Simulação orientada a hipóteses como bússola para navegar em um futuro incerto

Avanços recentes em tecnologias baseadas em dados desbloquearam o potencial de previsão através da inteligência artificial (IA). No entanto, a previsão em território desconhecido continua a ser um desafio, onde os dados históricos podem não ser suficientes, como se verifica no caso de acontecimentos imprevisíveis, como pandemias e novas perturbações tecnológicas. Em resposta, a simulação orientada a hipóteses pode ser uma ferramenta valiosa que permite aos decisores explorar diferentes cenários e tomar decisões informadas. A chave para alcançar o futuro desejado numa era de incerteza reside na utilização de simulação orientada por hipóteses, juntamente com IA baseada em dados para aumentar a tomada de decisões humanas.

A análise baseada em dados pode prever o futuro?

Nos últimos anos, a IA passou por uma jornada transformadora, alimentada por avanços notáveis ​​baseados em dados. No centro da evolução da IA ​​está a surpreendente capacidade de extrair insights profundos de enormes conjuntos de dados. A ascensão de modelos de aprendizagem profunda e grandes modelos de linguagem (LLMs) empurraram o campo para um território desconhecido. O poder de aproveitar dados para tomar decisões informadas tornou-se acessível a organizações de todos os tamanhos e em todos os setores.

Tomemos como exemplo a indústria farmacêutica. No Astelas, usamos dados e análises para ajudar a informar em quais portfólios de negócios investir e quando. Se você estiver desenvolvendo um modelo de negócios focado em uma área de doença comum e bem compreendida, o poder da análise baseada em dados permitirá que você obtenha 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 baseada em dados seja excelente em domínios estabelecidos com amplos dados históricos, prever o futuro em territórios desconhecidos continua a ser um desafio formidável. É difícil fazer previsões baseadas em dados em áreas onde ainda não existem dados suficientes, tais como áreas onde ocorreram mudanças extraordinárias ou inovações tecnológicas (seria muito difícil prever o impacto de uma pandemia súbita de um vírus infeccioso ou da ascensão da IA ​​generativa em um determinado negócio em seus estágios iniciais). Estes cenários sublinham as limitações de confiar apenas em dados históricos para traçar um rumo futuro.

Um exemplo típico da indústria farmacêutica, e que a Astellas enfrenta regularmente, é a valorização de inovações disruptivas, como terapias genéticas e celulares. Com tão poucos dados disponíveis, tentar prever o valor exacto destas inovações e o seu impacto de longo alcance no portfólio com base apenas em dados históricos é como navegar através de um nevoeiro denso sem bússola.

Perscrutando o Futuro: Simulação Orientada a Hipóteses

Uma abordagem promissora para navegar nas águas da incerteza é a simulação orientada por hipóteses, que imita processos do mundo real. Se sua empresa está se aventurando em áreas desconhecidas, você precisa adotar uma abordagem orientada a hipóteses quando os dados históricos não estiverem 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. Permite aos decisores testar diferentes cenários nos “mundos paralelos” virtuais.

Na prática, isto significa apresentar uma miscelânea de cenários-chave na mesa de decisão, cada um com a sua própria avaliação de probabilidade e impacto. Os decisores podem então avaliar cenários críticos e formular estratégias para o futuro com base nestas simulações. Na indústria farmacêutica, isto exige fazer suposições sobre uma série de factores, tais 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 obscuro à frente e fornecer informações valiosas para orientar o curso.

Na Astellas, desenvolvemos uma simulação orientada a hipóteses, que cria cenários e faz suposições dedutivas, para ajudar a informar a tomada de decisões estratégicas. Conseguimos fazer isso atualizando as hipóteses de simulação em tempo real (na mesa de decisão), o que ajuda a melhorar a qualidade das decisões estratégicas. A avaliação de projetos é um tópico em que entra o método de simulação. Primeiro, construímos hipóteses possíveis sobre vários fatores, incluindo, entre outros, as necessidades do mercado e a probabilidade de sucesso dos ensaios clínicos. Então, com base nessas hipóteses, simulamos eventos que ocorrem durante os ensaios clínicos ou após o lançamento do produto para gerar os possíveis resultados e o valor antecipado do projeto. O valor calculado é usado para determinar quais opções devemos tomar, incluindo alocação de recursos e planejamento do projeto.

Para aprofundar, vejamos um caso de uso em que o método é aplicado à avaliação de projetos em estágio inicial. Dado o nível inerentemente elevado de incerteza que acompanha os projetos em fase inicial, há uma abundância de oportunidades para mitigar os riscos de fracasso e maximizar as recompensas do sucesso. Simplificando, quanto mais cedo um projeto estiver no seu ciclo de vida, maior será o potencial para uma 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 captar todos os valores dos projetos em fase inicial. Isso pode ser feito combinando a teoria das opções reais e o modelo de simulação.

Medir o impacto da simulação orientada por hipóteses requer uma avaliação tanto do ponto de vista do processo como dos resultados. Indicadores típicos como redução de custos, eficiência de tempo e crescimento de receitas podem ser usados ​​para medir o ROI. No entanto, podem não captar a totalidade da tomada de decisão, especialmente quando algumas decisões envolvem inação. Além disso, é importante reconhecer que os resultados das decisões empresariais podem não ser imediatamente aparentes. No setor farmacêutico, por exemplo, o tempo médio entre os ensaios clínicos e o lançamento no mercado é superior a 10 anos.

Ou seja, o valor da simulação baseada em hipóteses pode ser medido observando como ela está integrada no processo de tomada de decisão. Quanto mais os resultados da simulação tiverem impacto na tomada de decisão, maior será o seu valor.

O futuro da análise de dados

Análise de dados espera-se que divirja em três tendências principais: (1) Uma abordagem indutiva que procura identificar padrões em grandes volumes de dados, que funciona sob o pressuposto de que os padrões encontrados nos dados podem ser aplicados ao futuro que queremos prever (por exemplo, IA generativa ); (2) Uma abordagem analítica, que se centra na interpretação e compreensão de fenómenos onde dados suficientes não podem ser utilizados (por exemplo, inferência causal); e (3) Uma abordagem dedutiva, que se baseia em regras, princípios ou conhecimento de negócios para ver resultados futuros. Funciona mesmo quando há menos dados disponíveis (por exemplo, uma simulação orientada por hipóteses).

LLMs e outras análises baseadas em dados estão preparadas para expandir significativamente suas aplicações práticas. Têm o potencial de revolucionar o trabalho, acelerando, melhorando a qualidade e, em alguns casos, até realizando o trabalho humano. Esta mudança transformadora permitirá que os indivíduos concentrem os seus esforços em aspectos mais importantes do seu trabalho, como o pensamento crítico e a tomada de decisões, em vez de atividades mais demoradas, como a recolha/organização/análise/visualização de dados, no caso de dados. analistas. Quando isso acontecer, a importância da direção a seguir aumentará e o foco será no aumento da tomada de decisão humana. Em particular, a tendência será a utilização de análise e simulação de dados para a tomada de decisões estratégicas, ao mesmo tempo que se gerem as incertezas futuras numa perspectiva de médio a longo prazo.

Em resumo, alcançar um equilíbrio harmonioso entre as três abordagens acima irá maximizar o verdadeiro potencial da análise de dados e permitir que as organizações prosperem num cenário em rápida evolução. Embora os dados históricos sejam um recurso tremendo, é importante reconhecer as limitações. Para superar esta limitação, adotar a simulação orientada por hipóteses juntamente com uma abordagem baseada em dados permite que as organizações se preparem para um futuro imprevisível e garantam que as suas decisões sejam informadas pela previsão e pela prudência.