KI-Optimierung der Auswahl des F&E-Projektportfolios in der Pharmaindustrie

F&E-Portfolios in der Pharmaindustrie sind Entscheidungen unter Unsicherheit: hohe Entwicklungskosten, lange Laufzeiten, regulatorische Risiken und stark variierende Erfolgswahrscheinlichkeiten prägen jede Investition.

In der Praxis werden Projekte häufig einzeln bewertet und priorisiert. Doch eine Drug-Pipeline ist kein Stapel isolierter Vorhaben, sondern eine kombinatorische Auswahl unter Budget-, Risiko- und Diversitätsrestriktionen.

Domain

Healthcare / Innovation Management

Zielsetzung

Maximierung des erwarteten Werts der Drug Pipeline bei gleichzeitiger Einhaltung eines jährlichen R&D-Budgets und eines definierten Risikoappetits.

Assessment Inputs

Die Portfolio-Modellierung basiert auf projekt- und phasenbezogenen Eingangsdaten, typischerweise:

• Probability of Technical Success (PTS) je Projekt bzw. je Entwicklungsphase
• Peak-Sales-Potenzial (Umsatzspitze) als zentraler Werttreiber
• Entwicklungskosten pro Phase (z. B. Preclinical, Phase I–III)
• Strategische Passung zur therapeutischen Ausrichtung (Alignment Score)

Entscheidungsmodell und Selektionsmechanismus

Um Unsicherheit systematisch abzubilden, wird der Projektwert als stochastisch gewichteter Erwartungswert modelliert:

Stochastic Scoring: EVᵢ = NPVᵢ × PTSᵢ

Die Auswahl erfolgt nicht als isoliertes Ranking einzelner Projekte, sondern als Gruppenselektion im Portfolio.

Ein Constrained Knapsack Model bestimmt die optimale Projektkombination unter expliziten Restriktionen.

Dadurch werden Portfolio-Trade-offs sichtbar, die in einer reinen Einzelpriorisierung häufig verloren gehen – insbesondere bei konkurrierenden Budgets, phasenabhängigen Kostenstrukturen und Risiko- bzw. Diversitätsvorgaben.

Nebenbedingungen (Constraints)

Die Auswahl wird unter expliziten Nebenbedingungen berechnet, z. B.:

• Jährliches R&D-Budgetlimit (Annual R&D budget cap)
• Maximale Anzahl Onkologieprojekte (Steuerung von Konzentrationsrisiken)
• Mindestdiversität über Krankheitsbereiche (Minimum diversity across disease areas)

Diese Restriktionen stellen sicher, dass das Portfolio nicht nur wertmaximierend, sondern auch risikoadjustiert und strategisch robust aufgebaut ist.

Technologieansatz

Zum Einsatz kommt eine hybride Entscheidungsarchitektur:

• StratePlan für die kombinatorische Portfolio-Selektion unter Nebenbedingungen
• AHP (Analytic Hierarchy Process) zur Gewichtung strategischer Kriterien und zur strukturierten Integration qualitativer Faktoren

Ergebnislogik

Das Resultat ist keine Prioritätenliste, sondern eine konsistente Pipeline-Konfiguration mit explizit modellierten Eigenschaften:

• Maximierter erwarteter Portfolio-Wert (EV) unter Budget- und Risikoappetit
• Kontrollierte Konzentration in therapeutischen Bereichen (z. B. Onkologie-Limit)
• Strategische Passung und Diversität als messbare Portfolio-Attribute
• Transparente Trade-offs zwischen Wert, Erfolgschance, Kosten und strategischer Ausrichtung

Fazit

Die Auswahl eines F&E-Portfolios ist kein reines Bewertungsproblem, sondern ein kombinatorisches Entscheidungsproblem unter Unsicherheit.

Erst wenn Erwartungswerte, Restriktionen und strategische Kriterien in einem formalen Modell zusammengeführt werden, lässt sich eine robuste Drug-Pipeline systematisch konstruieren – und die Entscheidungsqualität messbar erhöhen.

Demo anfragen

Common Patterns Across Cases

Assessment

Qualitative und quantitative Faktoren werden in vergleichbare Scores überführt – mithilfe von Skalen, Bewertungsmodellen oder strukturierter Experteneinschätzung. Ziel ist eine konsistente, entscheidungsfähige Bewertungsbasis.

Ranking

Elemente werden priorisiert. Ranking ist jedoch selten die finale Entscheidung. In komplexen Umgebungen wird die Priorisierung häufig direkt in eine kombinatorische Optimierung eingebettet, um Wechselwirkungen und Nebenbedingungen systematisch zu berücksichtigen.

Group Selection

Die finale Auswahl geht über ein einfaches „Top-k“-Vorgehen hinaus. StratePlan löst strukturierte Auswahlprobleme wie Knapsack-, Portfolio- oder Scheduling-Modelle und berechnet die optimale Kombination unter realen Restriktionen.

Constraints

Nebenbedingungen spiegeln reale Knappheiten wider: Kapital, Zeit, Ressourcen, Risikoappetit, regulatorische Vorgaben, strategische Mandate oder Nachhaltigkeitsanforderungen. Sie sind integraler Bestandteil der Entscheidungslogik.

Technologies

Hybride Nutzung von MCDA-Methoden (z. B. AHP, TOPSIS) zur strukturierten Bewertung kombiniert mit StratePlan zur constraint-bewussten Gruppen- bzw. Portfolioauswahl.

Diese Cases zeigen, wie StratePlan Entscheidungsprozesse von reinem Ranking zu intelligenter, nebenbedingungsbewusster Portfolio-Konstruktion weiterentwickelt. Bewertungsdaten werden in umsetzbare, optimierte Gruppenentscheidungen überführt – ausgerichtet an finanziellen, strategischen und nachhaltigkeitsbezogenen Zielen.

Die zugrunde liegende Kernlogik – strukturierte Bewertung → quantitative Priorisierung → constrained group selection – skaliert über unterschiedliche Branchen hinweg und wird jeweils an domänenspezifische Erfolgsgrößen und Restriktionen angepasst.