Zamiana matematyki na gotówkę

Pięć lat temu Brenda Dietrich zaczęła badać, w jaki sposób 40 000 sprzedawców IBM może nauczyć się polegać nieco bardziej na matematyce niż na instynkcie. W szczególności Dietrich, który kieruje 200-osobowym zespołem badaczy matematyki na całym świecie, został poproszony o sprawdzenie, czy matematyka może pomóc menedżerom w lepszym ustalaniu limitów sprzedaży. Przydzieliła trzech matematyków z IBM Thomas J. Watson Research Center w Yorktown Heights w stanie Nowy Jork, aby pracowali nad nowymi technikami przewidywania, ile firma może uzyskać od danego klienta.

Matematycy zebrali dane z kilku lat na temat każdej sprzedaży dokonanej przez IBM na całym świecie. Porównali wyniki z limitami sprzedaży ustalonymi na początku roku, z których większość została opracowana przez regionalnych kierowników sprzedaży, którzy negocjowali je z zespołami sprzedaży na podstawie wcześniejszych doświadczeń. Aby dostrzec możliwości, których zespoły sprzedaży nie rozpoznały, badacze zebrali dane zewnętrzne dotyczące wzorców wydatków na IT według branży i połączyli te informacje z wewnętrznymi danymi sprzedaży. Następnie zastosowali technikę zwaną modelowaniem wysokokwantylowym, która próbuje przewidzieć, powiedzmy, 90. percentyl rozkładu, a nie średnią, aby oszacować potencjalne wydatki każdego klienta i obliczyć, ile z tego zapotrzebowania może spełnić IBM.

Ta historia była częścią naszego wydania z marca 2010 r.

• Zobacz resztę numeru
• Subskrybuj

Uzbrojeni w te przewidywania dotyczące tego, ile sprzętu IBM powinien być w stanie sprzedać każdemu klientowi, matematycy Dietricha przyjrzeli się wielkości i składowi zespołu sprzedaży na każdym koncie i porównali jego rzeczywistą wydajność z teoretyczną wartością maksymalną. Niektóre zespoły były tak małe, że nie były w stanie sprzedać wystarczająco dużo, aby zaspokoić ten potencjalny popyt. Inne drużyny były niepotrzebnie duże. Dlatego matematycy doradzili działowi sprzedaży zmianę personelu, usuwając mniej wydajnych sprzedawców z dużych zespołów i umieszczając ich w zespołach, które były zbyt małe. Sprzedaż na tych ostatnich kontach szybko rosła.

Dwuletni projekt przyniósł IBM ogromne korzyści. Kontroler korporacyjny doszedł do wniosku, że wygenerował 1 miliard dolarów dodatkowej sprzedaży do 2008 roku, rok po tym, jak zespół zakończył pracę, mówi Dietrich, 50-letni doktor z podstępnym podejrzeniem, że świat działałby lepiej, gdyby kierowali nim matematycy. . Od tego czasu IBM włączyło modelowanie wysokokwantylowe do swojej praktyki analizy siły roboczej, usługi, którą oferuje, aby pomóc klientom w podejmowaniu decyzji dotyczących kwestii związanych z zasobami ludzkimi, takich jak najlepsze rozmieszczenie sprzedawców.

Firma wyciągnęła z tego doświadczenia bardziej ogólną lekcję: zaczęła wierzyć, że innowacje jej matematyków są czymś, za co inne firmy sowicie zapłacą. W ubiegłym roku firma utworzyła dużą nową grupę ds. analityki biznesowej i optymalizacji w ramach IBM Global Business Services, która przeszkoliła już 4000 konsultantów. IBM ma nadzieję, że w końcu zrobi tyle samo działalności w zakresie analityki, co już w planowaniu zasobów przedsiębiorstwa, co pomaga firmom koordynować ich technologię informacyjną w różnych działach; usługa ta jest wiodącym źródłem przychodów w jednostce usług biznesowych o wartości 17,7 miliarda dolarów i była jednym z najszybciej rozwijających się obszarów w ciągu ostatnich 10 lat. Te dwie grupy już się uzupełniają: podczas gdy planowanie zasobów przedsiębiorstwa śledzi i organizuje procesy biznesowe, analityka maksymalizuje ich wydajność.

Dietrich, której nazwisko nosi 13 patentów, uważa, że ​​wraz ze swoim zespołem może stworzyć modele, które dokładnie opisują działania daleko wykraczające poza to, co zwykle uważa się za dziedzinę matematyki. Na przykład algorytmy optymalizacji stochastycznej, które zawierają elementy losowe, a nie zakładają, że wszystkie wartości są dokładne, są używane od dziesięcioleci, aby pomóc producentom i rynkom finansowym dostosować się do zmieniających się warunków. Ale matematycy IBM stosują te techniki do rozwiązywania problemów związanych z zasobami ludzkimi i marketingiem. Używają modeli matematycznych, aby pomóc firmie znaleźć nowych klientów i znaleźć odpowiednią kombinację doświadczonych i młodszych programistów do przypisania do dużego projektu oprogramowania. Analizują dane, aby ustalić, czy IBM opłaca się reklamować w określonych czasopismach lub w określonych programach telewizyjnych, czy też brać udział w określonych targach. Dietrich mówi, że jesteśmy w stanie przewidzieć wpływ niektórych programów reklamowych na przychody, choć przyznaje, że nie z taką precyzją, jaka bym chciała.

Dietrich uważa, że ​​nawet jeśli są nieprecyzyjne, te techniki analityczne mogą być niezwykle pomocne dla wielu firm, które, jak mówi, często nie rozumieją w pełni swoich wewnętrznych procesów i modeli biznesowych. Przeanalizowanie wszystkich dostępnych danych dotyczących sprzedaży i produkcji może ujawnić wąskie gardła, które mogą zostać usunięte lub odkryć możliwości, które zostały utracone. Ona i jej zespół coraz częściej angażują się bezpośrednio w kontakt z klientami. Na przykład, ze względu na jej reputację jako naukowca i szefowej zespołu badawczego zajmującego się matematyką, została niedawno poproszona o rozmowę z dyrektorami dużej firmy farmaceutycznej na temat tego, czy modelowanie matematyczne może usprawnić ich proces alokacji funduszy na różne działania w zakresie opracowywania leków.

Takie działania to duże odejście od tego, co kiedyś robili matematycy IBM. W dawnych czasach byli dziwną rasą wśród naukowców i inżynierów, którzy pracowali nad nauką i technologiami, które mogły ostatecznie doprowadzić do powstania nowych materiałów półprzewodnikowych, nowych urządzeń pamięci masowej lub superkomputerów przetwarzających równolegle. Matematycy czasami modelowali procesy produkcyjne IBM, ale byli oceniani głównie na podstawie ich pracy teoretycznej i publikacji w czasopismach naukowych.

To zaczęło się zmieniać na początku lat 90., kiedy IBM poniósł ogromne straty. Tablica

wypchnął najwyższe kierownictwo i powołał Louisa Gerstnera, ówczesnego szefa RJR Nabisco, na stanowisko dyrektora generalnego. Chociaż Gerstner podjął kroki w celu rozbicia sklerotycznej biurokracji IBM, postanowił utrzymać firmę w jednym kawałku. Powiedział, że wierzy, że wielkość IBM, która umożliwiła skupienie zasobów na dużych problemach dużych klientów korporacyjnych i rządowych, jest cennym atutem, który należy chronić.

Kluczowym elementem strategii Gerstnera było ujednolicenie i rozszerzenie działalności IBM w zakresie usług globalnych. Paul Horn, który przez pewien czas kierował IBM Research, a obecnie jest starszym prorektorem ds. badań na Uniwersytecie Nowojorskim, zauważył, że w tych okolicznościach laboratoria można łatwo uznać za kosztowny luksus. Wraz z rozwojem usług, mówi, gdyby badania nie wnosiły wkładu, można by sobie wyobrazić kogoś, kto w przyszłości mówi: „Nie musisz być tak duży.” Fizyk Horn pomógł przekonać Gerstnera, że ​​dział badawczy IBM może odegrać ważną rolę. ważną rolę w jego strategii poprzez pracę z klientami w celu rozwiązania ich problemów. Zaczął nakłaniać tysiące swoich badaczy, w tym matematyków, do rozpoczęcia pracy nad projektami, które mogą być przydatne dla biznesu usługowego. Motyw był prosty, mówi: przetrwanie.

Dla matematyków zmiana była naturalna. Dietrich mówi, że często współpracowali z własnymi zakładami produkcyjnymi IBM w zakresie problemów związanych z planowaniem i kwestiami logistycznymi, chociaż wyniki były zwykle uważane za zastrzeżone. Zaczęli już bardziej angażować się w operacje biznesowe, po części dlatego, że zapewniło im to duże zbiory danych, których potrzebowali do modelowania. Historycznie optymalizacja stochastyczna była ograniczona przez samą ilość obliczeń wymaganych do obsługi wielu zmiennych. Jednak gdy eksplodowała moc obliczeniowa komputerów, a naukowcy zaczęli używać masowo równoległych procesorów, byli w stanie manipulować znacznie większą liczbą danych.

Matematyk z IBM Research, Baruch Schieber, wspomina, jak udał się do brazylijskiej huty stali i odkrył, że harmonogramy produkcji były sporządzane na tablicach. Z pewnością modele matematyczne mogłyby zrobić to lepiej, pomyślał. Szczególnie interesowały go zagadnienia związane z planowaniem przebiegów produkcyjnych dla różnych gatunków stali. Chociaż taniej jest wykonywać duże serie jednego rodzaju stali, czasami klienci potrzebują natychmiast kilku różnych rodzajów, więc walcownia musi wykonywać krótkie serie. Modelowanie matematyczne polega na określaniu ilościowym rzeczy, które zwykle nie są określane ilościowo, mówi, takich jak kompromis między kosztami a satysfakcją klienta. Schieber odkrył, że na początku okresu kontraktowego huty chciały zoptymalizować swoje harmonogramy pod kątem maksymalnej wydajności i minimalnych kosztów. Pod koniec okresu, kiedy umowa miała być odnowiona, starali się bardziej skoncentrować na poprawie satysfakcji. Podobne problemy pojawiają się w przypadku linii lotniczych. Schieber mówi: Pytamy menedżerów: czy chcesz zminimalizować koszty załogi lub paliwa, czy chcesz zmaksymalizować satysfakcję klientów?

William Pulleyblank, który w latach 90. kierował działem matematyki IBM, już wtedy nakłaniał firmę do robienia biznesu z analiz. Wiele firm próbowało to zrobić, mówi. To było postrzegane jako czysty produkt – zapakuj go i sprzedaj. Dodaje jednak, że stało się jasne, że IBM nie miał dobrego sposobu na sprzedaż umiejętności matematyków klientom. Doszedł do wniosku, że potrzeby wielu firm były tak wyspecjalizowane, że projektowanie pakietu oprogramowania ogólnego przeznaczenia nie byłoby opłacalne – ale oprogramowanie zaprojektowane dla konkretnych firm nie byłoby wystarczająco duże. Jednocześnie IBM nie chciał, aby jego badacze zostali konsultantami. Matematycy nie chcieli tego robić i nie zostali przeszkoleni w kontaktach z klientami. Zdałem sobie sprawę, że wyzwaniem nie była matematyka, mówi Pulleyblank, który jest teraz wiceprezesem w grupie analityki biznesowej i optymalizacji. To było jak zrobić z tego biznes.

Droga do biznesu analitycznego stała się jaśniejsza w 2002 roku, kiedy IBM zapłacił 3,9 miliarda dolarów za przejęcie działalności konsultingowej PricewaterhouseCoopers. Ginni Rometty, który stał na czele transakcji, a teraz kieruje działaniami sprzedażowymi IBM, przypomniał pomysł Pulleyblanka. Pomyślała, że ​​konsultanci PWC mogą rozszerzyć ofertę usług IBM poza IT; jej badacze mogą być reklamowani jako wyjątkowe źródło porad dla firm klienckich w zakresie marketingu, zasobów ludzkich i logistyki. Każdej jesieni, kiedy zespoły sprzedażowe IBM zaczynają prognozować nadchodzący biznes, konsultanci identyfikują krytyczne problemy, które mogą mieć wpływ na poszczególne branże w nadchodzącym roku. Jeśli te problemy wyglądają na kwestie analityczne, konsultanci kontaktują się z zespołem analityki biznesowej i optymalizacji i pytają, czy IBM pracował już nad czymś podobnym. W wielu przypadkach problemy można rzeczywiście rozwiązać, dostosowując istniejące oprogramowanie firmy.

Gdy istniejące oprogramowanie nie jest w stanie wykonać zadania, konsultanci zwracają się o pomoc do IBM Research. Sanjeev Nagrath, światowy lider IBM w zakresie zarządzania łańcuchem dostaw, spotkał się z taką sytuacją w zeszłym roku, kiedy klienci zaczęli pytać, jak zmniejszyć ślad węglowy swoich łańcuchów dostaw. Tak więc, jak mówi Nagrath, współpracują z działem Research, aby opracować modele branżowe, które pozwolą rozwiązać problemy związane ze zrównoważonym rozwojem. A dwa lata temu współpracował z Dietrichem przy tworzeniu centrum łańcucha dostaw

innowacja w Pekinie. Tam chińscy matematycy są częścią zespołu współpracującego z takimi firmami, jak chiński gigant żeglugowy Cosco. Matematycy z centrum innowacji pomogli konsultantom IBM modelować procedury firmy Cosco i opracować plan, który pozwolił obniżyć koszty paliwa o 25%, a emisje dwutlenku węgla o 15%. Między innymi zalecili zmniejszenie liczby centrów dystrybucyjnych ze 100 do 40.

Nie wszyscy klienci ufają wkładowi matematyków, o czym przekonał się Schieber, kiedy stworzył model, który można wykorzystać do zmiany harmonogramu statków, jeśli dostawy zostaną tymczasowo wstrzymane przez złą pogodę. Mówi, że znacznie lepiej niż ludzie zajmujący się planowaniem dostosowywania ruchów floty i prędkości, aby zminimalizować zakłócenia i koszty paliwa. Ale klient nie był zadowolony. To była czarna skrzynka, wspomina. Spedytor powiedział, że to nasza przewaga konkurencyjna. Chcieli to zrozumieć. Firma transportowa w końcu wdrożyła model po tym, jak IBM przeprojektował go, tak aby nie był to w pełni zautomatyzowany system, ale pomoc, z której mogli korzystać dyspozytorzy.

Niektórzy biznesmeni twierdzą, że w wielu decyzjach najlepiej kierować się intuicyjnymi reakcjami opartymi na wieloletnim doświadczeniu. Martwią się, że uzależnienie od analityki sprawi, że liderzy biznesu będą niezdecydowani, gdy nie będą mieli obfitości danych. A opinia publiczna z fobią matematyczną jest podejrzliwa, że ​​programy oparte na analizach obniżają koszty kosztem konsumentów. Badacze IBM wskazują na niedawny sprzeciw wobec zaleceń, aby coroczne mammogramy były opóźniane do 50 roku życia kobiet, ponieważ nie zapewniają one statystycznie udowodnionych korzyści młodszym kobietom.

Dietrich jest jednak bardziej zaniepokojony tym, że firmy nie będą w stanie przeanalizować gromadzonych przez siebie petabajtów danych. Kiedy na przykład spotkała się z firmą farmaceutyczną na temat jej strategii zarządzania portfelem, kadra kierownicza wyjaśniła, w jaki sposób alokowali wydatki zgodnie z ich szacunkami prawdopodobieństwa powodzenia każdego projektu. Zapytałam ich, czy kiedykolwiek sprawdzili, jak dobrze szacunki pasują do ich wyników, mówi. Nigdy nie mieli.

Dietrich i jej badacze pracują obecnie nad przepisaniem algorytmów optymalizacji, aby wykorzystać zalety komputerów masowo równoległych. Starsze programy zostały napisane tak, aby zminimalizować liczbę wymaganych operacji. Ale teraz, gdy tysiące procesorów może przetwarzać ogromne zbiory danych, mówi, problemem jest skrócenie czasu działania. Gdy zespół zakończy pracę, te programy optymalizacyjne będą dostępne dla firm, których zasoby danych są zbyt duże, aby można je było analizować za pomocą jednowątkowych programów komputerowych.

Najbardziej interesujące problemy, jakie matematycy wyobrażają sobie w przyszłych projektach, dotyczą sytuacji, w których model musi uwzględniać zmiany behawioralne, które sam model zainspirował. Na przykład, jak mówi Dietrich, system zagęszczania ruchu może wykorzystywać wiadomości wysyłane do jednostek GPS, aby kierować kierowców z dala od miejsca wypadku na autostradzie. Ale model musiałby również obliczyć, ile osób skorzystałoby z jego rady, aby w końcu nie utworzył nowego korka na alternatywnej trasie. Mówi, że zrozumienie sposobu, w jaki systemy zmieniają się w wyniku reakcji ludzi na bodźce, jest jednym z największych wyzwań w modelowaniu matematycznym.

Oczywiście nigdy nie będzie łatwo dokładnie przewidzieć, co zrobią ludzie lub firmy. Ale dzięki ich spostrzeżeniom jako matematyków i dostępowi do ogromnej mocy obliczeniowej IBM, Dietrich i jej koledzy są w tym coraz lepsi. A teraz inne firmy płacą za tę umiejętność.

William M. Bulkeley jest byłym dziennik 'Wall Street reporter, który jest obecnie niezależnym pisarzem w Bostonie.

ukryć