Simulação Orientada por Hipótese como um Compasso para Navegar em um Futuro Incerto

Os recentes avanços nas tecnologias baseadas em dados desbloquearam o potencial de previsão por meio da inteligência artificial (IA). No entanto, a previsão em território inexplorado ainda é um desafio, onde os dados históricos podem não ser suficientes, como visto em eventos imprevisíveis, como pandemias e novas disrupturas tecnológicas. Em resposta, a simulação orientada por hipótese pode ser uma ferramenta valiosa que permite que os tomadores de decisão explorem diferentes cenários e tomem decisões informadas. A chave para alcançar o futuro desejado em uma era de incerteza está em usar a simulação orientada por hipótese, juntamente com a IA baseada em dados para aumentar a tomada de decisão humana.

A análise de dados baseada em dados pode prever o futuro?

Nos últimos anos, a IA passou por uma jornada transformadora, impulsionada por avanços notáveis baseados em dados. No coração da evolução da IA está a capacidade surpreendente de extrair insights profundos de conjuntos de dados massivos. O surgimento de modelos de aprendizado profundo e grandes modelos de linguagem (LLMs) impulsionou o campo para território inexplorado. A capacidade de aproveitar os dados para tomar decisões informadas se tornou acessível a organizações de todos os tamanhos e em todas as indústrias.

Tomemos a indústria farmacêutica como exemplo. Na Astellas, usamos dados e análise para ajudar a informar quais portfólios de negócios investir e quando. Se você está desenvolvendo um modelo de negócios focado em uma área de doença comum e bem compreendida, o poder da análise de dados baseada em dados permite derivar insights sobre tudo, desde a descoberta de medicamentos até o marketing, o que pode levar a decisões de negócios mais informadas.

No entanto, embora a análise de dados baseada em dados seja excelente em domínios estabelecidos com dados históricos abundantes, prever o futuro em territórios inexplorados ainda é um desafio formidável. É difícil fazer previsões baseadas em dados em áreas onde dados suficientes não estão disponíveis, como áreas onde ocorreu uma mudança extraordinária ou inovação tecnológica (seria muito difícil prever o impacto de uma pandemia súbita de um vírus infeccioso ou o surgimento da IA geradora em um negócio em seus estágios iniciais). Esses cenários destacam as limitações de confiar apenas em dados históricos para traçar um curso para o futuro.

Um exemplo típico na indústria farmacêutica, e que a Astellas enfrenta regularmente, é a valoração de inovações disruptivas, como terapias gênicas e celulares. Com tão pouco dados disponíveis, tentar prever o valor exato dessas inovações e seu impacto abrangente no portfólio com base apenas em dados históricos é como navegar por uma névoa densa sem um compasso.

Olhando para o Futuro: Simulação Orientada por Hipótese

Uma abordagem promissora para navegar pelas águas da incerteza é a simulação orientada por hipótese, que imita processos do mundo real. Se você é um negócio que está aventurando em áreas desconhecidas, você precisa adotar uma abordagem orientada por hipótese quando os dados históricos não estão disponíveis. O modelo representa como os fatores-chave nos processos afetam os resultados, enquanto a simulação representa como o modelo evolui ao longo do tempo sob diferentes condições. Isso permite que os tomadores de decisão testem diferentes cenários nos “mundos paralelos” virtuais.

Na prática, isso significa dispor uma variedade de cenários-chave na mesa de decisão, cada um com sua própria avaliação de probabilidade e impacto. Os tomadores de decisão podem então avaliar cenários críticos e formular estratégias para o futuro com base nessas simulações. Na indústria farmacêutica, isso requer fazer suposições sobre uma série de fatores, como taxas de sucesso de ensaios clínicos, adaptabilidade do mercado e populações de pacientes. Dezenas de milhares de simulações são então executadas para iluminar o caminho à frente e fornecer insights valiosos para orientar o curso.

Na Astellas, desenvolvemos uma simulação orientada por hipótese, que cria cenários e faz uma suposição dedutiva, para ajudar a informar a tomada de decisão estratégica. Podemos fazer isso atualizando a hipótese da simulação em tempo real (na mesa de decisão), o que ajuda a melhorar a qualidade das decisões estratégicas. A valoração de projetos é um tópico onde o método de simulação é aplicado. Primeiro, construímos hipóteses possíveis sobre vários fatores, incluindo, mas não limitado a, necessidades do mercado e probabilidade de sucesso de ensaios clínicos. Em seguida, com base nessas hipóteses, simulamos eventos que ocorrem durante os ensaios clínicos ou após o lançamento do produto para gerar os resultados e o valor possíveis do projeto. O valor calculado é usado para determinar quais opções devemos tomar, incluindo alocação de recursos e planejamento de projetos.

Para mergulhar mais fundo, vamos olhar um caso de uso onde o método é aplicado à valoração de projetos em estágios iniciais. Dada a incerteza inerentemente alta que acompanha projetos em estágios iniciais, há uma abundância de oportunidades para mitigar os riscos de falha e maximizar as recompensas do sucesso. Em resumo, quanto mais cedo um projeto estiver em seu ciclo de vida, maior será o potencial para tomada de decisão flexível (por exemplo, ajustes estratégicos, expansões de mercado, avaliação da possibilidade de abandono, etc.). Avaliar o valor da flexibilidade é, portanto, fundamental para capturar todos os valores dos projetos em estágios iniciais. Isso pode ser feito combinando a teoria de opções reais e o modelo de simulação.

Medir o impacto da simulação orientada por hipótese requer uma avaliação tanto do processo quanto dos resultados. Indicadores típicos, como redução de custos, eficiência de tempo e crescimento de receita, podem ser usados para medir o ROI. No entanto, eles podem não capturar a totalidade da tomada de decisão, especialmente quando algumas decisões envolvem inação. Além disso, é importante reconhecer que os resultados das decisões de negócios podem não ser imediatamente aparentes. Na indústria farmacêutica, por exemplo, o tempo médio de ensaios clínicos até o lançamento no mercado é de mais de 10 anos.

Isso é, o valor da simulação orientada por hipótese pode ser medido vendo como ela é integrada ao processo de tomada de decisão. Quanto mais os resultados da simulação tiverem impacto na tomada de decisão, maior será seu valor.

O Futuro da Análise de Dados

A análise de dados deve se divergir em três tendências principais: (1) uma abordagem indutiva que busca identificar padrões em grandes conjuntos de dados, que funciona sob a suposição de que os padrões encontrados nos dados podem ser aplicados ao futuro que desejamos prever (por exemplo, IA geradora); (2) uma abordagem analítica, que se concentra na interpretação e compreensão de fenômenos onde dados suficientes não podem ser utilizados (por exemplo, inferência causal); e (3) uma abordagem dedutiva, que confia em regras de negócios, princípios ou conhecimento para prever resultados futuros. Isso funciona mesmo quando há menos dados disponíveis (por exemplo, simulação orientada por hipótese).

Os LLMs e outras análises de dados baseadas em dados estão prestes a expandir significativamente suas aplicações práticas. Eles têm o potencial de revolucionar o trabalho, acelerando, melhorando a qualidade e, em alguns casos, até mesmo realizando o trabalho humano. Essa mudança transformadora permitirá que as pessoas concentrem seus esforços em aspectos mais importantes de seu trabalho, como pensamento crítico e tomada de decisão, em vez de atividades mais demoradas, como coleta/organização/análise/visualização de dados, no caso dos analistas de dados. Quando isso acontecer, a importância de saber em que direção mover-se aumentará, e o foco estará em aumentar a tomada de decisão humana. Em particular, a tendência será usar análise de dados e simulação para tomada de decisão estratégica, enquanto gerencia incertezas futuras em uma perspectiva de médio a longo prazo.

Em resumo, alcançar um equilíbrio harmonioso entre as três abordagens acima maximizará o verdadeiro potencial da análise de dados e permitirá que as organizações prosperem em um cenário em rápida evolução. Embora os dados históricos sejam um ativo tremendo, é importante reconhecer as limitações. Para superar essa limitação, abraçar a simulação orientada por hipótese ao lado de uma abordagem baseada em dados permite que as organizações se preparem para um futuro imprevisível e garantam que suas decisões sejam informadas por previsão e prudência.