TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.6, Jun e  201 4, pp. 4617 ~ 4 6 2 3   DOI: 10.115 9 1 /telkomni ka. v 12i6.543 8          4617     Re cei v ed  De cem ber 2 9 , 2013; Re vi sed  F ebruary 28,  2014; Accept ed March 1 5 , 2014   A New Statistical Mod e l to Estimate Information System  Contingency Budget      J u n w ei Z e ng* 1 , Fajie Wei 1 , Haitao Xiong 2 , An y i ng Liu 1   1 School of Eco nomics a nd Ma nag ement, Bei han g Univ ersit y ,   Beiji ng 1 0 0 191 , China   2 School of Co mputer an d Informatio n  Engi n eeri ng,  Beij in g T e chnolog y  an d Busin e ss Uni v ersit y ,    Beiji ng 1 0 0 048 , China   *Corres p o ndi n g  author, e-ma i l : zengj un w e i@ ye ah.n e t      A b st r a ct   Development  of an  infor m ation system   is a c o mple x pr oces s, which ex pos e to  a  great  num b er  of   risks.Henc e, the high failure r a tes  long ass o ciated with  inform ation system   projects, despite  adv ances  in  techni qu es for infor m atio n techn o lo gy dev elo p m ent, sug gest that org a n i z a t i ons n eed  to impr ove th e i r   abil i ty to identif y and to mana ge assoc i ate d  risks. To  impro v e the risk ma nag e m ent i n  in formati on syst e m   deve l op ment p r ojects, a pra g m atic  proce dur e is sug geste d to deter min e  th e si z e  of a pr oj ect' s conting e n c y   pla n  b u d get  at any  spec ifie d  level   of c e rtai n t y. Consi deri n g  the  intera ction am ong r i sk factors, a  m e thod  base d  on c o mmo n  risk factor s and co pu la f unctio n s is  us ed to  mo del  a nd q uantify p o s itive de pe nd e n ce  betw een risks.      Ke y w ords :   infor m ati on ex traction, copu l a , informatio n   system deve l op me nt projec t, contingency  pla n   bud get, risk de pen de ncy       Copy right  ©  201 4 In stitu t e  o f  Ad van ced  En g i n eerin g an d  Scien ce. All righ ts reser ved .       1. Introduc tion  Even before  the wide sp re ad use  of “the mythical m an-m onth”  [1] ,  information  system  (IS) p r oje c t failure  was  de scribe d a s  a   co mm on  p h e nomen on an d  many devel opment proj e c ts  did n o t a c hie v e previously  co st,  schedu le, and  pe rformance  goal s. It ha s b een  continuin g  to t h e   pre s ent. Ove r  last three  decade s, the r e ha s b een  con s ide r a b l e  intere st in  explorin g a n d   explaining th e rea s o n s fo r the abno rma l  high failure rates. Ma cF a r lan p o ints o u t that failure  to   asse ss  indivi dual proj ect ri sk  is  a majo r sou r ce  of  the  IS develop m ent p r oble m  [ 2 ]. Then, m a n y   resea r chers,  therefo r e, try  to identify th e vario u s ri sks a s so ciated  with the IS  d e velopme n t [3].  Jian g et al. argue that  the high failure rates  asso ciated  with IS projects  sugg est  tha t   orga nization s need  to im prove  not o n ly their  a b il ity to identify, but also  to mana ge t h e   asso ciated ri sks [4]. Also, Project ma nagem ent re sea r che r s  state that risks in informat ion   system  devel opment  proje c ts are  key f a ctors affecti ng p r oj ect  su ccess [5].  Fo r exam ple,  Di llon  et al. sho w   the impo rtan ce of ri sk m anag em ent  and  conting e n cy re se rve s  for su cce s sfu l   developm ent  of p r oje c ts in  com p lex  and  un ce rt ain e n viron m ent [6]. Tha t  re sea r ch a l so  recogni ze s th e ch alleng es  of managi ng  these  re se rve s .  More  and more re sea r ches reveal  th at,  to mana ge t he in herent risks  asso ciat ed  with  dyna mic e n viron m ents  and  u n ce rtaintie s  (e.g.  requi rem ent chang es in IS proje c ts), eno ugh re so urce s sh ould b e  a ssi gne d to project s  [7-9].   A co ntingen cy plan i s   de si gned  for the i dentif ied  un certainty, which me ans that  peo ple  can have a relatively controllabl e environmental  se tting. This feat ure is very m eanin g ful for the  IS developme n t proje c ts  be cau s e m o st o f  t he cha nge s can  be p r edi ctable  and  project ma nag e r s  have a  lots  of alternative tech nolo g ical tool s to  redu ce  or co nstrai nt the  i m pact  of tho s e  predi ctabl e chang es. Som e  proj ect ma nage rs t r y  to use a fixed  determi nistic percenta ge  of   proje c t bud g e t to capture  and quantif y the degree   of confiden ce that the continge ncy pl an   sho u ld cover.  Toura n  critici z e s  the use o f  this appro a ch [10].  Budgeting fo r proj ect  conti ngen cy pla n , an efficie n t way to re serve  re sou r ces, h a s b e e n   studie d  by scholars [10 - 12 ]. Rece ntly, Khamoo shi  an d Cioffi pro p o s e a p r ag mat i c procedu re  to   determi ne the size of co n t ingen cy plan  budget fo r a  proje c t, a progra m s, or a  system at any  spe c ified  lev e l of  ce rtaint y confid en ce  [8]. T hat m e thod, li ke  many oth e r  risk ma nage ment  approa che s , con s id ers ri sk s as in dep en dent events.   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4617 – 4 623   4618 Ho wever, K w an an d Le un g argue th at hypothe sis i s  cou n terint uitive as it i s  mo re li kely  that one  ri sk  woul d imp a ct  anthe r  risks  [13]. This  is reasona ble, e s pe cia lly i n  ri sk ma nage m ent  of IS develo p ment  proj ects. So, the  indep ende nce   assu mption  betwe en  th e s e ri sks ca n   be  spe c io us [1 4 ]. The long -standi ng i s sue of  de pen den ce b e twe en ri sks  ha s re cently be en  discu s sed  i n  proje c t risk  a nalysi s  [15-1 7 ]. These re searche s  un a n imou sly model depe nde nce   usin g the co p u la app roa c h  [18, 19].  In this re se arch, the   comb ination  of ri sk   tole ra nce  a nd statistical depe nden ce  will  b e   analyzed a n d  then b e  u s e d  to allo cate t he conting e n c y plan  bud g e t in IS devel opment  proj e c ts.  A applied  proce dure is propo sed to  m anag e the  co ntingen cy pla n  bud get of I S  developm e n t  proje c ts, co nsid erin g  de pend en cies among ri sk events in  IS projects. The pro c e dure   demon strates ho w to fo rm ulate a  proje c t contin g e n cy plan a nd t o  allo cate  co ntingen cy pla n   budg et for risks d e fined ov er the duratio n of an  IS de velopment project. Taki ng  the cou p ling  of  blocks in  a i n formatio n  system into  a c count, th e  copula  is intro duced to  mo del relation ship  betwe en d e p ende nt risks t o  ma ke the  e s timation m o re practi cal. T he Mo nte Ca rlo meth od s  are   also u s e d  in the cal c ul ation  of t he joint distributio n of ri sk eve n ts.   In the re st of this pap er, a statistical   depen den ce  model for I S  proje c ts i s  firstly  descri bed. A nd then,  a framewor k that  enable p r oje c t mana gers  to work bette r with inevita b le   risks in p r oj ects is presente d . T he last se ction is the  co nclu sio n .      2. A Statis tic a l Depen d en ce Model for  Information  Sy stem  2.1. Method s  Curren t ly  U sed   Cioffi et al. [2 0] present a tool that helps  manage rs to deal with “ta c tical ri sks” which a r e   defined i n  [21 ]. Given a sp ecified l e vel o f  certai nty, e.g. 99\%, their pra g matic proce dure  can  be  use d  to  determine the  si ze  of a  proj ect' s risk  co ntinge ncy b udg et. Acco rdi ng to   their d e scripti on,  the key ideal  of the pro c ed ure  can b e  summari ze d a s : use  binomi a l distri bution  to estimate the   prob ability of occurre n ce of any spe c ific  numbe r of ri sk events h a p penin g  and th en cal c ul ate the   size of the potential dam age co rrespo nding with a   given confid ence level. More  spe c ifically,  con s id erin g e a ch i ndividu al risk eve n t m a y or may  no t occur, p eopl e ca n represent all po ssib le  scena rio s  by  combi nation s  of these in dividual ri sk events. Finall y , they sugg est two diffe rent  ran k ing  sche mes, sortin g  risk event s  by their  imp a cts  or thei r expecte d value s , to set  the   contin gen cy plan bu dget.   They a s sume  that e a ch ri sk eve n t i s  tot a lly  inde pen d ent of th e oth e r  risk event s and  the  increa se i n  i m pact  be cau s e  of po ssibl e  compo undi ng effe cts  co uld b e  in clu d ed by  agg reg a ting   con n e c ted, subsequ ent i m pact s  into f e we r, la rge i m pact s . So,  the variabl es that sho u ld  be  con s id ere d  are the total number of po ssi b le risk  event s, the averag e risk  proba bi lity,  the numb e r  of risk eve n ts that will o ccur, the give n  conf id en ce le vel of any sp ecific  ri sk  out come,  and th e   impact of the  risk events.    Although extremely novel proje c ts fa ce  risk ev e n ts f a r out in the tails of a pro bability  distrib u tion, they point o u t  t hat most  orga nization s do not fa ce  these  risk  events o n  m o st  proje c ts  and  work o n  proje c ts o n ly slight ly differ ent fro m  the one s th ey worke d  on  before. Thi s  i s   esp e ci ally true for IS development proj ects. Fo r  mo st of the IT compani es, co de reu s e i s  ver y   popul ar. In some large co mpanie s , alm o st all ne w in formation  systems are dev elope d by usi n g   the existing software a r chit ects a nd/or   software d e vel opment platfo rms.    The probabilit y of occurrence  of  each  risk event as well as   its  im pact can be estimated  by many ri sk  manag eme n t pro c ed ures.  These e s tima tion pro c e d u r es a r e  com m on practi ce a nd  the results are often given as point esti mates.  Peopl e also can ca lculate the ex pecte d value of  the loss by m u ltiply the pro bability and t he lo ss  (u s u a lly written a s ,  [22]). Both “P ” an d “I”  are  the   basi c  inp u ts  of the pro c ed ure an d the a c cura cy is lo w be cau s e g ood ri sk mod e ls an d ha rd  data  are rarely ava ilable.   Then, [20] try  to use  statist i c metho d s to  make  app rox i mation of an  averag e o c cu rre nce   prob ability of risks after th ey sho w ing t he pro bab ility  of occu rren ce of m any risk events at t h e   same  time i s  low. O n ly after g e tting tha t, can the  bin o mial di strib u t ion be  used  to estimate  the  numbe r of risks that can o c cur at  any gi ven confid en ce level.   There are two main drawbacks to get the  accuracy  and relia ble  result s by u s ing the   above proced ure in the IS developm ent proje c ts:   (1) A critical  assumption  in [20], the i ndep ende nce  betwee n  ri sk events  whi c h is a   comm on p r a c tice  of current ri sk  man ageme n t app roa c he s, i s  d i scusse d by  more  and  m o re  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     A New Statist i cal Mod e l to Estim a te Info rm ation Syste m  Contingen cy Bud get (Ju n wei Ze ng )  4619 resea r che s . Among the s e re sea r che r s, [17] state s  that it is intuitively obvious th at the   assumptio n  is highly suspect for m a ny large  p r o j ects  whi c h  may contai n  multiple si milar  activities o r   several diffe re nt kind s of  a c tiviti es that  can  be influ e n ce d by com m on ri sk fact ors.  [13] arg u e s  th at the assu m p tion is   co unt erintuitive be cau s e it i s  mo re li kely that risks in  one  area  woul d impa ct risks in a noth e r area.   (2) Althoug h  it is m u ch e a s ier to  estim a te the  prob ability of o c curren ce  and   damag e  sep a rately, th e limitation of  the stati c  e s timati on (m ost of the, point  estimate s) o f  damag e/loss  can n o t be ignore d  be cau s e the cal c ulat ion of t he potential dama g e  is ba sed on  the value from  risk id entifica t ion an d q u a n tification. In  pra c tice, th e dam age  caused  by ri sk eve n ts  ca n  be  several different levels of severity  with different occu rrence pro babil i ty.  In the  belo w   sub s e c tion,  a  statisti cal  de pend en ce m odel i s   propo sed  to  deal   with the   first d r a w ba ck a nd a  ne w  pro c ed ure wil l  be d e scribe d  in n e xt se ction to ove r come the  second   dra w ba ck.    2.2. A Copul a-ba sed Sta t istical Dep e ndenc e Mod e l  The imp o rta n t  of relaxing  the ind epe nd ent assu mpti on ha s  bee n  clea rly re co g n ize d  by  s c h o l ar s . Th e   c o pu la  ap p r oa c h  is  us ed  to  s o lve   thi s  i s sue by m a n y  research ers [15-1 7 ], [23]. A  cop u la i s  a f unctio n  that l i nks the ma rginal di strib u tions to th e j o int distri buti on, whi c h i s   a   statistical con c ept that rela tes ra ndo m variabl es .  Ref e ren c e [1 7] d i scusse s a  si mulation -ba s ed   model to qua ntify positive  depe nden ce  betwe en un certai nty distri bution s  of activities in a project   netwo rk.T heir model can p r ovide a le ss cumb ersom e  method to  elicit dep end ency info rmat ion  from expe rts.Their  re sea r ch i s  u s eful  in  un ce rtain t y analysis  whe r e d epe n den ce b e twe en  rand om va ria b les  with  a b ound ed  sup p o rt is pr esent  due to  co m m on fa ctors.  Later, [16]  p u ts   forwa r d  a mo del for b u ildin g statisti cal d epen den ce  b e twee n ma rgi nal di stributio n.Wu et al. [2 3]  employ multivariate copul a to model  the depe nden ce  among  risk fa ctors.   The  co re i d e a  of u s in g  copula  metho d  to  cop e   wit h  de pen den cy is th e p r o c edure to  cal c ulate the  multivariate  distributio ns betwe e n  subsets of u n ce rtainty distributio ns.After  analyzi ng the  methods to d eal with two e x tremes  cau s ed by assumi ng the margi n al distrib u tions   to be  sp ecifie d sepa rately,  the multivari a te ca n b e   co nstru c ted  by  an inte rme d ia te metho d . T he  method a s sumes in dep ende nce betwee n  margi nal distri buti ons a nd all o ws to use  joint  distrib u tion s f o r  sub s et s of  un certai nty distrib u t i on s whi c h sha r e  comm on ris k  f a ct or s.   A c t u ally ,  the ideal of latent variabl e model s ha s bee n  used  when  spe c if ying the inde pend en ce ([2 4 ,  25]).Peopl e can use many skill s,  e.g. bra i nstorming  se ssi on s, to  identify the common ri sk fa ctors  in a spe c ific proje c t. The depen den ce diagrams  can al so be  introdu ced i n to proje c t risk  analysi s .Con side ring the  constructio n  of a rank  co rrel a tion by proje c t expert s  is i m pra c tical.   The  Diag onal  Band  dist rib u tion introdu ced by  [2 6] is  sug g e s ted to  be  used u n d e r thi s   environ ment  [17]. A bivariate Diag ona l Band dist ri bution  (, ) D UV  of two unifo rm  on [0,1]  distrib u ted ra ndom  va ria b l e s U and  V is  sh o w n i n  Fig u re  1. To m odel  the  statistical  depe nden ce  betwe en  risk events i n  a  spe c ific  proje c t, a multiv ariate dist ributi on of  risk ev ents n eed  to  be  modele d . A copula - ba se d statistical dep ende nce mod e l is pro p o s e d  in this pap e r .            Figure 1. A Model for Statistical De pen de nce  of Risks d ue to Comm on Ri sk F a cto r s      Figure 2. A Diagon al Band  Distri bution S een  from Above [17]  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4617 – 4 623   4620 In Figure1,  Ri sk i is u s ed  to de note a  spe c if ic ri sk event  who s e  potent ial loss follo ws  some  kind s o f  distribution  and  j F actor  repre s e n ts a com m o n  factor that can imp a ct o n  several   risk events in  a IS development proj ect.   To e s timate  the p o tential l o ss of  a IS  project, a  multi v ariate j o int d i stributio n,  0 () F , can  be sp ecifie d betwe en 12 3 4 ,, , R isk R i s k R isk R isk and  5 R isk .In most ca se, the margi nal distri butio ns,  denote d  by () i ri FR i s k ,of 12 3 4 ,, , R isk R i s k R isk R isk  and  5 R isk  a r e  available  (from  estimation  of  project   engin eers  an d expe rts). B y  introdu cin g   new comm o n  influential  fa ctors  (co mmo n ri sk fact ors  or   so-call ed lat ent variabl es), the inde p ende nt com m on ri sk factor  1 F actor and 2 F actor  (whose   margi nal di stribution can b e  denote d  by () j f j FF a c t o r ), joint dis t ribution of five ris k  events ,  0 () F ,  can b e  simplif ied.  It can be  rep r ese n ted by th e pro d u c t of two ind epe nd ent distri butio n 12 3 1 2 3 (, , ) F Ri sk Ri sk Ri sk   whi c h me an s the joint di stribution fo r  12 3 ,, R isk R isk R i s k and 4 545 (, ) F Risk Risk whi c h me ans th e joint  distrib u tion f o r  4 R isk  and 5 R isk .So, to get the t w o joi n t di stribution s ,  12 3 1 2 3 (, , ) F Ri sk Ri sk Ri sk and 4 545 (, ) F Risk Risk , the joint distributio n bet wee n   j F actor  and  i R isk  (j=1, i = 1, 2, 3 or j=2, i=4 ,  5)  sho u ld be sp ecified. The   condition al  in d epen den ce   can b e  u s e d  t o  si mplify the  joint  distri but ion  to a  com b inat ion of  seve ral  bivariate  di st ribution s  [1 6]. According  to  the d e finition  of  copul a, th e   joint distrib u tion betwe en  j F ac tor  and  i R isk  su ch as 1 F actor and  1 R isk ca n be u n iquely dete r mined   by its associ a t ed cop u la.   In Figu re  2,  the DB  copul a, (, ) D UV , is a  biva riate Di ago nal  Band  di strib u tion of t w o  uniform  on  [0, 1] di strib u t ed rando m  variable s   ( U an d V ) with one  para m eter  ( ).  The  DB  cop u la  can  be u s ed to  descri be the  relation shi p s of ri sk ev ents in  Figu re 2. Un ce rta i nty  informatio n  can  be  elici t ed and  the  margi nal  cumulative di stributio n fu nction  of j F ac tor ,  () j f j F Fact or  and the  ma rginal di strib u tion fun c tion  of i Risk ,  () i ri F Ri sk also can  be  figu red o u t. () j f j F Fact or and  () i ri F Ri sk contain  all informatio n on the ma rg inal distri b u tion.  From stand ard   distrib u tion th eory, all marginal dist ribut ion wh i c h is  absolute co ntinuou s may be derive d  from  the unifo rm  margi nal by  an ap pr opri a te tran sformat i on.So, both  () j f j F Fact or and  () i ri F Ri sk are  r e la te d to  un ifo r m  r a nd om va r i ab le s  o n  [0 , 1 ].Hen c e , in  F i g . 2,  U can  be  asso ciated  with   () j f j F Fact or and  V can re prese n t () i ri F Ri sk .  Gene rally  sp eaki ng, if con s ide r ing  the  depe nden ce   of risks, the j o int dist ributi on of ri sk   events,  i Risk , sh ould  be  obt ained.Th e  problem  can  be  simplified  by introdu cing  som e   indep ende nt comm on ri sk  factors,  j F ac tor , and  usin g a theo ry calle d con d itional ind e p ende nce  [27]. So, only  the bivariate  distrib u tion s of j F ac tor and  i Risk  need to be co nsi dered.  The Monte  Carlo meth od for asse ssing  variability and  unce r tainty in proje c t ri sk  analysi s   has b e come  more  comm o n  [28]. The reverse of proce dure de ri ving cop u la s can b e  u s e d  to   gene rate pseudo -rando m   sam p le s from  g ene ra l cl asse s of multivariate  prob ability  distrib u tion s.That is, give n a p r o c ed ure to ge ner ate  a sample  fro m  the copul a  distri bution,  the  requi re d sam p le ca n be co nstru c ted.M o re details  can  be found in [2 9].      3.  Ne w  Fram e w o r k for  Bu dgeting   The  pro c e dure p r op ose d  i n  this pap er in herit s the  the o retically  sou nd fou ndatio n s  of  the  ran k  co rrelati on method a llowing the  margi nal di st ribution s  to b e  spe c ified separately an d is   practical enough to be used by IS  project analysts.It contains five  steps, as shown in Figure 3.  Risk Id entifi cation : It h a s  be come   the con s en sus th at the  req u irement  of ri sk  identificatio n  is to dete r mi ne whic h ri sk events a r e li kely to affect  the proj ect a nd to do cum ent  the cha r a c teristics of ea ch  potential ri sk ev ent. Besi de the no rm al req u irem e n ts, the com m on  risk fa ctors,  e.g., comm o n  code  blo cks, devel opm e n t frame w o r k et al., a r e  al so  nee ded  to  be   identified by experts  an d  t hen risk   even ts a r e g r o upe d a c cordi ng t o  the  com m o n  ri sk facto r s.The  final result of this step  can  be illustra ted  by figures  si milar to Figure 1.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     A New Statist i cal Mod e l to Estim a te Info rm ation Syste m  Contingen cy Bud get (Ju n wei Ze ng )  4621 Risk Q u an tification : In t h is  stage, ri sks  and i n teraction s  am o ng them n e e d  to be  evaluated to  asse ss the rang e of possible p r oje c t outcom e s. T he potential i m pact an d the   probability of occurrence  of each  risk  should  be  evaluated. Usually,  a risk  events can cause  damage at several different levels with corres pondi ng probabilities. The  m o re scenarios  with  probabilities can be listed in th is step, the more accurate the final result can be.   Risk Fi tting :  It is noticeabl e that, in thi s   new  procedu re, peopl e  can  take  all un ce rtainty  factors into  con s id eratio n  instea d of  dealin g with  impact  and  occu rre nce  sep a rately  and  determi nisti c ally. In other words, this  pro c ed ure ca n eliminate t he se co nd d r awba ck of t h e   curre n tly use d  method  me ntioned i n  se ction 2.1.  Ba sed on th e sce nario s from p r eviou s  ste p , the  distrib u tion s  of the ri sk  events  can be simulate d.  Th ere are a  lot s   of  tool s ca n  help peo pl e  to   transl a te the  scena rio s  o f  a risk  eve n t into a  sui t able di strib u t ion.The u n iform, tria ngul ar,  binomial, P o i s son, exp one ntial, Student' s  t a nd  nor m a l are ve ry p opula r  di stri b u tions in  proj ect  manag eme n t and  mo st of  proj ect  man agers  are fa miliar  with th ese  di stributi ons. T he  qu ality  assuran c e (QA) team s in most of IT compa n ie s are u s ing  so me efficient  bug man age ment   softwa r e which can h e lp to gene rate the  reli abl e asse ssment of the  distrib u tion s.    Risk Upda ting : This  step  is used to u pdate the di st ri bution  of ea ch ri sk in a IS proje c t.  The info rmat ion extra c tio n  and th e fitting of  risk events d o   not co ntain  the qua ntifiable   depe nden cy i n formatio n. T h is  de sign  is  rea s on able  b e ca use the  i m pact  of  com m on  risk fa ct ors  are n o t easy to be accu rate ly valued and  the best prac tice of this wo rk i s  to build  a spe c ial tea m   with exp e rts i n  many fiel ds.With the m o del in  se ct ion  2.2, the  de scriptio n of  distribution s  of t he  comm on ri sk  factors  can b e  avoide d. So, the join t di stributio n of e a ch  risk eve n t s gro up  can  be  cal c ulate d  by con s id erin g  the dep end en cy stru cture.  Risk Cumulation : The a m ount of da mage that th e IS proje c t will experi e n c e depe nd s  on ri sk  even ts that will o c cur, which  peopl e ca nn ot kno w   spe c ifically in a d vance. But, the  expectatio n   or a  spe c ific value given  any leve l of  certai nty, e.g., 99\% con f idence, ca n  be   cal c ulate d  after analy z ing t he joint distri bution of all ri sk eve n ts.   T h is   p r oc ed ur e  is  ve r y   p r ag ma tic .  It s i mp lif ies the  extractio n  p r o c e s s of expe rt  opinio n   without lo ss o f  accu ra cy.          Figure 3.  Procedur e for Getting Co ntin genc y Pla n  Bud get       4. Conclusio n   Failures  of IS developm ent  proj ect s  (co s t overru ns,  sche dule  dela y s, poo r qu ali t y) can  cause enorm ous losses. Unfortunat ely ,  the rate of occurrence  of failures i s  still high. Many  schola r s t r y to solve thi s  p r oble m  by software  engi ne ering  and  pro j ect ri sk man ageme n t. At the   same tim e , continge ncy pl an bud get for IS developm ent proj ect, which i s  a very  import tool f o r  proje c t man a gers to redu ce the risk exposure, a ttra c ts mo re an d  more re se ar che r s. H o w e v e r,  there a r e two  wea k  point s in existing m e thod s:  (1) T he assu mptio n  about ind e pend en ce of risk  events,  whi c h is o b viousl y  cou n teri ntu i tive; (2)  The  dete r mini stic d e scription  of ri sk  eve n ts,  whi c h may cause data lo ss. The  statistical mo del and procedu re prop osed in this pape r can   improve  the  accuracy  of t he e s timation  of  cont ing e n c y pla n  b udg et for IS  deve l opment  proje c ts  by overcomin g  the above t w o di sadva n tage s. T he five step s can  help sta k e hol der to g r ab a nd  extract inform ation abo ut ri sk eve n ts in t he IS pr oje c ts and tran slate  them into a specifi c  num b e r   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4617 – 4 623   4622 whe n  give n a  level of  cert ainty. Diag on al Ban d  di stri bution  and  M onte  Ca rlo m e thod s a r e  u s ed   to quantify the depe nde ncy among ri sks.      Ackn o w l e dg ements   This re se arch  was pa rtiall y  sup porte d by  the Nation al Nat u ral  Science Fo und ation of  Chin a  (No.  7 1201 004,  71 1011 53) an d  the S c ientifi c   Re sea r ch  Comm on P r o g ram  of Beiji ng  Munici pal Co mmission of  Educatio n (No. KM20131 0 0110 09).       Referen ces   [1]  F P  Brooks.  T he M y thic al Ma n -Month.  Boston : Addison-W e s l e y . 1 975: 2- 15.   [2]  FW McFarlan.  Portfolio appr oach to information s y stems.  H a rva r d Bu si ne ss Re v . 1 981 ; 59(5):  14 2 – 150.   [3]  J Jiang, G Klein. Soft w a re  deve l opm ent risks to project  effectiveness.   Journa l of Systems a n d   Software . 2000 ; 52(1): 3–1 0.  [4]  JJ Jiang, G Klein, R  Discenz a. Information  s y st em succ es s as impacted by  r i sks and  developm ent   strategies.  IEEE Transactions  on E ngineering  Management . 2001; 48( 1): 46–5 5.  [5]  PR Garve y , DJ  Phair, JA W i ls on. An Inf o rma tion Arch itectur e  for R i sk Ass e ssment a n d   Mana geme n t.  IEEE Software . 1997; 1 4 (3): 2 5–3 4.  [6]  RL Di llo n, ME Pate-Cor nel l, SD Guikema. O p timal  Us e of B udg et Reserv e s  to Minimiz e  T e chn i cal  an d   Management Failur e  Risks During  Complex Project  Dev e lopment.  IEEE Transactions on Engineeri n g  Mana ge me nt . 200 5; 52(3): 38 2–3 95.   [7]  JE Ramirez-M a rquez, BJ Sauser . S y stem  Devel opm ent  Plan nin g  via S y stem Matur i t y  Optimization .   IEEE Transactions on En gineering  Managem e nt . 2009; 5 6 ( 3): 533– 54 8.  [8]  H Kham oos hi,  DF  Cioffi. P r ogram  Risk  Conti nge nc y  Budg et Pla n n i ng.  IEEE Transactions on  Engi neer in g Mana ge me nt . 20 09; 56(1): 1 71– 179.   [9]  U Ojiako, M Ashlei gh, M Chip ulu, S Magu ire.  Le arnin g  an d tea c hin g  chal le n ges in pr ojec t   mana geme n t.  Internati o n a l Jo urna l of Project  Manag e m e n t . 201 1; 29(3): 26 8–2 78.   [10]  A  T ouran. Cal c ulati on of co nt ing enc y in c onstructio n  pr ojects.  IEEE Transactions on Engineering  Mana ge me nt . 200 3; 50(2): 13 5–1 40.   [11]  M Ran a sin g h e . Conti n g enc y a l l o catio n   and m a n age ment for bu il din g  pro j ects.   Constructi o n   Mana ge me nt a nd Econ o m ics .  1994; 1 2 (3): 2 33– 24 3.  [12]  KT Yeo. Risks, Classificati on  of  Estimates, and Co nting enc y  Man a g e ment .  Journal of Ma nag e m ent i n   Engi neer in g . 1990; 6(4): 4 58– 470.   [13]  T W  K w an, HK N Le ung. A R i sk Mana gem e n t  Method ol og y for Pro j ect  Risk De pe nde ncies.  IE EE  T r ansactio n s o n  Softw are Engin eeri n g . 20 1 1 ; 37(5): 63 5–6 48.   [14]  J René van D o rp.  A Distributi on for Model in g Dep end enc e  Cause d  by Co mmo n  Risk F a ctors . ESREL  Confer ence Pr ocee din g s, Net herl ands. 2 003 : 551–5 58.   [15]  MR Duffe y, J R  Van  D o rp. R i s k  an al ysis  for  l a rge  en gi neer i ng  proj ects: M ode lin g c o st u n certai nt y for  ship pr oducti on  activities.  Jour nal of Eng i n eer ing Va luati on a nd Cost Ana l ys is . 1998; 2: 28 5–3 01   [16]  JR.van Dor p . Statistical de p end enc e throu gh commo n ri sk factors: W i th app lic ations  in unc ertai n t y   analy sis.  Euro pea n Jour nal o f  Operationa l R e searc h .  200 5; 161(1): 24 0– 2 55.   [17]  JR van  Dor p , MR Duffe y. St atistical  de pen denc e i n  risk  ana l y sis for  pr oject n e t w orks  usin g Mo nt e   Carlo met hods.   Internation a l J ourn a l of Prod uction Eco n o m ics . 1999; 5 8 (1 ): 17–29.   [18]  C Genest, J Mackay .  T he Joy   of C o p u la s: Bivariate  Di stributio ns  w i t h  Uniform Marginals. T he  America n  Statistician.  19 86; 4 0 (4): 280- 28 3.  [19]  RB Nels en. An  Introduction to  Copu las. Spri nger. Ne w  Y o r k . 2006: 22 6-2 32.   [20]  DF  Cioffi, H Khamo o shi. A p r actical meth o d   of determin i n g  proj ect  risk contin ge nc y   bu dgets.  Journ a l   of the Operatio nal R e searc h  Society . 200 9; 60(4): 56 5– 571 .  [21]  S Chatterje e , RM W i seman,  A F i egen bau m, CE  Devers . Integrating B ehav iour al a n d  Econom ic   Conc epts of Risk into Strate gic Man agem e n t: the  T w ai n Shal l Meet.  Lo ng Ra nge Pl a nni ng . 20 03;   36(1): 61 –7 9.  [22]  T   Williams. T h e t w o - dim ens io nalit y  of proj ect risk.  Internatio nal J ourn a l of  Project Ma nag ement . 1 996;  14(3): 18 5– 186 .  [23]  D Wu, H Song, M Li, C Cai, J Li.  Mod e ling r i sk factor s dep end enc e  usin g Co pul a  meth od for   assessi ng softw are schedu le  risk . 2nd Internatio nal C onfe r ence o n  Softw a r e En gin eer i ng an d Da t a   Minin g  SEDM  201 0. Che ngd u. 2010: 5 71– 5 74.   [24]  PW  Holl and,  PR Ros e n bau m. Cond itio nal  Asso ciati on  a nd U n i d ime n si ona lit y i n  Mo n o tone  Lat en t   Variable Models.  T he Annals  of Statistics . 1986; 14(4): 1 523 –15 43.   [25]  DJ Bartholome w , M Knott, I M oustaki. Latent Variable Models  and Factor Analysis: A Unified  Appro a ch. W e st Sussex: Joh n  W ile y   an d So ns. 2011: 5 8 -5 9.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     A New Statist i cal Mod e l to Estim a te Info rm ation Syste m  Contingen cy Bud get (Ju n wei Ze ng )  4623 [26]  RM Cook e, R.\ W a ij, Monte C a rlo S a mpl i ng f o r  Gener aliz ed  Kno w l e d ge  D epe nd ence  w i t h  App licati o n   to Human R e li abil i t y .  Risk A n alysis . 19 86; 6( 3): 335– 34 3.  [27]  V Musoli no, A  Pievato l o, E T i roni , A statistic a l ap pro a ch to  electric al stora ge sizi ng  w i t h   app licati on to   the recover y  of  brakin g en erg y .  Ener gy . 201 1; 36(11): 6 697 –67 04.   [28]  CN H aas. On   mode lin g c o rre lated  ran dom   varia b les  in  ris k  assessm ent.  Risk  an alysis .  19 99;  19(6) :   120 5– 14.   [29]  F  Durant e, C  Sempi. C o p u la  T heor y :   an I n troducti on.  C opu la T h eory   and  Its Appl ic ations . 20 10 ;   198( 1): 3–3 1.    Evaluation Warning : The document was created with Spire.PDF for Python.