Mô hình hóa định hướng giả thuyết như la bàn để điều hướng tương lai không chắc chắn

Những tiến bộ gần đây trong công nghệ dữ liệu đã mở khóa tiềm năng dự đoán thông qua trí tuệ nhân tạo (AI). Tuy nhiên, dự báo trong lãnh thổ chưa được khám phá vẫn là một thách thức, nơi dữ liệu lịch sử có thể không đủ, như được thấy với các sự kiện không thể dự đoán như đại dịch và các sự gián đoạn công nghệ mới. Để đáp ứng, mô hình hóa định hướng giả thuyết có thể là một công cụ quý giá cho phép người ra quyết định khám phá các kịch bản khác nhau và đưa ra quyết định thông minh. Chìa khóa để đạt được tương lai mong muốn trong một kỷ nguyên không chắc chắn nằm ở việc sử dụng mô hình hóa định hướng giả thuyết, cùng với AI dựa trên dữ liệu để tăng cường quyết định của con người.

Liệu phân tích dữ liệu có thể dự đoán tương lai?

Trong những năm gần đây, AI đã trải qua một hành trình chuyển đổi, được thúc đẩy bởi những tiến bộ đáng kể dựa trên dữ liệu. Tại trung tâm của sự tiến hóa của AI là khả năng tuyệt vời để trích xuất những hiểu biết sâu sắc từ các tập dữ liệu lớn. Sự trỗi dậy của các mô hình học sâu và mô hình ngôn ngữ lớn (LLMs) đã đẩy lĩnh vực này vào lãnh thổ chưa được khám phá. Khả năng tận dụng dữ liệu để đưa ra quyết định thông minh đã trở nên khả thi cho các tổ chức thuộc mọi quy mô và trong tất cả các ngành.

Lấy ngành dược phẩm làm ví dụ. Tại Astellas, chúng tôi sử dụng dữ liệu và phân tích để giúp thông báo về các danh mục đầu tư kinh doanh và khi nào. Nếu bạn đang phát triển một mô hình kinh doanh tập trung vào một lĩnh vực bệnh phổ biến và được hiểu rõ, sức mạnh của phân tích dữ liệu cho phép bạn suy luận về mọi thứ từ khám phá thuốc đến tiếp thị, điều này cuối cùng có thể dẫn đến quyết định kinh doanh thông minh hơn.

Tuy nhiên, trong khi phân tích dữ liệu dựa trên dữ liệu hoạt động tốt trong các lĩnh vực đã thành lập với dữ liệu lịch sử dồi dào, dự đoán tương lai trong các lãnh thổ chưa được khám phá vẫn là một thách thức đáng kể. Thật khó để đưa ra dự đoán dựa trên dữ liệu trong các lĩnh vực mà dữ liệu đủ không có sẵn, chẳng hạn như các lĩnh vực mà sự thay đổi phi thường hoặc đổi mới công nghệ đã xảy ra (sẽ rất khó để dự đoán tác động của một đại dịch virus lây nhiễm đột ngột hoặc sự trỗi dậy của AI tạo sinh đối với một doanh nghiệp cụ thể trong giai đoạn đầu). Những kịch bản này nhấn mạnh hạn chế của việc chỉ dựa vào dữ liệu lịch sử để vạch ra con đường phía trước.

Một ví dụ điển hình trong ngành dược phẩm, và một ví dụ mà Astellas thường xuyên đối mặt, là việc định giá các đổi mới đột phá như liệu pháp gen và tế bào. Với rất ít dữ liệu có sẵn, việc cố gắng dự đoán chính xác giá trị của những đổi mới này và tác động rộng lớn của chúng đối với danh mục đầu tư dựa chỉ trên dữ liệu lịch sử giống như điều hướng qua sương mù dày đặc mà không có la bàn.

Nhìn vào Tương lai: Mô hình hóa định hướng giả thuyết

Một cách tiếp cận đầy hứa hẹn để điều hướng trong các vùng nước không chắc chắn là mô hình hóa định hướng giả thuyết, mô phỏng các quy trình thế giới thực. Nếu bạn là một doanh nghiệp đang xâm nhập vào các lĩnh vực chưa biết, bạn cần áp dụng một cách tiếp cận định hướng giả thuyết khi dữ liệu lịch sử không có sẵn. Mô hình đại diện cho cách các yếu tố chính trong các quy trình ảnh hưởng đến kết quả trong khi mô phỏng đại diện cho cách mô hình phát triển theo thời gian dưới các điều kiện khác nhau. Nó cho phép người ra quyết định kiểm tra các kịch bản khác nhau trong các “thế giới song song” ảo.

Trong thực tế, điều này có nghĩa là trình bày một loạt các kịch bản chính trên bàn quyết định, mỗi kịch bản có đánh giá xác suất và tác động riêng. Người ra quyết định sau đó có thể đánh giá các kịch bản quan trọng và xây dựng chiến lược cho tương lai dựa trên các mô phỏng này. Trong ngành dược phẩm, điều này đòi hỏi phải đưa ra các giả định về một loạt các yếu tố như tỷ lệ thành công của các thử nghiệm lâm sàng, khả năng thích ứng của thị trường và dân số bệnh nhân. Hàng chục nghìn mô phỏng được chạy để làm sáng tỏ con đường phía trước và cung cấp những hiểu biết vô giá để điều hướng.

Tại Astellas, chúng tôi đã phát triển một mô hình hóa định hướng giả thuyết, tạo ra các kịch bản và đưa ra một ước đoán suy diễn, để giúp thông báo việc ra quyết định chiến lược. Chúng tôi có thể làm điều này bằng cách cập nhật giả thuyết mô phỏng theo thời gian thực (tại bàn quyết định), điều này giúp cải thiện chất lượng của quyết định chiến lược. Định giá dự án là một chủ đề mà phương pháp mô phỏng được áp dụng. Đầu tiên, chúng tôi xây dựng các giả thuyết có thể về các yếu tố bao gồm, nhưng không giới hạn ở nhu cầu thị trường và xác suất thành công của các thử nghiệm lâm sàng. Sau đó, dựa trên những giả thuyết đó, chúng tôi mô phỏng các sự kiện xảy ra trong quá trình thử nghiệm lâm sàng hoặc sau khi ra mắt sản phẩm để tạo ra các kết quả và giá trị có thể của dự án. Giá trị được tính toán được sử dụng để xác định các lựa chọn chúng tôi nên thực hiện, bao gồm phân bổ tài nguyên và lập kế hoạch dự án.

Để đi sâu hơn, hãy xem xét một trường hợp sử dụng nơi phương pháp này được áp dụng cho việc định giá dự án giai đoạn đầu. Dữ liệu cho thấy rằng, khi một dự án ở giai đoạn đầu, có rất nhiều cơ hội để giảm thiểu rủi ro và tối đa hóa phần thưởng của thành công. Cụ thể, việc đánh giá giá trị của sự linh hoạt là rất quan trọng để nắm bắt tất cả các giá trị của các dự án giai đoạn đầu. Điều này có thể được thực hiện bằng cách kết hợp lý thuyết lựa chọn thực và mô hình mô phỏng.

Đánh giá tác động của mô hình hóa định hướng giả thuyết đòi hỏi phải đánh giá từ cả hai góc độ quá trình và kết quả. Các chỉ số điển hình như giảm chi phí, hiệu quả thời gian và tăng trưởng doanh thu có thể được sử dụng để đo lường ROI. Tuy nhiên, chúng có thể không nắm bắt được toàn bộ quá trình ra quyết định, đặc biệt là khi một số quyết định liên quan đến việc không hành động. Hơn nữa, điều quan trọng là phải nhận ra rằng kết quả của các quyết định kinh doanh có thể không rõ ràng ngay lập tức. Trong kinh doanh dược phẩm, ví dụ, thời gian trung bình từ thử nghiệm lâm sàng đến ra mắt thị trường là hơn 10 năm.

Điều đó có nghĩa là, giá trị của mô hình hóa định hướng giả thuyết có thể được đo lường bằng cách xem nó được tích hợp vào quy trình ra quyết định như thế nào. Càng nhiều kết quả mô phỏng ảnh hưởng đến quyết định, giá trị của nó càng cao.

Tương lai của Phân tích Dữ liệu

Phân tích dữ liệu dự kiến sẽ phân chia thành ba xu hướng chính: (1) Một cách tiếp cận quy nạp tìm kiếm để xác định các mẫu trong dữ liệu lớn, hoạt động dưới giả định rằng các mẫu tìm thấy trong dữ liệu có thể được áp dụng cho tương lai chúng ta muốn dự đoán (ví dụ: AI tạo sinh); (2) Một cách tiếp cận phân tích, tập trung vào việc giải thích và hiểu các hiện tượng nơi dữ liệu đủ không thể được sử dụng (ví dụ: suy luận nguyên nhân); và (3) Một cách tiếp cận quy nạp, dựa trên các quy tắc kinh doanh, nguyên tắc hoặc kiến thức để dự đoán kết quả trong tương lai. Nó hoạt động ngay cả khi có ít dữ liệu có sẵn (ví dụ: mô hình hóa định hướng giả thuyết).

Trong thực tế, điều này có nghĩa là các mô hình LLM và các công cụ phân tích dữ liệu dựa trên dữ liệu khác sẽ mở rộng đáng kể các ứng dụng thực tế của chúng. Chúng có tiềm năng cách mạng hóa công việc bằng cách tăng tốc, cải thiện chất lượng và trong một số trường hợp, thậm chí thực hiện công việc của con người. Sự thay đổi chuyển đổi này sẽ cho phép các cá nhân tập trung nỗ lực của họ vào các khía cạnh quan trọng hơn của công việc của họ, chẳng hạn như tư duy phản biện và ra quyết định, thay vì các hoạt động tốn thời gian hơn, chẳng hạn như thu thập, sắp xếp, phân tích và trực quan hóa dữ liệu, trong trường hợp của các nhà phân tích dữ liệu. Khi điều này xảy ra, tầm quan trọng của việc quyết định hướng đi sẽ tăng lên, và trọng tâm sẽ là tăng cường quyết định của con người.

Tóm lại, đạt được sự cân bằng hài hòa giữa ba cách tiếp cận trên sẽ tối đa hóa tiềm năng thực sự của phân tích dữ liệu và cho phép các tổ chức phát triển trong một môi trường thay đổi nhanh chóng. Trong khi dữ liệu lịch sử là một tài sản đáng kể, điều quan trọng là phải nhận ra những hạn chế. Để vượt qua hạn chế này, việc áp dụng mô hình hóa định hướng giả thuyết cùng với cách tiếp cận dựa trên dữ liệu cho phép các tổ chức chuẩn bị cho một tương lai không thể dự đoán và đảm bảo rằng quyết định của họ được thông tin bởi tầm nhìn và thận trọng.