Nicel veri → Riskin büyüklüğü
Nitel veri → Riskin nedenleri ve bağlamı
Uzman görüşü → Teknik yorum
Çalışan deneyimi → Gerçek uygulamadaki sorunlar
İstatistiksel model → Belirsizliğin ölçülmesi
Bu beş unsur birlikte ele alındığında risk değerlendirmesi yalnızca teorik bir model olmaktan çıkar ve gerçek sistemin davranışını anlamaya yaklaşır.
11. Risk Değerlendirmesinde Veri Kalitesi Neden Kritik?
Bir risk modelinin doğruluğunu yalnızca kullandığı matematik belirlemez. Veri kalitesi en az model kadar önemlidir.
Örneğin 20 yıllık arıza kaydı bulunan bir sistem ile yalnızca üç aylık veri bulunan bir sistemin aynı kesinlik düzeyinde değerlendirilmesi doğru değildir.
Araştırmacı şu soruları mutlaka sormalıdır:
- Veriler hangi döneme ait?
- Örneklem yeterince büyük mü?
- Kayıt dışı olaylar var mı?
- Veriler sistematik bir yanlılık içeriyor mu?
- Ölçüm yöntemi zaman içinde değişti mi?
- Modelin varsayımları gerçek sistemle uyumlu mu?
Bu sorular özellikle yapay zekâ destekli risk değerlendirmesinde daha da önemli hale geliyor. Büyük veri setleri otomatik olarak tarafsız veri anlamına gelmez. Eğer geçmişte belirli bir grubun olayları daha fazla raporlandıysa, algoritma bu geçmiş davranışı öğrenebilir ve bunu geleceğe aktarabilir.
Dolayısıyla “veriye dayalı karar” ile “doğru karar” aynı şey değildir.
12. Hangi Risk Değerlendirme Tekniği Ne Zaman Kullanılmalı?
Pratik açıdan yöntemleri şöyle düşünebiliriz:
Kontrol listesi: Hızlı ve temel tehlike taraması için.
PHA: Yeni veya erken aşamadaki sistemlerde başlangıç tehlike analizi için.
FMEA: Bileşen veya süreç bazında olası hata türlerini önceliklendirmek için.
HAZOP: Özellikle proses sistemlerinde tasarım ve işletme sapmalarını incelemek için.
FTA: Belirli bir kritik olayın hangi nedenlerin birleşimiyle ortaya çıkabileceğini analiz etmek için.
ETA: Başlangıç olayından sonra farklı sonuçların nasıl gelişebileceğini incelemek için.
Bow-Tie: Tehditler, kritik olaylar, sonuçlar ve güvenlik bariyerlerini birlikte göstermek için.
Monte Carlo: Belirsizliği ve değişkenliği sayısal olarak modellemek için.
Bayesçi yöntemler: Yeni veriler geldikçe risk tahminlerini güncellemek için.
Karma yöntemler: Teknik veriler ile insan deneyimini birlikte değerlendirmek için.
Dolayısıyla “en iyi risk değerlendirme yöntemi hangisidir?” sorusunun tek bir cevabı yoktur. En doğru yöntem, riskin türüne, veri miktarına, sistemin karmaşıklığına, kararın sonuçlarına ve belirsizlik düzeyine göre değişir.
Sonuç: Risk Bir Sayıdan Daha Fazlasıdır
Risk değerlendirme tekniklerini incelediğimizde FMEA'dan HAZOP'a, hata ağacı analizinden Monte Carlo simülasyonlarına kadar oldukça geniş bir yöntem yelpazesi olduğunu görüyoruz. Ancak bütün bu yöntemlerin ortak amacı aynıdır: Belirsizlik altında daha iyi karar verebilmek.
Bilimsel açıdan güçlü bir risk değerlendirmesi, yalnızca yüksek veya düşük risk dememelidir. Riskin hangi verilerle belirlendiğini, hangi varsayımların kullanıldığını, belirsizliğin ne kadar olduğunu ve farklı insanların aynı riski neden farklı algılayabileceğini de açıklamalıdır.
Cinsiyet farklılıkları konusunda da benzer bir dikkat gerekiyor. Araştırmalar bazı ortalama farklılıklar ortaya koysa da bunları bütün erkeklere veya bütün kadınlara uygulamak bilimsel olarak hatalı olur. Risk değerlendirme ekiplerinin gücü, insanların cinsiyetlerine göre önceden belirlenmiş özelliklere sahip olduklarını varsaymakta değil; farklı uzmanlıkları, deneyimleri, veri okuma becerilerini ve sosyal gözlemleri aynı karar sürecinde bir araya getirmektedir.
Belki de tartışılması gereken en önemli soru şu:
Bir risk değerlendirme ekibinde yalnızca en fazla veriye sahip olan kişiyi mi dinlemeliyiz, yoksa verinin söyleyemediği şeyleri fark eden kişiye de aynı ölçüde değer vermeli miyiz?
Bir başka soru daha var: Eğer bir model geçmişteki kazaları çok iyi tahmin ediyor fakat yeni ve daha önce görülmemiş bir tehlikeyi fark edemiyorsa, gerçekten iyi bir risk modeli midir?
Risk değerlendirmesinin bilimsel gelişimi tam da bu soruların kesişiminde ortaya çıkıyor. Matematiksel modeller bize riskin yapısını gösterebilir; istatistik belirsizliği ölçebilir; mühendislik sistemin nasıl çalıştığını açıklayabilir; çalışanların deneyimleri ise modelin sahada gerçekten ne kadar geçerli olduğunu ortaya koyabilir.
Bu nedenle modern risk değerlendirmesinin en güçlü yaklaşımı, veriyi insan deneyiminin alternatifi değil, onunla birlikte çalışan bir araç olarak görmektir.
Kaynaklar ve Bilimsel Okuma İçin
- Ruijters, E. & Stoelinga, M. - “Fault tree analysis: A survey of the state-of-the-art in modeling, analysis and tools.” Computer Science Review. Çalışma, 150'den fazla FTA araştırmasını incelemektedir.
- Dunjó, J. ve arkadaşları - “Hazard and operability (HAZOP) analysis. A literature review.” Journal of Hazardous Materials. HAZOP literatürünün kapsamlı bir değerlendirmesidir.
- Liu, H.-C. ve arkadaşları - “Failure mode and effect analysis using multi-criteria decision making methods: A systematic literature review.” Computers & Industrial Engineering. 169 makaleyi inceleyen sistematik bir literatür çalışmasıdır.
- Chakhrit, A. ve arkadaşları - “A literature review of risk assessment approaches in failure mode and effects analysis.” International Journal of Quality & Reliability Management, 2025. Geleneksel RPN yaklaşımının sınırlılıklarını ve güncel FMEA yaklaşımlarını ele almaktadır.
- Gustafson, P. E. - “Gender differences in risk perception: theoretical and methodological perspectives.” Risk Analysis. Risk algısında toplumsal ve metodolojik faktörleri tartışmaktadır.
- Flynn, J., Slovic, P. & Mertz, C. K. - “Gender, race, and perception of environmental health risks.” Risk Analysis. Risk algısının cinsiyet yanında sosyal ve politik faktörlerle ilişkisini incelemektedir.
- Ferrín, M. - “Reassessing Gender Differences in COVID-19 Risk Perception and Behavior.” Social Science Quarterly. Risk algısı ile davranış arasındaki cinsiyet farklılıklarını yeniden değerlendirmektedir.
- Cullen, A. C. ve arkadaşları - “Variability in Cross-Domain Risk Perception among Smallholder Farmers in Mali by Gender and Other Demographic and Attitudinal Characteristics.” Risk Analysis. Farklı risk alanlarında cinsiyet, demografi ve tutumların birlikte incelenmesine örnek sunmaktadır.
Kaynakları metin içi atıflarla eşleştirE-E-A-T iddiasını deneyimlerle somutlaştır
Kaynakları metin içi atıflarla eşleştir
E-E-A-T iddiasını deneyimlerle somutlaştır
Yöntemleri karşılaştıran tablo ekle
Nitel veri → Riskin nedenleri ve bağlamı
Uzman görüşü → Teknik yorum
Çalışan deneyimi → Gerçek uygulamadaki sorunlar
İstatistiksel model → Belirsizliğin ölçülmesi
Bu beş unsur birlikte ele alındığında risk değerlendirmesi yalnızca teorik bir model olmaktan çıkar ve gerçek sistemin davranışını anlamaya yaklaşır.
11. Risk Değerlendirmesinde Veri Kalitesi Neden Kritik?
Bir risk modelinin doğruluğunu yalnızca kullandığı matematik belirlemez. Veri kalitesi en az model kadar önemlidir.
Örneğin 20 yıllık arıza kaydı bulunan bir sistem ile yalnızca üç aylık veri bulunan bir sistemin aynı kesinlik düzeyinde değerlendirilmesi doğru değildir.
Araştırmacı şu soruları mutlaka sormalıdır:
- Veriler hangi döneme ait?
- Örneklem yeterince büyük mü?
- Kayıt dışı olaylar var mı?
- Veriler sistematik bir yanlılık içeriyor mu?
- Ölçüm yöntemi zaman içinde değişti mi?
- Modelin varsayımları gerçek sistemle uyumlu mu?
Bu sorular özellikle yapay zekâ destekli risk değerlendirmesinde daha da önemli hale geliyor. Büyük veri setleri otomatik olarak tarafsız veri anlamına gelmez. Eğer geçmişte belirli bir grubun olayları daha fazla raporlandıysa, algoritma bu geçmiş davranışı öğrenebilir ve bunu geleceğe aktarabilir.
Dolayısıyla “veriye dayalı karar” ile “doğru karar” aynı şey değildir.
12. Hangi Risk Değerlendirme Tekniği Ne Zaman Kullanılmalı?
Pratik açıdan yöntemleri şöyle düşünebiliriz:
Kontrol listesi: Hızlı ve temel tehlike taraması için.
PHA: Yeni veya erken aşamadaki sistemlerde başlangıç tehlike analizi için.
FMEA: Bileşen veya süreç bazında olası hata türlerini önceliklendirmek için.
HAZOP: Özellikle proses sistemlerinde tasarım ve işletme sapmalarını incelemek için.
FTA: Belirli bir kritik olayın hangi nedenlerin birleşimiyle ortaya çıkabileceğini analiz etmek için.
ETA: Başlangıç olayından sonra farklı sonuçların nasıl gelişebileceğini incelemek için.
Bow-Tie: Tehditler, kritik olaylar, sonuçlar ve güvenlik bariyerlerini birlikte göstermek için.
Monte Carlo: Belirsizliği ve değişkenliği sayısal olarak modellemek için.
Bayesçi yöntemler: Yeni veriler geldikçe risk tahminlerini güncellemek için.
Karma yöntemler: Teknik veriler ile insan deneyimini birlikte değerlendirmek için.
Dolayısıyla “en iyi risk değerlendirme yöntemi hangisidir?” sorusunun tek bir cevabı yoktur. En doğru yöntem, riskin türüne, veri miktarına, sistemin karmaşıklığına, kararın sonuçlarına ve belirsizlik düzeyine göre değişir.
Sonuç: Risk Bir Sayıdan Daha Fazlasıdır
Risk değerlendirme tekniklerini incelediğimizde FMEA'dan HAZOP'a, hata ağacı analizinden Monte Carlo simülasyonlarına kadar oldukça geniş bir yöntem yelpazesi olduğunu görüyoruz. Ancak bütün bu yöntemlerin ortak amacı aynıdır: Belirsizlik altında daha iyi karar verebilmek.
Bilimsel açıdan güçlü bir risk değerlendirmesi, yalnızca yüksek veya düşük risk dememelidir. Riskin hangi verilerle belirlendiğini, hangi varsayımların kullanıldığını, belirsizliğin ne kadar olduğunu ve farklı insanların aynı riski neden farklı algılayabileceğini de açıklamalıdır.
Cinsiyet farklılıkları konusunda da benzer bir dikkat gerekiyor. Araştırmalar bazı ortalama farklılıklar ortaya koysa da bunları bütün erkeklere veya bütün kadınlara uygulamak bilimsel olarak hatalı olur. Risk değerlendirme ekiplerinin gücü, insanların cinsiyetlerine göre önceden belirlenmiş özelliklere sahip olduklarını varsaymakta değil; farklı uzmanlıkları, deneyimleri, veri okuma becerilerini ve sosyal gözlemleri aynı karar sürecinde bir araya getirmektedir.
Belki de tartışılması gereken en önemli soru şu:
Bir risk değerlendirme ekibinde yalnızca en fazla veriye sahip olan kişiyi mi dinlemeliyiz, yoksa verinin söyleyemediği şeyleri fark eden kişiye de aynı ölçüde değer vermeli miyiz?
Bir başka soru daha var: Eğer bir model geçmişteki kazaları çok iyi tahmin ediyor fakat yeni ve daha önce görülmemiş bir tehlikeyi fark edemiyorsa, gerçekten iyi bir risk modeli midir?
Risk değerlendirmesinin bilimsel gelişimi tam da bu soruların kesişiminde ortaya çıkıyor. Matematiksel modeller bize riskin yapısını gösterebilir; istatistik belirsizliği ölçebilir; mühendislik sistemin nasıl çalıştığını açıklayabilir; çalışanların deneyimleri ise modelin sahada gerçekten ne kadar geçerli olduğunu ortaya koyabilir.
Bu nedenle modern risk değerlendirmesinin en güçlü yaklaşımı, veriyi insan deneyiminin alternatifi değil, onunla birlikte çalışan bir araç olarak görmektir.
Kaynaklar ve Bilimsel Okuma İçin
- Ruijters, E. & Stoelinga, M. - “Fault tree analysis: A survey of the state-of-the-art in modeling, analysis and tools.” Computer Science Review. Çalışma, 150'den fazla FTA araştırmasını incelemektedir.
- Dunjó, J. ve arkadaşları - “Hazard and operability (HAZOP) analysis. A literature review.” Journal of Hazardous Materials. HAZOP literatürünün kapsamlı bir değerlendirmesidir.
- Liu, H.-C. ve arkadaşları - “Failure mode and effect analysis using multi-criteria decision making methods: A systematic literature review.” Computers & Industrial Engineering. 169 makaleyi inceleyen sistematik bir literatür çalışmasıdır.
- Chakhrit, A. ve arkadaşları - “A literature review of risk assessment approaches in failure mode and effects analysis.” International Journal of Quality & Reliability Management, 2025. Geleneksel RPN yaklaşımının sınırlılıklarını ve güncel FMEA yaklaşımlarını ele almaktadır.
- Gustafson, P. E. - “Gender differences in risk perception: theoretical and methodological perspectives.” Risk Analysis. Risk algısında toplumsal ve metodolojik faktörleri tartışmaktadır.
- Flynn, J., Slovic, P. & Mertz, C. K. - “Gender, race, and perception of environmental health risks.” Risk Analysis. Risk algısının cinsiyet yanında sosyal ve politik faktörlerle ilişkisini incelemektedir.
- Ferrín, M. - “Reassessing Gender Differences in COVID-19 Risk Perception and Behavior.” Social Science Quarterly. Risk algısı ile davranış arasındaki cinsiyet farklılıklarını yeniden değerlendirmektedir.
- Cullen, A. C. ve arkadaşları - “Variability in Cross-Domain Risk Perception among Smallholder Farmers in Mali by Gender and Other Demographic and Attitudinal Characteristics.” Risk Analysis. Farklı risk alanlarında cinsiyet, demografi ve tutumların birlikte incelenmesine örnek sunmaktadır.
Kaynakları metin içi atıflarla eşleştirE-E-A-T iddiasını deneyimlerle somutlaştır
Kaynakları metin içi atıflarla eşleştir
E-E-A-T iddiasını deneyimlerle somutlaştır
Yöntemleri karşılaştıran tablo ekle