Daniela Saban es Licenciada en Ciencias de la Computación de Exactas-UBA y Doctora en Decisión, Riesgo y Operaciones de la Escuela de Negocios de Columbia.

Reside hace quince años en Estados Unidos. Actualmente es profesora asociada e investigadora de operaciones, información y tecnología en la Escuela de Posgrado de Negocios de la Universidad de Stanford. Allí dicta asignaturas de optimización y simulación, programación dinámica y diseño de mercados.

Antes de incorporarse a esa casa de estudios, pasó un semestre como profesora visitante en el Instituto Simons de Teoría de la Computación de la Universidad de California, Berkeley.

Sus intereses de investigación abarcan temas relacionados con el diseño y la optimización de operaciones de mercados online, incluyendo mercados de emparejamiento y plataformas de compras virtuales. Su trabajo de investigación ha sido distinguido con varios premios, incluyendo el Premio MSOM Young Scholar, que reconoce a jóvenes investigadores excepcionales. Y es editora asociada de destacadas publicaciones científicas en investigación operativa.

En esta conversación con el boletín Conectados, Daniela nos cuenta sobre su tarea de enseñar en el ámbito de un reconocido posgrado de negocios y cómo la investigación operativa permite construir algoritmos más justos para una diversidad de aplicaciones.

¿Por qué decidiste estudiar Computación?

El interés fue gradual, surgió de a poco, porque hice el secundario polimodal en la provincia de Buenos Aires. En los últimos años tenía que elegir orientación, y elegí ciencias, que en ese momento fundamentalmente eran física, química y biología.

La verdad que me encantaba ir al laboratorio. De alguna forma tenía claro que iba a terminar en una de las carreras de Exactas, pero antes de empezar la carrera usaba la computadora como cualquier adolescente, no sabía programar ni nada parecido. De a poco empecé a investigar sobre Computación en Exactas, de qué se trataba el plan de estudios, el tipo de salida laboral y también influyó que los padres de mi mejor amiga son graduados de la carrera. Al final, la propuesta me pareció interesante y atractiva.

¿Qué recuerdos atesorás de tu cursada en Exactas?

La recuerdo como una gran etapa, con muchísimo cariño. No sólo desde lo académico y todo lo que me dio la carrera, sino también desde el aspecto social. El hecho de salir del trabajo cansada e ir a cursar a la noche, pero antes de eso llegar y tomar la merienda y jugar al metegol con compañeros y compartir recreos en grupo. Y volver cansada a mi casa de cursar de noche y al otro día ir a trabajar. Y así era el día a día. Fue un esfuerzo que valió muchísimo la pena.

Tuve compañeros de ese momento que luego fueron muy amigos, algunos también viven ahora en Estados Unidos, ya que hay varios de Exactas, y me sigo juntando a cenar o, a los que están en otra ciudad, los visito cuando viajo.

¿Cuáles fueron los temas o áreas de la carrera que, de alguna forma, te abrieron más la cabeza e impactaron en lo que estás trabajando hoy en día?

Primero me gustaban más todas las materias de Algoritmos y Estructuras de Datos (Algo 1, 2 y 3), pero cuando decidí cursar como optativa Optimización No Lineal, me encantó, y finalmente la materia Investigación Operativa me incentivó a dedicarme a la carrera académica. Mis mentores fueron Flavia Bonomo, profesora, investigadora y directora de mi tesis de licenciatura; Javier Marenco, profesor e investigador; y Guillermo Durán, quien en ese momento dirigía el grupo de investigación y es actual decano de la facultad. En ese grupo tuve una beca de estudiante e investigábamos cómo hacer optimización combinatoria en temas de grafos y cómo pensar en hacer algoritmos más eficientes de branch and cut, un tipo de algoritmo de optimización utilizado para resolver problemas de programación entera.

De hecho, una parte de los mercados que estudio actualmente son mercados de emparejamiento (matching) y básicamente mis estudios están basados en optimización combinatoria y programación dinámica.

¿Cómo fue tu decisión de emigrar a Estados Unidos para hacer tu doctorado y qué balance podés hacer de la elección de radicarte allí?

Me interesaba la experiencia de estar en el exterior, relacionarme con otras personas y especializarme cada vez más. Mi codirector de tesis era Nicolás Stier (graduado de la carrera y actual director científico de Meta), quien ya en ese momento (año 2010) estaba en Estados Unidos. Su experiencia fue una referencia concreta y pude aplicar a los programas de doctorado tanto en Estados Unidos como en Canadá. Me hicieron ofertas de varias universidades y me postulé a la Universidad de Columbia que es una gran universidad de Nueva York, y el tipo de investigaciones que se desarrollaban allí estaban relacionadas fundamentalmente a mercados. Allí me aceptaron y, de hecho, mi doctorado se orientó a investigación operativa y optimización en el diseño de mecanismos para licitaciones de productos.

Después de finalizar mi doctorado en 2015, concursé en el cargo de profesora en la Escuela de Negocios de Stanford, y me radiqué definitivamente en California. Si bien me sorprendió lo intensivo que es el ritmo de los estudios de posgrado acá, y la cantidad de tareas semanales que hay (aparte de los exámenes), pude adaptarme sin problemas. En el doctorado son cursos de entre 15 a 20 estudiantes e interactuamos con alumnos de todo el mundo, el aspecto multicultural es muy enriquecedor.

La relación entre computación, economía y negocios no suele ser tan común entre los diversos tópicos que se estudian e investigan en Exactas. Se pueden mencionar las materias “Teoría de juegos” y “Simulación de sistemas complejos y eventos discretos”, como posibles acercamientos a estos temas. No obstante, al orientar tus estudios en el exterior descubriste un área con muchísimo potencial para trabajar.

No fue algo que desarrollé en la carrera de grado ni tuve mucha exposición a estos temas, pero sí en el doctorado me embarqué de lleno. Una de las cosas que facilitan estos cruces es que acá normalmente las universidades tienen un campus donde todas las disciplinas están en un mismo lugar. Si sos un alumno de computación y querés tomar una materia en economía caminás cinco minutos y ya estás en ese curso (no tendrías que irte a la Facultad de Económicas como usualmente pasaría en la UBA) y lo mismo para un estudiante de economía que quiere tomar cursos de computación.

Al mismo tiempo, los estudiantes de posgrado vienen de las ramas de economía, computación, de diferentes ingenierías e incluso he tenido estudiantes de medicina. Cabe recalcar que aquí la investigación operativa es una disciplina aparte que tiene su departamento dentro de la escuela de ingeniería y también en la escuela de negocios (no es una subdisciplina de computación o ingeniería industrial como en la UBA). Y en este abordaje está toda la parte más ingenieril de logística, cadena de suministros y la parte de la escuela de negocios que trata de entender cómo las personas toman decisiones y cómo eso afecta nuestros problemas de optimización.

Hoy gran parte de mi trabajo consiste en diseño de algoritmos para operar en mercados y optimización de tiempo real para plataformas virtuales.

En cuanto a tus proyectos de investigación, se puede apreciar la variedad de aplicaciones reales en las que se busca optimizar algoritmos: desde una app de citas hasta trabajo voluntario en ONGs y licitaciones para compras públicas. Te propongo que hablemos del primer proyecto, la app de citas.

Durante muchos años trabajé en la búsqueda de coincidencias (matching) de mercados de forma más amplia, y siempre quise hacer algo orientado a las aplicaciones virtuales. Me fascinaba el dominio de las citas online, pasé horas hablando de ellas con mis amigos, ayudándolos a crear perfiles y a que les guste o no la gente, y también tratando de entender cuál es la probabilidad de que des un “like” cuando ves a un usuario particular.

Comprender mejor cómo funcionan estas plataformas en función de las interacciones de los usuarios fue gran parte de la investigación de una de las apps referentes en Estados Unidos. Y el problema a resolver fue intentar conseguir el mayor número de coincidencias (matching) posible.

Por supuesto, comprender mejor las preferencias y los gustos de las personas fue lo primero, pero luego intentamos incorporar otros aspectos: su nivel de actividad, la cantidad de veces que inician sesión y su interacción con la aplicación. Cuestiones que claramente no son determinísticas. Además, analizamos cómo la experiencia reciente de usuarios en la aplicación afecta su comportamiento. Descubrimos que la cantidad de coincidencias recientes influye en el comportamiento de «me gusta». En particular, la cantidad de coincidencias tiene un efecto negativo en dicho comportamiento. Esto significa que, si compartís el mismo perfil y no has tenido ninguna coincidencia recientemente, es más probable que te guste ese usuario que si hubieras tenido mucho éxito recientemente.

Una vez que comprendimos cómo se comporta la gente, creamos un algoritmo para intentar resolver este problema. Cambiamos principalmente tres aspectos del algoritmo; uno de ellos fue que creamos mejores estimaciones de las preferencias de la gente o mejores formas de predecir el hecho de que si te muestro un perfil, te gustará o no.

También intentamos optimizarlo, teniendo en cuenta que las personas necesitan clickear «me gusta» mutuamente para que haya un match. Así que, en lugar de intentar maximizar la cantidad de «me gusta» o simplemente mostrar gente que te gusta, tuvimos que considerar que las personas necesitan corresponder a tu «me gusta» para mantener una interacción a largo plazo con vos como usuario.

El tercer aspecto que intentamos incorporar en nuestro algoritmo fue la idea de la actividad y el comportamiento del usuario basados ​​en la experiencia. Intentamos comprender la frecuencia con la que las personas inician sesión e interactúan con la aplicación, pero también cómo la cantidad de coincidencias previas afectaba su comportamiento. Incorporamos todo esto a nuestro algoritmo y para testearlo realizamos tanto simulaciones como experimentos empíricos en diferentes regiones del país.

Pudimos observar que nuestro algoritmo aumentó el número de coincidencias en un 27 % en Houston y en más del 37 % en Austin.

Es muy interesante cómo este rediseño de los algoritmos puede hacer más equitativos los intercambios, la noción de equidad algorítmica. ¿Cómo se aplicaría al caso de las ONGs y de las plataformas de licitaciones en las que trabajaste?

También me gusta más trabajar con plataformas que tengan algún tipo de impacto social y poder transferir ese conocimiento, quizás esto es algo heredado de la UBA, pero es una tarea súper interesante.

Ahora estoy trabajando con Feeding America, una ONG muy grande de donaciones de alimentos y una de las cosas que estamos encarando es el diseño del algoritmo que usan cuando les llega una donación de comida, determinar a qué banco de alimentos se lo asignan.

La cuestión problemática es que si se lo asignas siempre al más grande o al que más chances tiene de distribuirlo, por un lado sabés que esa comida se va a usar y no a desperdiciarse, pero realmente no es muy justo con los bancos de alimentos más pequeños. Entonces estamos ajustando el algoritmo para que sea más equitativo.

A su vez, trabajé con VolunteerMatch, una plataforma que sería como un mercado online de trabajo pero orientado a las ONGs que necesitan voluntarios. En este momento el sitio tiene 100 mil oportunidades de trabajo y más de 1 millón y medio de visualizaciones por mes.

El problema es que algunas organizaciones recibían muchos voluntarios, y eso era negativo porque estas organizaciones son sin fines de lucro: normalmente no tienen suficiente personal, por lo que no pueden evaluar a cincuenta voluntarios o más, ya que están sobrecargadas. Y eso significaba que muchas de estas solicitudes de voluntariado también quedaban sin respuesta. Por lo tanto, existía una especie de desajuste entre la demanda de empleos de voluntariado y la oferta de voluntarios.

Allí fue cuando recomendamos cambiar el funcionamiento del algoritmo de búsqueda para tener en cuenta que si una oportunidad ya contaba con diez inscripciones, quizás no fuera necesario que siguiera mostrándose en la parte superior de la plataforma, donde la gente seguiría ofreciéndose como voluntaria.

Y eso marcó una diferencia porque descubrimos que el número de oportunidades de voluntariado que consiguieron al menos una inscripción aumentó entre un 8 % y un 9 % sin afectar significativamente el número total de inscripciones del sistema. Nuevamente validamos estos resultados con experimentos en diferentes regiones del país y VolunteerMatch aplicó el cambio del algoritmo a nivel nacional.

Por último, sobre el otro proyecto que me consultaste, trabajamos junto a mis coautores de la Universidad de Chile (Gabriel Weintraub y Marcelo Olivares) en la desafiante implementación del nuevo modelo de Convenios Marco de la Dirección ChileCompra, apoyando la incorporación de competitividad, disminución de precios y eficiencia en las licitaciones de Convenios Marco, mediante la transformación de la tienda electrónica en un catálogo de bienes y servicios altamente estandarizados y de uso frecuente y transversal por parte de los organismos del Estado. Todo ello se hizo con técnicas intensivas de ciencia de datos y diseño de mercados, generando importantes ahorros para el Estado de Chile. Este proyecto nos valió un reconocimiento internacional, el de la conferencia INFORMS, la más importante del área.

Realmente estos algoritmos mejoran las plataformas y también en muchos casos impactan en políticas públicas

Desde ya, cuando se trata de recursos y oportunidades muy diferentes, estos algoritmos logran emparejamientos más justos. Es la noción de “equidad algorítmica” que venimos comentando anteriormente.

Por último, quería consultarte sobre tu visión relativa a la escasez de mujeres en carreras STEM, particularmente en Computación, y la necesidad de alentar a que más mujeres se inclinen por las carreras de ciencia.

Sinceramente no hablo de cosas que no sé, porque hay gente idónea que se dedica a estudiar muy seriamente estas problemáticas.

Más allá de que es muy necesario corregir esta brecha, te puedo contar mi experiencia personal. Una cosa que creo que ayudó mucho fue que en Computación en Exactas muchas de las materias que a mí realmente me encantaron eran dictadas por mujeres que tenían cargos muy altos: en Investigación operativa la tuve a Irene Loiseau, en Métodos numéricos estaban Isabel Méndez Díaz y Paula Zabala y en la dirección de mi tesis Flavia Bonomo, quien fue excelente.

Es completamente cierto que había pocas compañeras mujeres cuando yo estudiaba en Exactas, pero el hecho de que había mujeres profesoras e investigadoras en las materias que a mí más me gustaron -en este caso podemos hablar de correlación, de causalidad, de lo que quieras- para mí fue perfecto porque nunca sentí que Computación fuera una carrera de hombres y de alguna forma eso impactó positivamente en mi vocación.