> ## Content Index > Fetch the complete content index at: https://logaritmasoft.com/llms.txt > Use this file to discover other available public pages before exploring further. # Risk matrisi ne zaman yeterli değildir? - URL: https://logaritmasoft.com/blog/risk-matrisi-nicel-risk/ - Published: 2026-10-13T22:09:12.000Z - Updated: 2026-10-13T22:21:15.000Z - Description: Risk matrisinin yararlı olduğu alanları ve sınırlarını ayırın. Kayıp dağılımına, açık varsayımlara ve karar sorusuna geçişi keşfedin. - Author: LogaritmaSoft - Tags: Risk Modelleme, #risk-studio-launch **Bu sayfada** 1. [Matris hangi işi iyi yapabilir?](#bolum-1) 2. [Kategoriler neyi gizler?](#bolum-2) 3. [Nicel modele hangi soruyla geçilir?](#bolum-3) 4. [Küçük bir örnek: Aynı ortalama, farklı karar](#bolum-4) 5. [Nicel model de sahte kesinlik üretebilir](#bolum-5) 6. [Geçiş için kısa kontrol listesi](#bolum-6) 7. [Kaynak ve yayın notu](#bolum-7) Bir risk toplantısında iki olay aynı kırmızı kutuya yerleşebilir: kısa ama sık üretim duruşları ve seyrek ama uzun bir altyapı kesintisi. Yönetici için ikisi de önemlidir. Ancak aynı renk, aynı yıllık kayıp, aynı belirsizlik veya aynı müdahale ihtiyacı demek değildir. Risk matrisi, konuşmayı başlatan bir önceliklendirme aracı olabilir. Sorun, bu aracın cevaplamadığı bir soruyu cevapladığını varsaymaktır. “Önce hangisini inceleyelim?” ile “Ne kadar bütçe ayıralım?” aynı soru değildir. Nicel modele geçişin gerekçesi, her şeyi sayıya çevirmek değil; kararın gerektirdiği ayrıntıyı görünür kılmaktır. ## Matris hangi işi iyi yapabilir? Olasılık ve etki kategorileri, ekiplerin riskleri ortak bir dilde konuşmasına yardımcı olur. Veri azsa, çok sayıda konu için ilk tarama gerekiyorsa veya bir workshop'ta uzman görüşleri toplanıyorsa pratik olabilir. İşaretlenen bir risk, daha ayrıntılı analizin başlangıç noktasıdır. Kategorilerin açık tanımı önemlidir. “Sık” hangi zaman ufkunu ifade eder? “Yüksek etki” gelir, onarım maliyeti, güvenlik veya hizmet sürekliliği açısından mı yüksek? Ekipler aynı sözcükleri farklı anlamda kullanıyorsa renklerin görünürdeki tutarlılığı yanıltır. Matrisin yararı, ölçüm sisteminin kalitesinden bağımsız değildir. Matris, nicel modelin düşmanı da değildir. Bir portföyün hangi parçalarında daha fazla veri veya analiz gerektiğini işaretleyebilir. Problem bir yöntem tercihi savaşından çok, aracın sınırını bilmektir. Her risk için büyük bir simülasyon inşa etmek kaynak israfı olabilir; her bütçe kararını tek bir renge bağlamak da yetersiz kalabilir. ## Kategoriler neyi gizler? Kategori içine alınan iki değer arasındaki fark, kategori sınırının iki yanında kalan değerlerden daha büyük olabilir. Örneğin 10.000 ile 90.000 TL kayıp aynı aralıkta, 99.000 ile 101.000 TL farklı aralıklarda olabilir. Eşikler karar açısından gerekçelendirilmediyse görsel ayrım, gerçek ekonomik ayrımla örtüşmeyebilir. “Etki = 4” gibi sıralı bir ölçek, otomatik olarak miktar ölçeği değildir. 4'ün 2'den iki kat büyük kaybı temsil etmesi gerekmez. Bu tür skorları çarpmak, sonuçları TL veya yıllık ekonomik maliyetmiş gibi yorumlamaya izin vermez. Bir sıralamanın sayıyla gösterilmesi, o sayının tüm aritmetik işlemleri anlamlı kılmaz. Tek etki kategorisi ayrıca dağılım şeklini gizler. Tipik olay küçük olabilirken az sayıda olay ağır kayıp üretebilir. Aynı merkezi değerle anlatılan iki riskin kuyruğu farklı olabilir. Kararı etkileyen şey ortalama, belirli bütçeyi aşma olasılığı veya olağanüstü kayba dayanıklılık olabilir; bu soruların çıktıları aynı değildir. ## Nicel modele hangi soruyla geçilir? Önce ölçülecek sonucun ne olduğuna karar verin. “Önümüzdeki bir yıldaki toplam tamir ve duruş kaybı” somut bir çıktı olabilir. Para birimi, zaman ufku, dahil edilen maliyetler ve gözlem kapsamı tanımlanır. Güvenlik gibi parasallaştırılması uygun olmayan sonuçlar ayrı ölçütlerde tutulabilir; her şeyi TL'ye zorlamak gerekmez. Ardından olay sayısı ile olay başına kayıp ayrılır. Bir yılda birden fazla arıza olabiliyorsa yalnızca “arıza olur mu?” sorusu eksiktir. Sayı için uygun bir model, büyüklük için ayrı bir dağılım ve bunların bağımlılık ilişkileri gerekir. Poisson veya uniform isimlerini seçmek kalibrasyonu bitirmez; bunlar veri ve iş anlamıyla sınanacak adaylardır. Son adım, kararın neye duyarlı olduğunu belirlemektir. Bakım yatırımı aynı olayın sıklığını mı, büyüklüğünü mü, toparlanma süresini mi değiştiriyor? Müdahale etkisi bilinmiyorsa “kalan risk” tahmini üretmek için eksik bilgi vardır. Sayısal model, bu boşluğu doğru etiketlediğinde değerli olur; sessizce kapattığında değil. ## Küçük bir örnek: Aynı ortalama, farklı karar Eğitim amacıyla, ilk kaybın kesin 100.000 TL olduğunu düşünün. İkinci kayıp %90 olasılıkla sıfır, %10 olasılıkla 1.000.000 TL olsun. İkisinin de beklenen kaybı 100.000 TL'dir. Bu, gerçekleşecek kayıpların veya her iki durum için uygun kararın aynı olduğu anlamına gelmez. İkinci örnek, tek bir yılda büyük bir bütçe aşımı yaratabilir. Birinci örnek daha öngörülebilir fakat sürekli maliyetlidir. Likidite, süreklilik veya zarar toleransı bağlamında farklı değerlendirilirler. Buradaki sayılar gerçek işletme ölçümü değildir; dağılım bilgisinin ortalamadan fazla şey söylediğini gösteren basit kurgu değerleridir. Bu farkı bir matrise daha çok kategori ekleyerek kısmen açıklayabilirsiniz. Ancak eşik aşımı veya kuyruk ortalaması gibi sorular için kayıp dağılımını doğrudan incelemek daha anlamlı olur. [Beklenen kayıp, VaR ve CVaR yazısı](https://logaritmasoft.com/blog/beklenen-kayip-var-cvar/) bu soruları ayrı ayrı ele alır. ## Nicel model de sahte kesinlik üretebilir Bir modelin birçok ondalık basamak göstermesi güvenilirliğini artırmaz. Eksik duruş maliyeti, bağımsız sayılan ortak arıza nedenleri veya uygun olmayan dağılım, düzgün görünen grafiklerin arkasında kalabilir. Simülasyon matematiksel modeli çalıştırır; modelin dünyayı doğru temsil ettiğini kendiliğinden kanıtlamaz. Girdilerin kaynak statüsünü ayırmak bu yüzden önemlidir: gözlem, uzman varsayımı, dış kaynak veya eksik. Daha sonra alternatif varsayımları karşılaştırmak, hassas parametreleri bulmak ve modelin soruya uygunluğunu incelemek gerekir. Verification ve validation ayrımı burada işe yarar: [doğru hesap ile doğru model farklıdır](https://logaritmasoft.com/blog/model-verification-validation/). ## Geçiş için kısa kontrol listesi - Karar sorusu ve zaman ufku açık mı? - Sıklık, olasılık ve kayıp büyüklüğü birbirinden ayrıldı mı? - Kayıp tanımı ve birimler tutarlı mı? - Ortak faktörler ve bağımlılıklar gerekçelendirildi mi? - Eksik veri, varsayım olarak açıkça etiketlendi mi? - Hangi çıktı karar verecek: ortalama, bütçe aşımı, kuyruk veya başka ölçüt? - Alternatif varsayımlar kararı değiştiriyor mu? Risk Studio'nun hedef yaklaşımı, bu soruları modelin yaşam döngüsüne bağlamak. Bu site çalışan risk analizi ürünü sunduğunu iddia etmiyor. [Üretim kaybı örneği](https://logaritmasoft.com/ornek-model/) ise bir problemi değişkenlere ayırmanın ve eksikleri korumanın nasıl görünebileceğini anlatıyor. ## Kaynak ve yayın notu - Louis Anthony Cox Jr., *What's Wrong with Risk Matrices?*, Risk Analysis (2008). [DOI: 10.1111/j.1539-6924.2008.01030.x](https://doi.org/10.1111/j.1539-6924.2008.01030.x?ref=logaritmasoft.com). Matrislerin ölçüm ve sıralama sınırlarına yönelik akademik inceleme. - [Risk Studio doğrulama yaklaşımı](https://logaritmasoft.com/guven-ve-dogrulama/): ürün konseptine ait hedef ilkeler; bağımsız sertifikasyon değil. Bu yazı AI desteğiyle hazırlanmış bir yöntem anlatımıdır. Örnek hesaplar kontrol edilmiştir; içerik belirli bir işletmeye yönelik risk veya yatırım tavsiyesi değildir.