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: Os dados da vossa empresa podem acabar com a fome no mundo

Filmed:
1,090,373 views

Talvez a vossa empresa já tenha doado dinheiro para ajudar a resolver problemas humanitários, mas ela poderá ter algo ainda mais útil para oferecer: os vossos dados. Mallory Soldner mostra-nos como empresas privadas podem ajudar para acelerar a resolução de grandes desafios — da crise de refugiados à fome mundial — através da doação de dados e cientistas de dados. Com que poderá a vossa empresa contribuir?
- 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
JuneJunho de 2010.
0
880
1760
Junho de 2010.
00:15
I landeddesembarcou for the first time
in RomeRoma, ItalyItália.
1
3760
2880
Aterrei pela primeira vez em Roma, Itália.
00:19
I wasn'tnão foi there to sightseefazer turismo.
2
7800
1896
Não estava lá para fazer turismo.
00:21
I was there to solveresolver worldmundo hungerfome.
3
9720
3120
Estava lá para acabar com a fome no mundo.
00:25
(LaughterRiso)
4
13160
2096
(Risos)
00:27
That's right.
5
15280
1216
É verdade.
Era uma aluna de doutoramento com 25 anos,
00:28
I was a 25-year-old-ano de idade PhDPhD studentaluna
6
16520
2096
00:30
armedarmado with a prototypeprotótipo toolferramenta
developeddesenvolvido back at my universityuniversidade,
7
18640
3096
armada com um protótipo
desenvolvido na minha universidade,
00:33
and I was going to help
the WorldMundo FoodComida ProgrammePrograma fixconsertar hungerfome.
8
21760
3080
e ia ajudar o Programa Alimentar Mundial
a acabar com a fome.
00:37
So I strodecaminhou into the headquartersquartel general buildingconstrução
9
25840
2736
Entrei decidida no edifício da sede
00:40
and my eyesolhos scanneddigitalizado the rowlinha of UNDAS NAÇÕES UNIDAS flagsbandeiras,
10
28600
2816
e observei a fila de bandeiras
das Nações Unidas,
00:43
and I smiledsorriu as I thought to myselfEu mesmo,
11
31440
1960
enquanto sorria para mim mesma e pensava:
00:46
"The engineerengenheiro is here."
12
34840
1616
"A engenheira chegou."
00:48
(LaughterRiso)
13
36480
2216
(Risos)
00:50
Give me your datadados.
14
38720
1776
Deem-me os vossos dados.
00:52
I'm going to optimizeotimizar everything.
15
40520
2176
Eu vou otimizar tudo!
00:54
(LaughterRiso)
16
42720
1736
(Risos)
00:56
Tell me the foodComida that you've purchasedcomprado,
17
44480
1896
Digam-me que comida compraram,
00:58
tell me where it's going
and when it needsprecisa to be there,
18
46400
2616
para onde a vão enviar
e quando tem de chegar lá,
e eu mostrar-vos-ei o caminho
mais curto, rápido e barato,
01:01
and I'm going to tell you
the shortestmais curto, fastesto mais rápido, cheapestmais barato,
19
49040
2736
01:03
bestmelhor setconjunto of routesrotas to take for the foodComida.
20
51800
1936
a rota ideal para fazer chegar a comida.
01:05
We're going to saveSalve  moneydinheiro,
21
53760
1496
Iremos poupar dinheiro,
01:07
we're going to avoidevitar
delaysatrasos and disruptionsinterrupções,
22
55280
2096
iremos evitar atrasos e perturbações,
01:09
and bottominferior linelinha,
we're going to saveSalve  livesvidas.
23
57400
2736
e, acima de tudo,
iremos salvar vidas.
Não precisam de agradecer.
01:12
You're welcomebem vinda.
24
60160
1216
01:13
(LaughterRiso)
25
61400
1696
(Risos)
01:15
I thought it was going to take 12 monthsmeses,
26
63120
1976
Eu pensava que iria demorar 12 meses,
01:17
OK, maybe even 13.
27
65120
1560
bem, talvez uns 13 meses.
01:19
This is not quitebastante how it pannedgarimpou out.
28
67800
2280
Não foi bem assim que aconteceu.
01:23
Just a couplecasal of monthsmeses into the projectprojeto,
my FrenchFrancês bosspatrão, he told me,
29
71600
3776
Alguns meses após o início do projeto,
o meu chefe francês disse-me:
01:27
"You know, MalloryMallory,
30
75400
1816
"Sabes, Mallory,
01:29
it's a good ideaidéia,
31
77240
1656
"é uma ideia boa,
01:30
but the datadados you need
for your algorithmsalgoritmos is not there.
32
78920
3336
"mas os dados que precisas
para os teus algoritmos não existem.
01:34
It's the right ideaidéia but at the wrongerrado time,
33
82280
2536
"É a ideia certa mas na altura errada,
01:36
and the right ideaidéia at the wrongerrado time
34
84840
2296
"e a ideia certa na altura errada
01:39
is the wrongerrado ideaidéia."
35
87160
1376
"é a ideia errada."
01:40
(LaughterRiso)
36
88560
1320
(Risos)
01:42
ProjectProjeto over.
37
90960
1280
Fim do projeto.
01:45
I was crushedesmagado.
38
93120
1200
Fiquei arrasada.
01:49
When I look back now
39
97000
1456
Agora, quando olho para trás,
01:50
on that first summerverão in RomeRoma
40
98480
1656
para esse primeiro verão em Roma,
01:52
and I see how much has changedmudou
over the pastpassado sixseis yearsanos,
41
100160
2656
e vejo o quanto mudou
nos últimos seis anos,
01:54
it is an absoluteabsoluto transformationtransformação.
42
102840
2240
percebo que foi uma grande mudança.
01:57
It's a comingchegando of ageera for bringingtrazendo datadados
into the humanitarianhumanitário worldmundo.
43
105640
3400
A utilização de dados no mundo humanitário
está agora a amadurecer.
02:02
It's excitingemocionante. It's inspiringinspirador.
44
110160
2656
É entusiasmante. É inspirador.
02:04
But we're not there yetainda.
45
112840
1200
Mas ainda não chegámos lá.
02:07
And bracecontraventamento yourselfvocê mesmo, executivesexecutivos,
46
115320
2296
Executivos, preparem-se,
02:09
because I'm going to be puttingcolocando companiesempresas
47
117640
1976
porque eu vou pôr empresas na berlinda,
02:11
on the hotquente seatassento to stepdegrau up
and playToque the roleFunção that I know they can.
48
119640
3120
para que avancem e desempenhem o papel
que eu sei que podem desempenhar.
02:17
My experiencesexperiências back in RomeRoma proveprovar
49
125520
2816
As minhas experiências em Roma
provam que podemos salvar
vidas usando dados.
02:20
usingusando datadados you can saveSalve  livesvidas.
50
128360
2080
02:23
OK, not that first attempttentativa,
51
131440
2456
Está bem, não nessa primeira tentativa,
02:25
but eventuallyeventualmente we got there.
52
133920
2576
mas acabámos por chegar lá.
02:28
Let me paintpintura the picturecenário for you.
53
136520
1736
Deixem-me explicar-vos melhor.
Imaginem que têm de planear
pequeno-almoço, almoço e jantar
02:30
ImagineImagine that you have to planplano
breakfastcafé da manhã, lunchalmoço and dinnerjantar
54
138280
2736
02:33
for 500,000 people,
55
141040
1616
para 500 mil pessoas,
02:34
and you only have
a certaincerto budgetdespesas to do it,
56
142680
2136
e só têm um dado orçamento para o fazer,
02:36
say 6.5 millionmilhão dollarsdólares perpor monthmês.
57
144840
2240
por exemplo 6,5 milhões
de dólares por mês.
02:40
Well, what should you do?
What's the bestmelhor way to handlelidar com it?
58
148920
2762
Bem, o que deveriam fazer?
Qual a melhor forma de lidar com isto?
02:44
Should you buyComprar ricearroz, wheattrigo, chickpeagrão de bico, oilóleo?
59
152280
2760
Deviam comprar arroz, cereais,
grão-de-bico, azeite?
02:47
How much?
60
155760
1216
Quanto?
02:49
It soundssoa simplesimples. It's not.
61
157000
2136
Parece simples, mas não é.
02:51
You have 30 possiblepossível foodsalimentos,
and you have to pickescolher fivecinco of them.
62
159160
3216
Têm 30 alimentos possíveis,
e só podem escolher cinco.
02:54
That's already over 140,000
differentdiferente combinationscombinações.
63
162400
3416
Já temos mais de 140 mil
combinações diferentes.
02:57
Then for eachcada foodComida that you pickescolher,
64
165840
1696
Depois, por cada alimento escolhido,
02:59
you need to decidedecidir how much you'llvocê vai buyComprar,
65
167560
1976
terão de decidir
que quantidade irão comprar,
03:01
where you're going to get it from,
66
169560
1696
onde o vão comprar,
03:03
where you're going to storeloja it,
67
171280
1480
onde o vão armazenar
e quanto tempo demorará
a chegar ao destino.
03:05
how long it's going to take to get there.
68
173760
1976
Também precisam de analisar
as rotas de transporte possíveis.
03:07
You need to look at all of the differentdiferente
transportationtransporte routesrotas as well.
69
175760
3336
Já são mais de 900 milhões de opções.
03:11
And that's already
over 900 millionmilhão optionsopções.
70
179120
2080
Se considerassem cada opção
por um mero segundo,
03:14
If you consideredconsiderado eachcada optionopção
for a singlesolteiro secondsegundo,
71
182120
2376
levariam mais de 28 anos
para todas as opções.
03:16
that would take you
over 28 yearsanos to get throughatravés.
72
184520
2336
03:18
900 millionmilhão optionsopções.
73
186880
1520
900 milhões de opções!
03:21
So we createdcriada a toolferramenta
that allowedpermitido decisionmakerstomadores de decisão
74
189160
2456
Então criámos uma ferramenta
que permitia aos executivos
03:23
to weederva daninha throughatravés all 900 millionmilhão optionsopções
75
191640
2616
analisar os 900 milhões de opções
03:26
in just a matterimportam of daysdias.
76
194280
1360
em apenas alguns dias.
03:28
It turnedvirou out to be incrediblyincrivelmente successfulbem sucedido.
77
196560
2240
Foi incrivelmente bem-sucedida.
03:31
In an operationOperação in IraqIraque,
78
199400
1256
Numa operação no Iraque,
03:32
we savedsalvou 17 percentpor cento of the costscusta,
79
200680
2536
conseguimos poupar 17% da despesa,
03:35
and this meantsignificava that you had the abilityhabilidade
to feedalimentação an additionaladicionais 80,000 people.
80
203240
4136
o que permitiu alimentar
mais 80 mil pessoas.
03:39
It's all thanksobrigado to the use of datadados
and modelingmodelagem complexcomplexo systemssistemas.
81
207400
4400
Tudo graças à utilização de dados
e modelação de sistemas complexos.
03:44
But we didn't do it alonesozinho.
82
212800
1280
Mas não estávamos sozinhos.
03:46
The unitunidade that I workedtrabalhou with in RomeRoma,
they were uniqueúnico.
83
214840
2736
As pessoas com que trabalhei
em Roma eram únicas.
03:49
They believedacreditava in collaborationcolaboração.
84
217600
1736
Acreditavam na colaboração.
03:51
They broughttrouxe in the academicacadêmico worldmundo.
85
219360
1696
Chamaram o mundo académico,
chamaram empresas.
03:53
They broughttrouxe in companiesempresas.
86
221080
1280
03:55
And if we really want to make biggrande changesalterar
in biggrande problemsproblemas like worldmundo hungerfome,
87
223200
3616
E se queremos grandes mudanças
em grandes problemas, como a fome mundial,
03:58
we need everybodytodo mundo to the tablemesa.
88
226840
2560
então precisamos da ajuda de todos.
04:02
We need the datadados people
from humanitarianhumanitário organizationsorganizações
89
230040
2936
Precisamos das pessoas com os dados
nas organizações humanitárias
04:05
leadingconduzindo the way,
90
233000
1256
para indicar o caminho
e coordenar o envolvimento e colaboração
04:06
and orchestratingorquestrar
just the right typestipos of engagementscompromissos
91
234280
2576
04:08
with academicsacadêmicos, with governmentsgovernos.
92
236880
1696
com universidades e com governos.
04:10
And there's one groupgrupo that's not beingser
leveragedAlavancada in the way that it should be.
93
238600
3696
Há um grupo que não participa tanto
quanto deveria participar.
Adivinharam qual é? As empresas.
04:14
Did you guessacho it? CompaniesEmpresas.
94
242320
2096
04:16
CompaniesEmpresas have a majorprincipal roleFunção to playToque
in fixingcorrigindo the biggrande problemsproblemas in our worldmundo.
95
244440
3600
As empresas têm um papel fundamental
na solução de grandes problemas mundiais.
04:20
I've been in the privateprivado sectorsetor
for two yearsanos now.
96
248880
2416
Estou no setor privado há dois anos.
04:23
I've seenvisto what companiesempresas can do,
and I've seenvisto what companiesempresas aren'tnão são doing,
97
251320
3576
Tenho visto o que as empresas podem fazer,
e o que não estão a fazer,
04:26
and I think there's threetrês maina Principal waysmaneiras
that we can fillencher that gapgap:
98
254920
3376
e acho que há três modos fundamentais
de preencher esta lacuna:
04:30
by donatingdoando datadados,
by donatingdoando decisiondecisão scientistscientistas
99
258320
3096
doando dados, doando cientistas
04:33
and by donatingdoando technologytecnologia
to gatherreunir newNovo sourcesfontes of datadados.
100
261440
3480
e doando a tecnologia necessária
para recolher novas fontes de dados.
04:37
This is datadados philanthropyfilantropia,
101
265920
1576
Chama-se filantropia de dados,
04:39
and it's the futurefuturo of corporatecorporativo
socialsocial responsibilityresponsabilidade.
102
267520
2840
e é o futuro da responsabilidade
social das empresas.
04:43
BonusBônus, it alsoAlém disso makesfaz com que good businesso negócio sensesentido.
103
271160
2600
E ainda por cima é bom para o negócio.
04:46
CompaniesEmpresas todayhoje,
they collectrecolher mountainsmontanhas of datadados,
104
274920
3216
As empresas de hoje em dia
colecionam montanhas de dados.
A primeira coisa que podem fazer
é doar esses dados.
04:50
so the first thing they can do
is startcomeçar donatingdoando that datadados.
105
278160
2762
04:52
Some companiesempresas are already doing it.
106
280946
2190
Algumas empresas já o fazem.
Por exemplo, uma grande
empresa de telecomunicações.
04:55
Take, for exampleexemplo,
a majorprincipal telecomTelecom companyempresa.
107
283160
2416
04:57
They openedaberto up theirdeles datadados
in SenegalSenegal and the IvoryMarfim CoastCosta
108
285600
2776
Deram acesso aos seus dados
em Senegal e na Costa do Marfim,
05:00
and researcherspesquisadores discovereddescobriu
109
288400
1976
e os investigadores descobriram
05:02
that if you look at the patternspadrões
in the pingspings to the cellcélula phonetelefone towerstorres,
110
290400
3334
que, se olharmos para os padrões
dos sinais das torres telefónicas,
05:05
you can see where people are travelingviajando.
111
293758
1938
conseguimos seguir
a deslocação das pessoas.
05:07
And that can tell you things like
112
295720
2176
E com isso podemos ver, por exemplo,
05:09
where malariamalária mightpoderia spreadespalhar,
and you can make predictionsPrevisões with it.
113
297920
3096
para onde a malária poderá espalhar-se,
e fazer previsões com isso.
05:13
Or take for exampleexemplo
an innovativeInovativa satellitesatélite companyempresa.
114
301040
2896
Ou, por exemplo, o caso
de uma empresa inovadora de satélites.
05:15
They openedaberto up theirdeles datadados and donateddoou it,
115
303960
2016
Disponibilizaram e doaram os seus dados,
05:18
and with that datadados you could trackpista
116
306000
1656
com os quais podíamos acompanhar
05:19
how droughtssecas are impactingimpactando
foodComida productionProdução.
117
307680
2040
o impacto das secas na produção alimentar.
05:22
With that you can actuallyna realidade triggerdesencadear
aidajuda fundingfinanciamento before a crisiscrise can happenacontecer.
118
310920
3680
Desta forma podemos ativar
fundos de ajuda antes de a crise ocorrer.
05:27
This is a great startcomeçar.
119
315560
1280
É um ótimo começo.
05:29
There's importantimportante insightsintuições
just lockedtrancado away in companyempresa datadados.
120
317840
2880
Existem informações importantes
nos dados das empresas.
05:34
And yes, you need to be very carefulCuidado.
121
322480
1816
Claro, é preciso sermos cuidadosos.
05:36
You need to respectrespeito privacyprivacidade concernspreocupações,
for exampleexemplo by anonymizinganonymizing the datadados.
122
324320
3576
É preciso respeitar a privacidade,
por exemplo mantendo
o anonimato dos dados.
05:39
But even if the floodgatescomportas openedaberto up,
123
327920
2776
Mas mesmo que abrissem as comportas,
05:42
and even if all companiesempresas
donateddoou theirdeles datadados
124
330720
2536
e todas as empresas deixassem
passar os seus dados
05:45
to academicsacadêmicos, to NGOsONGs,
to humanitarianhumanitário organizationsorganizações,
125
333280
3256
para académicos, ONGs,
organizações humanitárias,
05:48
it wouldn'tnão seria be enoughsuficiente
to harnessarnês that fullcheio impactimpacto of datadados
126
336560
2976
tal não seria suficiente para aproveitar
todo o potencial humanitário destes dados.
05:51
for humanitarianhumanitário goalsmetas.
127
339560
1520
05:54
Why?
128
342320
1456
Porquê?
05:55
To unlockdesbloquear insightsintuições in datadados,
you need decisiondecisão scientistscientistas.
129
343800
3240
Para retirar conclusões,
precisamos dos cientistas de dados.
05:59
DecisionDecisão scientistscientistas are people like me.
130
347760
2576
São pessoas como eu.
06:02
They take the datadados, they cleanlimpar \ limpo it up,
131
350360
1816
Pegam nos dados, filtram-nos
e transformam-nos para serem
introduzidos num algoritmo otimizado
06:04
transformtransformar it and put it
into a usefulútil algorithmalgoritmo de
132
352200
2256
06:06
that's the bestmelhor choiceescolha
to addressendereço the businesso negócio need at handmão.
133
354480
2840
para resolver uma dada
necessidade de negócio.
06:09
In the worldmundo of humanitarianhumanitário aidajuda,
there are very fewpoucos decisiondecisão scientistscientistas.
134
357800
3696
No mundo da ajuda humanitária,
há muito poucos cientistas de dados.
06:13
MostMaioria of them work for companiesempresas.
135
361520
1640
A maioria trabalha para empresas.
06:16
So that's the secondsegundo thing
that companiesempresas need to do.
136
364480
2496
Eis a segunda coisa
que as empresas têm de fazer.
Para além de doarem os seus dados,
06:19
In additionAdição to donatingdoando theirdeles datadados,
137
367000
1696
precisam de doar os cientistas de dados.
06:20
they need to donatedoar
theirdeles decisiondecisão scientistscientistas.
138
368720
2160
06:23
Now, companiesempresas will say, "AhAh! Don't take
our decisiondecisão scientistscientistas from us.
139
371520
5736
A isto as empresas responderão: "Oh não!
Não levem os nossos cientistas de dados.
06:29
We need everycada sparepoupar secondsegundo of theirdeles time."
140
377280
2040
"Precisamos de cada segundo
do seu tempo."
06:32
But there's a way.
141
380360
1200
Mas há uma solução.
06:35
If a companyempresa was going to donatedoar
a blockquadra of a decisiondecisão scientist'sdo cientista time,
142
383200
3416
Se uma empresa quisesse doar
parte do tempo de um cientista de dados,
06:38
it would actuallyna realidade make more sensesentido
to spreadespalhar out that blockquadra of time
143
386640
3136
faria muito mais sentido distribuir
essa quota do seu tempo
06:41
over a long periodperíodo,
say for exampleexemplo fivecinco yearsanos.
144
389800
2200
por um longo período,
por exemplo cinco anos.
06:44
This mightpoderia only amountmontante
to a couplecasal of hourshoras perpor monthmês,
145
392600
3056
Isto traduzir-se-á numas
poucas horas por mês,
06:47
whichqual a companyempresa would hardlydificilmente misssenhorita,
146
395680
2056
que não fariam falta à empresa,
06:49
but what it enableshabilita is really importantimportante:
long-termlongo prazo partnershipsparcerias.
147
397760
3480
mas que permitem algo muito importante:
parcerias a longo-prazo.
06:54
Long-termA longo prazo partnershipsparcerias
allowpermitir you to buildconstruir relationshipsrelacionamentos,
148
402920
2816
As parcerias de longo-prazo
permitem estabelecer relações,
06:57
to get to know the datadados,
to really understandCompreendo it
149
405760
2656
conhecer melhor os dados,
compreendê-los realmente,
07:00
and to startcomeçar to understandCompreendo
the needsprecisa and challengesdesafios
150
408440
2416
e começar a perceber
as necessidades e desafios
07:02
that the humanitarianhumanitário
organizationorganização is facingvoltado para.
151
410880
2160
que uma organização humanitária enfrenta.
07:06
In RomeRoma, at the WorldMundo FoodComida ProgrammePrograma,
this tooktomou us fivecinco yearsanos to do,
152
414345
3191
No Programa Alimentar Mundial em Roma
precisámos de cinco anos para tal.
07:09
fivecinco yearsanos.
153
417560
1456
Cinco anos!
07:11
That first threetrês yearsanos, OK,
that was just what we couldn'tnão podia solveresolver for.
154
419040
3336
Os primeiros três anos, bem,
foi o que não conseguimos resolver.
07:14
Then there was two yearsanos after that
of refiningrefinação and implementingimplementando the toolferramenta,
155
422400
3496
Os dois anos seguintes foram para
aperfeiçoar e implementar a ferramenta,
07:17
like in the operationsoperações in IraqIraque
and other countriespaíses.
156
425920
2800
tal como nas operações no Iraque
e noutros países.
07:21
I don't think that's
an unrealisticirrealista timelinelinha do tempo
157
429520
2096
Não me parece um período
de tempo irrealista,
07:23
when it comesvem to usingusando datadados
to make operationaloperacional changesalterar.
158
431640
2736
no que toca a usar dados
para fazer mudanças operacionais.
07:26
It's an investmentinvestimento. It requiresexige patiencepaciência.
159
434400
2400
É um investimento. Requer paciência.
07:29
But the typestipos of resultsresultados
that can be producedproduzido are undeniableinegável.
160
437760
3496
Mas os tipos de resultados
que se conseguem são inegáveis.
07:33
In our casecaso, it was the abilityhabilidade
to feedalimentação tensdezenas of thousandsmilhares more people.
161
441280
3560
Para nós, foi poder alimentar
mais dezenas de milhares de pessoas.
07:39
So we have donatingdoando datadados,
we have donatingdoando decisiondecisão scientistscientistas,
162
447440
4336
Portanto, temos dados para doar
e cientistas de dados para doar,
07:43
and there's actuallyna realidade a thirdterceiro way
that companiesempresas can help:
163
451800
2696
e há ainda mais uma forma
de as empresas ajudarem:
07:46
donatingdoando technologytecnologia
to capturecapturar newNovo sourcesfontes of datadados.
164
454520
2976
doando tecnologia para adquirir
novas fontes de dados.
07:49
You see, there's a lot of things
we just don't have datadados on.
165
457520
2840
Sabem, faltam-nos dados
para muitas coisas.
07:52
Right now, SyrianSíria refugeesrefugiados
are floodinginundação into GreeceGrécia,
166
460960
2720
Neste momento, refugiados da Síria
estão a afluir em massa para a Grécia
07:57
and the UNDAS NAÇÕES UNIDAS refugeerefugiado agencyagência,
they have theirdeles handsmãos fullcheio.
167
465120
2560
e a agência da ONU para refugiados
está cheia de trabalho.
08:01
The currentatual systemsistema for trackingrastreamento people
is paperpapel and pencillápis,
168
469000
3056
O sistema atual para localizar pessoas
é feito com papel e lápis,
08:04
and what that meanssignifica is
169
472080
1256
portanto quando mãe e cinco filhos
entram num campo de refugiados
08:05
that when a mothermãe and her fivecinco childrencrianças
walkandar into the campacampamento,
170
473360
2856
os serviços centrais
não tomam conhecimento.
08:08
headquartersquartel general is essentiallyessencialmente
blindcego to this momentmomento.
171
476240
2656
Tudo isto mudará nas próximas semanas,
08:10
That's all going to changemudança
in the nextPróximo fewpoucos weekssemanas,
172
478920
2336
graças à colaboração do setor privado.
08:13
thanksobrigado to privateprivado sectorsetor collaborationcolaboração.
173
481280
1880
08:15
There's going to be a newNovo systemsistema basedSediada
on donateddoou packagepacote trackingrastreamento technologytecnologia
174
483840
3656
Haverá um novo sistema baseado
em tecnologia de localização de embalagens
doada pela empresa de logística
na qual trabalho.
08:19
from the logisticslogística companyempresa
that I work for.
175
487520
2040
08:22
With this newNovo systemsistema,
there will be a datadados trailtrilha,
176
490120
2336
Com este novo sistema,
haverá um rasto de dados,
e saberemos quando a mãe e seus filhos
entraram no campo de refugiados.
08:24
so you know exactlyexatamente the momentmomento
177
492480
1456
08:25
when that mothermãe and her childrencrianças
walkandar into the campacampamento.
178
493960
2496
E, além disto, saberemos
se ela terá mantimentos
08:28
And even more, you know
if she's going to have suppliessuprimentos
179
496480
2616
neste mês e no próximo.
08:31
this monthmês and the nextPróximo.
180
499120
1256
O acesso à informação gera eficiência.
08:32
InformationInformações visibilityvisibilidade drivesunidades efficiencyeficiência.
181
500400
3016
08:35
For companiesempresas, usingusando technologytecnologia
to gatherreunir importantimportante datadados,
182
503440
3256
Para as empresas, usar tecnologia
para recolher dados importantes
08:38
it's like breadpão and buttermanteiga.
183
506720
1456
é o pão nosso de cada dia.
08:40
They'veEles já been doing it for yearsanos,
184
508200
1576
Eles fazem isso há anos,
08:41
and it's led to majorprincipal
operationaloperacional efficiencyeficiência improvementsmelhorias.
185
509800
3256
e tem-lhes permitido enormes melhorias
na eficiência das operações.
08:45
Just try to imagineImagine
your favoritefavorito beveragebebidas companyempresa
186
513080
2360
Tentem imaginar a vossa empresa
favorita de bebidas
08:48
tryingtentando to planplano theirdeles inventoryinventário
187
516280
1576
a planear o seu inventário
08:49
and not knowingsabendo how manymuitos bottlesgarrafas
were on the shelvesprateleiras.
188
517880
2496
sem saber quantas garrafas
estão nas prateleiras.
08:52
It's absurdabsurdo.
189
520400
1216
É absurdo.
08:53
DataDados drivesunidades better decisionsdecisões.
190
521640
1560
Os dados permitem melhores decisões.
08:57
Now, if you're representingrepresentando a companyempresa,
191
525800
2536
Agora, se representam uma empresa
09:00
and you're pragmaticpragmática
and not just idealisticidealista,
192
528360
3136
e são pragmáticos e não apenas idealistas,
poderão estar a pensar:
"Sim Mallory, isso é tudo muito bonito,
09:03
you mightpoderia be sayingdizendo to yourselfvocê mesmo,
"OK, this is all great, MalloryMallory,
193
531520
3056
"mas porque haveria
de me querer envolver?"
09:06
but why should I want to be involvedenvolvido?"
194
534600
1840
09:09
Well for one thing, beyondalém the good PRPR,
195
537000
2816
Bem, em primeiro lugar,
além de gerar boa publicidade
a ajuda humanitária é um setor
de 24 mil milhões de dólares,
09:11
humanitarianhumanitário aidajuda
is a 24-billion-dollar-bilhão-dólar sectorsetor,
196
539840
2776
09:14
and there's over fivecinco billionbilhão people,
maybe your nextPróximo customersclientes,
197
542640
3056
e mais de 5 mil milhões de pessoas,
vossos potenciais clientes,
vivem em países subdesenvolvidos.
09:17
that liveviver in the developingem desenvolvimento worldmundo.
198
545720
1816
09:19
FurtherAinda mais, companiesempresas that are engagingnoivando
in datadados philanthropyfilantropia,
199
547560
3096
Além disso, as empresas
que participam na filantropia de dados
09:22
they're findingencontrando newNovo insightsintuições
lockedtrancado away in theirdeles datadados.
200
550680
2976
descobrem informações novas
escondidas nos seus dados.
09:25
Take, for exampleexemplo, a creditcrédito cardcartão companyempresa
201
553680
2256
Vejam o exemplo de uma empresa
de cartões de crédito
09:27
that's openedaberto up a centercentro
202
555960
1336
que abriu um centro
09:29
that functionsfunções as a hubcubo for academicsacadêmicos,
for NGOsONGs and governmentsgovernos,
203
557320
3376
que serve como eixo de ligação
entre académicos, ONGs e governos,
09:32
all workingtrabalhando togetherjuntos.
204
560720
1240
cooperando entre si.
09:35
They're looking at informationem formação
in creditcrédito cardcartão swipesfurtos
205
563040
2736
Eles analisam as informações
dos leitores de cartões
09:37
and usingusando that to find insightsintuições
about how householdsfamílias in IndiaÍndia
206
565800
2976
e utilizam-nas para perceber
como é que famílias na Índia
09:40
liveviver, work, earnGanhe and spendgastar.
207
568800
1720
vivem, trabalham, ganham e gastam.
09:43
For the humanitarianhumanitário worldmundo,
this providesfornece informationem formação
208
571680
2576
Para o mundo humanitário,
isso fornece informação
09:46
about how you mightpoderia
bringtrazer people out of povertypobreza.
209
574280
2656
sobre como poderemos
tirar as pessoas da pobreza.
09:48
But for companiesempresas, it's providingfornecendo
insightsintuições about your customersclientes
210
576960
3016
Mas, para as empresas, permite
saber mais sobre os clientes
09:52
and potentialpotencial customersclientes in IndiaÍndia.
211
580000
2040
e potenciais clientes na Índia.
09:54
It's a winganhar all around.
212
582760
1800
Todos ficam a ganhar.
09:57
Now, for me, what I find
excitingemocionante about datadados philanthropyfilantropia --
213
585960
3776
Agora, para mim, o que me entusiasma
na filantropia de dados
10:01
donatingdoando datadados, donatingdoando decisiondecisão
scientistscientistas and donatingdoando technologytecnologia --
214
589760
4336
— doação de dados, doação de cientistas
e doação de tecnologia —
10:06
it's what it meanssignifica
for youngjovem professionalsprofissionais like me
215
594120
2376
é o seu valor para jovens como eu,
que escolhem trabalhar em empresas.
10:08
who are choosingescolhendo to work at companiesempresas.
216
596520
1840
Estudos demonstraram que
a próxima geração de trabalhadores
10:10
StudiesEstudos showexposição that
the nextPróximo generationgeração of the workforcetrabalhadores
217
598800
2656
10:13
careCuidado about havingtendo theirdeles work
make a biggerMaior impactimpacto.
218
601480
2560
quer que o seu trabalho
tenha um impacto maior.
10:16
We want to make a differencediferença,
219
604920
2456
Queremos fazer a diferença.
10:19
and so throughatravés datadados philanthropyfilantropia,
220
607400
2416
Através da filantropia de dados,
10:21
companiesempresas can actuallyna realidade help engagese empenhar
and retainreter theirdeles decisiondecisão scientistscientistas.
221
609840
3936
as empresas podem ajudar a envolver
e reter os seus cientistas de dados.
10:25
And that's a biggrande dealacordo for a professionprofissão
that's in highAlto demandexigem.
222
613800
2880
E isso é muito importante
para uma profissão tão procurada.
10:29
DataDados philanthropyfilantropia
makesfaz com que good businesso negócio sensesentido,
223
617840
3120
A filantropia de dados
é boa para os negócios
10:34
and it alsoAlém disso can help
revolutionizerevolucionar a the humanitarianhumanitário worldmundo.
224
622200
3280
e também pode ajudar a revolucionar
o mundo humanitário.
10:39
If we coordinatedcoordenado
the planningplanejamento and logisticslogística
225
627600
2096
Se coordenássemos
o planeamento e logística
10:41
acrossatravés all of the majorprincipal facetsfacetas
of a humanitarianhumanitário operationOperação,
226
629720
3376
em todas as vertentes
de uma operação humanitária,
10:45
we could feedalimentação, clothevestir and shelterabrigo
hundredscentenas of thousandsmilhares more people,
227
633120
3600
conseguiríamos alimentos, roupa e abrigo
para mais centenas de milhares de pessoas.
10:49
and companiesempresas need to stepdegrau up
and playToque the roleFunção that I know they can
228
637440
4256
Mas para isto as empresas
têm de se chegar à frente
e desempenhar o seu papel
na criação desta revolução.
10:53
in bringingtrazendo about this revolutionrevolução.
229
641720
1880
10:56
You've probablyprovavelmente heardouviu of the sayingdizendo
"foodComida for thought."
230
644720
2936
Já devem ter ouvido falar em
"alimentar a mente".
10:59
Well, this is literallyliteralmente thought for foodComida.
231
647680
2240
Bem, aqui trata-se
de usar a mente para alimentar.
11:03
It finallyfinalmente is the right ideaidéia
at the right time.
232
651560
4136
É, finalmente, a ideia certa
na altura certa.
11:07
(LaughterRiso)
233
655720
1216
(Risos)
11:08
TrTRès magnifiquemagnifique.
234
656960
1576
Très magnifique.
11:10
Thank you.
235
658560
1216
Obrigada.
11:11
(ApplauseAplausos)
236
659800
2851
(Aplausos)
Translated by Juliana Rodrigues
Reviewed by Margarida Ferreira

▲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