Simulation orientée sur l’hypothèse comme boussole pour naviguer dans un avenir incertain

Les récentes avancées dans les technologies basées sur les données ont débloqué le potentiel de prévision grâce à l’intelligence artificielle (IA). Cependant, la prévision dans des territoires inexplorés reste un défi, où les données historiques peuvent ne pas être suffisantes, comme on le voit avec des événements imprévisibles tels que les pandémies et les nouvelles ruptures technologiques. En réponse, la simulation orientée sur l’hypothèse peut être un outil précieux qui permet aux décideurs d’explorer différents scénarios et de prendre des décisions éclairées. La clé pour atteindre l’avenir désiré dans une ère d’incertitude réside dans l’utilisation de la simulation orientée sur l’hypothèse, ainsi que de l’IA basée sur les données pour compléter la prise de décision humaine.

Les analyses de données basées sur les données peuvent-elles prédire l’avenir ?

Ces dernières années, l’IA a subi un voyage de transformation, alimenté par des avancées remarquables basées sur les données. Au cœur de l’évolution de l’IA se trouve la capacité étonnante d’extraire des informations profondes de vastes ensembles de données. L’émergence de modèles d’apprentissage profond et de grands modèles de langage (LLM) ont poussé le domaine dans un territoire inexploré. Le pouvoir de tirer parti des données pour prendre des décisions éclairées est devenu accessible aux organisations de toutes tailles et de tous les secteurs.

Prenez l’industrie pharmaceutique comme exemple. Chez Astellas, nous utilisons les données et l’analyse pour aider à déterminer quels portefeuilles d’entreprise investir et quand. Si vous développez un modèle d’entreprise axé sur une maladie courante et bien comprise, le pouvoir de l’analyse de données basée sur les données vous permet de dériver des informations sur tout, de la découverte de médicaments au marketing, ce qui peut finalement conduire à des décisions d’entreprise plus éclairées.

Cependant, alors que l’analyse de données basée sur les données excelle dans les domaines établis avec de nombreuses données historiques, prédire l’avenir dans des territoires inexplorés reste un défi de taille. Il est difficile de faire des prédictions basées sur les données dans des domaines où des données suffisantes ne sont pas encore disponibles, tels que les domaines où un changement extraordinaire ou une innovation technologique a eu lieu (il serait très difficile de prédire l’impact d’une pandémie soudaine d’un virus infectieux ou de l’émergence de l’IA générative sur une entreprise dans ses premiers stades). Ces scénarios soulignent les limites de la confiance exclusive dans les données historiques pour tracer un chemin vers l’avant.

Un exemple typique dans l’industrie pharmaceutique, et que Astellas rencontre régulièrement, est l’évaluation des innovations disruptives comme les thérapies géniques et cellulaires. Avec si peu de données disponibles, essayer de prédire la valeur exacte de ces innovations et leur impact à long terme sur le portefeuille en fonction uniquement des données historiques est comme naviguer à travers un brouillard dense sans boussole.

Regarder dans le futur : Simulation orientée sur l’hypothèse

Une approche prometteuse pour naviguer dans les eaux de l’incertitude est la simulation orientée sur l’hypothèse, qui imite les processus du monde réel. Si vous êtes une entreprise qui pénètre dans des territoires inconnus, vous devez adopter une approche orientée sur l’hypothèse lorsque les données historiques ne sont pas disponibles. Le modèle représente la façon dont les facteurs clés dans les processus affectent les résultats, tandis que la simulation représente la façon dont le modèle évolue au fil du temps dans différentes conditions. Cela permet aux décideurs de tester différents scénarios dans des « mondes parallèles » virtuels.

Dans la pratique, cela signifie présenter un large éventail de scénarios clés sur la table de décision, chacun avec sa propre évaluation de probabilité et d’impact. Les décideurs peuvent ensuite évaluer les scénarios critiques et formuler des stratégies pour l’avenir en fonction de ces simulations. Dans l’industrie pharmaceutique, cela nécessite de faire des hypothèses sur une gamme de facteurs tels que les taux de réussite des essais cliniques, l’adaptabilité du marché et les populations de patients. Des dizaines de milliers de simulations sont ensuite exécutées pour éclairer le chemin sombre à l’avant et fournir des informations inestimables pour guider la voie.

Chez Astellas, nous avons développé une simulation orientée sur l’hypothèse, qui crée des scénarios et fait une supposition déductive, pour aider à éclairer la prise de décision stratégique. Nous sommes en mesure de le faire en mettant à jour l’hypothèse de simulation en temps réel (à la table de décision), ce qui aide à améliorer la qualité des décisions stratégiques. L’évaluation de projet est un sujet où la méthode de simulation est appliquée. Tout d’abord, nous construisons des hypothèses possibles sur divers facteurs, notamment, mais sans s’y limiter, les besoins du marché et la probabilité de réussite des essais cliniques. Ensuite, sur la base de ces hypothèses, nous simuons les événements qui se produisent pendant les essais cliniques ou après le lancement du produit pour générer les résultats et la valeur potentielle du projet. La valeur calculée est utilisée pour déterminer les options que nous devons prendre, y compris l’allocation des ressources et la planification du projet.

Pour creuser plus profondément, regardons un cas d’utilisation où la méthode est appliquée à l’évaluation de projet en phase précoce. Étant donné le niveau de risque élevé qui accompagne les projets en phase précoce, il existe de nombreuses opportunités pour atténuer les risques d’échec et maximiser les récompenses de la réussite. En d’autres termes, plus tôt un projet est dans son cycle de vie, plus il y a de flexibilité dans la prise de décision (par exemple, ajustements stratégiques, expansions de marché, évaluation de la possibilité d’abandon, etc.). Évaluer la valeur de la flexibilité est donc essentiel pour capturer toutes les valeurs des projets en phase précoce. Cela peut être fait en combinant la théorie des options réelles et le modèle de simulation.

Mesurer l’impact de la simulation orientée sur l’hypothèse nécessite une évaluation du point de vue du processus et des résultats. Des indicateurs typiques tels que la réduction des coûts, l’efficacité du temps et la croissance des revenus peuvent être utilisés pour mesurer le retour sur investissement. Cependant, ils peuvent ne pas capturer l’ensemble de la prise de décision, en particulier lorsque certaines décisions impliquent une inaction. De plus, il est important de reconnaître que les résultats des décisions commerciales peuvent ne pas être immédiatement apparents. Dans l’industrie pharmaceutique, par exemple, le temps moyen entre les essais cliniques et le lancement sur le marché est de plus de 10 ans.

C’est-à-dire que la valeur de la simulation orientée sur l’hypothèse peut être mesurée en voyant comment elle est intégrée dans le processus de prise de décision. Plus les résultats de la simulation ont un impact sur la prise de décision, plus sa valeur est élevée.

L’avenir de l’analyse de données

L’analyse de données est susceptible de se diviser en trois tendances majeures : (1) une approche inductive qui cherche à identifier des modèles dans de grandes données, qui fonctionne sous l’hypothèse que les modèles trouvés dans les données peuvent être appliqués au futur que nous voulons prédire (par exemple, l’IA générative) ; (2) une approche analytique, qui se concentre sur l’interprétation et la compréhension des phénomènes où des données suffisantes ne peuvent pas être utilisées (par exemple, l’inférence causale) ; et (3) une approche déductive, qui repose sur des règles commerciales, des principes ou des connaissances pour voir les résultats futurs. Cela fonctionne même lorsque peu de données sont disponibles (par exemple, une simulation orientée sur l’hypothèse).

Les LLM et d’autres analyses de données basées sur les données sont sur le point de considérablement étendre leurs applications pratiques. Ils ont le potentiel de révolutionner le travail en accélérant, en améliorant la qualité et, dans certains cas, en effectuant même le travail humain. Ce changement transformateur permettra aux individus de se concentrer sur les aspects les plus importants de leur travail, tels que la pensée critique et la prise de décision, plutôt que sur des activités plus chronophages, telles que la collecte, l’organisation, l’analyse et la visualisation des données, dans le cas des analystes de données. Lorsque cela se produira, l’importance de la direction à prendre augmentera, et l’accent sera mis sur le renforcement de la prise de décision humaine. En particulier, la tendance sera d’utiliser l’analyse de données et la simulation pour la prise de décision stratégique tout en gérant les incertitudes futures à moyen et long terme.

En résumé, atteindre un équilibre harmonieux entre les trois approches ci-dessus maximisera le véritable potentiel de l’analyse de données et permettra aux organisations de prospérer dans un paysage en évolution rapide. Alors que les données historiques sont un atout considérable, il est important de reconnaître les limites. Pour surmonter cette limitation, adopter la simulation orientée sur l’hypothèse aux côtés d’une approche basée sur les données permet aux organisations de se préparer à un avenir imprévisible et de s’assurer que leurs décisions sont éclairées par la prévoyance et la prudence.