Convertir las matemáticas en efectivo

Hace cinco años, Brenda Dietrich comenzó a investigar cómo los 40.000 vendedores de IBM podían aprender a confiar un poco más en las matemáticas que en sus instintos. En particular, se le pidió a Dietrich, quien dirige el equipo mundial de investigadores de matemáticas de 200 personas de la compañía, que vea si las matemáticas pueden ayudar a los gerentes a hacer un mejor trabajo al establecer cuotas de ventas. Ella asignó a tres matemáticos del Centro de Investigación Thomas J. Watson de IBM en Yorktown Heights, Nueva York, para trabajar en nuevas técnicas para predecir cuánto negocio podría obtener la empresa de un cliente determinado.

Los matemáticos recopilaron datos de varios años sobre cada venta que IBM realizaba en todo el mundo. Compararon los resultados con las cuotas de ventas establecidas a principios de año, la mayoría de las cuales fueron desarrolladas por los gerentes de ventas de distrito, quienes las negociaron con los equipos de ventas sobre la base de la experiencia pasada. Para detectar oportunidades que los equipos de ventas no reconocieron, los investigadores recopilaron datos externos sobre los patrones de gasto de TI por industria y combinaron esa información con los datos de ventas internos. Luego utilizaron una técnica llamada modelado de cuantiles altos, que intenta predecir, digamos, el percentil 90 de una distribución en lugar de la media, para estimar el gasto potencial de cada cliente y calcular qué parte de esa demanda podría satisfacer IBM.

Esta historia fue parte de nuestro número de marzo de 2010

• Ver el resto del número
• Suscribir

Armados con estas predicciones sobre cuánto equipo debería poder vender IBM a cada cliente, los matemáticos de Dietrich observaron el tamaño y la composición del equipo de ventas en cada cuenta y compararon su desempeño real con el máximo teórico. Algunos equipos eran tan pequeños que no podían vender lo suficiente para satisfacer esa demanda potencial. Otros equipos eran innecesariamente grandes. Así que los matemáticos aconsejaron al departamento de ventas que cambiara a su personal, sacando a los vendedores menos productivos de los equipos grandes y colocándolos en equipos que habían sido demasiado pequeños. Las ventas en estas últimas cuentas crecieron rápidamente.

El proyecto de dos años tuvo una gran recompensa para IBM. El controlador corporativo llegó a la conclusión de que generó mil millones de dólares en ventas adicionales hasta 2008, el año después de que el equipo terminó su trabajo, dice Dietrich, un doctor de 50 años con la sospecha de que el mundo funcionaría mejor si fuera dirigido por matemáticos. . Desde entonces, IBM ha incorporado el modelado de cuantiles altos en su práctica de análisis de la fuerza laboral, un servicio que ofrece para ayudar a los clientes a tomar decisiones sobre cuestiones de recursos humanos, como la mejor forma de desplegar a sus vendedores.

Y la empresa extrajo una lección más general de la experiencia: llegó a creer que las innovaciones de sus matemáticos eran algo por lo que otras empresas pagarían generosamente. El año pasado, la compañía creó un nuevo grupo importante de optimización y análisis de negocios dentro de IBM Global Business Services, y el grupo ya ha capacitado a 4.000 consultores. IBM espera eventualmente hacer tantos negocios en análisis como ya lo hace en planificación de recursos empresariales, lo que ayuda a las empresas a coordinar su tecnología de la información en departamentos separados; ese servicio es una fuente líder de ingresos en la unidad de servicios comerciales de $ 17,7 mil millones y ha sido una de las áreas de más rápido crecimiento en los últimos 10 años. Los dos grupos ya se complementan: mientras que la planificación de recursos empresariales rastrea y organiza los procesos comerciales, la analítica maximiza su desempeño.

Dietrich, cuyo nombre figura en 13 patentes, cree que ella y su equipo pueden crear modelos que describan con precisión actividades que se encuentran lejos de lo que normalmente se considera el ámbito de las matemáticas. Por ejemplo, los algoritmos de optimización estocástica, que incorporan elementos aleatorios en lugar de asumir que todos los valores son exactos, se han utilizado durante décadas para ayudar a los fabricantes y los mercados financieros a adaptarse a las condiciones cambiantes. Pero los matemáticos de IBM están aplicando las técnicas a problemas de recursos humanos y marketing. Están utilizando modelos matemáticos para ayudar a la empresa a encontrar nuevos clientes y descubrir la combinación adecuada de programadores veteranos y jóvenes para asignarlos a un gran proyecto de software. Están analizando datos para determinar si vale la pena que IBM se anuncie en revistas específicas o en ciertos programas de televisión, o que asista a ferias comerciales específicas. Somos capaces de predecir el impacto de ciertos programas publicitarios en los ingresos, dice Dietrich, aunque admite que no con la precisión que me gustaría.

Incluso si son imprecisas, cree Dietrich, estas técnicas analíticas pueden ser de gran ayuda para muchas empresas, que, según ella, a menudo no comprenden completamente sus procesos internos y modelos comerciales. El estudio de todos los datos disponibles sobre ventas y fabricación podría revelar cuellos de botella que podrían resolverse o descubrir oportunidades que se han perdido. Ella y su equipo se involucran cada vez más directamente con los clientes. Por ejemplo, debido a su reputación como científica y jefa de un equipo de investigación matemática, recientemente fue invitada a hablar con los ejecutivos de una gran compañía farmacéutica sobre si el modelado matemático podría mejorar su proceso de asignación de fondos a diversos esfuerzos de desarrollo de fármacos.

Tales actividades son una gran desviación de lo que solían hacer los matemáticos de IBM. En los viejos tiempos, eran una raza extraña entre los científicos e ingenieros, que trabajaban en ciencia y tecnologías que eventualmente podrían conducir a nuevos materiales semiconductores, nuevos dispositivos de almacenamiento o supercomputadoras de procesamiento paralelo. Los matemáticos a veces modelaron los procesos de producción de IBM, pero fueron juzgados principalmente por su trabajo teórico y sus publicaciones en revistas académicas.

Eso comenzó a cambiar a principios de la década de 1990, cuando IBM acumuló enormes pérdidas. El tablero

expulsó a la alta dirección y contrató a Louis Gerstner, entonces director de RJR Nabisco, para que ocupara el cargo de director ejecutivo. Aunque Gerstner tomó medidas para romper la burocracia esclerótica de IBM, decidió mantener la empresa en una pieza. Dijo que creía que el tamaño de IBM, que le permitió concentrar recursos en grandes problemas para grandes clientes corporativos y gubernamentales, era un activo valioso que debería preservarse.

Una parte clave de la estrategia de Gerstner fue unificar y expandir el negocio de servicios globales de IBM. Paul Horn, quien dirigió IBM Research durante parte de ese tiempo y ahora es vicepresidente senior de investigación en la Universidad de Nueva York, vio que dadas las circunstancias, los laboratorios podrían verse fácilmente como un lujo costoso. Con el crecimiento de los servicios, dice, si la investigación no contribuyera, podría imaginarse a alguien en el futuro diciendo: 'No es necesario ser tan grande'. Horn, un físico, ayudó a convencer a Gerstner de que la división de investigación de IBM podría desempeñar un papel importante. papel importante en su estrategia al trabajar con los clientes para resolver sus problemas. Comenzó a presionar a sus miles de investigadores, incluidos los matemáticos, para que comenzaran a trabajar en proyectos que pudieran ser útiles para el negocio de servicios. El motivo era simple, dice: supervivencia.

Para los matemáticos, el cambio fue natural. Dietrich dice que habían trabajado con frecuencia con las propias plantas de fabricación de IBM en problemas de programación y logística, aunque los resultados generalmente se consideraban propietarios. Y ya habían comenzado a involucrarse más en las operaciones comerciales, en parte porque les proporcionaba los grandes conjuntos de datos que necesitaban para modelar. Históricamente, la optimización estocástica había estado limitada por la gran cantidad de computación requerida para lidiar con múltiples variables. Pero a medida que la potencia de las computadoras explotó y los investigadores comenzaron a utilizar procesadores masivamente paralelos, pudieron manipular muchos más datos.

El matemático de IBM Research, Baruch Schieber, recuerda que fue a una acería brasileña y descubrió que los programas de producción se estaban redactando en pizarrones. Seguramente, los modelos matemáticos podrían hacerlo mejor, pensó. Estaba especialmente interesado en los problemas relacionados con la programación de ciclos de producción para diferentes variedades de acero. Aunque es más barato hacer tiradas largas de un tipo de acero, a veces los clientes necesitan varios tipos diferentes inmediatamente, por lo que la acería tiene que hacer tiradas cortas. El modelado matemático está cuantificando cosas que generalmente no se cuantifican, dice, como la compensación entre el costo y la satisfacción del cliente. Al principio de un período de contrato, descubrió Schieber, las plantas querían optimizar sus programas para obtener la máxima eficiencia y el mínimo costo. Al final del período, cuando el contrato estaba pendiente de renovación, buscaron centrarse más en mejorar la satisfacción. Surgen problemas similares con las aerolíneas. Schieber dice: Le preguntamos a los gerentes: ¿desea minimizar los costos de tripulación o combustible, o desea maximizar la satisfacción del cliente?

William Pulleyblank, quien dirigió el departamento de matemáticas de IBM en la década de 1990, había instado a la empresa incluso entonces a hacer de la analítica un negocio. Muchas empresas intentaron hacer esto, dice. Fue visto como un juego puro de producto: empaquételo y véndalo. Sin embargo, agrega, quedó claro que IBM no tenía una buena manera de vender las habilidades de los matemáticos a los clientes. Concluyó que las necesidades de muchas empresas eran tan especializadas que diseñar un paquete de software de propósito general no sería rentable, pero el software diseñado para empresas particulares no tendría una demanda lo suficientemente alta. Al mismo tiempo, IBM no quería que sus investigadores se convirtieran en consultores. Los matemáticos no querían hacerlo y no estaban capacitados para relacionarse con los clientes. Me di cuenta de que el desafío no eran las matemáticas, dice Pulleyblank, quien ahora es vicepresidente del grupo de optimización y análisis de negocios. Era cómo convertirlo en un negocio.

El camino hacia un negocio de análisis se hizo más claro en 2002, cuando IBM pagó 3.900 millones de dólares para adquirir el negocio de consultoría de PricewaterhouseCoopers. Ginni Rometty, quien encabezó el acuerdo y ahora dirige las operaciones de ventas de IBM, recordó la idea de Pulleyblank. Ella pensó que los consultores de PWC podrían expandir las ofertas de servicios de IBM más allá de TI; sus investigadores podrían promocionarse como una fuente única de asesoramiento para las empresas clientes en materia de marketing, recursos humanos y logística. Cada otoño, cuando los equipos de ventas de IBM comienzan a pronosticar los próximos negocios, los consultores identifican problemas críticos que probablemente afectarán a industrias particulares en el próximo año. Si esos problemas parecen problemas de análisis, los consultores se ponen en contacto con el equipo de análisis y optimización del negocio y preguntan si IBM ha trabajado en algo similar antes. En muchos casos, los problemas se pueden abordar adaptando los productos de software existentes de la empresa.

Cuando el software existente no puede hacer el trabajo, los consultores recurren a IBM Research en busca de ayuda. Sanjeev Nagrath, líder global de IBM para la gestión de la cadena de suministro, se encontró con una situación de este tipo el año pasado cuando los clientes empezaron a preguntarse cómo reducir la huella de carbono de sus cadenas de suministro. Entonces, dice Nagrath, están trabajando con Research para crear modelos específicos de la industria para abordar los problemas de sostenibilidad. Y hace dos años trabajó con Dietrich para crear un centro para la cadena de suministro.

innovación en Beijing. Allí, los matemáticos chinos forman parte de un equipo que trabaja con empresas como el gigante marítimo chino Cosco. Los matemáticos del centro de innovación ayudaron a los consultores de IBM a modelar los procedimientos de Cosco y desarrollaron un plan que redujo los costos de combustible en un 25 por ciento y las emisiones de dióxido de carbono en un 15 por ciento. Entre otras cosas, recomendaron reducir el número de centros de distribución de 100 a 40.

No todos los clientes confían en las contribuciones de los matemáticos, como descubrió Schieber cuando creó un modelo que podría usarse para reprogramar barcos si los suministros se detuvieran temporalmente por el mal tiempo. Él dice que fue mucho mejor que los programadores humanos para ajustar los movimientos y velocidades de la flota para minimizar las interrupciones y los costos de combustible. Pero el cliente no quedó satisfecho. Era una caja negra, recuerda. El remitente dijo, esta es nuestra ventaja competitiva. Querían entenderlo. La naviera finalmente implementó el modelo después de que IBM lo rediseñara para que no fuera un sistema completamente automatizado sino una ayuda que los despachadores humanos pudieran consultar.

Algunos empresarios argumentan que muchas decisiones se guían mejor por reacciones instintivas basadas en años de experiencia. Les preocupa que depender de los análisis haga que los líderes empresariales se vuelvan indecisos cuando no tienen una gran cantidad de datos. Y un público con fobia a las matemáticas sospecha que los programas basados ​​en análisis reducen los costos a expensas de los consumidores. Los investigadores de IBM señalan la reciente reacción violenta contra las recomendaciones de que las mamografías anuales se retrasen hasta que las mujeres cumplan 50 años porque no brindan beneficios estadísticamente demostrables para las mujeres más jóvenes.

Pero a Dietrich le preocupa más que las empresas no analicen los petabytes de datos que recopilan. Cuando se reunió con la compañía farmacéutica sobre su estrategia de gestión de cartera, por ejemplo, los ejecutivos explicaron cómo asignaban el gasto de acuerdo con sus estimaciones de la probabilidad de éxito de cada proyecto. Les pregunté si alguna vez verificaron qué tan bien las estimaciones coincidían con sus resultados, dice ella. Nunca lo habían hecho.

Dietrich y sus investigadores ahora están trabajando para reescribir algoritmos de optimización para aprovechar las computadoras masivamente paralelas. Los programas más antiguos se escribieron para minimizar el número de operaciones necesarias. Pero ahora que miles de procesadores pueden procesar grandes conjuntos de datos, dice, el problema es reducir el tiempo [de ejecución]. Una vez que el equipo haya terminado, esos programas de optimización estarán disponibles para las empresas cuyas reservas de datos sean demasiado grandes para ser analizadas con programas informáticos de un solo hilo.

Los problemas más interesantes que imaginan los matemáticos para proyectos futuros involucran situaciones en las que un modelo debe incorporar cambios de comportamiento que el propio modelo ha inspirado. Por ejemplo, dice Dietrich, un sistema de congestión de tráfico podría usar mensajes enviados a unidades de GPS para alejar a los conductores del lugar de un accidente en la carretera. Pero el modelo también tendría que calcular cuántas personas seguirían su consejo, para que no acabe creando un nuevo atasco en una ruta alternativa. Ella dice que comprender la forma en que los sistemas cambian cuando los humanos reaccionan a los incentivos es uno de los grandes desafíos para el modelado matemático.

Por supuesto, nunca será fácil predecir con precisión lo que harán las personas o las empresas. Pero gracias a sus conocimientos como matemáticos y su acceso al vasto poder de cómputo de IBM, Dietrich y sus colegas están mejorando en eso. Y ahora, otras empresas están pagando por esa habilidad.

William M. Bulkeley es un ex Wall Street Journal reportero que ahora es escritor independiente en Boston.

esconder