Hypoteesipohjainen simulaatio – kompassi epävarmuuden keskellä

Viimeaikaiset edistysaskelet dataohjatuissa teknologioissa ovat avanneet mahdollisuudet ennustamiselle tekoälyllä (AI). Ennustaminen kartoittamattomilla alueilla on kuitenkin edelleen haaste, jossa historiallinen data ei välttämättä ole riittävä, kuten nähdään ennustamattomissa tapahtumissa, kuten pandemioissa ja uusissa teknologisissa häiriöissä. Vastauksena tähän voidaan käyttää hypoteesipohjaista simulaatiota, joka antaa päättäjille mahdollisuuden tutkia eri skenaarioita ja tehdä perusteltuja päätöksiä. Avain tulevaisuuden saavuttamiseen epävarmuuden aikakaudella on hypoteesipohjaisen simulaation käyttäminen yhdessä dataohjatun lähestymistavan kanssa, jotta voidaan täydentää ihmisten päätöksentekoa.

Voivatko dataohjatut analytiikat ennustaa tulevaisuuden?

Viime vuosina tekoäly on kokenut merkittävän muodonmuutoksen, jota on ajankohtaisesti edistänyt dataohjattu kehitys. Tekoälyn kehityksen ytimessä on hämmästyttävä kyky poimia syvällisiä oivalluksia massiivisista tietokannoista. Syvän oppimisen mallien ja suurten kielen mallien (LLM) nousu on työntänyt alan tuntemattomaan alueeseen. Mahdollisuus hyödyntää dataa perustelluissa päätöksissä on käynyt kaiken kokoisille ja kaiken alan organisaatioille saataville.

Lääkealan voidaan ottaa esimerkiksi. Astellasissa käytämme dataa ja analytiikkaa ohjaamaan, mihin liiketoimintaportfolioihin panostetaan ja milloin. Jos kehität liiketoimintamallia, joka keskittyy yleiseen ja hyvin ymmärrettyyn sairauteen, dataohjatun analytiikan voima antaa oivalluksia kaikkea lääkekehityksestä markkinointiin, mikä lopulta johtaa perustellumpiin liiketoimintapäätöksiin.

Kuitenkin, vaikka dataohjattu analytiikka menestyy vakiintuneilla aloilla, joilla on runsaasti historiallista dataa, tulevaisuuden ennustaminen kartoittamattomilla alueilla on edelleen suuri haaste. On vaikea tehdä dataohjattuja ennusteita alueilla, joilla riittävää dataa ei ole vielä saatavilla, kuten alueilla, joilla on tapahtunut poikkeuksellinen muutos tai teknologinen innovaatio (olisi hyvin vaikea ennustaa äkkipandemian vaikutusta tietyn yrityksen varhaisessa vaiheessa). Nämä skenaariot korostavat historiallisen datan riittämättömyyttä tulevaisuuden suunnittelussa.

Tyypillinen esimerkki lääkealalla, jota Astellas kohtaa säännöllisesti, on innovaatioiden, kuten geeniterapian ja soluterapian, arvostaminen. Niin vähäisen datan ollessa saatavilla, yrittää ennustaa näiden innovaatioiden tarkkaa arvoa ja laaja-alaisia vaikutuksia portfolion kannalta pelkästään historiallisen datan perusteella on kuin navigointi paksun sumun läpi ilman kompassia.

Tulevaisuuden tarkastelu: Hypoteesipohjainen simulaatio

Lupauksellinen lähestymistapa epävarmuuden selittämiseksi on hypoteesipohjainen simulaatio, joka jäljittelee todellisen maailman prosesseja. Jos olet yritys, joka siirtyy tuntemattomille alueille, sinun on otettava hypoteesipohjainen lähestymistapa, kun historiallista dataa ei ole saatavilla. Malli esittää, miten prosessien avaintekijät vaikuttavat tuloksiin, kun taas simulaatio esittää, miten malli kehittyy ajan myötä eri olosuhteissa. Se mahdollistaa päättäjille eri skenaarioiden testaamisen virtuaalisissa “rinnakkaismaailmoissa”.

Käytännössä tämä tarkoittaa, että asetetaan smörgåsbordi keskeisiä skenaarioita päätöspöydälle, kullekin omalla todennäköisyydellään ja vaikutusarviollaan. Päättäjät voivat arvioida kriittisiä skenaarioita ja muodostaa strategioita tulevaisuuden suhteen näiden simulaatioiden perusteella. Lääkealalla tämä edellyttää oletuksia useista tekijöistä, kuten kliinisten tutkimusten onnistumisnopeuksista, markkinoiden sopeutumisesta ja potilasväestöstä. Kymmeniä tuhansia simulaatioita suoritetaan valaistamaan eteenpäin johtavaa sumua ja antamaan arvokkaita oivalluksia suunnan suuntaamiseksi.

Astellasin meillä on kehitetty hypoteesipohjainen simulaatio, joka luo skenaarioita ja tekee deduktiivisen arvion, jotta voidaan ohjata strategista päätöksentekoa. Pystymme tekemään tämän päivittämällä simulaatiohypoteesia päätöksenteon aikana (päätöksentekopöydässä), mikä parantaa strategisten päätösten laatua. Projektiarvon laskenta on yksi aihe, jossa simulaatiomenetelmää käytetään. Ensinnäkin rakennamme mahdollisia hypoteeseja useista tekijöistä, mukaan lukien markkinatarpeet ja kliinisten tutkimusten onnistumisen todennäköisyys. Sitten näiden hypoteesien perusteella simuloimme tapahtumia, jotka voivat tapahtua kliinisten tutkimusten aikana tai tuotteen julkaisun jälkeen, jotta voidaan generoida projektin mahdolliset tulokset ja odotettu arvo. Laskettu arvo käytetään määrättäessä, mitkä vaihtoehdot otetaan, mukaan lukien resurssien aloitus ja suunnittelun toteutus.

Syventääksesi aiheeseen, tarkastellaan tapausta, jossa menetelmää sovelletaan varhaisen vaiheen projektiarvonmääritykseen. Koska varhaisessa vaiheessa olevilla projekteilla on luonnostaan korkea epävarmuuden taso, on runsaasti mahdollisuuksia riskien vähentämiseksi epäonnistumisen vaaroja ja maksimoida onnistumisen palkkioita. Yksinkertaisesti sanottuna, mitä aikaisemmassa vaiheessa projekti on, sitä suurempi on mahdollisuus joustavaan päätöksentekoon (esim. strategisiin sopeutuksiin, markkinoiden laajentamiseen, hylkäysmahdollisuuksien arviointiin jne.). Varhaisen vaiheen projektien arvon arviointi on siten olennainen kaikkien arvojen löytämiseksi. Tämä voidaan tehdä yhdistämällä todelliset optiot ja simulaatiomalli.

Hypoteesipohjaisen simulaation vaikutuksen arviointi edellyttää arviointia sekä prosessin että tulosten näkökulmasta. Tyypillisiä indikaattoreita, kuten kustannusvähennystä, aikajoustoa ja liikevaihdon kasvua, voidaan käyttää ROI:n mittaamiseen. Ne eivät kuitenkaan välttämättä kata koko päätöksentekoprosessia, etenkin kun jotkut päätökset liittyvät toimettomuuteen. Lisäksi on tärkeää tunnistaa, että liiketoimintapäätösten tulokset eivät välttämättä ole välittömästi näkyvissä. Lääkealalla esimerkiksi kliinisten tutkimusten ja markkinointilupien välillä on keskimäärin yli 10 vuoden aika.

Se on, hypoteesipohjaisen simulaation arvo voidaan mitata sen integroimalla päätöksentekoprosessiin. Mitä enemmän simulaation tulokset vaikuttavat päätöksentekoon, sitä korkeampi on sen arvo.

Data-analytiikan tulevaisuus

Data-analytiikka odotetaan jakautuvan kolmeen pääsuuntaan: (1) induktiivinen lähestymistapa, joka pyrkii tunnistamaan kuvioita suurissa tietokannoissa, joka toimii oletuksella, että datassa havaittavat kuviot voidaan soveltaa tulevaisuuteen, jonka haluamme ennustaa (esim. generatiivinen AI); (2) analyyttinen lähestymistapa, joka keskittyy ilmiöiden tulkintaan ja ymmärtämiseen, missä riittävää dataa ei voida käyttää (esim. kausaaliinferenssi); ja (3) deduktiivinen lähestymistapa, joka perustuu liiketoimintasääntöihin, periaatteisiin tai tietoon tulevista tuloksista, mikä toimii myös silloin, kun dataa on vähemmän (esim. hypoteesipohjainen simulaatio).

LLM:t ja muut dataohjatut analytiikat ovat valmiina laajentamaan merkittävästi käytännön sovelluksiaan. Ne voivat vallankumouksellisesti muuttaa työtä nopeuttamalla, parantamalla laatua ja jopa korvaamalla joissain tapauksissa ihmistyötä. Tämä muodonmuutos sallii yksilöiden keskittyä tärkeämpiin työn osa-alueisiin, kuten kriittiseen ajatteluun ja päätöksentekoon, eikä aikaa vieviin toimiin, kuten datakeräämiseen, järjestelyyn, analyysiin, visualisointiin, data-analyytikoiden tapauksessa. Kun tämä tapahtuu, suunnan valinnan tärkeys kasvaa, ja painopiste siirtyy ihmisten päätöksentekijän täydentämiseen. Erityisesti suunta on käyttää data-analytiikkaa ja simulaatiota strategiseen päätöksentekoon ja tulevaisuuden epävarmuuksien hallitsemiseen keskipitkän ja pitkän aikavälin näkökulmasta.

Yhteenvetona, saavuttamalla harmoninen tasapaino näiden kolmen lähestymistavan välillä voidaan maksimoida data-analytiikan todellinen potentiaali ja mahdollistaa organisaatioiden menestyminen nopeasti muuttuvassa maisemassa. Vaikka historiallinen data on valtava etu, on tärkeää tunnistaa sen rajoitukset. Ylittääkseen tämän rajoituksen, hypoteesipohjaisen simulaation omaksuminen dataohjatun lähestymistavan rinnalla mahdollistaa organisaatioiden valmistautumisen ennalta arvaamattomaan tulevaisuuteen ja varmistaa, että heidän päätöksensä perustuvat etenkin eteenpäin suuntautuneeseen ja varovaiseen suunnitteluun. historiallinen data on valtava etu, on tärkeää tunnistaa sen rajoitukset. Ylittääkseen tämän rajoituksen, hypoteesipohjaisen simulaation omaksuminen dataohjatun lähestymistavan rinnalla mahdollistaa organisaatioiden valmistautumisen ennalta arvaamattomaan tulevaisuuteen ja varmistaa, että heidän päätöksensä perustuvat etenkin eteenpäin suuntautuneeseen ja varovaiseen suunnitteluun.