Hypothesen-orientierte Simulation als Kompass für die Navigation in einer unsicheren Zukunft

Die jüngsten Fortschritte in datengetriebenen Technologien haben das Potenzial der Vorhersage durch künstliche Intelligenz (KI) freigeschaltet. Die Prognose in unerforschtem Gebiet bleibt jedoch eine Herausforderung, wo historische Daten möglicherweise nicht ausreichen, wie bei unvorhersehbaren Ereignissen wie Pandemien und neuen technologischen Umbrüchen. Als Reaktion darauf kann die hypothesen-orientierte Simulation ein wertvolles Werkzeug sein, das es Entscheidungsträgern ermöglicht, verschiedene Szenarien zu erkunden und informierte Entscheidungen zu treffen. Der Schlüssel zum Erreichen der gewünschten Zukunft in einer Ära der Unsicherheit liegt in der Verwendung von hypothesen-orientierter Simulation, zusammen mit datengetriebener KI, um die menschliche Entscheidungsfindung zu ergänzen.

Können datengetriebene Analysen die Zukunft vorhersagen?

In den letzten Jahren hat die KI eine transformative Reise durchgemacht, die von bemerkenswerten, datengetriebenen Fortschritten angetrieben wurde. Im Herzen der Evolution der KI liegt die erstaunliche Fähigkeit, tiefere Einblicke aus massiven Datensätzen zu extrahieren. Der Aufstieg von Deep-Learning-Modellen und großen Sprachmodellen (LLMs) hat das Feld in unerforschtes Gebiet geführt. Die Fähigkeit, Daten zu nutzen, um informierte Entscheidungen zu treffen, ist für Organisationen aller Größen und Branchen zugänglich geworden.

Ein Beispiel aus der Pharmaindustrie: Bei Astellas verwenden wir Daten und Analysen, um zu bestimmen, in welche Geschäftsbereiche wir investieren und wann. Wenn Sie ein Geschäftsmodell entwickeln, das auf einem bekannten und gut verstandenen Krankheitsbereich basiert, ermöglicht die datengetriebene Analyse Ihnen, Einblicke in alles von der Arzneimittelentwicklung bis zum Marketing zu gewinnen, was letztendlich zu informierteren Geschäftsentscheidungen führen kann.

Es ist jedoch wichtig zu beachten, dass die datengetriebene Analyse in etablierten Bereichen mit reichlich historischen Daten hervorragend funktioniert, die Vorhersage der Zukunft in unerforschtem Gebiet jedoch eine formidabile Herausforderung bleibt. Es ist schwierig, datengetriebene Vorhersagen in Bereichen zu treffen, in denen ausreichend Daten nicht verfügbar sind, wie in Bereichen, in denen außergewöhnliche Veränderungen oder technologische Innovationen aufgetreten sind (es wäre sehr schwierig, den Einfluss einer plötzlichen Pandemie eines ansteckenden Virus oder den Aufstieg von generativer KI auf ein bestimmtes Geschäft in seinen Anfängen vorherzusagen). Diese Szenarien unterstreichen die Einschränkungen, die sich ergeben, wenn man sich ausschließlich auf historische Daten verlässt, um den Weg nach vorne zu bestimmen.

Ein typisches Beispiel in der Pharmaindustrie, mit dem Astellas regelmäßig konfrontiert ist, ist die Bewertung von disruptiven Innovationen wie Gentherapien und Zelltherapien. Mit so wenig verfügbaren Daten ist es, als ob man versucht, den genauen Wert dieser Innovationen und ihre weitreichenden Auswirkungen auf das Portfolio allein auf der Grundlage historischer Daten vorherzusagen, wie ein Navigation durch dichten Nebel ohne Kompass.

In die Zukunft blicken: Hypothesen-orientierte Simulation

Ein vielversprechender Ansatz, um die Gewässer der Unsicherheit zu navigieren, ist die hypothesen-orientierte Simulation, die reale Prozesse nachahmt. Wenn Sie ein Unternehmen sind, das in unbekannte Bereiche vorstößt, müssen Sie einen hypothesen-orientierten Ansatz verfolgen, wenn historische Daten nicht verfügbar sind. Das Modell stellt dar, wie Schlüsselfaktoren in den Prozessen die Ergebnisse beeinflussen, während die Simulation darstellt, wie das Modell im Laufe der Zeit unter verschiedenen Bedingungen evolviert. Es ermöglicht Entscheidungsträgern, verschiedene Szenarien in virtuellen “Parallelwelten” zu testen.

In der Praxis bedeutet dies, eine Vielzahl von Schlüsselszenarien auf dem Entscheidungstisch auszubreiten, jedes mit seiner eigenen Wahrscheinlichkeits- und Auswirkungsbeurteilung. Entscheidungsträger können dann kritische Szenarien bewerten und Strategien für die Zukunft basierend auf diesen Simulationen entwickeln. In der Pharmaindustrie erfordert dies, Annahmen über eine Reihe von Faktoren wie klinische Erfolgsraten, Marktanpassungsfähigkeit und Patientenpopulationen zu treffen. Zehntausende von Simulationen werden dann durchgeführt, um den unklaren Weg voranzugehen und wertvolle Einblicke zu liefern, um den Kurs zu steuern.

Bei Astellas haben wir eine hypothesen-orientierte Simulation entwickelt, die Szenarien erstellt und eine deduktive Vermutung anstellt, um strategische Entscheidungen zu unterstützen. Wir können dies tun, indem wir die Simulationshypothese in Echtzeit (am Entscheidungstisch) aktualisieren, was dazu beiträgt, die Qualität der strategischen Entscheidungen zu verbessern. Die Projektbewertung ist ein Thema, bei dem die Simulationsmethode zum Einsatz kommt. Zunächst erstellen wir mögliche Hypothesen zu verschiedenen Faktoren, einschließlich, aber nicht beschränkt auf Marktnachfrage und Erfolgsaussichten klinischer Studien. Dann simulieren wir basierend auf diesen Hypothesen Ereignisse, die während klinischer Studien oder nach dem Produktstart eintreten, um die möglichen Ergebnisse und den erwarteten Wert des Projekts zu ermitteln. Der berechnete Wert wird verwendet, um zu bestimmen, welche Optionen wir wählen sollten, einschließlich Ressourcenzuweisung und Projektplanung.

Um tiefer in ein Beispiel einzutauchen, wo die Methode auf die Bewertung von Frühphasenprojekten angewendet wird, ist die inhärente Unsicherheit, die mit frühen Projekten einhergeht, sehr hoch. Es gibt viele Möglichkeiten, die Risiken des Scheiterns zu mindern und die Belohnungen des Erfolgs zu maximieren. Einfach ausgedrückt: Je früher ein Projekt in seinem Lebenszyklus ist, desto größer ist das Potenzial für flexible Entscheidungen (z. B. strategische Anpassungen, Markterweiterungen, Bewertung der Möglichkeit der Aufgabe usw.). Die Bewertung des Wertes der Flexibilität ist daher von entscheidender Bedeutung, um alle Werte der Frühphasenprojekte zu erfassen. Dies kann durch die Kombination von Realoptionstheorie und Simulationsmodell erreicht werden.

Die Messung des Einflusses der hypothesen-orientierten Simulation erfordert eine Bewertung aus beiden Perspektiven: Prozess und Ergebnis. Typische Indikatoren wie Kostenreduzierung, ZeitEffizienz und Umsatzwachstum können verwendet werden, um die Rendite zu messen. Es ist jedoch wichtig zu beachten, dass diese möglicherweise nicht die gesamte Entscheidungsfindung erfassen, insbesondere wenn einige Entscheidungen Inaktivität beinhalten. Darüber hinaus ist es wichtig zu erkennen, dass die Ergebnisse von Geschäftsentscheidungen möglicherweise nicht sofort ersichtlich sind. In der Pharmaindustrie beispielsweise beträgt die durchschnittliche Zeit von klinischen Studien bis zum Markteintritt über 10 Jahre.

Das bedeutet, dass der Wert der hypothesen-orientierten Simulation durch die Integration in den Entscheidungsprozess gemessen werden kann. Je mehr die Simulationsergebnisse die Entscheidungsfindung beeinflussen, desto höher ist ihr Wert.

Die Zukunft der Datenanalyse

Datenanalyse wird voraussichtlich in drei Haupttrends divergieren: (1) Ein induktiver Ansatz, der darauf abzielt, Muster in großen Datenmengen zu identifizieren, der unter der Annahme arbeitet, dass die in den Daten gefundenen Muster auf die Zukunft angewendet werden können, die wir vorhersagen möchten (z. B. generative KI); (2) ein analytischer Ansatz, der sich auf die Interpretation und das Verständnis von Phänomenen konzentriert, bei denen ausreichend Daten nicht genutzt werden können (z. B. kausale Inferenz); und (3) ein deduktiver Ansatz, der auf Geschäftsregeln, Prinzipien oder Wissen setzt, um zukünftige Ergebnisse vorherzusagen, der auch dann funktioniert, wenn weniger Daten verfügbar sind (z. B. hypothesen-orientierte Simulation).

LLMs und andere datengetriebene Analysen sind darauf vorbereitet, ihre praktischen Anwendungen erheblich auszuweiten. Sie haben das Potenzial, die Arbeit zu revolutionieren, indem sie die Geschwindigkeit, Qualität und in einigen Fällen sogar die Ausführung von Arbeit durch Menschen beschleunigen. Diese transformative Veränderung ermöglicht es Einzelpersonen, ihre Bemühungen auf wichtigere Aspekte ihrer Arbeit zu konzentrieren, wie kritisches Denken und Entscheidungsfindung, anstatt auf zeitaufwändigere Aktivitäten wie Datensammlung, -anordnung, -analyse oder -visualisierung, im Falle von Datenanalysten. Wenn dies geschieht, wird die Bedeutung der Richtung, in die man sich bewegt, zunehmen, und der Fokus wird auf die Ergänzung der menschlichen Entscheidungsfindung durch Datenanalyse und Simulation für strategische Entscheidungen bei der Bewältigung von Unsicherheiten aus mittlerer bis langer Perspektive liegen.

Zusammenfassend lässt sich sagen, dass die Erreichung eines harmonischen Gleichgewichts zwischen den drei oben genannten Ansätzen das wahre Potenzial der Datenanalyse maximieren und es Organisationen ermöglichen wird, in einer sich schnell verändernden Landschaft zu gedeihen. Während historische Daten ein enormer Vermögenswert sind, ist es wichtig, die Einschränkungen zu erkennen. Um diese Einschränkung zu überwinden, ermöglicht die hypothesen-orientierte Simulation in Kombination mit einem datengetriebenen Ansatz es Organisationen, sich auf eine unvorhersehbare Zukunft vorzubereiten und sicherzustellen, dass ihre Entscheidungen von Voraussicht und Umsicht geleitet sind.