Ipotesi-Orientata Simulazione come Bussola per Navigare in un Futuro Incerto

Recenti avanzamenti nelle tecnologie basate sui dati hanno sbloccato il potenziale della previsione attraverso l’intelligenza artificiale (AI). Tuttavia, la previsione in territori inesplorati rimane una sfida, dove i dati storici potrebbero non essere sufficienti, come visto con eventi imprevedibili come le pandemie e le nuove innovazioni tecnologiche. In risposta, la simulazione orientata alle ipotesi può essere uno strumento prezioso che consente ai responsabili delle decisioni di esplorare diversi scenari e prendere decisioni informate. La chiave per raggiungere il futuro desiderato in un’era di incertezza risiede nell’utilizzo della simulazione orientata alle ipotesi, insieme all’AI basata sui dati per aumentare la capacità di decision-making umana.

Il ruolo dell’analisi dei dati nella previsione del futuro

Negli ultimi anni, l’AI ha subito un viaggio trasformativo, alimentato da avanzamenti notevoli e basati sui dati. Al cuore dell’evoluzione dell’AI si trova la capacità sorprendente di estrarre profondi insight da enormi set di dati. La nascita di modelli di apprendimento profondo e large language models (LLM) ha spinto il campo in territori inesplorati. La capacità di sfruttare i dati per prendere decisioni informate è diventata accessibile a organizzazioni di tutte le dimensioni e in tutti i settori.

Prendiamo come esempio l’industria farmaceutica. In Astellas, utilizziamo i dati e l’analisi per aiutare a informare quali portafogli aziendali investire e quando. Se stai sviluppando un modello di business focalizzato su un’area di malattia comune e ben compresa, il potere dell’analisi basata sui dati ti consente di derivare insight su tutto, dalla scoperta del farmaco al marketing, il che può portare a decisioni aziendali più informate.

Tuttavia, mentre l’analisi basata sui dati eccelle in domini stabiliti con dati storici abbondanti, prevedere il futuro in territori inesplorati rimane una sfida formidabile. È difficile fare previsioni basate sui dati in aree dove non sono disponibili dati sufficienti, come aree dove si verificano cambiamenti straordinari o innovazioni tecnologiche (sarebbe molto difficile prevedere l’impatto di una pandemia improvvisa di un virus infettivo o l’ascesa dell’AI generativa su un particolare business nelle sue fasi iniziali). Questi scenari sottolineano i limiti del affidarsi esclusivamente ai dati storici per tracciare un percorso futuro.

Un esempio tipico nell’industria farmaceutica, e uno che Astellas affronta regolarmente, è la valutazione delle innovazioni disruptive come le terapie geniche e cellulari. Con così pochi dati disponibili, cercare di prevedere il valore esatto di queste innovazioni e il loro impatto di vasta portata sul portafoglio basandosi esclusivamente sui dati storici è come navigare attraverso una densa nebbia senza bussola.

Uno sguardo al futuro: Simulazione Orientata alle Ipotesi

Un approccio promettente per navigare le acque dell’incertezza è la simulazione orientata alle ipotesi, che mimica i processi del mondo reale. Se sei un’azienda che si avventura in aree sconosciute, devi adottare un approccio orientato alle ipotesi quando i dati storici non sono disponibili. Il modello rappresenta come i fattori chiave nei processi influenzano i risultati, mentre la simulazione rappresenta come il modello evolve nel tempo in condizioni diverse. Consente ai responsabili delle decisioni di testare diversi scenari in “mondi paralleli” virtuali.

Nella pratica, ciò significa disporre una varietà di scenari chiave sul tavolo delle decisioni, ciascuno con la propria valutazione di probabilità e impatto. I responsabili delle decisioni possono quindi valutare scenari critici e formulare strategie per il futuro in base a queste simulazioni. Nell’industria farmaceutica, ciò richiede fare ipotesi su una serie di fattori, come i tassi di successo dei trial clinici, l’adattabilità del mercato e le popolazioni di pazienti. Vengono eseguite decine di migliaia di simulazioni per illuminare il cammino incerto e fornire insight inestimabili per orientare il percorso.

In Astellas, abbiamo sviluppato una simulazione orientata alle ipotesi, che crea scenari e formula un’ipotesi deduttiva, per aiutare a informare la presa di decisioni strategiche. Possiamo farlo aggiornando l’ipotesi della simulazione in tempo reale (al tavolo delle decisioni), il che aiuta a migliorare la qualità delle decisioni strategiche. La valutazione del progetto è un argomento in cui il metodo di simulazione si applica. In primo luogo, costruiamo ipotesi possibili su vari fattori, tra cui, ma non limitati a, le esigenze del mercato e la probabilità di successo dei trial clinici. Quindi, in base a queste ipotesi, simuliamo eventi che si verificano durante i trial clinici o dopo il lancio del prodotto per generare i risultati possibili del progetto e il valore atteso. Il valore calcolato viene utilizzato per determinare quali opzioni prendere, tra cui l’allocazione delle risorse e la pianificazione del progetto.

Per approfondire, esaminiamo un caso d’uso in cui il metodo viene applicato alla valutazione di progetti in fase iniziale. Data l’incertezza intrinsecamente elevata che accompagna i progetti in fase iniziale, ci sono numerose opportunità per mitigare i rischi di fallimento e massimizzare i vantaggi del successo. In poche parole, più un progetto è in una fase iniziale del suo ciclo di vita, maggiore è il potenziale per una presa di decisioni flessibile (ad esempio, aggiustamenti strategici, espansioni del mercato, valutazione della possibilità di abbandono, ecc.). Valutare il valore della flessibilità è quindi fondamentale per catturare tutti i valori dei progetti in fase iniziale. Ciò può essere fatto combinando la teoria delle opzioni reali e il modello di simulazione.

La misurazione dell’impatto della simulazione orientata alle ipotesi richiede una valutazione sia dal punto di vista del processo che dei risultati. Indicatori tipici come la riduzione dei costi, l’efficienza del tempo e la crescita dei ricavi possono essere utilizzati per misurare il ROI. Tuttavia, potrebbero non catturare l’intera gamma della presa di decisioni, specialmente quando alcune decisioni coinvolgono l’inazione. Inoltre, è importante riconoscere che i risultati delle decisioni aziendali potrebbero non essere immediatamente evidenti. Nel business farmaceutico, ad esempio, il tempo medio dai trial clinici al lancio sul mercato supera i 10 anni.

Ciò significa che il valore della simulazione guidata dalle ipotesi può essere misurato vedendo come viene integrata nel processo di presa di decisioni. Maggiore è l’impatto dei risultati della simulazione sulla presa di decisioni, maggiore è il suo valore.

Il Futuro dell’Analisi dei Dati

L’analisi dei dati è previsto divergere in tre principali tendenze: (1) Un approccio induttivo che cerca di identificare modelli in grandi set di dati, che funziona sotto l’assunzione che i modelli trovati nei dati possano essere applicati al futuro che si desidera prevedere (ad esempio, AI generativa); (2) Un approccio analitico, che si concentra sull’interpretazione e sulla comprensione dei fenomeni dove non possono essere utilizzati dati sufficienti (ad esempio, inferenza causale); e (3) Un approccio deduttivo, che si basa su regole aziendali, principi o conoscenze per vedere i risultati futuri. Funziona anche quando sono disponibili pochi dati (ad esempio, una simulazione orientata alle ipotesi).

I LLM e altre analisi basate sui dati sono pronti ad espandere notevolmente le loro applicazioni pratiche. Hanno il potenziale di rivoluzionare il lavoro velocizzandolo, migliorandone la qualità e, in alcuni casi, addirittura svolgendo il lavoro umano. Questo cambiamento trasformativo consentirà agli individui di concentrare i loro sforzi su aspetti più importanti del loro lavoro, come il pensiero critico e la presa di decisioni, piuttosto che su attività più lunghe e più impegnative, come la raccolta/organizzazione/analisi/visualizzazione dei dati, nel caso degli analisti di dati. Quando ciò accadrà, l’importanza della direzione in cui muoversi aumenterà, e l’attenzione si concentrerà sull’aumentare la capacità di decision-making umana. In particolare, la tendenza sarà quella di utilizzare l’analisi dei dati e la simulazione per la presa di decisioni strategiche, gestendo al contempo le incertezze future da una prospettiva a medio-lungo termine.

In sintesi, raggiungere un equilibrio armonioso tra i tre approcci sopra menzionati massimizzerà il vero potenziale dell’analisi dei dati e consentirà alle organizzazioni di prosperare in un panorama in rapida evoluzione. Mentre i dati storici sono un asset enorme, è importante riconoscere i limiti. Per superare questo limite, abbracciare la simulazione orientata alle ipotesi insieme all’approccio basato sui dati consente alle organizzazioni di prepararsi per un futuro imprevedibile e garantire che le loro decisioni siano informate da lungimiranza e prudenza.