伊藤正憲は、Astellasという日本を拠点とする製薬会社のデジタル、分析、テクノロジー部門におけるエンタープライズインサイトおよびデジタルソリューション（EIDS）のシニアディレクター兼ヘッドです。
データ駆動型テクノロジーの最近の進歩により、人工知能（AI）を通じた予測の潜在性が解放されました。ただし、未知の領域での予測は依然として課題であり、歴史的なデータが十分ではない場合、たとえば予測不可能な出来事であるパンデミックや新しい技術的断絶の場合に発生します。仮説に基づくシミュレーションは、意思決定者がさまざまなシナリオを探索し、情報に基づいた決定を下すことができる貴重なツールとなります。不確実な時代の将来に到達するための鍵は、仮説に基づくシミュレーションとデータ駆動型AIを使用して人間の意思決定を強化することです。データ駆動型アナリティクスは未来を予測できるか？近年、AIは、データ駆動型の進歩によって、変革的な旅を経てきました。AIの進化の核心にあるのは、巨大なデータセットから深い洞察を抽出する驚くべき能力です。ディープラーニングモデルと大規模言語モデル（LLM）の台頭により、この分野は未踏の領域に突入しました。データを利用して情報に基づいた決定を下す力は、すべての規模と業界の組織に利用できるようになりました。たとえば、製薬業界では、アステラスでは、データとアナリティクスを使用して、どのビジネスポートフォリオに投資し、いつ投資するかを決定するのに役立ちます。一般的でよく理解された病気領域に焦点を当てたビジネスモデルを開発している場合、データ駆動型アナリティクスを使用して、薬剤発見からマーケティングまでのすべてについて洞察を得ることができ、最終的にはより情報に基づいたビジネス上の決定につながります。しかし、データ駆動型アナリティクスは確立されたドメインで歴史的なデータが豊富にある場合に優れていますが、未知の領域での将来の予測は依然として大きな課題です。十分なデータが利用できない領域、たとえば、例外的な変化や技術革新が発生した領域（突然の感染性ウイルスのパンデミックや初期段階のジェネレーティブAIの影響を予測することは非常に難しい）で、データ駆動型の予測を行うことは困難です。これらのシナリオは、将来を導くために歴史的なデータだけに頼ることの限界を強調しています。アステラスが頻繁に直面する製薬業界での典型的な例は、遺伝子および細胞療法のような革新的なイノベーションの評価です。利用可能なデータが非常に少ないため、これらのイノベーションの正確な価値とポートフォリオへの影響を予測することは、羅針盤なしで濃い霧の中を航行するようなものです。未来への窓：仮説に基づくシミュレーション不確実性の海を航行するための有望なアプローチは、現実世界のプロセスを模倣する仮説に基づくシミュレーションです。歴史的なデータが利用できない場合、仮説に基づくアプローチを採用する必要があります。モデルでは、プロセスにおける主要な要因が結果にどのように影響するかを表し、シミュレーションでは、さまざまな条件下でモデルが時間の経過とともにどのように進化するかを表します。これにより、意思決定者は仮想の「並行世界」でさまざまなシナリオをテストできます。実践では、意思決定テーブルにさまざまなシナリオを配置し、それぞれに確率と影響の評価を付けることを意味します。意思決定者は、重要なシナリオを評価し、シミュレーションに基づいて将来の戦略を策定できます。製薬業界では、臨床試験の成功率、市場の適応性、患者人口などの要因について仮定を行う必要があります。数万回のシミュレーションを実行して、先行する曖昧な道を照らす貴重な洞察を提供し、コースを導きます。アステラスでは、戦略的意思決定を支援するために、仮説に基づくシミュレーションを開発しました。決定テーブルでのシミュレーションモデルの仮説をリアルタイムで更新することで、戦略的意思決定の質を高めることができます。プロジェクトの評価は、シミュレーション方法が活用されるトピックの1つです。まず、市場のニーズや臨床試験の成功確率など、さまざまな要因について仮説を構築します。次に、プロジェクトの可能な結果と予想される価値を生成するために、臨床試験中または製品発売後に発生するイベントをシミュレートします。計算された価値は、リソースの割り当てやプロジェクト計画などのオプションを決定するために使用されます。さらに詳しく見てみましょう。早期プロジェクト評価にこの方法を適用する場合、早期プロジェクトには不確実性が高く、失敗のリスクを軽減し、成功の報酬を最大化するための多くの機会があります。簡単に言えば、プロジェクトがライフサイクルの早い段階にある場合、戦略的調整、市場拡大、放棄の可能性の評価など、柔軟な意思決定の可能性はより高くなります。早期プロジェクトの価値を把握するには、現実オプション理論とシミュレーションモデルを組み合わせることが重要です。仮説に基づくシミュレーションの影響を評価するには、プロセスと結果の両方の観点から評価する必要があります。典型的な指標として、コスト削減、時間効率、収益増加が使用できます。ただし、決定の全容を捉えることはできません。特に、決定が不作為を伴う場合、ビジネス上の決定の結果はすぐには明らかにならない可能性があります。製薬業界では、臨床試験から市場発売までの平均時間は10年以上です。つまり、仮説駆動型シミュレーションの価値は、意思決定プロセスへの統合の程度で測定できます。シミュレーションの結果が意思決定に影響を与えるほど、その価値は高くなります。データアナリティクスの未来データアナリティクスは、3つの主要なトレンドに分岐することが予想されています：（1）大規模なデータセットの中からパターンを特定する帰納的アプローチ（たとえば、ジェネレーティブAI）；（2）現象を解釈し理解するための分析的アプローチ（たとえば、因果推論）；（3）ビジネスルール、原則、または知識に基づいて将来の結果を予測するための推論的アプローチ（たとえば、仮説に基づくシミュレーション）。これらのアプローチは、利用可能なデータが少ない場合でも機能します。LLMやその他のデータ駆動型アナリティクスは、実用的応用を大幅に拡大する可能性があります。これらは、人間の作業を加速させ、品質を向上させ、場合によっては人間の作業を代替することで、作業を革命的に変える可能性があります。この変革的な変化により、個人は、データ収集、整理、分析、視覚化などの時間のかかる作業ではなく、批判的思考や意思決定などの重要な作業に集中できるようになります。そうすると、進むべき方向が重要になり、人間の意思決定を強化するためのデータアナリティクスとシミュレーションの使用に焦点が当てられます。特に、将来の不確実性を管理するために、中期から長期的な視点で戦略的意思決定にデータアナリティクスとシミュレーションを使用する傾向になります。要約すると、上記の3つのアプローチのバランスをとることで、データアナリティクスの真の潜在能力を最大化し、組織が急速に変化する景観で繁栄できるようになります。歴史的なデータは貴重な資産ですが、その限界を認識することが重要です。この限界を克服するために、データ駆動型アプローチとともに仮説に基づくシミュレーションを採用することで、組織は予測不可能な未来に備え、意思決定が先見の明かりと慎重さによって情報に基づくものとなることができます。
