Гипотезо-ориентированное моделирование как компас для навигации в неопределенном будущем

Последние достижения в области технологий, основанных на данных, раскрыли потенциал прогнозирования с помощью искусственного интеллекта (ИИ). Однако прогнозирование на неизведанной территории остается сложной задачей, поскольку исторических данных может быть недостаточно, как это видно на примере непредсказуемых событий, таких как пандемии и новые технологические прорывы. В ответ на это моделирование, ориентированное на гипотезы, может стать ценным инструментом, позволяющим лицам, принимающим решения, исследовать различные сценарии и принимать обоснованные решения. Ключ к достижению желаемого будущего в эпоху неопределенности заключается в использовании моделирования, ориентированного на гипотезы, а также искусственного интеллекта, управляемого данными, для улучшения процесса принятия решений человеком.

Может ли аналитика, основанная на данных, предсказать будущее?

В последние годы искусственный интеллект претерпел трансформационные изменения, чему способствовали замечательные достижения, основанные на данных. В основе эволюции ИИ лежит удивительная способность извлекать глубокую информацию из огромных наборов данных. Распространение моделей глубокого обучения и большие языковые модели (LLM) выдвинули эту область на неизведанную территорию. Возможность использовать данные для принятия обоснованных решений стала доступна организациям всех размеров и во всех отраслях.

Возьмем, к примеру, фармацевтическую промышленность. В Astellas, мы используем данные и аналитику, чтобы определить, в какие бизнес-портфели инвестировать и когда. Если вы разрабатываете бизнес-модель, ориентированную на распространенную и хорошо изученную область заболеваний, возможности аналитики, основанной на данных, позволяют вам получить представление обо всем: от открытия лекарств до маркетинга, что в конечном итоге может привести к более обоснованным бизнес-решениям.

Однако, хотя аналитика, основанная на данных, превосходна в устоявшихся областях с обширными историческими данными, прогнозирование будущего на неизведанных территориях остается сложной задачей. Трудно делать прогнозы на основе данных в областях, где еще нет достаточных данных, например, в областях, где произошли чрезвычайные изменения или технологические инновации (было бы очень трудно предсказать влияние внезапной пандемии инфекционного вируса или появление генеративного ИИ в конкретном бизнесе на ранних стадиях). Эти сценарии подчеркивают ограниченность использования исключительно исторических данных для определения курса вперед.

Типичным примером в фармацевтической отрасли, с которым Астеллас регулярно сталкивается, является оценка таких прорывных инноваций, как генная и клеточная терапия. Имея так мало данных, попытка предсказать точную ценность этих инноваций и их далеко идущее влияние на портфель, основываясь исключительно на исторических данных, подобна навигации в густом тумане без компаса.

Заглядывание в будущее: моделирование, ориентированное на гипотезы

Одним из многообещающих подходов к преодолению неопределенности является моделирование, ориентированное на гипотезы, которое имитирует процессы реального мира. Если вы представляете бизнес, который осваивает неизвестные области, вам необходимо принять гипотезо-ориентированный подход, когда исторические данные недоступны. Модель показывает, как ключевые факторы процессов влияют на результаты, а моделирование показывает, как модель развивается с течением времени в различных условиях. Это позволяет лицам, принимающим решения, тестировать различные сценарии в виртуальных «параллельных мирах».

На практике это означает выкладывание в таблицу решений набора ключевых сценариев, каждый из которых имеет свою собственную оценку вероятности и воздействия. Лица, принимающие решения, могут затем оценить критические сценарии и сформулировать стратегии на будущее на основе этих симуляций. В фармацевтической промышленности для этого необходимо делать предположения о ряде факторов, таких как уровень успешности клинических испытаний, адаптируемость рынка и популяция пациентов. Затем запускаются десятки тысяч симуляций, чтобы осветить неясный путь вперед и предоставить бесценную информацию для выбора курса.

В Astellas мы разработали моделирование, ориентированное на гипотезы, которое создает сценарии и делает дедуктивные предположения, помогающие принимать стратегические решения. Мы можем сделать это, обновляя гипотезу моделирования в режиме реального времени (за столом принятия решений), что помогает повысить качество стратегических решений. Оценка проекта — это одна из тем, в которой используется метод моделирования. Сначала мы строим возможные гипотезы на основе различных факторов, включая, помимо прочего, потребности рынка и вероятность успеха клинических испытаний. Затем, основываясь на этих гипотезах, мы моделируем события, происходящие во время клинических испытаний или после запуска продукта, чтобы определить возможные результаты проекта и ожидаемую ценность. Рассчитанное значение используется для определения того, какие варианты нам следует выбрать, включая распределение ресурсов и планирование проекта.

Чтобы копнуть глубже, давайте рассмотрим вариант использования этого метода для оценки проекта на ранней стадии. Учитывая изначально высокий уровень неопределенности, который свойственен проектам на ранних стадиях, существует множество возможностей снизить риски неудачи и максимизировать выгоды от успеха. Проще говоря, чем раньше проект находится в своем жизненном цикле, тем больше возможностей для гибкого принятия решений (например, стратегических корректировок, расширения рынка, оценки возможности отказа и т. д.). Поэтому оценка ценности гибкости имеет первостепенное значение для отражения всех ценностей проектов на ранней стадии. Этого можно добиться, объединив теорию реальных опционов и имитационную модель.

Измерение влияния моделирования, ориентированного на гипотезы, требует оценки как с точки зрения процесса, так и с точки зрения результатов. Для измерения рентабельности инвестиций можно использовать типичные показатели, такие как снижение затрат, эффективность использования времени и рост доходов. Однако они могут не отражать весь процесс принятия решений, особенно когда некоторые решения предполагают бездействие. Более того, важно осознавать, что результаты бизнес-решений могут не проявиться сразу. Например, в фармацевтическом бизнесе среднее время от клинических испытаний до вывода на рынок составляет более 10 лет.

То есть ценность моделирования, основанного на гипотезах, можно измерить, увидев, как оно интегрировано в процесс принятия решений. Чем больше результаты моделирования влияют на принятие решений, тем выше его ценность.

Будущее аналитики данных

Аналитика данных Ожидается, что он разделится на три основные тенденции: (1) Индуктивный подход, направленный на выявление закономерностей в больших данных, который работает при предположении, что закономерности, обнаруженные в данных, могут быть применены к будущему, которое мы хотим предсказать (например, генеративный ИИ ); (2) Аналитический подход, который фокусируется на интерпретации и понимании явлений, в которых невозможно использовать достаточные данные (например, причинно-следственные связи); и (3) дедуктивный подход, который опирается на бизнес-правила, принципы или знания для прогнозирования будущих результатов. Это работает даже тогда, когда доступно меньше данных (например, моделирование, ориентированное на гипотезы).

LLM и другая аналитика, основанная на данных, готовы значительно расширить свое практическое применение. У них есть потенциал совершить революцию в сфере труда, ускорив, улучшив качество, а в некоторых случаях даже взяв на себя человеческий труд. Этот преобразующий сдвиг позволит людям сосредоточить свои усилия на более важных аспектах своей работы, таких как критическое мышление и принятие решений, а не на более трудоемких действиях, таких как сбор/организация/анализ/визуализация данных, в случае с данными. аналитики. Когда это произойдет, важность того, в каком направлении двигаться, возрастет, и основное внимание будет сосредоточено на расширении возможностей принятия решений человеком. В частности, тенденция будет заключаться в использовании анализа данных и моделирования для принятия стратегических решений при одновременном управлении будущими неопределенностями в средне- и долгосрочной перспективе.

Подводя итог, можно сказать, что достижение гармоничного баланса между тремя вышеперечисленными подходами позволит максимально раскрыть истинный потенциал анализа данных и позволит организациям преуспевать в быстро меняющейся среде. Хотя исторические данные являются огромным преимуществом, важно осознавать их ограничения. Чтобы преодолеть это ограничение, использование моделирования, ориентированного на гипотезы, наряду с подходом, основанным на данных, позволяет организациям подготовиться к непредсказуемому будущему и гарантировать, что их решения основаны на дальновидности и осмотрительности.