Symulacja ukierunkowana na hipotezę jako kompas do nawigacji w niepewnej przyszłości

Ostatnie postępy w technologiach opartych na danych odblokowały potencjał predykcji za pomocą sztucznej inteligencji (AI). Jednak przewidywanie w niezbadanych terytoriach pozostaje wyzwaniem, gdzie historyczne dane mogą nie być wystarczające, jak widzieliśmy w przypadku nieprzewidywalnych zdarzeń, takich jak pandemie i nowe perturbacje technologiczne. W odpowiedzi symulacja ukierunkowana na hipotezę może być cennym narzędziem, które pozwala decydentom na badanie różnych scenariuszy i podejmowanie poinformowanych decyzji. Kluczem do osiągnięcia pożądanej przyszłości w erze niepewności jest korzystanie z symulacji ukierunkowanej na hipotezę wraz z podejściem opartym na danych, aby uzupełnić podejmowanie decyzji przez ludzi.

Czy analiza danych opartych na danych może przewidzieć przyszłość?

W ostatnich latach AI przeszła przełomową transformację, napędzaną przez godne uwagi, oparte na danych postępy. W sercu ewolucji AI leży zdolność do wydobycia głębokich spostrzeżeń z ogromnych zbiorów danych. Wzrost modeli głębokiego uczenia i dużych modeli językowych (LLM) przesunął pole do niezbadanych terytoriów. Możliwość wykorzystania danych do podejmowania poinformowanych decyzji stała się dostępna dla organizacji wszystkich rozmiarów i we wszystkich branżach.

Weźmy jako przykład przemysł farmaceutyczny. W Astellas wykorzystujemy dane i analiza, aby pomóc w podejmowaniu decyzji o tym, w jakie portfele biznesowe inwestować i kiedy. Jeśli rozwijasz model biznesowy skoncentrowany na powszechnie znanej i dobrze zrozumianej chorobie, moc analizy danych opartych na danych pozwala na wydobycie spostrzeżeń na temat wszystkiego, od odkrycia leków po marketing, co może ostatecznie prowadzić do bardziej poinformowanych decyzji biznesowych.

Jednakże, podczas gdy analiza danych opartych na danych wyróżnia się w ugruntowanych dziedzinach z ogromnymi historycznymi danymi, przewidywanie przyszłości w niezbadanych terytoriach pozostaje ogromnym wyzwaniem. Trudno jest dokonywać predykcji opartych na danych w obszarach, w których nie ma wystarczających danych, takich jak obszary, w których występują nadzwyczajne zmiany lub innowacje technologiczne (byłoby bardzo trudno przewidzieć wpływ nagłej pandemii wirusa zakaźnego lub pojawienia się sztucznej inteligencji generatywnej na konkretny biznes we wczesnej fazie). Te scenariusze podkreślają ograniczenia polegania wyłącznie na historycznych danych w celu ustalenia kursu do przodu.

Typowym przykładem w przemyśle farmaceutycznym, z którym Astellas regularnie się spotyka, jest wycena innowacji przełomowych, takich jak terapie genowe i komórkowe. Z tak małymi danymi, próba przewidzenia dokładnej wartości tych innowacji i ich dalekosiężnego wpływu na portfel wyłącznie na podstawie historycznych danych jest jak nawigowanie przez gęstą mgłę bez kompasu.

Spoglądając w przyszłość: Symulacja ukierunkowana na hipotezę

Jednym z obiecujących podejść do nawigacji w niepewnych wodach jest symulacja ukierunkowana na hipotezę, która naśladuje rzeczywiste procesy świata. Jeśli jesteś firmą, która wkracza w nieznane obszary, musisz przyjąć podejście ukierunkowane na hipotezę, gdy brakuje historycznych danych. Model reprezentuje, w jaki sposób kluczowe czynniki w procesach wpływają na wyniki, podczas gdy symulacja reprezentuje, jak model ewoluuje w czasie w różnych warunkach. Umożliwia decydentom testowanie różnych scenariuszy w wirtualnych “światach równoległych”.

W praktyce oznacza to przedstawienie szeregu kluczowych scenariuszy na stole decyzyjnym, każdego z własną oceną prawdopodobieństwa i wpływu. Decydenci mogą następnie ocenić krytyczne scenariusze i sformułować strategie na przyszłość na podstawie tych symulacji. W przemyśle farmaceutycznym wymaga to robienia założeń dotyczących szeregu czynników, takich jak wskaźniki powodzenia badań klinicznych, adaptacja rynkowa i populacje pacjentów. Następnie wykonuje się dziesiątki tysięcy symulacji, aby oświetlić niepewną drogę do przodu i dostarczyć niezwykle cenne spostrzezenia, które pomogą ustalić kurs.

W Astellas opracowaliśmy symulację ukierunkowaną na hipotezę, która tworzy scenariusze i dokonuje dedukcyjnej oceny, aby pomóc w podejmowaniu strategicznych decyzji. Możemy to robić, aktualizując hipotezę symulacji w czasie rzeczywistym (przy stole decyzyjnym), co pomaga poprawić jakość strategicznych decyzji. Wycena projektu jest jednym z tematów, w którym metoda symulacji ma zastosowanie. Najpierw budujemy możliwe hipotezy dotyczące różnych czynników, w tym potrzeb rynkowych i prawdopodobieństwa powodzenia badań klinicznych. Następnie, na podstawie tych hipotez, symulujemy zdarzenia, które występują podczas badań klinicznych lub po wprowadzeniu produktu na rynek, aby wygenerować możliwe wyniki i przewidywaną wartość projektu. Obliczona wartość służy do określenia, jakie opcje powinniśmy wybrać, w tym alokację zasobów i planowanie projektu.

Aby głębiej zrozumieć, spójrzmy na przypadku użycia, w którym ta metoda jest stosowana do wyceny projektu we wczesnej fazie. Biorąc pod uwagę, że projekty we wczesnej fazie charakteryzują się wysokim poziomem niepewności, istnieje wiele możliwości, aby zminimalizować ryzyko niepowodzenia i maksymalizować korzyści z sukcesu. Innymi słowy, im wcześniej projekt jest w swoim cyklu życia, tym większy potencjał dla elastycznego podejmowania decyzji (np. dostosowań strategicznych, ekspansji rynkowych, oceny możliwości porzucenia itp.). Ocena wartości elastyczności jest zatem niezbędna, aby uchwycić wszystkie wartości projektów we wczesnej fazie. Można to osiągnąć, łącząc teorię opcji rzeczywistych z modelem symulacji.

Pomiar wpływu symulacji ukierunkowanej na hipotezę wymaga oceny z perspektywy procesu i wyników. Typowe wskaźniki, takie jak redukcja kosztów, efektywność czasowa i wzrost przychodu, mogą być używane do pomiaru ROI. Nie mogą one jednak uchwycić całości podejmowania decyzji, zwłaszcza gdy niektóre decyzje obejmują brak działania. Ponadto ważne jest, aby uznać, że wyniki decyzji biznesowych mogą nie być natychmiast widoczne. W branży farmaceutycznej, na przykład, średni czas od badań klinicznych do wprowadzenia na rynek przekracza 10 lat.

To znaczy, że wartość symulacji ukierunkowanej na hipotezę może być mierzona, obserwując, w jaki sposób jest ona integrowana z procesem podejmowania decyzji. Im większy wpływ wyników symulacji na podejmowanie decyzji, tym wyższa jest jej wartość.

Przyszłość analizy danych

Analiza danych ma się rozgałęziać na trzy główne trendy: (1) podejście indukcyjne, które szuka wzorców w dużych zbiorach danych, które działa pod założeniem, że wzorce znalezione w danych mogą być stosowane do przyszłości, którą chcemy przewidzieć (np. sztuczna inteligencja generatywna); (2) podejście analityczne, które koncentruje się na interpretacji i zrozumieniu zjawisk, gdzie nie można wykorzystać wystarczających danych (np. inferencja przyczynowa); oraz (3) podejście dedukcyjne, które opiera się na regułach biznesowych, zasadach lub wiedzy, aby zobaczyć przyszłe wyniki. Działa to nawet wtedy, gdy jest mniej danych dostępnych (np. symulacja ukierunkowana na hipotezę).

Modele LLM i inne analizy danych oparte na danych są gotowe znacznie rozszerzyć swoje praktyczne zastosowania. Mają one potencjał, aby rewolucjonizować pracę, przyspieszając ją, poprawiając jej jakość i w niektórych przypadkach nawet przejmując pracę ludzi. Ten przełomowy przesunięcie pozwoli osobom na skupienie się na bardziej istotnych aspektach swojej pracy, takich jak myślenie krytyczne i podejmowanie decyzji, a nie na bardziej czasochłonnych działaniach, takich jak zbieranie, organizowanie, analiza i wizualizacja danych w przypadku analityków danych. Gdy to nastąpi, wzrośnie znaczenie kierunku, w którym się poruszamy, a uwaga będzie skupiona na uzupełnieniu podejmowania decyzji przez ludzi. W szczególności trend będzie polegał na wykorzystaniu analizy danych i symulacji do podejmowania strategicznych decyzji, jednocześnie zarządzając niepewnościami z medium- do długoterminowej perspektywy.

Podsumowując, osiągnięcie harmonijnej równowagi między trzema podejściami powyżej maksymalizuje prawdziwy potencjał analizy danych i umożliwia organizacjom prosperowanie w szybko ewoluującym krajobrazie. Chociaż historyczne dane są ogromnym atutem, ważne jest, aby uznać ich ograniczenia. Aby przezwyciężyć to ograniczenie, przyjmowanie symulacji ukierunkowanej na hipotezę wraz z podejściem opartym na danych umożliwia organizacjom przygotowanie się do nieprzewidywalnej przyszłości i zapewnia, że ich decyzje są poinformowane przez przewidywanie i rozwagę.