Tác giả: Masanori Ito
25 tháng 10 năm 2023
Những tiến bộ gần đây trong các công nghệ dựa trên dữ liệu đã mở ra khả năng dự đoán thông qua trí tuệ nhân tạo (AI). Tuy nhiên, việc dự báo trong lĩnh vực chưa được khám phá vẫn là một thách thức, nơi dữ liệu lịch sử có thể không đủ, như đã thấy trong các sự kiện khó lường như đại dịch và các cuộc chạm trán với công nghệ mới. Để đáp ứng, mô phỏng dựa trên giả thuyết có thể là một công cụ quý báu cho phép người ra quyết định khám phá các kịch bản khác nhau và đưa ra quyết định có căn cứ. Chìa khóa để đạt được tương lai mong muốn trong một thời đại của sự bất định nằm ở việc sử dụng mô phỏng dựa trên giả thuyết, kết hợp với trí tuệ nhân tạo dựa trên dữ liệu để tăng cường quyết định của con người.
Liệu phân tích dựa trên dữ liệu có thể dự đoán tương lai không?
Trong những năm gần đây, trí tuệ nhân tạo (AI) đã trải qua một cuộc hành trình biến đổi, được thúc đẩy bởi các tiến bộ đáng kinh ngạc dựa trên dữ liệu. Ở trái tim của sự tiến hóa của AI nằm khả năng đáng kinh ngạc để trích xuất các thông tin sâu sắc từ các tập dữ liệu lớn. Sự gia tăng của các mô hình học sâu và các mô hình ngôn ngữ lớn (LLMs) đã đẩy lĩnh vực này vào lĩnh vực chưa được khám phá. Khả năng tận dụng dữ liệu để đưa ra các quyết định có căn cứ đã trở nên dễ tiếp cận cho tất cả các tổ chức, kích thước và trong mọi ngành công nghiệp.
Hãy lấy ngành dược phẩm làm ví dụ. Tại Astellas, chúng tôi sử dụng dữ liệu và phân tích để giúp xác định các danh mục kinh doanh nào nên đầu tư và khi nào. Nếu bạn đang phát triển một mô hình kinh doanh tập trung vào một lĩnh vực bệnh lý phổ biến và được hiểu rõ, sức mạnh của phân tích dựa trên dữ liệu cho phép bạn tìm hiểu mọi thứ từ việc phát hiện thuốc đến tiếp thị, điều này cuối cùng có thể dẫn đến các quyết định kinh doanh có căn cứ hơn.
Tuy nhiên, trong khi phân tích dựa trên dữ liệu xuất sắc trong các lĩnh vực đã được xác định với đủ dữ liệu lịch sử, việc dự đoán tương lai trong các lĩnh vực chưa được khám phá vẫn là một thách thức đáng kể. Việc thực hiện các dự đoán dựa trên dữ liệu trở nên khó khăn trong những lĩnh vực mà dữ liệu đủ lượng vẫn chưa có sẵn, như trong 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 đợt đại dịch đột ngột từ một loại virus lây truyền hoặc sự gia tăng của trí tuệ nhân tạo sinh sáng trên một lĩnh vực kinh doanh cụ thể ở giai đoạn đầu). Những tình huống này làm nổi bật giới hạn của việc chỉ dựa vào dữ liệu lịch sử để xây dựng một hướng đi tiến về phía trước.
Một ví dụ điển hình trong ngành dược phẩm, và một ví dụ mà Astellas thường phải đối mặt, đó là việc định giá các đổi mới đột phá như công nghệ gene và tế bào. Với ít dữ liệu có sẵn, việc cố gắng dự đoán giá trị chính xác của những đổi mới này và tác động xa rộng của chúng đối với danh mục dựa hoàn toàn vào dữ liệu lịch sử giống như việc điều hướng trong sương mù dày đặc mà không có một chiếc la bàn.
Nhìn vào Tương Lai: Mô Phỏng Dựa Trên Giả Thuyết
Một phương pháp hứa hẹn để điều hướng trong biển của sự không chắc chắn là mô phỏng dựa trên giả thuyết, mô phỏng mô phỏng các quy trình thế giới thực. Nếu bạn là một doanh nghiệp đang mạo hiểm vào các lĩnh vực chưa được biết đến, bạn cần áp dụng một phương pháp dựa trên giả thuyết khi dữ liệu lịch sử không có sẵn. Mô hình đại diện cho cách các yếu tố quan trọng trong quy trình ảnh hưởng đến kết quả trong khi mô phỏng đại diện cho cách mô hình phát triển theo thời gian dưới điều kiện khác nhau. Nó cho phép người ra quyết định kiểm tra các tình huống khác nhau trong các “thế giới song song” ảo.
Trong thực tế, điều này có nghĩa là sắp xếp một loạt các tình huống quan trọng trên bàn quyết định, mỗi tình huống có xác suất và đánh giá tác động riêng. Người ra quyết định sau đó có thể đánh giá các tình huống 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 yếu tố như tỷ lệ thành công của cuộc thử nghiệm lâm sàng, khả năng thích nghi của thị trường và dân số bệnh nhân. Sau đó, hàng chục nghìn mô phỏng được chạy để làm sáng đường đi mịt mù phía trước và cung cấp thông tin quý báu để chỉ đường.
Tại Astellas, chúng tôi đã phát triển một mô phỏng dựa trên giả thuyết, tạo ra các tình huống và đưa ra các ước tính suy luận để hỗ trợ quyết định chiến lược. Chúng tôi có thể làm điều này bằng cách cập nhật giả thuyết mô phỏng trong thời gian thực (tại bàn ra quyết định), giúp cải thiện chất lượng các quyết định chiến lược. Định giá dự án là một trong những chủ đề mà phương pháp mô phỏng được áp dụng. Trước tiên, chúng tôi xây dựng các giả thuyết có thể về các yếu tố khác nhau bao gồm, nhưng không giới hạn ở nhu cầu thị trường và khả năng thành công của các cuộc thử nghiệm lâm sàng. Dựa trên những giả thuyết đó, chúng tôi mô phỏng các sự kiện xảy ra trong quá trình các cuộc thử nghiệm lâm sàng hoặc sau khi sản phẩm được ra mắt để tạo ra các kết quả có thể của dự án và giá trị dự kiến. Giá trị tính toán được sử dụng để xác định các lựa chọn mà chúng tôi nên chọn, bao gồm phân bổ tài nguyên và lập kế hoạch dự án.
Để đi sâu hơn, hãy xem xét một trường hợp sử dụng mà phương pháp này được áp dụng vào việc định giá dự án giai đoạn đầu. Với sự không chắc chắn mặc định đi kèm với các dự án giai đoạn đầu, có nhiều cơ hội để giảm thiểu các rủi ro thất bại để tối ưu hóa phần thưởng từ sự thành công. Đơn giản, càng sớm một dự án càng ở trong giai đoạn đầu của vòng đời của nó, càng lớn tiềm năng cho quyết định linh hoạt (ví dụ, điều chỉnh chiến lược, mở rộng thị trường, đánh giá khả năng bỏ dự án, v.v.). Đánh giá giá trị của tính linh hoạt, do đó, rất quan trọng để thu thập tất cả các giá trị từ các dự án giai đoạn đầu. Điều này có thể thực hiện bằng cách kết hợp lý thuyết các tùy chọn thực tế và mô hình mô phỏng.
Để đo lường tác động của mô phỏng dựa trên giả thuyết, cần phải thực hiện đánh giá từ cả góc độ quy trình và góc độ 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 thể hiện toàn bộ quyết định, đặc biệt khi một số quyết định liên quan đến việc không thực hiện hành động. Hơn nữa, quan trọng phải nhận thức rằng kết quả của các quyết định kinh doanh có thể không hiển nhiên ngay lập tức. Trong ngành dược phẩm, ví dụ, thời gian trung bình từ cuộc thử nghiệm lâm sàng đến việc ra mắt trên thị trường là hơn 10 năm.
Vì vậy, giá trị của mô phỏng dựa trên giả thuyết có thể được đo bằng cách xem cách nó được tích hợp vào quy trình ra quyết định. Càng nhiều mà kết quả của mô phỏng có ảnh hưởng đối với quyết định ra quyết định, thì giá trị của nó càng cao.
Tương lai của Phân Tích Dữ Liệu
Phân tích dữ liệu dự kiến sẽ phát triển thành ba xu hướng chính: (1) Một phương pháp vào đồng, tìm kiếm để xác định các mẫu trong dữ liệu lớn, với giả định rằng các mẫu tìm thấy trong dữ liệu có thể được áp dụng vào tương lai chúng ta muốn dự đoán (ví dụ: trí tuệ nhân tạo sinh sáng); (2) Một phương pháp phân tích, tập trung vào giải thích và hiểu các hiện tượng mà không có đủ dữ liệu (ví dụ: suy luận về nguyên nhân); và (3) Một phương pháp suy diễn, dựa trên quy tắc kinh doanh, nguyên tắc hoặc kiến thức để nhìn vào tương lai. Nó hoạt động ngay cả khi có ít dữ liệu có sẵn (ví dụ: mô phỏng dựa trên giả thuyết).
Các mô hình ngôn ngữ lớn (LLMs) và các phương pháp phân tích dữ liệu khác đang sẵn sàng mở rộng ứng dụng thực tế của chúng một cách đáng kể. Chúng có tiềm năng làm thay đổi cách làm việc bằng cách tăng tốc, cải thiện chất lượng và đôi khi thậm chí thực hiện công việc của con người. Sự chuyển đổi này sẽ cho phép cá nhân tập trung nỗ lực 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 hoạt động tốn thời gian hơn, chẳng hạn như thu thập/diễn đàn/phan loại/hiển thị 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 gia tăng và tập trung vào việc tăng cường quyết định của con người. Cụ thể, xu hướng sẽ là sử dụng phân tích dữ liệu và mô phỏng cho ra quyết định chiến lược trong khi quản lý sự không chắc chắn trong tương lai từ một góc nhìn trung và dài hạn.
Tóm lại, việc đạt được sự cân bằng hài hòa giữa ba phương pháp ở trên sẽ tối đa hóa tiềm năng thực sự của phân tích dữ liệu và giúp tổ chức phát triển trong một môi trường biến đổi nhanh chóng. Mặc dù dữ liệu lịch sử là một tài sản to lớn, quan trọng để nhận biết những giới hạn. Để vượt qua hạn chế này, việc áp dụng mô phỏng dựa trên giả thuyết cùng với phương pháp dựa trên dữ liệu giúp tổ chức chuẩn bị cho tương lai không thể dự đoán và đảm bảo rằng quyết định của họ dựa trên kiến thức trước nhìn và thận trọng.
