Υπόθεση-Προσανατολισμένη Προσομοίωση ως Πυξίδα για την Πλοήγηση σε Một Αβέβαιο Μέλλον

Οι πρόσφατες προόδους στις τεχνολογίες που βασίζονται σε δεδομένα έχουν ξεκλειδώσει το δυναμικό της πρόβλεψης μέσω της τεχνητής νοημοσύνης (AI). Ωστόσο, η πρόβλεψη σε ανεξερεύνητο έδαφος παραμένει μια πρόκληση, όπου τα ιστορικά δεδομένα μπορεί να μην είναι επαρκή, όπως φαίνεται με απρόβλεπτα γεγονότα όπως οι πανδημίες και οι νέες τεχνολογικές αναταραχές. Σε απάντηση, η υπόθεση-προσανατολισμένη προσομοίωση μπορεί να είναι ένα πολύτιμο εργαλείο που επιτρέπει στους αποφασίζοντες να εξερευνήσουν διαφορετικές σενάρια και να λάβουν ενημερωμένες αποφάσεις. Ο κλειδί για την επίτευξη του επιθυμητού μέλλοντος σε μια εποχή αβεβαιότητας βρίσκεται στην χρήση της υπόθεση-προσανατολισμένης προσομοίωσης, μαζί με την προσέγγιση που βασίζεται σε δεδομένα για την ενίσχυση της ανθρώπινης λήψης αποφάσεων.

Μπορούν οι αναλύσεις που βασίζονται σε δεδομένα να προβλέψουν το μέλλον;

Τα τελευταία χρόνια, η τεχνητή νοημοσύνη (AI) έχει υποστεί μια μεταμορφωτική πορεία, που τροφοδοτείται από εξαιρετικές, βασισμένες σε δεδομένα προόδους. Στο κέντρο της εξέλιξης της AI βρίσκεται η εκπληκτική ικανότητα να εξάγει βαθιά εποπτικά από τεράστιους συνόλους δεδομένων. Η άνοδος των μοντέλων βαθιάς μάθησης και των μεγάλων μοντέλων γλώσσας (LLMs) έχει ωθήσει το πεδίο σε ανεξερεύνητο έδαφος. Η δύναμη να αξιοποιήσει τα δεδομένα για να ληφθούν ενημερωμένες αποφάσεις έχει γίνει προσβάσιμη σε οργανισμούς όλων των μεγεθών και σε όλους τους κλάδους.

Πάρτε την φαρμακευτική βιομηχανία ως παράδειγμα. Στην Astellas, χρησιμοποιούμε δεδομένα και αναλύσεις για να βοηθήσουμε στην ενημέρωση ποια επιχειρηματικά χαρτοφυλάκια να επενδύσουμε και πότε. Αν αναπτύσσετε ένα επιχειρηματικό μοντέλο που επικεντρώνεται σε μια κοινή και καλά κατανοητή ασθένεια, η δύναμη των αναλύσεων που βασίζονται σε δεδομένα σας επιτρέπει να εξάγετε εποπτικά σε όλα, από την ανακάλυψη φαρμάκων μέχρι την αγορά, τα οποία μπορούν τελικά να οδηγήσουν σε πιο ενημερωμένες επιχειρηματικές αποφάσεις.

Ωστόσο, ενώ οι αναλύσεις που βασίζονται σε δεδομένα excels σε καθιερωμένα πεδία με άφθονη ιστορική δεδομένα, η πρόβλεψη του μέλλοντος σε ανεξερεύνητα εδάφη παραμένει μια φοβερή πρόκληση. Είναι δύσκολο να γίνουν προβλέψεις που βασίζονται σε δεδομένα σε περιοχές όπου δεν υπάρχουν επαρκή δεδομένα, όπως περιοχές όπου έχει συμβεί εξαιρετική αλλαγή ή τεχνολογική καινοτομία (θα ήταν πολύ δύσκολο να προβλεφθεί η επίδραση μιας ξαφνικής πανδημίας ενός ιού ή της άνοδος της γενετικής AI σε μια επιχείρηση στις πρώτες φάσεις). Αυτά τα σενάρια υπογραμμίζουν τις περιορισμούς της εξάρτησης αποκλειστικά από ιστορικά δεδομένα για να χαράξουν einen δρόμο προς τα εμπρός.

Ένα τυπικό παράδειγμα στη φαρμακευτική βιομηχανία, και ένα που η Astellas αντιμετωπίζει τακτικά, είναι η αξιολόγηση των καινοτομών όπως οι θεραπείες γονιδίων και κυττάρων. Με τόσο λίγα δεδομένα διαθέσιμα, η προσπάθεια να προβλεφθεί η ακριβής αξία αυτών των καινοτομιών και η μακροπρόθεσμη επίδρασή τους στο χαρτοφυλάκιο με βάση μόνο ιστορικά δεδομένα είναι σαν να πλοηγούμαστε μέσα από πυκνή ομίχλη χωρίς πυξίδα.

Κοιτάζοντας στο Μέλλον: Υπόθεση-Προσανατολισμένη Προσομοίωση

Μια υποσχόμενη προσέγγιση για να πλοηγήσουμε τα νερά της αβεβαιότητας είναι η υπόθεση-προσανατολισμένη προσομοίωση, η οποία μιμείται πραγματικές διαδικασίες. Αν είστε μια επιχείρηση που εισέρχεται σε άγνωστα εδάφη, πρέπει να υιοθετήσετε μια υπόθεση-προσανατολισμένη προσέγγιση όταν δεν υπάρχουν ιστορικά δεδομένα. Το μοντέλο αντιπροσωπεύει πώς οι κρίσιμοι παράγοντες στις διαδικασίες επηρεάζουν τα αποτελέσματα, ενώ η προσομοίωση αντιπροσωπεύει πώς το μοντέλο εξελίσσεται με την πάροδο του χρόνου υπό διαφορετικές συνθήκες. Επιτρέπει στους αποφασίζοντες να δοκιμάσουν διαφορετικά σενάρια σε εικονικά “παράλληλα σύμπαντα”.

Στην πράξη, αυτό σημαίνει να βάζουμε ένα πλήθος κρίσιμων σεναρίων στο τραπέζι της απόφασης, κάθε ένα με τη δική του αξιολόγηση πιθανότητας και επίδρασης. Οι αποφασίζοντες μπορούν τότε να αξιολογήσουν κρίσιμα σενάρια και να διαμορφώσουν στρατηγικές για το μέλλον με βάση αυτές τις προσομοιώσεις. Στη φαρμακευτική βιομηχανία, αυτό απαιτεί να κάνουμε υποθέσεις για μια σειρά παραγόντων, όπως τα ποσοστά επιτυχίας των κλινικών δοκιμών, τη διαθεσιμότητα της αγοράς και τους πληθυσμούς των ασθενών. Δεκάδες χιλιάδες προσομοιώσεις τρέχουν για να φωτίσουν τον αβέβαιο δρόμο προς τα εμπρός και να παρέχουν απτή εποπτική για να οδηγήσουν την πορεία.

Στην Astellas, έχουμε αναπτύξει μια υπόθεση-προσανατολισμένη προσομοίωση, η οποία δημιουργεί σενάρια και κάνει μια εικαστική υπόθεση, για να βοηθήσει στην ενημέρωση στρατηγικών αποφάσεων. Μπορούμε να το κάνουμε αυτό ενημερώνοντας την υπόθεση της προσομοίωσης σε πραγματικό χρόνο (στο τραπέζι της απόφασης), το οποίο βοηθά να βελτιωθεί η ποιότητα των στρατηγικών αποφάσεων. Η αξιολόγηση του έργου είναι ένα θέμα όπου η μεθοδος προσομοίωσης έρχεται. Πρώτα, χτίζουμε πιθανές υποθέσεις για διάφορους παράγοντες, συμπεριλαμβανομένων, αλλά όχι περιορισμένων σε, τις ανάγκες της αγοράς και την πιθανότητα επιτυχίας των κλινικών δοκιμών. Στη συνέχεια, με βάση αυτές τις υποθέσεις, προσομοιώνουμε τα γεγονότα που συμβαίνουν κατά τη διάρκεια των κλινικών δοκιμών ή μετά την εκκίνηση του προϊόντος για να παράγουμε τα πιθανά αποτελέσματα και την αναμενόμενη αξία του έργου. Η υπολογισμένη αξία χρησιμοποιείται για να καθορίσει ποια επιλογές πρέπει να πάρουμε, συμπεριλαμβανομένης της κατανομής πόρων και της σχεδίασης του έργου.

Για να πιέσουμε πιο sâu, ας δούμε ένα παράδειγμα όπου η μέθοδος εφαρμόζεται στην αξιολόγηση του έργου σε πρώιμο στάδιο. Δεδομένου του εγγενώς υψηλού επιπέδου αβεβαιότητας που συνοδεύει τα πρώιμα έργα, υπάρχουν πολλές ευκαιρίες να μειώσουμε τους κινδύνους της αποτυχίας και να μεγιστοποιήσουμε τις ανταμοιβές της επιτυχίας. Απλά, όσο πιο πρώιμο είναι το έργο στη ζωή του, τόσο μεγαλύτερη είναι η δυνατότητα για ευέλικτη λήψη αποφάσεων (π.χ. στρατηγικές προσαρμογές, επεκτάσεις της αγοράς, αξιολόγηση της πιθανότητας εγκατάλειψης, κ.λπ.). Η αξιολόγηση της αξίας της ευελιξίας είναι, επομένως, καθοριστική για να καταγράψουμε όλες τις αξίες των πρώιμων έργων. Αυτό μπορεί να γίνει συνδυάζοντας τη θεωρία πραγματικών επιλογών και το μοντέλο προσομοίωσης.

Η μέτρηση της επίδρασης της υπόθεση-προσανατολισμένης προσομοίωσης απαιτεί μια αξιολόγηση από την πλευρά της διαδικασίας και των αποτελεσμάτων. Τυπικοί δείκτες όπως η μείωση του κόστους, η αποτελεσματικότητα του χρόνου και η αύξηση των εσόδων μπορούν να χρησιμοποιηθούν για να μετρηθεί το ROI. Ωστόσο, μπορεί να μην καταγράψουν την ολότητα της λήψης αποφάσεων, ιδιαίτερα όταν κάποιες αποφάσεις περιλαμβάνουν την αδρανοποίηση. Επιπλέον, είναι σημαντικό να αναγνωρίσουμε ότι τα αποτελέσματα των επιχειρηματικών αποφάσεων μπορεί να μην είναι αμέσως εμφανή. Στη φαρμακευτική βιομηχανία, για παράδειγμα, ο μέσος χρόνος από τις κλινικές δοκιμές μέχρι την εκκίνηση της αγοράς είναι πάνω από 10 χρόνια.

Αυτό είναι, η αξία της υπόθεση-οδηγούμενης προσομοίωσης μπορεί να μετρηθεί με το πόσο ενσωματώνεται στη διαδικασία λήψης αποφάσεων. Όσο περισσότερο τα αποτελέσματα της προσομοίωσης έχουν επίδραση στη λήψη αποφάσεων, τόσο υψηλότερη είναι η αξία της.

Το Μέλλον των Αναλυτικών Δεδομένων

Οι αναλύσεις δεδομένων αναμένεται να διαφοροποιηθούν σε τρεις μεγάλες τάσεις: (1) Μια επαγωγική προσέγγιση που αναζητά να ανακαλύψει μοτίβα σε μεγάλα δεδομένα, η οποία λειτουργεί με την υπόθεση ότι τα μοτίβα που βρέθηκαν στα δεδομένα μπορούν να εφαρμοστούν στο μέλλον που θέλουμε να προβλέψουμε (π.χ. γενετική AI); (2) Μια αναλυτική προσέγγιση, η οποία επικεντρώνεται στην ερμηνεία και κατανόηση των φαινομένων όπου δεν μπορούν να χρησιμοποιηθούν επαρκή δεδομένα (π.χ. αιτιακή συλλογή); και (3) Μια αποδεικτική προσέγγιση, η οποία βασίζεται σε επιχειρηματικές κανόνες, αρχές ή γνώση για να δει τα μελλοντικά αποτελέσματα. Λειτουργεί ακόμη και όταν υπάρχουν λιγότερα δεδομένα διαθέσιμα (π.χ. μια υπόθεση-προσανατολισμένη προσομοίωση).

Τα LLMs και άλλες αναλύσεις που βασίζονται σε δεδομένα είναι έτοιμα να επεκτείνουν σημαντικά τις πρακτικές εφαρμογές τους. Έχουν το δυναμικό να επαναφέρουν την εργασία με το να ταχύνουν, να βελτιώσουν την ποιότητα και σε ορισμένες περιπτώσεις ακόμη και να αναλάβουν ανθρώπινη εργασία. Αυτή η μετασχηματιστική αλλαγή θα επιτρέψει στους ατόμους να εστιάσουν τις προσπάθειές τους σε πιο σημαντικά μέρη της εργασίας τους, όπως η κρίσιμη σκέψη και η λήψη αποφάσεων, αντί για πιο χρονοβόρες δραστηριότητες, όπως η συλλογή/ταξινόμηση/ανάλυση/οπτικοποίηση δεδομένων, στην περίπτωση των αναλυτών δεδομένων. Όταν αυτό συμβεί, η σημασία του να κινηθούμε στη σωστή κατεύθυνση θα αυξηθεί, και ο焦ος θα είναι στην ενίσχυση της ανθρώπινης λήψης αποφάσεων. Ιδιαίτερα, η τάση θα είναι να χρησιμοποιήσουμε αναλύσεις δεδομένων και προσομοίωση για στρατηγική λήψη αποφάσεων, जबकαιο διαχειριζόμαστε τις μελλοντικές αβεβαιότητες από μια μεσοπρόθεσμη έως μακροπρόθεσμη προοπτική.

Συνοπτικά, η επίτευξη μιας αρμονικής ισορροπίας μεταξύ των τριών προσεγγίσεων παραπάνω θα μεγιστοποιήσει το αληθινό δυναμικό των αναλυτικών δεδομένων και θα επιτρέψει στις οργανώσεις να ευημερήσουν σε ένα ταχέως εξελισσόμενο τοπίο. Ενώ τα ιστορικά δεδομένα είναι ένα τεράστιο περιουσιακό στοιχείο, είναι σημαντικό να αναγνωρίσουμε τους περιορισμούς. Για να υπερβούμε αυτόν τον περιορισμό, η υιοθέτηση της υπόθεση-προσανατολισμένης προσομοίωσης μαζί με μια προσέγγιση που βασίζεται σε δεδομένα θα επιτρέψει στις οργανώσεις να προετοιμαστούν για ένα απρόβλεπτο μέλλον και να διασφαλίσουν ότι οι αποφάσεις τους είναι ενημερωμένες από πρόνοια και φρόνηση.