TED@UPS
Mallory Freeman: Your company's data could help end world hunger
Mallory Soldner: Los datos de su compañía podrían acabar con el hambre en el mundo
Filmed:
Readability: 4.2
1,090,373 views
Su compañía puede haber donado dinero para ayudar a resolver problemas humanitarios, pero quizás tenga algo mucho más importante que ofrecer: sus datos. Mallory Soldner nos muestra cómo las compañías del sector privado pueden ayudar a generar un verdadero progreso con respecto a los grandes problemas -- desde la crisis de refugiados hasta el hambre en el mundo -- al donar datos no aprovechados y científicos de decisión. ¿Qué puede hacer su compañía para contribuir?
Mallory Freeman - Data activist
UPS's advanced analytics manager Mallory Freeman researches how to do the most good with data. Full bio
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
June 2010.
0
880
1760
Junio de 2010.
00:15
I landed for the first time
in Rome, Italy.
in Rome, Italy.
1
3760
2880
Aterricé por primera vez en Roma, Italia.
00:19
I wasn't there to sightsee.
2
7800
1896
No estaba allí de paseo.
00:21
I was there to solve world hunger.
3
9720
3120
Estaba allí para resolver
el hambre en el mundo.
el hambre en el mundo.
00:25
(Laughter)
4
13160
2096
(Risas)
00:27
That's right.
5
15280
1216
Así es.
00:28
I was a 25-year-old PhD student
6
16520
2096
Era una estudiante de doctorado de 25 años
00:30
armed with a prototype tool
developed back at my university,
developed back at my university,
7
18640
3096
armada con una herramienta prototipo
desarrollada en mi universidad,
desarrollada en mi universidad,
00:33
and I was going to help
the World Food Programme fix hunger.
the World Food Programme fix hunger.
8
21760
3080
e iba a ayudar al Programa Mundial
de Alimentos a arreglar el hambre.
de Alimentos a arreglar el hambre.
00:37
So I strode into the headquarters building
9
25840
2736
Entonces entré a zancadas al edificio sede
00:40
and my eyes scanned the row of UN flags,
10
28600
2816
y mis ojos escanearon la fila
de banderas de la ONU,
de banderas de la ONU,
00:43
and I smiled as I thought to myself,
11
31440
1960
y sonreí mientras pensaba:
00:46
"The engineer is here."
12
34840
1616
"Ya llegó la ingeniera".
00:48
(Laughter)
13
36480
2216
(Risas)
00:50
Give me your data.
14
38720
1776
Denme su información.
00:52
I'm going to optimize everything.
15
40520
2176
Voy a optimizarlo todo.
00:54
(Laughter)
16
42720
1736
(Risas)
00:56
Tell me the food that you've purchased,
17
44480
1896
Díganme qué comida han comprado,
00:58
tell me where it's going
and when it needs to be there,
and when it needs to be there,
18
46400
2616
hacia dónde va
y cuándo necesita estar allí,
y cuándo necesita estar allí,
01:01
and I'm going to tell you
the shortest, fastest, cheapest,
the shortest, fastest, cheapest,
19
49040
2736
y yo les diré las mejores rutas,
las más cortas,
las más cortas,
01:03
best set of routes to take for the food.
20
51800
1936
rápidas y baratas para llevar la comida.
01:05
We're going to save money,
21
53760
1496
Vamos a ahorrar dinero,
01:07
we're going to avoid
delays and disruptions,
delays and disruptions,
22
55280
2096
vamos a evitar retrasos e interrupciones,
01:09
and bottom line,
we're going to save lives.
we're going to save lives.
23
57400
2736
y, en definitiva, vamos a salvar vidas.
01:12
You're welcome.
24
60160
1216
De nada.
01:13
(Laughter)
25
61400
1696
(Risas)
01:15
I thought it was going to take 12 months,
26
63120
1976
Pensé que eso llevaría unos 12 meses.
01:17
OK, maybe even 13.
27
65120
1560
Bueno, tal vez incluso 13 meses.
01:19
This is not quite how it panned out.
28
67800
2280
No salió así precisamente.
01:23
Just a couple of months into the project,
my French boss, he told me,
my French boss, he told me,
29
71600
3776
Apenas un par de meses desde el inicio
del proyecto, mi jefe francés me dijo:
del proyecto, mi jefe francés me dijo:
01:27
"You know, Mallory,
30
75400
1816
"Sabes, Mallory,
01:29
it's a good idea,
31
77240
1656
es una buena idea,
01:30
but the data you need
for your algorithms is not there.
for your algorithms is not there.
32
78920
3336
pero la información que necesitas
para tus algoritmos no existe.
para tus algoritmos no existe.
01:34
It's the right idea but at the wrong time,
33
82280
2536
Es la idea correcta
en el momento incorrecto,
en el momento incorrecto,
01:36
and the right idea at the wrong time
34
84840
2296
y la idea correcta
en el momento incorrecto
en el momento incorrecto
01:39
is the wrong idea."
35
87160
1376
es la idea incorrecta".
01:40
(Laughter)
36
88560
1320
(Risas)
01:42
Project over.
37
90960
1280
Se acabó el proyecto.
01:45
I was crushed.
38
93120
1200
Estaba destrozada.
01:49
When I look back now
39
97000
1456
En retrospectiva,
01:50
on that first summer in Rome
40
98480
1656
en relación a ese primer verano en Roma,
01:52
and I see how much has changed
over the past six years,
over the past six years,
41
100160
2656
veo los cambios que se han dado
en estos últimos seis años,
en estos últimos seis años,
01:54
it is an absolute transformation.
42
102840
2240
es una transformación absoluta.
01:57
It's a coming of age for bringing data
into the humanitarian world.
into the humanitarian world.
43
105640
3400
Es un mundo nuevo para la transición
de datos al mundo humanitario.
de datos al mundo humanitario.
02:02
It's exciting. It's inspiring.
44
110160
2656
Es emocionante. Es inspirador.
02:04
But we're not there yet.
45
112840
1200
Pero aún no estamos allí.
02:07
And brace yourself, executives,
46
115320
2296
Y agárrense bien, ejecutivos,
02:09
because I'm going to be putting companies
47
117640
1976
porque voy a estar poniendo a compañías
02:11
on the hot seat to step up
and play the role that I know they can.
and play the role that I know they can.
48
119640
3120
en el banquillo de los acusados
para que cumplan con su papel.
para que cumplan con su papel.
02:17
My experiences back in Rome prove
49
125520
2816
Mis experiencias en Roma prueban
02:20
using data you can save lives.
50
128360
2080
que aprovechando los datos
se pueden salvar vidas.
se pueden salvar vidas.
02:23
OK, not that first attempt,
51
131440
2456
Bueno, no ese primer intento,
02:25
but eventually we got there.
52
133920
2576
pero eventualmente lo logramos.
02:28
Let me paint the picture for you.
53
136520
1736
Les describiré la imagen.
02:30
Imagine that you have to plan
breakfast, lunch and dinner
breakfast, lunch and dinner
54
138280
2736
Imaginen que tienen que planificar
desayuno, almuerzo y cena
desayuno, almuerzo y cena
02:33
for 500,000 people,
55
141040
1616
para 500 000 personas,
02:34
and you only have
a certain budget to do it,
a certain budget to do it,
56
142680
2136
y que solo cuentan con
cierto presupuesto para hacerlo,
cierto presupuesto para hacerlo,
02:36
say 6.5 million dollars per month.
57
144840
2240
digamos USD 6,5 millones al mes.
02:40
Well, what should you do?
What's the best way to handle it?
What's the best way to handle it?
58
148920
2762
Bueno, ¿qué deberían hacer?
¿Cuál es la mejor manera de manejarlo?
¿Cuál es la mejor manera de manejarlo?
02:44
Should you buy rice, wheat, chickpea, oil?
59
152280
2760
¿Se debería comprar arroz,
trigo, garbanzos, aceite?
trigo, garbanzos, aceite?
02:47
How much?
60
155760
1216
¿Cuánto?
02:49
It sounds simple. It's not.
61
157000
2136
Suena simple. No lo es.
02:51
You have 30 possible foods,
and you have to pick five of them.
and you have to pick five of them.
62
159160
3216
Tienen 30 alimentos diferentes,
y tiene que elegir cinco de ellos.
y tiene que elegir cinco de ellos.
02:54
That's already over 140,000
different combinations.
different combinations.
63
162400
3416
Ya serían más de 140 000
combinaciones diferentes.
combinaciones diferentes.
02:57
Then for each food that you pick,
64
165840
1696
Luego, para cada tipo
de comida que se elija,
de comida que se elija,
02:59
you need to decide how much you'll buy,
65
167560
1976
necesitan decidir cuánto comprar,
03:01
where you're going to get it from,
66
169560
1696
de dónde se obtendrá,
03:03
where you're going to store it,
67
171280
1480
dónde se almacenará,
03:05
how long it's going to take to get there.
68
173760
1976
cuánto tiempo tomará llevarla hasta allí.
03:07
You need to look at all of the different
transportation routes as well.
transportation routes as well.
69
175760
3336
Necesitarán analizar todas las rutas
de transporte distintas también.
de transporte distintas también.
03:11
And that's already
over 900 million options.
over 900 million options.
70
179120
2080
Ya esas serían más de
900 millones de opciones.
900 millones de opciones.
03:14
If you considered each option
for a single second,
for a single second,
71
182120
2376
Si consideraran cada opción
por un segundo nada más,
por un segundo nada más,
03:16
that would take you
over 28 years to get through.
over 28 years to get through.
72
184520
2336
les llevaría más de 28 años
estudiarlas todas.
estudiarlas todas.
03:18
900 million options.
73
186880
1520
900 millones de opciones.
03:21
So we created a tool
that allowed decisionmakers
that allowed decisionmakers
74
189160
2456
Por lo tanto, creamos una herramienta que
permite a los que toman las decisiones
permite a los que toman las decisiones
03:23
to weed through all 900 million options
75
191640
2616
procesar las 900 millones de opciones
03:26
in just a matter of days.
76
194280
1360
en cuestión de días.
03:28
It turned out to be incredibly successful.
77
196560
2240
Resultó ser increíblemente exitosa.
03:31
In an operation in Iraq,
78
199400
1256
En una operación en Irak,
03:32
we saved 17 percent of the costs,
79
200680
2536
nos ahorramos 17 % de los costos,
03:35
and this meant that you had the ability
to feed an additional 80,000 people.
to feed an additional 80,000 people.
80
203240
4136
lo cual significa que hubo la capacidad
de alimentar a otras 80 000 personas.
de alimentar a otras 80 000 personas.
03:39
It's all thanks to the use of data
and modeling complex systems.
and modeling complex systems.
81
207400
4400
Todo es gracias al uso de complejos
sistemas de datos y modelado.
sistemas de datos y modelado.
03:44
But we didn't do it alone.
82
212800
1280
Pero no lo hicimos solos.
03:46
The unit that I worked with in Rome,
they were unique.
they were unique.
83
214840
2736
El equipo con el que trabajé en Roma,
ellos eran únicos.
ellos eran únicos.
03:49
They believed in collaboration.
84
217600
1736
Creyeron en la colaboración.
03:51
They brought in the academic world.
85
219360
1696
Incluyeron al mundo académico.
03:53
They brought in companies.
86
221080
1280
Incluyeron a compañías.
03:55
And if we really want to make big changes
in big problems like world hunger,
in big problems like world hunger,
87
223200
3616
Y si de verdad queremos hacer un gran cambio
en grandes problemas como el hambre mundial,
en grandes problemas como el hambre mundial,
03:58
we need everybody to the table.
88
226840
2560
necesitaremos que todos sean parte.
04:02
We need the data people
from humanitarian organizations
from humanitarian organizations
89
230040
2936
Necesitamos que la gente que maneja
los datos en organizaciones humanitarias
los datos en organizaciones humanitarias
04:05
leading the way,
90
233000
1256
sean los líderes del proceso,
04:06
and orchestrating
just the right types of engagements
just the right types of engagements
91
234280
2576
y que organicen los compromisos
correctos y precisos
correctos y precisos
04:08
with academics, with governments.
92
236880
1696
con académicos, con gobiernos.
04:10
And there's one group that's not being
leveraged in the way that it should be.
leveraged in the way that it should be.
93
238600
3696
Y aquí resalta un grupo que no ha sido
aprovechado de la manera que debería.
aprovechado de la manera que debería.
04:14
Did you guess it? Companies.
94
242320
2096
¿Lo han adivinado? Las compañías.
04:16
Companies have a major role to play
in fixing the big problems in our world.
in fixing the big problems in our world.
95
244440
3600
Las compañías tienen un gran papel para
arreglar los grandes problemas del mundo.
arreglar los grandes problemas del mundo.
04:20
I've been in the private sector
for two years now.
for two years now.
96
248880
2416
Yo he estado en el sector privado
durante dos años hasta ahora.
durante dos años hasta ahora.
04:23
I've seen what companies can do,
and I've seen what companies aren't doing,
and I've seen what companies aren't doing,
97
251320
3576
He visto lo que las compañías pueden hacer,
y lo que las compañías no están haciendo.
y lo que las compañías no están haciendo.
04:26
and I think there's three main ways
that we can fill that gap:
that we can fill that gap:
98
254920
3376
y creo que hay tres formas principales
para poder cubrir ese vacío:
para poder cubrir ese vacío:
04:30
by donating data,
by donating decision scientists
by donating decision scientists
99
258320
3096
Donando información,
donando científicos de decisión
donando científicos de decisión
04:33
and by donating technology
to gather new sources of data.
to gather new sources of data.
100
261440
3480
y donando tecnología para recolectar
nuevas fuentes de información.
nuevas fuentes de información.
04:37
This is data philanthropy,
101
265920
1576
Esto se llama filantropía de datos,
04:39
and it's the future of corporate
social responsibility.
social responsibility.
102
267520
2840
y es el futuro de la responsabilidad
social corporativa.
social corporativa.
04:43
Bonus, it also makes good business sense.
103
271160
2600
Además, tiene sentido desde
una perspectiva de negocios.
una perspectiva de negocios.
04:46
Companies today,
they collect mountains of data,
they collect mountains of data,
104
274920
3216
Las compañías de hoy en día
recolectan montañas de datos,
recolectan montañas de datos,
04:50
so the first thing they can do
is start donating that data.
is start donating that data.
105
278160
2762
por lo que comenzar a donar esos datos
es lo primero que pueden hacer.
es lo primero que pueden hacer.
04:52
Some companies are already doing it.
106
280946
2190
Algunas compañías ya lo están haciendo.
04:55
Take, for example,
a major telecom company.
a major telecom company.
107
283160
2416
Piensen, por ejemplo,
en una compañía de telecomunicaciones.
en una compañía de telecomunicaciones.
04:57
They opened up their data
in Senegal and the Ivory Coast
in Senegal and the Ivory Coast
108
285600
2776
Ellos liberaron sus datos
en Senegal y Costa de Marfil
en Senegal y Costa de Marfil
05:00
and researchers discovered
109
288400
1976
y los investigadores descubrieron
05:02
that if you look at the patterns
in the pings to the cell phone towers,
in the pings to the cell phone towers,
110
290400
3334
que si se analiza los patrones en los
pings a las torres de servicio móvil,
pings a las torres de servicio móvil,
05:05
you can see where people are traveling.
111
293758
1938
se podrá ver hacia dónde
está viajando la gente.
está viajando la gente.
05:07
And that can tell you things like
112
295720
2176
Y eso le puede decir cosas como
05:09
where malaria might spread,
and you can make predictions with it.
and you can make predictions with it.
113
297920
3096
hacia dónde se puede propagar la malaria,
y realizar predicciones en base a eso.
y realizar predicciones en base a eso.
05:13
Or take for example
an innovative satellite company.
an innovative satellite company.
114
301040
2896
O, por ejemplo, una innovadora
compañía de satélites.
compañía de satélites.
05:15
They opened up their data and donated it,
115
303960
2016
Ellos liberaron sus datos y los donaron,
05:18
and with that data you could track
116
306000
1656
y con esa información se puede registrar
05:19
how droughts are impacting
food production.
food production.
117
307680
2040
cómo las sequías impactan
a la producción de comida.
a la producción de comida.
05:22
With that you can actually trigger
aid funding before a crisis can happen.
aid funding before a crisis can happen.
118
310920
3680
Con eso se pueden activar fondos de
ayuda antes de que ocurra una crisis.
ayuda antes de que ocurra una crisis.
05:27
This is a great start.
119
315560
1280
Este es un gran comienzo.
05:29
There's important insights
just locked away in company data.
just locked away in company data.
120
317840
2880
Hay conocimientos importantes atrapados
entre los datos de las compañías.
entre los datos de las compañías.
05:34
And yes, you need to be very careful.
121
322480
1816
Y sí, se necesita tener cuidado.
05:36
You need to respect privacy concerns,
for example by anonymizing the data.
for example by anonymizing the data.
122
324320
3576
Se debe respetar el tema de privacidad,
por ejemplo, al anonimizar los datos.
por ejemplo, al anonimizar los datos.
05:39
But even if the floodgates opened up,
123
327920
2776
Pero incluso si se abren
todas las puertas,
todas las puertas,
05:42
and even if all companies
donated their data
donated their data
124
330720
2536
e incluso si todas las compañías
donaran sus datos
donaran sus datos
05:45
to academics, to NGOs,
to humanitarian organizations,
to humanitarian organizations,
125
333280
3256
a académicos, a ONGs,
a organizaciones humanitarias,
a organizaciones humanitarias,
05:48
it wouldn't be enough
to harness that full impact of data
to harness that full impact of data
126
336560
2976
no sería suficiente para aprovechar
el impacto total de los datos
el impacto total de los datos
05:51
for humanitarian goals.
127
339560
1520
para fines humanitarios.
05:54
Why?
128
342320
1456
¿Por qué?
05:55
To unlock insights in data,
you need decision scientists.
you need decision scientists.
129
343800
3240
Para desbloquear estos conocimientos en los
datos, necesitará científicos de decisión.
datos, necesitará científicos de decisión.
05:59
Decision scientists are people like me.
130
347760
2576
Los científicos de decisión
son personas como yo.
son personas como yo.
06:02
They take the data, they clean it up,
131
350360
1816
Ellos toman los datos, los depuran,
06:04
transform it and put it
into a useful algorithm
into a useful algorithm
132
352200
2256
los transforman y los colocan
dentro de un algoritmo útil
dentro de un algoritmo útil
06:06
that's the best choice
to address the business need at hand.
to address the business need at hand.
133
354480
2840
para tomar la mejor decisión y enfrentar
la necesidad del negocio del momento.
la necesidad del negocio del momento.
06:09
In the world of humanitarian aid,
there are very few decision scientists.
there are very few decision scientists.
134
357800
3696
En el mundo de la ayuda humanitaria
existen muy pocos científicos de decisión.
existen muy pocos científicos de decisión.
06:13
Most of them work for companies.
135
361520
1640
La mayoría de ellos
trabajan para compañías.
trabajan para compañías.
06:16
So that's the second thing
that companies need to do.
that companies need to do.
136
364480
2496
Por lo tanto, eso es lo segundo
que pueden hacer las compañías.
que pueden hacer las compañías.
06:19
In addition to donating their data,
137
367000
1696
Además de donar sus datos,
06:20
they need to donate
their decision scientists.
their decision scientists.
138
368720
2160
necesitarán donar a sus
científicos de decisión.
científicos de decisión.
06:23
Now, companies will say, "Ah! Don't take
our decision scientists from us.
our decision scientists from us.
139
371520
5736
Ahora, las compañías dirán "¡Ah! No nos
quiten a nuestros científicos de decisión.
quiten a nuestros científicos de decisión.
06:29
We need every spare second of their time."
140
377280
2040
Necesitamos cada segundo de su tiempo".
06:32
But there's a way.
141
380360
1200
Pero hay una manera.
06:35
If a company was going to donate
a block of a decision scientist's time,
a block of a decision scientist's time,
142
383200
3416
Si una compañía fuera a donar un bloque
del tiempo de un científico de decisión,
del tiempo de un científico de decisión,
06:38
it would actually make more sense
to spread out that block of time
to spread out that block of time
143
386640
3136
en realidad, tendría más sentido
extender ese bloque de tiempo
extender ese bloque de tiempo
06:41
over a long period,
say for example five years.
say for example five years.
144
389800
2200
por un período largo de tiempo,
digamos, por ejemplo, cinco años.
digamos, por ejemplo, cinco años.
06:44
This might only amount
to a couple of hours per month,
to a couple of hours per month,
145
392600
3056
Esto significaría quizás
un par de horas al mes,
un par de horas al mes,
06:47
which a company would hardly miss,
146
395680
2056
que no sería gran pérdida
para una compañía,
para una compañía,
06:49
but what it enables is really important:
long-term partnerships.
long-term partnerships.
147
397760
3480
pero que permitiría algo muy importante:
alianzas a largo plazo.
alianzas a largo plazo.
06:54
Long-term partnerships
allow you to build relationships,
allow you to build relationships,
148
402920
2816
Las alianzas a largo plazo
permiten forjar relaciones,
permiten forjar relaciones,
06:57
to get to know the data,
to really understand it
to really understand it
149
405760
2656
ir conociendo los datos,
de verdad entenderlos
de verdad entenderlos
07:00
and to start to understand
the needs and challenges
the needs and challenges
150
408440
2416
y comenzar a entender
las necesidades y retos
las necesidades y retos
07:02
that the humanitarian
organization is facing.
organization is facing.
151
410880
2160
que la organización
humanitaria está enfrentando.
humanitaria está enfrentando.
07:06
In Rome, at the World Food Programme,
this took us five years to do,
this took us five years to do,
152
414345
3191
En Roma, en el Programa Mundial de
Alimentos, esto nos tomó cinco años,
Alimentos, esto nos tomó cinco años,
07:09
five years.
153
417560
1456
cinco años.
07:11
That first three years, OK,
that was just what we couldn't solve for.
that was just what we couldn't solve for.
154
419040
3336
Esos primeros tres años, bien,
no había forma de evitarlos.
no había forma de evitarlos.
07:14
Then there was two years after that
of refining and implementing the tool,
of refining and implementing the tool,
155
422400
3496
Luego hubo dos años después de eso
para refinar e implementar la herramienta,
para refinar e implementar la herramienta,
07:17
like in the operations in Iraq
and other countries.
and other countries.
156
425920
2800
como en las operaciones en Irak
y otros países.
y otros países.
07:21
I don't think that's
an unrealistic timeline
an unrealistic timeline
157
429520
2096
No considero que ese sea
un plazo poco realista
un plazo poco realista
07:23
when it comes to using data
to make operational changes.
to make operational changes.
158
431640
2736
en lo que respecta a usar datos
para hacer cambios operacionales.
para hacer cambios operacionales.
07:26
It's an investment. It requires patience.
159
434400
2400
Es una inversión. Requiere paciencia.
07:29
But the types of results
that can be produced are undeniable.
that can be produced are undeniable.
160
437760
3496
Pero los tipos de resultados que
pueden ser producidos son incuestionables.
pueden ser producidos son incuestionables.
07:33
In our case, it was the ability
to feed tens of thousands more people.
to feed tens of thousands more people.
161
441280
3560
En nuestro caso, se trató de alimentar
a decenas de miles de personas.
a decenas de miles de personas.
07:39
So we have donating data,
we have donating decision scientists,
we have donating decision scientists,
162
447440
4336
Entonces, hemos donado datos,
hemos donado científicos de decisión,
hemos donado científicos de decisión,
07:43
and there's actually a third way
that companies can help:
that companies can help:
163
451800
2696
y hay una tercera forma en la
que pueden ayudar las compañías:
que pueden ayudar las compañías:
07:46
donating technology
to capture new sources of data.
to capture new sources of data.
164
454520
2976
donando tecnología para captar
nuevas fuentes de datos.
nuevas fuentes de datos.
07:49
You see, there's a lot of things
we just don't have data on.
we just don't have data on.
165
457520
2840
Verán, hay muchas cosas
sobre las que no tenemos datos.
sobre las que no tenemos datos.
07:52
Right now, Syrian refugees
are flooding into Greece,
are flooding into Greece,
166
460960
2720
Ahora mismo, hay refugiados sirios
desbordándose sobre Grecia,
desbordándose sobre Grecia,
07:57
and the UN refugee agency,
they have their hands full.
they have their hands full.
167
465120
2560
y en la agencia de refugiados
de la ONU no tienen un respiro.
de la ONU no tienen un respiro.
08:01
The current system for tracking people
is paper and pencil,
is paper and pencil,
168
469000
3056
El sistema actual para rastrear
a la gente es con papel y lápiz,
a la gente es con papel y lápiz,
08:04
and what that means is
169
472080
1256
lo cual significa que
08:05
that when a mother and her five children
walk into the camp,
walk into the camp,
170
473360
2856
cuando una madre y sus cinco hijos
entran en un campamento,
entran en un campamento,
08:08
headquarters is essentially
blind to this moment.
blind to this moment.
171
476240
2656
la central queda básicamente
ciega en este momento.
ciega en este momento.
08:10
That's all going to change
in the next few weeks,
in the next few weeks,
172
478920
2336
Todo eso va a cambiar
en las próximas semanas,
en las próximas semanas,
08:13
thanks to private sector collaboration.
173
481280
1880
gracias a la colaboración
del sector privado.
del sector privado.
08:15
There's going to be a new system based
on donated package tracking technology
on donated package tracking technology
174
483840
3656
Va a haber un nuevo sistema basado
en un paquete con tecnología de rastreo,
en un paquete con tecnología de rastreo,
08:19
from the logistics company
that I work for.
that I work for.
175
487520
2040
donado a la compañía de logística
para la que trabajo.
para la que trabajo.
08:22
With this new system,
there will be a data trail,
there will be a data trail,
176
490120
2336
Con este nuevo sistema
habrá un rastro de datos,
habrá un rastro de datos,
08:24
so you know exactly the moment
177
492480
1456
por lo que se podrá
conocer el momento exacto
conocer el momento exacto
08:25
when that mother and her children
walk into the camp.
walk into the camp.
178
493960
2496
en el que esa madre y sus hijos
entran al campamento.
entran al campamento.
08:28
And even more, you know
if she's going to have supplies
if she's going to have supplies
179
496480
2616
E incluso, se podrá saber
y ella tendrá provisiones
y ella tendrá provisiones
08:31
this month and the next.
180
499120
1256
para este mes y el siguiente.
08:32
Information visibility drives efficiency.
181
500400
3016
La visibilidad de la información
impulsa a la eficiencia.
impulsa a la eficiencia.
08:35
For companies, using technology
to gather important data,
to gather important data,
182
503440
3256
Para las compañías, el uso de la tecnología
para recolectar datos importantes,
para recolectar datos importantes,
08:38
it's like bread and butter.
183
506720
1456
es el pan nuestro de cada día.
08:40
They've been doing it for years,
184
508200
1576
Ellos lo han estado haciendo por años,
08:41
and it's led to major
operational efficiency improvements.
operational efficiency improvements.
185
509800
3256
y eso ha llevado a importantes mejoras
de la eficiencia operacional.
de la eficiencia operacional.
08:45
Just try to imagine
your favorite beverage company
your favorite beverage company
186
513080
2360
Solo trate de imaginar
a su compañía de refrescos favorita
a su compañía de refrescos favorita
08:48
trying to plan their inventory
187
516280
1576
tratando de planificar su inventario
08:49
and not knowing how many bottles
were on the shelves.
were on the shelves.
188
517880
2496
sin saber cuántas botellas
hay en los estantes.
hay en los estantes.
08:52
It's absurd.
189
520400
1216
Es absurdo.
08:53
Data drives better decisions.
190
521640
1560
Los datos llevan a mejores decisiones.
08:57
Now, if you're representing a company,
191
525800
2536
Ahora, si uno está representando
a una compañía,
a una compañía,
09:00
and you're pragmatic
and not just idealistic,
and not just idealistic,
192
528360
3136
y es pragmático y no solo idealista,
09:03
you might be saying to yourself,
"OK, this is all great, Mallory,
"OK, this is all great, Mallory,
193
531520
3056
quizás esté pensando:
"Ok, todo esto está muy bien, Mallory,
"Ok, todo esto está muy bien, Mallory,
09:06
but why should I want to be involved?"
194
534600
1840
pero, ¿por qué querría estar involucrado?"
09:09
Well for one thing, beyond the good PR,
195
537000
2816
Bueno, para empezar,
más allá de la buena publicidad,
más allá de la buena publicidad,
09:11
humanitarian aid
is a 24-billion-dollar sector,
is a 24-billion-dollar sector,
196
539840
2776
la ayuda humanitaria es un sector
de USD 24 000 millones,
de USD 24 000 millones,
09:14
and there's over five billion people,
maybe your next customers,
maybe your next customers,
197
542640
3056
y hay más de 5000 millones de personas,
quizás sus próximos clientes,
quizás sus próximos clientes,
09:17
that live in the developing world.
198
545720
1816
que viven en el mundo
en vías de desarrollo.
en vías de desarrollo.
09:19
Further, companies that are engaging
in data philanthropy,
in data philanthropy,
199
547560
3096
Luego, las compañías que
se involucran en la filantropía de datos
se involucran en la filantropía de datos
09:22
they're finding new insights
locked away in their data.
locked away in their data.
200
550680
2976
están descubriendo nuevos conocimientos
atrapados en su información.
atrapados en su información.
09:25
Take, for example, a credit card company
201
553680
2256
Consideren, por ejemplo, a una
compañía de tarjetas de crédito
compañía de tarjetas de crédito
09:27
that's opened up a center
202
555960
1336
que ha abierto un centro
09:29
that functions as a hub for academics,
for NGOs and governments,
for NGOs and governments,
203
557320
3376
que funciona como una sede para
académicos, ONGs y gobiernos,
académicos, ONGs y gobiernos,
09:32
all working together.
204
560720
1240
todos trabajando juntos.
09:35
They're looking at information
in credit card swipes
in credit card swipes
205
563040
2736
Ellos buscan información en
las lecturas de tarjetas de crédito
las lecturas de tarjetas de crédito
09:37
and using that to find insights
about how households in India
about how households in India
206
565800
2976
y usan esos datos para conocer más
sobre cómo los hogares en la India
sobre cómo los hogares en la India
09:40
live, work, earn and spend.
207
568800
1720
viven, trabajan, ganan y gastan.
09:43
For the humanitarian world,
this provides information
this provides information
208
571680
2576
Para el mundo humanitario,
esto brinda información
esto brinda información
09:46
about how you might
bring people out of poverty.
bring people out of poverty.
209
574280
2656
sobre cómo se puede sacar
a la gente de la pobreza.
a la gente de la pobreza.
09:48
But for companies, it's providing
insights about your customers
insights about your customers
210
576960
3016
Pero para las compañías, esto brinda
conocimientos sobre los clientes
conocimientos sobre los clientes
09:52
and potential customers in India.
211
580000
2040
y clientes potenciales en la India.
09:54
It's a win all around.
212
582760
1800
Todos ganan aquí.
09:57
Now, for me, what I find
exciting about data philanthropy --
exciting about data philanthropy --
213
585960
3776
En mi caso, lo que me parece
emocionante de la filantropía de datos
emocionante de la filantropía de datos
10:01
donating data, donating decision
scientists and donating technology --
scientists and donating technology --
214
589760
4336
-- donar datos, donar científicos
de decisión y donar tecnología --
de decisión y donar tecnología --
10:06
it's what it means
for young professionals like me
for young professionals like me
215
594120
2376
es lo que importa para
jóvenes profesionales como yo
jóvenes profesionales como yo
10:08
who are choosing to work at companies.
216
596520
1840
que decidimos trabajar en compañías.
10:10
Studies show that
the next generation of the workforce
the next generation of the workforce
217
598800
2656
Lo estudios muestran que para la próxima
generación de la fuerza laboral
generación de la fuerza laboral
10:13
care about having their work
make a bigger impact.
make a bigger impact.
218
601480
2560
es importante que su trabajo
genere un impacto mayor.
genere un impacto mayor.
10:16
We want to make a difference,
219
604920
2456
Queremos hacer la diferencia,
10:19
and so through data philanthropy,
220
607400
2416
y con la filantropía de datos,
10:21
companies can actually help engage
and retain their decision scientists.
and retain their decision scientists.
221
609840
3936
las compañías pueden ayudar a involucrar
y a retener a sus científicos de decisión.
y a retener a sus científicos de decisión.
10:25
And that's a big deal for a profession
that's in high demand.
that's in high demand.
222
613800
2880
Y eso es un asunto importante para
una profesión que está en alta demanda.
una profesión que está en alta demanda.
10:29
Data philanthropy
makes good business sense,
makes good business sense,
223
617840
3120
La filantropía de datos
tiene sentido comercialmente,
tiene sentido comercialmente,
10:34
and it also can help
revolutionize the humanitarian world.
revolutionize the humanitarian world.
224
622200
3280
y también puede impulsar una revolución
en el mundo humanitario.
en el mundo humanitario.
10:39
If we coordinated
the planning and logistics
the planning and logistics
225
627600
2096
Si coordinamos nuestra
planificación y logística
planificación y logística
10:41
across all of the major facets
of a humanitarian operation,
of a humanitarian operation,
226
629720
3376
a lo largo de las facetas más importantes
de la operación humanitaria,
de la operación humanitaria,
10:45
we could feed, clothe and shelter
hundreds of thousands more people,
hundreds of thousands more people,
227
633120
3600
podríamos alimentar, vestir y acoger
a otros cientos de miles de personas,
a otros cientos de miles de personas,
10:49
and companies need to step up
and play the role that I know they can
and play the role that I know they can
228
637440
4256
y las compañías necesitan dar el paso
y tomar el papel que sé que pueden tomar
y tomar el papel que sé que pueden tomar
10:53
in bringing about this revolution.
229
641720
1880
para hacer realidad esa revolución.
10:56
You've probably heard of the saying
"food for thought."
"food for thought."
230
644720
2936
Quizás hayan escuchado la expresión
"alimento para el cerebro".
"alimento para el cerebro".
10:59
Well, this is literally thought for food.
231
647680
2240
Bueno, esto es, literalmente,
usar el cerebro para alimentar.
usar el cerebro para alimentar.
11:03
It finally is the right idea
at the right time.
at the right time.
232
651560
4136
Finalmente se trata de la idea correcta
en el momento correcto.
en el momento correcto.
11:07
(Laughter)
233
655720
1216
(Risas)
11:08
Très magnifique.
234
656960
1576
Très magnifique.
11:10
Thank you.
235
658560
1216
Muchas gracias.
11:11
(Applause)
236
659800
2851
(Aplausos)
ABOUT THE SPEAKER
Mallory Freeman - Data activistUPS'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.
Mallory Freeman | Speaker | TED.com