Hypotesebasert simulering som kompass for å navigere i en usikker fremtid

Nylige fremgang i data-drevne teknologier har låst opp potensialet for prediksjon gjennom kunstig intelligens (AI). Imidlertid forblir prognostisering i uutforsket terreng en utfordring, der historiske data kanskje ikke er tilstrekkelig, som sett med uforutsigbare hendelser som pandemier og nye teknologiske innovasjoner. Som respons kan hypotesebasert simulering være et verdifullt verktøy som lar beslutningstakere utforske ulike scenarier og ta informerte beslutninger. Nøkkelen til å oppnå det ønskede fremtiden i en tid med usikkerhet ligger i å bruke hypotesebasert simulering, sammen med data-drevne AI for å supplere menneskelig beslutning.

Kan data-drevne analytiker forutsi fremtiden?

I de senere år har AI gjennomgått en transformasjonsreise, drevet av bemerkelsesverdige, data-drevne fremgang. I hjertet av AI-s utvikling ligger den forbløffende evnen til å trekke dyptgående innsikt fra massive datamengder. Oppblomstringen av dyptlæringsmodeller og store språkmodeller (LLM-er) har presset feltet inn i uutforsket terreng. Evnen til å utnytte data for å ta informerte beslutninger har blitt tilgjengelig for organisasjoner av alle størrelser og i alle bransjer.

La oss ta legemiddelindustrien som eksempel. Hos Astellas bruker vi data og analytikk for å hjelpe med å bestemme hvilke forretningsporteføljer å investere i og når. Hvis du utvikler en forretningsmodell som fokuserer på en vanlig og godt forstått sykdom, gir data-drevne analytikk deg innsikt i alt fra legemiddelforskning til markedsføring, som kan til slutt føre til mer informerte forretningsbeslutninger.

Imidlertid, mens data-drevne analytikk utmerker seg i etablerte domener med rikelig med historiske data, forblir prediksjon av fremtiden i uutforsket terreng en formidabel utfordring. Det er vanskelig å gjøre data-drevne prediksjoner i områder der tilstrekkelig data ikke er tilgjengelig, som områder der ekstraordinær endring eller teknologisk innovasjon har skjedd (det ville være svært vanskelig å forutsi effekten av en plutselig pandemi av en smittsom virus eller oppblomstringen av generativ AI på en bestemt forretning i sine tidlige faser). Disse scenariene understreker begrensningene ved å bare basere seg på historiske data for å kartlegge en fremtidig kurs.

Et typisk eksempel i legemiddelindustrien, og ett som Astellas regelmessig konfronterer, er verdsettingen av banebrytende innovasjoner som gen- og celleterapier. Med så lite data tilgjengelig, er det å prøve å forutsi den eksakte verdien av disse innovasjonene og deres langtrekkende effekt på porteføljen bare basert på historiske data som å navigere gjennom tett tåke uten kompass.

Å se inn i fremtiden: Hypotesebasert simulering

En lovende tilnærming til å navigere i usikkerhetens farvann er hypotesebasert simulering, som etterligner virkelige prosesser. Hvis du er en forretning som går inn i ukjente områder, må du adoptere en hypotesebasert tilnærming når historiske data ikke er tilgjengelige. Modellen representerer hvordan nøkelfaktorer i prosessene påvirker resultater, mens simuleringen representerer hvordan modellen utvikler seg over tid under ulike forhold. Den gjør det mulig for beslutningstakere å teste ulike scenarier i virtuelle “parallellverdener”.

I praksis betyr dette å legge ut en rekke nøkelscenarioer på beslutningstabellen, hver med sin egen sannsynlighet og effektvurdering. Beslutningstakere kan deretter evaluere kritiske scenarioer og formulere strategier for fremtiden basert på disse simuleringene. I legemiddelindustrien krever dette å gjøre antagelser om en rekke faktorer, som kliniske prøveresultater, markedstilpasning og pasientpopulasjoner. Tens av tusener av simuleringer kjøres deretter for å belyse den uklare veien fremover og gi uvurderlige innsikt for å styre kursen.

Hos Astellas har vi utviklet en hypotesebasert simulering som skaper scenarioer og gjør en deduktiv gjetning, for å hjelpe med å informere strategiske beslutninger. Vi kan gjøre dette ved å oppdatere simuleringshypotesen i sanntid (ved beslutningstabellen), som hjelper med å forbedre kvaliteten på strategiske beslutninger. Prosjektverdsettelse er ett tema der simuleringmetoden kommer inn. Først bygger vi mulige hypoteser om ulike faktorer, inkludert, men ikke begrenset til, markedets behov og sannsynligheten for kliniske prøvers suksess. Deretter, basert på disse hypotesene, simulerer vi hendelser som skjer under kliniske prøver eller etter lansering av produktet for å generere prosjektets mulige resultater og forventede verdi. Den beregnede verdien brukes til å bestemme hvilke alternativer vi skal velge, inkludert ressursallokering og prosjektplanlegging.

For å grave dyptere, la oss se på et eksempel der metoden brukes til verdsettelse av tidlige prosjekter. Gitt den innebygde høye graden av usikkerhet som følger med tidlige prosjekter, finnes det mange muligheter til å minimere risikoen for feil og maksimere belønningene for suksess. Enkelt uttrykt, jo tidligere et prosjekt er i sin livssyklus, jo større er potensialet for fleksible beslutninger (f.eks. strategiske justeringer, markedsekspansjon, evaluering av muligheten for oppgivelse osv.). Vurdering av verdien av fleksibilitet er derfor avgjørende for å fange alle verdiene av tidlige prosjekter. Dette kan gjøres ved å kombinere virkelige opsjons-teori og simuleringmodellen.

Å måle effekten av hypotesebasert simulering krever en vurdering fra både prosess- og resultatsynspunkt. Typiske indikatorer som kostnadsreduksjon, tidseffektivitet og omsetningsvekst kan brukes til å måle ROI. Imidlertid kan de ikke fange hele beslutningsprosessen, særlig når noen beslutninger innebærer inaktivitet. Videre er det viktig å erkjenne at resultater av forretningsbeslutninger kanskje ikke er umiddelbart synlige. I legemiddelbransjen, for eksempel, er gjennomsnittstiden fra kliniske prøver til lansering over 10 år.

Det vil si at verdien av den hypotesedrevne simuleringen kan måles ved å se hvordan den integreres i beslutningsprosessen. Jo mer simuleringens resultater påvirker beslutningene, jo høyere er dens verdi.

Fremtiden for data-analytikk

Data-analytikk forventes å divergere inn i tre hovedtrender: (1) En induktiv tilnærming som søker å identifisere mønster i store datamengder, som fungerer under antagelsen at mønster funnet i data kan brukes til å forutsi fremtiden vi ønsker å forutsi (f.eks. generativ AI); (2) En analytisk tilnærming, som fokuserer på tolkning og forståelse av fenomener der tilstrekkelig data ikke kan brukes (f.eks. årsaksinferens); og (3) En deduktiv tilnærming, som baserer seg på forretningsregler, prinsipper eller kunnskap for å se fremtidige resultater. Den fungerer selv når det er mindre data tilgjengelig (f.eks. en hypotesebasert simulering).

I praksis betyr dette at LLM-er og andre data-drevne analytikk-verktøy er i stand til å utvide sine praktiske anvendelser betydelig. De har potensialet til å revolusjonere arbeid ved å øke hastigheten, forbedre kvaliteten og i noen tilfeller sogar overta menneskelig arbeid. Denne transformative skiftet vil tillate individer å fokusere sine anstrengelser på viktigere aspekter av arbeidet, som kritisk tenkning og beslutning, i stedet for mer tidskrevende aktiviter, som datainnsamling/arrangementsanalyse/visualisering, i tilfelle av data-analytikere. Når dette skjer, vil viktigheten av å bestemme retningen å bevege seg i øke, og fokuset vil være på å supplere menneskelig beslutning. Spesielt vil trenden være å bruke data-analytikk og simulering for strategisk beslutning mens man håndterer fremtidige usikkerheter fra et medium- til langtids-perspektiv.

I sammenfatning vil oppnåelse av en harmonisk balanse mellom de tre tilnærmingene ovenfor maksimere det sanne potensialet for data-analytikk og ermögå organisasjoner å trives i et raskt utviklende landskap. Mens historiske data er en enormt verdifull ressurs, er det viktig å erkjenne begrensningene. For å overvinne denne begrensningen, å omfavne hypotesebasert simulering sammen med en data-drevet tilnærming ermögå organisasjoner å forberede seg på en uforutsigbar fremtid og sikre at deres beslutninger er informert av forsiktighet og forsyn.