Simulasi Berorientasi Hipotesis sebagai Kompas untuk Mengarungi Masa Depan yang Tidak Pasti

Kemajuan terbaru dalam teknologi data-driven telah membuka potensi prediksi melalui kecerdasan buatan (AI). Namun, peramalan di wilayah yang belum dipetakan masih menjadi tantangan, di mana data historis mungkin tidak cukup, seperti yang terlihat dengan peristiwa yang tidak terduga seperti pandemi dan gangguan teknologi baru. Sebagai respons, simulasi berorientasi hipotesis dapat menjadi alat yang berharga yang memungkinkan pengambil keputusan untuk menjelajahi skenario yang berbeda dan membuat keputusan yang tepat. Kunci untuk mencapai masa depan yang diinginkan dalam era ketidakpastian terletak pada menggunakan simulasi berorientasi hipotesis, bersama dengan AI data-driven untuk meningkatkan kemampuan pengambilan keputusan manusia.

Apakah analitik data-driven dapat memprediksi masa depan?

Dalam beberapa tahun terakhir, AI telah mengalami perjalanan transformasi, didorong oleh kemajuan data-driven yang luar biasa. Di jantung evolusi AI terletak kemampuan luar biasa untuk mengekstrak wawasan yang mendalam dari dataset besar. Munculnya model pembelajaran dalam dan model bahasa besar (LLM) telah mendorong bidang ini ke wilayah yang belum dipetakan. Kemampuan untuk menggunakan data untuk membuat keputusan yang tepat telah menjadi tersedia bagi organisasi semua ukuran dan di semua industri.

Ambil industri farmasi sebagai contoh. Di Astellas, kami menggunakan data dan analitik untuk membantu menentukan portofolio bisnis mana yang harus diinvestasikan dan kapan. Jika Anda mengembangkan model bisnis yang fokus pada area penyakit yang umum dan dipahami dengan baik, kekuatan analitik data-driven memungkinkan Anda untuk menghasilkan wawasan tentang segala hal, dari penemuan obat hingga pemasaran, yang pada akhirnya dapat mengarah pada keputusan bisnis yang lebih tepat.

Namun, sementara analitik data-driven unggul dalam domain yang mapan dengan data historis yang cukup, memprediksi masa depan di wilayah yang belum dipetakan masih menjadi tantangan besar. Sulit untuk membuat prediksi data-driven di area di mana data yang cukup tidak tersedia, seperti area di mana perubahan luar biasa atau inovasi teknologi telah terjadi (akan sangat sulit untuk memprediksi dampak pandemi virus menular atau munculnya AI generatif pada bisnis tertentu pada tahap awal). Skenario ini menekankan keterbatasan mengandalkan hanya data historis untuk memetakan jalur ke depan.

Sebuah contoh khas di industri farmasi, dan yang sering dihadapi oleh Astellas, adalah penilaian inovasi disruptif seperti terapi gen dan sel. Dengan sedikit data yang tersedia, mencoba memprediksi nilai pasti dari inovasi ini dan dampak jangka panjangnya pada portofolio berdasarkan hanya data historis seperti menavigasi melalui kabut tebal tanpa kompas.

Menatap Masa Depan: Simulasi Berorientasi Hipotesis

Salah satu pendekatan yang menjanjikan untuk menavigasi air ketidakpastian adalah simulasi berorientasi hipotesis, yang meniru proses dunia nyata. Jika Anda adalah bisnis yang memasuki area yang tidak diketahui, Anda perlu mengadopsi pendekatan berorientasi hipotesis ketika data historis tidak tersedia. Model ini merepresentasikan bagaimana faktor kunci dalam proses mempengaruhi hasil sementara simulasi merepresentasikan bagaimana model berkembang seiring waktu di bawah kondisi yang berbeda. Ini memungkinkan pengambil keputusan untuk menguji skenario yang berbeda dalam “dunia paralel” virtual.

Dalam prakteknya, ini berarti menyajikan berbagai skenario kunci di meja keputusan, masing-masing dengan penilaian probabilitas dan dampaknya. Pengambil keputusan dapat kemudian mengevaluasi skenario kritis dan merumuskan strategi untuk masa depan berdasarkan simulasi ini. Di industri farmasi, ini memerlukan membuat asumsi tentang berbagai faktor seperti tingkat keberhasilan uji klinis, kemampuan adaptasi pasar, dan populasi pasien. Puluhan ribu simulasi kemudian dijalankan untuk menerangi jalan yang tidak pasti di depan dan memberikan wawasan yang tak ternilai untuk mengarahkan jalur.

Di Astellas, kami telah mengembangkan simulasi berorientasi hipotesis, yang membuat skenario dan melakukan tebakan deduktif, untuk membantu menginformasikan pengambilan keputusan strategis. Kami dapat melakukan ini dengan memperbarui hipotesis simulasi secara real-time (di meja keputusan), yang membantu meningkatkan kualitas keputusan strategis. Penilaian proyek adalah salah satu topik di mana metode simulasi digunakan. Pertama, kami membangun hipotesis yang mungkin tentang berbagai faktor, termasuk, tetapi tidak terbatas pada, kebutuhan pasar dan probabilitas keberhasilan uji klinis. Kemudian, berdasarkan hipotesis tersebut, kami mensimulasikan peristiwa yang terjadi selama uji klinis atau setelah peluncuran produk untuk menghasilkan hasil dan nilai yang diharapkan dari proyek. Nilai yang dihitung digunakan untuk menentukan pilihan mana yang harus diambil, termasuk alokasi sumber daya dan perencanaan proyek.

Untuk memahami lebih dalam, mari kita lihat contoh kasus di mana metode ini diterapkan pada penilaian proyek tahap awal. Diberikan tingkat ketidakpastian yang inheren yang datang dengan proyek tahap awal, ada banyak kesempatan untuk mengurangi risiko kegagalan dan memaksimalkan hadiah kesuksesan. Dengan sederhana, semakin awal proyek dalam siklus hidupnya, semakin besar potensi untuk pengambilan keputusan yang fleksibel (misalnya, penyesuaian strategis, ekspansi pasar, evaluasi kemungkinan penghentian, dll.). Menilai nilai fleksibilitas adalah, oleh karena itu, sangat penting untuk menangkap semua nilai proyek tahap awal. Ini dapat dilakukan dengan menggabungkan teori opsi riil dan model simulasi.

Mengukur dampak simulasi berorientasi hipotesis memerlukan evaluasi dari perspektif proses dan hasil. Indikator khas seperti pengurangan biaya, efisiensi waktu, dan pertumbuhan pendapatan dapat digunakan untuk mengukur ROI. Namun, mereka mungkin tidak menangkap keseluruhan pengambilan keputusan, terutama ketika beberapa keputusan melibatkan ketidakaktifan. Selain itu, penting untuk mengakui bahwa hasil keputusan bisnis mungkin tidak segera terlihat. Di bisnis farmasi, misalnya, waktu rata-rata dari uji klinis hingga peluncuran pasar lebih dari 10 tahun.

Itu, nilai simulasi berorientasi hipotesis dapat diukur dengan melihat bagaimana hasil simulasi mempengaruhi proses pengambilan keputusan. Semakin banyak hasil simulasi yang mempengaruhi pengambilan keputusan, semakin tinggi nilainya.

Masa Depan Analitik Data

Analitik data diharapkan akan berdiversifikasi menjadi tiga tren utama: (1) Pendekatan induktif yang mencari pola dalam data besar, yang bekerja di bawah asumsi bahwa pola yang ditemukan dalam data dapat diterapkan pada masa depan yang ingin diprediksi (misalnya, AI generatif); (2) Pendekatan analitis, yang fokus pada interpretasi dan pemahaman fenomena di mana data yang cukup tidak dapat digunakan (misalnya, inferensi kausal); dan (3) Pendekatan deduktif, yang bergantung pada aturan bisnis, prinsip, atau pengetahuan untuk melihat hasil masa depan. Ini bekerja bahkan ketika data yang tersedia terbatas (misalnya, simulasi berorientasi hipotesis).

LLM dan analitik data-driven lainnya diposisikan untuk memperluas aplikasi praktis mereka secara signifikan. Mereka memiliki potensi untuk merevolusi pekerjaan dengan mempercepat, meningkatkan kualitas, dan dalam beberapa kasus bahkan melakukan pekerjaan manusia. Perubahan transformatif ini akan memungkinkan individu untuk fokus upaya mereka pada aspek pekerjaan yang lebih penting, seperti pemikiran kritis dan pengambilan keputusan, daripada kegiatan yang lebih memakan waktu, seperti pengumpulan/penyusunan/analisis/visualisasi data, dalam kasus analis data. Ketika ini terjadi, pentingnya arah mana yang harus diambil akan meningkat, dan fokus akan berada pada meningkatkan kemampuan pengambilan keputusan manusia. Khususnya, trennya akan menggunakan analitik data dan simulasi untuk pengambilan keputusan strategis sambil mengelola ketidakpastian masa depan dari perspektif menengah hingga panjang.

Secara singkat, mencapai keseimbangan harmonis antara tiga pendekatan di atas akan memaksimalkan potensi sebenarnya dari analitik data dan memungkinkan organisasi untuk berkembang dalam lanskap yang berkembang pesat. Sementara data historis adalah aset luar biasa, penting untuk mengakui keterbatasannya. Untuk mengatasi keterbatasan ini, mengadopsi simulasi berorientasi hipotesis bersama dengan pendekatan data-driven memungkinkan organisasi untuk mempersiapkan diri untuk masa depan yang tidak terduga dan memastikan bahwa keputusan mereka dipandu oleh prakiraan dan kehati-hatian.