Aus Mathematik Geld machen

Vor fünf Jahren begann Brenda Dietrich zu untersuchen, wie die 40.000 Vertriebsmitarbeiter von IBM lernen könnten, sich ein bisschen mehr auf Mathematik als auf ihr Bauchgefühl zu verlassen. Insbesondere wurde Dietrich, der das 200-köpfige weltweite Team von Mathematikforschern des Unternehmens leitet, gefragt, ob Mathematik Managern helfen könnte, Verkaufsquoten besser festzulegen. Sie beauftragte drei Mathematiker am Thomas J. Watson Research Center von IBM in Yorktown Heights, NY, an neuen Techniken zu arbeiten, um vorherzusagen, wie viel Geschäft das Unternehmen von einem bestimmten Kunden erzielen könnte.

Die Mathematiker sammelten mehrere Jahre lang Daten zu jedem Verkauf, den IBM weltweit getätigt hat. Sie verglichen die Ergebnisse mit den zu Jahresbeginn festgelegten Verkaufsquoten, die größtenteils von Bezirksverkaufsleitern entwickelt und auf Basis der Erfahrungen der Vergangenheit mit den Vertriebsteams ausgehandelt wurden. Um Chancen zu erkennen, die die Vertriebsteams nicht erkannten, sammelten die Forscher externe Daten zu IT-Ausgabenmustern nach Branche und kombinierten diese Informationen mit den internen Vertriebsdaten. Dann verwendeten sie eine Technik namens High-Quantile-Modellierung – die versucht, beispielsweise das 90.

Diese Geschichte war Teil unserer März-Ausgabe 2010

• Siehe den Rest der Ausgabe
• Abonnieren

Ausgestattet mit diesen Vorhersagen, wie viel Ausrüstung IBM an jeden Kunden verkaufen kann, untersuchten Dietrichs Mathematiker die Größe und Zusammensetzung des Vertriebsteams für jeden Kunden und verglichen die tatsächliche Leistung mit dem theoretischen Maximum. Einige Teams waren so klein, dass sie nicht genug verkaufen konnten, um diese potenzielle Nachfrage zu decken. Andere Teams waren unnötig groß. Also rieten die Mathematiker dem Vertrieb, sein Personal umzustellen, weniger produktive Verkäufer aus den großen Teams zu entfernen und in zu kleine Teams zu setzen. Der Umsatz mit den letztgenannten Konten wuchs schnell.

Das zweijährige Projekt hatte sich für IBM enorm ausgezahlt. Der Konzerncontroller kam zu dem Schluss, dass es bis 2008, dem Jahr, nachdem das Team seine Arbeit beendet hatte, 1 Milliarde US-Dollar zusätzlichen Umsatz generierte, sagt Dietrich, ein 50-jähriger Doktorand mit dem leisen Verdacht, dass die Welt besser funktionieren würde, wenn sie von Mathematikern geführt würde . Seitdem hat IBM High-Quantile-Modellierung in seine Workforce-Analytics-Praxis integriert, einen Service, den es anbietet, um Kunden bei Entscheidungen über Personalfragen zu unterstützen, beispielsweise wie sie ihre Vertriebsmitarbeiter am besten einsetzen.

Und das Unternehmen zog eine allgemeinere Lehre aus der Erfahrung: Es kam zu der Überzeugung, dass die Innovationen seiner Mathematiker etwas waren, für das andere Unternehmen gut bezahlen würden. Im vergangenen Jahr hat das Unternehmen innerhalb von IBM Global Business Services eine große neue Geschäftsanalyse- und Optimierungsgruppe gegründet, die bereits 4.000 Berater geschult hat. IBM hofft, irgendwann genauso viel Geschäft mit Analytics machen zu können wie bereits mit Enterprise Resource Planning, das Unternehmen hilft, ihre Informationstechnologie über verschiedene Abteilungen hinweg zu koordinieren. dieser Service ist eine führende Einnahmequelle in der 17,7-Milliarden-Dollar-Business-Services-Einheit und war in den letzten 10 Jahren einer der am schnellsten wachsenden Bereiche. Die beiden Gruppen ergänzen sich bereits: Während Enterprise Resource Planning Geschäftsprozesse verfolgt und organisiert, maximiert Analytics deren Leistung.

Dietrich, deren Name auf 13 Patenten steht, glaubt, dass sie und ihr Team Modelle erstellen können, die Aktivitäten weit außerhalb des normalerweise als mathematisch betrachteten Bereichs genau beschreiben. Stochastische Optimierungsalgorithmen, die zufällige Elemente einbeziehen, anstatt davon auszugehen, dass alle Werte exakt sind, werden beispielsweise seit Jahrzehnten verwendet, um Hersteller und Finanzmärkte bei der Anpassung an sich ändernde Bedingungen zu unterstützen. Aber die Mathematiker von IBM wenden die Techniken auf Probleme im Personal- und Marketingbereich an. Sie verwenden mathematische Modelle, um dem Unternehmen zu helfen, neue Kunden zu finden und die richtige Mischung aus erfahrenen und jungen Programmierern für ein großes Softwareprojekt zu finden. Sie analysieren Daten, um herauszufinden, ob es sich für IBM lohnt, in bestimmten Zeitschriften oder in bestimmten Fernsehsendungen zu werben oder bestimmte Messen zu besuchen. Wir können die Auswirkungen bestimmter Werbeprogramme auf den Umsatz vorhersagen, sagt Dietrich – allerdings nicht mit der Genauigkeit, die ich gerne hätte.

Auch wenn sie ungenau sind, glaubt Dietrich, können diese Analysetechniken für viele Unternehmen sehr hilfreich sein, die ihre internen Prozesse und Geschäftsmodelle oft nicht vollständig verstehen. Das Studium aller verfügbaren Daten über Vertrieb und Fertigung könnte Engpässe aufdecken, die möglicherweise behoben werden, oder Chancen aufdecken, die verpasst wurden. Sie und ihr Team engagieren sich zunehmend direkt bei den Kunden. Aufgrund ihres Rufs als Wissenschaftlerin und Leiterin eines mathematischen Forschungsteams wurde sie beispielsweise kürzlich eingeladen, mit den Führungskräften eines großen Pharmaunternehmens darüber zu sprechen, ob mathematische Modellierung den Prozess der Mittelzuweisung für verschiedene Bemühungen zur Arzneimittelentwicklung verbessern könnte.

Solche Aktivitäten sind eine große Abweichung von dem, was IBM-Mathematiker früher gemacht haben. Früher waren sie eine seltsame Sorte unter den Wissenschaftlern und Ingenieuren, die an Wissenschaft und Technologien arbeiteten, die schließlich zu neuen Halbleitermaterialien, neuen Speichergeräten oder parallel verarbeitenden Supercomputern führen könnten. Die Mathematiker modellierten manchmal IBM-Produktionsprozesse, beurteilten sie jedoch vor allem nach ihrer theoretischen Arbeit und ihren Veröffentlichungen in wissenschaftlichen Zeitschriften.

Das änderte sich Anfang der 1990er Jahre, als IBM enorme Verluste machte. Die Tafel

verdrängte das Top-Management und holte Louis Gerstner, damals den Leiter von RJR Nabisco, als CEO. Obwohl Gerstner Schritte unternahm, um die sklerotische Bürokratie von IBM aufzubrechen, entschied er sich, das Unternehmen in einem Stück zu halten. Er sagte, er glaube, dass die Größe von IBM, die es ihm ermöglichte, die Ressourcen auf große Probleme für große Firmen- und Regierungskunden zu konzentrieren, ein wertvolles Gut sei, das erhalten werden sollte.

Ein wesentlicher Bestandteil von Gerstners Strategie war es, das globale Servicegeschäft von IBM zu vereinheitlichen und auszubauen. Paul Horn, der in dieser Zeit zeitweise IBM Research leitete und heute leitender Vizeprovider für Forschung an der New York University ist, sah, dass die Labore unter den gegebenen Umständen leicht als kostspieliger Luxus angesehen werden könnten. Angesichts des wachsenden Dienstleistungsangebots, sagt er, könnte man sich vorstellen, dass in Zukunft jemand sagt: „Du musst nicht so groß sein.“ wichtige Rolle in seiner Strategie, indem er mit Kunden zusammenarbeitet, um deren Probleme zu lösen. Er begann, seine Tausenden von Forschern, einschließlich der Mathematiker, dazu zu bringen, an Projekten zu arbeiten, die für das Dienstleistungsgeschäft nützlich sein könnten. Das Motiv sei einfach, sagt er: Überleben.

Für die Mathematiker war der Wechsel eine Selbstverständlichkeit. Dietrich sagt, dass sie bei Terminproblemen und logistischen Problemen häufig mit IBMs eigenen Produktionsstätten zusammengearbeitet hatten, obwohl die Ergebnisse normalerweise als proprietär galten. Und sie hatten bereits begonnen, sich stärker in den Geschäftsbetrieb einzumischen, auch weil ihnen die großen Datensätze zur Verfügung gestellt wurden, die sie für die Modellierung benötigten. In der Vergangenheit war die stochastische Optimierung durch den schieren Rechenaufwand beschränkt, der erforderlich war, um mit mehreren Variablen umzugehen. Aber als die Computerleistung explodierte und die Forscher begannen, massiv parallele Prozessoren zu verwenden, waren sie in der Lage, viel mehr Daten zu manipulieren.

Der Mathematiker von IBM Research, Baruch Schieber, erinnert sich, dass er in einem brasilianischen Stahlwerk war und feststellte, dass auf Whiteboards Produktionspläne erstellt wurden. Sicherlich könnten mathematische Modelle es besser machen, dachte er. Sein besonderes Interesse galt den Fragen der Planung von Produktionsläufen für verschiedene Stahlsorten. Obwohl es billiger ist, große Auflagen einer Stahlsorte herzustellen, benötigen Kunden manchmal sofort mehrere verschiedene Typen, sodass das Werk kleine Auflagen herstellen muss. Mathematische Modellierung quantifiziert Dinge, die normalerweise nicht quantifiziert werden, sagt er – wie zum Beispiel den Kompromiss zwischen Kosten und Kundenzufriedenheit. Schieber stellte fest, dass die Fabriken zu Beginn einer Vertragslaufzeit ihre Zeitpläne optimieren wollten, um maximale Effizienz und minimale Kosten zu erzielen. Am Ende des Zeitraums, als der Vertrag zur Verlängerung anstand, versuchten sie, sich mehr auf die Verbesserung der Zufriedenheit zu konzentrieren. Ähnliche Probleme treten bei Fluggesellschaften auf. Schieber sagt: Wir fragen Manager: Wollen Sie Crew-Kosten oder Treibstoff minimieren oder wollen Sie die Kundenzufriedenheit maximieren?

William Pulleyblank, der in den 1990er Jahren die Mathematikabteilung von IBM leitete, hatte das Unternehmen schon damals gedrängt, aus Analytik ein Geschäft zu machen. Das haben viele Unternehmen versucht, sagt er. Es wurde als reines Produktspiel angesehen – verpacke es und verkaufe es. Es sei jedoch klar geworden, dass IBM keine gute Möglichkeit habe, die Fähigkeiten der Mathematiker an Kunden zu verkaufen. Er kam zu dem Schluss, dass die Bedürfnisse vieler Unternehmen so spezialisiert waren, dass die Entwicklung eines universellen Softwarepakets nicht rentabel wäre – aber Software, die für bestimmte Unternehmen entwickelt wurde, würde nicht hoch genug nachgefragt. Gleichzeitig wollte IBM nicht, dass seine Forscher Berater werden. Die Mathematiker wollten das nicht, und sie waren nicht im Umgang mit Kunden geschult. Mir wurde klar, dass die Herausforderung nicht die Mathematik war, sagt Pulleyblank, der jetzt Vice President in der Business Analytics and Optimization Group ist. Es war, wie man es zu einem Geschäft macht.

Der Weg zum Analytics-Geschäft wurde 2002 klarer, als IBM 3,9 Milliarden US-Dollar für den Erwerb des Beratungsgeschäfts von PricewaterhouseCoopers zahlte. Ginni Rometty, die den Deal anführte und jetzt den Vertrieb von IBM leitet, erinnerte sich an die Idee von Pulleyblank. Sie dachte, dass die Berater von PWC die Serviceangebote von IBM über die IT hinaus erweitern könnten; seine Forscher könnten als einzigartige Beratungsquelle für Kundenunternehmen in den Bereichen Marketing, Personalwesen und Logistik angepriesen werden. Jedes Jahr im Herbst, wenn die Vertriebsteams von IBM mit der Prognose des bevorstehenden Geschäfts beginnen, identifizieren die Berater kritische Probleme, die im kommenden Jahr wahrscheinlich bestimmte Branchen betreffen werden. Wenn es sich bei diesen Problemen um Analyseprobleme handelt, wenden sich die Berater an das Business Analytics- und Optimierungsteam und fragen, ob IBM bereits an Ähnlichem gearbeitet hat. In vielen Fällen können die Probleme tatsächlich durch Anpassungen der bestehenden Softwareprodukte des Unternehmens behoben werden.

Wenn vorhandene Software die Aufgabe nicht erfüllen kann, wenden sich die Berater an IBM Research, um Hilfe zu erhalten. Sanjeev Nagrath, der weltweit führende Anbieter von Supply-Chain-Management bei IBM, stieß im vergangenen Jahr auf eine solche Situation, als Kunden fragten, wie sie den CO2-Fußabdruck ihrer Lieferketten reduzieren könnten. Sie arbeiten mit Research zusammen, sagt Nagrath, um branchenspezifische Modelle für den Umgang mit Nachhaltigkeitsthemen zu entwickeln. Und vor zwei Jahren hat er mit Dietrich zusammengearbeitet, um ein Zentrum für Supply Chain aufzubauen

Innovation in Peking. Dort arbeiten chinesische Mathematiker in einem Team mit Unternehmen wie dem chinesischen Schifffahrtsriesen Cosco. Die Mathematiker des Innovationszentrums halfen IBM-Beratern, die Verfahren von Cosco zu modellieren und entwickelten einen Plan, der die Kraftstoffkosten um 25 Prozent und den Kohlendioxidausstoß um 15 Prozent senkte. Sie empfahlen unter anderem, die Zahl der Verteilzentren von 100 auf 40 zu reduzieren.

Nicht alle Kunden vertrauen den Beiträgen der Mathematiker, wie Schieber herausfand, als er ein Modell entwarf, mit dem sich Schiffe umplanen lassen, wenn die Lieferungen durch schlechtes Wetter vorübergehend ausfallen. Er sagt, dass es viel besser war als menschliche Disponenten, Flottenbewegungen und -geschwindigkeiten anzupassen, um Störungen und Kraftstoffkosten zu minimieren. Aber der Kunde war nicht zufrieden. Es war eine Blackbox, erinnert er sich. Der Spediteur sagte, das ist unser Wettbewerbsvorteil. Sie wollten es verstehen. Die Reederei implementierte das Modell schließlich, nachdem IBM es so umgestaltet hatte, dass es sich nicht um ein vollautomatisiertes System handelte, sondern um eine Hilfestellung, die menschliche Disponenten konsultieren konnten.

Manche Geschäftsleute argumentieren, dass viele Entscheidungen am besten von Bauchreaktionen geleitet werden, die auf jahrelanger Erfahrung beruhen. Sie befürchten, dass die Abhängigkeit von Analysen Unternehmensführer unentschlossen macht, wenn sie nicht über eine Fülle von Daten verfügen. Und eine Mathematik-phobische Öffentlichkeit ist misstrauisch, dass analysegesteuerte Programme Kosten auf Kosten der Verbraucher senken. IBM-Forscher weisen auf die jüngste Gegenreaktion gegen Empfehlungen hin, dass jährliche Mammographien bis zum 50. Lebensjahr von Frauen verschoben werden sollten, da sie für jüngere Frauen keinen statistisch nachweisbaren Nutzen bieten.

Dietrich befürchtet jedoch eher, dass Unternehmen die Petabyte an Daten, die sie sammeln, nicht analysieren werden. Als sie sich beispielsweise mit dem Pharmaunternehmen über dessen Portfoliomanagement-Strategie traf, erklärten die Führungskräfte, wie sie die Ausgaben entsprechend ihrer Einschätzung der Erfolgswahrscheinlichkeit jedes Projekts verteilen. Ich habe sie gefragt, ob sie jemals überprüft haben, wie gut die Schätzungen mit ihren Ergebnissen übereinstimmen, sagt sie. Das hatten sie nie.

Dietrich und ihre Forscher arbeiten nun daran, Optimierungsalgorithmen neu zu schreiben, um die Vorteile von massiv parallelen Computern zu nutzen. Die älteren Programme wurden geschrieben, um die Anzahl der erforderlichen Operationen zu minimieren. Aber jetzt, da Tausende von Prozessoren riesige Datensätze durcharbeiten können, besteht das Problem darin, die [Laufzeit] zu verkürzen. Sobald das Team fertig ist, werden diese Optimierungsprogramme für Unternehmen verfügbar sein, deren Datenspeicher zu groß sind, um mit Single-Thread-Computerprogrammen analysiert zu werden.

Die interessantesten Probleme, die sich Mathematiker für zukünftige Projekte vorstellen, betreffen Situationen, in denen ein Modell Verhaltensänderungen beinhalten muss, die das Modell selbst inspiriert hat. Ein Stausystem, so Dietrich, könnte beispielsweise an GPS-Einheiten gesendete Nachrichten verwenden, um Autofahrer vom Ort eines Autobahnunfalls wegzuleiten. Das Modell müsste aber auch berechnen, wie viele Menschen seinen Rat befolgen würden, damit es nicht zu einem neuen Stau auf einer alternativen Route kommt. Sie sagt, dass das Verständnis der Art und Weise, wie sich Systeme verändern, wenn Menschen auf Anreize reagieren, eine der großen Herausforderungen für die mathematische Modellierung ist.

Natürlich wird es nie einfach sein, genau vorherzusagen, was Menschen – oder Unternehmen – tun werden. Aber dank ihrer Erkenntnisse als Mathematiker und ihres Zugriffs auf die enorme Rechenleistung von IBM werden Dietrich und ihre Kollegen immer besser. Und jetzt zahlen andere Unternehmen für diese Fähigkeit.

William M. Bulkeley ist ein ehemaliger Wallstreet Journal Reporter, der heute als freiberuflicher Autor in Boston arbeitet.

verbergen