论文部分内容阅读
IBM发现了新的收入来源：在商业服务中应用其数学方程。
5年前，布伦达·迪特里希(Brenda Dietrich)开始研究如何让IBM的4万名销售人员学会更多地依赖数学知识，而非他们的直觉。特别是，迪特里希需要研究数学能否帮助经理更好地制定销售配额，她正领导着IBM全球200位数学研究员。她任命3位IBM托马斯·沃森研究中心的数学家研究一项新技术，用来预测公司能从指定客户获得多少生意。该中心位于纽约州约克镇高地。
这些数学家收集了几年来IBM在世界范围内每一项交易的数据。他们将结果与年初销售配额比较，大多数销售配额都由地区销售经理与销售团队基于以往经验协商制定。为了发现销售团队未能看到的商机，研究员收集了各行业IT投资模式的外部数据，并将其与内部销售数据结合。接下来，他们运用叫做高分位数建模的技术——例如。预测概率分布中90％的分布情况而非平均分布情况——来预估每一位客户的潜在投资，并计算IBM能满足其中多少需求。
掌握了关于IBM能够卖给每位客户多少设备的预测之后，迪特里希的数学家们开始观察面向每个客户的销售团队的规模与构成，并将其实际表现与理论最大值比较。一些团队规模过小以至于无法满足潜在需求，其他团队又过于庞大。所以数学家们建议销售部门调动一些员工，将能力较差的销售人员从大团队中调走，加入到小团队中。后者的销售量得到迅速提升。
这个为期两年的项目已经为IBM带来了巨大收益。该团队完成他们的工作之后的2008年，公司财务分析总结出此项目产生了1亿美元的额外销售，迪特里希说。这名50岁的博士甚至偷偷怀疑，世界在数学家的管理下将会运行得更好。自从那时，IBM将高数位建模整合到劳务分析实践中，
IBM从中总结出更广泛的结论：它的数学家们拥有的创新能力可以让别的企业慷慨解囊。去年，该公司在IBM全球企业咨询服务事业部创建了一个大型的新商务分析与优化小组，该小组已经培训了4000名顾问。IBM希望最终将分析业务做到和它现有的企业资源规划业务一样大，后者帮助公司在各个部门间协调信息技术问题；这项服务是177亿美元的商业服务单元中的主要利润来源，并且在最近10年是其成长速度最快的领域之一。这两个小组已经相辅相成：企业资源规划记录与组织商业流程，分析则促进其业绩最大化。
迪特里希，这个拥有13项专利的人，认为她和她的团队创建的模型可以精确描述那些远在人们通常认为的数学范畴之外的行为。比如说随机优化算法，它采用了随机元素而非假定所有的值都是准确的，几十年来它一直帮助制造商和金融市场适应变化莫测的环境。但IBM的数学家正应用该技术解决人力资源与市场中的问题。他们使用数学模型帮助公司寻找新客户，或计算程序员新兵与老将在大型软件项目中的正确配比。他们分析数据以判断IBM是否值得在某些杂志或电视节目上做广告，或是否值得参加某个商业展示。“我们能够预测特定广告项目对收入的影响，”迪特里希如是说——尽管她承认，“这并非我希望的那样准确。”
即使它们不够准确，迪特里希也相信，这些分析技术对很多公司会有巨大帮助，因为它们并不完全清楚自身内部商业模式和流程。研究有关销售和生产的所有信息就能发现可消除的瓶颈，或者发现曾错失的机会。她和她的团队正增进与客户的直接接触。比如，因为其科学家和数学研究团队主任的声誉，最近她被邀请给一家大型制药公司的管理人员做有关数学模型能否改善不同药物开发资金分配的报告。
这些活动与原来之前IBM数学家所做的大相径庭。在过去，他们是科学家与工程师中的怪胎，后者研究最终可能开发出新型半导体，存储设备，或并行超级计算机的科学与技术。数学家们或许有时给IBM生产流程建模，但主要还是根据其理论工作与发表在学术期刊的文章来评价他们。
但在90年代初IBM遭受巨大损失后，这种情况开始发生变化。董事会解雇了高层管理人员并聘请了路易斯·吉尔斯特纳(Louis Gerstner)，他后来在雷诺纳贝斯克(RJRNabisco)当首席执行官。尽管吉尔斯特纳采取措施打破了IBM僵腐的官僚制度，但他选择保持公司的完整。他说他相信IBM的规模令其能将资源集中到大企业和政府客户的重要问题上，是一项宝贵的资产，应予以保留。吉尔斯特纳策略的关键部分就是融合并扩大IBM的全球服务业务。
前IBM研究中心主任，现任纽约大学研究方面高级副教务长的保罗·霍恩(Paul Horn)看到，在这种环境下，实验室很容易被看成高花费的奢侈品。随着服务的增长，他说道，“如果研究没有贡献，你可以想象某一人将来会说，‘你不需要那么大的实验室。’”霍恩这位物理学家说服吉尔斯特纳，IBM的研究部门能够通过与客户合作解决他们的问题，这将在其战略中起到重要的作用，并解决客户的问题。他促使其数千名研究员，包括数学家们，着手参与那些有助于服务业务的项目。动机很单纯，他说道：“为了生存。”
对于数学家们来说，这转变很自然。迪特里希表示，他们原来经常与IBM自身的生产工厂合作解决计划和后勤问题，尽管成果通常被认为是独有的。他们早已开始进一步接触商业运作，部分原因是后者能提供给他们庞大的数据集以供建模。一直以来，随机优化被处理多个参数所需的大量计算限制，但随着计算机性能的提升与研究员对并行处理器的大量使用，他们能够处理更多的数据。
IBM研究中心数学家巴鲁克·希伯尔(BaruchSchieber)回忆起他去过的一个巴西钢铁厂，发现生产调度一直在白板上拟定。他想到，数学模型肯定可以做得更好。他对不同钢材的生产调度问题特别感兴趣。尽管长期生产一种钢材成本较低，但用户有时急需几种不同的钢材，所以工厂必须在短期内生产。“数学建模的作用就是量化那些通常非量化的东西，”他这样说到——比如，权衡客户满意度与成本。希伯尔发现，在一个合同初期，工厂想要优化其调度以实现效率最大化和成本最小化。在合同到期将要续签时，他们则试图把重点更多地放在提高满意度上。类似的问题在航空公司也存在。希伯尔说：“我们询问经理：你想最小化人员或燃料成本，还是想最大化客户满意度?”
20世纪90年代担任IBM数学部主任的威廉姆·普勒布朗克(William Pulleyblank)早在当时就敦促公司创建分析业务。“很多公司在这样尝试做，”他说到，“它被看作单纯的生产手段——包装，然后出售。”然而，他补充到，很显然IBM没有很好的办法把数学头脑也卖给客户。他总结到，许多公司的需求很特殊，所以设计普适的软件包几乎无利可图——但针对具体业务设计的软件又不会有足够高的需求。与此同时，IBM并不想让其研究员变成顾问。数学家不想这样做，而且他们也没学过如何跟客户打交道。“我意识到问题并非是数学。”普勒布朗克如是说，他现在是业务分析与优化团队的副主席，“而是如何让它商业化。” 2002年，当IBM支付39亿美元收购普华永道的咨询业务时，分析业务的道路逐渐清晰。这笔交易的领头人，现主管IBM销售运作的金妮·洛美蒂(Ginni Rometty)回顾了普勒布朗克的点子。她认为普华永道的咨询顾问可以将IBM的服务扩展至IT行业之外；它的研究员可以作为客户公司在市场、人力资源以及后勤方面独特的咨询资源。每个秋季，当IBM销售团队开始预测来年的业务时，顾问指出可能在未来一年影响某个行业的关键问题。如果这些问题像是分析方面的问题，顾问则联系业务分析与优化团队，并询问IBM是否在之前处理过相似问题。很多情况下，问题确实可以通过调整IBM已有的软件产品解决。
当现有的软件无法完成工作时，顾问便要寻求IBM研究中心的帮助。去年，IBM全球供应链管理主任，桑杰夫·纳格拉斯(sanjeer Nagrath)在客户询问如何减少供应链中的碳排量时遇到了这样的情况。所以，纳格拉斯表示，他们与IBM研究中心合作创建工业定制模型以解决可持续发展的问题。两年前，他与迪特里希合作在北京创建了供应链创新中心。在那里，中国的数学家加入了团队，与中国船运巨头中远集团(Cosco)等公司合作。该研究中心的数学家们帮助IBM的顾问构建中远集团的业务流程模型，制定出能减少25％燃料成本和15％二氧化碳排放量的计划。在其他方面，他们建议将100个调度中心减少到40个。
并非所有的客户都相信数学家的成果，当希伯尔针对坏天气导致供应暂停的情况创建了一个模型以便重新调度船只时，他发现了这一点。他表示数学模型在调整船只动作和速度方面比人为调度好，可以最小化中断时间和燃料成本。但客户并不满意。“这是个黑盒，”他回想到，“船主表示，这是我们的竞争优势，他们想要理解它。”船运公司最终在IBM重新设计后使用了该模型，这样模型并不是全自动系统，而是供人工调度员参考的辅助系统。
一些商务人士反对到，许多决定最好根据多年经验直觉制定。他们担心依靠分析软件会让商业领导者在没有足够数据时变得优柔寡断。而对数学恐惧的人们怀疑分析程序是将减少的成本转嫁到用户头上。IBM研究员则回应到，最近将每年女性的乳房x射线检查推迟到50岁的提议遭到强烈抗议，正是因为它们没有提供统计数据证明该提议对年轻女性有利。
但迪特里希更担心公司无法分析他们收集的上千万亿字节(PetaByte)数据。比如，当她与制药公司讨论其投资组合管理策略时，管理人员向她解释他们如何根据每个项目成功的可能性分配资金。“我问他们是否检查过预测与结果的匹配度，”她说到，“发现他们从未这样做过。”
迪特里希和她的研究员正在重写优化算法以充分利用大型并行计算机。老程序需要最小化操作次数，但既然数千个处理器可以处理海量数据集，她说到：“问题就变成了减少运行时间。”一旦该团队成功了，这些优化程序将用于那些数据存储过大以至于不能用单线程程序分析的业务。
数学家们预计，某些情况下要求模型必须将自身引发的行为变化纳入模型设计中，将是未来项目中最有趣的问题之一。比如，迪特里希说，交通堵塞系统可能需要利用发送给GPS装备的信息，以引导司机避开高速公路的事故现场。但该模型还需要计算有多少人会接受它的建议，否则结果会在另一条道路上造成新的堵塞。她表示理解系统如何随着人们对刺激的反应作出改变，是数学建模几大难题之一。
当然，准确预测人们或企业的行为永远不容易。但多亏他们作为数学家的眼光，并且运用了IBM的庞大计算能力，迪特里希和她的同事越来越得心应手。而且现在，其他公司也在购买该服务。
5年前，布伦达·迪特里希(Brenda Dietrich)开始研究如何让IBM的4万名销售人员学会更多地依赖数学知识，而非他们的直觉。特别是，迪特里希需要研究数学能否帮助经理更好地制定销售配额，她正领导着IBM全球200位数学研究员。她任命3位IBM托马斯·沃森研究中心的数学家研究一项新技术，用来预测公司能从指定客户获得多少生意。该中心位于纽约州约克镇高地。
这些数学家收集了几年来IBM在世界范围内每一项交易的数据。他们将结果与年初销售配额比较，大多数销售配额都由地区销售经理与销售团队基于以往经验协商制定。为了发现销售团队未能看到的商机，研究员收集了各行业IT投资模式的外部数据，并将其与内部销售数据结合。接下来，他们运用叫做高分位数建模的技术——例如。预测概率分布中90％的分布情况而非平均分布情况——来预估每一位客户的潜在投资，并计算IBM能满足其中多少需求。
掌握了关于IBM能够卖给每位客户多少设备的预测之后，迪特里希的数学家们开始观察面向每个客户的销售团队的规模与构成，并将其实际表现与理论最大值比较。一些团队规模过小以至于无法满足潜在需求，其他团队又过于庞大。所以数学家们建议销售部门调动一些员工，将能力较差的销售人员从大团队中调走，加入到小团队中。后者的销售量得到迅速提升。
这个为期两年的项目已经为IBM带来了巨大收益。该团队完成他们的工作之后的2008年，公司财务分析总结出此项目产生了1亿美元的额外销售，迪特里希说。这名50岁的博士甚至偷偷怀疑，世界在数学家的管理下将会运行得更好。自从那时，IBM将高数位建模整合到劳务分析实践中，
IBM从中总结出更广泛的结论：它的数学家们拥有的创新能力可以让别的企业慷慨解囊。去年，该公司在IBM全球企业咨询服务事业部创建了一个大型的新商务分析与优化小组，该小组已经培训了4000名顾问。IBM希望最终将分析业务做到和它现有的企业资源规划业务一样大，后者帮助公司在各个部门间协调信息技术问题；这项服务是177亿美元的商业服务单元中的主要利润来源，并且在最近10年是其成长速度最快的领域之一。这两个小组已经相辅相成：企业资源规划记录与组织商业流程，分析则促进其业绩最大化。
迪特里希，这个拥有13项专利的人，认为她和她的团队创建的模型可以精确描述那些远在人们通常认为的数学范畴之外的行为。比如说随机优化算法，它采用了随机元素而非假定所有的值都是准确的，几十年来它一直帮助制造商和金融市场适应变化莫测的环境。但IBM的数学家正应用该技术解决人力资源与市场中的问题。他们使用数学模型帮助公司寻找新客户，或计算程序员新兵与老将在大型软件项目中的正确配比。他们分析数据以判断IBM是否值得在某些杂志或电视节目上做广告，或是否值得参加某个商业展示。“我们能够预测特定广告项目对收入的影响，”迪特里希如是说——尽管她承认，“这并非我希望的那样准确。”
即使它们不够准确，迪特里希也相信，这些分析技术对很多公司会有巨大帮助，因为它们并不完全清楚自身内部商业模式和流程。研究有关销售和生产的所有信息就能发现可消除的瓶颈，或者发现曾错失的机会。她和她的团队正增进与客户的直接接触。比如，因为其科学家和数学研究团队主任的声誉，最近她被邀请给一家大型制药公司的管理人员做有关数学模型能否改善不同药物开发资金分配的报告。
这些活动与原来之前IBM数学家所做的大相径庭。在过去，他们是科学家与工程师中的怪胎，后者研究最终可能开发出新型半导体，存储设备，或并行超级计算机的科学与技术。数学家们或许有时给IBM生产流程建模，但主要还是根据其理论工作与发表在学术期刊的文章来评价他们。
但在90年代初IBM遭受巨大损失后，这种情况开始发生变化。董事会解雇了高层管理人员并聘请了路易斯·吉尔斯特纳(Louis Gerstner)，他后来在雷诺纳贝斯克(RJRNabisco)当首席执行官。尽管吉尔斯特纳采取措施打破了IBM僵腐的官僚制度，但他选择保持公司的完整。他说他相信IBM的规模令其能将资源集中到大企业和政府客户的重要问题上，是一项宝贵的资产，应予以保留。吉尔斯特纳策略的关键部分就是融合并扩大IBM的全球服务业务。
前IBM研究中心主任，现任纽约大学研究方面高级副教务长的保罗·霍恩(Paul Horn)看到，在这种环境下，实验室很容易被看成高花费的奢侈品。随着服务的增长，他说道，“如果研究没有贡献，你可以想象某一人将来会说，‘你不需要那么大的实验室。’”霍恩这位物理学家说服吉尔斯特纳，IBM的研究部门能够通过与客户合作解决他们的问题，这将在其战略中起到重要的作用，并解决客户的问题。他促使其数千名研究员，包括数学家们，着手参与那些有助于服务业务的项目。动机很单纯，他说道：“为了生存。”
对于数学家们来说，这转变很自然。迪特里希表示，他们原来经常与IBM自身的生产工厂合作解决计划和后勤问题，尽管成果通常被认为是独有的。他们早已开始进一步接触商业运作，部分原因是后者能提供给他们庞大的数据集以供建模。一直以来，随机优化被处理多个参数所需的大量计算限制，但随着计算机性能的提升与研究员对并行处理器的大量使用，他们能够处理更多的数据。
IBM研究中心数学家巴鲁克·希伯尔(BaruchSchieber)回忆起他去过的一个巴西钢铁厂，发现生产调度一直在白板上拟定。他想到，数学模型肯定可以做得更好。他对不同钢材的生产调度问题特别感兴趣。尽管长期生产一种钢材成本较低，但用户有时急需几种不同的钢材，所以工厂必须在短期内生产。“数学建模的作用就是量化那些通常非量化的东西，”他这样说到——比如，权衡客户满意度与成本。希伯尔发现，在一个合同初期，工厂想要优化其调度以实现效率最大化和成本最小化。在合同到期将要续签时，他们则试图把重点更多地放在提高满意度上。类似的问题在航空公司也存在。希伯尔说：“我们询问经理：你想最小化人员或燃料成本，还是想最大化客户满意度?”
20世纪90年代担任IBM数学部主任的威廉姆·普勒布朗克(William Pulleyblank)早在当时就敦促公司创建分析业务。“很多公司在这样尝试做，”他说到，“它被看作单纯的生产手段——包装，然后出售。”然而，他补充到，很显然IBM没有很好的办法把数学头脑也卖给客户。他总结到，许多公司的需求很特殊，所以设计普适的软件包几乎无利可图——但针对具体业务设计的软件又不会有足够高的需求。与此同时，IBM并不想让其研究员变成顾问。数学家不想这样做，而且他们也没学过如何跟客户打交道。“我意识到问题并非是数学。”普勒布朗克如是说，他现在是业务分析与优化团队的副主席，“而是如何让它商业化。” 2002年，当IBM支付39亿美元收购普华永道的咨询业务时，分析业务的道路逐渐清晰。这笔交易的领头人，现主管IBM销售运作的金妮·洛美蒂(Ginni Rometty)回顾了普勒布朗克的点子。她认为普华永道的咨询顾问可以将IBM的服务扩展至IT行业之外；它的研究员可以作为客户公司在市场、人力资源以及后勤方面独特的咨询资源。每个秋季，当IBM销售团队开始预测来年的业务时，顾问指出可能在未来一年影响某个行业的关键问题。如果这些问题像是分析方面的问题，顾问则联系业务分析与优化团队，并询问IBM是否在之前处理过相似问题。很多情况下，问题确实可以通过调整IBM已有的软件产品解决。
当现有的软件无法完成工作时，顾问便要寻求IBM研究中心的帮助。去年，IBM全球供应链管理主任，桑杰夫·纳格拉斯(sanjeer Nagrath)在客户询问如何减少供应链中的碳排量时遇到了这样的情况。所以，纳格拉斯表示，他们与IBM研究中心合作创建工业定制模型以解决可持续发展的问题。两年前，他与迪特里希合作在北京创建了供应链创新中心。在那里，中国的数学家加入了团队，与中国船运巨头中远集团(Cosco)等公司合作。该研究中心的数学家们帮助IBM的顾问构建中远集团的业务流程模型，制定出能减少25％燃料成本和15％二氧化碳排放量的计划。在其他方面，他们建议将100个调度中心减少到40个。
并非所有的客户都相信数学家的成果，当希伯尔针对坏天气导致供应暂停的情况创建了一个模型以便重新调度船只时，他发现了这一点。他表示数学模型在调整船只动作和速度方面比人为调度好，可以最小化中断时间和燃料成本。但客户并不满意。“这是个黑盒，”他回想到，“船主表示，这是我们的竞争优势，他们想要理解它。”船运公司最终在IBM重新设计后使用了该模型，这样模型并不是全自动系统，而是供人工调度员参考的辅助系统。
一些商务人士反对到，许多决定最好根据多年经验直觉制定。他们担心依靠分析软件会让商业领导者在没有足够数据时变得优柔寡断。而对数学恐惧的人们怀疑分析程序是将减少的成本转嫁到用户头上。IBM研究员则回应到，最近将每年女性的乳房x射线检查推迟到50岁的提议遭到强烈抗议，正是因为它们没有提供统计数据证明该提议对年轻女性有利。
但迪特里希更担心公司无法分析他们收集的上千万亿字节(PetaByte)数据。比如，当她与制药公司讨论其投资组合管理策略时，管理人员向她解释他们如何根据每个项目成功的可能性分配资金。“我问他们是否检查过预测与结果的匹配度，”她说到，“发现他们从未这样做过。”
迪特里希和她的研究员正在重写优化算法以充分利用大型并行计算机。老程序需要最小化操作次数，但既然数千个处理器可以处理海量数据集，她说到：“问题就变成了减少运行时间。”一旦该团队成功了，这些优化程序将用于那些数据存储过大以至于不能用单线程程序分析的业务。
数学家们预计，某些情况下要求模型必须将自身引发的行为变化纳入模型设计中，将是未来项目中最有趣的问题之一。比如，迪特里希说，交通堵塞系统可能需要利用发送给GPS装备的信息，以引导司机避开高速公路的事故现场。但该模型还需要计算有多少人会接受它的建议，否则结果会在另一条道路上造成新的堵塞。她表示理解系统如何随着人们对刺激的反应作出改变，是数学建模几大难题之一。
当然，准确预测人们或企业的行为永远不容易。但多亏他们作为数学家的眼光，并且运用了IBM的庞大计算能力，迪特里希和她的同事越来越得心应手。而且现在，其他公司也在购买该服务。