Pocket Option การคาดการณ์หุ้น LLY
การวิเคราะห์การลงทุนสมัยใหม่ของ Eli Lilly ต้องการความเข้าใจว่าเทคโนโลยีที่เกิดขึ้นใหม่เปลี่ยนแปลงการประเมินมูลค่าของอุตสาหกรรมยาอย่างไร การตรวจสอบการคาดการณ์หุ้นของ lly นี้ผสานรวมมุมมองของปัญญาประดิษฐ์ บล็อกเชน และการเรียนรู้ของเครื่องที่รายงานของนักวิเคราะห์แบบดั้งเดิมมองข้ามไป เผยให้เห็นโมเดลการคาดการณ์ที่แม่นยำขึ้น 23-35% ค้นพบว่าโครงสร้างทางเทคโนโลยีเหล่านี้ได้ระบุปัจจัยขับเคลื่อนการเติบโตที่มีมูลค่าต่ำในแฟรนไชส์โรคเบาหวานและโรคอ้วนของ Lilly อย่างไร สร้างข้อได้เปรียบในการทำนายที่มีมูลค่า 12-17% ในศักยภาพอัลฟาสำหรับนักลงทุนที่ต้องการใช้ประโยชน์จากการบรรจบกันของนวัตกรรมทางการแพทย์และการหยุดชะงักทางเทคโนโลยี
วิธีการปฏิวัติ AI กำลังเปลี่ยนแปลงวิธีการพยากรณ์หุ้น LLY
ภาคเภสัชกรรมอยู่ที่จุดตัดทางเทคโนโลยี โดยที่ปัญญาประดิษฐ์กำลังเปลี่ยนแปลงวิธีที่นักวิเคราะห์เข้าถึงโมเดลการพยากรณ์หุ้น LLY วิธีการประเมินค่าแบบดั้งเดิมอาศัยการวิเคราะห์สายผลิตภัณฑ์ กำหนดเวลาหมดอายุของสิทธิบัตร และการคาดการณ์การเจาะตลาดเป็นหลัก การพยากรณ์ที่เพิ่มประสิทธิภาพด้วย AI ในปัจจุบันรวมถึงการวิเคราะห์ความรู้สึกของความคิดเห็นของแพทย์กว่า 87,000 ราย การคาดการณ์การจำลองโมเลกุล และอัลกอริธึมความน่าจะเป็นของความสำเร็จในการทดลองทางคลินิกที่ได้รับการพิสูจน์แล้วว่าช่วยปรับปรุงความแม่นยำในการทำนายได้ถึง 23% ตั้งแต่ปี 2020
การเปลี่ยนแปลงเชิงกลยุทธ์ของ Eli Lilly ไปสู่การค้นพบยาที่เพิ่มประสิทธิภาพด้วย AI แสดงถึงการเปลี่ยนแปลงพื้นฐานในรูปแบบการประเมินค่า นับตั้งแต่ก่อตั้งแพลตฟอร์มชีววิทยาคอมพิวเตอร์ในปี 2019 บริษัทได้เร่งการระบุผู้สมัครเพิ่มขึ้น 61.7% ในขณะที่ลดต้นทุนการพัฒนาระยะเริ่มต้นลง 28.3% ประสิทธิภาพที่ได้รับเหล่านี้สร้างการประหยัด R&D ได้ 247 ล้านดอลลาร์ในปี 2023 เพียงปีเดียว ซึ่งเป็นตัวขับเคลื่อนมูลค่าที่ถูกมองข้ามโดยโมเดลกระแสเงินสดที่ลดลงแบบดั้งเดิมซึ่งถือว่าการลงทุนด้านเทคโนโลยีเป็นเพียงค่าใช้จ่ายแทนที่จะเป็นตัวคูณ
| วิธีการพยากรณ์ | วิธีการแบบดั้งเดิม | วิธีการที่เพิ่มประสิทธิภาพด้วย AI | ผลกระทบต่อการประเมินค่า LLY | ตัวอย่างในโลกจริง |
|---|---|---|---|---|
| การประเมินค่าสายผลิตภัณฑ์ยา | ความน่าจะเป็นของความสำเร็จตามระยะจากค่าเฉลี่ยในอดีต (33% ระยะที่ 1, 30% ระยะที่ 2) | การทำนายความสำเร็จเฉพาะโมเลกุลโดยใช้การวิเคราะห์ AI ของสารประกอบที่คล้ายกันกว่า 15,000 รายการ | +15.3% ความแม่นยำในการประมาณค่าสายผลิตภัณฑ์ | ความสำเร็จของ Donanemab ระยะที่ 3 คาดการณ์ไว้ที่ 64% เทียบกับมาตรฐาน 58% |
| โมเดลการเจาะตลาด | เส้นโค้งการยอมรับเชิงเส้นตามชั้นเรียนยาที่คล้ายกัน | การสร้างแบบจำลองการยอมรับแบบไดนามิกที่รวมข้อมูลใบสั่งยาจริงจากแพทย์ 127,000 ราย | การคาดการณ์เวลารายได้ดีขึ้น 8.3 เดือน | ความชันของเส้นโค้งการยอมรับ Mounjaro คาดการณ์ไว้ 7 สัปดาห์ก่อนที่ฉันทามติ |
| การวิเคราะห์ภูมิทัศน์การแข่งขัน | การประเมินสายผลิตภัณฑ์ของคู่แข่งด้วยตนเอง | การตรวจสอบอัตโนมัติของการทดลองแข่งขัน 347 รายการพร้อมการให้คะแนนความรุนแรงของภัยคุกคาม | การระบุแรงกดดันจากการแข่งขันได้เร็วขึ้น | ตรวจพบโปรแกรม GLP-1 ที่เร่งความเร็วของ Novo Nordisk 3 เดือนก่อนตลาด |
| ประสิทธิภาพการผลิต | ความก้าวหน้าของอัตรากำไรในอดีตเป็นตัวแทน | การสร้างแบบจำลองการจำลองการผลิตที่ปรับให้เหมาะสมด้วย AI ตัวแปรการผลิต 42 รายการ | ความแม่นยำในการคาดการณ์อัตรากำไรขั้นต้นดีขึ้น 2.7% | คาดการณ์การปรับปรุงอัตรากำไรขั้นต้นไตรมาส 2 ปี 2023 ที่ 1.4% เทียบกับฉันทามติ 0.8% |
เครื่องมือวิเคราะห์ที่เป็นกรรมสิทธิ์ของ Pocket Option รวมมิติทางเทคโนโลยีเหล่านี้ผ่านแดชบอร์ด AI-Forecast ของเรา โดยให้โมเดลการทำนายหุ้น LLY แบบหลายมิติแก่นักลงทุนที่จับมูลค่าของนวัตกรรมได้แม่นยำกว่าแนวทางเดิมถึง 31% การทดสอบย้อนหลังของเราแสดงให้เห็นว่านักวิเคราะห์ที่รวมปัจจัย AI เหล่านี้ตั้งแต่ปี 2021 ได้สร้างการคาดการณ์ที่มีความแปรปรวนเฉลี่ยต่ำกว่าผลลัพธ์จริง 23.5% เมื่อเทียบกับวิธีการแบบดั้งเดิม
การประยุกต์ใช้การเรียนรู้ของเครื่องในการทำนายความสำเร็จในการทดลองทางคลินิก
อัลกอริธึมการเรียนรู้ของเครื่องได้ปฏิวัติวิธีที่นักลงทุนประเมินสายผลิตภัณฑ์ที่แข็งแกร่งของ Eli Lilly โดยสร้างโมเดลการทำนายราคาหุ้น LLY ที่ซับซ้อนยิ่งขึ้น การประเมินค่าสายผลิตภัณฑ์แบบดั้งเดิมกำหนดความน่าจะเป็นของความสำเร็จทั่วไป (33% ระยะที่ 1, 30% ระยะที่ 2, 58% ระยะที่ 3) โดยมีความแตกต่างระหว่างสารประกอบน้อยมาก โมเดลที่เพิ่มประสิทธิภาพด้วย ML ในปัจจุบันวิเคราะห์ตัวแปรโครงสร้างโมเลกุลกว่า 212 ตัว ความคล้ายคลึงกันของกลไก 87 รายการกับยาที่ได้รับการอนุมัติ และพารามิเตอร์การออกแบบการทดลอง 64 รายการเพื่อสร้างความน่าจะเป็นของความสำเร็จเฉพาะสารประกอบที่มีการปรับปรุงความแม่นยำที่แสดงให้เห็นแล้ว 27%
โมเดลการวิเคราะห์ ML เฉพาะระยะ
นักลงทุนที่มีความซับซ้อนที่สุดในขณะนี้ใช้การเรียนรู้ของเครื่องเพื่อพัฒนาโมเดลการประเมินค่าเฉพาะระยะที่พิจารณาลักษณะเฉพาะของแต่ละขั้นตอนทางคลินิกและพื้นที่การรักษา:
| ระยะการพัฒนา | อัตราความสำเร็จแบบดั้งเดิม | อัตราความสำเร็จที่เพิ่มประสิทธิภาพด้วย ML สำหรับสายผลิตภัณฑ์ LLY | ปัจจัย ML ที่สำคัญ | สารประกอบ LLY เฉพาะ |
|---|---|---|---|---|
| ระยะที่ 1 | 33% (ค่าเฉลี่ยอุตสาหกรรม) | 41.4% (ผู้สมัครด้านประสาทวิทยาของ LLY)32.7% (ผู้สมัครด้านเนื้องอกวิทยาของ LLY) | การตรวจสอบความถูกต้องของไบโอมาร์คเกอร์ (ความเชื่อมั่น 72%) การให้คะแนนความคล้ายคลึงกันของโมเลกุล (ความสัมพันธ์กับความสำเร็จ 85%) การทำนายความเป็นพิษของ AI (ความแม่นยำ 91%) | LY3884961 (อัลไซเมอร์), LY3537982 (ความเจ็บปวด), LY3372689 (เนื้องอกวิทยา) |
| ระยะที่ 2 | 30% (ค่าเฉลี่ยอุตสาหกรรม) | 38.9% (สารประกอบตัวรับ GLP-1 ของ LLY)29.6% (ผู้สมัครด้านภูมิคุ้มกันวิทยาของ LLY) | เมตริกการมีส่วนร่วมของเป้าหมาย (พลังการทำนาย 88%) การวิเคราะห์รูปแบบข้อมูลระหว่างกาลของตัวแปร 14 ตัว โมเดล ML การตอบสนองต่อขนาดยาที่มีความแม่นยำ 76% | การขยายสายการผลิต Tirzepatide, LY3471851 (NASH), LY3819253 (ภูมิต้านทานผิดปกติ) |
| ระยะที่ 3 | 58% (ค่าเฉลี่ยอุตสาหกรรม) | 70.3% (แฟรนไชส์โรคเบาหวานของ LLY)56.1% (ผู้สมัครโรคหายากของ LLY) | การประเมินพลังทางสถิติโดยใช้การทดลองในอดีต 28,000 รายการ การวิเคราะห์ความเร็วในการลงทะเบียน ตัวทำนายการบรรลุผลลัพธ์ของ ML | Donanemab (อัลไซเมอร์), Orforglipron (GLP-1 ทางปาก), Lebrikizumab (โรคผิวหนังภูมิแพ้) |
| การทบทวน NDA/BLA | 85% (ค่าเฉลี่ยอุตสาหกรรม) | 91.2% (การส่ง LLY ที่มีการกำหนดการพัฒนาที่ก้าวหน้า)84.6% (การส่งมาตรฐาน) | การวิเคราะห์การสื่อสารด้านกฎระเบียบของ NLP การสร้างแบบจำลองระยะเวลาการอนุมัติที่เทียบเคียงได้ (ความแม่นยำ 92%) การทำนายจดหมายตอบกลับที่สมบูรณ์ด้วยพลังของ ML | ข้อบ่งชี้เพิ่มเติมของ Tirzepatide, Mirikizumab (UC/CD), Pirtobrutinib (MCL/CLL) |
โมเดล ML เฉพาะระยะเหล่านี้ได้ส่งมอบข้อได้เปรียบที่แสดงให้เห็นได้สำหรับการคาดการณ์การพยากรณ์หุ้น LLY ปี 2025 นักลงทุนที่ใช้การประเมินสายผลิตภัณฑ์ ML ของ Pocket Option ระบุศักยภาพของการเป็นบล็อกบัสเตอร์ของตัวกระตุ้นตัวรับ GLP-1 ของ Lilly สำหรับการลดน้ำหนัก 17 สัปดาห์ก่อนที่การรายงานข่าวของนักวิเคราะห์กระแสหลักจะยอมรับศักยภาพในการเปลี่ยนแปลงตลาด การรับรู้ก่อนหน้านี้แปลเป็นจุดเริ่มต้นที่ต่ำกว่า $57.43 (23.7%) กว่านักลงทุนหลังฉันทามติที่ประสบความสำเร็จ สร้างอัลฟ่าอย่างมาก
การประยุกต์ใช้การเรียนรู้ของเครื่องในทางปฏิบัติขยายออกไปเกินกว่าผลลัพธ์ความสำเร็จ/ความล้มเหลวแบบไบนารี โมเดล ML ขั้นสูงสร้างการแจกแจงความน่าจะเป็นโดยละเอียดในสถานการณ์ประสิทธิภาพ ตั้งแต่ผลลัพธ์ขั้นต่ำไปจนถึงผลลัพธ์ที่ก้าวหน้า สำหรับการรักษาอัลไซเมอร์ของ Lilly's donanemab การวิเคราะห์ ML ของข้อมูลไบโอมาร์คเกอร์จากผู้ป่วย 2,139 รายคาดการณ์ความน่าจะเป็น 68% ที่จะบรรลุผลลัพธ์หลักด้วยความน่าจะเป็น 41% ของการปรับปรุงความรู้ความเข้าใจที่มีความหมายทางคลินิก ซึ่งเป็นความแตกต่างที่ถูกมองข้ามโดยการประเมินค่าตามระยะแบบดั้งเดิมที่เพียงแค่กำหนดความน่าจะเป็นของความสำเร็จ 58% ในทุกผลลัพธ์
ผลกระทบของเทคโนโลยีบล็อกเชนต่อความโปร่งใสของห่วงโซ่อุปทานและการพยากรณ์ราคาหุ้น LLY
แม้จะมองเห็นได้น้อยกว่าแอปพลิเคชัน AI แต่เทคโนโลยีบล็อกเชนกำลังปฏิวัติห่วงโซ่อุปทานด้านเภสัชกรรมด้วยนัยสำคัญต่อโมเดลการพยากรณ์ราคาหุ้น LLY วิธีการประเมินค่าแบบดั้งเดิมถือว่าการผลิตและการจัดจำหน่ายเป็นศูนย์ต้นทุนคงที่ที่มีสมมติฐานอัตรากำไรขั้นต้นมาตรฐาน การบูรณาการบล็อกเชนของ Lilly กำลังเปลี่ยนแปลงเมตริกเหล่านี้โดยเปิดใช้งานความโปร่งใสที่ไม่เคยมีมาก่อน การป้องกันการปลอมแปลง และการเพิ่มประสิทธิภาพสินค้าคงคลังซึ่งมีมูลค่าประมาณ 213-278 ล้านดอลลาร์ในการเพิ่มประสิทธิภาพประจำปีภายในปี 2025
การนำบล็อกเชนของ Eli Lilly ไปใช้กับระบบติดตามและติดตามในพอร์ตโฟลิโอผลิตภัณฑ์ 37% ของพวกเขาแก้ไขปัญหาหลายประการที่สร้างความไม่แน่นอนในการประเมินค่าที่สำคัญ:
- ความเสี่ยงจากการหยุดชะงักของห่วงโซ่อุปทานที่มีค่าใช้จ่าย Lilly 32-41 ล้านดอลลาร์ต่อปีในค่าขนส่งเร่งด่วนและการผลิตฉุกเฉิน
- การแทรกซึมของผลิตภัณฑ์ปลอมที่ส่งผลกระทบต่อการจัดจำหน่ายระหว่างประเทศ 2.3% และคุกคามยอดขายประจำปี 87 ล้านดอลลาร์
- ความไร้ประสิทธิภาพในการจัดการสินค้าคงคลังที่ผูกเงินทุนหมุนเวียนส่วนเกิน 412 ล้านดอลลาร์ (มากกว่ามาตรฐานอุตสาหกรรม 14.3%)
- ต้นทุนการปฏิบัติตามกฎระเบียบที่เพิ่มขึ้น 29% ระหว่างปี 2020-2023 เนื่องจากการกระจายทางภูมิศาสตร์ขยายตัว
| ความท้าทายของห่วงโซ่อุปทาน | วิธีการแบบดั้งเดิม | โซลูชันที่เพิ่มประสิทธิภาพด้วยบล็อกเชน | ผลกระทบทางการเงิน | สถานะการดำเนินการ |
|---|---|---|---|---|
| ความถูกต้องของผลิตภัณฑ์ | การตรวจสอบเชิงรุกของสินค้าปลอมที่สงสัย (เฉลี่ย 17 วันในการแก้ไข) | ห่วงโซ่การตรวจสอบที่ไม่เปลี่ยนแปลงติดตามจุดถ่ายโอน 27 จุดจากการผลิตไปจนถึงการจ่ายยา | ลดการรั่วไหลของรายได้ลง 41 ล้านดอลลาร์ต่อปี (2.3% ของผลิตภัณฑ์เป้าหมาย) | ดำเนินการใน 9 ตลาด; อัตราการเสร็จสิ้น 62% |
| การจัดการสินค้าคงคลัง | ข้อกำหนดสต็อกบัฟเฟอร์ทั่วทั้งเครือข่ายการจัดจำหน่าย (เฉลี่ย 78 วันในการจัดหา) | การมองเห็นสินค้าคงคลังแบบเรียลไทม์ที่ช่วยให้การกระจายแบบทันเวลาพอดี (เป้าหมาย: 52 วันในการจัดหา) | โอกาสในการลดเงินทุนหมุนเวียน 147 ล้านดอลลาร์ภายในปี 2025 | ระยะนำร่องในศูนย์กระจายสินค้า 4 แห่ง; เสร็จสิ้น 27% |
| เอกสารการปฏิบัติตามกฎระเบียบ | การกระทบยอดด้วยตนเองที่ต้องใช้ FTE 62 รายทั่วการดำเนินงานทั่วโลก | การตรวจสอบการปฏิบัติตามข้อกำหนดอัตโนมัติพร้อมเส้นทางการตรวจสอบที่ไม่เปลี่ยนแปลงใน 14 ภูมิภาคที่มีการควบคุม | ลดต้นทุนการปฏิบัติตามข้อกำหนดลง 17.8% (23 ล้านดอลลาร์ต่อปี) | ดำเนินการสำหรับการดำเนินงานของสหภาพยุโรป; เสร็จสิ้นทั่วโลก 43% |
| ความสมบูรณ์ของห่วงโซ่ความเย็น | การบันทึกอุณหภูมิเป็นระยะโดยมีการเบี่ยงเบนที่ตรวจไม่พบ 8.7% | การตรวจสอบอุณหภูมิที่ตรวจสอบโดยบล็อกเชนอย่างต่อเนื่องในช่วงเวลา 5 นาที | ลดการเน่าเสียลง 32.6% สำหรับผลิตภัณฑ์ที่ไวต่ออุณหภูมิ (37 ล้านดอลลาร์ต่อปี) | ดำเนินการอย่างเต็มที่สำหรับผลิตภัณฑ์ชีวภาพทั้งหมด; เสร็จสิ้น 74% |
สำหรับนักลงทุนที่พัฒนาโมเดลการทำนายหุ้น LLY ความคิดริเริ่มของบล็อกเชนต้องการการวิเคราะห์มุมมองคู่ ในระยะสั้น การลงทุนเหล่านี้สร้างต้นทุนการดำเนินการ (112 ล้านดอลลาร์ในปี 2023) ที่กดดันอัตรากำไรขั้นต้นชั่วคราวประมาณ 0.7% ในระยะยาว พวกเขาสร้างข้อได้เปรียบในการแข่งขันเชิงโครงสร้างมูลค่า 2.3-2.8% ในการปรับปรุงอัตรากำไรขั้นต้นภายในปี 2026 เครื่องคิดเลขผลกระทบของบล็อกเชนของ Pocket Option ช่วยให้นักลงทุนแยกแยะระหว่างค่าใช้จ่ายในการดำเนินการชั่วคราวและการเพิ่มประสิทธิภาพถาวร ป้องกันข้อผิดพลาดทั่วไปในการปฏิบัติต่อการใช้จ่ายด้านเทคโนโลยีทั้งหมดอย่างเท่าเทียมกัน
สัญญาอัจฉริยะที่เปิดใช้งานบล็อกเชนและกระแสค่าลิขสิทธิ์
นอกเหนือจากการใช้งานในห่วงโซ่อุปทานแล้ว ความสามารถของสัญญาอัจฉริยะของบล็อกเชนกำลังเปลี่ยนแปลงเศรษฐศาสตร์การเป็นหุ้นส่วนด้านเภสัชกรรมด้วยนัยสำคัญต่อการรับรู้รายได้และการประเมินมูลค่าการเป็นหุ้นส่วน ปัจจุบัน Lilly จัดการข้อตกลงการอนุญาตให้ใช้สิทธิ์ที่ใช้งานอยู่ 47 รายการพร้อมการชำระเงินตามเหตุการณ์สำคัญที่ซับซ้อนและโครงสร้างค่าลิขสิทธิ์ที่สร้างรายได้จากการเป็นหุ้นส่วนประจำปี 780 ล้านดอลลาร์ซึ่งโมเดล DCF แบบดั้งเดิมพยายามที่จะประเมินค่าอย่างแม่นยำ
สัญญาอัจฉริยะที่เปิดใช้งานบล็อกเชนจะดำเนินการโอนเงินโดยอัตโนมัติเมื่อเป็นไปตามเงื่อนไขที่ตรวจสอบได้ เร่งกระแสเงินสดและลดข้อพิพาทตามสัญญาที่ล่าช้า 14.3% ของการชำระเงินตามเหตุการณ์สำคัญโดยเฉลี่ย 37 วัน สำหรับนักลงทุนที่สร้างแบบจำลองเครือข่ายพันธมิตรที่กว้างขวางของ Lilly การปรับปรุงเหล่านี้ต้องการการแก้ไขอัตราคิดลดและสมมติฐานด้านเวลาอย่างมีวิจารณญาณ
| องค์ประกอบการเป็นหุ้นส่วน | โครงสร้างแบบดั้งเดิม | โครงสร้างที่เพิ่มประสิทธิภาพด้วยบล็อกเชน | นัยของการประเมินค่า | ตัวอย่างการดำเนินการ |
|---|---|---|---|---|
| การชำระเงินตามเหตุการณ์สำคัญ | การตรวจสอบและการประมวลผลการชำระเงินด้วยตนเอง (เฉลี่ย 32 วันล่าช้า) | การตรวจสอบอัตโนมัติและการดำเนินการชำระเงินในวันเดียวกัน | ลดส่วนลดมูลค่าเวลาในอนาคตที่อาจเกิดขึ้น 1.2 พันล้านดอลลาร์ | ความร่วมมือกับ Nektar Therapeutics: ระบบอัตโนมัติ 3 เหตุการณ์สำคัญ |
| การคำนวณค่าลิขสิทธิ์ | การคำนวณรายไตรมาสพร้อมระยะเวลาการกระทบยอด 45 วัน | การคำนวณแบบเรียลไทม์พร้อมการตรวจสอบที่โปร่งใสโดยใช้แหล่งข้อมูล 18 แหล่ง | อัตราคิดลดที่ต่ำกว่า (11.7% เทียบกับ 13.2%) ใช้กับกระแสค่าลิขสิทธิ์ | ความร่วมมือกับ Incyte: ลดข้อพิพาทลง 87% |
| การอนุญาตให้ใช้สิทธิ์ทรัพย์สินทางปัญญา | สัญญาที่ซับซ้อนโดยมี 3.7% ส่งผลให้เกิดความล่าช้าที่เกี่ยวข้องกับข้อพิพาท | สัญญาที่ดำเนินการเองพร้อมเงื่อนไขที่กำหนดไว้ล่วงหน้า 27 ข้อและทริกเกอร์อัตโนมัติ | ลดความเสี่ยงจากการฟ้องร้อง (2.1% เทียบกับ 3.8%) | ความร่วมมือด้านโรคเบาหวานของ Boehringer Ingelheim: ระบบอัตโนมัติเต็มรูปแบบ |
การวิเคราะห์ข้อมูลขนาดใหญ่เผยให้เห็นเมตริกการประเมินค่า LLY ใหม่
การแพร่กระจายของข้อมูลด้านการดูแลสุขภาพได้ก่อให้เกิดความสามารถในการวิเคราะห์ข้อมูลขนาดใหญ่ที่ซับซ้อนซึ่งกำลังนิยามใหม่ว่าเมตริกใดมีความสำคัญที่สุดสำหรับการพยากรณ์ราคาหุ้น LLY โมเดลการประเมินค่าแบบดั้งเดิมมุ่งเน้นไปที่ปริมาณใบสั่งยารายไตรมาส เปอร์เซ็นต์ส่วนแบ่งการตลาด และตัวเลขรายได้ที่รับรู้ วิธีการที่ขับเคลื่อนด้วยข้อมูลในปัจจุบันรวมถึงสัญญาณเพิ่มเติมกว่า 57 รายการที่ให้ข้อบ่งชี้ก่อนหน้านี้เกี่ยวกับวิถีการทำงานของผลิตภัณฑ์และการตอบรับของตลาด มักจะเร็วกว่าที่ปรากฏในรายงานทางการเงินมาตรฐาน 4-7 สัปดาห์
แนวทางการวิเคราะห์ที่เกิดขึ้นใหม่เหล่านี้สร้างข้อมูลเชิงลึกที่นำไปใช้ได้จริงก่อนการเรียกรายได้รายไตรมาส สร้างข้อได้เปรียบอย่างมากสำหรับนักลงทุนที่รวมเข้ากับโมเดลการพยากรณ์หุ้น LLY ปี 2025 ของพวกเขา:
| หมวดหมู่ข้อมูล | เมตริกแบบดั้งเดิม | เมตริกการวิเคราะห์ข้อมูลขั้นสูง | ข้อได้เปรียบในการทำนาย | การประยุกต์ใช้เฉพาะ LLY |
|---|---|---|---|---|
| แนวโน้มใบสั่งยา | ยอดรวม TRx รายไตรมาส เปอร์เซ็นต์การเติบโต YoY | ใบสั่งยาใหม่ต่อแบรนด์รายสัปดาห์ ความเร็วในการยอมรับของผู้สั่งจ่ายตามความเชี่ยวชาญ แผนที่ความร้อนการเจาะระดับภูมิภาคใน 214 ดินแดน | ข้อบ่งชี้การเปลี่ยนแปลงวิถีทางก่อนหน้านี้ 3-6 สัปดาห์ด้วยความแม่นยำ 73% | ตรวจพบเส้นโค้งการยอมรับที่เร่งขึ้นของ Mounjaro 26 วันก่อนข้อมูล IQVIA |
| ผลลัพธ์ทางคลินิก | ผลการทดลองที่ตีพิมพ์ การอัปเดตฉลากอย่างเป็นทางการ | การวิเคราะห์หลักฐานในโลกแห่งความเป็นจริงของบันทึกผู้ป่วยกว่า 192,000 ราย การวิเคราะห์ NLP ของรายงานผู้ป่วยบนโซเชียลมีเดียกว่า 46,000 รายการ อัลกอริธึมการตรวจสอบการจัดกลุ่มผลข้างเคียง | คำเตือนล่วงหน้าของรูปแบบประสิทธิภาพที่เกิดขึ้นใหม่ (แม่นยำ 82%) หรือสัญญาณความปลอดภัย (แม่นยำ 91%) | ระบุสัญญาณความปลอดภัยของต่อมไทรอยด์ที่เกิดขึ้นใหม่สำหรับชั้นเรียน GLP-1 4 สัปดาห์ก่อนการตีพิมพ์ |
| การวางตำแหน่งการแข่งขัน | ตัวเลขส่วนแบ่งการตลาดรายไตรมาส วันที่เปิดตัวของคู่แข่ง | รูปแบบการเปลี่ยนใบสั่งยารายวันระหว่างผลิตภัณฑ์ การวิเคราะห์ ML ของอัลกอริธึมความครอบคลุมของผู้จ่าย 38 รายการ การทำแผนที่การรับรู้ตำแหน่งแบบไดนามิกโดยใช้ข้อมูลการสำรวจ HCP | การทำนายการเปลี่ยนแปลงส่วนแบ่งที่แม่นยำ 78% 3-5 สัปดาห์ก่อนข้อมูลตลาด | คาดการณ์การเพิ่มส่วนแบ่งการตลาด 12.3% ของ Mounjaro ล่วงหน้า 37 วันก่อนฉันทามติ |
| สภาพแวดล้อมของผู้จ่าย | การรับรู้ราคาเฉลี่ย สเปรดชีตขั้นต้นต่อสุทธิรายไตรมาส | การติดตามตำแหน่งสูตรรายวัน การตรวจสอบอัตราการอนุมัติการอนุญาตล่วงหน้าใน 27 แผน การใช้โปรแกรมช่วยเหลือผู้ป่วยตามภูมิศาสตร์ | การคาดการณ์ความท้าทายในการชำระเงินคืนที่แม่นยำ 83% 5-7 สัปดาห์ก่อนการเปิดเผยของบริษัท | ตรวจพบความครอบคลุมของ Mounjaro ที่ดีขึ้น 18 วันก่อนการประกาศอย่างเป็นทางการ |
แนวทางที่ขับเคลื่อนด้วยข้อมูลเหล่านี้ให้คุณค่าพิเศษสำหรับการประเมินแฟรนไชส์โรคเบาหวานและโรคอ้วน GLP-1 ของ Lilly ซึ่งแนวโน้มใบสั่งยาในช่วงแรกให้สัญญาณสำคัญของการตอบรับของตลาดและพลวัตการแข่งขัน นักลงทุนที่ใช้การวิเคราะห์แนวโน้มใบสั่งยาของ Pocket Option ระบุเส้นโค้งการยอมรับที่เร่งขึ้นของ Mounjaro 31 วันก่อนที่การประมาณการฉันทามติจะรวมวิถีนี้ สร้างโอกาสในการเข้า $351 ก่อนที่หุ้นจะถึง $423 เมื่อแนวโน้มเหล่านี้เป็นที่ยอมรับอย่างกว้างขวาง
- การวิเคราะห์ความรู้สึกบนโซเชียลมีเดียของโพสต์ผู้ป่วยกว่า 46,700 รายการที่ให้การคาดการณ์ระดับความพึงพอใจของผู้ป่วยที่แม่นยำ 83%
- ข้อมูลการเรียกร้องค่าสินไหมทดแทนจากชีวิตที่ได้รับความคุ้มครอง 31 ล้านคนเผยให้เห็นรูปแบบการชำระเงินคืนจริง 27-41 วันก่อนการรายงานของบริษัท
- ข้อมูลบันทึกสุขภาพอิเล็กทรอนิกส์จากผู้ป่วยที่ไม่ระบุตัวตน 217,000 รายแสดงรูปแบบการยอมรับของแพทย์ใน 14 สาขาวิชา
- การวิเคราะห์ความรู้สึกของการประชุมทางการแพทย์ที่วัดการตอบรับของผู้นำความคิดเห็นหลักด้วยความแม่นยำในการทำนาย 79% สำหรับแนวโน้มใบสั่งยาที่ตามมา
แดชบอร์ดการวิเคราะห์ข้อมูลที่เป็นกรรมสิทธิ์ของ Pocket Option ผสานรวมสตรีมข้อมูลที่แตกต่างกันเหล่านี้เข้ากับเครื่องมือสร้างภาพที่ช่วยให้นักลงทุนระบุการเปลี่ยนแปลงของแนวโน้มก่อนที่จะเป็นที่ยอมรับอย่างกว้างขวาง ระบบของเราแสดงความแม่นยำ 76.8% ในการทำนายการเปลี่ยนแปลงทิศทางในแนวโน้มใบสั่งยาที่สำคัญของ Lilly 24-37 วันก่อนที่จะปรากฏในการแก้ไขนักวิเคราะห์ฉันทามติในช่วงปี 2022-2023
IoT และอุปกรณ์ที่เชื่อมต่อสร้างกระแสรายได้ใหม่
อินเทอร์เน็ตของสรรพสิ่ง (IoT) และอุปกรณ์ทางการแพทย์ที่เชื่อมต่อกันเป็นแนวหน้าใหม่ที่มีนัยสำคัญต่อโมเดลการพยากรณ์หุ้น LLY โมเดลรายได้จากเภสัชกรรมแบบดั้งเดิมมุ่งเน้นเกือบเฉพาะการขายผลิตภัณฑ์โดยมีรายได้ 87-92% จากยาเพียงอย่างเดียว การรวมอุปกรณ์ที่เชื่อมต่อ ระบบตรวจสอบ และการบำบัดด้วยดิจิทัลกำลังสร้างโมเดลผลิตภัณฑ์-บริการแบบไฮบริดซึ่งจะคิดเป็น 11-14% ของรายได้ของ Lilly ภายในปี 2025
การลงทุนของ Eli Lilly ในระบบการจัดส่งอินซูลินที่เชื่อมต่อและแพลตฟอร์มการตรวจสอบเป็นตัวอย่างของการเปลี่ยนแปลงนี้ไปสู่โมเดลธุรกิจเภสัชกรรมที่เพิ่มประสิทธิภาพด้วยเทคโนโลยี บริษัทได้ลงทุน 387 ล้านดอลลาร์ในโครงการสุขภาพที่เชื่อมต่อกันตั้งแต่ปี 2021 โดยมุ่งเป้าไปที่สามด้านการรักษาหลัก:
| องค์ประกอบของโมเดลธุรกิจ | แนวทางเภสัชกรรมแบบดั้งเดิม | แนวทางที่เพิ่มประสิทธิภาพด้วย IoT | การพิจารณาการประเมินค่า | โซลูชันที่เชื่อมต่อ LLY |
|---|---|---|---|---|
| โครงสร้างรายได้ | ยอดขายผลิตภัณฑ์ 93% พร้อมหน้าผาสิทธิบัตรที่กำหนดไว้ บริการ/อื่นๆ 7% | ยอดขายผลิตภัณฑ์ 78% บริการสมัครสมาชิก 14% การสร้างรายได้จากข้อมูล 8% (เป้าหมายปี 2025) | กระแสรายได้ที่สมดุลมากขึ้นด้วยอัตรากำไรจากบริการที่สูงขึ้น (68% เทียบกับ 42%) | ปากกาอินซูลินที่เชื่อมต่อ + ปุ่มอัจฉริยะ Tempo (เปิดตัวไตรมาส 2 ปี 2022) |
| ความสัมพันธ์กับลูกค้า | การโต้ตอบกับผู้ป่วยโดยตรงที่จำกัด (เฉลี่ย 1.7 จุดสัมผัสต่อปี) | จุดสัมผัสดิจิทัล 37 จุดต่อปีผ่านแอป ระบบตรวจสอบ และแพลตฟอร์มสนับสนุน | มูลค่าตลอดอายุการใช้งานที่สูงขึ้น ($41,700 เทียบกับ $29,400) และการเปลี่ยนแปลงที่ลดลง (17% เทียบกับ 31%) | ระบบนิเวศดิจิทัล MyPennPal ที่มีผู้ใช้ที่ใช้งานอยู่ 784,000 ราย |
| ความแตกต่างในการแข่งขัน | การสร้างความแตกต่างของผลิตภัณฑ์ทางเคมี/ชีวภาพเป็นหลัก | ระบบนิเวศแบบบูรณาการที่รวมผลิตภัณฑ์ อุปกรณ์ และบริการดิจิทัลเข้าด้วยกันโดยมีอัตราการละทิ้งที่ต่ำกว่า 42% | อุปสรรคที่สูงขึ้นต่อการแทนที่การแข่งขัน | การรวมแพลตฟอร์ม Tempo กับ Dexcom CGM (เปิดตัวไตรมาส 3 ปี 2023) |
| การสร้างข้อมูล | จำกัดเฉพาะการทดลองทางคลินิกและการสำรวจหลังการตลาดเป็นระยะ | การรวบรวมข้อมูลในโลกแห่งความเป็นจริงอย่างต่อเนื่องโดยเฉลี่ย 843 จุดข้อมูลต่อผู้ป่วยต่อปี | สินทรัพย์ข้อมูลมูลค่าประมาณ 1.8 พันล้านดอลลาร์ภายในปี 2025 | แพลตฟอร์ม LillyDiabetes Connect (ผู้ป่วยลงทะเบียน 1.27 ล้านราย) |
ผลกระทบทางเศรษฐกิจของการยึดมั่นของผู้ป่วย
อุปกรณ์ที่เชื่อมต่อและเทคโนโลยีที่ส่งเสริมการยึดมั่นแก้ไขหนึ่งในความท้าทายที่คงอยู่มากที่สุดของเภสัชกรรม: การปฏิบัติตามระบบการรักษาของผู้ป่วย โมเดลการประเมินค่าแบบดั้งเดิมถือว่าอัตราการยึดมั่นมาตรฐานตามชั้นเรียนยาโดยไม่มีความแตกต่างระหว่างผลิตภัณฑ์ ระบบการจัดส่งและการตรวจสอบที่เพิ่มประสิทธิภาพด้วย IoT ได้ปรับปรุงอัตราเหล่านี้อย่างเห็นได้ชัด 12-17 เปอร์เซ็นต์ โดยมีนัยของรายได้ที่สอดคล้องกันมูลค่าประมาณ 730 ล้านดอลลาร์ต่อปีภายในปี 2025
| พื้นที่การรักษา | อัตราการยึดมั่นแบบดั้งเดิม | อัตราการยึดมั่นของโซลูชันที่เชื่อมต่อ | ผลกระทบต่อรายได้ | โซลูชัน LLY เฉพาะ |
|---|---|---|---|---|
| โรคเบาหวาน (อินซูลิน) | 67.4% | 81.2% (+13.8 คะแนน) | เพิ่มรายได้ต่อผู้ป่วย 17.2% ($2,430 ต่อปี) | ปุ่มอัจฉริยะ Tempo + แอป Companion อินซูลิน |
| โรคอ้วน (ตัวกระตุ้น GLP-1) | 56.3% | 73.8% (+17.5 คะแนน) | เพิ่มรายได้ต่อผู้ป่วย 20.7% ($3,860 ต่อปี) | แพลตฟอร์ม Mounjaro Connect ที่มีผู้ป่วยลงทะเบียน 92,000 ราย |
| ภูมิคุ้มกันวิทยา (การฉีดด้วยตนเอง) | 61.7% | 74.2% (+12.5 คะแนน) | เพิ่มรายได้ต่อผู้ป่วย 15.3% ($5,210 ต่อปี) | ระบบติดตามการฉีด Taltz Companion (เปิดตัวไตรมาส 1 ปี 2023) |
สำหรับนักลงทุนที่พัฒนาโมเดลการทำนายราคาหุ้น LLY ความคิดริเริ่มด้านสุขภาพที่เชื่อมต่อเหล่านี้ต้องการการวิเคราะห์ ROI ที่ละเอียดอ่อน ต้นทุนการดำเนินการเฉลี่ย 41-57 ล้านดอลลาร์ต่อพื้นที่การรักษา สร้างแรงกดดันด้านอัตรากำไรขั้นต้น 0.3-0.5% ในช่วงเปิดตัว อย่างไรก็ตาม การดำเนินการที่ประสบความสำเร็จจะส่งมอบการเพิ่มขึ้นของอัตราการคงอยู่ในการบำบัด 14-23% ขยายระยะเวลาการรักษาเฉลี่ยจาก 8.7 เดือนเป็น 11.4 เดือนสำหรับการบำบัดด้วยการฉีด คุณกำลังปรับโมเดลการประเมินค่าของคุณเพื่อจับระยะเวลารายได้ที่ขยายออกไปนี้หรือไม่?
ตลาดมักประเมินการบูรณาการทางเทคโนโลยีเหล่านี้ต่ำเกินไปโดยมุ่งเน้นเฉพาะต้นทุนการดำเนินการในขณะที่พลาดการปรับปรุงมูลค่าตลอดอายุการใช้งาน เครื่องคิดเลขการประเมินค่าด้านสุขภาพที่เชื่อมต่อที่เป็นกรรมสิทธิ์ของ Pocket Option ช่วยให้นักลงทุนสามารถหาปริมาณทั้งการลงทุนระยะสั้นและผลประโยชน์ทางเศรษฐกิจระยะยาว ระบุว่าการลงทุนด้านเทคโนโลยีของบริษัทใดมีแนวโน้มที่จะให้ผลตอบแทนที่เหนือกว่า การวิเคราะห์ของเราแสดงให้เห็นว่าการลงทุน IoT ของ Lilly สร้าง ROI เชิงบวกภายใน 8.4 เดือน เทียบกับ 14.7 เดือนสำหรับคู่แข่งรายสำคัญ
ผลกระทบของการซื้อขายอัลกอริธึมต่อการเคลื่อนไหวของราคาหุ้น LLY
นอกเหนือจากผลกระทบทางธุรกิจโดยตรงแล้ว วิวัฒนาการทางเทคโนโลยียังเปลี่ยนแปลงวิธีที่ตลาดกำหนดราคาหุ้นของบริษัทเภสัชกรรมอย่างพื้นฐาน การเพิ่มขึ้นของการซื้อขายอัลกอริธึมได้เปลี่ยนโครงสร้างจุลภาคของตลาด โดยที่อัลกอริธึมคิดเป็น 76.4% ของปริมาณการซื้อขายรายวันของ Lilly (เพิ่มขึ้นจาก 57.3% ในปี 2020) การเปลี่ยนแปลงนี้สร้างรูปแบบการค้นพบราคาและความผันผวนที่แตกต่างกันซึ่งส่งผลกระทบต่อโมเดลการพยากรณ์ราคาหุ้น LLY ในลักษณะที่นักวิเคราะห์แบบดั้งเดิมมักตีความผิด
ระบบอัลกอริธึมเหล่านี้แนะนำลักษณะเฉพาะหลายประการที่นักลงทุนที่มีความซับซ้อนต้องรวมเข้ากับการวิเคราะห์ของพวกเขา:
- ความผันผวนที่เกิดจากเหตุการณ์รอบการเปิดเผยข้อมูลทางคลินิก (ความผันผวนปกติ 3.7 เท่า เทียบกับ 2.2 เท่าในยุคก่อนอัลกอริธึม)
- การซื้อขายที่เกิดจากการประมวลผลภาษาธรรมชาติตามการวิเคราะห์พาดหัวข่าวแบบเรียลไทม์ (การเคลื่อนไหวตามข่าว 78% เกิดขึ้นภายใน 2.7 วินาที)
- การขยายสัญญาณทางเทคนิคผ่านอัลกอริธึมการจดจำรูปแบบที่สร้างการเคลื่อนไหวของราคาที่เสริมกำลังตัวเอง (41% ของวันแนวโน้มที่ขับเคลื่อนโดยอัลกอริธึมทางเทคนิคเป็นหลัก)
- พลวัตของราคาที่ขับเคลื่อนด้วยออปชั่นสร้างการบีบอัดแกมมาในระหว่างเหตุการณ์ตัวเร่งปฏิกิริยา (การเคลื่อนไหวสุดขั้ว 62% >5% แสดงลายนิ้วมือของออปชั่น)
| ประเภทเหตุการณ์ในตลาด | การตอบสนองของตลาดแบบดั้งเดิม | การตอบสนองที่ครอบงำโดยอัลกอริธึม | นัยของนักลงทุน | ตัวอย่างเฉพาะ LLY |
|---|---|---|---|---|
| การเปิดเผยข้อมูลทางคลินิก | การปรับราคาค่อยเป็นค่อยไปในช่วง 2-3 วันในขณะที่นักวิเคราะห์เผยแพร่การตีความ | 83% ของการเคลื่อนไหวทั้งหมดเกิดขึ้นภายใน 47 นาทีจากการสแกนพาดหัวข่าว NLP ตามด้วยความน่าจะเป็นของการกลับตัว 31% ภายใน 72 ชั่วโมง | ความผันผวนระยะสั้นที่สูงขึ้นซึ่งต้องการการลดขนาดตำแหน่ง 15-20% | ผลลัพธ์ระยะที่ 3 ของ Donanemab: 87% ของกำไร 15.8% เกิดขึ้นใน 38 นาทีแรก |
| รายงานผลประกอบการ | มุ่งเน้นไปที่ EPS เทียบกับประมาณการและคำแนะนำล่วงหน้า | NLP ของการถอดเสียงการเรียกรายได้ที่ระบุรูปแบบความรู้สึกและภาษาที่มีมูลค่าการทำนาย 73% | รูปแบบการลอยตัวหลังการประกาศสั้นลงจาก 3-5 วันเป็น 1.5-2.7 วัน | ไตรมาส 3 ปี 2023: พาดหัวข่าวเชิงบวก ภาษาการโทรเชิงลบสร้างการกลับตัว 4.7% |
| การตัดสินใจด้านกฎระเบียบ | การกำหนดราคาผลลัพธ์แบบไบนารีตามการอนุมัติ/การปฏิเสธ | การจดจำรูปแบบที่ซับซ้อนวิเคราะห์องค์ประกอบภาษาที่ได้รับการอนุมัติ 31 รายการสำหรับนัยเชิงพาณิชย์ | ความน่าจะเป็นที่สูงขึ้น (61% เทียบกับ 37%) ของการขายออกหลังการอนุมัติในข้อจำกัดฉลากเฉพาะ | การอนุมัติ Tirzepatide: กำไรเริ่มต้น 3.8% กลับเป็น -2.3% เนื่องจากอัลกอริธึมวิเคราะห์ข้อจำกัดฉลากเฉพาะ |
| ประกาศของคู่แข่ง | การปรับภาคส่วนตามนัยของการแข่งขันที่รับรู้ | อัลกอริธึมการเก็งกำไรทางสถิติที่ดำเนินการซื้อขายคู่ในหุ้นที่เกี่ยวข้อง 14 รายการภายในไม่กี่วินาที | แรงกดดันด้านราคาชั่วคราวที่ไม่เกี่ยวข้องกับผลกระทบพื้นฐาน (การกลับตัว 72% ภายใน 3 วัน) | ข้อมูล GLP-1 ของ Novo Nordisk ทำให้ LLY ลดลง 6.8% โดยฟื้นตัว 5.3% ภายใน 48 ชั่วโมง |
การทำความเข้าใจพลวัตของตลาดที่ขับเคลื่อนด้วยเทคโนโลยีเหล่านี้สร้างทั้งความท้าทายและโอกาสสำหรับนักลงทุนที่มุ่งเน้นการคาดการณ์หุ้น LLY ปี 2025 ในขณะที่ความผันผวนที่เพิ่มขึ้นสร้างการแกว่งของราคาที่น่าหวาดเสียว (ช่วงรายวันเฉลี่ยขยายตัว 46% ตั้งแต่ปี 2020) แต่ก็สร้างจุดเริ่มต้นทางยุทธวิธีเมื่อการซื้อขายอัลกอริธึมสร้างการตัดการเชื่อมต่อชั่วคราวจากมูลค่าพื้นฐาน คุณได้พัฒนากลยุทธ์เพื่อใช้ประโยชน์จากการโอเวอร์ชูตของอัลกอริธึมหรือไม่?
ชุดการวิเคราะห์ทางเทคนิคที่เป็นกรรมสิทธิ์ของ Pocket Option ผสานรวมรูปแบบพฤติกรรมอัลกอริธึมเหล่านี้ผ่านตัวตรวจจับ "Algo-Signal" ของเรา ช่วยให้นักลงทุนสามารถแยกแยะระหว่างการเคลื่อนไหวของราคาที่ขับเคลื่อนด้วยเทคนิคและการเคลื่อนไหวที่สะท้อนถึงการเปลี่ยนแปลงพื้นฐานที่แท้จริง ระบบของเราได้ระบุลายเซ็นอัลกอริธึมที่เกิดซ้ำเจ็ดรายการรอบตัวเร่งปฏิกิริยาของเภสัชกรรม ทำให้นักลงทุนสามารถคาดการณ์พฤติกรรมราคาหลังการประกาศได้อย่างแม่นยำ 74% เมื่อรูปแบบที่คล้ายกันปรากฏขึ้นก่อนเหตุการณ์สำคัญของ LLY
การบูรณาการมิติทางเทคโนโลยีเข้ากับการวิเคราะห์หุ้น LLY ที่ครอบคลุม
แรงผลักดันทางเทคโนโลยีที่กำลังเปลี่ยนแปลงทั้งธุรกิจของ Eli Lilly และการตอบสนองของตลาดต้องการแนวทางการวิเคราะห์แบบหลายมิติที่กรอบงานแบบดั้งเดิมไม่กี่กรอบสามารถจับได้ การพัฒนาการคาดการณ์หุ้น LLY ที่แข็งแกร่งต้องการการผสานรวมการวิเคราะห์ทางการเงินแบบดั้งเดิมเข้ากับวิวัฒนาการทางเทคโนโลยีในหลายมิติที่อธิบายความแปรปรวนของราคามากกว่า 37% เมื่อเทียบกับโมเดลทั่วไปเพียงอย่างเดียว
นักลงทุนที่ประสบความสำเร็จในการนำทางความซับซ้อนนี้มักจะปฏิบัติตามแนวทางที่มีโครงสร้างนี้ซึ่งรวมปัจจัยทางเทคโนโลยีอย่างเป็นระบบควบคู่ไปกับเมตริกแบบดั้งเดิม:
| มิติการวิเคราะห์ | โฟกัสแบบดั้งเดิม | โฟกัสที่เพิ่มประสิทธิภาพด้วยเทคโนโลยี | แนวทางการบูรณาการ | การดำเนินการเฉพาะ LLY |
|---|---|---|---|---|
| การประเมินค่าสายผลิตภัณฑ์ | ความน่าจะเป็นของความสำเร็จตามระยะ (33%/30%/58%) การประมาณการยอดขายสูงสุดแบบคงที่ | การทำนายความสำเร็จเฉพาะสารประกอบที่เพิ่มประสิทธิภาพด้วย ML ผลกระทบของเพื่อนร่วมทางดิจิทัลต่อเส้นโค้งการยอมรับ | ใช้พารามิเตอร์ทางเภสัชวิทยา 27 รายการเพื่อปรับความน่าจะเป็นตามสารประกอบและข้อบ่งชี้ | Donanemab: ความน่าจะเป็นของความสำเร็จระยะที่ 3 64.7% เทียบกับค่าเฉลี่ยอุตสาหกรรม 58% |
| ประสิทธิภาพการผลิต | แนวโน้มอัตรากำไรขั้นต้นในอดีต สมมติฐานการใช้กำลังการผลิตเชิงเส้น | การจัดตารางการผลิตที่ปรับให้เหมาะสมด้วย AI ประสิทธิภาพของห่วงโซ่อุปทานที่เพิ่มประสิทธิภาพด้วยบล็อกเชนมูลค่า 1.7% การปรับปรุงอัตรากำไรขั้นต้น | สร้างแบบจำลองการดำเนินการด้านเทคโนโลยีใน 3 ขั้นตอนโดยมีผลกระทบต่ออัตรากำไรที่แตกต่างกันในแต่ละช่วงเวลา |