概述与动因

对服务的每一次变更都带有风险,让它保持不变同样如此。风险管理是对风险的识别、评估和排定优先级,随后采取协调一致的行动来降低、接受、转移或规避它们。ITIL 把风险视为贯穿每项实践的一条线索:变更赋能决定一项变更需要多少审视,服务连续性为中断做计划,信息安全抵御威胁。敏捷与 DevOps 的工作方式以另一种方式降低风险。持续交付的小变更,附带快速反馈和回滚的能力,使每次变更更不危险,也使问题更早可见。

两种视角在度量中汇合。持续交付的团队仍然需要知道它的主要风险、谁拥有它们,以及它所依赖的控制是否起作用。坚持繁重批准的风险职能,仍然需要证据,说明其控制降低了伤害,而不是单纯拖慢了人。本主题给出两者的度量,并建立在关于安全和审计的相邻主题所述的实践之上(见主题 8.1,安全事件与漏洞指标,以及主题 8.3,合规与审计指标)。

有四个术语反复出现。

  • 风险:一个不确定的事件或状况,如果发生,会影响目标。它有原因、事件和后果,以及通常是估计而非已知的可能性和影响。
  • 风险登记册:已识别风险的清单,附负责人、评级和应对措施。风险登记册当它是最新的并被阅读时,是工作工具,当不是时,则是合规的制品。
  • 控制:降低风险的行动或机制,比如评审、自动化测试、批准、职责分离或监控告警。一个组织所依赖的这套控制,就是它的内部控制体系。
  • 关键风险指标(KRI):在损失发生之前,发出风险水平变化信号的度量。关键风险指标当它领先于事件、并且有人据此行动时,才是有用的。

风险量化有著名的弱点。风险矩阵把可能性对影响绘制在一个彩色单元格的网格上,被广泛使用,也被广泛批评:评级是主观的,不同的风险可能因不同的原因落在同一个单元格,而把序数分数相乘的算术没有牢固的基础。罕见而严重的事件,有时通过黑天鹅理论来描述,特别难以评级。诚实的回应是,把矩阵用作对话的辅助,显示范围,并用关于控制和事件的证据来支持它。三道防线框架,把拥有风险的团队、监督风险的团队和独立保证区分开来,为角色提供了结构,当第一道防线,也就是交付和运维团队,真正拥有自己的风险时,它效果最好。

古德哈特定律的护栏以一种特定的方式适用于风险报告。当红色评级招来审视时,人们把风险评为琥珀色。当关闭的风险被视为成功时,人们不经处理就关闭风险(见主题 1.2,古德哈特定律与指标心理学)。

关键原则

  • 让登记册保持简短且最新。少数几个有良好负责人、并得到评审的风险,胜过数百个没有的。
  • 让第一道防线拥有自己的风险。最贴近工作的人最了解它。
  • 测试你所依赖的控制。从未被测试的控制只是希望。
  • 偏好有人据此行动的领先指标。没有响应计划的指标只是装饰。
  • 显示范围和证据,而不是虚假的精确。评级是估计。
  • 通过让变更小而可逆来降低风险。附快速回滚的持续交付是一种控制。
  • 谈论风险而不责备。诚实的报告是整个实践的原材料。

指标定义

指标 定义 公式 单位 数据来源 ITIL 实践 敏捷对应 频率
风险评审时效 在约定间隔内由其负责人评审过的打开风险占比 在间隔内被评审的风险数 / 打开的风险数 百分比 风险登记册的评审日期 风险管理;持续改进 在计划和评审交谈中评审风险 每月
负责人覆盖率 有已接受所有权的、具名且当前的负责人的打开风险占比 有经确认的当前负责人的风险数 / 打开的风险数 百分比 与人员目录连接的风险登记册 风险管理 待办上由团队拥有的风险 每月
控制测试覆盖率 在要求的周期内被测试运行情况的关键控制占比 在周期内被测试的关键控制数 / 关键控制数 百分比 控制登记册和测试记录 风险管理;信息安全管理 流水线中的自动化检查 每季度
控制有效率 被发现按设计运行的、受测试控制的占比 被发现有效的控制数 / 被测试的控制数 百分比 测试结果 风险管理;持续改进 因正确的原因而通过的自动化测试 每季度
KRI 突破响应时间 从关键风险指标越过其阈值到记录决定的时间 从突破到决定的小时数或天数的中位数和第 85 百分位数 小时或天 KRI 监控和决定日志 风险管理;监控与事件管理 对生产信号的反应 每月
处理计划及时性 在承诺日期之前完成的风险处理占比 按日期完成的处理数 / 该期间到期的处理数 百分比 风险登记册和行动跟踪器 风险管理;持续改进 已交付的改进行动 每季度
基于风险的变更占比 通过基于风险的路径、附有控制证据而获批的变更占比 通过基于风险的路径并附必需证据而获批的变更数 / 该期间的变更数 百分比 变更记录 变更赋能;风险管理 带自动化检查持续交付的变更 每月

在登记册中定义评审间隔和关键控制清单。只有当测试检查的是运行的证据,而不仅仅是设计时,控制才算"被测试"。KRI 的时钟在指标越过阈值时启动,由监控系统记录,并在写下来的决定处停止,这个决定可以是行动、接受,或更改阈值。只有在有记录的关闭决定之后,才把正在退役的风险从分母中排除。

建议

保持风险对话鲜活

1. 让登记册保持简短,并用标准形式撰写每个风险。使用"由于[原因],可能发生[事件],导致[后果]"形式的句子。把登记册限于会改变一项决定或一份计划的风险。合并重复项,拆分含糊的,让已经过去的风险退役。人们讨论的几十个风险的清单,比无人阅读的一千个更有价值。

2. 把每个风险指派给能行动的负责人。负责人是对应对措施有权限的人,通常在交付或运维团队,而不是风险职能。与此人确认所有权,并在人们更换角色时评审它。负责人覆盖率度量这一点,无主的风险是一项发现。

3. 在已经发生的对话中评审风险。在计划、评审和事件评审中提出排前的风险,而不是另开一场会议。关于如何变得更有效而定期反思的敏捷习惯,是"接下来什么会伤害我们?"这一问题的天然归宿。把结果记录在登记册中。

4. 把评级与证据和范围配对。对每个重要风险,记录是什么使你认为它可能或严重:事件、未遂事件、测试结果、供应商的历史。在可能之处给出可能性和影响的范围,并说明你有多不确定。不要把序数分数合并成单一数字,再把它当作度量。如果你使用矩阵,就用它来开启讨论(见主题 1.6,服务指标的统计素养)。

测试控制

5. 点名关键控制以及各自的用途。对每个主要风险,列出你所依赖的少数几项控制,以及每一项失败时会是什么样子。列出数百项次要活动的控制登记册,会隐藏重要的那些。包括流水线中的自动化控制,比如测试、政策检查和批准关卡。

6. 测试运行,而不只是设计。设计评审问的是,如果被运行,该控制是否会起作用。运行测试问的是,在这段期间它是否被运行并起了作用,通过检查证据的样本来回答。按与风险相符的周期安排测试,记录结果,并跟进失败。在可能之处将证据自动化,使测试持续进行。

7. 把控制的失败视为信息。失败的测试,是控制系统在起作用。记录失败,问为什么,并修复原因。控制有效率应当连同跟进一起阅读:被迅速发现并修复的失败,比来自薄弱测试的完美比率更健康。

8. 在有增值之处使用独立保证。内部审计或独立评审者可以测试第一道防线所拥有、第二道防线所监督的控制。独立性防止给自己的工作打分。协调好,使团队不被三个小组就同一件事测试。

良好地使用指标和决定

9. 为每个主要风险选择少数几个领先指标。关键风险指标应当度量成本低、与原因相联,并配有阈值和响应。例如,最老的关键漏洞的年龄,预示安全风险,需要紧急处理的变更占比,预示变更风险。定义谁看这个指标,以及他们在阈值处会做什么(见主题 8.1,安全事件与漏洞指标)。

10. 在每次突破时记录决定。当指标越过阈值时,有人作出决定:行动、接受,或调整阈值。写下决定和理由。这建立起一份历史,显示阈值设得是否恰当、响应是否及时。

11. 让基于风险的批准成为变更的默认。在持续交付的环境中,用基于风险的路径取代一刀切的批准委员会:对低风险的标准变更使用自动化检查和同行评审,对少数高风险变更使用更充分的评审(见主题 4.3,变更赋能指标)。附上控制已运行的证据。这同时降低风险和延迟,因为带自动化证据的小变更,比带签字的大变更更安全。

12. 从损失和未遂事件中学习。在事件和险情之后,更新登记册:风险是否存在,评级是否良好,控制是否起作用?用答案改进两者。事件与登记册之间的回路,使登记册保持诚实(见主题 4.2,事后复盘与学习指标)。

操纵途径与护栏

指标 被操纵的方式 配套的护栏指标或实践
风险评审时效 不经讨论就把风险标为已评审;更改间隔 抽样评审的实质内容;登记册中固定的间隔
负责人覆盖率 在不让其知情的情况下指派负责人;点名一位没有权限的高层人员 负责人确认;检查负责人能否对应对措施采取行动
控制测试覆盖率 测试容易的控制;把设计评审算作运行测试 关键控制清单由第二方固定;记录测试类型
控制有效率 测试小样本;选择能通过的样本 独立于负责人的抽样方法;记录样本量
KRI 突破响应时间 在突破之后更改阈值;记录一个没有内容的决定 阈值变更日志;决定内容抽样
处理计划及时性 设定容易的日期;重新定义完成 批准时与负责人约定日期;检查风险评级是否移动
基于风险的变更占比 把变更归为低风险以避免评审;附上并非由控制产生的证据 对照规则抽样分类;来自流水线的自动化证据

健康的读数是:一份人们争论的简短登记册、了解自己风险的负责人、测试中发现并修复了一些失败的控制、引导真实决定的指标,以及对小变更更少的繁重批准。

权衡:利弊

做法 优势 劣势
风险矩阵 快速、直观、对话的起点 主观;虚假的精确;序数算术
量化的范围 对不确定性更诚实 需要数据和技能;工作量大
繁重的批准委员会 控制可见 缓慢;鼓励变更合批
基于风险的自动化检查 快速而一致 需要工程;自动化检查可能出错
中央风险职能拥有风险 一致 远离工作;负责人不投入
第一道防线的所有权 知识和问责 质量不一;需要监督
周期性的控制测试 对稳定的控制有效率 漏掉两次测试之间的漂移
持续的控制监控 及时的证据 工具方面的工作量;噪声

文字化的答案是,把所有权放在团队,应用轻量的中央监督和独立测试,在可能之处将证据自动化,并把评级用作对话的提示。

与团队讨论的问题

1. 未来一年最可能伤害这项服务的三个风险是什么?各归谁所有? 请每位成员私下写下三个风险,然后比较。重叠和差异都有信息量。主持人应记录谁会对每个风险采取行动。约定排前的三个并确认负责人。

2. 我们最依赖哪项控制?我们上次检查它是否有效是什么时候? 挑一项控制,比如一条代码评审规则、一次备份或一个批准步骤。追溯上一次检查其运行证据是什么时候。如果无人知道,就计划一次测试。交谈显示设计与运行之间的差别。

3. 什么会让我们把评级从琥珀色改为红色?谁会注意到? 讨论指标和阈值。问团队是否曾为避免关注而下调评级,是什么压力造成的。约定什么证据可以证明变更是合理的,以及如何使"红色"成为可以安全说出口的话。

4. 哪些批准拖慢了我们的变更却没有降低风险? 列出一个典型变更所需的批准,并对每一个问它处理什么风险、是否曾阻止过一项变更。提议用一项自动化检查取代其中之一。约定什么证据可以显示变更是安全的。

5. 当一项控制失败时,我们是怎么发现的?我们做了什么? 回想一次近期的失败。是通过测试、事件,还是审计员发现的?讨论更强的回路是什么样子。包括发现它的人是如何被对待的。

6. 我们接受了哪些风险?我们何时评审这一决定? 列出被接受的风险和评审日期。检查每一个都有负责人和理由。没有评审日期的被接受风险,是无人监视的风险。

四种视角

产品与交付团队

交付团队拥有大部分运营风险。他们应当维护一份自己风险的简短清单,在计划和评审中讨论它们,并把控制构建进流水线,使证据自动产生。他们受益于让低风险变更顺畅流动的、基于风险的变更路径,并应当诚实地说出可能出什么错。

服务与运维团队

运维团队运行各项控制:备份、监控、访问评审和恢复测试。他们应当保存运行的证据,按常规周期测试控制,并及早提出指标突破。他们承担繁重控制的代价,应当说出哪些增加的价值很少。

领导层与治理

领导层设定风险偏好,并决定可接受多少摩擦。他们应当要一份附负责人和证据的、排前的风险简短清单,欢迎红色评级,为控制测试出资,并支持独立保证。治理应当检查登记册是否反映了事件和未遂事件,并且不奖励看起来整齐的报告。

客户与用户

用户承担风险成真的后果,而且往往比登记册更早知道。他们应当有办法提出关切,并在保密的限度内被告知影响他们的风险。他们对事件和变更的体验,是风险评审的证据。

实践:一个敏捷 ITIL 示例

一家国家能源公用事业公司的数字小组运行客户计费、一个移动应用,以及与电网运营的集成。以下数字是示意数字。

该小组的风险登记册有 340 个条目,上次清理是三年前。风险评审时效为 22%,有 61 个风险的负责人已经离职。矩阵显示有 85 个风险为红色,却无人阅读报告。新任服务保证负责人提议重置。她与交付团队一起,把登记册削减到会改变一项决定的风险,最终剩下 38 个。她把每个风险指派给能行动的团队中指名的负责人,他们予以确认。她选择 12 项关键控制,对每一项测试运行情况,而不是评审设计。五项失败了:两次备份恢复从未被测试,一次访问评审被跳过,两项变更批准在没有测试证据的情况下就被签字。

团队修复了这些失败,并用基于风险的路径取代了针对标准变更的变更批准委员会。自动化测试和同行评审是控制,流水线把证据附到变更记录上。每个主要风险获得一两个带阈值和响应的领先指标。对长时间计费中断的风险,指标是最老的关键漏洞的年龄和该季度失败的备份恢复次数。第一个季度显示,负责人确认了全部 38 个风险,评审时效为 91%,控制有效率首次测试为 12 项中的 7 项,修复后为 12 项中的 12 项,KRI 突破响应时间中位数为 2 天。通过基于风险的路径的变更占比为 64%。

首席风险官要求在一年内把红色风险的数量减半。服务保证负责人提议改为跟踪处理计划及时性和控制有效率,并解释说,红色风险的计数可以通过重新评级而下降,她宁愿看到诚实的红色评级。该决定被记录下来,下个季度的报告包括每次下调背后的抽样决定。

行业视角

初创企业。风险主要是资金耗尽、失去关键人员和重大中断。保留一份前五名的一页纸清单,每月评审,并测试备份和恢复。从一开始就把控制构建进流水线,因为这比事后补装更便宜。

小型企业。少数几个风险占主导:对关键人员的依赖、单一供应商、勒索软件和数据丢失。保留一份附负责人的简短清单,测试恢复,并保持保险和联系信息最新。抵制繁重的框架,只借用其中适合的部分。

大型企业。规模要求通用的分类法、轻量的登记册工具,以及实践中的三道防线。让第一道防线拥有自己的风险,让第二道防线保持小巧而偏顾问性质,并使独立测试高效。避免审计、风险和合规之间重复的测试。

政府与公共部门。风险管理往往是一项正式的职责,有标准框架、审计委员会和公开报告。与要求的框架对齐,记录风险偏好声明,并保存证据。公共问责使诚实的红色评级更有价值,也更难(见主题 8.5,受监管与政府报告)。

商业论证:动机、投资回报与总拥有成本

成本是负责人评审风险的时间、定义和测试关键控制的工作量、(如果尚无)用于登记册和指标监控的工具,以及独立保证的成本。将证据收集自动化需要工程工作量,之后会降低经常性成本。

回报是更少的意外、更快更轻的变更批准,以及更可信的保证。精简的登记册和基于风险的变更路径,节省了大型批准机构所消耗的时间。在事件之前发现的控制测试失败,防止了难以定价的损失。用你自己的数据建立论证:之前与之后每次变更批准所花的时间、通过测试发现的与通过事件或审计员发现的控制失败的数量,以及某项控制本可防止的过往事件的成本。避免引用没有可追溯来源和方法的行业损失统计。

反模式与陷阱

  • 永远增长的登记册。无人阅读它。把它修剪到重要的风险。
  • 没有证据的评级。它们是上了颜色的意见。附上证据和范围。
  • 只有名义上的负责人。风险落在无法行动的人身上。与合适的人确认所有权。
  • 测试设计却称之为保证。可能起作用的控制未必起了作用。测试运行。
  • 只报告红色风险的计数。计数会因重新评级而下降。查看处理和控制结果。
  • 对每个变更都设批准委员会。它们拖慢小变更并教会合批。使用基于风险的路径。
  • 惩罚红色评级。风险随即被隐藏。奖励早期预警。
  • 风险文化与交付文化分离。对团队而不是与团队一起做的风险工作,产生合规作秀。

成熟度模型

维度 1 起步 2 发展 3 标准化 4 管理 5 协同
登记册与所有权 冗长、陈旧的清单 存在登记册,部分有负责人 简短的登记册,有经确认的第一道防线负责人和评审日期 在团队交谈中评审;附上证据和范围 风险在团队和供应商之间共享,附共同负责人
控制 假定有效 记录了设计 点名关键控制;按周期做运行测试 跟进失败;在可能之处将证据自动化 在人类监督和独立保证下的持续控制监控
决定与变更 委员会批准 部分标准变更预先批准 附证据的、基于风险的路径 带阈值和记录决定的指标;依据结果调整路径 风险决定被嵌入整个组织和供应链的流水线

检查清单

  • 登记册简短,风险以原因、事件和后果的形式撰写。
  • 每个风险都有经确认的、能行动的第一道防线负责人。
  • 在团队的常规交谈中评审风险。
  • 点名关键控制,并按说明的周期测试其运行。
  • 记录、解释并修复控制失败。
  • 每个主要风险有一两个带阈值和响应的领先指标。
  • 记录指标突破时的决定。
  • 存在基于风险的变更路径,在可能之处自动附上证据。
  • 被接受的风险有负责人、理由和评审日期。
  • 事件和未遂事件更新登记册。

AI 提示词

以标准形式重写风险。

这是我们风险登记册中的[数量]个条目:[粘贴,已去除敏感细节]。请把每个按"由于[原因],可能
发生[事件],导致[后果]"的形式重写。标出含糊的、重复的,或实际上已经发生的问题。建议哪些
可以合并或退役。不要给它们评级。列出你的假设,以及应当与负责人确认的事项。

设计一次控制测试。

对于控制[描述,例如计费系统的季度访问评审],请设计一次运行测试。包括要检查什么证据、
如何无偏差地选择样本、什么算通过或失败、如何记录结果,以及随时间如何将证据收集自动化。
不要假定具体的工具。列出你的假设和测试设计中的风险。

为一个风险提出领先指标。

风险:[以原因、事件、后果的形式描述]。请提出最多三个度量成本低、并与原因相联的领先指标,
附上阈值突破时建议的响应,以及每个指标可能误导的方式。不要编造阈值;请描述我们应如何
依据自己的数据校准它们。列出你的假设。

评审变更批准流程。

我们针对[变更类型]的变更批准流程是:[描述步骤、批准人和典型延迟]。请找出增加延迟却没有
降低风险的步骤,提出带自动化检查和证据的、基于风险的替代方案,并说明我们应当度量什么
来了解风险是上升还是下降。不要声称研究结果。列出你的假设,以及需要领导层输入的决定。

AI 技能

关键要点

  • 让风险登记册保持简短,由能行动的团队拥有,并在已有的交谈中评审。
  • 测试关键控制是否运行,把失败视为有用的信息,并将证据自动化。
  • 使用少数几个带阈值、响应和记录决定的领先指标。
  • 用附自动化证据的、基于风险的变更路径,取代一刀切的批准。
  • 显示范围和证据,而不是虚假的精确,并把矩阵用来开启对话。
  • 让红色评级可以安全地给出,并从损失和未遂事件中学习。

参考文献与延伸阅读

  1. ISO 31000, Risk management: Guidelines, International Organization for Standardization.
  2. Committee of Sponsoring Organizations of the Treadway Commission, Enterprise Risk Management: Integrating with Strategy and Performance, 2017.
  3. Hubbard, D. W., The Failure of Risk Management: Why It's Broken and How to Fix It, 2nd ed., Wiley, 2020.
  4. Cox, L. A., "What's wrong with risk matrices?" Risk Analysis, 28(2), 2008.
  5. Taleb, N. N., The Black Swan: The Impact of the Highly Improbable, Random House, 2007.
  6. Forsgren, N., Humble, J., and Kim, G., Accelerate: The Science of Lean Software and DevOps, IT Revolution, 2018.
  7. Beck, K., et al., Principles behind the Agile Manifesto, 2001, https://agilemanifesto.org/principles.html.
  8. Wikipedia, Risk management.
  9. Wikipedia, Risk register.
  10. Wikipedia, Internal control.
  11. Wikipedia, Key risk indicator.
  12. Wikipedia, Risk matrix.
  13. Wikipedia, Black swan theory.
  14. Wikipedia, Goodhart's law.