Hypothesenorientierte Simulation als Kompass für die Navigation in einer unsicheren Zukunft

Jüngste Fortschritte bei datengesteuerten Technologien haben das Potenzial der Vorhersage durch künstliche Intelligenz (KI) erschlossen. Prognosen in Neuland bleiben jedoch eine Herausforderung, da historische Daten möglicherweise nicht ausreichen, wie dies bei unvorhersehbaren Ereignissen wie Pandemien und neuen technologischen Störungen der Fall ist. Als Reaktion darauf kann eine hypothesenorientierte Simulation ein wertvolles Werkzeug sein, das es Entscheidungsträgern ermöglicht, verschiedene Szenarien zu untersuchen und fundierte Entscheidungen zu treffen. Der Schlüssel zum Erreichen der gewünschten Zukunft in einer Zeit der Unsicherheit liegt im Einsatz hypothesenorientierter Simulationen zusammen mit datengesteuerter KI, um die menschliche Entscheidungsfindung zu verbessern.

Können datengesteuerte Analysen die Zukunft vorhersagen?

In den letzten Jahren hat die KI eine transformative Reise durchgemacht, die durch bemerkenswerte, datengesteuerte Fortschritte vorangetrieben wurde. Im Mittelpunkt der Entwicklung der KI steht die erstaunliche Fähigkeit, aus riesigen Datensätzen tiefgreifende Erkenntnisse zu gewinnen. Der Aufstieg von Deep-Learning-Modellen und große Sprachmodelle (LLMs) haben das Feld in Neuland vorgestoßen. Die Möglichkeit, Daten zu nutzen, um fundierte Entscheidungen zu treffen, ist für Unternehmen jeder Größe und aller Branchen zugänglich geworden.

Nehmen Sie als Beispiel die Pharmaindustrie. Bei AstellasWir nutzen Daten und Analysen, um zu ermitteln, in welche Geschäftsportfolios wann investiert werden soll. Wenn Sie ein Geschäftsmodell entwickeln, das sich auf einen allgemeinen und gut verstandenen Krankheitsbereich konzentriert, können Sie dank der Leistungsfähigkeit datengesteuerter Analysen Einblicke in alle Bereiche von der Arzneimittelentwicklung bis zum Marketing gewinnen, die letztendlich zu fundierteren Geschäftsentscheidungen führen können.

Während sich datengesteuerte Analysen in etablierten Bereichen mit umfangreichen historischen Daten auszeichnen, bleibt die Vorhersage der Zukunft in unbekannten Gebieten eine gewaltige Herausforderung. Es ist schwierig, datengestützte Vorhersagen in Bereichen zu treffen, in denen noch nicht genügend Daten verfügbar sind, beispielsweise in Bereichen, in denen außergewöhnliche Veränderungen oder technologische Innovationen stattgefunden haben (es wäre sehr schwierig, die Auswirkungen einer plötzlichen Pandemie eines infektiösen Virus oder dergleichen vorherzusagen). Aufstieg der generativen KI in einem bestimmten Unternehmen in ihrem Anfangsstadium). Diese Szenarien verdeutlichen die Grenzen, die es mit sich bringt, sich ausschließlich auf historische Daten zu verlassen, um einen Kurs für die Zukunft festzulegen.

Ein typisches Beispiel in der Pharmaindustrie, mit dem Astellas regelmäßig konfrontiert wird, ist die Bewertung disruptiver Innovationen wie Gen- und Zelltherapien. Bei so wenigen verfügbaren Daten ist der Versuch, den genauen Wert dieser Innovationen und ihre weitreichenden Auswirkungen auf das Portfolio allein auf der Grundlage historischer Daten vorherzusagen, so, als würde man ohne Kompass durch dichten Nebel navigieren.

Blick in die Zukunft: Hypothesenorientierte Simulation

Ein vielversprechender Ansatz zur Bewältigung der Unsicherheit ist die hypothesenorientierte Simulation, die reale Prozesse nachahmt. Wenn Sie ein Unternehmen sind, das sich in unbekannte Bereiche vorwagt, müssen Sie einen hypothesenorientierten Ansatz verfolgen, wenn keine historischen Daten verfügbar sind. Das Modell stellt dar, wie Schlüsselfaktoren in den Prozessen die Ergebnisse beeinflussen, während die Simulation darstellt, wie sich das Modell im Laufe der Zeit unter verschiedenen Bedingungen entwickelt. Es ermöglicht Entscheidungsträgern, verschiedene Szenarien in den virtuellen „Parallelwelten“ zu testen.

In der Praxis bedeutet dies, dass ein Sammelsurium an Schlüsselszenarien auf den Entscheidungstisch gelegt wird, jedes mit einer eigenen Wahrscheinlichkeits- und Folgenabschätzung. Entscheidungsträger können dann kritische Szenarien bewerten und auf Basis dieser Simulationen Strategien für die Zukunft formulieren. In der Pharmaindustrie erfordert dies Annahmen über eine Reihe von Faktoren wie Erfolgsraten klinischer Studien, Marktanpassungsfähigkeit und Patientenpopulationen. Anschließend werden Zehntausende Simulationen durchgeführt, um den trüben Weg vor uns zu beleuchten und unschätzbare Erkenntnisse für die Steuerung des Kurses zu liefern.

Bei Astellas haben wir eine hypothesenorientierte Simulation entwickelt, die Szenarien erstellt und eine deduktive Vermutung anstellt, um die strategische Entscheidungsfindung zu unterstützen. Dies gelingt uns durch die Aktualisierung der Simulationshypothese in Echtzeit (am Entscheidungstisch), was zur Verbesserung der Qualität strategischer Entscheidungen beiträgt. Die Projektbewertung ist ein Thema, bei dem die Simulationsmethode ins Spiel kommt. Zunächst erstellen wir mögliche Hypothesen zu verschiedenen Faktoren, einschließlich, aber nicht beschränkt auf, Marktbedürfnisse und Erfolgswahrscheinlichkeit klinischer Studien. Basierend auf diesen Hypothesen simulieren wir dann Ereignisse, die während der klinischen Studien oder nach der Produkteinführung auftreten, um die möglichen Ergebnisse und den erwarteten Wert des Projekts zu ermitteln. Der berechnete Wert wird verwendet, um zu bestimmen, welche Optionen wir ergreifen sollten, einschließlich der Ressourcenzuweisung und Projektplanung.

Um tiefer einzusteigen, betrachten wir einen Anwendungsfall, in dem die Methode auf die Bewertung von Projekten im Frühstadium angewendet wird. Angesichts der inhärent hohen Unsicherheit, die mit Projekten in frühen Phasen einhergeht, gibt es zahlreiche Möglichkeiten, das Risiko eines Misserfolgs zu minimieren und den Erfolg zu maximieren. Einfach ausgedrückt: Je früher sich ein Projekt in seinem Lebenszyklus befindet, desto größer ist das Potenzial für flexible Entscheidungen (z. B. strategische Anpassungen, Markterweiterungen, Bewertung der Möglichkeit eines Projektabbruchs usw.). Die Bewertung des Werts der Flexibilität ist daher von größter Bedeutung, um alle Werte von Projekten im Frühstadium zu erfassen. Dies kann durch die Kombination der Realoptionstheorie und des Simulationsmodells erreicht werden.

Um die Auswirkungen hypothesenorientierter Simulationen zu messen, ist eine Bewertung sowohl aus Prozess- als auch aus Ergebnisperspektive erforderlich. Typische Indikatoren wie Kostensenkung, Zeiteffizienz und Umsatzwachstum können zur Messung des ROI herangezogen werden. Sie erfassen jedoch möglicherweise nicht den gesamten Entscheidungsprozess, insbesondere wenn einige Entscheidungen Untätigkeit erfordern. Darüber hinaus ist es wichtig zu wissen, dass die Ergebnisse von Geschäftsentscheidungen möglicherweise nicht sofort sichtbar sind. In der Pharmaindustrie beispielsweise beträgt die durchschnittliche Zeit von klinischen Studien bis zur Markteinführung über zehn Jahre.

Das heißt, der Wert der hypothesengesteuerten Simulation kann daran gemessen werden, wie sie in den Entscheidungsprozess integriert wird. Je stärker die Simulationsergebnisse Einfluss auf die Entscheidungsfindung haben, desto höher ist ihr Wert.

Die Zukunft der Datenanalyse

Datenanalyse wird voraussichtlich in drei Haupttrends auseinandergehen: (1) Ein induktiver Ansatz, der versucht, 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 keine ausreichenden Daten genutzt werden können (z. B. kausale Schlussfolgerungen); und (3) ein deduktiver Ansatz, der sich auf Geschäftsregeln, Prinzipien oder Wissen stützt, um zukünftige Ergebnisse zu erkennen. Es funktioniert auch dann, wenn weniger Daten verfügbar sind (z. B. eine hypothesenorientierte Simulation).

LLMs und andere datengesteuerte Analysen stehen kurz davor, ihre praktischen Anwendungen deutlich zu erweitern. Sie haben das Potenzial, die Arbeit zu revolutionieren, indem sie menschliche Arbeit beschleunigen, deren Qualität verbessern und in einigen Fällen sogar die Arbeit übernehmen. Dieser transformative Wandel wird es Einzelpersonen ermöglichen, ihre Bemühungen auf wichtigere Aspekte ihrer Arbeit zu konzentrieren, wie z. B. kritisches Denken und Entscheidungsfindung, anstatt auf zeitaufwändigere Aktivitäten wie Datenerfassung/-anordnung/-analyse/-visualisierung im Fall von Daten Analysten. Wenn dies geschieht, wird die Richtung, in die man sich bewegen soll, immer wichtiger, und der Schwerpunkt wird auf der Verbesserung der menschlichen Entscheidungsfindung liegen. Der Trend wird insbesondere darin bestehen, Datenanalysen und Simulationen für die strategische Entscheidungsfindung zu nutzen und gleichzeitig zukünftige Unsicherheiten aus einer mittel- bis langfristigen Perspektive zu bewältigen.

Zusammenfassend lässt sich sagen, dass ein ausgewogenes Verhältnis der drei oben genannten Ansätze das wahre Potenzial der Datenanalyse maximiert und Unternehmen ermöglicht, in einem sich schnell entwickelnden Umfeld erfolgreich zu sein. Obwohl historische Daten ein enormer Vorteil sind, ist es wichtig, die Grenzen zu kennen. Um diese Einschränkung zu überwinden, ermöglicht die Kombination hypothesenorientierter Simulation mit einem datengesteuerten Ansatz Unternehmen, sich auf eine unvorhersehbare Zukunft vorzubereiten und sicherzustellen, dass ihre Entscheidungen auf Weitsicht und Umsicht beruhen.