TED@UPS
Mallory Freeman: Your company's data could help end world hunger
مالری سلدنر: داده‌های شرکت شما می‌تواند گرسنگی را در جهان پایان دهد
Filmed:
Readability: 4.2
1,090,373 views
شرکت شما ممکن است برای حل مشکلات بشردوستانه کمک مالی کرده باشد، ولی ممکن است شما چیز مفیدتری برای ارائه داشته باشید: داده‌های شما.
مالری سولدنر به ما نشان می‌دهد چگونه شرکت‌های بخش خصوصی می‌توانند با اهداکردن داده‌های خام و دانشمندان تصمیم‌گیری‌شان کمک شایانی در حل مشکلات بزرگ داشته باشند -- از بحران پناهجویان گرفته تا گرسنگی جهانی -- شرکت شما چه کمکی می‌تواند بکند؟
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
ژوئن ۲۰۱۰.
00:15
I landed for the first time
in Rome, Italy.
in Rome, Italy.
1
3760
2880
برای اولین بار در شهر رم،
در ایتالیا فرود آمدم.
در ایتالیا فرود آمدم.
00:19
I wasn't there to sightsee.
2
7800
1896
برای گردش شهر آنجا نبودم.
00:21
I was there to solve world hunger.
3
9720
3120
رفته بودم تا مشکل گرسنگی جهان را حل کنم.
00:25
(Laughter)
4
13160
2096
(خنده حاضرین)
00:27
That's right.
5
15280
1216
درسته.
00:28
I was a 25-year-old PhD student
6
16520
2096
من ۲۵ ساله و دانشجوی مقطع دکتری
00:30
armed with a prototype tool
developed back at my university,
developed back at my university,
7
18640
3096
مسلح به یک ابزار آزمایشی بودم
که در دانشگاهم طراحی شده بود،
که در دانشگاهم طراحی شده بود،
00:33
and I was going to help
the World Food Programme fix hunger.
the World Food Programme fix hunger.
8
21760
3080
می‌خواستم به «برنامه جهانی غذا»
در حل گرسنگی کمک کنم.
در حل گرسنگی کمک کنم.
00:37
So I strode into the headquarters building
9
25840
2736
پس به ساختمان مرکزی آن سازمان
قدم گذاشتم
قدم گذاشتم
00:40
and my eyes scanned the row of UN flags,
10
28600
2816
و چشمانم ردیف پرچم‌های
سازمان ملل را بررسی کرد،
سازمان ملل را بررسی کرد،
00:43
and I smiled as I thought to myself,
11
31440
1960
و لبخند زدم و توی دلم گفتم،
00:46
"The engineer is here."
12
34840
1616
«مهندس اینجاست.»
00:48
(Laughter)
13
36480
2216
(خنده حاضرین)
00:50
Give me your data.
14
38720
1776
داده‌های خود را به من بدهید.
00:52
I'm going to optimize everything.
15
40520
2176
می‌خواهم همه چیز را بهینه‌سازی کنم.
00:54
(Laughter)
16
42720
1736
(خنده حاضرین)
00:56
Tell me the food that you've purchased,
17
44480
1896
از غذایی که خریده‌ای برایم بگو.
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
بگو به کجا می‌رود و
چه موقع باید آنجا باشد،
چه موقع باید آنجا باشد،
و من برایت کوتاه‌ترین،
سریعترین، ارزان‌ترین و بهترین
سریعترین، ارزان‌ترین و بهترین
01:01
and I'm going to tell you
the shortest, fastest, cheapest,
the shortest, fastest, cheapest,
19
49040
2736
مجموعه از مسیرهایی را
می‌گویم که به غذا خواهی رسید.
می‌گویم که به غذا خواهی رسید.
01:03
best set of routes to take for the food.
20
51800
1936
01:05
We're going to save money,
21
53760
1496
پول پس‌انداز می‌کنیم،
01:07
we're going to avoid
delays and disruptions,
delays and disruptions,
22
55280
2096
از تأخیرها و اختلالات
پیش‌گیری خواهیم کرد،
پیش‌گیری خواهیم کرد،
01:09
and bottom line,
we're going to save lives.
we're going to save lives.
23
57400
2736
و سر آخر اینکه
زندگی‌ها را نجات می‌دهیم.
زندگی‌ها را نجات می‌دهیم.
01:12
You're welcome.
24
60160
1216
نیازی به تشکر نیست.
01:13
(Laughter)
25
61400
1696
(خنده حاضرین)
01:15
I thought it was going to take 12 months,
26
63120
1976
فکر کردم ۱۲ ماه طول خواهد کشید،
01:17
OK, maybe even 13.
27
65120
1560
باشه، شاید هم ۱۳ ماه.
01:19
This is not quite how it panned out.
28
67800
2280
اما اصلاً طبق برنامه‌ام پیش نرفت.
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
چند ماهی بعد از شروع پروژه،
رییس فرانسوی‌ام بهم گفت،
رییس فرانسوی‌ام بهم گفت،
01:27
"You know, Mallory,
30
75400
1816
«می‌دونی مالری،
01:29
it's a good idea,
31
77240
1656
فکر خوبیه،
01:30
but the data you need
for your algorithms is not there.
for your algorithms is not there.
32
78920
3336
اما داده‌های لازم برای
الگوریتم تو وجود نداره.
الگوریتم تو وجود نداره.
01:34
It's the right idea but at the wrong time,
33
82280
2536
ایده‌ای خوبه
ولی در زمانی غلط،
ولی در زمانی غلط،
01:36
and the right idea at the wrong time
34
84840
2296
و ایده خوب در زمان غلط
01:39
is the wrong idea."
35
87160
1376
ایده‌ای غلطه.»
01:40
(Laughter)
36
88560
1320
(خنده حاضرین)
01:42
Project over.
37
90960
1280
ختم پروژه.
01:45
I was crushed.
38
93120
1200
نابود شدم.
01:49
When I look back now
39
97000
1456
الان که به عقب نگاه می‌کنم
01:50
on that first summer in Rome
40
98480
1656
به اولین تابستانم در رم
01:52
and I see how much has changed
over the past six years,
over the past six years,
41
100160
2656
می‌بینم چقدر همه چیز در شش
سال گذشته عوض شده،
سال گذشته عوض شده،
01:54
it is an absolute transformation.
42
102840
2240
یک دگرگونی مطلق است.
01:57
It's a coming of age for bringing data
into the humanitarian world.
into the humanitarian world.
43
105640
3400
زمان اصلی برای واردکردن داده‌ها
به جهان بشردوستانه است.
به جهان بشردوستانه است.
02:02
It's exciting. It's inspiring.
44
110160
2656
هیجان‌انگیز و الهام‌بخش است.
02:04
But we're not there yet.
45
112840
1200
اما راه درازی مانده.
02:07
And brace yourself, executives,
46
115320
2296
و رؤسای شرکت‌ها، آماده باشید،
02:09
because I'm going to be putting companies
47
117640
1976
چون قصد دارم شرکت‌هایتان را به چالش بکشم
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
تا وارد عمل شوند و نقش‌شان را
که می‌دانم از پسش برمی‌آیند ایفا کنند.
که می‌دانم از پسش برمی‌آیند ایفا کنند.
02:17
My experiences back in Rome prove
49
125520
2816
تجربه ام در رم ثابت کرد که
02:20
using data you can save lives.
50
128360
2080
با استفاده از داده‌ها می‌توانید
جان مردم را نجات دهید
جان مردم را نجات دهید
02:23
OK, not that first attempt,
51
131440
2456
خب البته نه در تلاش اول،
02:25
but eventually we got there.
52
133920
2576
اما در نهایت به آنجا می‌ٰرسیم.
02:28
Let me paint the picture for you.
53
136520
1736
بگذارید تصویر را برایتان ترسیم کنم.
02:30
Imagine that you have to plan
breakfast, lunch and dinner
breakfast, lunch and dinner
54
138280
2736
تصور کنید باید برای صبحانه،
ناهار و شامِ
ناهار و شامِ
پانصد هزار نفر برنامه ریزی کنید،
02:33
for 500,000 people,
55
141040
1616
02:34
and you only have
a certain budget to do it,
a certain budget to do it,
56
142680
2136
و برای این کار بودجه محدودی دارید،
02:36
say 6.5 million dollars per month.
57
144840
2240
مثلا ۶/۵ میلیون دلار در ماه.
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
خب، چکار باید کنید؟
بهترین روش برای انجام آن چیست؟
بهترین روش برای انجام آن چیست؟
02:44
Should you buy rice, wheat, chickpea, oil?
59
152280
2760
آیا خرید برنج، روغن،
گندم و نخود لازم است؟
گندم و نخود لازم است؟
02:47
How much?
60
155760
1216
چقدر؟
02:49
It sounds simple. It's not.
61
157000
2136
ساده به نظر می‌آید. اما نیست.
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
۳۰ نوع غذای ممکن دارید،
و باید ۵ تا را انتخاب کنید.
و باید ۵ تا را انتخاب کنید.
02:54
That's already over 140,000
different combinations.
different combinations.
63
162400
3416
بیش از ۱۴۰/۰۰۰
ترکیب مختلف می‌شود.
ترکیب مختلف می‌شود.
02:57
Then for each food that you pick,
64
165840
1696
بعد برای هر غذایی که
انتخاب می‌کنید،
انتخاب می‌کنید،
02:59
you need to decide how much you'll buy,
65
167560
1976
لازم است تصمیم بگیرید
چقدر خرید کرده،
چقدر خرید کرده،
03:01
where you're going to get it from,
66
169560
1696
از کجا آن را بخرید،
03:03
where you're going to store it,
67
171280
1480
کجا آن را نگه دارید،
03:05
how long it's going to take to get there.
68
173760
1976
چقدر زمان رسیدن به آنجا طول می‌کشد.
03:07
You need to look at all of the different
transportation routes as well.
transportation routes as well.
69
175760
3336
باید همه مسیرهای حمل و نقل
مختلف را بررسی کنید.
مختلف را بررسی کنید.
03:11
And that's already
over 900 million options.
over 900 million options.
70
179120
2080
و این می‌شود بیش از ۹۰۰ میلیون گزینه.
03:14
If you considered each option
for a single second,
for a single second,
71
182120
2376
اگر هر گزینه را فقط یک ثانیه بررسی کنید،
03:16
that would take you
over 28 years to get through.
over 28 years to get through.
72
184520
2336
۲۸ سال زمان لازم است
تا آنها را مرور کنید،
تا آنها را مرور کنید،
03:18
900 million options.
73
186880
1520
۹۰۰ میلیون گزینه.
03:21
So we created a tool
that allowed decisionmakers
that allowed decisionmakers
74
189160
2456
پس ابزاری خلق کردیم که
به تصمیم‌گیرنده‌ها اجازه می‌داد
به تصمیم‌گیرنده‌ها اجازه می‌داد
03:23
to weed through all 900 million options
75
191640
2616
تا ۹۰۰ میلیون گزینه را
ظرف تنها چند روز بررسی کنند.
03:26
in just a matter of days.
76
194280
1360
03:28
It turned out to be incredibly successful.
77
196560
2240
روشی که بی‌نهایت موفقیت‌آمیز ظاهر شد.
03:31
In an operation in Iraq,
78
199400
1256
در یک عملیات در عراق
03:32
we saved 17 percent of the costs,
79
200680
2536
۱۷ درصد در هزینه‌ها صرف‌جویی کردیم،
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
و این به آن معناست که می‌توانید
تغذیه ۸۰/۰۰۰ تن دیگر را بدهید.
تغذیه ۸۰/۰۰۰ تن دیگر را بدهید.
03:39
It's all thanks to the use of data
and modeling complex systems.
and modeling complex systems.
81
207400
4400
همه‌ی این‌ها به لطف استفاده از داده‌ها
و سیستم‌های پیچیده‌ی مدل‌سازی است.
و سیستم‌های پیچیده‌ی مدل‌سازی است.
03:44
But we didn't do it alone.
82
212800
1280
اما این کار را تنهایی انجام ندادیم.
03:46
The unit that I worked with in Rome,
they were unique.
they were unique.
83
214840
2736
گروهی که باهاشون در رم
کار می‌کردم بی‌نظیر بودند.
کار می‌کردم بی‌نظیر بودند.
03:49
They believed in collaboration.
84
217600
1736
به همکاری اعتقاد داشتند.
03:51
They brought in the academic world.
85
219360
1696
دنیای دانشگاهی را مشارکت دادند.
03:53
They brought in companies.
86
221080
1280
شرکت‌ها را آوردند.
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
و اگر می‌خواهیم تغییرات بزرگ در مشکلات
عظیمی چون گرسنگی در جهان ایجاد کنیم
عظیمی چون گرسنگی در جهان ایجاد کنیم
03:58
we need everybody to the table.
88
226840
2560
همه باید سر میز حاضر شوند.
04:02
We need the data people
from humanitarian organizations
from humanitarian organizations
89
230040
2936
ما به متخصصان داده‌های
سازمان‌های بشری نیاز داریم
سازمان‌های بشری نیاز داریم
04:05
leading the way,
90
233000
1256
برای فرماندهی
و مدیریت انواع و اقسام صحیح مشارکت
04:06
and orchestrating
just the right types of engagements
just the right types of engagements
91
234280
2576
04:08
with academics, with governments.
92
236880
1696
با دانشگاهیان و مراکز دولتی.
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
و یک گروه هست که آنطور که باید
مایل به مشارکت نیست.
مایل به مشارکت نیست.
04:14
Did you guess it? Companies.
94
242320
2096
حدس زدید؟
شرکت‌ها.
شرکت‌ها.
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
شرکت‌ها نقش اساسی در حل
مشکلات بزرگ در جهان ما دارند.
مشکلات بزرگ در جهان ما دارند.
04:20
I've been in the private sector
for two years now.
for two years now.
96
248880
2416
من دو سال است که
در بخش خصوصی کار می‌کنم.
در بخش خصوصی کار می‌کنم.
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
دیدم که شرکت‌ها چه کارهایی انجام می‌دهند،
و چه کارهایی نه.
و چه کارهایی نه.
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
و فکر می‌کنم سه روش اصلی برای
پر کردن این شکاف داریم:
پر کردن این شکاف داریم:
با در اختیار گذاشتن داده‌ها،
متخصصان تصمیم‌گیری (داده‌کاوها)
متخصصان تصمیم‌گیری (داده‌کاوها)
04:30
by donating data,
by donating decision scientists
by donating decision scientists
99
258320
3096
04:33
and by donating technology
to gather new sources of data.
to gather new sources of data.
100
261440
3480
و در اختیار گذاشتن فناوری برای
جمع‌آوری منابع تازه داده‌ها.
جمع‌آوری منابع تازه داده‌ها.
این صدقه‌دادنِ داده‌هاست،
04:37
This is data philanthropy,
101
265920
1576
04:39
and it's the future of corporate
social responsibility.
social responsibility.
102
267520
2840
و آینده‌ی مشارکت
در مسئولیت‌پذیری اجتماعی.
در مسئولیت‌پذیری اجتماعی.
04:43
Bonus, it also makes good business sense.
103
271160
2600
خوبی‌اش این است که
به لحاظ تجاری هم سود خوبی دارد.
به لحاظ تجاری هم سود خوبی دارد.
04:46
Companies today,
they collect mountains of data,
they collect mountains of data,
104
274920
3216
امروزه شرکت‌ها کوهی از
داده‌ها جمع می کنند،
داده‌ها جمع می کنند،
04:50
so the first thing they can do
is start donating that data.
is start donating that data.
105
278160
2762
پس اولین قدم اعطای این داده‌هاست.
04:52
Some companies are already doing it.
106
280946
2190
برخی شرکت‌ها الان این کار را می‌کنند.
04:55
Take, for example,
a major telecom company.
a major telecom company.
107
283160
2416
برای مثال، یک شرکت بزرگ مخابراتی.
04:57
They opened up their data
in Senegal and the Ivory Coast
in Senegal and the Ivory Coast
108
285600
2776
داده‌های خود را در
سنگال و ساحل عاج آزاد کردند
سنگال و ساحل عاج آزاد کردند
05:00
and researchers discovered
109
288400
1976
و محققان دریافتند
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
که اگر به الگوی آنتن‌دهی
دکل‌های مخابراتی نگاه کنیم
دکل‌های مخابراتی نگاه کنیم
05:05
you can see where people are traveling.
111
293758
1938
خواهیم دید که مردم کجا سفر می‌کنند.
05:07
And that can tell you things like
112
295720
2176
و همین‌طور قادر خواهید بود بگویید مثلاً
05:09
where malaria might spread,
and you can make predictions with it.
and you can make predictions with it.
113
297920
3096
مالاریا کجا ممکن است همه‌گیر شود
و برایش پیش بینی‌هایی کنید.
و برایش پیش بینی‌هایی کنید.
05:13
Or take for example
an innovative satellite company.
an innovative satellite company.
114
301040
2896
یا برای مثال یک شرکت
ماهواره‌ای نوآور را در نظر بگیرید.
ماهواره‌ای نوآور را در نظر بگیرید.
05:15
They opened up their data and donated it,
115
303960
2016
آنها داده‌های خود را آزاد کرده
و در اختیار گذاشتند
و در اختیار گذاشتند
05:18
and with that data you could track
116
306000
1656
و با این داده‌ها می‌توان ردیابی کرد
05:19
how droughts are impacting
food production.
food production.
117
307680
2040
اثرات خشکسالی‌ها
بر تولید غذا چگونه است.
بر تولید غذا چگونه است.
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
اینطوری می‌شود کمک‌های مالی را
پیش از رخ دادن یک بحران به انجام رساند.
پیش از رخ دادن یک بحران به انجام رساند.
05:27
This is a great start.
119
315560
1280
این شروع خوبی است.
05:29
There's important insights
just locked away in company data.
just locked away in company data.
120
317840
2880
اطلاعات مفید مهمی در داده‌های
شرکت‌ها نهفته است
شرکت‌ها نهفته است
05:34
And yes, you need to be very careful.
121
322480
1816
و بله البته باید خیلی محتاط باشید.
05:36
You need to respect privacy concerns,
for example by anonymizing the data.
for example by anonymizing the data.
122
324320
3576
باید به دغدغه‌های خصوصی احترام بگذارید،
مثلاً با ناشناس‌کردن داده‌ها.
مثلاً با ناشناس‌کردن داده‌ها.
05:39
But even if the floodgates opened up,
123
327920
2776
ولی حتی اگر دریچه‌های این سد باز شوند،
05:42
and even if all companies
donated their data
donated their data
124
330720
2536
و حتی اگر همه شرکت‌ها
داده‌های خود را اهدا کنند
داده‌های خود را اهدا کنند
05:45
to academics, to NGOs,
to humanitarian organizations,
to humanitarian organizations,
125
333280
3256
به دانشگاهیان، سازمان‌های غیر دولتی،
و سازمان‌های بشردوستانه،
و سازمان‌های بشردوستانه،
05:48
it wouldn't be enough
to harness that full impact of data
to harness that full impact of data
126
336560
2976
برای درک اثرات کامل این داده‌ها
بر اهداف بشر دوستانه
بر اهداف بشر دوستانه
05:51
for humanitarian goals.
127
339560
1520
کافی نخواهد بود.
05:54
Why?
128
342320
1456
چرا؟
05:55
To unlock insights in data,
you need decision scientists.
you need decision scientists.
129
343800
3240
برای آشکار کردن این اطلاعات در داده‌ها
به متخصصان (داده‌کاوی) نیاز دارید.
به متخصصان (داده‌کاوی) نیاز دارید.
05:59
Decision scientists are people like me.
130
347760
2576
دانشمندن تصمیم‌گیرنده مردمی مثل من هستند.
داده را می‌گیرند، تمیزش می‌کنند،
06:02
They take the data, they clean it up,
131
350360
1816
آن را تغییر می‌دهند و درون
یک الگورتیم مفید قرار می‌دهند
یک الگورتیم مفید قرار می‌دهند
06:04
transform it and put it
into a useful algorithm
into a useful algorithm
132
352200
2256
06:06
that's the best choice
to address the business need at hand.
to address the business need at hand.
133
354480
2840
که بهترین گزینه است در جهت
مدیریت کردن کار.
مدیریت کردن کار.
06:09
In the world of humanitarian aid,
there are very few decision scientists.
there are very few decision scientists.
134
357800
3696
در دنیای کمک‌های بشردوستانه،
خیلی متخصص تصمیم‌گیری کم است.
خیلی متخصص تصمیم‌گیری کم است.
06:13
Most of them work for companies.
135
361520
1640
اکثراً در خدمت شرکت‌ها هستند.
پس این دومین چیزی است که
این شرکت‌ها لازم است انجام دهند.
این شرکت‌ها لازم است انجام دهند.
06:16
So that's the second thing
that companies need to do.
that companies need to do.
136
364480
2496
06:19
In addition to donating their data,
137
367000
1696
علاوه بر بخشش داده‌هایشان،
06:20
they need to donate
their decision scientists.
their decision scientists.
138
368720
2160
لازم است دانشمندانِ
تصمیم‌گیری‌شان را هم اهدا کنند.
تصمیم‌گیری‌شان را هم اهدا کنند.
06:23
Now, companies will say, "Ah! Don't take
our decision scientists from us.
our decision scientists from us.
139
371520
5736
الان شرکت‌ها خواهند گفت، «آه،
متخصصان تصمیم‌گیری را از ما نگیرید.
متخصصان تصمیم‌گیری را از ما نگیرید.
06:29
We need every spare second of their time."
140
377280
2040
ما هر لحظه به آنها نیاز داریم.»
06:32
But there's a way.
141
380360
1200
اما راه حلی وجود دارد.
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
اگر یک شرکت بخشی از زمان
یک دانشمند تصمیم‌گیری را اهدا می‌کرد،
یک دانشمند تصمیم‌گیری را اهدا می‌کرد،
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
عاقلانه‌تر بود که این زمان را
بر روی گستره‌ای طولانی از زمان
بر روی گستره‌ای طولانی از زمان
06:41
over a long period,
say for example five years.
say for example five years.
144
389800
2200
پخش می‌کرد، مثلاً پنج سال.
06:44
This might only amount
to a couple of hours per month,
to a couple of hours per month,
145
392600
3056
این شاید حدود چند ساعت در ماه می‌شد،
06:47
which a company would hardly miss,
146
395680
2056
که یک شرکت به سختی آن را حس می‌کرد،
06:49
but what it enables is really important:
long-term partnerships.
long-term partnerships.
147
397760
3480
ولی توانایی که داشت مهم بود:
همکاری طولانی مدت.
همکاری طولانی مدت.
06:54
Long-term partnerships
allow you to build relationships,
allow you to build relationships,
148
402920
2816
همکاری طولانی مدت به شما
اجازه می‌دهد رابطه ایجاد کنید،
اجازه می‌دهد رابطه ایجاد کنید،
06:57
to get to know the data,
to really understand it
to really understand it
149
405760
2656
تا داده‌ها را بشناسید و واقعاً
آنها را درک کنید
آنها را درک کنید
07:00
and to start to understand
the needs and challenges
the needs and challenges
150
408440
2416
و شروع به فهمیدن نیازها و چالش‌هایی کنید
07:02
that the humanitarian
organization is facing.
organization is facing.
151
410880
2160
که سازمان‌های بشردوستانه
با آنها مواجه هستند.
با آنها مواجه هستند.
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
در رم، در «برنامه جهانی غذا»،
این کار برای ما پنج سال طول کشید،
این کار برای ما پنج سال طول کشید،
07:09
five years.
153
417560
1456
پنج سال.
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
سه سال اول، در حال پیدا کردن راه‌حل بودیم.
07:14
Then there was two years after that
of refining and implementing the tool,
of refining and implementing the tool,
155
422400
3496
سپس در دو سال بعدی در حال
پالایش و پیاده‌سازی ابزار
پالایش و پیاده‌سازی ابزار
07:17
like in the operations in Iraq
and other countries.
and other countries.
156
425920
2800
مثل مأموریت عراق و دیگر کشورها بودیم.
07:21
I don't think that's
an unrealistic timeline
an unrealistic timeline
157
429520
2096
فکر نمی‌کنم این زمانبندی غیرواقعی باشد
وقتی نوبت به استفاده از داده‌ها برای
ایجاد تغییرات عملیاتی می‌کنیم.
ایجاد تغییرات عملیاتی می‌کنیم.
07:23
when it comes to using data
to make operational changes.
to make operational changes.
158
431640
2736
07:26
It's an investment. It requires patience.
159
434400
2400
این یک سرمایه‌گزاری است.
نیاز به صبر دارد.
نیاز به صبر دارد.
07:29
But the types of results
that can be produced are undeniable.
that can be produced are undeniable.
160
437760
3496
اما انواع نتایجی که بتواند تولید شود
غیرقابل انکار هستند.
غیرقابل انکار هستند.
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
در مورد ما، قابلیت تغذیه
ده‌ها هزار انسان بیشتر فراهم شد.
ده‌ها هزار انسان بیشتر فراهم شد.
07:39
So we have donating data,
we have donating decision scientists,
we have donating decision scientists,
162
447440
4336
بنابراین ما اعطای داده‌ها و
اعطای دانشمندان تصمیم‌گیری را داریم،
اعطای دانشمندان تصمیم‌گیری را داریم،
07:43
and there's actually a third way
that companies can help:
that companies can help:
163
451800
2696
و در واقع راه سومی هم هست که
شرکت‌ها بتوانند کمک کنند:
شرکت‌ها بتوانند کمک کنند:
07:46
donating technology
to capture new sources of data.
to capture new sources of data.
164
454520
2976
اهدای فناوری برای جمع‌آوری
منابع جدید داده‌ها.
منابع جدید داده‌ها.
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
می‌دانید کلی چیز هست
که برایشان داده‌ای نداریم.
که برایشان داده‌ای نداریم.
07:52
Right now, Syrian refugees
are flooding into Greece,
are flooding into Greece,
166
460960
2720
همین الان، پناهجویان سوری
به یونان هجوم آورده‌اند،
به یونان هجوم آورده‌اند،
07:57
and the UN refugee agency,
they have their hands full.
they have their hands full.
167
465120
2560
و آژانس پناهجویان سازمان ملل،
حسابی سرشان شلوغ است.
حسابی سرشان شلوغ است.
08:01
The current system for tracking people
is paper and pencil,
is paper and pencil,
168
469000
3056
نظام فعلی برای ردیابی آدم‌ها
کاغد و قلم است،
کاغد و قلم است،
08:04
and what that means is
169
472080
1256
و این یعنی
وقتی مادری به‌همراه پنج فرزندش
قدم به اردوگاه می‌گذارد
قدم به اردوگاه می‌گذارد
08:05
that when a mother and her five children
walk into the camp,
walk into the camp,
170
473360
2856
اداره‌ی اصلی در این لحظه
نسبت به آن نابینا است.
نسبت به آن نابینا است.
08:08
headquarters is essentially
blind to this moment.
blind to this moment.
171
476240
2656
08:10
That's all going to change
in the next few weeks,
in the next few weeks,
172
478920
2336
ظرف چند هفته آینده
تمام این موضوع تغییر می‌کند،
تمام این موضوع تغییر می‌کند،
08:13
thanks to private sector collaboration.
173
481280
1880
به لطف همکار بخش خصوصی.
08:15
There's going to be a new system based
on donated package tracking technology
on donated package tracking technology
174
483840
3656
قرار است نظام جدیدی بر مبنای فناوری
اهدایی ردیابی محموله‌ها پی‌ریزی کنیم
اهدایی ردیابی محموله‌ها پی‌ریزی کنیم
08:19
from the logistics company
that I work for.
that I work for.
175
487520
2040
که شرکت حملی که برایش کار می‌کنم
اهدا کرده.
اهدا کرده.
با این سیستم جدید،
دنباله‌ی اطلاعاتی خواهد بود،
دنباله‌ی اطلاعاتی خواهد بود،
08:22
With this new system,
there will be a data trail,
there will be a data trail,
176
490120
2336
08:24
so you know exactly the moment
177
492480
1456
که به محضی که مادر و کودکانش
08:25
when that mother and her children
walk into the camp.
walk into the camp.
178
493960
2496
پا به اردوگاه می گذارند مطلع خواهید شد.
08:28
And even more, you know
if she's going to have supplies
if she's going to have supplies
179
496480
2616
و حتی خواهید دانست که آیا
این ماه و ماه بعدی
این ماه و ماه بعدی
ذخیره‌ای دریافت می‌کند.
08:31
this month and the next.
180
499120
1256
آشکارسازی اطلاعات
کارایی را بالا می‌برد.
کارایی را بالا می‌برد.
08:32
Information visibility drives efficiency.
181
500400
3016
08:35
For companies, using technology
to gather important data,
to gather important data,
182
503440
3256
برای شرکت‌ها، استفاده از فناوری
برای یافتن داده‌های مهم
برای یافتن داده‌های مهم
08:38
it's like bread and butter.
183
506720
1456
مثل نان شب است.
08:40
They've been doing it for years,
184
508200
1576
سالها است این کار را می‌کنند،
08:41
and it's led to major
operational efficiency improvements.
operational efficiency improvements.
185
509800
3256
و باعث افزایش بهبود چشمگیری
در کارهایشان شده است.
در کارهایشان شده است.
08:45
Just try to imagine
your favorite beverage company
your favorite beverage company
186
513080
2360
فقط تصور کنید کمپانی
نوشیدنی‌سازی محبوب شما
نوشیدنی‌سازی محبوب شما
روی فهرست موجودی‌اش کار می‌کند
08:48
trying to plan their inventory
187
516280
1576
08:49
and not knowing how many bottles
were on the shelves.
were on the shelves.
188
517880
2496
و نمی‌داند که روی هر قفسه
چند بطری هست.
چند بطری هست.
08:52
It's absurd.
189
520400
1216
احمقانه است.
08:53
Data drives better decisions.
190
521640
1560
داده‌ها، مولدِ تصمیمات بهترند.
08:57
Now, if you're representing a company,
191
525800
2536
اکنون اگر نمایندگی شرکتی را داشته باشید،
09:00
and you're pragmatic
and not just idealistic,
and not just idealistic,
192
528360
3136
و واقعیت‌گرا باشید و نه یک ایده‌آل گرا،
09:03
you might be saying to yourself,
"OK, this is all great, Mallory,
"OK, this is all great, Mallory,
193
531520
3056
باید به خودتان بگویید که
« خب، مالری همه این‌ها عالیه،
« خب، مالری همه این‌ها عالیه،
09:06
but why should I want to be involved?"
194
534600
1840
اما من چرا باید درگیر بشم؟»
09:09
Well for one thing, beyond the good PR,
195
537000
2816
خوب از یک طرف،
فراتر از حُسن‌نیت
فراتر از حُسن‌نیت
09:11
humanitarian aid
is a 24-billion-dollar sector,
is a 24-billion-dollar sector,
196
539840
2776
کمک بشردوستانه بخشی با ارزش
۲۴ میلیارد دلاری است،
۲۴ میلیارد دلاری است،
09:14
and there's over five billion people,
maybe your next customers,
maybe your next customers,
197
542640
3056
و پنج میلیارد نفر وجود دارند،
شاید مشتری‌های بعدی شما،
شاید مشتری‌های بعدی شما،
که در دنیای در حال توسعه زندگی می‌کنند.
09:17
that live in the developing world.
198
545720
1816
09:19
Further, companies that are engaging
in data philanthropy,
in data philanthropy,
199
547560
3096
بعلاوه، شرکت‌هایی که وارد داده‌بخشی
بشردوستانه می‌شوند،
بشردوستانه می‌شوند،
09:22
they're finding new insights
locked away in their data.
locked away in their data.
200
550680
2976
در حال یافتن اطلاعات مفیدتری
در داده‌های خود هستند.
در داده‌های خود هستند.
09:25
Take, for example, a credit card company
201
553680
2256
برای مثال یک شرکت
کارت اعتباری را ببینید،
کارت اعتباری را ببینید،
09:27
that's opened up a center
202
555960
1336
که یک مرکز باز کرده که
09:29
that functions as a hub for academics,
for NGOs and governments,
for NGOs and governments,
203
557320
3376
به عنوان یک قطب برای دانشگاهیان،
دولت و سازمان‌های بشردوستانه
دولت و سازمان‌های بشردوستانه
09:32
all working together.
204
560720
1240
کار می‌کند.
09:35
They're looking at information
in credit card swipes
in credit card swipes
205
563040
2736
آنها به اطلاعات استفاده از
کارت‌های بانکی نگاه می‌کنند
کارت‌های بانکی نگاه می‌کنند
09:37
and using that to find insights
about how households in India
about how households in India
206
565800
2976
و با آن به فهمی می‌رسند
از اینکه خانواده‌های هندی چگونه
از اینکه خانواده‌های هندی چگونه
09:40
live, work, earn and spend.
207
568800
1720
زندگی، کار، درآمدزایی و خرج می‌کنند.
09:43
For the humanitarian world,
this provides information
this provides information
208
571680
2576
برای دنیای بشردوستانه
این اطلاعاتی فراهم می‌کند
این اطلاعاتی فراهم می‌کند
09:46
about how you might
bring people out of poverty.
bring people out of poverty.
209
574280
2656
که چگونه می‌شود مردم را
از فقر خارج کنیم
از فقر خارج کنیم
09:48
But for companies, it's providing
insights about your customers
insights about your customers
210
576960
3016
ولی برای شرکت‌ها، اطلاعاتی
درباره مشتریان بالفعل
درباره مشتریان بالفعل
09:52
and potential customers in India.
211
580000
2040
و مشتریان بالقوه‌شان در هند می‌دهد.
09:54
It's a win all around.
212
582760
1800
یک برد همه طرفه است.
09:57
Now, for me, what I find
exciting about data philanthropy --
exciting about data philanthropy --
213
585960
3776
برای من، جذابیت اهداکردن داده‌ها --
10:01
donating data, donating decision
scientists and donating technology --
scientists and donating technology --
214
589760
4336
اهدای داده‌ها، اهدای متخصصان تصمیم‌گیری
و اهدای فناوری --
و اهدای فناوری --
برای متخصصان جوانی مثل من
معیار انتخابی است
معیار انتخابی است
10:06
it's what it means
for young professionals like me
for young professionals like me
215
594120
2376
برای کارکردن در شرکت‌ها.
10:08
who are choosing to work at companies.
216
596520
1840
10:10
Studies show that
the next generation of the workforce
the next generation of the workforce
217
598800
2656
مطالعات نشان می‌دهد که نسل آینده نیروی کار
10:13
care about having their work
make a bigger impact.
make a bigger impact.
218
601480
2560
به تأثیر‌گزاری هرچه بیشتر
کاری که می‌کند اهمیت می‌دهد.
کاری که می‌کند اهمیت می‌دهد.
10:16
We want to make a difference,
219
604920
2456
ما می‌خواهیم کاری مفید کنیم،
10:19
and so through data philanthropy,
220
607400
2416
و با استفاده از داده‌های بشردوستانه،
10:21
companies can actually help engage
and retain their decision scientists.
and retain their decision scientists.
221
609840
3936
شرکت‌ها می‌توانند به مشارکت و نگهداری
متخصصین تصمیم‌گیری خود کمک کنند.
متخصصین تصمیم‌گیری خود کمک کنند.
10:25
And that's a big deal for a profession
that's in high demand.
that's in high demand.
222
613800
2880
و این مسأله‌ی مهمی است برای
متخصصانی که متقاضی زیادی دارند.
متخصصانی که متقاضی زیادی دارند.
10:29
Data philanthropy
makes good business sense,
makes good business sense,
223
617840
3120
صدقه‌دادنِ داده‌ها از نظر
تجاری سودمند است،
تجاری سودمند است،
10:34
and it also can help
revolutionize the humanitarian world.
revolutionize the humanitarian world.
224
622200
3280
و حتی می‌تواند به تحول در
دنیای بشردوستی نیز کمک کند.
دنیای بشردوستی نیز کمک کند.
10:39
If we coordinated
the planning and logistics
the planning and logistics
225
627600
2096
اگر ما برنامه‌ریزی و تدارکات‌مان را
10:41
across all of the major facets
of a humanitarian operation,
of a humanitarian operation,
226
629720
3376
از لحاظ کارهای
بشردوستانه تدوین کنیم،
بشردوستانه تدوین کنیم،
10:45
we could feed, clothe and shelter
hundreds of thousands more people,
hundreds of thousands more people,
227
633120
3600
می‌توانیم برای صدها هزار نفر دیگر
غذا، سرپناه و لباس تأمین کنیم،
غذا، سرپناه و لباس تأمین کنیم،
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
و شرکت‌ها باید قدم جلو بگذارند و
نقش‌شان که می‌دانم می‌توانند را
نقش‌شان که می‌دانم می‌توانند را
10:53
in bringing about this revolution.
229
641720
1880
در پیشبرد این انقلاب ایفا کنند.
10:56
You've probably heard of the saying
"food for thought."
"food for thought."
230
644720
2936
شما شاید ضرب‌المثل «غذای فکر»
رو شنیده باشین.
رو شنیده باشین.
10:59
Well, this is literally thought for food.
231
647680
2240
خب. این به واقع فکر برای غذاست.
11:03
It finally is the right idea
at the right time.
at the right time.
232
651560
4136
و بالاخره اینکه
ایده‌ای خوب در زمانی مناسب است.
ایده‌ای خوب در زمانی مناسب است.
11:07
(Laughter)
233
655720
1216
(خنده حاضرین)
11:08
Très magnifique.
234
656960
1576
بسیار عالی.
11:10
Thank you.
235
658560
1216
متشکرم.
11:11
(Applause)
236
659800
2851
(تشویق)
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