การจำลองแบบที่อิงสมมติฐานเป็นเครื่องมือนำทางสำหรับการเดินหน้าสู่อนาคตที่ไม่แน่นอน

การพัฒนาล่าสุดในเทคโนโลยีที่ขับเคลื่อนด้วยข้อมูลได้ปลดปล่อยศักยภาพของการทำนายผ่านปัญญาประดิษฐ์ (AI) อย่างไรก็ตาม การทำนายในดินแดนที่ไม่เคยสำรวจมาก่อนยังคงเป็นความท้าทาย โดยที่ข้อมูลในอดีตอาจไม่เพียงพอ เช่น เหตุการณ์ที่ไม่คาดคิด เช่น การระบาดของโรคหรือการเปลี่ยนแปลงทางเทคโนโลยีใหม่ๆ ในการตอบสนอง การจำลองแบบที่อิงสมมติฐานสามารถเป็นเครื่องมือที่มีค่าซึ่งช่วยให้ผู้ตัดสินใจสามารถสำรวจสถานการณ์ที่แตกต่างกันและตัดสินใจโดยมีข้อมูลที่ครบถ้วน

การวิเคราะห์ข้อมูลที่ขับเคลื่อนด้วยข้อมูลสามารถทำนายอนาคตได้หรือไม่?

ในช่วงไม่กี่ปีที่ผ่านมา AI ได้ดำเนินการจัดเตรียมการเปลี่ยนแปลงที่ยิ่งใหญ่ โดยได้รับพลังจากความก้าวหน้าที่น่าประทับใจในด้านข้อมูล ในใจกลางของการเปลี่ยนแปลงของ AI คือความสามารถที่น่าประทับใจในการดึงเอาข้อมูลเชิงลึกที่ลึกซึ้งจากชุดข้อมูลขนาดใหญ่ การเพิ่มขึ้นของโมเดลการเรียนรู้ลึกและ โมเดลภาษาขนาดใหญ่ (LLMs) ได้ผลักดันสาขานี้ไปสู่ดินแดนที่ไม่เคยสำรวจมาก่อน ความสามารถในการใช้ข้อมูลเพื่อตัดสินใจโดยมีข้อมูลที่ครบถ้วนได้กลายเป็นสิ่งที่สามารถเข้าถึงได้สำหรับองค์กรทุกขนาดและในอุตสาหกรรมทุกประเภท

ลองพิจารณาอุตสาหกรรมเภสัชกรรมเป็นตัวอย่าง ที่ Astellas เราใช้ข้อมูลและวิเคราะห์ข้อมูลเพื่อช่วยให้รู้ว่าควรลงทุนในพอร์ตโฟลิโอธุรกิจใดและเมื่อใด หากคุณกำลังพัฒนาแบบจำลองธุรกิจที่มุ่งเน้นไปที่พื้นที่โรคที่รู้จักกันดีและเข้าใจได้ดี ความสามารถของการวิเคราะห์ข้อมูลที่ขับเคลื่อนด้วยข้อมูลช่วยให้คุณสามารถดึงเอาข้อมูลเชิงลึกเกี่ยวกับทุกอย่างตั้งแต่การค้นพบยาไปจนถึงการตลาด ซึ่งสามารถนำไปสู่การตัดสินใจทางธุรกิจที่มีข้อมูลที่ครบถ้วนได้

อย่างไรก็ตาม ในขณะที่การวิเคราะห์ข้อมูลที่ขับเคลื่อนด้วยข้อมูลมีความโดดเด่นในโดเมนที่มีฐานข้อมูลในอดีตที่เพียงพอ การทำนายอนาคตในดินแดนที่ไม่เคยสำรวจมาก่อนยังคงเป็นความท้าทายที่ยิ่งใหญ่ มันยากที่จะทำการทำนายที่ขับเคลื่อนด้วยข้อมูลในพื้นที่ที่ไม่มีข้อมูลเพียงพอ เช่น พื้นที่ที่มีการเปลี่ยนแปลงหรือนวัตกรรมทางเทคโนโลยีที่ไม่เคยเกิดขึ้นมาก่อน (จะยากที่จะทำนายผลกระทบของการระบาดของไวรัสที่ติดเชื้อหรือการเพิ่มขึ้นของ AI ที่สร้างสรรค์บนธุรกิจใดธุรกิจหนึ่งในระยะเริ่มต้น) สถานการณ์เหล่านี้เน้นย้ำถึงข้อจำกัดของการอาศัยข้อมูลในอดีตเพียงอย่างเดียวเพื่อชี้นำไปสู่อนาคต

ตัวอย่างทั่วไปในอุตสาหกรรมเภสัชกรรม และตัวอย่างที่ Astellas พบว่า ตัวอย่างเช่น การประเมินค่านวัตกรรมที่เปลี่ยนแปลงอย่างยิ่งใหญ่ เช่น การรักษาด้วยยีนและเซลล์ ด้วยข้อมูลที่มีจำกัด การพยายามทำนายค่าแน่นอนของนวัตกรรมเหล่านี้และผลกระทบที่กว้างขวางต่อพอร์ตโฟลิโอโดยอาศัยข้อมูลในอดีตเพียงอย่างเดียว เหมือนกับการเดินผ่านหมอกหนาโดยไม่มีเครื่องมือนำทาง

มองเข้าไปในอนาคต: การจำลองแบบที่อิงสมมติฐาน

วิธีการที่มีแนวโน้มที่จะช่วยให้เราเดินหน้าสู่อนาคตที่ไม่แน่นอนคือการจำลองแบบที่อิงสมมติฐาน ซึ่งจำลองกระบวนการในโลกแห่งความเป็นจริง หากคุณเป็นธุรกิจที่กำลังเข้าสู่พื้นที่ที่ไม่เคยสำรวจมาก่อน คุณจำเป็นต้องใช้การจำลองแบบที่อิงสมมติฐานเมื่อไม่มีข้อมูลในอดีตที่เพียงพอ โมเดลแสดงให้เห็นว่าปัจจัยสำคัญในกระบวนการมีผลต่อผลลัพธ์อย่างไร ในขณะที่การจำลองแบบแสดงให้เห็นว่าโมเดลจะพัฒนาไปอย่างไรเมื่อเวลาผ่านไปภายใต้เงื่อนไขที่แตกต่างกัน มันช่วยให้ผู้ตัดสินใจสามารถทดสอบสถานการณ์ที่แตกต่างกันใน “โลกคู่ขนาน” ที่เป็นเสมือนจริง

ในทางปฏิบัติ หมายความว่าการจัดเตรียมสถานการณ์หลักที่สำคัญบนโต๊ะตัดสินใจ โดยแต่ละสถานการณ์มีการประเมินความน่าจะเป็นและผลกระทบของมัน ผู้ตัดสินใจสามารถประเมินสถานการณ์ที่สำคัญและวางแผนกลยุทธ์สำหรับอนาคตตามการจำลองแบบเหล่านี้ ในอุตสาหกรรมเภสัชกรรม สิ่งนี้ต้องอาศัยการทำสมมติฐานเกี่ยวกับปัจจัยต่างๆ เช่น อัตราความสำเร็จของการ试 nghiệmทางคลินิก ความสามารถในการปรับตัวของตลาด และประชากรผู้ป่วย หลายหมื่นการจำลองแบบจะถูกดำเนินการเพื่อแสดงให้เห็นถึงเส้นทางที่ไม่แน่นอนไปข้างหน้าและให้ข้อมูลเชิงลึกที่มีค่าในการชี้นำไปสู่อนาคต

ที่ Astellas เราได้พัฒนาโมเดลการจำลองแบบที่อิงสมมติฐาน ซึ่งสร้างสถานการณ์และทำการเดาโดยอาศัยข้อมูลเพื่อช่วยในการตัดสินใจเชิงกลยุทธ์ เราสามารถทำได้โดยการอัปเดตสมมติฐานการจำลองแบบในเวลาจริง (ที่โต๊ะตัดสินใจ) ซึ่งช่วยปรับปรุงคุณภาพของการตัดสินใจเชิงกลยุทธ์ การประเมินโครงการเป็นหัวข้อหนึ่งที่วิธีการจำลองแบบมีประโยชน์ เราเริ่มต้นด้วยการสร้างสมมติฐานเกี่ยวกับปัจจัยต่างๆ รวมถึงความต้องการของตลาดและความน่าจะเป็นของความสำเร็จในการทดลองทางคลินิก จากนั้นตามสมมติฐานเหล่านั้น เราจะจำลองเหตุการณ์ที่เกิดขึ้นระหว่างการทดลองทางคลินิกหรือหลังการเปิดตัวผลิตภัณฑ์ เพื่อสร้างผลลัพธ์ที่เป็นไปได้และค่าที่คาดหวังของโครงการ ค่าที่คำนวณจะถูกใช้เพื่อกำหนดตัวเลือกที่เราควรทำ รวมถึงการกระจายทรัพยากรและการวางแผนโครงการ

เพื่อเข้าใจลึกซึ้งยิ่งขึ้น มาทำความเข้าใจกรณีการใช้งานที่วิธีการนี้ถูกนำไปใช้กับการประเมินโครงการในระยะเริ่มต้น โดยธรรมชาติแล้ว โครงการในระยะเริ่มต้นมีความไม่แน่นอนสูง และมีโอกาสมากมายที่จะลดความเสี่ยงของความล้มเหลวและเพิ่มผลตอบแทนของความสำเร็จ กล่าวอย่างง่ายๆ คือ โครงการที่อยู่ในระยะเริ่มต้นของวงจรชีวิตจะมีโอกาสในการตัดสินใจที่ยืดหยุ่นได้มากขึ้น (เช่น การปรับเปลี่ยนกลยุทธ์ การขยายตลาด การประเมินความเป็นไปได้ของการละทิ้ง ฯลฯ) การประเมินค่าของความยืดหยุ่นนี้จึงเป็นสิ่งสำคัญในการจับผลประโยชน์ทั้งหมดของโครงการในระยะเริ่มต้น ซึ่งสามารถทำได้โดยการผสมผสานทฤษฎีตัวเลือกจริงและโมเดลการจำลองแบบ

การวัดผลกระทบของการจำลองแบบที่อิงสมมติฐานต้องการการประเมินจากทั้งด้านกระบวนการและผลลัพธ์ ตัวชี้วัดทั่วไป เช่น การลดต้นทุน การเพิ่มประสิทธิภาพเวลา และการเติบโตของรายได้ สามารถใช้เพื่อวัด ROI อย่างไรก็ตาม อาจไม่สามารถจับผลลัพธ์ของการตัดสินใจทั้งหมดได้ โดยเฉพาะอย่างยิ่งเมื่อตัดสินใจบางอย่างเกี่ยวข้องกับการไม่ดำเนินการ นอกจากนี้ ยังสำคัญที่จะรับรู้ว่าผลลัพธ์ของการตัดสินใจทางธุรกิจอาจไม่ปรากฏทันที ในธุรกิจเภสัชกรรม ตัวอย่างเช่น เวลาที่ใช้ในการทดลองทางคลินิกจนถึงการเปิดตัวสู่ตลาดมีมากกว่า 10 ปี

นั่นคือ ค่าของการจำลองแบบที่อิงสมมติฐานสามารถวัดได้โดยดูว่ามันถูกนำมาใช้ในการตัดสินใจอย่างไร มากกว่าที่จะวัดผลลัพธ์โดยตรง

อนาคตของการวิเคราะห์ข้อมูล

การวิเคราะห์ข้อมูล คาดว่าจะแยกออกเป็นแนวโน้มหลัก 3 ประการ: (1) วิธีการแบบอุปนัยที่พยายามค้นหารูปแบบในข้อมูลขนาดใหญ่ ซึ่งทำงานภายใต้สมมติฐานที่ว่ารูปแบบที่พบในข้อมูลสามารถนำไปใช้กับอนาคตที่เราต้องการทำนาย (เช่น AI ที่สร้างสรรค์); (2) วิธีการแบบวิเคราะห์ ซึ่งมุ่งเน้นไปที่การวิเคราะห์และทำความเข้าใจปรากฏการณ์ที่ไม่สามารถใช้ข้อมูลได้เพียงพอ (เช่น การอนุมานสาเหตุ); และ (3) วิธีการแบบนิรนัย ซึ่งอาศัยกฎธุรกิจ หลักการ หรือความรู้เพื่อดูผลลัพธ์ในอนาคต มันทำงานได้แม้เมื่อมีข้อมูลน้อย (เช่น การจำลองแบบที่อิงสมมติฐาน)

โมเดล LLM และการวิเคราะห์ข้อมูลที่ขับเคลื่อนด้วยข้อมูลมีศักยภาพที่จะขยายการประยุกต์ใช้จริงในวงกว้าง พวกมันมีศักยภาพที่จะปฏิวัติวงการทำงานโดยการเร่งความเร็ว การปรับปรุงคุณภาพ และในบางกรณีแม้กระทั่งการดำเนินงานของมนุษย์ การเปลี่ยนแปลงเชิงปฏิวัตินี้จะช่วยให้บุคคลสามารถมุ่งเน้นความพยายามของตนไปที่ด้านที่สำคัญยิ่งขึ้นของงาน เช่น การคิดเชิงวิพากษ์ และการตัดสินใจ มากกว่าการมุ่งเน้นไปที่กิจกรรมที่ใช้เวลานาน เช่น การรวบรวมข้อมูล/การจัดเรียง/วิเคราะห์/การแสดงผลข้อมูล ในกรณีของนักวิเคราะห์ข้อมูล เมื่อเกิดเหตุการณ์นี้ ความสำคัญของทิศทางที่จะเคลื่อนไปจะเพิ่มขึ้น และจะมุ่งเน้นไปที่การเสริมการตัดสินใจของมนุษย์ โดยเฉพาะอย่างยิ่ง จะมีแนวโน้มที่จะใช้การวิเคราะห์ข้อมูลและจำลองแบบสำหรับการตัดสินใจเชิงกลยุทธ์ ในขณะเดียวกันก็จัดการความไม่แน่นอนในอนาคตในระยะกลางถึงยาว

สรุปแล้ว การบรรลุความสมดุลที่เหมาะสมระหว่างแนวทางทั้งสามข้างต้นจะช่วยเพิ่มศักยภาพที่แท้จริงของการวิเคราะห์ข้อมูล และช่วยให้องค์กรสามารถเติบโตได้ในภูมิทัศน์ที่เปลี่ยนแปลงอย่างรวดเร็ว ในขณะที่ข้อมูลในอดีตเป็นทรัพย์สินที่น่าประทับใจ มันสำคัญที่จะต้องรับรู้ถึงข้อจำกัดของมัน เพื่อเอาชนะข้อจำกัดนี้ การยอมรับการจำลองแบบที่อิงสมมติฐานร่วมกับการวิเคราะห์ข้อมูลที่ขับเคลื่อนด้วยข้อมูล ช่วยให้องค์กรสามารถเตรียมพร้อมสำหรับอนาคตที่ไม่แน่นอน และรับประกันว่าตัดสินใจโดยอาศัยความมองเห็นและความระมัดระวัง