Алгоритмы
из запасников

Чтобы представить себе будущее бизнеса, стоит внимательно изучить далекое прошлое математики и провести его ревизию. Благодаря развитию вычислительной математики и техники день ото дня научные расчеты выполняются все быстрее и дешевле. Уравнения, которые еще вчера казались нерешаемыми, становятся основой для будущих прорывов. То же самое и в компаниях: некоторые формулы прежде невозможно было применять из-за сложности вычислений, а теперь их извлекают из запыленных архивов и с их помощью создают новые продукты и формируют бизнес-процессы.

Procter & Gamble реструктурирует свою систему закупок, используя алгоритм комплексного «экспрессивного предложения», основанный на уравнениях линейного программирования 1950-х годов. Вместо традиционных заявок по стандартным лотам теперь участники конкурсов в онлайновом режиме подают на конкурс предложения, выбирая сочетания товаров и услуг, удобные им самим. Другой пример: поисковая система Google ранжирует веб-страницы по количеству ссылок на них с других сайтов. Для этого используется теорема о матрице, доказанная 100 лет назад. Довольно простые методы матричного счисления могут моделировать сети, такие как всемирная паутина, и ранжировать степень связанности узлов между собою. Так формула автоматического ранжирования, которую можно понять и оценить вовсе не будучи доктором наук, стала одним из самых прибыльных алгоритмов. Этот математический аппарат просто дождался своего часа.

Какую пользу мы можем извлечь сегодня из наработок прошлого, многие из которых когда-то представлялись чисто теоретическими? Поскольку раньше в арсенале исследований не было быстродействующих компьютеров и широкополосных каналов доступа к сети, вычисления требовали изощренных творческих подходов. Теперь же эти выкладки могут воплотиться в прикладное программное обеспечение, которое позволит устранить недостатки в операционной деятельности компаний. Возможностей для прорывов много.

«Исследования операционной деятельности компаний — это целый кладезь, неиссякаемый источник ярких идей, — говорит профессор Массачусетского технологического института Ричард Ларсон, первопроходец в области вероятностного моделирования. — Если дать 20 студентам магистратуры задание проштудировать публикации за последние 30 лет, обнаружатся забытые идеи, которые могут принести миллиарды долларов.

Возьмем, к примеру, алгоритм анализа статистики очередей. Ларсон с коллегами разработал его еще в начале 1990-х, чтобы оптимизировать работу банкоматов, но более широкого распространения алгоритм не получил. Теперь, когда компании стараются автоматизировать взаимодействие с потребителями, он идеально подойдет для мониторинга качества выполнения повторяющихся операций.

Иногда полезные уравнения можно найти в совершенно далекой области. Посмотрим на математические расчеты, определяющие оптимальное время охлаждения плотно спрессованных веществ для их кристаллизации. Британская розничная сеть Tesco с помощью алгоритма «модельной закалки» создает программное обеспечение, позволяющее рассчитать оптимальное размещение товаров на полках магазинов. Или возьмем основанные на дарвиновских принципах приспособляемости и наследственности генетические алгоритмы, которые появились в 1970-х. Поначалу все воспринимали их как только интеллектуальное упражнение, а сейчас Nokia и другие компании разрабатывают продукты на базе этого математического аппарата. К примеру, создавая новую модель, Nokia применяет генетические алгоритмы для выбора оптимального дизайна антенны, соответствующего форме этого телефона и мощности аккумулятора. Генетические, или эволюционирующие алгоритмы, зачастую дают лучшие результаты, чем аналитические. Новые подходы, но результаты будут не хуже, если просто научить менеджеров при принятии решений пользоваться количественными инструментами. Профессор Стэнфордского университета Сэм Сэвидж считает, что, если миллионы электронных таблиц, которые создаются в бизнесе, подвергнуть тесту на устойчивость их ключевых допущений по методу Монте-Карло с использованием генератора случайных чисел, это пойдет на пользу каждой компании. Сэвидж говорит, что для повышения надежности индивидуальных бизнес-планов руководителям стоило бы внедрить системы оценки вероятности.

Эти научные инструменты исследований лишь недавно стали повседневно применяться в таких областях, как проектирование и финансовые услуги. Чем быстрее компания освоит эти методы, тем сильнее она опередит своих конкурентов, действующих по старинке. Простые алгоритмы — как дешевая рабочая сила и дешевый капитал: при грамотном использовании они могут стать ценным ресурсом.

Считается, что лучшие средства аналитики — у сетей розничных магазинов Wal-Mart и Best Buy. Но эти компании не просто нанимают лучших математиков, они открывают другим сотрудникам доступ к количественным инструментам анализа. Вместо сложных уравнений они используют наглядную визуализацию и экранное представление данных. Алгоритмы позволяют справиться с одной из главных проблем розничных сетей: как эффективно обрабатывать горы собираемой информации.

Даже простые математические методы, если их использовать с умом, принесут выгоду, помогут продвинуться вперед и сделать процесс более эффективным. Десять лет назад компании начали осознавать, что у них накопился целый ворох нереализованных патентов и ноу-хау, которые можно было бы продать. Чтобы оценить стоимость этих «Рембрандтов с чердака» (как назвали забытые патенты Кевин Ривет и Дэвид Клайн в одноименной книге, опубликованной в 2000 году), потребовалось привлечь специалистов по интеллектуальной собственности. И теперь посредникам в области аналитических и математических методов предстоит отобрать из существующего математического аппарата те формулы, которые послужат платформой для решения самых неотложных задач бизнеса.