser på vejen. Ved et almindeligt trafiksignal er der måske 50 procent sandsynlighed for, at vi må vente i 40 sekunder. En broåbning sker langt sjældnere, men hvis den sker, kan forsinkelsen hurtigt blive flere minutter.

Hvad er den største risiko? Det kan vi ikke afgøre alene ud fra sandsynligheden. Vi må også se på konsekvensen.

En hyppig hændelse med lille påvirkning kan i det samlede billede være mindre kritisk end en sjælden hændelse med stor påvirkning. Derfor består risiko i sin enkleste form af mindst to dimensioner:

1. Hvor sandsynligt er det, at det sker?
2. Hvad er konsekvensen, hvis det sker?

Men selv det er kun begyndelsen.

Vejarbejde ændrer hele systemet

Forestil dig nu, at der er vejarbejde på en del af Amager Strandvej. Det giver ikke nødvendigvis bare “to minutters ekstra køretid” i sig selv. Det påvirker hele det omkringliggende trafiksystem.

Når en vognbane lukkes, falder vejens kapacitet, og der kan opstå kø. Køen betyder, at vi ankommer senere til det næste trafiksignal. Dermed rammer vi måske en helt anden del af signalcyklussen end ellers og får rødt lys. Den ekstra ventetid kan forplante sig, så vi også ankommer anderledes til det efterfølgende kryds.

Pludselig er risiciene ikke længere uafhængige. De påvirker hinanden i en dominoeffekt. Det kaldes korrelation eller afhængighed mellem risici – og det er præcis her, mange traditionelle risikoanalyser bliver for simple.

Knippelsbro er ikke bare endnu et trafiklys

Når ruten går via Christianshavn og over Knippelsbro, møder vi en helt særlig type hændelse: Broen kan åbne. Sandsynligheden for, at det sker netop når vi skal passere, er relativt lille. Men konsekvensen er mærkbar.

Vi kan groft inddele vores trafikrisici i en matrix, der trækker tråde direkte til den virkelighed, vi møder i projekter:

Trafikhændelse	Sandsynlighed	Konsekvens	Projektparallel
Rødt lys	Høj	Lav	Mindre daglige forsinkelser
Tæt trafik / myldretid	Middel/høj	Middel	Generel kapacitets- eller ressourcemangel
Vejarbejde	Varierende	Middel/høj	Begrænsninger, der påvirker flere aktiviteter
Broåbning	Lav	Høj	Ekstern godkendelse eller kritisk afhængighed
Alvorligt uheld	Lav	Meget høj	Kritisk leverandørsvigt eller tab af nøglekompetence

Nu begynder vores køretur for alvor at ligne en rigtig risikoanalyse.

Ruteplanlæggerens 25 minutter er ikke nødvendigvis forkerte

Hvis GPS’en eller en ruteplanlægger viser 25 minutters køretid, betyder det ikke, at beregningen er dårlig. Tværtimod. Moderne ruteplanlæggere bruger store mængder historiske og aktuelle trafikdata og kan give en ganske god prognose for den forventede rejsetid.

Problemet opstår først, hvis vi behandler de 25 minutter som et resultat hugget i sten.

For din rejsetid er ikke ét statisk tal. Den er et udfald blandt mange mulige rejsetider.

• Nogle ture tager måske 21 minutter, hvis alt flasker sig.
• Mange ture tager måske mellem 24 og 28 minutter.
• Nogle tager 35 minutter.
• Og en sjælden gang tager turen væsentligt længere, fordi flere uheldige hændelser indtræffer samtidig.

Det relevante spørgsmål er derfor ikke kun: “Hvor lang tid tager turen?” Et langt bedre spørgsmål er: “Hvor stor er sandsynligheden for, at jeg er fremme inden for 25 minutter?” Det giver et stærkere beslutningsgrundlag.

Fra kaotisk trafik til Monte Carlo-simulering

Forestil dig, at vi kunne gennemføre nøjagtig den samme køretur 10.000 gange i en computer. For hver eneste tur lader vi modellen variere de ukendte faktorer: hvilke trafiklys der er røde, mængden af trafik, om broen åbner, hvor meget vejarbejde påvirker ruten, og om der holder en flyttebil i vejen.

Vi ville ende med 10.000 forskellige rejsetider. Hvis vi sorterede dem, kunne vi aflæse forskellige percentiler – for eksempel P50, P80 og P95:

• P50: 25 minutter – 50 procent af turene tager 25 minutter eller mindre.
• P80: 31 minutter – 80 procent af turene tager 31 minutter eller mindre.
• P95: 39 minutter – 95 procent af turene tager 39 minutter eller mindre.

Nu har vi noget, der er langt mere brugbart end et enkelt tal. Hvis du skal til en afgørende jobsamtale klokken 09.00, planlægger du næppe din afgang efter en P50-værdi. Du vil sandsynligvis vælge en større tidsreserve og dermed en højere sikkerhed for at være fremme til tiden. Det er risikostyring i praksis.

Projekter fungerer på nøjagtig samme måde

Det fascinerende er, at en kompleks tidsplan for et byggeprojekt eller en IT-leverance principielt ikke adskiller sig så meget fra køreturen gennem København.

• I stedet for trafiklys har vi delaktiviteter.
• I stedet for vejarbejde har vi begrænsninger og ændringer, der påvirker flere aktiviteter.
• I stedet for en broåbning har vi kritiske eksterne afhængigheder eller leverancer fra underleverandører.

Når vi spørger: “Er projektet færdigt den 1. oktober?”, vil den klassiske lineære tidsplan ofte svare med et kontant: Ja.

Aktivitet A tager 10 dage. Aktivitet B tager 15 dage. Aktivitet C tager 20 dage. Ergo er vi færdige til tiden. Men den virkelige verden svarer noget mere nuanceret: Måske.

Præcis som vejarbejde på Amager Strandvej kan én mindre forsinkelse i et tidligt stadie skabe en kaskadeeffekt, der skubber kritiske deadlines uger eller måneder længere fremme i systemet. Derfor er spørgsmålet “Hvornår er vi færdige?” ofte mindre