Simulación orientada a hipótesis como brújula para navegar un futuro incierto

Los avances recientes en tecnologías impulsadas por datos han desbloqueado el potencial de la predicción a través de la inteligencia artificial (IA). Sin embargo, la predicción en territorio inexplorado sigue siendo un desafío, donde los datos históricos pueden no ser suficientes, como se ha visto con eventos impredecibles como las pandemias y las nuevas innovaciones tecnológicas. En respuesta, la simulación orientada a hipótesis puede ser una herramienta valiosa que permite a los responsables de la toma de decisiones explorar diferentes escenarios y tomar decisiones informadas. La clave para lograr el futuro deseado en una era de incertidumbre radica en utilizar la simulación orientada a hipótesis, junto con la IA impulsada por datos para mejorar la toma de decisiones humanas.

¿Pueden las analíticas impulsadas por datos predecir el futuro?

En los últimos años, la IA ha experimentado un viaje transformador, impulsado por avances notables en el ámbito de los datos. En el corazón de la evolución de la IA se encuentra la capacidad asombrosa de extraer conocimientos profundos de conjuntos de datos masivos. El surgimiento de modelos de aprendizaje profundo y modelos de lenguaje grande (LLM) han empujado al campo hacia un territorio inexplorado. La capacidad 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 sobre 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 de las analíticas impulsadas por datos le permite derivar conocimientos sobre todo, desde el descubrimiento de fármacos hasta el marketing, lo que puede llevar a decisiones comerciales más informadas.

Sin embargo, aunque las analíticas impulsadas por datos sobresalen en dominios establecidos con datos históricos abundantes, predecir el futuro en territorios inexplorados sigue siendo un desafío formidable. Es difícil hacer predicciones impulsadas por datos en áreas donde no hay suficientes datos disponibles, como áreas donde ha ocurrido un cambio extraordinario o innovación tecnológica (sería muy difícil predecir el impacto de una pandemia repentina de un virus infeccioso o el surgimiento de la IA generativa en una empresa en sus primeras etapas). Estos escenarios subrayan las limitaciones de confiar únicamente en los datos históricos para trazar un curso hacia adelante.

Un ejemplo típico en la industria farmacéutica, y que Astellas enfrenta regularmente, es la valoración de innovaciones disruptivas como las terapias génicas y celulares. Con tan pocos datos disponibles, intentar predecir el valor exacto de estas innovaciones y su impacto a largo plazo en la cartera basándose únicamente en datos históricos es como navegar a través de una niebla densa sin brújula.

Mirando hacia el futuro: Simulación orientada a hipótesis

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

En la práctica, esto significa presentar una variedad de escenarios clave en la mesa de decisiones, cada uno con su propia evaluación de probabilidad e impacto. Los responsables de la toma 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 serie de factores, como tasas de éxito de ensayos clínicos, adaptabilidad del mercado y poblaciones de pacientes. Se realizan decenas de miles de simulaciones para iluminar el camino adelante y proporcionar conocimientos valiosos para guiar el curso.

En Astellas, hemos desarrollado una simulación orientada a hipótesis, que crea escenarios y hace una suposición deductiva, para ayudar a informar la toma de decisiones estratégicas. Podemos hacerlo actualizando la 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 donde el método de simulación es útil. Primero, construimos hipótesis posibles sobre varios factores, incluyendo, pero no limitado a, necesidades del mercado y 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 resultados y valor posibles del proyecto. El valor calculado se utiliza para determinar qué opciones debemos tomar, incluyendo la asignación de recursos y la planificación de proyectos.

Para profundizar, veamos un caso de uso donde el método se aplica a la valoración de proyectos en etapas tempranas. Dada la incertidumbre inherente que conlleva los proyectos en etapas tempranas, hay una abundancia de oportunidades para mitigar los riesgos de fracaso y maximizar las recompensas del éxito. En simples términos, cuanto antes esté un proyecto en su ciclo de vida, mayor es el potencial para la toma de decisiones flexibles (por ejemplo, ajustes estratégicos, expansiones del mercado, evaluación de la posibilidad de abandono, etc.). Evaluar el valor de la flexibilidad es, por lo tanto, fundamental para capturar todos los valores de los proyectos en etapas tempranas. 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 desde las perspectivas del proceso y los resultados. Indicadores típicos como la reducción de costos, la eficiencia del tiempo y el crecimiento de los ingresos se pueden utilizar para medir el ROI. Sin embargo, es posible que no capturen la totalidad de la toma de decisiones, especialmente cuando algunas decisiones involucran la inacción. Además, es importante reconocer que los resultados de las decisiones comerciales pueden no ser inmediatamente aparentes. En el negocio farmacéutico, por ejemplo, el tiempo promedio desde los ensayos clínicos hasta el lanzamiento en el mercado es de más de 10 años.

Es decir, el valor de la simulación orientada a 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 es su valor.

El futuro de las analíticas de datos

Se espera que las analíticas de datos se diversifiquen en tres tendencias principales: (1) Un enfoque inductivo que busca identificar patrones en grandes conjuntos de datos, que funciona bajo la suposición 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 comerciales, principios o conocimientos para ver resultados futuros. Funciona incluso cuando hay menos datos disponibles (por ejemplo, una simulación orientada a hipótesis).

Los LLM y otras analíticas impulsadas por datos están a punto de expandir significativamente sus aplicaciones prácticas. Tienen el potencial de revolucionar el trabajo acelerando, mejorando la calidad y, en algunos casos, incluso asumiendo 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 más consumidoras de tiempo, como la recopilación, organización, análisis y visualización de datos, en el caso de los analistas de datos. Cuando esto suceda, la importancia de saber hacia dónde moverse aumentará, y el enfoque se centrará en mejorar la toma de decisiones humanas. En particular, la tendencia será utilizar las analíticas de datos y la simulación para la toma de decisiones estratégicas mientras se gestionan las incertidumbres del futuro a medio y largo plazo.

En resumen, lograr un equilibrio armonioso entre los tres enfoques mencionados anteriormente maximizará el verdadero potencial de las analíticas de datos y permitirá que las organizaciones prosperen en un paisaje en rápida evolución. Mientras que los datos históricos son un activo tremendo, es importante reconocer las limitaciones. Para superar esta limitación, adoptar la simulación orientada a hipótesis junto con un enfoque impulsado por datos permite a las organizaciones prepararse para un futuro impredecible y garantizar que sus decisiones estén informadas por la previsión y la prudencia.

Mientras que los datos históricos son un activo tremendo, es importante reconocer las limitaciones. Para superar esta limitación, adoptar la simulación orientada a hipótesis junto con un enfoque impulsado por datos permite a las organizaciones prepararse para un futuro impredecible y garantizar que sus decisiones estén informadas por la previsión y la prudencia.