Trasformare la matematica in denaro

Cinque anni fa, Brenda Dietrich ha iniziato a indagare su come i 40.000 venditori di IBM potessero imparare a fare affidamento un po' di più sulla matematica che sul loro istinto. In particolare, a Dietrich, che dirige il team mondiale di ricercatori matematici di 200 persone dell'azienda, è stato chiesto di vedere se la matematica potesse aiutare i manager a fare un lavoro migliore nella definizione delle quote di vendita. Ha incaricato tre matematici del Thomas J. Watson Research Center di IBM a Yorktown Heights, NY, di lavorare su nuove tecniche per prevedere quanti affari l'azienda potrebbe ottenere da un determinato cliente.

I matematici hanno raccolto diversi anni di dati su ogni vendita effettuata da IBM in tutto il mondo. Hanno confrontato i risultati con le quote di vendita fissate all'inizio dell'anno, la maggior parte delle quali sono state sviluppate dai responsabili delle vendite distrettuali che le hanno negoziate con i team di vendita sulla base dell'esperienza passata. Per individuare opportunità che i team di vendita non hanno riconosciuto, i ricercatori hanno raccolto dati esterni sui modelli di spesa IT per settore e hanno combinato tali informazioni con i dati di vendita interni. Quindi hanno usato una tecnica chiamata modellazione ad alto quantile, che cerca di prevedere, ad esempio, il 90° percentile di una distribuzione anziché la media, per stimare la spesa potenziale di ciascun cliente e calcolare quanta di quella domanda IBM potrebbe soddisfare.

Questa storia faceva parte del nostro numero di marzo 2010

• Vedi il resto del problema
• sottoscrivi

Armati di queste previsioni su quante apparecchiature IBM dovrebbe essere in grado di vendere a ciascun cliente, i matematici di Dietrich hanno esaminato le dimensioni e la composizione del team di vendita su ciascun account e hanno confrontato le sue prestazioni effettive con il massimo teorico. Alcune squadre erano così piccole che non potevano vendere abbastanza per soddisfare quella potenziale domanda. Altre squadre erano inutilmente grandi. Quindi i matematici consigliarono al reparto vendite di spostare il personale, togliendo i venditori meno produttivi dai grandi team e inserendoli in team che erano stati troppo piccoli. Le vendite in questi ultimi conti sono cresciute rapidamente.

Il progetto di due anni ha avuto un enorme profitto per IBM. Il controller aziendale ha concluso di aver generato $ 1 miliardo di vendite aggiuntive fino al 2008, l'anno dopo che il team ha terminato il suo lavoro, afferma Dietrich, un PhD di 50 anni con il vago sospetto che il mondo funzionerebbe meglio se fosse gestito da matematici . Da allora, IBM ha incorporato la modellazione high-quantile nella sua pratica di analisi della forza lavoro, un servizio che offre per aiutare i clienti a prendere decisioni sui problemi delle risorse umane, come il modo migliore per distribuire i propri venditori.

E l'azienda ha tratto una lezione più generale dall'esperienza: è arrivata a credere che le innovazioni dei suoi matematici fossero qualcosa per cui altre aziende avrebbero pagato profumatamente. L'anno scorso, l'azienda ha creato un nuovo importante gruppo di analisi e ottimizzazione aziendale all'interno di IBM Global Business Services e il gruppo ha già formato 4.000 consulenti. IBM spera di fare affari nell'analitica quanto già fa nella pianificazione delle risorse aziendali, il che aiuta le aziende a coordinare la loro tecnologia informatica tra dipartimenti separati; quel servizio è una delle principali fonti di reddito nell'unità di servizi alle imprese da 17,7 miliardi di dollari ed è stata una delle aree in più rapida crescita negli ultimi 10 anni. I due gruppi si completano già a vicenda: mentre la pianificazione delle risorse aziendali tiene traccia e organizza i processi aziendali, l'analisi ne massimizza le prestazioni.

Dietrich, il cui nome è su 13 brevetti, pensa che lei e il suo team possano creare modelli che descrivono accuratamente attività molto al di fuori di ciò che è normalmente considerato il regno della matematica. Ad esempio, gli algoritmi di ottimizzazione stocastica, che incorporano elementi casuali anziché presumere che tutti i valori siano esatti, sono stati utilizzati per decenni per aiutare i produttori e i mercati finanziari ad adattarsi alle mutevoli condizioni. Ma i matematici di IBM stanno applicando le tecniche ai problemi delle risorse umane e del marketing. Stanno usando modelli matematici per aiutare l'azienda a trovare nuovi clienti e a capire il giusto mix di programmatori veterani e junior da assegnare a un grande progetto software. Stanno analizzando i dati per determinare se valga la pena per IBM di fare pubblicità su riviste specifiche o su determinati programmi televisivi o per partecipare a particolari fiere. Siamo in grado di prevedere l'impatto di determinati programmi pubblicitari sui ricavi, afferma Dietrich, anche se, ammette, non con la precisione che vorrei.

Anche se sono imprecise, secondo Dietrich, queste tecniche analitiche possono essere estremamente utili per molte aziende, che spesso non comprendono appieno i loro processi interni e modelli di business. Lo studio di tutti i dati disponibili sulle vendite e sulla produzione potrebbe rivelare colli di bottiglia che potrebbero essere eliminati o scoprire opportunità perse. Lei e il suo team sono sempre più coinvolti direttamente con i clienti. Ad esempio, a causa della sua reputazione di scienziata e capo di un team di ricerca matematica, è stata recentemente invitata a parlare con i dirigenti di una grande azienda farmaceutica sul fatto che la modellazione matematica possa migliorare il loro processo di allocazione dei fondi per vari sforzi di sviluppo di farmaci.

Tali attività sono un grande allontanamento da ciò che i matematici IBM erano soliti fare. Ai vecchi tempi, erano una razza strana tra gli scienziati e gli ingegneri, che lavoravano su scienza e tecnologie che avrebbero potuto portare a nuovi materiali semiconduttori, nuovi dispositivi di archiviazione o supercomputer con elaborazione parallela. I matematici a volte modellavano i processi di produzione IBM, ma venivano giudicati principalmente dal loro lavoro teorico e dalle loro pubblicazioni su riviste accademiche.

Le cose hanno iniziato a cambiare all'inizio degli anni '90, quando IBM ha accumulato enormi perdite. Il bordo

spinse fuori il top management e assunse Louis Gerstner, allora capo di RJR Nabisco, come CEO. Sebbene Gerstner abbia preso provvedimenti per rompere la sclerotica burocrazia di IBM, ha scelto di mantenere l'azienda in un unico pezzo. Ha affermato di ritenere che le dimensioni di IBM, che le hanno consentito di concentrare le risorse su grandi problemi per i grandi clienti aziendali e governativi, fossero una risorsa preziosa che dovrebbe essere preservata.

Una parte fondamentale della strategia di Gerstner era unificare ed espandere il business dei servizi globali di IBM. Paul Horn, che ha guidato IBM Research durante parte di quel periodo e ora è vice rettore senior per la ricerca presso la New York University, ha visto che, date le circostanze, i laboratori potrebbero essere facilmente considerati un lusso costoso. Con la crescita dei servizi, dice, se la ricerca non stesse contribuendo, potresti immaginare qualcuno in futuro dire: 'Non è necessario essere così grandi'. ruolo importante nella sua strategia lavorando con i clienti per risolvere i loro problemi. Iniziò a spingere le sue migliaia di ricercatori, compresi i matematici, a iniziare a lavorare su progetti che potessero essere utili al business dei servizi. Il motivo era semplice, dice: sopravvivenza.

Per i matematici, il cambiamento è stato naturale. Dietrich afferma di aver spesso lavorato con gli impianti di produzione di IBM su problemi di pianificazione e problemi logistici, sebbene i risultati fossero generalmente considerati proprietari. E avevano già iniziato a essere maggiormente coinvolti nelle operazioni aziendali, in parte perché forniva loro i grandi set di dati di cui avevano bisogno per la modellazione. Storicamente, l'ottimizzazione stocastica è stata limitata dall'enorme quantità di elaborazione richiesta per gestire più variabili. Ma quando la potenza del computer è esplosa e i ricercatori hanno iniziato a utilizzare processori massicciamente paralleli, sono stati in grado di manipolare molti più dati.

Il matematico IBM Research Baruch Schieber ricorda di essere andato in un'acciaieria brasiliana e di aver scoperto che i programmi di produzione venivano redatti su lavagne bianche. Sicuramente, i modelli matematici potrebbero farlo meglio, pensò. Era particolarmente interessato alle questioni relative alla programmazione dei cicli di produzione per diverse varietà di acciaio. Sebbene sia più economico fare lunghe tirature di un tipo di acciaio, a volte i clienti hanno bisogno di diversi tipi immediatamente, quindi lo stabilimento deve fare piccole tirature. La modellazione matematica sta quantificando cose che di solito non sono quantificate, dice, come il compromesso tra costi e soddisfazione del cliente. All'inizio di un periodo contrattuale, scoprì Schieber, gli stabilimenti volevano ottimizzare i loro programmi per la massima efficienza e il minimo costo. Alla fine del periodo, quando il contratto era in scadenza, hanno cercato di concentrarsi maggiormente sul miglioramento della soddisfazione. Problemi simili sorgono con le compagnie aeree. Schieber afferma: Chiediamo ai manager: volete ridurre al minimo i costi dell'equipaggio o del carburante o volete massimizzare la soddisfazione del cliente?

William Pulleyblank, che dirigeva il dipartimento di matematica di IBM negli anni '90, aveva esortato l'azienda anche allora a fare dell'analisi un business. Molte aziende hanno provato a farlo, dice. È stato visto come un puro gioco di prodotto: impacchettalo e vendilo. Tuttavia, aggiunge, è diventato chiaro che IBM non aveva un buon modo per vendere le competenze dei matematici ai clienti. Ha concluso che le esigenze di molte aziende erano così specializzate che la progettazione di un pacchetto software generico non sarebbe stata redditizia, ma il software progettato per aziende particolari non sarebbe stato abbastanza richiesto. Allo stesso tempo, IBM non voleva che i suoi ricercatori diventassero consulenti. I matematici non volevano farlo e non erano addestrati a relazionarsi con i clienti. Mi sono reso conto che la sfida non era la matematica, afferma Pulleyblank, che ora è vicepresidente nel gruppo di analisi e ottimizzazione aziendale. Era come farne un business.

Il percorso verso un'attività di analisi è diventato più chiaro nel 2002, quando IBM ha pagato 3,9 miliardi di dollari per acquisire l'attività di consulenza di PricewaterhouseCoopers. Ginni Rometty, che ha guidato l'accordo e ora dirige le operazioni di vendita di IBM, ha ricordato l'idea di Pulleyblank. Pensava che i consulenti di PWC potessero espandere le offerte di servizi di IBM oltre l'IT; i suoi ricercatori potrebbero essere pubblicizzati come una fonte unica di consulenza per le aziende clienti su marketing, risorse umane e logistica. Ogni autunno, quando i team di vendita di IBM iniziano a prevedere le attività imminenti, i consulenti identificano i problemi critici che potrebbero interessare particolari settori nel prossimo anno. Se questi problemi sembrano problemi di analisi, i consulenti contattano il team di analisi e ottimizzazione aziendale e chiedono se IBM ha già lavorato a qualcosa di simile. In molti casi, i problemi possono essere effettivamente affrontati adattando i prodotti software esistenti dell'azienda.

Quando il software esistente non può fare il lavoro, i consulenti si rivolgono a IBM Research per chiedere aiuto. Sanjeev Nagrath, leader globale di IBM per la gestione della catena di approvvigionamento, ha riscontrato una situazione del genere l'anno scorso quando i clienti hanno iniziato a chiedere come ridurre l'impronta di carbonio delle loro catene di approvvigionamento. Quindi, afferma Nagrath, stanno lavorando con la ricerca per elaborare modelli specifici del settore per affrontare i problemi di sostenibilità. E due anni fa ha lavorato con Dietrich per creare un centro per la filiera

innovazione a Pechino. Lì, i matematici cinesi fanno parte di un team che lavora con aziende come il gigante delle spedizioni cinesi Cosco. I matematici del centro di innovazione hanno aiutato i consulenti IBM a modellare le procedure di Cosco e hanno sviluppato un piano che riduce i costi del carburante del 25% e le emissioni di anidride carbonica del 15%. Tra l'altro, hanno raccomandato di ridurre il numero dei centri di distribuzione da 100 a 40.

Non tutti i clienti si fidano dei contributi dei matematici, come ha scoperto Schieber quando ha creato un modello che potrebbe essere utilizzato per riprogrammare le navi se le forniture fossero temporaneamente interrotte a causa del maltempo. Dice che è stato molto meglio degli schedulatori umani nel regolare i movimenti e le velocità della flotta per ridurre al minimo le interruzioni e i costi del carburante. Ma il cliente non era soddisfatto. Era una scatola nera, ricorda. Lo spedizioniere ha detto, questo è il nostro vantaggio competitivo. Volevano capirlo. La compagnia di spedizioni ha finalmente implementato il modello dopo che IBM lo ha riprogettato in modo che non fosse un sistema completamente automatizzato, ma un aiuto che gli spedizionieri umani potessero consultare.

Alcuni uomini d'affari sostengono che molte decisioni sono guidate al meglio da reazioni istintive basate su anni di esperienza. Si preoccupano che la dipendenza dall'analisi renda i leader aziendali indecisi quando non hanno un'abbondanza di dati. E un pubblico matematico ha il sospetto che i programmi basati sull'analisi riducano i costi a spese dei consumatori. I ricercatori IBM sottolineano il recente contraccolpo contro le raccomandazioni secondo cui le mammografie annuali devono essere ritardate fino ai 50 anni delle donne perché non forniscono benefici statisticamente dimostrabili per le donne più giovani.

Ma Dietrich è più preoccupato che le aziende non riescano ad analizzare i petabyte di dati che raccolgono. Quando ha incontrato l'azienda farmaceutica sulla sua strategia di gestione del portafoglio, ad esempio, i dirigenti hanno spiegato come hanno allocato la spesa in base alle loro stime sulla probabilità di successo di ciascun progetto. Ho chiesto loro se avessero mai controllato per vedere quanto bene le stime corrispondessero ai loro risultati, dice. Non l'hanno mai fatto.

Dietrich e i suoi ricercatori stanno ora lavorando per riscrivere gli algoritmi di ottimizzazione per sfruttare i computer massicciamente paralleli. I programmi più vecchi sono stati scritti per ridurre al minimo il numero di operazioni richieste. Ma ora che migliaia di processori possono passare attraverso vasti set di dati, afferma, il problema è ridurre il tempo [di esecuzione]. Una volta terminato il team, quei programmi di ottimizzazione saranno disponibili per le aziende i cui archivi di dati sono troppo grandi per essere analizzati con programmi per computer a thread singolo.

I problemi più interessanti che i matematici prevedono per progetti futuri riguardano situazioni in cui un modello deve incorporare cambiamenti comportamentali che il modello stesso ha ispirato. Ad esempio, afferma Dietrich, un sistema di congestione del traffico potrebbe utilizzare i messaggi inviati alle unità GPS per allontanare i conducenti dal luogo di un incidente stradale. Ma il modello dovrebbe anche calcolare quante persone accetterebbero il suo consiglio, per non creare un nuovo ingorgo su un percorso alternativo. Dice che comprendere il modo in cui i sistemi cambiano mentre gli esseri umani reagiscono agli incentivi è una delle grandi sfide per la modellazione matematica.

Ovviamente, non sarà mai facile prevedere con precisione cosa faranno le persone o le aziende. Ma grazie alle loro intuizioni come matematici e al loro accesso alla vasta potenza di calcolo di IBM, Dietrich e i suoi colleghi stanno migliorando. E ora, altre aziende stanno pagando per questa abilità.

William M. Bulkeley è un ex giornale di Wall Street giornalista che ora è uno scrittore freelance a Boston.

nascondere