Hipotézis-orientált szimuláció, mint iránytű a bizonytalan jövőbeli navigációhoz

Az adatvezérelt technológiák közelmúltbeli fejlődése felszabadította a mesterséges intelligencia (AI) segítségével történő előrejelzés lehetőségét. A feltérképezetlen területeken történő előrejelzés azonban továbbra is kihívást jelent, ahol előfordulhat, hogy a múltbeli adatok nem elegendőek, amint azt az olyan előre nem látható események, mint a világjárványok és az új technológiai zavarok látják. Válaszul a hipotézis-orientált szimuláció értékes eszköz lehet, amely lehetővé teszi a döntéshozók számára, hogy különböző forgatókönyveket tárjanak fel, és megalapozott döntéseket hozzanak. A bizonytalan korszakban a kívánt jövő elérésének kulcsa a hipotézis-orientált szimuláció, valamint az adatvezérelt mesterséges intelligencia alkalmazása az emberi döntéshozatal fokozása érdekében.

Megjósolhatja-e az adatvezérelt elemzés a jövőt?

Az elmúlt években a mesterséges intelligencia átalakuláson ment keresztül, amelyet figyelemre méltó, adatvezérelt fejlődés hajtott végre. A mesterséges intelligencia fejlődésének középpontjában az a megdöbbentő képesség áll, hogy hatalmas adatkészletekből mélyreható betekintést nyerhetünk. A mély tanulási modellek térnyerése és nagy nyelvi modellek (LLM-ek) feltérképezetlen területre tolta a mezőnyt. Az adatok megalapozott döntések meghozatalához való felhasználásának lehetősége minden méretű szervezet számára elérhetővé vált minden iparágban.

Vegyük például a gyógyszeripart. Nál nél Astellas, adatok és elemzések segítségével tájékozódunk arról, hogy mely üzleti portfóliókba és mikor érdemes befektetni. Ha olyan üzleti modellt fejleszt ki, amely egy általános és jól érthető betegségterületre összpontosít, az adatvezérelt elemzések ereje lehetővé teszi, hogy betekintést nyerjen a gyógyszerkutatástól a marketingig mindenbe, ami végül megalapozottabb üzleti döntésekhez vezethet.

Mindazonáltal, míg az adatvezérelt elemzések a bevált területeken jeleskednek bőséges történelmi adatokkal, a jövő előrejelzése a feltérképezetlen területeken továbbra is óriási kihívást jelent. Nehéz adatvezérelt előrejelzéseket készíteni azokon a területeken, ahol még nem áll rendelkezésre elegendő adat, például olyan területeken, ahol rendkívüli változás vagy technológiai innováció történt (nagyon nehéz lenne megjósolni egy fertőző vírus hirtelen fellépő világjárványának hatását vagy a generatív mesterséges intelligencia térnyerése egy adott vállalkozásnál a korai szakaszában). Ezek a forgatókönyvek aláhúzzák annak korlátait, hogy kizárólag a múltbeli adatokra támaszkodhatunk az előrehaladási irány feltérképezéséhez.

Tipikus példa a gyógyszeriparban, és az Astellas rendszeresen szembesül vele, az olyan bomlasztó innovációk értékelése, mint a gén- és sejtterápiák. Ilyen kevés adat áll rendelkezésre ezen innovációk pontos értékének és a portfólióra gyakorolt ​​nagy horderejű hatásának megjóslása kizárólag történelmi adatok alapján olyan, mintha iránytű nélkül navigálnánk a sűrű ködben.

Betekintés a jövőbe: hipotézis-orientált szimuláció

A bizonytalanság vizein való navigálás egyik ígéretes megközelítése a hipotézis-orientált szimuláció, amely a valós világban zajló folyamatokat utánozza. Ha Ön egy olyan vállalkozás, amely ismeretlen területekre merészkedik, akkor hipotézis-orientált megközelítést kell alkalmaznia, ha nem állnak rendelkezésre előzményadatok. A modell azt mutatja be, hogy a folyamatok kulcstényezői hogyan befolyásolják az eredményeket, míg a szimuláció azt mutatja be, hogy a modell hogyan fejlődik idővel különböző körülmények között. Lehetővé teszi a döntéshozók számára, hogy különböző forgatókönyveket teszteljenek a virtuális „párhuzamos világokban”.

A gyakorlatban ez azt jelenti, hogy a kulcsfontosságú forgatókönyvek gyűjteményét kell a döntési táblázaton feltüntetni, mindegyiknek megvan a maga valószínűsége és hatásvizsgálata. A döntéshozók ezután kiértékelhetik a kritikus forgatókönyveket, és e szimulációk alapján stratégiákat fogalmazhatnak meg a jövőre nézve. A gyógyszeriparban ehhez számos tényezőre, például a klinikai vizsgálatok sikerességére, a piaci alkalmazkodóképességre és a betegpopulációra vonatkozó feltételezésekre van szükség. Ezután több tízezer szimulációt futtatnak le, hogy megvilágítsák az előttünk álló homályos utat, és felbecsülhetetlen értékű betekintést nyújtsanak a pálya irányításához.

Az Astellasnál egy hipotézis-orientált szimulációt fejlesztettünk ki, amely forgatókönyveket hoz létre és következtetéseket von le, hogy segítse a stratégiai döntéshozatalt. Ezt úgy tudjuk megtenni, hogy a szimulációs hipotézist valós időben frissítjük (a döntési asztalnál), ami segít a stratégiai döntések minőségének javításában. A projektértékelés az egyik téma, ahol a szimulációs módszer bevethető. Először is lehetséges hipotéziseket építünk fel különböző tényezőkre, beleértve, de nem kizárólagosan a piaci igényeket és a klinikai vizsgálatok sikerének valószínűségét. Ezután ezekre a hipotézisekre alapozva szimuláljuk azokat az eseményeket, amelyek a klinikai vizsgálatok során vagy a termék bevezetése után következnek be, hogy létrehozzuk a projekt lehetséges eredményeit és várható értékét. A számított érték alapján határozzuk meg, hogy milyen lehetőségeket kell választanunk, beleértve az erőforrások elosztását és a projekttervezést.

A mélyebbre ásáshoz nézzünk meg egy olyan használati esetet, ahol a módszert a projekt korai szakaszában történő értékelésére alkalmazzák. Tekintettel a korábbi fázisú projektekkel járó magas szintű bizonytalanságra, rengeteg lehetőség kínálkozik a sikertelenség kockázatának csökkentésére, hogy maximalizálja a siker jutalmát. Leegyszerűsítve: minél korábbi egy projekt az életciklusában, annál nagyobb a lehetősége a rugalmas döntéshozatalnak (pl. stratégiai kiigazítások, piacbővítések, a felhagyás lehetőségének felmérése stb.). A rugalmasság értékének értékelése ezért kiemelten fontos a korai szakaszban lévő projektek összes értékének megragadásához. Ez a valós opcióelmélet és a szimulációs modell kombinálásával valósítható meg.

A hipotézis-orientált szimuláció hatásának mérése mind a folyamat, mind az eredmények szempontjából értékelést igényel. A ROI mérésére olyan tipikus mutatók használhatók, mint a költségcsökkentés, az időhatékonyság és a bevételnövekedés. Előfordulhat azonban, hogy nem ragadják meg a döntéshozatal egészét, különösen akkor, ha egyes döntések tétlenséggel járnak. Ezenkívül fontos felismerni, hogy az üzleti döntések eredményei nem biztos, hogy azonnal láthatóak. A gyógyszeriparban például a klinikai vizsgálatoktól a piaci bevezetésig átlagosan több mint 10 év telik el.

Vagyis a hipotézisvezérelt szimuláció értéke úgy mérhető, ha megnézzük, hogyan integrálódik a döntéshozatali folyamatba. Minél nagyobb hatást gyakorolnak a szimulációs eredmények a döntéshozatalra, annál nagyobb az értéke.

Az adatelemzés jövője

Adatelemzés várhatóan három fő trendre oszlik el: (1) Induktív megközelítés, amely a nagy adatok mintáinak azonosítására törekszik, és amely abból a feltételezésből indul ki, hogy az adatokban talált minták alkalmazhatók az általunk megjósolni kívánt jövőre (pl. generatív mesterséges intelligencia). ); (2) Analitikus megközelítés, amely olyan jelenségek értelmezésére és megértésére összpontosít, ahol nem lehet elegendő adatot felhasználni (pl. ok-okozati következtetés); és (3) deduktív megközelítés, amely üzleti szabályokra, elvekre vagy ismeretekre támaszkodik a jövőbeli eredmények meglátása érdekében. Akkor is működik, ha kevesebb adat áll rendelkezésre (pl. hipotézis-orientált szimuláció).

Az LLM-ek és más adatvezérelt elemzők készen állnak arra, hogy jelentősen bővítsék gyakorlati alkalmazásaikat. Lehetőségük van forradalmasítani a munkát az emberi munka felgyorsításával, minőségének javításával, sőt esetenként vállalásával is. Ez az átalakuló váltás lehetővé teszi az egyének számára, hogy erőfeszítéseiket munkájuk fontosabb aspektusaira összpontosítsák, mint például a kritikus gondolkodásra és a döntéshozatalra, ahelyett, hogy az időigényesebb tevékenységeket, például adatgyűjtést/elrendezéseket/elemzést/vizualizálást, adatgyűjtésre, illetve vizualizálásra összpontosítsák. elemzők. Amikor ez megtörténik, megnő annak jelentősége, hogy melyik irányba haladjunk, és a hangsúly az emberi döntéshozatal fokozásán lesz. Különösen az lesz a tendencia, hogy az adatelemzést és a szimulációt használják a stratégiai döntéshozatalhoz, miközben a jövőbeli bizonytalanságokat közép- és hosszú távú perspektívából kezelik.

Összefoglalva, a fenti három megközelítés harmonikus egyensúlyának elérése maximalizálja az adatelemzésben rejlő valódi potenciált, és lehetővé teszi a szervezetek számára, hogy boldoguljanak a gyorsan változó környezetben. Noha a múltbeli adatok óriási értéket képviselnek, fontos felismerni a korlátokat. E korlát leküzdése érdekében a hipotézis-orientált szimuláció és az adatvezérelt megközelítés alkalmazása lehetővé teszi a szervezetek számára, hogy felkészüljenek a kiszámíthatatlan jövőre, és biztosítsák, hogy döntéseiket előrelátás és körültekintés alapozza meg.