Brenda Dietrich, capo dei ricercatori di IBM, ha individuato una nuova fonte di reddito: vendere le formule dei suoi matematici come servizi logistici ai clienti.
di William M. Bulkeley
Cinque anni fa Brenda Dietrich iniziò a riflettere su come insegnare ai 40 mila venditori di IBM a confidare un po’ più nella matematica e un po’ meno nell’istinto. Alla responsabile dell’équipe di duecento ricercatori che IBM impiega su scala mondiale era stato chiesto in particolare di capire se la matematica potesse aiutare il management a elaborare con più precisione le quote di vendita programmate. La Dietrich affidò a tre dei suoi matematici del Centro Ricerche Thomas J. Watson a Yorktown Heights, New York, l’incarico di mettere a punto nuove tecniche per valutare quanto fatturato l’azienda avrebbe potuto realizzare con un determinato cliente.
I matematici si procurarono le informazioni sulle vendite effettuate a livello mondiale da IBM in un certo numero di anni. Confrontarono i risultati con le quote di fatturato prefissate all’inizio di ciascun anno, valori calcolati per la maggior parte dai responsabili delle vendite nei vari distretti e negoziati insieme alle squadre dei venditori sulla base delle passate esperienze. Per individuare eventuali opportunità sfuggite a questi team, i ricercatori raccolsero dall’esterno i dati relativi agli acquisti di materiale informatico effettuati dai diversi settori industriali e misero in relazione quelle informazioni con i dati interni all’azienda. Poi utilizzarono una tecnica chiamata «stima del quantile superiore» – che cerca di prevedere, al posto di una media, un percentile molto elevato, diciamo il novantesimo, di una certa distribuzione – per stimare la spesa potenziale di ciascun cliente e calcolare quanta di quella domanda IBM avrebbe potuto soddisfare.
Armati delle previsioni sui volumi di attrezzature che IBM avrebbe potuto vendere ai suoi clienti, i matematici della Dietrich presero in esame le dimensioni e la composizione delle squadre di venditori focalizzati su ciascun referente e ne mise a confronto gli effettivi rendimenti con i massimali teorici calcolati. Alcune delle squadre erano talmente piccole che non avrebbero mai potuto fare fronte alla potenziale richiesta. Altre squadre erano invece inutilmente sovradimensionate. I matematici suggerirono dunque al reparto vendite di riassegnare il personale, togliendo i venditori meno produttivi dalle squadre troppo grandi e spostandoli sulle squadre che erano risultate troppo piccole. Le vendite ai clienti che erano stati assegnati a queste ultime aumentarono rapidamente.
Il progetto, durato due anni, si dimostrò estremamente fruttuoso per IBM. La contabilità centrale stabilì che grazie a questo progetto è stato realizzato un miliardo di dollari di fatturato aggiuntivo in tutto il 2008, anno successivo alla conclusione della ricerca. Lo afferma la Dietrich, cinquantenne, con un PhD alle spalle e il vago sospetto che il mondo funzionerebbe meglio se fosse governato dai matematici. Da allora, IBM ha incorporato i modelli di stima del quantile superiore nelle proprie attività di analisi della forza lavoro, servizio che offre anche ai clienti per aiutarli a prendere la decisione giusta in merito a problematiche relative alle risorse umane, come per esempio l’impiego più efficiente dei venditori.
Da questa esperienza l’azienda ha inoltre ricavato un ammaestramento più generale: che le novità introdotte dai suoi matematici rappresentano un valore per il quale altre imprese sarebbero disposte a pagare profumatamente. Lo scorso anno, la società ha costituito un nuovo importante gruppo di analisi e ottimizzazione aziendale nell’ambito degli IBM Global Business Services, il quale gruppo ha già formato quattromila consulenti. IBM spera in futuro di generare con l’analisi aziendale gli stessi volumi di fatturato sviluppati oggi con la cosiddetta «pianificazione delle risorse aziendali», che aiuta le aziende a coordinare la distribuzione delle loro risorse informatiche tra i vari dipartimenti. Questo tipo di servizio è una delle principali fonti di reddito nell’ambito del business dei servizi alle imprese, che ammonta a 17,7 miliardi di dollari e che, nell’arco degli ultimi dieci anni, è stato una delle aree di maggior crescita. I due gruppi si sono già bilanciati a vicenda: se la pianificazione delle risorse aziendali misura e riorganizza i processi di business, l’analisi punta a ottimizzarne il rendimento.
La Dietrich, che ha firmato tredici brevetti, pensa di essere in grado di creare con la sua squadra modelli che descrivono con precisione attività che si collocano ben oltre quello che viene normalmente considerato l’ambito della matematica. Per esempio, gli algoritmi di ottimizzazione stocastica, che integrano elementi di casualità invece di partire dal presupposto che tutti i valori debbano essere esatti, vengono utilizzati da decenni per aiutare le aziende manifatturiere e i mercati finanziari ad adeguarsi al mutare delle condizioni. Ma i matematici di IBM stanno applicando le stesse tecniche alla risoluzione dei problemi nel campo delle risorse umane e del marketing. Si servono di modelli matematici per aiutare l’azienda a trovare nuovi clienti e a indovinare il giusto mix di programmatori esperti e meno esperti da assegnare a importanti progetti di sviluppo del software. Stanno analizzando le informazioni per capire se per IBM valga la pena effettuare le sue campagne pubblicitarie su specifiche testate e in certi programmi televisivi, o partecipare a determinati eventi fieristici. «Siamo in grado di prevedere l’impatto sui fatturati di determinati programmi pubblicitari», afferma la Dietrich, anche se «non con la precisione che vorrei».
Anche se imprecise, secondo la Dietrich, queste tecniche analitiche possono essere utilissime a molte aziende che spesso a suo avviso non comprendono appieno i loro processi interni e i loro modelli di business. Studiare tutti i dati disponibili sulle vendite e la produzione può servire a mettere in luce i colli di bottiglia da rimuovere o a scoprire opportunità che possono sfuggire all’attenzione. Con la sua squadra, la Dietrich si trova a essere sempre più coinvolta in prima persona nelle relazioni con la clientela. Grazie alla sua reputazione di scienziata e capo di una équipe di ricercatori matematici, è stata, per esempio, invitata recentemente a tenere un discorso ai dirigenti di una grande azienda farmaceutica a proposito della possibilità che i modelli matematici servano a migliorare il processo di assegnamento dei fondi ai vari progetti di sviluppo di nuove molecole.
Attività del genere rappresentano una grossa variazione rispetto a ciò che i matematici erano abituati a fare in IBM. Un tempo costituivano un gruppo anomalo rispetto agli altri scienziati e ingegneri che lavoravano su tecnologie e applicazioni da trasformare in nuovi materiali semiconduttori, nuovi dispositivi di memoria o in macchine per il calcolo parallelo. A volte i matematici costruivano i modelli dei processi di produzione di IBM, ma generalmente venivano valutati soprattutto per il loro lavoro teorico e le pubblicazioni sulle riviste accademiche.
Le cose cominciarono a cambiare nei primi anni 1990, quando IBM si trovò a registrare imponenti perdite. Il consiglio di amministrazione estromise il management in carica e chiamò Louis Gerstner, allora a capo di RJR Nabisco, come nuovo amministratore delegato. Pur avendo intrapreso i passi necessari per frantumare la sclerotica burocrazia di IBM, Gerstner scelse di tenere l’azienda tutta d’un pezzo. Era convinto che la dimensione di IBM, che le consentiva di focalizzare le risorse sui grossi problemi delle grandi aziende e della pubblica amministrazione, fosse un valore importante, che avrebbe dovuto essere preservato.
Un’azione strategica di Garstner fu unificare ed estendere la divisone mondiale dei servizi. Paul Horn, che per una parte di quel periodo fu responsabile della ricerca IBM e che oggi è vice amministratore della ricerca alla New York University, si rese conto che in simili circostanze c’era il rischio che i laboratori fossero considerati un lusso troppo costoso. Con il potenziamento dei servizi, racconta, «se la ricerca non avesse dato i suoi frutti, si poteva ben immaginare che in futuro qualcuno avrebbe detto, “non c’è bisogno che siate tanto grandi”». Horn, che era un fisico, contribuì a convincere Gerstner che la divisione della ricerca di IBM poteva svolgere un ruolo importante nella sua strategia aiutando i clienti a risolvere i loro problemi. E iniziò a incoraggiare le migliaia di suoi ricercatori, tra cui molti matematici, a lavorare su progetti che potevano rivelarsi utili per il ramo servizi. La motivazione era molto semplice: «Sopravvivere».
Per i matematici il cambiamento fu del tutto naturale. Dietrich afferma che con i suoi colleghi aveva frequentemente lavorato sugli impianti produttivi della stessa IBM, in merito a problematiche di pianificazione e logistica, anche se normalmente i loro risultati venivano classificati come risorsa interna. E aveva incominciato anche a essere maggiormente coinvolta nella gestione degli affari correnti, in parte perché in questo modo poteva contare sui vasti insiemi di dati di cui aveva bisogno per i loro modelli. Storicamente l’ottimizzazione stocastica si era scontrata con i limiti dovuti alla quantità di potenza di elaborazione necessaria per affrontare calcoli a variabili multiple. Ma, grazie all’esplosione di questa potenza e all’avvento dei processori in parallelo, i ricercatori riuscirono a processare una quantità molto più grande di dati.
Il matematico di IBM Research, Baruch Schieber, ricorda di essersi recato un giorno a visitare un’acciaieria in Brasile e di avere scoperto che la calendarizzazione della produzione avveniva scrivendo tutto sulle lavagne. Pensò che i modelli matematici avrebbero migliorato la situazione. Il suo specifico interesse si focalizzava sulle questioni relative alla programmazione dei cicli di produzione per le diverse varietà di acciaio. Malgrado sia più economico pianificare cicli lunghi per ogni tipo di acciaio, talvolta la clientela richiede contemporaneamente la fornitura di diversi tipi di materiale e l’acciaieria è costretta a lavorare su cicli brevi. «La simulazione matematica riesce a quantificare cose che normalmente non vengono quantificate», come per esempio l’equilibrio tra costi e soddisfazione del cliente. Schieber scoprì che, all’inizio del periodo di durata di un contratto, le fonderie preferivano ottimizzare i loro calendari in funzione di una maggiore efficienza al costo più basso. Alla fine di quel periodo, quando ormai il contratto era prossimo alla scadenza, cercavano invece di concentrarsi maggiormente sul miglioramento della soddisfazione. Questioni del tutto analoghe emergono all’interno alle aziende di trasporto aereo. «Noi chiediamo ai manager: volete ridurre al minimo i costi degli equipaggi e del carburante, o volete massimizzare la soddisfazone dei vostri clienti?», precisa Schieber.
William Pulleyblank, che negli anni 1990 dirigeva il dipartimento di matematica di IBM, aveva esortato l’azienda a fare dell’analisi un vero e proprio business. «Parecchie società cercavano di fare la stessa cosa», ricorda. «Era una pura questione di prodotto, da confezionare e vendere». Tuttavia, aggiunge, divenne subito chiaro che IBM non sapeva bene come mettere sul mercato le capacità dei suoi matematici. Arrivò alla conclusione che molte delle necessità delle aziende erano talmente specifiche che progettare una soluzione software universale non sarebbe risultato vantaggioso economicamente, mentre un software progettato appositamente per determinati settori non avrebbe generato abbastanza richiesta. D’altra parte IBM non voleva che i suoi ricercatori diventassero dei consulenti. I matematici non volevano diventarlo e non erano stati preparati per relazionarsi direttamente con i clienti. «Mi resi conto che il vero problema non era la matematica», ammette Pulleyblank, che oggi è vicepresidente del gruppo che si occupa di analisi e ottimizzazione, «ma come fare buoni affari con la matematica».
La strada verso il business dell’analisi divenne più chiaro nel 2002, quando IBM versò 3,9 miliardi di dollari per rilevare il ramo consulenziale di PricewaterhouseCoopers. Ginni Rometty, che coordinò la cessione e oggi è a capo delle attività commerciali di IBM, ricorda ancora l’idea di Pulleyblank. Pensò che i consulenti PWC potessero ampliare l’offerta dei servizi IBM al di là dei normali aspetti dell’informatica: i suoi ricercatori potevano rivestire un ruolo esclusivo come fonte di un supporto da dare alla clientela in materia di marketing, risorse umane e logistica. Ogni autunno, quando le squadre dei venditori IBM iniziano a progettare le attività future, i consulenti individuano le problematiche più critiche che possono influire su determinati settori nei dodici mesi successivi. Se questi problemi appaiono in qualche modo connessi ad aspetti analitici, i consulenti chiamano l’équipe di analisi e ottimizzazione aziendale e si informano se IBM ha lavorato in passato su questioni dello stesso genere. In molti casi i problemi possono essere risolti adattando uno dei prodotti software già esistenti.
Se tali prodotti non possono servire, i consulenti si rivolgono alla Ricerca IBM per avere aiuto. Sanjeev Nagrath, responsabile globale di IBM per il supply chain management, la gestione della catena delle forniture, si è trovato in una situazione analoga lo scorso anno, quando i clienti hanno cominciato a chiedere come ridurre le emissioni di anidride carbonica. Per questo, racconta Nagrath, si sta lavorando con IBM Research sullo sviluppo di modelli settoriali in grado di affrontare questioni di sostenibilità ambientale. E due anni fa, con Dietrich, ha contribuito alla creazione a Pechino di un centro per l’innovazione della catena delle forniture. I matematici cinesi vi lavorano come componenti di una squadra che opera a contatto con le aziende, come per esempio il colosso cinese delle spedizioni Cosco. I ricercatori del centro di innovazione hanno supportato i consulenti IBM nel modellare le procedure interne di Cosco e hanno sviluppato un piano che riduce del 25 per cento i costi del carburante e del 15 per cento le emissioni di anidride carbonica. Tra le altre raccomandazioni, c’è anche quella di eliminare sessanta degli attuali cento centri di distribuzione.
Non tutti i clienti nutrono piena fiducia nel contributo dei matematici, come Schieber ha scoperto quando ha creato un modello che avrebbe potuto essere utilizzato per riprogrammare il traffico marittimo nel caso in cui le forniture fossero state bloccate dal maltempo. A suo parere il modello era molto più efficace dei programmatori umani nel modificare gli spostamenti e la velocità delle flotte al fine di minimizzare le interruzioni di servizio e i costi del carburante. Ma il cliente non era soddisfatto. «Era una scatola nera», racconta. «Lo spedizioniere mi diceva che lì risiedeva il loro margine competitivo. Volevano poterlo gestire meglio». Alla fine l’azienda implementò il modello dopo che IBM lo ebbe riprogettato in modo che non fosse un sistema completamente automatico, ma un supporto tecnico che gli addetti allo smistamento potevano consultare.
Secondo alcuni uomini d’affari, molte decisioni si prendono meglio in base al puro istinto basato su anni di esperienza. Temono che una eccessiva dipendenza dagli strumenti analitici renda i responsabili commerciali troppo indecisi nel momento in cui non dispongano di una massa di informazioni. E un pubblico affetto da una forma di fobia nei confronti della matematica nutre il sospetto che la pianificazione basata sull’analisi dell’informazione finisca per tagliare sui costi a spese dei consumatori. I ricercatori IBM puntano il dito sulle proteste registrate negli Stati Uniti contro la raccomandazione di ritardare fino ai cinquant’anni la prescrizione alle donne di una mammografia annuale, in base alla constatazione che il test non dà vantaggi statisticamente rilevabili in donne di età più giovane.
Ma la preoccupazione della Dietrich è che le aziende non riescano ad analizzare i petabyte di dati che vengono raccolti. Nell’incontro con un’azienda farmaceutica in merito alle strategie di gestione del suo portafoglio di molecole, per esempio, i dirigenti le spiegarono come la spesa venisse ripartita in base alle loro stime di probabilità di successo dei vari progetti. «Domandai se avessero mai verificato se e in che misura le loro stime corrispondessero ai risultati», dice. «Non l’avevano mai fatto».
La Dietrich e i suoi ricercatori stanno ora lavorando alla riscrittura degli algoritmi di ottimizzazione, per poter trarre vantaggio dai nuovi computer paralleli. I vecchi programmi erano stati scritti in modo da ridurre al minimo le istruzioni necessarie. Ma oggi che migliaia di processori sono in grado di macinare enormi quantitativi di dati, «il problema consiste nel ridurre il tempo di esecuzione». Quando il team avrà finito il suo lavoro, i programmi di ottimizzazione verranno resi disponibili alle aziende che dispongono di volumi di informazione troppo estesi per poter essere analizzate con software single thread.
I problemi più interessanti che secondo i matematici dovranno essere affrontati in futuro riguardano le situazioni in cui un modello dovrà integrare quelle modifiche nei comportamenti che erano state suggeriti dal modello stesso. Per esempio, sostiene la Dietrich, un sistema per la gestione delle congestioni del traffico potrebbe servirsi dei messaggi inviati ai navigatori GPS per guidare gli automobilisti lontano dal luogo di un incidente. Ma il modello dovrà anche essere in grado di calcolare il numero di persone che accetteranno tali suggerimenti, per evitare che si venga a creare un nuovo ingorgo su una delle strade alternative. La Dietrich afferma che la comprensione dei meccanismi in base ai quali i sistemi si modificano dopo che l’essere umano ha reagito a una serie di incentivi, è una delle grandi sfide della modellistica matematica.
Ovviamente non sarà mai facile prevedere accuratamente quello che le persone, o le aziende, faranno in futuro. Ma, grazie alle loro intuizioni di matematici e all’accesso all’enorme potenza di calcolo di cui IBM dispone, la Dietrich e i suoi colleghi stanno diventando sempre più bravi. E oggi le altre aziende sono disposte a pagare per questo.
