Risk management i läkemedelsindustrin : Hur användbara är optimeringsmodeller vid urval av projektportföljer?

• Main Authors: Neubert, Fariz, Hespe, Tobias
• Format: Others
• Language: Swedish
• Published: KTH, Industriell produktion 2013
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-129349

Risk management har historiskt sett associerats med riskminimering och undvikande. Men framför allt inom project portfolio management har ett skifte inletts mot ett proaktivt tillvägagångssätt för att hantera risk, snarare än reaktivt. På så sätt uppnås en holistisk analys av risk som tar hänsyn till både positiva och negativa avvikelser på mål. Syftet med detta arbete är att undersöka hur användbara optimeringsmodeller är i läkemedelsindustrin ur ett risk management-perspektiv. Modellerna som undersöks är capital budgeting problem, goal programming och contingent portfolio programming. För att på bästa sätt förmedla och senare analysera dessa modeller har vi i detta arbete utfört en utförlig litteraturstudie. Anknytningen till läkemedelsindustrin uppnåddes genom två intervjuer: den ena med en risk management-konsult med erfarenheter inom medicintekniska företag och den andra med en projektportföljsansvarig på ett ledande läkemedelsföretag. För att dokumentera modellernas styrkor och svagheter kompletterade vi vår kritiska granskning av dem med en känslighetsanalys. Efter att vi genomfört känslighetsanalysen upptäckte vi att modellernas rekommenderade projektportföljer var känsliga för störningar på indata. Detta resultat och samtalen med intervjuobjekten fick oss att inse hur viktig datakvalitet är. Vi upptäckte även att datakvalitet berodde väldigt mycket på kompetensen hos beslutsfattaren och dennes medarbetare, och diskuterade data weighting som en möjlig lösning på detta problem. Vi kommer till den slutsatsen att modellerna har olika användningar i läkemedelsindustrin samt att noggrannheten på lösningarna är beroende av kvaliteten på förarbetet och datahanteringen. Exempelvis upptäckte vi att contingent portfolio programming är särskilt användbart i läkemedelsindustrin på grund av det stegvisa och riskabla beslutsfattandet i denna bransch. Likväl rekommenderas att en känslighets- samt traditionell riskanalys genomförs för att bestämma kvaliteten på varje modells optimala projektportfölj. Beslutsfattaren borde använda modellerna som ett beslutsstödjande verktyg istället för att förlita sig fullkomligt på lösningarna dem ger. Nyckelord: Risk management; Project portfolio management; Project risk management; Capital budgeting problem; Goal programming; Contingent portfolio programming. === Risk management has historically been associated with risk minimization and avoidance. Recently there has been a shift toward a proactive approach to risk management rather than reactive, especially regarding risks arising within project portfolio management. The purpose of this study is to examine how useful project portfolio optimization models are within the pharmaceutical industry from a risk management perspective. The models examined in the study are the capital budgeting problem, goal programming, and contingent portfolio programming. In order to better understand the theoretical framework behind these models, the study incorporates an extensive literature review. This review was translated to the pharmaceutical industry through two interviews; one with emphasis on risk management in general and one with focus on project portfolio management at a leading pharmaceutical company. Furthermore, a sensitivity analysis was performed to better understand and analyze the models’ strengths and weaknesses. The subsequent analysis is based on the findings attributed to the sensitivity analysis. The sensitivity analysis allowed for the observation that the models’ recommended project portfolio strategy is vulnerable to relatively small data variations. By combining these results with the findings from the interviews, the importance of data quality became evident. Data quality was in turn found to be heavily reliant on the competence of the decision maker and his team, whilst data weighting was discussed as a potential solution. The conclusion is that the models have different uses within the pharmaceutical industry whilst the accuracy of their results are subject to the quality of the preparatory work and data handling. For instance, contingent portfolio programming is found to be especially viable for the pharmaceutical industry due to the staged and risky nature of research and development projects in that industry. However, it is recommended that sensitivity analysis along with more traditional risk management tools are used to evaluate the quality of each model’s optimal project portfolio. The decision maker should use the solutions to the models as decision support rather than relying on the models to provide them with an absolute strategy to the portfolio selection problem. Keywords: Risk management; Project portfolio management; Project risk management; Capital budgeting problem; Goal programming; Contingent portfolio programming.