Matematikos pavertimas pinigais

Prieš penkerius metus Brenda Dietrich pradėjo tyrinėti, kaip 40 000 IBM pardavėjų galėtų išmokti labiau pasikliauti matematika, o ne savo instinktais. Visų pirma Dietrich, vadovaujantis 200 žmonių pasaulinei bendrovės matematikos tyrinėtojų komandai, buvo paprašyta išsiaiškinti, ar matematika galėtų padėti vadovams geriau nustatyti pardavimo kvotas. Ji paskyrė tris matematikus IBM Thomaso J. Watsono tyrimų centre Yorktown Heights, NY, kad jie dirbtų su naujais metodais, leidžiančiais nuspėti, kiek verslo įmonė gali gauti iš konkretaus kliento.

Matematikai surinko kelerių metų duomenų apie kiekvieną IBM pardavimą visame pasaulyje. Rezultatus jie lygino su metų pradžioje nustatytomis pardavimų kvotomis, kurių didžiąją dalį parengė rajono pardavimų vadovai, kurie, remdamiesi ankstesne patirtimi, derėjosi su pardavimų komandomis. Norėdami pastebėti galimybes, kurių pardavimų komandos nepripažino, tyrėjai surinko išorinius duomenis apie IT išlaidų modelius pagal pramonės šakas ir sujungė šią informaciją su vidiniais pardavimo duomenimis. Tada jie naudojo metodą, vadinamą aukšto kvantinio modeliavimo metodu, kuriuo bandoma numatyti, tarkime, 90-ąjį pasiskirstymo procentilį, o ne vidurkį, kad įvertintų galimas kiekvieno kliento išlaidas ir apskaičiuotų, kiek tos paklausos galėtų patenkinti IBM.

Ši istorija buvo mūsų 2010 m. kovo mėnesio numerio dalis

• Žr. likusią numerio dalį
• Prenumeruoti

Apsiginklavę šiomis prognozėmis apie tai, kiek įrangos IBM turėtų parduoti kiekvienam klientui, Dietricho matematikai įvertino kiekvienos paskyros pardavimo komandos dydį ir sudėtį ir palygino jos faktinį našumą su teoriniu maksimumu. Kai kurios komandos buvo tokios mažos, kad negalėjo parduoti pakankamai, kad patenkintų galimą paklausą. Kitos komandos buvo be reikalo didelės. Taigi matematikai patarė pardavimų skyriui perkelti savo darbuotojus, iš didžiųjų komandų atimant mažiau produktyvius pardavėjus ir paskiriant juos į per mažas komandas. Pardavimai pastarosiose sąskaitose greitai augo.

Dvejus metus trukęs projektas IBM atnešė didžiulį pelną. Bendrovės kontrolierius padarė išvadą, kad per 2008 m., praėjus metams po to, kai komanda baigė savo darbą, įmonė uždirbo 1 mlrd. . Nuo tada IBM įtraukė didelio kiekio modeliavimą į savo darbo jėgos analizės praktiką – paslaugą, kurią ji siūlo padėti klientams priimti sprendimus žmogiškųjų išteklių klausimais, pavyzdžiui, kaip geriausiai paskirstyti pardavėjus.

Ir bendrovė pasimokė iš patirties: ji tikėjo, kad jos matematikų naujovės yra kažkas, už ką kiti verslai sumokės daug. Praėjusiais metais bendrovė IBM Global Business Services sukūrė didelę naują verslo analizės ir optimizavimo grupę, o grupė jau parengė 4000 konsultantų. IBM tikisi ilgainiui atlikti tiek pat verslo analitikos srityje, kiek jau daro įmonės išteklių planavimo srityje, nes tai padeda įmonėms koordinuoti informacines technologijas atskiruose skyriuose; ši paslauga yra pagrindinis 17,7 mlrd. USD vertės verslo paslaugų padalinio pajamų šaltinis ir per pastaruosius 10 metų buvo viena greičiausiai augančių jo sričių. Šios dvi grupės jau papildo viena kitą: nors įmonės išteklių planavimas seka ir organizuoja verslo procesus, analizė maksimaliai padidina jų našumą.

Dietrich, kurios vardas yra 13 patentų, mano, kad ji ir jos komanda gali sukurti modelius, kurie tiksliai apibūdina veiklą, kuri yra toli už to, kas paprastai laikoma matematikos sfera. Pavyzdžiui, stochastiniai optimizavimo algoritmai, į kuriuos įtraukiami atsitiktiniai elementai, o ne prielaida, kad visos reikšmės yra tikslios, buvo naudojami dešimtmečius, siekiant padėti gamintojams ir finansų rinkoms prisitaikyti prie besikeičiančių sąlygų. Tačiau IBM matematikai taiko metodus žmogiškųjų išteklių ir rinkodaros problemoms spręsti. Jie naudoja matematinius modelius, kad padėtų įmonei susirasti naujų klientų ir išsiaiškinti tinkamą veteranų ir jaunesniųjų programuotojų derinį, skirtą dideliam programinės įrangos projektui. Jie analizuoja duomenis, kad nustatytų, ar IBM verta reklamuotis konkrečiuose žurnaluose ar tam tikrose televizijos laidose, ar lankytis tam tikrose prekybos parodose. Dietrich sako, kad galime numatyti tam tikrų reklamos programų poveikį pajamoms, tačiau ji pripažįsta, kad ne taip tiksliai, kaip norėčiau.

Dietrich nuomone, net jei jie netikslūs, šie analizės metodai gali būti labai naudingi daugeliui įmonių, kurios, anot jos, dažnai visiškai nesupranta savo vidinių procesų ir verslo modelių. Ištyrus visus turimus duomenis apie pardavimą ir gamybą, galima atskleisti kliūtis, kurios gali būti pašalintos, arba atskleisti praleistas galimybes. Ji ir jos komanda vis dažniau tiesiogiai bendrauja su klientais. Pavyzdžiui, dėl savo, kaip mokslininkės ir matematikos tyrimų grupės vadovės, reputacijos ji neseniai buvo pakviesta pasikalbėti su didelės farmacijos įmonės vadovais apie tai, ar matematinis modeliavimas galėtų pagerinti jų lėšų skyrimo įvairioms vaistų kūrimo pastangoms procesą.

Tokia veikla labai skiriasi nuo to, ką anksčiau darydavo IBM matematikai. Senovėje jie buvo keista mokslininkų ir inžinierių veislė, kuri dirbo su mokslu ir technologijomis, kurios galiausiai galėjo paskatinti naujas puslaidininkines medžiagas, naujus saugojimo įrenginius ar lygiagrečiai apdorojančius superkompiuterius. Matematikai kartais modeliuodavo IBM gamybos procesus, tačiau jie buvo vertinami daugiausia pagal jų teorinį darbą ir publikacijas akademiniuose žurnaluose.

Tai pradėjo keistis 1990-ųjų pradžioje, kai IBM patyrė didžiulių nuostolių. Lenta

išstūmė aukščiausią vadovybę ir į generalinio direktoriaus pareigas paskyrė Louisą Gerstnerį, tuometinį RJR Nabisco vadovą. Nors Gerstneris ėmėsi veiksmų, kad suskaidytų IBM sklerozinę biurokratiją, jis nusprendė išlaikyti įmonę vientisą. Jis sakė manantis, kad IBM dydis, leidžiantis sutelkti išteklius į dideles didelių įmonių ir vyriausybės klientų problemas, yra vertingas turtas, kurį reikėtų išsaugoti.

Pagrindinė Gerstnerio strategijos dalis buvo suvienodinti ir išplėsti IBM pasaulinių paslaugų verslą. Paulas Hornas, kuris dalį to laiko vadovavo IBM tyrimų padaliniui, o dabar yra Niujorko universiteto vyresnysis viceprovokuotas moksliniams tyrimams, suprato, kad tokiomis aplinkybėmis laboratorijas būtų galima lengvai laikyti brangia prabanga. Jis sako, kad augant paslaugoms, jei moksliniai tyrimai nepadėtų, galėtumėte įsivaizduoti, kad kas nors ateityje pasakytų: „Nereikia būti tokiam dideliam.“ Fizikas Hornas padėjo įtikinti Gerstnerį, kad IBM tyrimų padalinys galėtų atlikti svarbų vaidmenį. svarbų vaidmenį jo strategijoje, dirbdamas su klientais sprendžiant jų problemas. Jis pradėjo stumti savo tūkstančius tyrėjų, įskaitant matematikus, pradėti dirbti su projektais, kurie galėtų būti naudingi paslaugų verslui. Motyvas buvo paprastas, sako jis: išlikimas.

Matematikams pokytis buvo natūralus. Dietrichas sako, kad jie dažnai dirbo su IBM gamyklomis, spręsdami planavimo ir logistikos problemas, nors rezultatai paprastai buvo laikomi nuosavybės teise. Ir jie jau pradėjo labiau įsitraukti į verslo operacijas, iš dalies todėl, kad tai suteikė jiems didelius duomenų rinkinius, reikalingus modeliavimui. Istoriškai stochastinį optimizavimą ribojo didžiulis skaičiavimo kiekis, reikalingas norint susidoroti su keliais kintamaisiais. Tačiau kai kompiuterių galia sprogo ir mokslininkai pradėjo naudoti masiškai lygiagrečius procesorius, jie sugebėjo manipuliuoti daug daugiau duomenų.

IBM tyrimų matematikas Baruchas Schieberis prisimena, kad nuvyko į Brazilijos plieno gamyklą ir pastebėjo, kad gamybos grafikai buvo sudaromi lentose. Be abejo, matematiniai modeliai galėtų tai padaryti geriau, pagalvojo jis. Jis ypač domėjosi klausimais, susijusiais su įvairių plieno rūšių gamybos planavimu. Nors vienos rūšies plieną atlikti ilgomis serijomis yra pigiau, kartais klientams prireikia kelių skirtingų rūšių iš karto, todėl fabrikas turi atlikti trumpus tiražus. Jis sako, kad matematinis modeliavimas yra kiekybinis dalykų, kurie paprastai nėra kiekybiškai įvertinami, pavyzdžiui, kompromisas tarp išlaidų ir klientų pasitenkinimo. Schieberis išsiaiškino, kad sutarties galiojimo pradžioje gamyklos norėjo optimizuoti savo grafikus, kad būtų užtikrintas maksimalus efektyvumas ir minimalios išlaidos. Laikotarpio pabaigoje, kai sutartis buvo pratęsta, jie daugiau dėmesio skyrė pasitenkinimo gerinimui. Panašios problemos kyla su oro linijomis. Schieber sako: „Mes klausiame vadovų: ar norite sumažinti įgulos ar degalų sąnaudas, ar norite maksimaliai padidinti klientų pasitenkinimą?

Williamas Pulleyblankas, dešimtajame dešimtmetyje vadovavęs IBM matematikos skyriui, jau tada ragino įmonę kurti verslą iš analitikos. Daugelis įmonių bandė tai padaryti, sako jis. Tai buvo vertinama kaip grynas produktas – supakuokite jį ir parduokite. Tačiau jis priduria, kad tapo aišku, kad IBM neturėjo tinkamo būdo parduoti matematikų įgūdžius klientams. Jis padarė išvadą, kad daugelio įmonių poreikiai buvo tokie specializuoti, kad bendros paskirties programinės įrangos paketo kūrimas nebūtų pelningas, tačiau tam tikroms įmonėms sukurta programinė įranga nebūtų pakankamai paklausi. Tuo pačiu metu IBM nenorėjo, kad jos tyrėjai taptų konsultantais. Matematikai nenorėjo to daryti ir nebuvo mokomi bendrauti su klientais. Supratau, kad iššūkis nebuvo matematika, sako Pulleyblankas, kuris dabar yra verslo analizės ir optimizavimo grupės viceprezidentas. Tai buvo, kaip tai padaryti verslu.

Kelias į analitikos verslą tapo aiškesnis 2002 m., kai IBM sumokėjo 3,9 mlrd. USD už „PricewaterhouseCoopers“ konsultacijų verslo įsigijimą. Ginni Rometty, kuri vadovavo šiam sandoriui ir dabar vadovauja IBM pardavimo operacijoms, prisiminė Pulleyblank idėją. Ji manė, kad PWC konsultantai galėtų išplėsti IBM paslaugų pasiūlą ne tik IT; jos mokslininkai galėtų būti reklamuojami kaip unikalus patarimų šaltinis klientų įmonėms rinkodaros, žmogiškųjų išteklių ir logistikos klausimais. Kiekvieną rudenį, kai IBM pardavimų komandos pradeda prognozuoti būsimą verslą, konsultantai nustato esmines problemas, kurios ateinančiais metais gali turėti įtakos tam tikroms pramonės šakoms. Jei šios problemos atrodo kaip analitinės problemos, konsultantai susisiekia su verslo analizės ir optimizavimo komanda ir teiraujasi, ar IBM anksčiau dirbo ką nors panašaus. Daugeliu atvejų problemas išties galima išspręsti pritaikant esamus įmonės programinės įrangos produktus.

Kai esama programinė įranga negali atlikti šio darbo, konsultantai kreipiasi pagalbos į „IBM Research“. Sanjeev Nagrath, IBM pasaulinis tiekimo grandinės valdymo lyderis, praėjusiais metais susidūrė su tokia situacija, kai klientai pradėjo klausti, kaip sumažinti jų tiekimo grandinių anglies pėdsaką. Taigi, Nagrathas sako, kad jie dirba su „Research“, kad sukurtų specifinius pramonės modelius, skirtus tvarumo problemoms spręsti. Ir prieš dvejus metus jis dirbo su Dietrich, kad sukurtų tiekimo grandinės centrą

naujovių Pekine. Ten Kinijos matematikai yra komandos, dirbančios su tokiomis įmonėmis kaip Kinijos laivybos milžinė „Cosco“, dalis. Inovacijų centro matematikai padėjo IBM konsultantams modeliuoti Cosco procedūras ir parengė planą, pagal kurį degalų sąnaudos sumažinamos 25 proc., o anglies dvideginio emisija – 15 proc. Be kita ko, jie rekomendavo paskirstymo centrų skaičių sumažinti nuo 100 iki 40.

Ne visi klientai pasitiki matematikų indėliu, kaip Schieberis išsiaiškino, kai sukūrė modelį, kuris galėtų būti naudojamas laivams perplanuoti, jei tiekimas laikinai būtų sustabdytas dėl blogų oro sąlygų. Jis sako, kad daug geriau nei planuotojai sureguliavo parko judėjimą ir greitį, kad sumažintų trikdžius ir degalų sąnaudas. Bet klientas nebuvo patenkintas. Tai buvo juoda dėžė, prisimena jis. Siuntėjas sakė, kad tai mūsų konkurencinis pranašumas. Jie norėjo tai suprasti. Laivybos kompanija pagaliau įdiegė modelį po to, kai IBM perkūrė jį taip, kad tai būtų ne visiškai automatizuota sistema, o pagalbinė priemonė, su kuria galėtų pasikonsultuoti žmonių dispečeriai.

Kai kurie verslininkai teigia, kad daugelis sprendimų geriausiai priimami remiantis ilgamete patirtimi pagrįsta žarnyno reakcija. Jie nerimauja, kad priklausomai nuo analizės verslo lyderiai bus neryžtingi, kai neturės daug duomenų. Matematikos fobiška visuomenė įtaria, kad analitikais pagrįstos programos mažina išlaidas vartotojų sąskaita. IBM mokslininkai atkreipia dėmesį į pastarojo meto neigiamą poveikį rekomendacijoms, kad kasmetinės mamografijos atidėti moterims sulauks 50 metų, nes jos neduoda statistiškai įrodomos naudos jaunesnėms moterims.

Tačiau Dietrichas yra labiau susirūpinęs, kad įmonės nesugebės išanalizuoti renkamų duomenų petabaitų. Pavyzdžiui, kai ji susitiko su farmacijos įmone dėl portfelio valdymo strategijos, vadovai paaiškino, kaip paskirstė išlaidas pagal savo įvertinimus, kiek tikėtina, kad kiekvienas projektas bus sėkmingas. Paklausiau jų, ar jie kada nors patikrino, ar įvertinimai atitinka jų rezultatus, sako ji. Jie niekada neturėjo.

Dietrich ir jos mokslininkai šiuo metu stengiasi perrašyti optimizavimo algoritmus, kad galėtų pasinaudoti masiškai lygiagrečių kompiuterių pranašumais. Senesnės programos buvo parašytos siekiant sumažinti reikalingų operacijų skaičių. Tačiau dabar, kai tūkstančiai procesorių gali peržiūrėti didžiulius duomenų rinkinius, ji sako, kad problema yra sutrumpinti [vykdymo] laiką. Kai komanda bus baigta, tos optimizavimo programos bus prieinamos įmonėms, kurių duomenų saugyklos yra per didelės, kad jas būtų galima analizuoti naudojant vienos gijos kompiuterines programas.

Įdomiausios problemos, kurias matematikai numato būsimiems projektams, apima situacijas, kai modelis turi apimti elgesio pokyčius, kuriuos įkvėpė pats modelis. Pavyzdžiui, Dietrich teigia, kad eismo spūsčių sistema gali naudoti pranešimus, siunčiamus į GPS įrenginius, kad nukreiptų vairuotojus iš greitkelio avarijos vietos. Tačiau modelis taip pat turėtų apskaičiuoti, kiek žmonių pasinaudos jo patarimais, kad nesusidarytų naujas spūstis kitu maršrutu. Ji sako, kad suprasti, kaip sistemos keičiasi žmonėms reaguojant į paskatas, yra vienas iš didžiausių matematinio modeliavimo iššūkių.

Žinoma, niekada nebus lengva tiksliai numatyti, ką žmonės ar įmonės darys. Tačiau dėl jų, kaip matematikų, įžvalgų ir prieigos prie didžiulės IBM skaičiavimo galios Dietrich ir jos kolegos tai daro vis geriau. Ir dabar kitos įmonės moka už šiuos įgūdžius.

Williamas M. Bulkeley yra buvęs „Wall Street Journal“. reporteris, kuris dabar yra laisvai samdomas rašytojas Bostone.

paslėpti