Hypotéza-orientovaná simulace jako kompas pro navigaci v nejisté budoucnosti

Poslední pokroky v datech řízených technologiích odemkly potenciál předpovědi prostřednictvím umělé inteligence (AI). Předpovídání v neznámém území však zůstává výzvou, kde historická data nemusí být dostatečná, jak je vidět u nepředvídatelných událostí, jako jsou pandemie a nové technologické poruchy. V reakci na to může být hypotéza-orientovaná simulace cenným nástrojem, který umožňuje rozhodovatelům prozkoumat různé scénáře a učinit informovaná rozhodnutí. Klíčem k dosažení požadované budoucnosti v éře nejistoty spočívá v použití hypotéza-orientované simulace spolu s datech řízenou AI pro posílení rozhodování lidí.

Mohou data řízená analytika předpovědět budoucnost?

V posledních letech prošla umělá inteligence transformační cestou, poháněnou pozoruhodnými, datech řízenými pokroky. V srdci evoluce AI leží úžasná schopnost extrahovat hluboké poznatky z masivních datových sad. Vzestup hlubokých učících se modelů a velkých jazykových modelů (LLM) posunul pole do neznámého území. Možnost využití dat pro informovaná rozhodnutí se stala dostupnou organizacím všech velikostí a napříč všemi odvětvími.

Berte jako příklad farmaceutický průmysl. V Astellas používáme data a analytiku, abychom pomohli informovat, do kterých obchodních portfolií investovat a kdy. Pokud vyvíjíte obchodní model zaměřený na běžné a dobře pochopitelné onemocnění, síla dat řízené analytiky umožňuje získat poznatky o všem od objevu léků po marketing, což může nakonec vést k informovanějším obchodním rozhodnutím.

Jedním z typických příkladů ve farmaceutickém průmyslu, se kterým se Astellas pravidelně setkává, je hodnocení inovativních léčiv, jako jsou genová a buněčná terapie. S tak málo dostupnými daty se snažíme předpovědět přesnou hodnotu těchto inovací a jejich širokého dopadu na portfolio pouze na základě historických dat, což je jako navigace v husté mlze bez kompasu.

Nahlížení do budoucnosti: Hypotéza-orientovaná simulace

Jedním slibným přístupem k navigaci v nejistém území je hypotéza-orientovaná simulace, která imituje skutečné světové procesy. Pokud jste firma, která vstupuje do neznámých oblastí, musíte přijmout hypotézu-orientovaný přístup, když nejsou dostupná historická data. Model reprezentuje, jak klíčové faktory v procesech ovlivňují výsledky, zatímco simulace reprezentuje, jak se model vyvíjí v čase za různých podmínek. To umožňuje rozhodovatelům testovat různé scénáře ve virtuálních “paralelních světech”.

V praxi to znamená rozložení souboru klíčových scénářů na rozhodovací stůl, každý se svou vlastní pravděpodobností a hodnocením dopadu. Rozhodovatelé mohou poté vyhodnotit kritické scénáře a formulovat strategie pro budoucnost na základě těchto simulací. Ve farmaceutickém průmyslu to vyžaduje učinit předpoklady o řadě faktorů, jako jsou míry úspěchu klinických studií, adaptability trhu a populací pacientů. Desítky tisíc simulací jsou poté spuštěny, aby osvětlily nejistou cestu vpřed a poskytly cenné poznatky pro navigaci.

V Astellas jsme vyvinuli hypotézu-orientovanou simulaci, která vytváří scénáře a činí deduktivní odhad, aby pomohla informovat strategická rozhodnutí. Tohoto jsme schopni dosáhnout aktualizací simulační hypotézy v reálném čase (na rozhodovacím stole), což pomáhá zlepšit kvalitu strategických rozhodnutí. Hodnocení projektu je jednou z oblastí, kde metoda simulace přichází. Nejprve stavíme možné hypotézy o různých faktorech, včetně, ale nejen trhu a pravděpodobnosti úspěchu klinických studií. Poté, na základě těchto hypotéz, simulujeme události, které se vyskytují během klinických studií nebo po uvedení produktu na trh, abychom vygenerovali možné výsledky a očekávanou hodnotu projektu. Vypočtená hodnota se používá k určení, které možnosti bychom měli zvolit, včetně alokace zdrojů a plánování projektu.

Abyste mohli hlubší pohled, podívejme se na případ, kdy je metoda aplikována na hodnocení projektu ve fázi počátku. Vzhledem k inherентně vysoké úrovni nejistoty, která doprovází rané fáze projektů, existuje mnoho příležitostí k zmírnění rizik selhání a maximalizaci odměn za úspěch. Jednoduše řečeno, čím dříve je projekt ve svém životním cyklu, tím větší je potenciál pro flexibilní rozhodování (například strategické úpravy, expanze trhu, hodnocení možnosti opuštění apod.). Hodnocení hodnoty flexibility je proto zásadní pro zachycení všech hodnot raných fázích projektů. To lze provést kombinací teorie reálných opcí a simulačního modelu.

Měření dopadu hypotéza-orientované simulace vyžaduje hodnocení z obou procesních a výsledkových perspektiv. Typické ukazatele, jako je snížení nákladů, efektivita času a růst výnosů, lze použít k měření návratnosti investic. Tyto však nemusí zachytit celou šíři rozhodování, zejména když některá rozhodnutí zahrnují nečinnost. Kromě toho je důležité uznat, že výsledky obchodních rozhodnutí nemusí být okamžitě zřejmé. Ve farmaceutickém podnikání, například, je průměrný čas od klinických studií do uvedení produktu na trh více než 10 let.

To znamená, že hodnota hypotézy-řízené simulace lze měřit tím, jak je integrována do procesu rozhodování. Čím více výsledky simulace ovlivňují rozhodnutí, tím vyšší je její hodnota.

Budoucnost datové analytiky

Datová analytika se očekává, že se rozdělí do tří hlavních trendů: (1) Induktivní přístup, který hledá vzory v velkých datech, který funguje na základě předpokladu, že vzory nalezené v datech lze aplikovat na budoucnost, kterou chceme předpovědět (například generativní AI); (2) Analytický přístup, který se zaměřuje na interpretaci a pochopení jevů, kde nelze využít dostatečná data (například kauzální inference); a (3) Deduktivní přístup, který se spoléhá na obchodní pravidla, zásady nebo znalosti, aby viděl budoucí výsledky. To funguje i v případě, kdy je málo dat k dispozici (například hypotéza-orientovaná simulace).

LLM a další datové analytické nástroje jsou připraveny významně rozšířit své praktické aplikace. Mají potenciál revolucionalizovat práci urychlením, zlepšením kvality a v některých případech i převzetím lidské práce. Tento transformační posun umožní jednotlivcům soustředit se na důležitější aspekty své práce, jako je kritické myšlení a rozhodování, spíše než na časově náročnější činnosti, jako je sběr/organizace/analýza/visualizace dat, v případě datových analytiků. Když k tomu dojde, zvýší se důležitost stanovení směru, ve kterém se bude postupovat, a zaměří se na posílení lidského rozhodování. Zvláště bude trendy používat datové analytiky a simulaci pro strategická rozhodování, zatímco se bude zvládat budoucnost z středně až dlouhodobého hlediska.

Shrnutí, dosažení harmonického vyvážení mezi třemi výše uvedenými přístupy maximalizuje skutečný potenciál datové analytiky a umožňuje organizacím prosperovat v rychle se měnícím prostředí. Zatímco historická data jsou obrovským aktivem, je důležité uznat jejich omezení. Přijetí hypotéza-orientované simulace spolu s datech řízeným přístupem umožňuje organizacím připravit se na nepředvídatelnou budoucnost a zajistit, aby jejich rozhodnutí byla informována předvídavostí a uvážlivostí.