How can you leverage data analytics to identify potential risks and opportunities in ongoing R&D initiatives?

"To get new ideas, read old books" Ivan Pavlov Predictive analytics could reveal future events and trends in early signs. Therefore it could be a very strong tool of decision making at various navigating steps of R&D. Branches like big data analytics are the future of predictive analytics.

El análisis es elemental y cuando es predictivo con mayor razón es por eso que existen diferentes metodologías que permiten a los negocios conocer los riesgos y minimizarlo al momento de generar la investigación y desarrollo

Yo parto del análisis de tendencias del mercado, y lo complemento con los teóricos existentes, bibliografía de lujo, y prácticas de aplicabilidad real. Siempre es importante considerar el enfoque de cada tema y cada actividad, pues algunas se puede combinar con storetelling, otras con dinámicas, y otras son tan numéricas que hay que incorporarle el aterrizaje de ejercicios. Siempre el diseño y desarrollo de un curso lo tomo analiticamente en función de los objetivos a alcanzar y del publico objetivo.

Defining your risks and opportunities should be done early and throughout the project. Data can give invaluable insight. And using data for decision making can really help in making best decisions.

In process optimization for R&D, it's crucial to start by mapping out each step meticulously to uncover potential challenges and risks. This involves identifying points where delays or errors commonly occur and implementing measures to address them. By continuously monitoring and analyzing these processes, you can proactively identify bottlenecks or inefficiencies before they escalate into larger issues. This approach not only improves efficiency but also enhances the overall reliability and success of R&D initiatives by ensuring that risks are managed effectively throughout the project lifecycle.

always work with case scenarios. Best/ expected/worst. Be brave in terms of “best’. Be true in case of “worst”. Be prepared for all scenarios. Discuss with the team. THIS prep will save a lot of time. Winning and BEST is not always the right solution. Eg CureVac vs Biontech. CureVac spent a lot of efforts in terms of temperature stability of Covid Vaccines, wasting a lot of time. Biotech just brought an unstable product to the market meaning refrigeration at -80 degree celsius. The fastest approach won the race. CureVac lost, spending a lot of energy on comfort. But winning nothing after all efforts, no market approval, no revenues.Fast was the right approach, not quality. A silly decision of CureVac’s management and supervisors .

La simulación de escenarios para muchos es hacer doble trabajo porque aducen que es mejor esperar el peor escenario, pero en los proyectos no siempre así porque las intervenciones actuales y circunstancias del contexto son variantes. En la práctica puede ser que la situación continue igual sin intervención (positiva o negativa), otras veces puede ser que se contribuyan con pasos para disminuir la situación, así pues no solamente escenarios fatídicos. Por eso para cada uno se puede hacer un ejercicio practico de posibles escenarios para saber realmente que medidas serán las realistas, sus costes y tiempos, así como su impacto para minimizar los riesgos. Esto solo como un ejemplo, hay mucho más que conozcamos y sería interesante leerles.

One thing I we oftentimes leave behind as we leverage data analytics in relation to continuous learning is knowledge management. Data can help us not to lose out on what most consider ‘old fashioned’ by keeping what is relevant, learning what can, of the past knowledge, be improved, and provide a starting point for knowledge management. This is key in R&D

En rigor, entiendo es la suma de las diferentes opciones que han presentados: no hay un "o" entre ellas, sino un "y", que ayuda a fundamentar opiniones con esos datos. Entiendo que el funcionamiento dele quipo que lo analiza y toma decisiones es esencial: escuchar las miradas de otros, aprender, sumar, multiplicar, pero nunca dividir

El análisis de datos siempre debe ser primordial, ya que permite una toma de decisiones más objetiva al conocer como se encuentra en la actualidad, tanto el negocio interno como todo lo que se enfrentará en el exterior, esto ayuda al logro de los objetivos, mejora continua. El desarrollo de análisis siempre nos indica un semáforo de acción.