Matemātikas pārvēršana naudā

Pirms pieciem gadiem Brenda Dītriha sāka pētīt, kā IBM 40 000 pārdevēju varētu iemācīties vairāk paļauties uz matemātiku, nevis uz saviem instinktiem. Jo īpaši Dītriham, kurš vada uzņēmuma 200 cilvēku lielu matemātikas pētnieku vispasaules komandu, tika lūgts noskaidrot, vai matemātika varētu palīdzēt vadītājiem veikt labāku darbu, nosakot pārdošanas kvotas. Viņa norīkoja trīs matemātiķus IBM Tomasa J. Vatsona pētniecības centrā Jorktaunahaitsā, Ņujorkā, lai izstrādātu jaunas metodes, lai prognozētu, cik daudz biznesa uzņēmums varētu iegūt no konkrēta klienta.

Matemātiķi apkopoja vairāku gadu datus par katru IBM veikto pārdošanu visā pasaulē. Viņi salīdzināja rezultātus ar gada sākumā noteiktajām pārdošanas kvotām, no kurām lielāko daļu izstrādāja rajonu tirdzniecības vadītāji, kas tos pārrunāja ar pārdošanas komandām, pamatojoties uz iepriekšējo pieredzi. Lai atklātu iespējas, kuras pārdošanas komandas neatzina, pētnieki apkopoja ārējos datus par IT izdevumu modeļiem pa nozarēm un apvienoja šo informāciju ar iekšējiem pārdošanas datiem. Pēc tam viņi izmantoja paņēmienu, ko sauc par augstas kvantiļu modelēšanu, kas mēģina paredzēt, piemēram, sadalījuma 90. procentili, nevis vidējo, lai novērtētu katra klienta potenciālos izdevumus un aprēķinātu, cik lielu daļu no šī pieprasījuma IBM varētu izpildīt.

Šis stāsts bija daļa no mūsu 2010. gada marta numura

• Skatiet pārējo izdevuma daļu
• Abonēt

Apbruņojoties ar šīm prognozēm par to, cik daudz aprīkojuma IBM būtu jāspēj pārdot katram klientam, Dītriha matemātiķi aplūkoja pārdošanas komandas lielumu un sastāvu katrā kontā un salīdzināja tās faktisko veiktspēju ar teorētisko maksimumu. Dažas komandas bija tik mazas, ka nevarēja pārdot pietiekami daudz, lai apmierinātu šo potenciālo pieprasījumu. Citas komandas bija nevajadzīgi lielas. Tāpēc matemātiķi ieteica pārdošanas nodaļai pārvietot savus darbiniekus, atņemot mazāk produktīvus pārdevējus no lielajām komandām un ievietojot tos pārāk mazās komandās. Pārdošanas apjomi pēdējos kontos strauji pieauga.

Divus gadus ilgajam projektam IBM bija milzīga atdeve. Uzņēmuma kontrolieris secināja, ka līdz 2008. gadam, gadu pēc tam, kad komanda pabeidza savu darbu, tā radīja papildu pārdošanas apjomu 1 miljarda dolāru apmērā, saka Dītrihs, 50 gadus vecs doktors ar slēptām aizdomām, ka pasaule darbotos labāk, ja to vadītu matemātiķi. . Kopš tā laika IBM savā darbaspēka analītikas praksē ir iekļāvis augstas kvantilācijas modelēšanu — pakalpojumu, ko tas piedāvā, lai palīdzētu klientiem pieņemt lēmumus par cilvēkresursu jautājumiem, piemēram, kā vislabāk izvietot savus pārdevējus.

Un uzņēmums no pieredzes guva vispārīgāku mācību: tas uzskatīja, ka tā matemātiķu jauninājumi ir kaut kas tāds, par ko citi uzņēmumi maksās dārgi. Pagājušajā gadā uzņēmums IBM Global Business Services ietvaros izveidoja jaunu nozīmīgu biznesa analīzes un optimizācijas grupu, un grupa jau ir apmācījusi 4000 konsultantu. IBM cer, ka galu galā analītikā veiks tikpat daudz darījumu, cik tas jau ir uzņēmuma resursu plānošanā, kas palīdz uzņēmumiem koordinēt informācijas tehnoloģijas dažādās nodaļās; šis pakalpojums ir galvenais ieņēmumu avots 17,7 miljardu ASV dolāru biznesa pakalpojumu vienībā, un pēdējo 10 gadu laikā tā ir bijusi viena no visstraujāk augošajām jomām. Abas grupas jau papildina viena otru: lai gan uzņēmuma resursu plānošana izseko un organizē biznesa procesus, analītika palielina to veiktspēju.

Dītriha, kuras vārds ir iekļauts 13 patentos, domā, ka viņa un viņas komanda var izveidot modeļus, kas precīzi apraksta darbības, kas ir tālu ārpus tā, ko parasti uzskata par matemātikas jomu. Piemēram, stohastiskās optimizācijas algoritmi, kas ietver nejaušus elementus, nevis pieņem, ka visas vērtības ir precīzas, ir izmantoti gadu desmitiem, lai palīdzētu ražotājiem un finanšu tirgiem pielāgoties mainīgajiem apstākļiem. Bet IBM matemātiķi izmanto šīs metodes cilvēkresursu un mārketinga problēmām. Viņi izmanto matemātiskos modeļus, lai palīdzētu uzņēmumam atrast jaunus klientus un izdomāt pareizo veterānu un jaunāko programmētāju kombināciju, ko piešķirt lielam programmatūras projektam. Viņi analizē datus, lai noteiktu, vai IBM ir vērts reklamēties konkrētos žurnālos vai noteiktos televīzijas šovos, vai apmeklēt noteiktus tirdzniecības šovus. Mēs varam paredzēt noteiktu reklāmas programmu ietekmi uz ieņēmumiem, saka Dītriha, taču viņa atzīst, ka ne tik precīzi, kā es vēlētos.

Pat ja tās ir neprecīzas, Dītriha uzskata, ka šīs analītiskās metodes var būt ļoti noderīgas daudziem uzņēmumiem, kuri, pēc viņas teiktā, bieži vien pilnībā neizprot savus iekšējos procesus un biznesa modeļus. Izpētot visus pieejamos datus par pārdošanu un ražošanu, varētu atklāt vājās vietas, kas varētu tikt novērstas, vai atklāt iespējas, kas ir palaistas garām. Viņa un viņas komanda arvien vairāk iesaistās tieši ar klientiem. Piemēram, viņas kā zinātnieces un matemātikas pētniecības grupas vadītājas reputācijas dēļ viņa nesen tika uzaicināta runāt ar liela farmācijas uzņēmuma vadītājiem par to, vai matemātiskā modelēšana varētu uzlabot viņu procesu līdzekļu piešķiršanai dažādiem zāļu izstrādes pasākumiem.

Šādas darbības ir liela novirze no tā, ko agrāk darīja IBM matemātiķi. Vecajās dienās tie bija dīvaina šķirne starp zinātniekiem un inženieriem, kuri strādāja pie zinātnes un tehnoloģijām, kas galu galā varēja radīt jaunus pusvadītāju materiālus, jaunas atmiņas ierīces vai paralēlas apstrādes superdatorus. Matemātiķi dažkārt modelēja IBM ražošanas procesus, taču tos galvenokārt vērtēja pēc viņu teorētiskā darba un publikācijām akadēmiskajos žurnālos.

Tas sāka mainīties 90. gadu sākumā, kad IBM uzkrāja milzīgus zaudējumus. Dēlis

atgrūda augstāko vadību un iecēla Luisu Gerstneru, toreizējo RJR Nabisco vadītāju, pildīt izpilddirektora pienākumus. Lai gan Gerstners veica pasākumus, lai izjauktu IBM sklerotisko birokrātiju, viņš izvēlējās uzņēmumu saglabāt vienā gabalā. Viņš sacīja, ka uzskata, ka IBM lielums, kas ļāva koncentrēt resursus lielo uzņēmumu un valsts klientu lielām problēmām, ir vērtīga vērtība, kas ir jāsaglabā.

Galvenā Gerstnera stratēģijas sastāvdaļa bija IBM globālo pakalpojumu biznesa apvienošana un paplašināšana. Pols Horns, kurš daļu no tā laika vadīja IBM Research un tagad ir Ņujorkas universitātes vecākais viceprovests pētniecības jomā, redzēja, ka šādos apstākļos laboratorijas var viegli uzskatīt par dārgu greznību. Viņš saka, ka pakalpojumiem augot, ja pētniecība nesniegtu savu ieguldījumu, jūs varētu iedomāties, ka kāds nākotnē sacīs: 'Jums nav jābūt tik lielam.' Horns, fiziķis, palīdzēja pārliecināt Gerstneru, ka IBM pētniecības nodaļa varētu būt veiksmīga. svarīga loma viņa stratēģijā, strādājot ar klientiem, lai atrisinātu viņu problēmas. Viņš sāka mudināt savus tūkstošiem pētnieku, tostarp matemātiķus, sākt strādāt pie projektiem, kas varētu būt noderīgi pakalpojumu biznesam. Motīvs bija vienkāršs, viņš saka: Izdzīvošana.

Matemātiķiem maiņa bija dabiska. Dītrihs saka, ka viņi bieži ir strādājuši ar IBM pašu ražotnēm, lai risinātu plānošanas problēmas un loģistikas problēmas, lai gan rezultāti parasti tika uzskatīti par patentētiem. Un viņi jau bija sākuši vairāk iesaistīties uzņēmējdarbībā, daļēji tāpēc, ka tas nodrošināja viņiem lielas datu kopas, kas viņiem bija vajadzīgas modelēšanai. Vēsturiski stohastisko optimizāciju ierobežoja milzīgais skaitļošanas apjoms, kas nepieciešams, lai apstrādātu vairākus mainīgos. Bet, tā kā datoru jauda strauji pieauga un pētnieki sāka masveidā izmantot paralēlus procesorus, viņi varēja manipulēt ar daudz vairāk datu.

IBM Research matemātiķis Baruhs Šībers atceras, ka devies uz Brazīlijas tērauda rūpnīcu un konstatējis, ka ražošanas grafiki tiek sastādīti uz tāfeles. Protams, matemātiskie modeļi to varētu izdarīt labāk, viņš domāja. Viņu īpaši interesēja jautājumi, kas saistīti ar dažādu tērauda šķirņu ražošanas plānošanu. Lai gan lētāk ir izgatavot viena veida tēraudu ilgi, dažkārt klientiem uzreiz ir nepieciešami vairāki dažādi tērauda veidi, tāpēc rūpnīcai ir jāveic īsi tēraudi. Viņš saka, ka matemātiskā modelēšana ir tādu lietu kvantitatīva noteikšana, kuras parasti netiek kvantificētas, piemēram, kompromiss starp izmaksām un klientu apmierinātību. Šībers atklāja, ka līguma perioda sākumā dzirnavas vēlējās optimizēt savus grafikus, lai nodrošinātu maksimālu efektivitāti un minimālas izmaksas. Perioda beigās, kad līgums bija paredzēts pagarināšanai, viņi centās vairāk koncentrēties uz apmierinātības uzlabošanu. Līdzīgas problēmas rodas ar aviokompānijām. Šībers saka: Mēs jautājam vadītājiem: vai vēlaties samazināt apkalpes vai degvielas izmaksas, vai arī vēlaties palielināt klientu apmierinātību?

Viljams Pulleyblanks, kurš deviņdesmitajos gados vadīja IBM matemātikas nodaļu, jau toreiz mudināja uzņēmumu veidot biznesu no analītikas. Viņš saka, ka daudzi uzņēmumi to mēģināja darīt. Tas tika uzskatīts par tīru produktu – iesaiņojiet to un pārdodiet. Tomēr viņš piebilst, ka kļuva skaidrs, ka IBM nebija laba veida, kā pārdot matemātiķu prasmes klientiem. Viņš secināja, ka daudzu uzņēmumu vajadzības bija tik specializētas, ka vispārējas nozīmes programmatūras pakotnes izstrāde nebūtu izdevīga, taču programmatūra, kas paredzēta konkrētiem uzņēmumiem, nebūtu pietiekami pieprasīta. Tajā pašā laikā IBM nevēlējās, lai tā pētnieki kļūtu par konsultantiem. Matemātiķi to negribēja darīt, un viņi nebija apmācīti sazināties ar klientiem. Es sapratu, ka izaicinājums nebija matemātika, saka Pulleyblanks, kurš tagad ir biznesa analītikas un optimizācijas grupas viceprezidents. Tas bija veids, kā padarīt to par biznesu.

Ceļš uz analītikas biznesu kļuva skaidrāks 2002. gadā, kad IBM samaksāja 3,9 miljardus USD, lai iegādātos PricewaterhouseCoopers konsultāciju biznesu. Džinnija Romtija, kura vadīja darījumu un tagad vada IBM pārdošanas operācijas, atgādināja Pulleyblank ideju. Viņa domāja, ka PWC konsultanti varētu paplašināt IBM pakalpojumu piedāvājumu ārpus IT; tās pētniekus varētu reklamēt kā unikālu padomu avotu klientu uzņēmumiem par mārketingu, cilvēkresursiem un loģistiku. Katru rudeni, kad IBM pārdošanas komandas sāk prognozēt gaidāmo biznesu, konsultanti identificē kritiskas problēmas, kas, visticamāk, ietekmēs konkrētas nozares nākamajā gadā. Ja šīs problēmas izskatās pēc analītikas problēmām, konsultanti sazinās ar biznesa analītikas un optimizācijas komandu un jautā, vai IBM jau ir strādājis pie kaut kā līdzīga. Daudzos gadījumos problēmas patiešām var atrisināt, pielāgojot uzņēmuma esošos programmatūras produktus.

Ja esošā programmatūra nevar paveikt darbu, konsultanti vēršas pēc palīdzības pie IBM Research. Sanjeev Nagrath, IBM globālais piegādes ķēžu pārvaldības līderis, pagājušajā gadā saskārās ar šādu situāciju, kad klienti sāka jautāt, kā samazināt viņu piegādes ķēžu oglekļa pēdas nospiedumu. Tātad, Nagrath saka, viņi sadarbojas ar Research, lai izstrādātu nozarei specifiskus modeļus ilgtspējības problēmu risināšanai. Un pirms diviem gadiem viņš strādāja ar Dītrihu, lai izveidotu piegādes ķēdes centru

inovācijas Pekinā. Tur ķīniešu matemātiķi ir daļa no komandas, kas strādā ar tādiem uzņēmumiem kā Ķīnas kuģniecības gigants Cosco. Inovāciju centra matemātiķi palīdzēja IBM konsultantiem modelēt Cosco procedūras un izstrādāja plānu, kas samazina degvielas izmaksas par 25 procentiem un oglekļa dioksīda emisijas par 15 procentiem. Cita starpā viņi ieteica samazināt sadales centru skaitu no 100 uz 40.

Ne visi klienti uzticas matemātiķu ieguldījumam, kā uzzināja Šībers, kad viņš izveidoja modeli, ko varētu izmantot, lai pārceltu kuģu grafiku, ja piegāde uz laiku tiktu apturēta sliktu laikapstākļu dēļ. Viņš saka, ka tas bija daudz labāk nekā cilvēku plānotāji, pielāgojot flotes kustību un ātrumu, lai samazinātu traucējumus un degvielas izmaksas. Bet klients nebija apmierināts. Tā bija melnā kaste, viņš atceras. Nosūtītājs teica, ka tā ir mūsu konkurences priekšrocība. Viņi gribēja to saprast. Kuģniecības uzņēmums beidzot ieviesa modeli pēc tam, kad IBM to pārveidoja tā, lai tā nebūtu pilnībā automatizēta sistēma, bet gan palīglīdzeklis, ar kuru varētu konsultēties cilvēku dispečeri.

Daži uzņēmēji apgalvo, ka daudzus lēmumus vislabāk nosaka zarnu reakcija, kas balstīta uz gadu pieredzi. Viņi uztraucas, ka atkarībā no analītikas uzņēmumu vadītāji kļūs neizlēmīgi, ja viņiem nebūs pietiekami daudz datu. Un matemātikas fobijas sabiedrība ir aizdomīga, ka analītikas virzītas programmas samazina izmaksas uz patērētāju rēķina. IBM pētnieki norāda uz neseno reakciju pret ieteikumiem, ka ikgadējās mammogrammas jāatliek līdz sieviešu 50 gadu vecumam, jo ​​tās nesniedz statistiski pierādāmus ieguvumus jaunākām sievietēm.

Bet Dītrihu vairāk satrauc tas, ka uzņēmumi nespēs analizēt savākto datu petabaitus. Piemēram, kad viņa tikās ar farmācijas uzņēmumu par tā portfeļa pārvaldības stratēģiju, vadītāji paskaidroja, kā viņi sadalīja izdevumus atbilstoši savām aplēsēm par katra projekta panākumu iespējamību. Es viņiem jautāju, vai viņi kādreiz ir pārbaudījuši, cik labi aplēses atbilst viņu rezultātiem, viņa saka. Viņiem nekad nav bijis.

Dītriha un viņas pētnieki tagad strādā, lai pārrakstītu optimizācijas algoritmus, lai izmantotu masveidā paralēlo datoru priekšrocības. Vecākās programmas tika rakstītas, lai samazinātu nepieciešamo darbību skaitu. Taču tagad, kad tūkstošiem procesoru var iet cauri plašām datu kopām, viņa saka, ka problēma ir samazināt [darba] ​​laiku. Kad komanda būs pabeigta, šīs optimizācijas programmas būs pieejamas uzņēmumiem, kuru datu krātuves ir pārāk lielas, lai tās analizētu ar viena pavediena datorprogrammām.

Interesantākās problēmas, ko matemātiķi paredz nākotnes projektiem, ir situācijas, kad modelī ir jāiekļauj uzvedības izmaiņas, kuras pats modelis ir iedvesmojis. Piemēram, Dītrihs saka, ka satiksmes sastrēgumu sistēma var izmantot GPS ierīcēm nosūtītos ziņojumus, lai novirzītu autovadītājus prom no ceļu satiksmes negadījuma vietas. Taču modelim būtu arī jāaprēķina, cik cilvēku ņemtu vērā tā padomu, lai tas neradītu jaunu sastrēgumu citā maršrutā. Viņa saka, ka izpratne par to, kā sistēmas mainās, cilvēkiem reaģējot uz stimuliem, ir viens no lielākajiem matemātiskās modelēšanas izaicinājumiem.

Protams, nekad nebūs viegli precīzi paredzēt, ko darīs cilvēki vai uzņēmumi. Bet, pateicoties viņu matemātiķu atziņām un piekļuvei IBM milzīgajai skaitļošanas jaudai, Dītriha un viņas kolēģi kļūst arvien labāki. Un tagad citi uzņēmumi maksā par šo prasmi.

Viljams M. Bulkelijs ir bijušais Wall Street Journal reportieris, kurš tagad ir ārštata rakstnieks Bostonā.

paslēpties