La simulación orientada a hipótesis como brújula para navegar en un futuro incierto

Los avances recientes en tecnologías basadas en datos han desbloqueado el potencial de la predicción a través de la inteligencia artificial (IA). Sin embargo, hacer pronósticos en territorio inexplorado sigue siendo un desafío, donde los datos históricos pueden no ser suficientes, como se ve en eventos impredecibles como pandemias y nuevas disrupciones tecnológicas. En respuesta, la simulación orientada a hipótesis puede ser una herramienta valiosa que permita a quienes toman decisiones explorar diferentes escenarios y tomar decisiones informadas. La clave para lograr el futuro deseado en una era de incertidumbre radica en el uso de simulación orientada a hipótesis, junto con inteligencia artificial basada en datos para aumentar la toma de decisiones humana.

¿Puede el análisis basado en datos predecir el futuro?

En los últimos años, la IA ha atravesado un viaje transformador, impulsado por avances notables basados ​​en datos. En el corazón de la evolución de la IA se encuentra la asombrosa capacidad de extraer conocimientos profundos de conjuntos de datos masivos. El auge de los modelos de aprendizaje profundo y grandes modelos de lenguaje (LLM) han llevado el campo a territorio inexplorado. El poder de aprovechar los datos para tomar decisiones informadas se ha vuelto accesible para organizaciones de todos los tamaños y en todas las industrias.

Tomemos como ejemplo la industria farmacéutica. En Astellas, utilizamos datos y análisis para ayudar a informar en qué carteras de negocios invertir y cuándo. Si está desarrollando un modelo de negocio centrado en un área de enfermedad común y bien entendida, el poder del análisis basado en datos le permite obtener información sobre todo, desde el descubrimiento de fármacos hasta el marketing, lo que en última instancia puede conducir a decisiones comerciales más informadas.

Sin embargo, si bien el análisis basado en datos sobresale en dominios establecidos con amplios datos históricos, predecir el futuro en territorios inexplorados sigue siendo un desafío formidable. Es difícil hacer predicciones basadas en datos en áreas donde aún no se dispone de datos suficientes, como áreas donde se han producido cambios extraordinarios o innovaciones tecnológicas (sería muy difícil predecir el impacto de una pandemia repentina de un virus infeccioso o la aumento de la IA generativa en un negocio particular en sus primeras etapas). Estos escenarios subrayan las limitaciones de depender únicamente de datos históricos para trazar el rumbo a seguir.

Un ejemplo típico de la industria farmacéutica, al que Astellas se enfrenta periódicamente, es la valoración de innovaciones disruptivas como las terapias genéticas y celulares. Con tan pocos datos disponibles, tratar de predecir el valor exacto de estas innovaciones y su impacto de gran alcance en la cartera basándose únicamente en datos históricos es como navegar a través de una densa niebla sin brújula.

Mirando hacia el futuro: simulación orientada a hipótesis

Un enfoque prometedor para navegar en las aguas de la incertidumbre es la simulación orientada a hipótesis, que imita los procesos del mundo real. Si su empresa se aventura en áreas desconocidas, debe adoptar un enfoque orientado a hipótesis cuando no haya datos históricos disponibles. El modelo representa cómo los factores clave de los procesos afectan los resultados, mientras que la simulación representa cómo evoluciona el modelo a lo largo del tiempo en diferentes condiciones. Permite a los responsables de la toma de decisiones probar diferentes escenarios en los “mundos paralelos” virtuales.

En la práctica, esto significa presentar una mezcla heterogénea de escenarios clave en la mesa de decisiones, cada uno con su propia evaluación de probabilidad e impacto. Luego, los tomadores de decisiones pueden evaluar escenarios críticos y formular estrategias para el futuro basadas en estas simulaciones. En la industria farmacéutica, esto requiere hacer suposiciones sobre una variedad de factores, como las tasas de éxito de los ensayos clínicos, la adaptabilidad del mercado y las poblaciones de pacientes. Luego se ejecutan decenas de miles de simulaciones para iluminar el turbio camino que tenemos por delante y proporcionar información invaluable para orientar el rumbo.

En Astellas, hemos desarrollado una simulación orientada a hipótesis, que crea escenarios y realiza conjeturas deductivas, para ayudar a informar la toma de decisiones estratégicas. Esto lo podemos hacer actualizando las hipótesis de simulación en tiempo real (en la mesa de toma de decisiones), lo que ayuda a mejorar la calidad de las decisiones estratégicas. La valoración de proyectos es un tema en el que entra en juego el método de simulación. Primero, elaboramos posibles hipótesis sobre varios factores que incluyen, entre otros, las necesidades del mercado y la probabilidad de éxito de los ensayos clínicos. Luego, basándonos en esas hipótesis, simulamos eventos que ocurren durante los ensayos clínicos o después del lanzamiento del producto para generar los posibles resultados y el valor anticipado del proyecto. El valor calculado se utiliza para determinar qué opciones debemos tomar, incluida la asignación de recursos y la planificación del proyecto.

Para profundizar más, veamos un caso de uso en el que el método se aplica a la valoración de proyectos en sus primeras etapas. Dado el nivel inherentemente alto de incertidumbre que conlleva los proyectos en etapas anteriores, existen abundantes oportunidades para mitigar los riesgos de fracaso y maximizar las recompensas del éxito. En pocas palabras, cuanto más temprano esté un proyecto en su ciclo de vida, mayor será el potencial para una toma de decisiones flexible (por ejemplo, ajustes estratégicos, expansiones del mercado, evaluación de la posibilidad de abandono, etc.). Por lo tanto, evaluar el valor de la flexibilidad es primordial para capturar todos los valores de los proyectos en etapa inicial. Esto se puede hacer combinando la teoría de opciones reales y el modelo de simulación.

Medir el impacto de la simulación orientada a hipótesis requiere una evaluación tanto desde la perspectiva del proceso como de los resultados. Para medir el ROI se pueden utilizar indicadores típicos como la reducción de costos, la eficiencia del tiempo y el crecimiento de los ingresos. Sin embargo, es posible que no capturen la totalidad de la toma de decisiones, especialmente cuando algunas decisiones implican inacción. Además, es importante reconocer que los resultados de las decisiones empresariales pueden no ser evidentes de inmediato. En el negocio farmacéutico, por ejemplo, el tiempo medio desde los ensayos clínicos hasta el lanzamiento al mercado es de más de 10 años.

Es decir, el valor de la simulación basada en hipótesis se puede medir viendo cómo se integra en el proceso de toma de decisiones. Cuanto más impacto tengan los resultados de la simulación en la toma de decisiones, mayor será su valor.

El futuro del análisis de datos

Análisis de datos Se espera que diverja en tres tendencias principales: (1) Un enfoque inductivo que busca identificar patrones en grandes datos, que funciona bajo el supuesto de que los patrones encontrados en los datos se pueden aplicar al futuro que queremos predecir (por ejemplo, IA generativa). ); (2) Un enfoque analítico, que se centra en la interpretación y comprensión de fenómenos donde no se pueden utilizar datos suficientes (por ejemplo, inferencia causal); y (3) Un enfoque deductivo, que se basa en reglas, principios o conocimientos comerciales para ver resultados futuros. Funciona incluso cuando hay menos datos disponibles (por ejemplo, una simulación orientada a hipótesis).

Los LLM y otros análisis basados ​​en datos están preparados para ampliar significativamente sus aplicaciones prácticas. Tienen el potencial de revolucionar el trabajo al acelerar, mejorar la calidad y, en algunos casos, incluso realizar el trabajo humano. Este cambio transformador permitirá a las personas centrar sus esfuerzos en aspectos más importantes de su trabajo, como el pensamiento crítico y la toma de decisiones, en lugar de actividades que consumen más tiempo, como la recopilación/organización/análisis/visualización de datos, en el caso de los datos. analistas. Cuando esto suceda, aumentará la importancia de qué dirección tomar y la atención se centrará en aumentar la toma de decisiones humana. En particular, la tendencia será utilizar el análisis de datos y la simulación para la toma de decisiones estratégicas y al mismo tiempo gestionar las incertidumbres futuras desde una perspectiva de mediano a largo plazo.

En resumen, lograr un equilibrio armonioso entre los tres enfoques anteriores maximizará el verdadero potencial del análisis de datos y permitirá a las organizaciones prosperar en un panorama en rápida evolución. Si bien los datos históricos son un activo tremendo, es importante reconocer las limitaciones. Para superar esta limitación, adoptar una simulación orientada a hipótesis junto con un enfoque basado en datos permite a las organizaciones prepararse para un futuro impredecible y garantizar que sus decisiones se basen en la previsión y la prudencia.