La simulation orientée hypothèses comme boussole pour naviguer dans un avenir incertain

Les progrès récents dans les technologies basées sur les données ont libéré le potentiel de la prédiction grâce à l’intelligence artificielle (IA). Toutefois, la prévision en territoire inexploré reste un défi, où les données historiques peuvent ne pas être suffisantes, comme le montrent des événements imprévisibles tels que les pandémies et les nouvelles perturbations technologiques. En réponse, la simulation basée sur des hypothèses peut s’avérer un outil précieux qui permet aux décideurs d’explorer différents scénarios et de prendre des décisions éclairées. La clé pour réaliser l’avenir souhaité dans une ère d’incertitude réside dans l’utilisation de simulations basées sur des hypothèses, ainsi que d’une IA basée sur les données pour améliorer la prise de décision humaine.

L’analyse basée sur les données peut-elle prédire l’avenir ?

Ces dernières années, l’IA a connu un parcours transformateur, alimenté par des avancées remarquables basées sur les données. Au cœur de l’évolution de l’IA se trouve l’étonnante capacité à extraire des informations approfondies à partir d’ensembles de données massifs. L’essor des modèles d’apprentissage profond et grands modèles de langage (LLM) ont poussé le domaine vers un territoire inexploré. La possibilité d’exploiter les données pour prendre des décisions éclairées est devenue accessible aux organisations de toutes tailles et de tous secteurs.

Prenons l’exemple de l’industrie pharmaceutique. À Astellas, nous utilisons des données et des analyses pour nous aider à déterminer dans quels portefeuilles d'entreprises investir et à quel moment. Si vous développez un modèle commercial axé sur un domaine pathologique commun et bien compris, la puissance de l'analyse basée sur les données vous permet d'obtenir des informations sur tout, de la découverte de médicaments à la commercialisation, ce qui peut finalement conduire à des décisions commerciales plus éclairées.

Cependant, même si l’analyse basée sur les données excelle dans des domaines établis disposant de nombreuses données historiques, prédire l’avenir dans des territoires inexplorés reste un formidable défi. Il est difficile de faire des prévisions fondées sur des données dans des domaines où suffisamment de données ne sont pas encore disponibles, comme les zones où des changements extraordinaires ou des innovations technologiques ont eu lieu (il serait très difficile de prédire l'impact d'une pandémie soudaine d'un virus infectieux ou de l'impact d'une montée en puissance de l’IA générative sur une entreprise particulière à ses débuts). Ces scénarios soulignent les limites de s’appuyer uniquement sur des données historiques pour tracer la voie à suivre.

Un exemple typique de l’industrie pharmaceutique, auquel Astellas est régulièrement confronté, est la valorisation des innovations de rupture telles que les thérapies géniques et cellulaires. Avec si peu de données disponibles, tenter de prédire la valeur exacte de ces innovations et leur impact considérable sur le portefeuille en se basant uniquement sur des données historiques revient à naviguer dans un brouillard dense sans boussole.

Regarder vers l’avenir : simulation basée sur des hypothèses

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

En pratique, cela signifie présenter un assortiment de scénarios clés sur la table de décision, chacun avec sa propre évaluation de probabilité et d’impact. Les décideurs peuvent ensuite évaluer des scénarios critiques et formuler des stratégies pour l'avenir sur la base de ces simulations. Dans l’industrie pharmaceutique, cela nécessite de formuler des hypothèses sur une série 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 obscur qui nous attend et fournir des informations inestimables pour tracer le cap.

Chez Astellas, nous avons développé une simulation orientée hypothèses, qui crée des scénarios et fait une supposition déductive, pour aider à éclairer la prise de décision stratégique. Nous y parvenons en mettant à jour les hypothèses de simulation en temps réel (à la table de prise de décision), ce qui contribue à améliorer la qualité des décisions stratégiques. L'évaluation d'un projet est un sujet où la méthode de simulation entre en jeu. Premièrement, nous construisons des hypothèses possibles sur divers facteurs, notamment les besoins du marché et la probabilité de succès des essais cliniques. Ensuite, sur la base de ces hypothèses, nous simulons les événements qui se produisent pendant les essais cliniques ou après le lancement du produit pour générer les résultats possibles et la valeur anticipée 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 approfondir le sujet, examinons un cas d'utilisation où la méthode est appliquée à l'évaluation de projets en phase initiale. Compte tenu du niveau d'incertitude intrinsèquement élevé des projets en phase initiale, de nombreuses possibilités s'offrent pour atténuer les risques d'échec et maximiser les bénéfices du succès. En d'autres termes, plus un projet est précoce dans son cycle de vie, plus il offre de possibilités de prise de décision flexible (par exemple, ajustements stratégiques, expansion du marché, évaluation des possibilités d'abandon, etc.). Évaluer la valeur de la flexibilité est donc primordial pour saisir toutes les valeurs des projets en phase initiale. Cela peut être réalisé en combinant la théorie des options réelles et le modèle de simulation.

Mesurer l'impact d'une simulation basée sur des hypothèses nécessite une évaluation à la fois du processus et des résultats. Des indicateurs classiques tels que la réduction des coûts, l'optimisation du temps et la croissance du chiffre d'affaires peuvent servir à mesurer le retour sur investissement. Cependant, ils ne reflètent pas toujours l'intégralité du processus décisionnel, notamment lorsque certaines décisions impliquent l'inaction. De plus, il est important de reconnaître que les résultats des décisions commerciales peuvent ne pas être immédiatement visibles. Dans le secteur pharmaceutique, par exemple, le délai moyen entre les essais cliniques et la mise sur le marché est de plus de 10 ans.

Autrement dit, la valeur de la simulation fondée sur des hypothèses peut être mesurée en observant comment elle est intégrée au processus de prise de décision. Plus les résultats de simulation ont un impact sur la prise de décision, plus leur valeur est élevée.

L'avenir de l'analyse des données

Data analytics devrait se diviser en trois tendances majeures : (1) Une approche inductive qui cherche à identifier des modèles dans les données volumineuses, qui part de l'hypothèse que les modèles trouvés dans les données peuvent être appliqués à l'avenir que nous voulons prédire (par exemple, l'IA générative ); (2) Une approche analytique, axée sur l'interprétation et la compréhension des phénomènes pour lesquels des données suffisantes ne peuvent pas être utilisées (par exemple, inférence causale) ; et (3) Une approche déductive, qui s'appuie sur des règles commerciales, des principes ou des connaissances pour voir les résultats futurs. Cela fonctionne même lorsqu'il y a moins de données disponibles (par exemple, une simulation orientée hypothèse).

Les LLM et autres analyses basées sur les données sont sur le point d'étendre considérablement leurs applications pratiques. Ils ont le potentiel de révolutionner le travail en accélérant, en améliorant la qualité et, dans certains cas, en réalisant même le travail humain. Ce changement transformateur permettra aux individus de concentrer leurs efforts sur des aspects 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/la visualisation de données, dans le cas des données. analystes. Lorsque cela se produira, l’importance de la direction à prendre augmentera et l’accent sera mis sur l’augmentation de la prise de décision humaine. La tendance sera notamment d’utiliser l’analyse des données et la simulation pour la prise de décision stratégique tout en gérant les incertitudes futures dans une perspective à moyen et long terme.

En résumé, parvenir à un équilibre harmonieux entre les trois approches décrites ci-dessus maximisera le potentiel réel de l'analyse de données et permettra aux organisations de prospérer dans un environnement en constante évolution. Si les données historiques constituent un atout considérable, il est important d'en reconnaître les limites. Pour surmonter ces limites, l'adoption d'une simulation basée sur des hypothèses, associée à 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.