Hypothese-georiënteerde simulatie als kompas voor het navigeren in een onzekere toekomst

Recentelijk hebben vooruitgangen in gegevensgestuurde technologieën het potentieel van voorspellingen door middel van kunstmatige intelligentie (AI) ontsloten. Echter, voorspellingen in onbekende gebieden blijven een uitdaging, waar historische gegevens mogelijk niet toereikend zijn, zoals bij onvoorspelbare gebeurtenissen als pandemieën en nieuwe technologische verstoringen. Als reactie hierop kan hypothese-georiënteerde simulatie een waardevol instrument zijn dat beslissers in staat stelt om verschillende scenario’s te onderzoeken en geïnformeerde beslissingen te nemen. De sleutel tot het bereiken van de gewenste toekomst in een tijdperk van onzekerheid ligt in het gebruik van hypothese-georiënteerde simulatie, samen met gegevensgestuurde AI om menselijke beslissingen te ondersteunen.

Kunnen gegevensgestuurde analytics de toekomst voorspellen?

In de afgelopen jaren heeft AI een transformatieve reis ondergaan, aangedreven door opmerkelijke, gegevensgestuurde vooruitgangen. Aan het hart van de evolutie van AI ligt de verbazingwekkende mogelijkheid om diepe inzichten te verkrijgen uit enorme datasets. De opkomst van diepe leermodellen en grote taalmodellen (LLM’s) heeft het veld in onbekende gebieden gebracht. De mogelijkheid om gegevens te gebruiken om geïnformeerde beslissingen te nemen, is nu toegankelijk voor organisaties van alle maten en in alle branches.

Neem de farmaceutische industrie als voorbeeld. Bij Astellas gebruiken we gegevens en analytics om te helpen bepalen in welke businessportefeuilles we moeten investeren en wanneer. Als u een businessmodel ontwikkelt dat gericht is op een veelvoorkomende en goed begrepen ziekte, stelt de kracht van gegevensgestuurde analytics u in staat om inzichten te verkrijgen in alles, van geneesmiddelontdekking tot marketing, wat uiteindelijk kan leiden tot meer geïnformeerde businessbeslissingen.

Echter, terwijl gegevensgestuurde analytics uitstekend presteren in gevestigde domeinen met veel historische gegevens, blijft het voorspellen van de toekomst in onbekende gebieden een formidabele uitdaging. Het is moeilijk om gegevensgestuurde voorspellingen te doen in gebieden waar voldoende gegevens nog niet beschikbaar zijn, zoals gebieden waar buitengewone verandering of technologische innovatie heeft plaatsgevonden (het zou zeer moeilijk zijn om de impact van een plotselinge pandemie van een besmettelijk virus of de opkomst van generatieve AI op een bepaald bedrijf in de vroege stadia te voorspellen). Deze scenario’s benadrukken de beperkingen van het enkel vertrouwen op historische gegevens om een koers vooruit te bepalen.

Een typisch voorbeeld in de farmaceutische industrie, en een die Astellas regelmatig tegenkomt, is de waardering van disruptieve innovaties zoals gen- en celtherapieën. Met zo weinig gegevens beschikbaar, is het proberen om de exacte waarde van deze innovaties en hun verreikende impact op de portefeuille te voorspellen, alleen op basis van historische gegevens, als navigeren door dichte mist zonder kompas.

Peering into the Future: Hypothese-georiënteerde simulatie

Een veelbelovende benadering om de onzekere toekomst te navigeren, is hypothese-georiënteerde simulatie, die werkelijke wereldprocessen nabootst. Als u een bedrijf bent dat een onbekend gebied betreedt, moet u een hypothese-georiënteerde aanpak hanteren wanneer historische gegevens niet beschikbaar zijn. Het model vertegenwoordigt hoe belangrijke factoren in de processen de resultaten beïnvloeden, terwijl de simulatie vertegenwoordigt hoe het model evolueert in de loop van de tijd onder verschillende omstandigheden. Het stelt beslissers in staat om verschillende scenario’s te testen in de virtuele “parallelle werelden”.

In de praktijk betekent dit dat u een scala aan belangrijke scenario’s op de beslissingstafel legt, elk met zijn eigen kans en impactbeoordeling. Beslissers kunnen dan kritische scenario’s evalueren en strategieën voor de toekomst formuleren op basis van deze simulaties. In de farmaceutische industrie vereist dit het maken van aannamen over een reeks factoren, zoals de kans op succes van klinische proeven, marktadaptatie en patiëntpopulaties. Tienduizenden simulaties worden dan uitgevoerd om de onduidelijke weg vooruit te verlichten en waardevolle inzichten te verschaffen om de koers te sturen.

Bij Astellas hebben we een hypothese-georiënteerde simulatie ontwikkeld, die scenario’s creëert en een deductieve gok maakt, om strategische beslissingen te ondersteunen. We kunnen dit doen door de simulatiehypothese in real-time bij te werken (aan de beslissingstafel), wat helpt om de kwaliteit van strategische beslissingen te verbeteren. Projectwaardering is een onderwerp waar de simulatiemethode van toepassing is. Eerst bouwen we mogelijke hypothesen op over verschillende factoren, waaronder, maar niet beperkt tot, marktbehoeften en kans op succes van klinische proeven. Vervolgens, op basis van die hypothesen, simuleren we gebeurtenissen die plaatsvinden tijdens klinische proeven of na productlancering om de mogelijke resultaten en verwachte waarde van het project te genereren. De berekende waarde wordt gebruikt om te bepalen welke opties we moeten kiezen, waaronder resourceallocatie en projectplanning.

Om dieper in te gaan, laten we een use case bekijken waar de methode wordt toegepast op de waardering van vroegstadiumprojecten. Gezien het inherente hoge niveau van onzekerheid dat komt met vroegstadiumprojecten, zijn er talloze kansen om de risico’s van falen te mitigeren en de beloningen van succes te maximaliseren. Om het eenvoudig te zeggen, hoe eerder een project is in zijn levenscyclus, des te groter de potentie voor flexibele beslissingen (bijv. strategische aanpassingen, marktuitbreidingen, evaluatie van de mogelijkheid van opgave, enz.). Het evalueren van de waarde van flexibiliteit is daarom van cruciaal belang om alle waarden van vroegstadiumprojecten te vangen. Dit kan worden gedaan door de theorie van reële opties en het simulatiemodel te combineren.

Het meten van de impact van hypothese-georiënteerde simulatie vereist een evaluatie vanuit zowel het proces- als het resultaatsperspectief. Typische indicatoren zoals kostenreductie, tijdefficiëntie en omzetgroei kunnen worden gebruikt om de ROI te meten. Echter, deze mogen de gehele besluitvorming niet vangen, vooral wanneer sommige beslissingen inactiviteit betreffen. Bovendien is het belangrijk om te erkennen dat de resultaten van businessbeslissingen mogelijk niet onmiddellijk zichtbaar zijn. In de farmaceutische business, bijvoorbeeld, is de gemiddelde tijd van klinische proeven tot marktlancering meer dan 10 jaar.

Dat wil zeggen, de waarde van de hypothese-gedreven simulatie kan worden gemeten door te zien hoe deze wordt geïntegreerd in het besluitvormingsproces. Hoe meer de simulatieresultaten invloed hebben op de besluitvorming, des te hoger de waarde is.

De toekomst van data-analyse

Data-analyse zal naar verwachting uiteenvallen in drie belangrijke trends: (1) een inductieve aanpak die patronen in grote datasets zoekt, die werkt onder de veronderstelling dat de patronen die in de gegevens worden gevonden, kunnen worden toegepast op de toekomst die we willen voorspellen (bijv. generatieve AI); (2) een analytische aanpak, die zich richt op interpretatie en begrip van fenomenen waar voldoende gegevens niet kunnen worden gebruikt (bijv. causale inferentie); en (3) een deductieve aanpak, die vertrouwt op bedrijfsregels, principes of kennis om toekomstige resultaten te zien. Dit werkt zelfs wanneer er minder gegevens beschikbaar zijn (bijv. een hypothese-georiënteerde simulatie).

LLM’s en andere gegevensgestuurde analytics hebben het potentieel om hun praktische toepassingen aanzienlijk uit te breiden. Ze hebben het potentieel om werk te revolutioneren door het te versnellen, de kwaliteit te verbeteren en in sommige gevallen zelfs menselijk werk over te nemen. Deze transformatieve verschuiving zal individuen in staat stellen om hun inspanningen te richten op belangrijkere aspecten van hun werk, zoals kritisch denken en besluitvorming, in plaats van tijdrovende activiteiten, zoals gegevensverzameling/arrangementen/analyse/visualisatie, in het geval van data-analisten. Wanneer dit gebeurt, zal de belangrijkheid van de richting waarin we ons moeten bewegen, toenemen, en zal de focus liggen op het ondersteunen van menselijke besluitvorming. In het bijzonder zal de trend zijn om gegevensanalyse en simulatie te gebruiken voor strategische besluitvorming, terwijl toekomstige onzekerheden vanuit een middellange tot langetermijnperspectief worden beheerd.

Samenvattend, het bereiken van een harmonieuze balans tussen de drie benaderingen hierboven, zal het ware potentieel van gegevensanalyse maximaliseren en organisaties in staat stellen om te floreren in een snel evoluerend landschap. Terwijl historische gegevens een enorm actief zijn, is het belangrijk om de beperkingen te erkennen. Om deze beperking te overwinnen, het omarmen van hypothese-georiënteerde simulatie naast een gegevensgestuurde aanpak, stelt organisaties in staat om zich voor te bereiden op een onvoorspelbare toekomst en ervoor te zorgen dat hun beslissingen worden geïnformeerd door vooruitziendheid en voorzichtigheid.