ABOUT THE SPEAKER
Mallory Freeman - Data activist
UPS's advanced analytics manager Mallory Freeman researches how to do the most good with data.

Why you should listen

Dr. Mallory Freeman is the Lead Data Scientist in the UPS Advanced Technology Group, working on research and development projects for UPS’s smart logistics network. She serves on the advisory board of Neighborhood Nexus, supporting data-driven insights for the greater Atlanta region.

Freeman earned her Ph.D. in industrial engineering from the Georgia Institute of Technology in 2014. Her thesis explored how to measure and improve humanitarian operations in practical ways -- with a special focus on the use of algorithms. While she was in graduate school, she helped lead supply chain optimization projects for the UN World Food Programme. 

Freeman earned her Master's in operations research from MIT and her Bachelor's in industrial and systems engineering from Virginia Tech. In her spare time, she enjoys cooking, travelling and volunteering her data skills.

More profile about the speaker
Mallory Freeman | Speaker | TED.com
TED@UPS

Mallory Freeman: Your company's data could help end world hunger

Mallory Soldner: Dane twojej firmy mogą skończyć głód na świecie

Filmed:
1,090,373 views

Nawet jeśli twoja firma dotuje pomoc humanitarną, wciąż może mieć coś bardziej wartościowego - dane. Mallory Soldner pokazuje, jak sektor prywatny może pomóc dokonać prawdziwego postępu w dużych problemach - od kryzysu uchodźców do głodu na świecie - przekazując niewykorzystane dane i ekspertów decyzyjnych. A jak mogłaby pomóc twoja firma?
- Data activist
UPS's advanced analytics manager Mallory Freeman researches how to do the most good with data. Full bio

Double-click the English transcript below to play the video.

00:12
JuneCzerwca 2010.
0
880
1760
Czerwiec 2010 roku.
00:15
I landedwylądował for the first time
in RomeRome, ItalyWłochy.
1
3760
2880
Po raz pierwszy trafiłam do Rzymu.
00:19
I wasn'tnie było there to sightseezwiedzać.
2
7800
1896
Nie pojechałam zwiedzać.
00:21
I was there to solverozwiązać worldświat hungergłód.
3
9720
3120
Pojechałam rozwiązać
problem głodu na świecie.
00:25
(LaughterŚmiech)
4
13160
2096
(Śmiech)
00:27
That's right.
5
15280
1216
To prawda.
00:28
I was a 25-year-old-roczny PhDPhD studentstudent
6
16520
2096
Byłam 25-letnim doktorantem,
00:30
armedzbrojnych with a prototypeprototyp toolnarzędzie
developedrozwinięty back at my universityUniwersytet,
7
18640
3096
uzbrojonym w prototypowe narzędzie
stworzone na moim uniwersytecie
00:33
and I was going to help
the WorldŚwiat FoodJedzenie ProgrammeProgram fixnaprawić hungergłód.
8
21760
3080
i miałam pomóc w walce z głodem
Programowi Żywnościowemu ONZ.
00:37
So I strodewielkimi krokami into the headquartersgłówna siedziba buildingbudynek
9
25840
2736
Weszłam do budynku centrali Programu.
00:40
and my eyesoczy scannedzeskanowany the rowrząd of UNONZ flagsflagi,
10
28600
2816
Moje oczy przeleciały przez rząd flag ONZ.
00:43
and I smileduśmiechnął się as I thought to myselfsiebie,
11
31440
1960
Uśmiechnęłam się i pomyślałam,
00:46
"The engineerinżynier is here."
12
34840
1616
"Inżynier przybył!".
00:48
(LaughterŚmiech)
13
36480
2216
(Śmiech)
00:50
Give me your datadane.
14
38720
1776
"Dawajcie dane,
00:52
I'm going to optimizebyć optymistą everything.
15
40520
2176
wszystko zoptymalizuję!".
00:54
(LaughterŚmiech)
16
42720
1736
(Śmiech)
00:56
Tell me the foodjedzenie that you've purchasedzakupione,
17
44480
1896
Powiedz mi, jakie jedzenie kupujesz,
00:58
tell me where it's going
and when it needswymagania to be there,
18
46400
2616
dokąd i kiedy ma dotrzeć,
01:01
and I'm going to tell you
the shortestmożliwie najkrótszym, fastestnajszybszy, cheapestnajtańsze,
19
49040
2736
a podam ci najkrótszą,
najszybszą i najtańszą...
01:03
bestNajlepiej setzestaw of routestrasy to take for the foodjedzenie.
20
51800
1936
najlepszą drogę.
01:05
We're going to savezapisać moneypieniądze,
21
53760
1496
Zaoszczędzimy pieniądze,
01:07
we're going to avoiduniknąć
delaysopóźnienia and disruptionszakłócenia,
22
55280
2096
unikniemy opóźnień i utrudnień,
01:09
and bottomDolny linelinia,
we're going to savezapisać liveszyje.
23
57400
2736
a, co najważniejsze, ochronimy wiele żyć.
01:12
You're welcomeWitamy.
24
60160
1216
Zapraszam!
01:13
(LaughterŚmiech)
25
61400
1696
(Śmiech)
01:15
I thought it was going to take 12 monthsmiesiące,
26
63120
1976
Sądziłam, że zajmie mi to 12 miesięcy.
01:17
OK, maybe even 13.
27
65120
1560
No, może 13.
01:19
This is not quitecałkiem how it pannedzjechany out.
28
67800
2280
Nie do końca tak to się ułożyło.
01:23
Just a couplepara of monthsmiesiące into the projectprojekt,
my FrenchFrancuski bossszef, he told me,
29
71600
3776
Po kilku miesiącach pracy
mój francuski szef powiedział,
01:27
"You know, MalloryMallory,
30
75400
1816
"Wiesz, Mallory,
01:29
it's a good ideapomysł,
31
77240
1656
to dobry pomysł,
01:30
but the datadane you need
for your algorithmsalgorytmy is not there.
32
78920
3336
ale nie ma danych potrzebnych
do twojego alogrytmu.
01:34
It's the right ideapomysł but at the wrongźle time,
33
82280
2536
To dobry pomysł, ale w złym czasie,
01:36
and the right ideapomysł at the wrongźle time
34
84840
2296
a dobry pomysł w złym czasie,
01:39
is the wrongźle ideapomysł."
35
87160
1376
to zły pomysł".
01:40
(LaughterŚmiech)
36
88560
1320
(Śmiech)
01:42
ProjectProjektu over.
37
90960
1280
Projekt skończony.
01:45
I was crushedzgnieciony.
38
93120
1200
Zostałam zmiażdzona.
01:49
When I look back now
39
97000
1456
Gdy patrzę na to teraz,
01:50
on that first summerlato in RomeRome
40
98480
1656
na te pierwsze wakacje w Rzymie,
01:52
and I see how much has changedzmienione
over the pastprzeszłość sixsześć yearslat,
41
100160
2656
widzę, ile zmieniło się
przez ostanie sześć lat.
01:54
it is an absoluteabsolutny transformationtransformacja.
42
102840
2240
To całkowita transformacja...
01:57
It's a comingprzyjście of agewiek for bringingprzynoszący datadane
into the humanitarianhumanitarny worldświat.
43
105640
3400
Zbliżamy się do wejścia danych
w świat humanitarny.
02:02
It's excitingekscytujący. It's inspiringinspirujący.
44
110160
2656
To ekscytujące i inspirujące.
02:04
But we're not there yetjeszcze.
45
112840
1200
Ale wciąż nas tam nie ma.
02:07
And bracenawias klamrowy yourselfsiebie, executiveskierownictwo,
46
115320
2296
Uważajcie, kierownicy.
02:09
because I'm going to be puttingwprowadzenie companiesfirmy
47
117640
1976
Mam zamiar ruszyć firmy,
02:11
on the hotgorąco seatsiedzenie to stepkrok up
and playgrać the rolerola that I know they can.
48
119640
3120
aby przyspieszyły i grały rolę,
której mogą sprostać.
02:17
My experienceswzruszenie religijne back in RomeRome proveokazać się
49
125520
2816
Moje rzymskie doświadczenie udowadnia,
02:20
usingza pomocą datadane you can savezapisać liveszyje.
50
128360
2080
że użycie danych może chronić życie.
02:23
OK, not that first attemptpróba,
51
131440
2456
OK, nie za pierwszym razem,
02:25
but eventuallyostatecznie we got there.
52
133920
2576
ale w końcu do tego doszliśmy.
02:28
Let me paintfarba the pictureobrazek for you.
53
136520
1736
Pozwólcie mi to zademonstrować.
02:30
ImagineWyobraź sobie that you have to planplan
breakfastśniadanie, lunchlunch and dinnerobiad
54
138280
2736
Pomyślcie, że planujecie
śniadanie, obiad i kolację.
02:33
for 500,000 people,
55
141040
1616
Na pół miliona ludzi.
02:34
and you only have
a certainpewny budgetbudżet to do it,
56
142680
2136
Macie w tym celu określony budżet,
02:36
say 6.5 millionmilion dollarsdolarów perza monthmiesiąc.
57
144840
2240
powiedzmy 6,5 miliona dolarów miesięcznie.
02:40
Well, what should you do?
What's the bestNajlepiej way to handleuchwyt it?
58
148920
2762
Co powinniśmy zrobić?
Jaka jest najlepsza recepta?
02:44
Should you buykupować riceRyż, wheatpszenica, chickpeaCiecierzyca pospolita, oilolej?
59
152280
2760
Mamy kupować ryż, zboża, groch, olej?
02:47
How much?
60
155760
1216
Ile?
02:49
It soundsDźwięki simpleprosty. It's not.
61
157000
2136
Wygląda na proste, ale takie nie jest.
02:51
You have 30 possiblemożliwy foodsżywność,
and you have to pickwybierać fivepięć of them.
62
159160
3216
Masz 30 możliwości, musisz wybrać pięć.
02:54
That's alreadyjuż over 140,000
differentróżne combinationskombinacje.
63
162400
3416
To daje nam już 140 000 kombinacji.
02:57
Then for eachkażdy foodjedzenie that you pickwybierać,
64
165840
1696
Dla każdej wybranej możliwości
02:59
you need to decidedecydować się how much you'llTy będziesz buykupować,
65
167560
1976
musisz określić, ile kupisz,
03:01
where you're going to get it from,
66
169560
1696
skąd to weźmiesz,
03:03
where you're going to storesklep it,
67
171280
1480
gdzie to przechować
i ile zajmie dotarcie jedzenia na miejsce.
03:05
how long it's going to take to get there.
68
173760
1976
03:07
You need to look at all of the differentróżne
transportationtransport routestrasy as well.
69
175760
3336
Musisz patrzeć także
na różne sposoby transportu.
03:11
And that's alreadyjuż
over 900 millionmilion optionsopcje.
70
179120
2080
To daje nam już 900 milionów opcji.
03:14
If you considereduważane eachkażdy optionopcja
for a singlepojedynczy seconddruga,
71
182120
2376
Jeśli każdą z tych opcji
rozważysz przez sekundę,
03:16
that would take you
over 28 yearslat to get throughprzez.
72
184520
2336
znajdziesz się 28 lat później.
03:18
900 millionmilion optionsopcje.
73
186880
1520
900 milionów opcji.
03:21
So we createdstworzony a toolnarzędzie
that alloweddozwolony decisionmakersdecisionmakers
74
189160
2456
Stworzyliśmy narzędzie,
które pozwala urzędnikom
03:23
to weedchwastów throughprzez all 900 millionmilion optionsopcje
75
191640
2616
na przebranie wszystkich opcji
03:26
in just a mattermateria of daysdni.
76
194280
1360
zaledwie w parę dni.
03:28
It turnedobrócony out to be incrediblyniewiarygodnie successfuludany.
77
196560
2240
Okazało się, że mamy niesamowite sukcesy.
03:31
In an operationoperacja in IraqIrak,
78
199400
1256
Podczas operacji w Iraku
03:32
we savedzapisane 17 percentprocent of the costskoszty,
79
200680
2536
zaoszczędziliśmy 17 procent kosztów,
03:35
and this meantOznaczało that you had the abilityzdolność
to feedkarmić an additionaldodatkowe 80,000 people.
80
203240
4136
czyli mieliśmy możliwość
nakarmienia dodatkowo 80 000 ludzi.
03:39
It's all thanksdzięki to the use of datadane
and modelingmodelowanie complexzłożony systemssystemy.
81
207400
4400
To wszystko dzięki użyciu danych
i kompleksowemu modelowi komputerowemu.
03:44
But we didn't do it alonesam.
82
212800
1280
Nie zrobiliśmy tego sami.
03:46
The unitjednostka that I workedpracował with in RomeRome,
they were uniquewyjątkowy.
83
214840
2736
Zespół, z którym pracowałam
w Rzymie, był unikatowy.
03:49
They believeduwierzyli in collaborationwspółpraca.
84
217600
1736
Wierzyli we współpracę.
Zjednali sobie środowisko uniwersyteckie.
03:51
They broughtprzyniósł in the academicakademicki worldświat.
85
219360
1696
03:53
They broughtprzyniósł in companiesfirmy.
86
221080
1280
Zjednali sobie firmy.
03:55
And if we really want to make bigduży changeszmiany
in bigduży problemsproblemy like worldświat hungergłód,
87
223200
3616
Jeśli naprawdę chcemy dużej zmiany
ogromnych problemów, takich jak głód,
03:58
we need everybodywszyscy to the tablestół.
88
226840
2560
potrzebujemy współpracy wszystkich.
04:02
We need the datadane people
from humanitarianhumanitarny organizationsorganizacje
89
230040
2936
Potrzebujemy ludzi od danych
z organizacji humanitarnych,
04:05
leadingprowadzący the way,
90
233000
1256
wskazujących drogę
04:06
and orchestratingwzniecanie
just the right typestypy of engagementszobowiązania
91
234280
2576
i wzniecających tylko
dobre sposoby zaangażowania
04:08
with academicsakademicy, with governmentsrządy.
92
236880
1696
środowisk naukowych i rządów.
04:10
And there's one groupGrupa that's not beingistota
leverageddźwignia in the way that it should be.
93
238600
3696
Jest jednak grupa
niewykorzystana wystarczająco.
04:14
Did you guessodgadnąć it? CompaniesFirm.
94
242320
2096
Zgadliście? To firmy.
04:16
CompaniesFirm have a majorpoważny rolerola to playgrać
in fixingustalenie the bigduży problemsproblemy in our worldświat.
95
244440
3600
Firmy mają dużą rolę w grze
o naprawienie problemów naszego świata.
04:20
I've been in the privateprywatny sectorsektor
for two yearslat now.
96
248880
2416
Od dwóch lat pracuję w sektorze prywatnym.
04:23
I've seenwidziany what companiesfirmy can do,
and I've seenwidziany what companiesfirmy aren'tnie są doing,
97
251320
3576
Widziałam, co firmy mogą zrobić,
oraz to, czego nie robią.
04:26
and I think there's threetrzy mainGłówny wayssposoby
that we can fillwypełniać that gapszczelina:
98
254920
3376
Sądzę, że są trzy sposoby
na wypełnienie tej luki,
04:30
by donatingdarowizny datadane,
by donatingdarowizny decisiondecyzja scientistsnaukowcy
99
258320
3096
przez dotację danych,
decyzyjnych naukowców
04:33
and by donatingdarowizny technologytechnologia
to gatherzbierać newNowy sourcesźródła of datadane.
100
261440
3480
oraz technologii do zbierania
nowych źródeł tych danych.
04:37
This is datadane philanthropyfilantropia,
101
265920
1576
To filantropia danych,
04:39
and it's the futureprzyszłość of corporatezbiorowy
socialspołeczny responsibilityodpowiedzialność.
102
267520
2840
przyszłość korporacyjnej
odpowiedzialności społecznej.
04:43
BonusBonus, it alsorównież makesczyni good businessbiznes sensesens.
103
271160
2600
Przy okazji ma sens biznesowy.
04:46
CompaniesFirm todaydzisiaj,
they collectzebrać mountainsgóry of datadane,
104
274920
3216
Dzisiaj firmy zbierają góry danych,
04:50
so the first thing they can do
is startpoczątek donatingdarowizny that datadane.
105
278160
2762
więc mogą bardzo łatwo je przekazać.
04:52
Some companiesfirmy are alreadyjuż doing it.
106
280946
2190
Niektóre firmy już to robią.
04:55
Take, for exampleprzykład,
a majorpoważny telecomTelecom companyfirma.
107
283160
2416
Weźmy na przykład
dużą firmę telekomunikacyjną.
04:57
They openedotwierany up theirich datadane
in SenegalSenegal and the IvoryKości Słoniowej CoastWybrzeże
108
285600
2776
Udostępnili dane z Senegalu
i Wybrzeża Kości Słoniowej.
05:00
and researchersnaukowcy discoveredodkryty
109
288400
1976
Badacze odkryli,
05:02
that if you look at the patternswzorce
in the pingspingi to the cellkomórka phonetelefon towerswieże,
110
290400
3334
że analizując układ pingów
do nadajników telefonii komórkowej,
05:05
you can see where people are travelingpodróżny.
111
293758
1938
można zobaczyć, gdzie ludzie podróżują.
05:07
And that can tell you things like
112
295720
2176
Można tak sprawdzić,
05:09
where malariamalaria mightmoc spreadrozpiętość,
and you can make predictionsprognozy with it.
113
297920
3096
gdzie może pojawić się malaria
i poczynić odpowiednie prognozy.
05:13
Or take for exampleprzykład
an innovativeinnowacyjne satellitesatelita companyfirma.
114
301040
2896
Inny przykład,
innowacyjna firma, satelity.
05:15
They openedotwierany up theirich datadane and donatedprzekazał it,
115
303960
2016
Udostępnili dane, przekazali je.
05:18
and with that datadane you could tracktor
116
306000
1656
Dzięki tym danym można sprawdzić,
05:19
how droughtssusze are impactingwpływ
foodjedzenie productionprodukcja.
117
307680
2040
jak susze wpływają na produkcję żywności.
05:22
With that you can actuallytak właściwie triggercyngiel
aidpomoc fundingfinansowanie before a crisiskryzys can happenzdarzyć.
118
310920
3680
Dzięki czemu kurek pomocy
może ruszyć jeszcze przed kryzysem.
05:27
This is a great startpoczątek.
119
315560
1280
To świetny start.
05:29
There's importantważny insightswgląd
just lockedzablokowany away in companyfirma datadane.
120
317840
2880
Istotne spostrzeżenia
są zamknięte w danych firm.
05:34
And yes, you need to be very carefulostrożny.
121
322480
1816
Tak, musisz być bardzo uważny.
05:36
You need to respectPoszanowanie privacyPrywatność concernsobawy,
for exampleprzykład by anonymizinganonimowego the datadane.
122
324320
3576
Musisz respektować prywatność,
na przykład anonimizując dane.
05:39
But even if the floodgatesbramy openedotwierany up,
123
327920
2776
Jednak nawet wtedy, gdy machina ruszy,
05:42
and even if all companiesfirmy
donatedprzekazał theirich datadane
124
330720
2536
nawet gdy wszystkie firmy
udostępnią swoje dane
05:45
to academicsakademicy, to NGOsOrganizacje pozarządowe,
to humanitarianhumanitarny organizationsorganizacje,
125
333280
3256
uniwersytetom, NGO
czy organizacjom humanitarnym,
05:48
it wouldn'tnie be enoughdość
to harnessuprząż that fullpełny impactwpływ of datadane
126
336560
2976
nie wystarczy to do wykorzystania
pełnego wpływu danych
05:51
for humanitarianhumanitarny goalscele.
127
339560
1520
na cele humanitarne.
05:54
Why?
128
342320
1456
Czemu?
05:55
To unlockodblokować insightswgląd in datadane,
you need decisiondecyzja scientistsnaukowcy.
129
343800
3240
Aby tego dokonać,
potrzebujesz ekspertów decyzji.
05:59
DecisionDecyzja scientistsnaukowcy are people like me.
130
347760
2576
Ludzi takich jak ja.
06:02
They take the datadane, they cleanczysty it up,
131
350360
1816
Zbierają dane, porządkują,
06:04
transformprzekształcać it and put it
into a usefulprzydatny algorithmalgorytm
132
352200
2256
transformują, wykorzystują
w użyteczny algorytm.
06:06
that's the bestNajlepiej choicewybór
to addressadres the businessbiznes need at handdłoń.
133
354480
2840
To najlepszy sposób,
w jaki firmy mogą pomóc.
06:09
In the worldświat of humanitarianhumanitarny aidpomoc,
there are very fewkilka decisiondecyzja scientistsnaukowcy.
134
357800
3696
W świecie pomocy humanitarnej
jest bardzo mało ekspertów decyzji.
06:13
MostWiększość of them work for companiesfirmy.
135
361520
1640
Większość pracuje w firmach.
06:16
So that's the seconddruga thing
that companiesfirmy need to do.
136
364480
2496
To druga rzecz, którą muszą zrobić firmy,
06:19
In additiondodanie to donatingdarowizny theirich datadane,
137
367000
1696
poza udostępnieniem danych,
06:20
they need to donatedarować
theirich decisiondecyzja scientistsnaukowcy.
138
368720
2160
powinni udostępnić swoich ekspertów.
06:23
Now, companiesfirmy will say, "AhAh! Don't take
our decisiondecyzja scientistsnaukowcy from us.
139
371520
5736
Firmy stwierdzą: "Aha!
Nie zabierajcie naszych ekspertów.
06:29
We need everykażdy sparezapasowy seconddruga of theirich time."
140
377280
2040
Potrzebujemy każdej sekundy ich czasu".
06:32
But there's a way.
141
380360
1200
Jest jednak sposób.
06:35
If a companyfirma was going to donatedarować
a blockblok of a decisiondecyzja scientist'snaukowca time,
142
383200
3416
Jeśli firma przekaże
blok czasu takiego specjalisty,
06:38
it would actuallytak właściwie make more sensesens
to spreadrozpiętość out that blockblok of time
143
386640
3136
sensowniejsze byłoby rozłożenie tego bloku
06:41
over a long periodokres,
say for exampleprzykład fivepięć yearslat.
144
389800
2200
na długi czas, na przykład pięć lat.
06:44
This mightmoc only amountilość
to a couplepara of hoursgodziny perza monthmiesiąc,
145
392600
3056
To może dać zaledwie
parę godzin miesięcznie,
06:47
whichktóry a companyfirma would hardlyledwie misstęsknić,
146
395680
2056
firmy ledwo co to zauważą,
06:49
but what it enablespozwala is really importantważny:
long-termdługoterminowy partnershipspartnerstwo.
147
397760
3480
ale umożliwia to bardzo ważną rzecz,
współpracę długoterminową.
06:54
Long-termDługoterminowe partnershipspartnerstwo
allowdopuszczać you to buildbudować relationshipsrelacje,
148
402920
2816
Taka współpraca pozwala budować relacje,
06:57
to get to know the datadane,
to really understandzrozumieć it
149
405760
2656
poznać dane i naprawdę je zrozumieć,
07:00
and to startpoczątek to understandzrozumieć
the needswymagania and challengeswyzwania
150
408440
2416
zaczynać rozumieć potrzeby i wyzwania
07:02
that the humanitarianhumanitarny
organizationorganizacja is facingokładzina.
151
410880
2160
stojące przed organizacjami humanitarnymi.
07:06
In RomeRome, at the WorldŚwiat FoodJedzenie ProgrammeProgram,
this tookwziął us fivepięć yearslat to do,
152
414345
3191
W Programie Żywnościowym ONZ,
w Rzymie zajęło nam to pięć lat.
07:09
fivepięć yearslat.
153
417560
1456
Pięć lat.
07:11
That first threetrzy yearslat, OK,
that was just what we couldn'tnie mógł solverozwiązać for.
154
419040
3336
Przez pierwsze trzy lata
nie wiedzieliśmy jak się za to zabrać.
07:14
Then there was two yearslat after that
of refiningrafinacji and implementingrealizowanie the toolnarzędzie,
155
422400
3496
Kolejne dwa lata zajęły nam
poprawki i wprowadzanie narzędzia,
07:17
like in the operationsoperacje in IraqIrak
and other countrieskraje.
156
425920
2800
na przykład podczas operacji
w Iraku i innych krajach.
07:21
I don't think that's
an unrealisticnierealne timelineoś czasu
157
429520
2096
Nie sądzę, że to nierealne czasy
07:23
when it comespochodzi to usingza pomocą datadane
to make operationaloperacyjny changeszmiany.
158
431640
2736
wykorzystania danych
do dokonywania zmian operacyjnych.
07:26
It's an investmentinwestycja. It requireswymaga patiencecierpliwość.
159
434400
2400
To inwestycja, która wymaga cierpliwości.
07:29
But the typestypy of resultswyniki
that can be producedwytworzony are undeniableniezaprzeczalny.
160
437760
3496
Wyniki, które można uzyskać,
są jednak niezaprzeczalne.
07:33
In our casewalizka, it was the abilityzdolność
to feedkarmić tenskilkadziesiąt of thousandstysiące more people.
161
441280
3560
Dla nas to możliwość nakarmienia
kolejnych dziesiątek tysięcy ludzi.
07:39
So we have donatingdarowizny datadane,
we have donatingdarowizny decisiondecyzja scientistsnaukowcy,
162
447440
4336
Ofiarujemy dane i naukowców,
07:43
and there's actuallytak właściwie a thirdtrzeci way
that companiesfirmy can help:
163
451800
2696
ale jest jeszcze trzeci sposób,
w jaki firmy mogą pomóc.
07:46
donatingdarowizny technologytechnologia
to capturezdobyć newNowy sourcesźródła of datadane.
164
454520
2976
Przekazywanie technologii
do zbierania nowych form danych.
07:49
You see, there's a lot of things
we just don't have datadane on.
165
457520
2840
Jest wiele elementów,
których danych nie mamy.
07:52
Right now, SyrianSyryjski refugeesuchodźcy
are floodingpowódź into GreeceGrecja,
166
460960
2720
Teraz syryjscy uchodźcy
uciekają do Grecji.
07:57
and the UNONZ refugeeuchodźca agencyagencja,
they have theirich handsręce fullpełny.
167
465120
2560
Agencja uchodźców ONZ
ma ręce pełne roboty.
08:01
The currentobecny systemsystem for trackingśledzenie people
is paperpapier and pencilołówek,
168
469000
3056
Aktualny system rejestracji ludzi
to papier i długopis,
08:04
and what that meansznaczy is
169
472080
1256
oznacza to,
08:05
that when a mothermama and her fivepięć childrendzieci
walkspacerować into the campobóz,
170
473360
2856
że gdy matka z piątką dzieci
dociera do obozu,
08:08
headquartersgłówna siedziba is essentiallygłównie
blindślepy to this momentza chwilę.
171
476240
2656
agencja nie ma o tym pojęcia.
08:10
That's all going to changezmiana
in the nextNastępny fewkilka weekstygodnie,
172
478920
2336
To zmieni się w ciągu najbliższych tygodni
08:13
thanksdzięki to privateprywatny sectorsektor collaborationwspółpraca.
173
481280
1880
dzięki współpracy z sektorem prywatnym.
08:15
There's going to be a newNowy systemsystem basedna podstawie
on donatedprzekazał packagepakiet trackingśledzenie technologytechnologia
174
483840
3656
Stworzymy nowy system oparty
na dotowanych zestawach danych
08:19
from the logisticsLogistyka companyfirma
that I work for.
175
487520
2040
z firmy logistycznej, dla której pracuję.
08:22
With this newNowy systemsystem,
there will be a datadane trailślad,
176
490120
2336
W tym nowym systemie
istnieć będzie szlak danych,
08:24
so you know exactlydokładnie the momentza chwilę
177
492480
1456
dokładnie poznasz moment,
08:25
when that mothermama and her childrendzieci
walkspacerować into the campobóz.
178
493960
2496
gdy matka z dziećmi
przekroczy bramę obozu.
08:28
And even more, you know
if she's going to have supplieskieszonkowe dzieci
179
496480
2616
Co więcej wiesz, czy otrzyma zasoby
08:31
this monthmiesiąc and the nextNastępny.
180
499120
1256
w tym i kolejnym miesiącu.
08:32
InformationInformacje visibilitywidoczność drivesdyski efficiencywydajność.
181
500400
3016
Widoczność informacji napędza efektywność.
08:35
For companiesfirmy, usingza pomocą technologytechnologia
to gatherzbierać importantważny datadane,
182
503440
3256
Dla firm wykorzystanie technologii
do zebrania ważnych danych
08:38
it's like breadchleb and buttermasło.
183
506720
1456
to jak bułka z masłem.
08:40
They'veThey've been doing it for yearslat,
184
508200
1576
Robią to przez lata.
08:41
and it's led to majorpoważny
operationaloperacyjny efficiencywydajność improvementsulepszenia.
185
509800
3256
Doprowadziło to do znacznego
zwiększenia efektywności operacyjnej.
08:45
Just try to imaginewyobrażać sobie
your favoriteulubiony beveragenapoje companyfirma
186
513080
2360
Wyobraź sobie firmę
robiącą twój ulubiony napój,
08:48
tryingpróbować to planplan theirich inventoryInwentarz
187
516280
1576
próbującą planować inwentarz
08:49
and not knowingporozumiewawczy how manywiele bottlesbutelki
were on the shelvespółki.
188
517880
2496
nie wiedząc, ile butelek było na półkach.
08:52
It's absurdabsurdalny.
189
520400
1216
To absurdalne.
08:53
DataDanych drivesdyski better decisionsdecyzje.
190
521640
1560
Dane napędzają lepsze decyzje.
08:57
Now, if you're representingreprezentowanie a companyfirma,
191
525800
2536
Jeśli reprezentujesz firmę,
09:00
and you're pragmaticpragmatyczne
and not just idealisticidealistyczny,
192
528360
3136
jesteś pragmatyczny,
a nie tylko idealistą,
09:03
you mightmoc be sayingpowiedzenie to yourselfsiebie,
"OK, this is all great, MalloryMallory,
193
531520
3056
może powiedziałbyś sobie,
"To jest świetne, Mallory,
09:06
but why should I want to be involvedzaangażowany?"
194
534600
1840
ale czemu powinien się przyłączyć?".
09:09
Well for one thing, beyondpoza the good PRPR,
195
537000
2816
Poza dobrym PR-em,
09:11
humanitarianhumanitarny aidpomoc
is a 24-billion-dollar-mld-Dolar sectorsektor,
196
539840
2776
pomoc humanitarna
to sektor warty 24 miliardy.
09:14
and there's over fivepięć billionmiliard people,
maybe your nextNastępny customersklienci,
197
542640
3056
Ponad pięć miliardów ludzi,
to mogą być twoi konsumenci
09:17
that liverelacja na żywo in the developingrozwijanie worldświat.
198
545720
1816
żyjący w krajach rozwijających się.
09:19
FurtherDalsze, companiesfirmy that are engagingujmujący
in datadane philanthropyfilantropia,
199
547560
3096
Ponadto firmy angażujące się
w filantropię danych
09:22
they're findingodkrycie newNowy insightswgląd
lockedzablokowany away in theirich datadane.
200
550680
2976
znajdują nowe spojrzenie
na swoje własne dane.
09:25
Take, for exampleprzykład, a creditkredyt cardkarta companyfirma
201
553680
2256
Na przykład wydawca kart kredytowych
09:27
that's openedotwierany up a centercentrum
202
555960
1336
otworzył centrum,
09:29
that functionsFunkcje as a hubcentrum for academicsakademicy,
for NGOsOrganizacje pozarządowe and governmentsrządy,
203
557320
3376
które funkcjonuje jako hub
dla naukowców, organizacji i rządów,
09:32
all workingpracujący togetherRazem.
204
560720
1240
działających wspólnie.
09:35
They're looking at informationInformacja
in creditkredyt cardkarta swipeskiepskie piwo
205
563040
2736
Badają wykorzystanie kart
09:37
and usingza pomocą that to find insightswgląd
about how householdsGospodarstwa domowe in IndiaIndie
206
565800
2976
i na podstawie tego wskazują,
jak gospodarstwa domowe w Indiach
09:40
liverelacja na żywo, work, earnZarabiaj and spendwydać.
207
568800
1720
żyją, pracują, zarabiają i wydają.
Środowiska humanitarne
czerpią informacje, które pokazują,
09:43
For the humanitarianhumanitarny worldświat,
this provideszapewnia informationInformacja
208
571680
2576
09:46
about how you mightmoc
bringprzynieść people out of povertyubóstwo.
209
574280
2656
jak można wyprowadzić ludzi z biedy.
09:48
But for companiesfirmy, it's providingże
insightswgląd about your customersklienci
210
576960
3016
Jednakże firmom zapewnia to
spostrzeżenia dotyczące klientów
09:52
and potentialpotencjał customersklienci in IndiaIndie.
211
580000
2040
i potencjalnych klientów w Indiach.
09:54
It's a winzdobyć all around.
212
582760
1800
Wszyscy zyskują.
09:57
Now, for me, what I find
excitingekscytujący about datadane philanthropyfilantropia --
213
585960
3776
To, co uważam za ekscytujące
w filantropii danych,
10:01
donatingdarowizny datadane, donatingdarowizny decisiondecyzja
scientistsnaukowcy and donatingdarowizny technologytechnologia --
214
589760
4336
dotowanie danych,
naukowców i technologii,
10:06
it's what it meansznaczy
for youngmłody professionalsprofesjonaliści like me
215
594120
2376
to znaczenie dla młodych ekspertów,
takich jak ja, którzy wybrali
pracę w firmach.
10:08
who are choosingwybór to work at companiesfirmy.
216
596520
1840
10:10
StudiesBadania showpokazać that
the nextNastępny generationgeneracja of the workforcesiła robocza
217
598800
2656
Badania pokazują,
że następna generacja siły roboczej
10:13
careopieka about havingmający theirich work
make a biggerwiększy impactwpływ.
218
601480
2560
troszczy się o to,
by ich praca miała wpływ.
10:16
We want to make a differenceróżnica,
219
604920
2456
Chcemy dokonać zmiany,
10:19
and so throughprzez datadane philanthropyfilantropia,
220
607400
2416
dlatego przez filantropię danych
10:21
companiesfirmy can actuallytak właściwie help engageangażować
and retainzachować theirich decisiondecyzja scientistsnaukowcy.
221
609840
3936
firmy mogą pomóc zaangażować
i zachować swoich ekspertów.
10:25
And that's a bigduży dealsprawa for a professionzawód
that's in highwysoki demandżądanie.
222
613800
2880
To wielka sprawa dla zawodu
z dużym zapotrzebowaniem.
10:29
DataDanych philanthropyfilantropia
makesczyni good businessbiznes sensesens,
223
617840
3120
Filantropia danych
działa dobrze w biznesie,
10:34
and it alsorównież can help
revolutionizezrewolucjonizować the humanitarianhumanitarny worldświat.
224
622200
3280
może także pomóc zrewolucjonizować
środowiska humanitarne.
10:39
If we coordinatedkoordynowane
the planningplanowanie and logisticsLogistyka
225
627600
2096
Jeśli skoordynujemy planowanie i logistykę
10:41
acrossprzez all of the majorpoważny facetsaspekty
of a humanitarianhumanitarny operationoperacja,
226
629720
3376
między głównymi aspektami
operacji humanitarnej,
10:45
we could feedkarmić, clotheubierać and shelterschron
hundredssetki of thousandstysiące more people,
227
633120
3600
będziemy mogli nakarmić, ubrać i schronić
dodatkowe setki tysięcy ludzi.
10:49
and companiesfirmy need to stepkrok up
and playgrać the rolerola that I know they can
228
637440
4256
Firmy muszą ruszyć,
grać rolę, której mogą sprostać,
10:53
in bringingprzynoszący about this revolutionrewolucja.
229
641720
1880
w działaniu tej rewolucji.
10:56
You've probablyprawdopodobnie heardsłyszał of the sayingpowiedzenie
"foodjedzenie for thought."
230
644720
2936
Pewnie słyszeliście
określenie "strawa dla myśli".
10:59
Well, this is literallydosłownie thought for foodjedzenie.
231
647680
2240
To jest dosłownie myśl dla strawy.
11:03
It finallywreszcie is the right ideapomysł
at the right time.
232
651560
4136
To w końcu dobry pomysł w dobrym czasie.
11:07
(LaughterŚmiech)
233
655720
1216
(Śmiech)
11:08
TrTRès magnifiqueMAGNIFIQUE.
234
656960
1576
(Francuski) Naprawdę piękny.
11:10
Thank you.
235
658560
1216
Dziękuję.
11:11
(ApplauseAplauz)
236
659800
2851
(Brawa)
Translated by Kacper Borowiecki
Reviewed by Hanna Swaryczewska

▲Back to top

ABOUT THE SPEAKER
Mallory Freeman - Data activist
UPS's advanced analytics manager Mallory Freeman researches how to do the most good with data.

Why you should listen

Dr. Mallory Freeman is the Lead Data Scientist in the UPS Advanced Technology Group, working on research and development projects for UPS’s smart logistics network. She serves on the advisory board of Neighborhood Nexus, supporting data-driven insights for the greater Atlanta region.

Freeman earned her Ph.D. in industrial engineering from the Georgia Institute of Technology in 2014. Her thesis explored how to measure and improve humanitarian operations in practical ways -- with a special focus on the use of algorithms. While she was in graduate school, she helped lead supply chain optimization projects for the UN World Food Programme. 

Freeman earned her Master's in operations research from MIT and her Bachelor's in industrial and systems engineering from Virginia Tech. In her spare time, she enjoys cooking, travelling and volunteering her data skills.

More profile about the speaker
Mallory Freeman | Speaker | TED.com